時丹蕾 杜寶軍

（蘭州交通大學(xué)，甘肅 蘭州 730070）

1 背景介紹

近年來，隨著支付寶、微信等第三方支付平臺的流行和經(jīng)濟體制改革的深化，銀行同業(yè)間的競爭出現(xiàn)了惡化的趨勢，客戶流失率的與日俱增也使得銀行機構(gòu)的經(jīng)營變得緊張。其次，在“互聯(lián)網(wǎng)+”盛行的21 世紀，互聯(lián)網(wǎng)金融服務(wù)與金融產(chǎn)品猶如雨后春筍般層出不窮，加速了客戶對銀行機構(gòu)的忠實度和依賴性的降低，如何處理客戶流失問題儼然成了擺在各大銀行面前的一大挑戰(zhàn)。

隨著市場競爭的加劇和銀行規(guī)模經(jīng)濟效應(yīng)的逐步下降，銀行同業(yè)間的產(chǎn)品或服務(wù)差異越來越小，而對于銀行來說，客戶顯然是最具有價值的資產(chǎn)和最大財富，越來越多的事實證明“以客戶為中心”的銀行往往能在市場中獲得更大收益[1]。

2 問題綜述

2.1 問題提出

伴隨越來越明顯的國際金融一體化的趨勢以及全世界網(wǎng)絡(luò)經(jīng)濟的不斷進步，我國銀行業(yè)面臨著越來越大的挑戰(zhàn)，與此同時，銀行業(yè)的競爭也越來越激烈，如果商業(yè)銀行想要持續(xù)健康發(fā)展，爭取在這個大規(guī)模競爭趨勢下的更大利潤，就需要采用合理競爭的手段，留住理想客戶，從而來增加企業(yè)的收益，這無疑對于各個銀行來說都是至關(guān)重要的。同時，很多銀行都會把過多的精力放在挖掘新型客戶上，認為增加客戶的數(shù)量，增大銀行受眾的規(guī)模就可以提高銀行本身的利潤效益，但是往往這樣就會忽略了對于原有客戶資源類型的分析，進而無法總結(jié)出現(xiàn)在客戶的真實需求，從而造成大量客戶流失的現(xiàn)象，在新客戶轉(zhuǎn)化為老客戶后同樣的問題再次出現(xiàn)。由此可以看出，對于銀行客戶流失進行有效的分析，留住老客戶，并且不斷增加新客戶的數(shù)量，才能從根本上提高銀行的競爭力，使得銀行在現(xiàn)今激烈的競爭中爭取一席之地。本文通過建立客戶流失模型,預(yù)測客戶流失情況,從而幫準銀行調(diào)整服務(wù)和經(jīng)營策略,給銀行帶來更大的效益[2]。

2.2 研究現(xiàn)狀

對于銀行客戶流失案例的研究已經(jīng)有非常多的先例，這方面的研究也涉及到了各種各樣的研究方法，鄧穎凡在對于大數(shù)據(jù)驅(qū)動下的用戶行為分析中展開了客戶細分和流失預(yù)測兩個方面的研究, 同時還引入了縱貫其中的兩大保障體系：“數(shù)據(jù)挖掘技術(shù)”以及“科學(xué)評估指標”來進行分析,其采用理論結(jié)合實踐的方式同時解決了銀行客戶細分問題將自適應(yīng)權(quán)重的雙級聚類算法推進應(yīng)用、深化和驗證。[3]謝斌則主要進行了基于大數(shù)據(jù)挖掘的N 銀行客戶流失分析，分析N 銀行基于大數(shù)據(jù)的客戶現(xiàn)狀分析, 基于大數(shù)據(jù)分析對目前N 銀行的客戶整體現(xiàn)狀進行介紹并總結(jié)了貴賓客戶個性化產(chǎn)品設(shè)計和營銷、強化大數(shù)據(jù)開發(fā)與應(yīng)用、提升客戶體驗、優(yōu)化營銷體系的營銷啟示。[4]而林睿，遲學(xué)芝則利用BP 神經(jīng)網(wǎng)絡(luò)對于銀行客戶流失問題進行分析，利用BP 人工神經(jīng)網(wǎng)絡(luò)網(wǎng)絡(luò)穩(wěn)定、學(xué)習(xí)能力強的特點,通過輸入變量和輸出變量之間的相關(guān)性分析,建立銀行客戶流失分析模型,以此獲取即將流失的客戶,以便銀行做出經(jīng)營決策,挽留有關(guān)用戶,確保銀行效益不受影響。[5]大部分的研究都是基于數(shù)據(jù)挖掘的基本方法，其分類的方式主要是基于客戶的基本特征，本文的改進之處主要是對于神經(jīng)網(wǎng)絡(luò)模型進行進一步的運用。

