[发明专利]一种用于客户流失预测的数据挖掘方法

说明书

本发明为一种用于客户流失预测的数据挖掘方法，涉及数据监控技术领域，包括数据获取步骤，特征变量选择步骤，样本选取步骤，数据预处理步骤，构建训练集和和测试集步骤和执行训练步骤，数据获取步骤包括，建立数据库，对接银行数据系统；特征变量选择包括，选取满足预测算法的特征变量；样本选取步骤包括，根据原始算法，以所收集的数据，对客户流失量进行数据准备；数据预处理步骤包括，整合基础数据，清理无关数据和空值；构建训练集和测试集步骤包括，抽取样本，将所抽取的样本分为训练集和测试集；执行训练步骤包括，按照模型参数的重要性程度进行训练，并以最优解滚动迭代，根据本方法可以预测用户流失概率，从而方便工作人员进行维护。

技术领域

本发明涉及数据监控技术领域，具体为一种用于客户流失预测的数据挖掘方法。

背景技术

当下互联网上的金融理财程序越来越多，由于银行必须对所提供的理财产品严格负责，银行的所提供的理财产品相对于其它互联网平台所提供的或者所描述的相对保守，从而相对互联网平台的理财产品不容易吸引客户注意，导致了大量客户的存款的流失。

从成本收益角度看，存量客户产生收益远大于新增客户，同时存量客户的流失将会导致巨大的损失，挽留存量客户难度和成本低于获取新客户。

发明内容

本发明提出了一种用于客户流失预测的数据挖掘方法，增强银行对客户服务的提升和挽留效率，解决长尾客户无人管、无力管的状况。

本发明的技术方案如下：

一种用于客户流失预测的数据挖掘方法，包括数据获取步骤，特征变量选择步骤，样本选取步骤，数据预处理步骤，构建训练集和和测试集步骤和执行训练步骤，其中，

所述数据获取步骤包括，建立数据库，对接银行数据系统；

所述特征变量选择步骤包括，选取满足预测算法的特征变量；

所述样本选取步骤包括，根据原始算法，以所收集的数据，对客户流失量进行数据准备；

所述数据预处理步骤包括，整合基础数据，清理无关数据和空值；

所述构建训练集和测试集步骤包括，抽取样本，将所抽取的样本分为训练集和测试集；

所述执行训练步骤包括，按照模型参数的重要性程度进行训练，并以最优解滚动迭代。

作为本方案的进一步优化，所述数据获取步骤包括建立数据库，同时对接银行的数据系统对数据库进行信息传递。

作为本方案的进一步优化，所建立的数据库内容包括客户身份信息、客户资产信息、客户交易信息和产品信息。

作为本方案的进一步优化，所述客户身份信息包括客户ID、年龄和性别，所述产品信息包括活期存款指标、定期存款指标、贷款情况指标、卡业务使用及办理情况、投资理财业务指标和产品综合指标，所述客户资产信息包括总金融资产情况 FA/AUM 及其变动情况，所述客户交易信息包括渠道产品签约情况指标，AUM 交易渠道情况指标、流入、流出情况、大小额转账和第三方及同名账户指标。

作为本方案的进一步优化，所述特征变量选择步骤包括，根据算法需求，设定条件，选取满足条件的特征变量；

所述样本选取步骤包括，将选取的特征变量带入原始的算法，进行预测准备。

作为本方案的进一步优化，所述数据预处理步骤包括根据原始算法，以个人客户号为连接条件，对所选取的特征值进行排列和总结，清理特征值中的无关数据和空值。

作为本方案的进一步优化，所述构建训练集和测试集步骤包括根据预测需求，选取样本数据进行试验，并根据设定，划分为训练集和测试集。

作为本方案的进一步优化，根据原始算法，得到对模型影响最重要的参数，模型训练从对模型影响最重要的参数作为起点，按照对模型影响的重要性程度递减方向依次训练，每次训练将之前训练得到的最优解作输入固定，滚动迭代。