银行零售客户流失预警系统的制作方法

本技术涉及银行零售客户的流失预警与归因，尤其涉及一种银行零售客户流失预警系统。

背景技术：

1、随着国内银行业行业发展进入存量竞争阶段，银行零售业务增长逻辑从增量客户拓新转向存量客户价值深耕，客户留存管理成为商业银行零售板块经营管控的核心工作。客户流失会直接造成银行零售资产管理规模（aum）下滑、中间业务收入降低、获客与运维营销资源沉没，因此高精度、可解释的银行零售客户流失预警及流失归因分析技术，是商业银行管控客户流失风险、实施分层客户精细化挽留、提升存量客户生命周期价值的核心技术支撑。

2、目前行业内已形成多种银行客户流失识别及预警技术方案，主流现有实现方案主要包括规则阈值法、传统统计建模法、黑箱机器学习建模法以及事后人工归因分析法，各类现有技术的具体实现方式及技术特性如下：

3、第一，规则阈值法。该方法是银行业应用最早、落地最广泛的流失风险判定技术，依托银行风控专家、零售业务运营专家的行业业务经验，预设固定业务指标阈值作为客户流失判定标准，典型判定规则包括客户连续3个月无交易行为、客户托管资产aum环比下降30%等。该技术方案架构简单、部署成本低、指标逻辑业务可解释性强；但该方法仅能基于单维度或少量多维度硬性指标做风险判定，无法挖掘客户多维行为数据之间的关联关系，难以捕捉复杂场景下的隐性客户流失信号，同时全部判定阈值依赖人工经验静态设定，模型适配灵活性极差，极易出现高风险客户漏判、正常客户假性流失误判等问题。

4、第二，传统统计模型预测方法。该方法以历史客户样本数据为基础，将客户是否发生流失行为作为训练标签，选取客户资产特征、交易行为特征、渠道偏好特征构建特征数据集，训练逻辑回归、支持向量机（svm）等传统机器学习统计模型，通过模型输出客户量化流失概率。相较于单纯的规则阈值法，该方案具备基础的数据拟合能力与微弱的泛化能力，模型输出结果具备标准化统计可解释性。但是该类模型仅能拟合低维特征的线性关联关系，无法刻画银行零售客户高维行为特征之间的非线性交互逻辑，针对复杂场景、多诱因复合流失行为的识别精度低，面对多变的市场竞争环境模型泛化能力存在明显短板。

5、第三，集成学习黑箱机器学习预测方法。为解决传统统计模型非线性拟合能力不足的问题，行业逐步采用xgboost、lightgbm等梯度提升树类集成学习黑箱模型开展客户流失预警。该类模型可高效处理银行海量客户多维异构数据，精准拟合高维特征与客户流失行为之间的非线性映射关系，整体流失风险预测准确率显著优于传统统计模型和规则阈值法。但该类模型属于典型的算法黑箱模型，仅能输出客户整体流失风险等级与流失概率值，无法拆解导致客户产生流失倾向的核心特征因子，不具备业务层面的可解释性；业务工作人员无法根据模型输出结果定位客户流失诱因，无法制定针对性个性化客户挽留方案，造成模型预警结果无法落地业务干预，算法输出与业务实操严重脱节。

6、第四，事后人工归因分析方法。该方法是目前行业主流的客户流失原因分析手段，针对已经确认发生流失的银行零售客户，通过线下人工回访、存量样本数据统计复盘、业务专家会审的方式归纳总结批量客户共性流失原因。该类方案属于典型事后研判技术，无法前置应用于客户流失风险预警阶段，不具备流失前置干预能力；同时归因结果完全依赖工作人员主观业务经验，归因颗粒度粗放、标准不统一、人工误差大，无法实现单客户精准归因，难以支撑精细化挽留运营工作。

技术实现思路

1、本技术实施例提供了一种银行零售客户流失预警系统，以在于克服现有银行零售客户流失预警与归因技术存在的预警精度不足、归因可解释性差、客群适配能力弱、模型静态不可迭代、缺乏业务闭环治理体系等技术缺陷。通过构建规则与机器学习双驱动的融合式预警架构、客群分层差异化参数配置体系，解决现有通用模型高净值客群漏预警、大众客群误预警，以及无法区分真性、假性客户流失的行业难题；通过搭建规则硬归因+shap模型软归因的双层归因机制，实现客户流失诱因可解释、主次原因可量化，打通算法模型与银行业务运营的落地壁垒；最终建立集分层预警、精准归因、场景校正、差异化干预、参数迭代于一体的全链路客户流失闭环治理体系，提升银行零售客户流失预警准确率和业务落地性，支撑银行开展精细化、分层式客户留存运营，降低整体客户流失率。

