银行零售业务客群流失预警分析

银行零售业务客群流失预警分析

伍贤峰

湖南银行邵阳分行西城支行 湖南邵阳 422000

摘要：针对银行同业机构和互联网金融科技公司对零售业务客群的争夺越来越严重，客群流失问题逐渐凸显出来。为了能够更好的应对这种情况，以XJ银行为研究对象，通过分析XJ银行零售业务客群的特征变量和资产流失情况，利用SPSS软件构建逻辑回归模型，来预警客户流失，从而达到挽留住潜在流失客户的目的。

关键字：零售业务；客群流失；预警分析；构建模型

1 引言

随着市场环境的变化，商业银行竞争的持续炽热化，对零售业务的开展越来越成为商业银行保持核心竞争力的重要内容[1-3]。后疫情时代，传统模式经济发展和金融领域受到前所未有的冲击，人们新的金融生活习惯呈现出“变化性”、“多样性”，场景的交互性更强、消费诉求更加丰富。同时，互联网、大数据、5G 等技术的发展，金融市场的不断完善，各类市场主体增多。在如此激烈的竞争下，商业银行想要争取更大的市场份额和客户基础，就必须利用好自己已拥有的客群基础优势，对存量客户进行有效的挖掘，对流失客户进行及时的挽留[4-6]。

因此，建立一套具有实际意义的预警系统，帮助商业银行在客户流失前做出预警，具有极其重要的作用。

2 研究方法

考虑到目标变量为二值型变量，故本文选择的建模模型为逻辑回归模型。由于上述自变量间具有较强的相关关系，若直接将因变量和自变量进行逻辑回归，可能会产生极强的共线性问题而导致模型偏离度加大影响结果的准确性，所以模型构建时有必要先对自变量进行主成分分析来解决可能发生的共线性问题[7-8]。

2.1主成分分析

主成分分析是运用“降维”手段，根据各自变量之间的关联度，将多个有一定关联的变量演变为少数几个彼此独立的变量集合的统计方法。其模型如下：

         （2-1）

2.2 Logistic 回归

因变量 y取值介于 0 和 1 之间。当 y取值为 1 时，p 代表客户流失的概率；当 y 取值为 0 时，p 代表客户未流失的概率；且 p 和 1-p 取值介于[0，1]之间。将 p/（1-p）取自然对数，得到 ln[p/（1-p）]，对 y 做 logistic 转换，线性回归方程表示如下：

（2-2）

以 y 做因变量，logistic 回归模型可以表示为：

          （2-3）

3 实证分析

3.1目标确定

根据XJ银行内部数据显示，月均 AUM 值 5 万元以上客户较月均 AUM 值 5万元以下客户资产结构更为稳定，价值等级越低，流失率较高。反之，价值等级越高，流失率较低。因此，本文选择月均 AUM 值低于5万元的客户作为研究的基础客群，该客群以 80、90 后为代表，平常通过银行账户的交易结算较为频繁，除活期存款外金融产品持有金额和份额较少，资产变化较为明显。此类客户群体属于商业银行普通客户，客户经理、产品经理干预维护较少，难于通过人工手段进行客户分析和预测，大多数为年轻客户，持有较为有限的定期存款和投资理财产品，存款波动较为剧烈。

将流失客户定义为最近三个月的月均 AUM值下降低于前三个月 80%而在后续三个月的月均 AUM 值下降超过 80%的客户。本文从XJ银行客户关系管理系统中随机抽取了 3000 名月均 AUM 值 5万元以下客户样本作为具体的研究对象，构建客户流失模型从而在样本客户中尽可能准确地预测出潜在目标流失客户。

3.2变量选择

通过对过往研究的变量、现实探索的变量和XJ银行零售条线员工先进经验进行总结归纳得出30个初选变量，进而依据各自变量对因变量的相关程度在初选变量基础筛选出最终变量。为了选择到较为合理且显著的变量进入逻辑回归模型，还需对初选变量进一步筛选。对XJ银行零售条线管理人员、XJ银行客户中邀请经济师、会计师、高校工商管理和经济学教师等专业人士展开展开问卷调查，得出最终10个入模变量，如表3.1所示。

表3.1最终变量定义

3.3模型结果分析

对选择的最终进入模型的10个变量进行以上步骤的数据检验，同时经过XJ银行资深零售员工验证能够满足现实情况和建模意义，接下来开始选择以上变量进行主成分分析，然后构建逻辑回归数据模型。

