近年来，面对复杂多变的市场环境，以及同业竞争的加剧和金融强监管的趋势，同业间对优质客户的挖转日益激烈，客户建构、层次和群体均发生了一定的变化，造成我行优质客户的流失。优质客户对我行贡献度较大，对我行的资产规模增长及利润贡献度均产生较大影响，为稳定现有优质客户，减少客户流失，降低全行客户储蓄流失率，北京农商银行开展潜在流失客户挽留工作，对我行2018-2020年流失客户进行大数据分析，启动了个人客户大额资产流失挽留项目。

此项目通过对流失客户在交易行为、持有产品类型、持有资产情况和签约情况等多维度特征的深入挖掘，研究提出流失预测模型开发方案及挽留干预方案，建立存款流失预测模型和挽留模型，制定流失模型开发及营销试点计划，利用模型从客户中筛选出储蓄存款流失率超过50%的潜在流失客户名单，由基层网点针对性展开客户挽留工作。此项目有效提升了我行客户资产留存率，确保了我行资产规模平稳增长。

一、项目方案及技术实现特点

个人客户大额资产流失挽留模型遵循标准的机器学习建模流程进行开发，使用了逻辑回归+线形回归组合算法。

图1 个人客户大额资产流失挽留模型建模流程

1.数据预处理：对数据按照标准进行清洗，初步处理异常数据、重复数据并抽取有效样本、查看样本分布；

2.构造衍生变量：指定分类变量、数据变量、中文变量、指定客户ID、交易金额等，通过建模软件构造衍生变量，处理表包括资产表、签约表及交易流水表；

3.定义目标变量：指定流失模型的因变量；

4.模型训练及评估：根据处理好的数据变量进行建模，生成预测模型，并对模型进行评估，此步的操作包括变量分段、IV值计算、变量筛选、回归计算及模型验证；

5.评分应用：模型建立后，输入新客户信息自动算出客户的储蓄流失概率，提取关键流失特征，生成潜在流失客户挽留名单。

二、创新点

1.流失客户定义创新

商业银行对于流失客户的定义尚无统一界定，常见的定义方法有两种。一是按流失金额定义（如：超过100万），但不适用于高净值客户，例如资产1亿的客户减少100万并不是流失。二是按流失比例定义（如：超过80%），但不适用于资产不高的客户，例如资产10万的客户减少 80%，流失金额为8万，与私银客户流失80%的严重程度相比，重要度低。

鉴于上述两种方法的特点及局限性，本项目将两种定义方法结合到一起，综合找到流失金额高、流失比例也高的客户。从统计学角度，将两个独立的单目标预测问题合并为一个多目标决策问题，且考虑各目标之间的相关性。

2.回归分类算法创新

传统的逻辑回归为二分类算法，预测结果为[0,1]之间概率值，只能解决部分流失客户问题。本项目中对传统的逻辑回归进行重大变革，采取创新的比率算法模型，将因变量从一个分解为两个，变量一为分子，变量二为分母。对于客户储蓄流失预测模型，变量一是期初资产、变量二是期末资产，目标客户既包括期初资产-期末资产较高的人员，也包括（期初金额-期末金额）/期初金额较高的人员，两者之间通过权重参数控制，比率型算法模型的作用是预测客户流失的严重程度。

3.流失资产挽留预测创新

本项目不仅能够精准找到综合资产流失较高的客群，同时也能够预测该群体中的可挽留群体，避免不必要的营销资源投入，提高挽留营销效率。

一般来说，客户资产流失有三种情况。一是自然流失，例如还信用卡、ATM取现等。二是消费流失，例如购房、购车、炒股等。三是资产转移，例如被他行挖走等。

前两种情况属于客户正常资产使用，只有第三类情况才需要挽留干预。通过对样本数据观察期内的资金转出与转入数据进行分析，提取转账、跨行转账、无折转账三类交易，计算三类交易的转账差额，将差额作为因变量，通过线形回归算法开发流失客户可挽留资产预测模型。

三、项目过程管理

此项目从2019年8月启动，2019年底完成一期开发。将我行5万元以上资产的客户按照资产规模分类，每类客户分别建模，对各类客户的流失情况从时间、产品、人员、所属机构等多维度进行分析，对客户历史资产及交易数据进行探查，使用客户存款流失预测模型及挽留模型结合生成流失预警客户名单，指导支行对流失可能性高的客户开展挽留活动。

2021年1-6月为二期开发阶段。一是在一期项目挽留营销经验及问题的基础上，强化流失模型的特征分析；二是深入分析贵宾客户和财富客户降级特征，结合客户资产流失率和降级客户特征分析，分类分析每类降级客户多维度特征，对每类客户提出不同的营销策略，达到减少客户降级、资产临界提升、提高客户粘性的目标。相较于一期，二期进行了如下三方面优化：

一是模型优化。新增多维度数据（国债信息、手机银行、信用卡、贷款）进行流失特征挖掘；分析交易特征，拆分交易相关指标，剔除信用卡还款等和流失关系不大的交易记录。对资产30-100万客户，资产100万以上客户分别建立资产流失模型和资产挽留模型，预测未来三个月资产流失客户。 