3 模型研究方法介紹及模型建立

3.1 模型原理

3.1.1 多層感知機

多層感知機（MLP，Multilayer Perceptron）也被稱作人工神經(jīng)網(wǎng)絡(luò)（ANN，Artificial Neural Network），其除了輸入輸出層，它中間可以有多個隱層，最簡單的MLP 只含一個隱層，即三層的結(jié)構(gòu)。

多層感知機層與層之間是全連接的。多層感知機最底層是輸入層，中間是隱藏層，最后是輸出層。

3.1.2 隱藏單元及ReLU 函數(shù)

大部分的隱藏單元可以描述為接受輸入向量x，通過計算仿射變換z=wTx+b,然后使用一個逐元素的非線性函數(shù)g（z）。大多數(shù)隱藏單元的區(qū)別僅僅在于激活函數(shù)g（z）的形式。

整流線性單元(Rectified Linear Unit, ReLU)是隱藏單元極好的默認選擇。許多其它類型的隱藏單元也是可用的。整流線性單元使用激活函數(shù)g（z）=max{0，z}。在z=0 處不可微。這意味著相比于引入二階效應(yīng)的激活函數(shù)來說，它的梯度方向?qū)τ趯W(xué)習(xí)來說更加有用。

3.1.3 softmax 激活函數(shù)

Softmax 函數(shù)常在神經(jīng)網(wǎng)絡(luò)輸出層作為激活函數(shù)，將輸出層的值通過激活函數(shù)映射到0-1 區(qū)間，從而將神經(jīng)元輸出構(gòu)造成概率分布，用于多分類問題中，Softmax 激活函數(shù)映射值越大，則真實類別可能性越大，下面先給出Softmax 函數(shù)計算公式：

本文模型建立采用深度前饋網(wǎng)絡(luò)模型，首先對于數(shù)據(jù)標簽進行處理，標簽取1 代表客戶流失，標簽取0 代表正?？蛻?。輸入層到第一隱層的結(jié)構(gòu)，第一隱層256 個神經(jīng)元，使用sigmod函數(shù)，并且使用截斷正態(tài)分布，為了避免過擬合采用了漏失的操作，第一隱層到第二隱層的結(jié)構(gòu)同樣包含256 個神經(jīng)元，并且采用sigmod 函數(shù)，第二隱層到輸出層的的結(jié)構(gòu)中，將輸出層設(shè)置成兩個神經(jīng)元并且使用softmax 函數(shù)作為輸出函數(shù)。

3.1.4 反向傳播算法

反向傳播算法在眾多算法中應(yīng)用較為廣泛，通常運用反向傳播算法來訓(xùn)練人工網(wǎng)絡(luò)，在這方面該算法十分有效。該算法主要應(yīng)用的思想是：首先將訓(xùn)練集獲取的數(shù)據(jù)傳播到ANN 的輸入層，然后就是通過隱藏層的計算，最后到達輸出之后完成整個算法的傳播，輸出一個算法計算的結(jié)果，上述描述的就是ANN 前向傳播的過程，一般情況下，輸出結(jié)果和實際結(jié)果一般存在誤差，在算法完成后誤差往往會很難處理，因此我們要對誤差提前進行計算，而后該誤差從輸出層向隱藏層反向傳播，最終傳播到輸入層，這就是反向傳播的關(guān)鍵，同時誤差也是我們不斷調(diào)整參數(shù)的依據(jù)，通過對于誤差大小的計算和判斷，我們不斷對參數(shù)調(diào)整，而后重復(fù)以上的步驟不斷進行迭代和擬合，一直到收斂為止。

