客户是商业银行利益的根本。随着信息化建设进程的不断推进加快,银行同业间对客户的竞争日趋激烈,同时互联网金融凭借其低门槛高收益等优势也对客户进行分流。银行间的竞争转变成了对客户的竞争,谁能拥有一批稳定的客户,谁就能获得市场竞争的主动权。一般而言,20%的优质客户贡献了 80%以上的利润。因此,如何提前预测出具有潜在流失风险的高价值客户是各大商业银行重点关注研究的问题。机器学习可以模拟人类的学习行为,从数据中提炼出有价值的信息。本文以SY农商银行的真实需求为基础,借助机器学习方法,为该银行识别挖掘出高价值客户并以此建立客户流失预测模型。本文的主要工作包括:首先,对商业银行内部存量客户进行客户画像,识别出高价值客户。运用K-Means聚类分析方法从资产价值、忠诚度、活跃度多维度综合对客户进行分层分类。将同时符合资产价值为钻石级且忠诚度高、活跃度高的客户定义为高价值客户,并打上标签。接下来,以高价值客户作为基础客群,结合业务逻辑和理解,对海量的客户信息和行为数据进行反复分析,确定客户流失的具体定义。将本月为高价值的客户在未来三个月持续转为非高价值的客户定义为该高价值客户流失。在对比了多种有监督学习算法的优劣后,最终选择解释性强且便于生成评分卡系统的决策树和Logistic逻辑回归相结合的算法进行建模。并以KS值、AUC值和GINI系数三个指标评估模型的应用效果,一致得出所建模型具有良好的性能和很强的区分能力。最后,为方便业务人员理解和使用,将模型输出结果通过评分系统将概率值转化为350-950之间对应的具体分值。模型的建立帮助商业银行对存量客户进行识别,筛选出高价值客户,并将有潜在流失可能性的客户提前预测出来,让客户经理可以有针对性的进行客户管理和维护。不仅为商业银行节省了大量人力成本,也带来潜在的经济效益,减少商业银行的损失。