中國某大眾國有銀行的分行難以維系其私人銀行業務客戶。每個賬戶每天最低的存款額要求高達 1000 萬元人民幣（或 150 萬美元）。因此，銀行清楚知道，爭取新客戶要比維系現有客戶的成本高出數倍。不幸的是，最近幾個季度客戶流失率（也就是開戶人停止使用服務的百分比）已超過預期。

挑戰

該銀行檢測到私人銀行業務的客戶流失率介于 5% 和 13% 之間，在短短幾個月內，這些客戶要么將其存款賬戶換為其他產品，要么轉投其他銀行。其中期貨部門和存款部門的客戶流失最為嚴重。銀行要求其營銷部門立即開展推廣宣傳活動，將目標對準那些最有可能取出存款的客戶。該部門所面臨的挑戰是如何找出最有可能流失的高額存款客戶，然后使用目標營銷推廣活動來阻止這些客戶遷移賬戶。

SPM 如何提供幫助

項目團隊采用了 Salford Predictive Modeler (SPM) 的機器學習引擎 TreeNet® 來預測潛在的客戶流失。Minitab 的中國授權合作伙伴 QY Datatech Inc 為該團隊提供了 Salford Predictive Modeler (SPM)。TreeNet 的靈活性、準確性，及其處理包含多個觀測值的數據結構的能力是其備受團隊青睞的原因所在。

點擊了解SPM更多詳情

TreeNet 協助項目團隊快速縮小了影響最大的變量范圍，并直觀地說明了變量與包含已確定變量的流失概率之間的關系。TreeNet 模型有助于直觀地說明復雜變量間的不同交互作用層。在這個案例中，這些變量包括儲蓄額、黃金購入和其他投資、交易時間、交易量、公司、職位、社會保險、債務、信用卡額度、不動產和汽車持有。

將未能積極響應的客戶從列表移出并對模型進行驗證，便可確定出目標 VIP 客戶群。模型能夠基于此前的營銷宣傳活動，預測客戶對營銷活動的響應程度。

TreeNet 分析操作簡便，只需點擊幾下，便可通過自動化生成具有可靠結果的初始模型，并且能在之后的幾天內完成更復雜的分析，因此受到了團隊的青睞。

TreeNet 模型的雙變量依賴圖能夠一目了然地顯示“婚姻”和“不同地區家庭”這兩個變量與目標變量或客戶對市場宣傳活動響應概率的交互作用。之后，項目團隊便可輕松、準確地找出響應程度較高或較低的范圍。

TreeNet 的變量重要性匯總顯示了哪些變量是項目團隊所關注的目標交互作用。變量評級越高，對目標的貢獻就越大。

TreeNet 匯總報告以單一窗口顯示模型性能。報告中將列出量化統計數據，方便與其他模型進行比較，由 ROC、Lift、K-S Stat 和 Misclassification Rate 等其他工具生成的模型也可與之進行比較。

成果

最終，銀行預測在兩個月后，可能會有 1,700 名私人銀行業務客戶（共 1290 萬）轉投其他銀行或金融服務提供商，且準確率介于 80% 和 90% 之間。

之后，銀行便針對這些客戶開展了營銷宣傳活動，并實現了減少 VIP 客戶流失的目標，提升了銀行留存的資金量。此外，包括存款、期貨、股票及黃金在內的銀行客戶資產管理規模 (AUM) 也擴大了 16%。