3.2 客戶流失分析

TNS 之前對于中國銀行業(yè)進行調(diào)查，主要針對的是北京、上海已經(jīng)廣州三個發(fā)展較好的城市，調(diào)查的內(nèi)容主要是1500 名零售銀行客戶以及900 名信用卡用戶，根據(jù)調(diào)查結(jié)果可以看出，目前中國銀行業(yè)的客戶維系系數(shù)是低于全球平均水平的，由此可以看出，在老客戶保留以及客戶分析發(fā)展方面，我國在各方面還有待提高，并且根據(jù)調(diào)查可以發(fā)展，我國商業(yè)銀行的客戶流失率竟然高達30%，在現(xiàn)今社會高速發(fā)展之下，我們可以猜測銀行客戶流失的原因是多方面的，如何把握住老客戶，有效對于客戶的流失率進行降低已經(jīng)成為現(xiàn)今銀行業(yè)發(fā)展最為重要的問題，只有針對銀行客戶流失這一現(xiàn)象提出根本性的改革措施，才能保證我國銀行業(yè)在全球更加具有競爭力。為了達到這一目的，銀行需要建立客戶分析模型，這個模型的作用主要歸結(jié)于以下兩個方面：

（1）通過對客戶數(shù)據(jù)的分析,探究客戶信息中的關(guān)鍵因素和客戶流失之間的必然關(guān)系, 在這種關(guān)系的基礎(chǔ)上對于客戶流失的原因進行有效分析，同時提出改變這個狀況的根本性措施。

（2）對可能會流失的客戶進行預(yù)警，提前采取相關(guān)措施。

3.3 在客戶流失分析中應(yīng)用BP 人工神經(jīng)網(wǎng)絡(luò)

BP 人工神經(jīng)網(wǎng)絡(luò)是Rumelhart 和McCelland 為首的科學(xué)家小組在1986 提出的一種神經(jīng)網(wǎng)絡(luò)算法，這是一種按照逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋網(wǎng)絡(luò)，在眾多的神經(jīng)網(wǎng)絡(luò)算法中，該算法的應(yīng)用相對十分廣泛，這是由于該算法本身具有自適應(yīng)和學(xué)習(xí)能力強的特點，因此該算法在一些分析中應(yīng)用起來十分方便快捷，并且能得到相對準確的分析結(jié)果，在對于客戶流失的分析中，引入這一個算法，對于獲取的樣本數(shù)據(jù)進行學(xué)習(xí)和分類，從而建立客戶流失模型，分析客戶的特點，抓住客戶的關(guān)鍵特征，把握客戶的喜好和心態(tài)，從而在完成對于客戶偏好進行分類的同時，對于銀行業(yè)如果避免客戶過度流失提出有效的措施，來提高銀行的競爭力，保證銀行的長遠發(fā)展。

3.3.1 數(shù)據(jù)獲取

數(shù)據(jù)主要包括行號、地理位置、性別、客戶ID、年齡、收入估計、產(chǎn)品數(shù)量、信用積分、開戶時長、有無信用卡、是否活躍、是否流失（即目標變量）。顯然其中行號、客戶Id、姓氏對流失情況的分析預(yù)測意義不大，可以忽略，其余字段可分為分類變量和數(shù)值變量，在數(shù)據(jù)處理環(huán)節(jié)再做變換等操作。另外，剔除少量異常數(shù)據(jù)。本文測試集選取8150 個，訓(xùn)練集選擇1000 個。建立多層感知機模型，利用訓(xùn)練集對于模型擬合準確度進行訓(xùn)練，并且利用測試集對于模型的訓(xùn)練能力進行測試。

3.3.2 數(shù)據(jù)預(yù)處理

由于獲取的銀行客戶數(shù)據(jù)屬性變量比較多, 并且各個屬性變量之間存在著不可公度性和矛盾性,另一方面，各屬性變量的量綱、數(shù)量級和指標類型也不完全相同。以上兩個方面的存在都會對于我們的分析結(jié)果以及模型的建立產(chǎn)生影響，因此為了避免上述情況的發(fā)展, 在建立模型以及評價時要將訓(xùn)練樣本的向量歸一化處理,使網(wǎng)絡(luò)的訓(xùn)練樣本的值都位于[0，1]范圍內(nèi)，從而使得模型能夠建立的更加完善，分析結(jié)果更加準確。在預(yù)先處理方面我們一般都是采用最大最小函數(shù)的方法, 獲取神經(jīng)網(wǎng)絡(luò)的輸入值,并且期望輸出的值0 或1,建立兩種可能的情況，如果樣本數(shù)據(jù)中客戶沒有流失,輸出為0,否則為1。

