Customer Attrition Analysis in FSI Анализ вероятности ухода клиентов в финансовом секторе На платформе Microsoft SQL Server 2008 R2 Enterprise Edition. - презентация

1 Customer Attrition Analysis in FSI Анализ вероятности ухода клиентов в финансовом секторе На платформе Microsoft SQL Server 2008 R2 Enterprise Edition Максим Гончаров Специалист по платформе приложений Данный материал опубликован на сайте

2 Data Mining в аналитическом CRM Операционный CRM – автоматизировать процессы взаимоотношений, собрать данные, вовремя получать операционную информацию. Аналитический CRM – узнать своих клиентов. Описательный анализ. o Какая структура клиентской базы? Какой профиль идеального клиента? o Какие есть взаимосвязи между характеристиками клиентов? o Какие события происходят одновременно ? Какие услуги приобретаются вместе? o Какие события наступают последовательно ? Откажется ли клиент от сотрудничества при данном шаблоне взаимодействия? Предиктивный анализ. o Откликнется ли клиент на данную маркетинговую кампанию? o Какова ценность клиента с данными характеристиками? o Какой размер прибыли будет в следующем месяце? o Какие из потенциальных клиентов вероятно совершат приобретение услуги в следующем месяце?

3 Кластерный анализ Сегментация – обнаружение структуры данных На какие группы можно разбить клиентов? Какая структура продаж? Какие характеристики у мошеннических транзакций? Разбиение постоянных клиентов книжного интернет-магазина по интересам.

4 Анализ цепочек влияния Байесовские сети – обнаружение цепочек влияния факторов Как связаны образование, доход и регион проживания? Как влияет семейное положение на покупку товара? Цепочки влияния характеристик клиента

5 Факторы влияния Что влияет на приобретение банковского продукта

6 Классификация Откликнется ли клиент с данными характеристиками на наше предложение? Что характерно для клиента, собирающегося отказаться от услуг нашей компании? Скоринг, приоритезация лидов. Дерево решения: что влияет на размер заказа продажи?

7 Кредитный скоринг Скоринговая модель

8 Прогнозирование Прогноз продаж по товарным категориям и группам клиентов. Прогноз обращений в колл-центр. Прогноз продаж банковских услуг по категориям

9 Кросс-продажи Какие товары и услуги продаются совместно? Cross-sales, up-sales. Какие события происходят вместе? Книги, покупаемые совместно

10 Цепочки последовательностей Приобретение каких продуктов следует ожидать в следующем месяце от человека, открывшего в этом месяце счет и получившего дебетовую карту? С какой вероятностью от нас уйдет клиент при данной последовательности действий? Книги, покупаемые совместно Временные шаблоны покупок велосипедных аксессуаров

11 Бизнес-задачи Ответы, которые позволяет получить Data Mining интересны не сами по себе, а как инструмент решения бизнес-задач. Например: Какие продукты надо предлагать данному клиенту? Какова вероятность того, что данный сектор потенциальных клиентов отреагирует на рекламную кампанию? Каков размер поступления оплат в будущем месяце? Как велик риск выдачи кредита данному клиенту банка? Какие группы услуг надо предлагать совместно? Какая вероятность ухода клиента? (Customer Attrition/Churn)

12 Общая схема BI-решения Загрузка и преобразо- вание данных Analysis ServicesIntegration Services ERP CRM HRMS Reporting Services

13 Инфраструктура данных и BI-платформа Analysis Services Reporting Services Master Data Services Integration Services Data Mining Data Warehousing StreamInsight BUSINESS COLLABORATION PLATFORM DATA INFRASTRUCTURE & BUSINESS INTELLIGENCE PLATFORM DATA INFRASTRUCTURE & BUSINESS INTELLIGENCE PLATFORM BUSINESS USER EXPERIENCE Состав решений Microsoft BI

14 Инфраструктура эффективности бизнеса Панели индикаторов и карты показателей Excel Services Web-формы и процессы Совместная работа Поиск Управление контентом Интеграция с приложениями PowerPivot для SharePoint BUSINESS COLLABORATION PLATFORM DATA INFRASTRUCTURE & BUSINESS INTELLIGENCE PLATFORM DATA INFRASTRUCTURE & BUSINESS INTELLIGENCE PLATFORM BUSINESS USER EXPERIENCE Состав решений Microsoft BI

15 Предоставление через знакомый интерфейс Самостоятельный доступ к информации Исследование и анализ данных Интеллектуальный анализ данных Визуализация данных Контекстная визуализация BUSINESS COLLABORATION PLATFORM DATA INFRASTRUCTURE & BUSINESS INTELLIGENCE PLATFORM DATA INFRASTRUCTURE & BUSINESS INTELLIGENCE PLATFORM BUSINESS USER EXPERIENCE Состав решений Microsoft BI

16 Customer Attrition – цели Сохранение клиентов дешевле приобретения новых. Новые клиенты – рискованные, склонны к смене поставщика, выгодные старые клиенты – лояльные, проверенные. Выборочно сохранять выгодных клиентов актуально в условиях насыщенных рынков, когда каждый новый клиент – переманенный от конкурента. Повышение прогнозируемости и стабильности поступлений.