2、本技术实施例采用下述技术方案：

3、第一方面，本技术实施例提供一种银行零售客户流失预警系统，其中，所述系统包括融合式流失预模型构建模块和双层流失归因分析机制模块，

4、所述融合式流失预模型构建模块，用于基于机器学习模型对银行零售客户的流失概率进行预测，并输出对应的客户风险等级；以及

5、所述双层流失归因分析机制模块，用于根据客户风险等级，结合规则硬归因与模型软归因相结合的双层分析逻辑，识别并输出客户的流失风险原因。

6、在一些实施例中，所述融合式流失预模型构建模块，还用于

7、根据客户月末aum资产规模，对全量的银行零售客户进行层级划分；

8、根据每个层级客群的风险行为特征、流失业务影响程度及客户运营维护优先级，为各层级分别配置专属预警灵敏度与风险判定阈值；

9、针对同一层级内不同类型专项客群，配置对应的专属特征权重；

10、将预设干预策略匹配规则、预警灵敏度、风险判定阈值以及专属特征权重，统一生成融合式流失预警模型的参数配置文件。

11、在一些实施例中，所述融合式流失预警模型构建模块还用于：

12、对未命中业务前置判定规则的银行零售客户，调用预先训练的lightgbm梯度提升树模型预测客户远期流失概率；

13、依据客户客群分层对应的差异化风险判定阈值，对客户流失概率进行精细化分级判定，将客户划分为低、中、高三类流失风险等级，并匹配与各风险等级对应的分层运营策略。

14、在一些实施例中，所述融合式流失预警模型构建模块还被配置为进行阶段性资金支出智能识别与风险校正；

15、所述融合式流失预警模型构建模块基于客户资金流向、交易场景、账户关联关系多维特征，构建阶段性资金支出判定规则，用于区分客户正常资金支出行为与主动流失行为；

16、当识别客户资金流向刚性民生消费场景或者划转至直系亲属关联账户，且客户不存在主动流失行为特征时，则判定为阶段性资金支出场景；

17、所述融合式流失预警模型构建模块对判定为阶段性资金支出场景的客户，自动下调一级流失风险等级并标记专属场景标签，完成风险结果校正。

18、在一些实施例中，所述双层流失归因分析机制模块被配置为进行规则硬归因；

19、所述双层流失归因分析机制模块内置标准化流失原因规则库，当客户行为特征匹配规则库预设条件时，则直接确定单一流失主因并将该流失主因的贡献占比标记为全部；

20、所述规则库覆盖三类确定性流失场景：

21、若客户存在未闭环服务投诉记录，则归因为服务体验不佳；

22、若客户证件过期或账户管控导致金融功能受限，则归因为账户功能受限；

23、若客户房贷、代扣或者代发的核心绑定金融场景解除，则归因为核心场景绑定丢失。

24、在一些实施例中，所述双层流失归因分析机制模块还被配置为进行shap模型软归因，用于对未命中所述规则硬归因的客户进行精细化量化归因；

25、所述双层流失归因分析机制模块基于shap夏普利值算法，计算各客户特征对流失概率预测结果的边际贡献得到对应shap值，筛选推高流失概率的正向shap值作为归因依据；

26、所述双层流失归因分析机制模块预先建立特征与流失原因维度的映射关系，将所有特征聚合为产品收益与价值类、服务体验类、市场竞争类、阶段性资金支出类的流失维度，并对各维度下所有特征的正向shap值求和，得到各维度总贡献值；

27、所述双层流失归因分析机制模块对各维度总贡献值进行归一化计算，得到各类流失原因的标准化贡献占比，并依据贡献占比排序确定客户流失主因、次因，生成结构化客户归因报告。

28、在一些实施例中，所述融合式流失预警模型构建模块用于完成多源数据采集与标准化特征工程处理；

29、所述融合式流失预警模型构建模块对接银行核心业务系统、交易系统、手机银行后台、客服系统、crm系统及客户信息系统，采集零售客户的全维度原始数据，数据维度至少包括资产负债、交易行为、渠道交互、产品持有、服务体验、客户属性六大类特征；

30、所述融合式流失预警模型构建模块对原始数据进行标准化处理构建客户特征向量，包括通过剔除重复数据、修正异常值、同客群均值或中位数填充缺失值、剔除高缺失率特征中的任一一种或多种方式完成数据清洗；

31、通过计算特征值，剔除低区分度弱相关特征实现特征冗余降噪；

32、对类别型变量进行分箱赋值与编码，对数值型变量进行标准化以消除特征量纲差异；

33、采用滑动窗口法构建多周期时序行为趋势特征，生成标准化模型输入特征集。

34、在一些实施例中，所述融合式流失预警模型构建模块还用于实现客群分层适配与差异化参数配置；

35、所述融合式流失预警模型构建模块依据客户上月末aum规模将全量客户划分为大众客户、价值客户、财富客户、高净值客户的四种资产层级，分别配置差异化风险阈值与预警灵敏度；