3.3.3 模型的建立

搭建模型, 使得模型包括10 個輸入單元, 存在1 個輸出單元。具有非線性函數(shù)的逼近的特點是BP 人工神經(jīng)網(wǎng)絡(luò)一個重要特征,通過測算我們可以發(fā)現(xiàn)只含有一個隱藏層的BP 網(wǎng)絡(luò)就可實現(xiàn)模型的建立, 所以模型的建立無需過于復(fù)雜，根據(jù)模型中輸入層數(shù)據(jù)的取值范圍, 模型中在每個隱含節(jié)點和輸出節(jié)點的值都是用Sigmoid 轉(zhuǎn)移函數(shù)計算獲得。

3.3.4 BP 神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程

對于BP 人工網(wǎng)絡(luò)進行訓(xùn)練，我們將訓(xùn)練的樣本分為兩類，訓(xùn)練集和測試集，第一隱層256 個神經(jīng)元，使用sigmoid 激活函數(shù)，使用截斷正態(tài)分布，標準差為0.1，對256 個節(jié)點偏置進行初始化，第一隱層到第二隱層的結(jié)構(gòu)，第二隱層同樣256 個神經(jīng)元，使用sigmoid 激活函數(shù)，第二隱層到輸出層的結(jié)構(gòu)，輸出層兩個神經(jīng)元，使用softmax 輸出，輸出節(jié)點的偏置也要初始化，輸出層使用概率化函數(shù)，使得每個輸出都在0-1 之間，并且加和等于1。

3.3.5 結(jié)果分析

epoch:0 train_acc:0.74 test_acc:0.50006133 loss:0.60425085

epoch:50 train_acc:0.74 test_acc:0.50006133 loss:0.57326245

epoch:1000 train_acc:0.74 test_acc:0.50006133 loss:0.5732621

epoch:9950 train_acc:0.806 test_acc:0.637747 loss:0.50620866

epoch:10000 train_acc:0.807 test_acc:0.6390968 loss:0.5060288

本文將訓(xùn)練集每50 為以小組，打亂順序并且不斷進行迭代和訓(xùn)練，根據(jù)訓(xùn)練結(jié)果可以看出，經(jīng)過該模型的訓(xùn)練，測試集和訓(xùn)練集的準確率均不斷提高，損失值一直不斷減少，由此可以看出該模型的建立是合適的。

將訓(xùn)練結(jié)果轉(zhuǎn)化為圖像體現(xiàn)的形式，可以看出，隨著迭代次數(shù)的增加，損失和準確度的結(jié)論和之前完全一致。

圖1 結(jié)果線形圖

4 結(jié)論

本文將人工神經(jīng)網(wǎng)絡(luò)技術(shù)應(yīng)用于銀行客戶流失分析預(yù)測,不僅建立了基于人工神經(jīng)網(wǎng)絡(luò)的客戶流失分析模型, 并對模型中的關(guān)鍵問題進行分析和處理；關(guān)鍵屬性變量的選取, 數(shù)據(jù)處理、流失模型建立分析、人工神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程等進行了重點研究, 通過測試結(jié)果我們可以看到這個模型對于客戶流失進行分析是非?？尚械摹Ｍㄟ^對于模型結(jié)果的觀察使得銀行決策者能夠及時了解客戶流失情況發(fā)生,從而制定相應(yīng)的經(jīng)營決策,挽留有關(guān)的用戶,確保銀行效益不受影響。

對于銀行業(yè)，利用Python 技術(shù)中的神經(jīng)網(wǎng)絡(luò)分類方法建立預(yù)測客戶流失模型來支持決策是最直接且較為理性的選擇。本文通過對客戶流失數(shù)據(jù)的探索與預(yù)處理來建立基于Python 的BP 神經(jīng)網(wǎng)絡(luò)模型，目的在于對于模型的優(yōu)良性以及對于銀行客戶的分類訓(xùn)練情況進行進一步的探索。