17 Customer Attrition - анализируемые факторы Демографические данные Пол Возраст Доход … Поведение Приобретаемые услуги Прибыльность, динамика прибыльности, Число обращений в колл-центр, тип проблем RFM, ABC, XYZ,… Макроэкономические показатели Состояние, экономики, отрасли …

18 Customer Attrition - анализируемые факторы

19 Customer Attrition – поведенческие характеристики Обладание конкретным продуктом (да/нет) Общее число банковских продуктов ( новый продукт уменьшает вероятность ухода до

20 Customer Attrition – демографические характеристики Возраст ( старшие уходят реже ) Пол ( мужчины уходят чаще ) Образование ( более образованные реже уходят ) Род занятий Доход Тип занимаемой должности География Число детей Недвижимость Автомобили Уровень социального статуса ( функция от дохода, образования, сферы деятельности, должности и т.д. ) – более статусные реже уходят Уровень социального потенциала

21 Customer Attrition – макроэкономические характеристики Макроэкономические индексы качества жизни ( чаще уходят при хорошей экономической ситуации ) Макроэкономические индексы ощущаемой стабильности Индексы удовлетворенности обслуживанием (анкетирование, маркетинговые исследования) Изменения законодательства и регулирования Организационные изменения (слияния, IPO) – изменения ведут к повышению вероятности ухода

22 Категории моделей Описательные модели Кластеризация. Какие существуют группы клиентов? Байесовские сети. Какие взаимосвязи между атрибутами существуют? Ассоциативный анализ. Какие характеристики встречаются совместно? Временные ассоциации. Какие события предшествуют уходу? Предиктивные модели Какова вероятность ухода группы клиентов в течение периода? Деревья решений Нейронные сети Логистическая регрессия …

23 Тип предиктивных моделей Анализ ухода клиентов – бинарная классификация (клиент уйдет?). Статическая классификация. Анализ производится без учета изменений во времени. Одна классификационная модель строится на основании усредненных за прошлый анализируемый период характеристик ушедших в течение следующего периода клиентов и оставшихся. Динамическая классификация. Клиенты анализируется в течение длительного времени при помощи скользящего окна. Строятся несколько классификационных моделей для каждого значения времени дожития (для клиентов, не ушедших в течение 1 года, двух лет и т.д.)

24 Survival Analysis Анализ дожития ( survival ). Динамика вероятности того, что клиент останется в течение следующего периода. Все клиенты смещаются по временной оси X в точку 0. По оси Y откладывается часть клиентов, оставшихся к этому времени. Анализ опасности ( hazard ). Динамика вероятности ухода в следующем периоде при условии, что клиент остался до текущего. Все клиенты смещаются по временной оси X в точку 0. По оси Y откладывается часть оставшихся к этому времени клиентов, ушедших в следующем периоде.

25 Survival Function Функция дожития – вероятность того, что клиент останется после момента времени t, монотонно убывающая функция. T – случайная величина, описывающая время ухода клиента, S(t) – вероятность дожития до времени t.

26 Hazard Function Вероятность ухода клиента в течении времени при условии дожития до времени t. Функция опасности ( hazard function ) – производная, плотность вероятности ухода клиента в момент времени t при условии дожития до этого времени. Для большинства европейских банков существуют 2 критических периода ухода: в течение 1 года и через 20 лет.

27 Expected future lifetime Среднее время, оставшееся до ухода Ожидаемое время, оставшееся до ухода клиента при условии его дожития до времени :

28 Регрессия Кокса Зависимость функции опасности от характеристик клиента Функция опасности описывается как некая базовая функция опасности h 0 (t), зависящая от времени, промодулированная характеристиками клиента x 1,…, x n. Если два клиента отличаются только характеристикой i, т.е. у одного она есть (1), а у другого нет (0), то отношение функций опасности будет равно константе.

29 Учет изменяющихся факторов Наряду с постоянными характеристиками клиента (пол, раса), существуют характеристики, меняющиеся во времени. Их можно учитывать следующими методами: Вводить в модель характеристики, соответствующие прошлым периодам. Например, «количество банковских продуктов в текущий момент», «количество банковских продуктов в прошлом месяце» и т.д. Ввести в модель Кокса характеристики X(t) как функции от времени и учитывать их влияние при помощи значений за прошлый период t-1:

30 Оценка параметров в регрессии Кокса Параметры модели оцениваются методом максимального правдоподобия: функция правдоподобия данных – произведение плотности вероятности даты фактического ухода для клиентов, ушедших в течение рассматриваемого периода, и вероятности того, что время ухода оставшихся клиентов больше анализируемого периода: Учитывая, получаем Параметры получаем максимизацией этого выражения

31 Литература Michael J.A. Berry, Gordon S. Linoff, «Data Mining Techniques For Marketing, Sales, and Customer Relationship Management» Dirk Van den Poel, Bart Larivière, «Customer Attrition Analysis For Financial Services Using Proportional Hazard Models», John P. Klein, «Survival Analysis Techniques for Censored and Truncated Data» John Fox, «Introduction to Survival Analysis»

32 Спасибо! Максим Гончаров Microsoft Специалист по платформе приложений +7 (903)