（1）主成分分析

第一步需要将以上变量进行主成分分析得出公共因子。表3.2为主成分分析的解释总方差，提炼出四个新的综合因子，这四个因子已经能很好的代表了10个入模变量。

表 3.2解释方差的分析结果

数据来源：上表数据来源于 SPSS 软件计算

主成分分析的因子模式较好地展示了各个变量的因子负荷，如表3.3所示，因子负荷代表了因子与变量之间的相关系数，能够直观的观察到各个因子包含了哪些变量。因子 F1 中，变量 X6、X7、X8 、X10、X11、X12代表了客户产品覆盖度大小，产品覆盖度越大，稳定性越强，粘性越大，越不容易流失。因子 F2中，变量 X1、X2、X3代表了客户基本情况，直接反映出客户在本行存续时间、最高级别卡、金额等级等信息。因子 F3 中，变量 X21 代表了交易行为情况，客户发生的账户转出交易金额越大、次数越频繁，越容易流失。

表3.3因子载荷系数

数据来源：上表数据来源于 SPSS 软件计算

（2）Logistic 回归

模型具有较高的解释力基于自变量对因变量有显著的影响力，前提为该模型要优于零假设模型。在逻辑回归模型中，常用模型来检验整体的统计显著性。常见的显著性检验有似然比检验、Score 检验和 Wald 检验等方法。经过检验，模型的显著性<0.001***，说明回归方程比较显著。对模型的显著性进行了检验后否定了原假设.因此 Logistic 方程显著性被拒绝后，有必要依次检验自变量对因变量的显著性，根据表 3.4能够观察到模型的四个变量都比较显著，卡方统计量都拒绝了原假设，各个变量的回归系数均不为0。

表3.4模型的参数估计

表 3.4用方程表示出模型的参数估计为：

Logit(P)=0.341-0.956F1-0.077F2+0.39F3

三个公共因子 F1 代表产品及服务，F2 代表基本信息，F3 代表交易行为，即客户流失与产品及服务、基本信息、交易行为等指标之间可以很好的拟合一个回归模型。

因子 F1 产品及服务包含变量分别为：是否持有定期存款、是否持有基保贵、是否签约代发代扣，客户持有定期、基保贵、代发代扣等产品，说明客户对该银行的相关产品有较高的认同度，产品覆盖度越大、稳定性越强、粘性越大，则客户越不容易流失。

因子 F2 基本信息包含三个变量，分别为：存续时间、卡最高级别、金额等级，从基本情况来看，当客户在该银行存续时间越长、卡最高级别越高、金额等级越高，说明客户对该银行有较强的归属感和足够的信任度，则客户越不容易流失。

因子 F3 交易行为包括一个变量账户转出，客户发生的账户转出交易金额越大、次数越频繁，客户越容易流失。一旦资金转出，则存在客户不会将资金重新存入该银行的可能性，进而造成客户流失。

4 结论

通过以上模型的建模，我们采用逻辑回归方法进行客户流失预警做了初步探索。针对以上过程，我们对如何进行客户挽留提出了以下建议：

（1）对于由于F1因素导致的客户流失，在后续的挽留策略研究中，XJ银行应持续推进智慧银行网点建设、打造渠道无界化服务体系、完善构建智慧金融生态圈，将部分科技能力赋予客户，让客户在满足自身科技能力不断提升的需求的同时，感受到金融科技服务的安全、高效、便捷，实现客户保留。

（2）对于F2该因素导致的客户流失，在后续的挽留策略研究中，需要充分运用XJ银行OCRM 系统对基本信息进行持续关注和维护，从根本实现留客、活客。

（3）对于F3因素导致的客户流失，在后续的挽留策略研究中，应重点运用定价的差异化、智能化和精细化等策略。

除了对银行零售业务客群的流失预警外，还有许多场景都可以利用大数据进行客户挽留，如信用卡客户、手机银行客户流失预警等，有待进行更深入的探讨分析。

参考文献

[1]陈蓉蓉. 中小银行金融市场业务之数字化转型路径探索[J]. 中国货币市场, 2022(11):6.

[2]万平娄峰. SNA模型在银行零售信贷风控中的研究[J]. 技术经济与管理研究, 2021, 000(009):69-74.

[3]卫苗. 新形势下我国商业银行零售业务发展策略研究[J]. 大众商务, 2022(9):0001-0003.

[4]Gartner Group. Align Financial Services Analytics to Capture WalletShare[N]. New York Times,2002(10):13-14.

[5]RS Swift. Accelerating Customer Relationships: Using CRM and Relationship Technologies[J]. Pearson Schweiz Ag, 2001(01):15-17.

[6]徐继峰,廖贝妮.我国金融科技企业发展状况及对商业银行金融科技战略的对策建议[J].华北金融,2021（02）:51-55.

[7]李琼阳, 何月华. 基于特征选择的存量客户流失预警分析[J]. 许昌学院学报, 2022(005):041.

[8]刘训艳,杨晓彦,李梦霄,陆雨欣,曹婉茹,牟槿.银行个人客户流失预警模型的研究与应用[J].信息技术与标准化,2021(06):30-34.