二是特征优化。从发现更多潜在流失维度入手，结合客户的业务标志分析客户流失特征，为模型添加新的变量，提高模型预测的精准度；为客户名单添加特征信息。

三是挽留名单优化。一方面，通过流失模型和挽留模型产出营销客户名单，在名单中剔除企业会计、有公司高资产客户和个体户等贡献度低的客户；另一方面，添加多维度客户信息，方便客户经理对名单使用。

四、模型运营情况

为确保该模型达到预期效果，在真实场景中测试模型质量，开展了2次业务试点。2019年12月，在三个支行开展了资产挽留试点活动；2020年10-12月，在全行16家分行/管辖支行开展储户流失挽留活动。

项目执行期间，各个管辖支行对客户的资产情况进行动态跟踪，截至2019年12月31日，综合三家管辖行的挽留情况来看，营销组客户的储蓄流失率及资产流失率分别为12.11%和9.75%，对照组客户的储蓄流失率及资产流失人数占比分别为17.75%和16.48%，营销组的流失率明显低于对照组。

表1 潜在流失客户活动效果分析

1.从所有潜在流失客户活动情况来看，营销组人均资产流失金额为8.74万元，对照组人均资产流失金额为17.21万元；营销组人均储蓄流失金额为8.62万元，对照组人均储蓄流失金额为16.78万元。不管是资产还是储蓄，对照组人均流失金额为营销组人均流失金额的近2倍，活动效果超出预期。（见预警流失客户活动效果分析表）

从资产挽留角度来说，A支行和B支行的活动效果较为突出；尤其是B支行，资产流失率及储蓄流失率分别为-1.90%和-0.62%，通过活动促进目标客户资产及储蓄的正增长。由于对照组人员数量较少，个别客户较大的资产或储蓄的变动会影响统计效果，C支行数据并不能说明营销无效，在对照组200人中提取在12月末资产增长的客户，发现增长金额高的前两个客户都在C支行，分别为79万与111万，由此可以看出个别客户的资产大幅提升拉低了对照组的流失率。

2.从资产减少超过1000元的379名潜在流失客户活动情况来看，营销组资产减少超过1000元的人数为277名，与628户营销组潜在流失客户总量相比较，流失占比为44.11%；对照组资产减少超过1000元的人数为102名，与200户对照组潜在流失客户总量相比较，流失率为51%，营销组的流失率明显低于对照组。

表2 资产减少1千元以上的潜在流失客户活动效果分析

同时，分析资产减少超过1000元的379名预警流失客户的人均资产流失金额和资产流失率，C支行活动效果较为突出。营销组和对照组的人均资产流失金额分别为31.48万元和47.20万元，营销组比对照组的流失金额低33.31%；另外，C支行营销组和对照组的资产流失率分别为23.04%和35.42%，营销组的流失率较对照组低12个百分点。

3.贵宾及财富客户降级特征分析

项目二期使用行内数据结合个人客户数据标签，在不同维度下构造特征指标，通过对特征指标做聚类分析，提取各类降级客户特征。

表3 降级客户特征

通过分析2020年各季度降级客户来源，得出99%以上来源于上季度的降级客户和存量客户。在降级客户营销名单中，将已经降级和预测新增降级客户按照降级特征进行分类排序整理，给出每类降级客户，营销建议，同时通过资产流失预测模型标注每个降级客户的资产流失严重程度，组合得到降级客户名单，由客户经理进行营销干预。

表4 2021年3季度相对2020年末降级客户预测

五、项目成效

通过项目的建设与应用，构建了优质客户流失监测机制，实现客户资产动态预测、流失分析、挽留干预，推动我行优质客户、资产稳定留存。

1、夯实我行优质客户及资产稳定性。个人客户大额资产流失挽留模型项目实现了对优质客户资产流失情况的动态分析，提供目标客户清单及相关挽留建议，大幅提升我行客户资产留存率，确保我行资产规模及其利润贡献度平稳增长。

2、提供数据赋能业务的有益实践，为银行业提供借鉴。根据不同客户行为、资产组合、流失严重程度等多维数据挖掘分析，建立的动态监测分析模型。通过对优质客户、已降级客户特征的深入挖掘，通过模型分析，提升客户资产流失预测能力，进行资产流失前干预，提升客户经理营销针对性、实效性。为行业客户资产分析预测提供了较为先进的可借鉴案例，同时也提升了我行的客户体验和服务能力。

六、经验总结

本项目通过采集个人客户基础信息、历史资产信息、交易明细、金融产品签约情况等信息，从我行现有的5万资产以上客户群体中抽取部分客户构成两个数据集：训练集、验证集，通过训练集进行数据建模并进行模型评估，通过预测模型对验证集的客户进行评分预测流失概率，通过与实际流失客户进行对比，从而检测模型对于大额资产客户的流失预测准确率。    

使用客户存款流失预测模型及挽留模型结合生成流失预警客户名单，先通过流失预测模型挑选出预测流失金额及流失比例双高的客群，再通过挽留模型自动发现可挽留金额较高的流失客群，不仅精准找到资产流失较高客群，同时能够预测该群体中的可挽留群体，避免不必要的营销资源投入，提高挽留活动效率。