36、所述融合式流失预警模型构建模块针对代发薪客群、老年客群或者年轻客群的专项客群，配置专属差异化特征权重；

37、所述融合式流失预警模型构建模块针对各类分层客群，生成专属模型参数配置文件，所述参数配置文件包括特征权重、风险分级阈值、归因维度优先级及干预策略匹配规则。

38、在一些实施例中，还包括分层干预策略规则库，所述分层干预策略规则库用于基于预设双维度条件匹配客户挽留方案；

39、响应于预设风险等级与干预主体的对应关系，对低风险客户配置自动化线上营销触达方式，对中风险客户配置远程客户经理回访方式，对高风险客户配置专属理财经理一对一跟进及面谈邀约方式；

40、响应于预设流失主因与挽留方案的对应关系，针对收益类、服务类、场景类、账户管控类流失诱因，分别匹配对应的权益激励、服务升级、场景权益、业务协助解封挽留方式；

41、将匹配完成的干预策略同步推送至手机银行、企业微信、客户经理工作台、外呼系统终端，并记录干预执行时间与执行状态。

42、在一些实施例中，还被配置为进行闭环优化；

43、统计预警准确率、召回率、误判率、归因准确率、客户挽留成功率中的任一一种或多种核心业务指标；

44、将当期真实流失样本与挽留成功样本纳入模型训练集，周期性重新训练机器学习模型，更新模型特征重要性与内部参数；

45、根据线下回访校验结果，更新硬归因对应的流失原因规则库，以及软归因对应的特征与流失原因维度之间的映射关系，并根据各类型干预策略的挽留成功率，优化策略匹配规则。

46、本技术实施例采用的上述至少一个技术方案能够达到以下有益效果：银行零售客户流失预警系统包括融合式流失预模型构建模块和双层流失归因分析机制模块。依托融合式流失预警模型构建模块，实现高确定性规则前置判定以及机器学习模型预测双驱动融合式流失预警，同时内置真性/假性流失自动识别校正逻辑，全面克服传统单一规则方案、单一机器学习模型方案的固有缺陷。融合式流失预警模型构建模块一方面通过前置业务规则锁定确定性风险场景，保留业务规则高可解释性、部署简单的优势；另一方面通过机器学习挖掘客户高维行为非线性特征，提升复杂场景下流失概率预测精度。搭配阶段性刚性支出场景校正逻辑自动甄别真性主动流失与假性资产波动流失，从系统层面大幅降低模型误判率；同时模块内置客群分层适配逻辑，针对不同资产层级、不同特色标签客群配置差异化预警阈值与特征权重，解决传统全局统一模型高净值客户漏预警、大众客户高频误预警的问题，精准适配商业银行零售业务分层经营、分级管控的业务需求。

47、依托双层流失归因分析机制模块，落地规则硬归因以及软归因双层分级归因逻辑，彻底解决传统机器学习黑箱模型预警结果不可解释、无法溯源流失诱因的核心痛点。该模块通过层级化触发逻辑，对服务投诉、账户管控、核心场景解绑等高确定性简单流失场景，通过业务规则直接输出100%权重的流失主因，实现毫秒级快速归因；对多诱因耦合的复杂流失场景，通过夏普利值算法量化各影响因素边际贡献占比，区分客户流失主因与次要诱因。既保障典型业务场景归因结果权威性、可直接落地，又实现复杂场景流失原因量化拆解，打通算法模型与银行业务运营的壁垒，让预警结果能够直接指导业务人员制定精准挽留策略。

48、进一步地，两个模块联动支撑系统全链路闭环治理体系落地，实现模型动态迭代与策略自动适配。融合式流失预模型构建模块输出的分层风险结果、双层流失归因分析机制模块输出的结构化归因数据，可全部回流至银行客户运营中台，支撑前台执行差异化客户挽留干预动作；业务端挽留成功/失败的干预结果反向回流至两个核心模块，迭代优化各分层客群模型阈值、特征权重以及归因规则库。最终形成预警-归因-精准干预-业务反馈-模型迭代的全链路闭环流失治理体系，解决传统模型参数静态固化、预测精度随时间衰减、流失治理无法长效提质的问题，持续优化全量客群流失预警精度与客户留存转化率。

49、综上，本系统通过两个核心功能模块的协同配合，兼顾流失预警精度、算法业务可解释性、客群差异化适配能力与系统闭环迭代能力，从技术层面补齐现有银行零售客户流失治理方案的四大核心短板，大幅降低银行客户流失管控成本与无效营销资源损耗。