dashleb33/churn_29-05-2023

Прогнозирование оттока клиентов банка

КОМАНДА «ИНЖЕНЕРИИ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА»

Андреев Александр Михайлович – куратор от Уральского Федерального Университета

Бобкова Анастасия – куратор от Уральского Банка Реконструкции и Развития

Кожин Артём - Руководитель команды

Дюжев Алексей - Product Owner

Лебедева Дарья - Администратор команды

Сайдуллин Данил - Разработчик

Видео нашего выступления здесь - https://www.youtube.com/watch?v=ZFQTae5CfPY&list=PLqxmxO5VCBxQIJB523PAy5Th90S4vmUEX&index=86&t=322s

ПРОЕКТ

Прогнозирование оттока клиентов - это важная и актуальная задача для

любого банка, так как прогнозирование позволяет предотвратить уход

клиентов и улучшить качество обслуживания

Целевая аудитория ↓

Проблема ↓

Альтернативы ↓

Банки и аналогичные

финансовые организации

Отток клиентов банка - это

процесс ухода клиентов из банка в

результате:

На Kaggle есть множество соревнований по

прогнозированию оттока клиентов.

• недовольства услугами,

• низкой квалификации

персонала,

Одно из самых популярных соревнований - это

«Customer Churn Prediction»

от компании IBM

• высоких комиссий и т.д.

3

ЦЕЛЬ И ЗАДАЧИ ПРОЕКТА

Цель: Прогнозирование оттока клиентов банка

Задачи:

1. Изучение предметной области - прогнозирования оттока клиентов

2. Декомпозиция

проблемы

и

выявление

требований

заказчика,

предварительный анализ полученных от заказчика данных.

3. Создание модели машинного обучения

4. Оценка качества модели

5. Актуализация требований заказчика

4

АЛЬТЕРНАТИВЫ

На Kaggle есть множество соревнований по прогнозированию оттока клиентов.

Одно из самых популярных соревнований - это "Customer Churn Prediction" от компании IBM.

В этом соревновании участники должны построить модель машинного обучения, которая способна

предсказывать отток клиентов банка на основе исторических данных.

Данные на Kaggle содержат информацию о клиентах банка, как правило это: возраст, пол, зарплата,

баланс на счете, количество продуктов и т.д.

Также данные на Kaggle содержат информацию о том, ушел клиент из банка или н ет.

Наиболее популярными алгоритмами, используемыми для прогнозирования оттока клиентов, являются:

• логистическая регрессия,

• деревья решений,

• случайный лес,

• нейронные сети.

Важным аспектом при создании любой модели является выбор подходящих признаков.

Для этого можно использовать методы анализа главных компонент, анализа важности признаков и т.д.

5

ПРОЕКТИРОВАНИЕ РЕШЕНИЯ

Исходные данные. Обезличенные транзакционные данные по клиентам УБРиР с 2016 по 2023 года.

Стек. Python, btyd, lifetimes, Pandas, Numpy

Критерии оценки: F1 метрика модели на тестовых данных в RFM формате.

Преобразование данных в RFM формат:

данные по клиентам УБРиР с 2016 по 2023 года

• Вручную, используя различные операции группировки

• С использованием библиотеки Buy Till You Die, https://pypi.org/project/btyd/

Преобразование в RFM

6

ИДЕЯ – ИСПОЛЬЗОВАНИЕ ФОРМАТА ДАННЫХ RFM

В нашей модели данные

преобразуются в формат

RFM:

• Recency,

• Frequency,

• Monetary Value

• T

7

МАРКИРОВКА И СОЗДАНИЕ НОВЫХ ПРИЗНАКОВ

data_full['in_d_c'] = data_full['T_cal'] - data_full['recency_cal']

data_full['in_d_f'] = round((data_full['recency'] - data_full['T_cal’])/ data_full['frequency_holdout']) +

data_full['in_d_c']

data_full['avarage_purchases'] = data_full['frequency_cal'] / data_full['recency_cal']

Итоговая таблица данных

8

РЕЗУЛЬТАТЫ РАБОТЫ НАШЕЙ МОДЕЛИ

Метрики моделей при

преобразовании данных

вручную

Метрики

преобразовании данных с

помощью библиотеки BTYD

моделей

при

9

ПЛАНЫ ПО ДАЛЬНЕЙШЕМУ РАЗВИТИЮ ПРОЕКТА

Дальнейшие перспективы:

• Добавление новых признаков, связанных с клиентами (возраст, пол, вид транзакции и т.д.)

• Поиск наилучших параметров модели с помощью GridSearchCV

• Автоматизация получения и обработки новых данных

10

СПАСИБО ЗА ВНИМАНИЕ!

ПРОГНОЗИРОВАНИЕ ОТТОКА КЛИЕНТОВ БАНКА

Наши контакты в Telegram:

@Ctakan4ik – Кожин Артём

@Dyuzhev31 – Дюжев Алексей

@DashLeb – Лебедева Дарья

@Dmorphy – Сайдуллин Данил