Модель потребительских предпочтений клиента розничного банка. Часть 2

Соберём массив данных по кредитным и депозитным договорам за 2015-2018 год. Получилось 5,6 млн клиентских историй, вобравших 11,3 млн сделок по восьми продуктам – рис. 1. Выделим обучающую выборку в размере 7,4 млн взаимодействий, по которой будем строить модели, для проверки на оставшихся 3,9 млн сценариев задокументированного обслуживания.

Рис. 1. Распределение банковских продуктов и стоимости кредитных договоров в массиве данных.

Приступим к построению моделей прогноза покупок:

1. потребительский кредит на моментальную карту в магазине (PIL CSF) – рис. 2.
2. потребительский товарный кредит (CSF) – рис. 3.
3. кредитная карта на общие цели (СС) – рис. 4.
4. потребительский кредит на карту в отделении (PIL BRB) – рис. 5.
5. депозит (Depo) – рис. 6.
6. овердрафт (Over) – рис. 7.
7. автокредит (Auto) – рис. 8.
8. ипотека (Mort) – рис. 9.

Построенные модели и коэффициенты уравнений оказались значимы на 95% уровне вероятности. Оценим R квадрат Нэйджелкерка – критерий, показывающий долю влияния переменных модели на вероятность «угадывания» сделок, произошедших в контрольной выборке. Чтобы повысить адресность ошибки, разобьём клиентские массивы продуктов на квадранты, сформированные типом потребителей:

1. outgoing – покидающие кредитную организацию после первого опыта сотрудничества
2. subprime – обладающие низким доходом
3. mass – ведущие умеренный образ жизни
4. mass affluent – получающие средний доход
5. affluent – имеющие достаточный уровень обеспеченности
6. high affluent – способные гордиться условной зажиточностью

и возрастом в диапазонах лет:

1. 20-30
2. 31-40
3. 41-50
4. 51-60
5. 61-80.

Введя обозначения:

1. R квадрат Нэйджелкерка – КН
2. Точность модели для:
3. найденный клиентов – НК
4. упущенных клиентов – УК
5. успешных продаж – УП,

получим следующие оценки предсказания поведения потребителей продуктов:

1. PIL CSF:НК=0,45, НК=77,6%, УК – 22,4%, УП=83,0%.
2. CSF:НК=0,54, НК=84,6%, УК=15,4%, УП=63,1%.
3. СС:НК=0,24, НК=75,6%, УК=24,2%, УП=17,3%.
4. PIL BRB:НК=0,31, НК=79,4%, УК=20,6%, УП=20,1%.
5. Depo:НК=0,66, НК=91,1%, УК=08,9%, УП=34,4%.
6. Over:НК=0,33, НК=89,0%, УК=11,0%, УП=01,7%.
7. Auto:НК=0,22, НК=85,1%, УК=14,9%, УП=00,2%.
8. Mort:НК=0,11, НК=84,4%, УК=15,6%, УП=00,1%.

Распределение результатов прогноза по категориям клиентов указывает на отсутствие систематических ошибок моделей: PIL CSF, CSF, CC, PIL BRB. Прочие имеют особенности:

1. Модель Depo:
2. предсказывает другое распределение клиентов по уровням доходов
3. завышает subprime, mass и занижает affluent, high affluent.
4. В распределении по доходам Over:
5. завышает долю для mass
6. занижает для outgoing.
7. Auto:
8. завышает автокредит для женщин, subprimе, mass, 20-30 лет
9. занижает: мужчины, mass affluent, affluent, 31-40 лет.
10. Mort:
11. завышает долю: subprime, mass, 51 и более лет
12. занижает: affluent, high affluent, 31-40 лет.

Рис. 2. Модель прогноза покупок PIL CSF

Рис. 3. Модель прогноза покупок CSF.

Рис. 4. Модель прогноза покупок CС.

Рис. 5. Модель прогноза покупок PIL BRB.

Рис. 6. Модель прогноза покупок Depo.

Рис. 7. Модель прогноза покупок Over.

Рис. 8. Модель прогноза покупок Auto.

Рис. 9. Модель прогноза покупок Mort.

Наступил черёд установить горизонт временного планирования. Оказалось, что 58,6% клиентов, «зашедших в банк» с продукта PIL CSF продолжили пользоваться кредитно-финансовым учреждением наибольший срок с максимальным количеством сделок, что согласуется с реальностью и подтверждается моделью – рис. 10.

Рис. 10. Реально-частотное и модельное представление времени жизни клиента в банке.

Сведя модели восьми продуктов в единое клиентское путешествие, удалось построить дерево «жизни клиента» в банке – рис. 11.

Рис. 11. Дерево «жизни клиента» в банке.

Последний продукт является корнем свершившегося поступка, следующий – потенциальным листом. Каждый лист унаследовал результаты моделирования:

1. наименование продукта;
2. вероятность покупки продукта;
3. срок между предыдущим и последующим продуктами.

Моделируя переходы от корней к листам дерева, появилась возможность составлять сценарии жизни конкретного клиента в банке. Целевой функцией удержания потребителя, как мы уже отмечали, может стать максимизация:

1. прибыли финансово-кредитного учреждения;
2. временного горизонта пользования банковскими услугами;
3. скорости развития потребителя – проведение между расчётными продуктами.

Комментарии напоследок:

1. пришлось учесть, что 95% клиентов, за период 2015-2018, имеют историю не дольше шести розничных продуктов, поэтому модель адекватно отрабатывает на цепочке из четырёх сделок;
2. наиболее вероятная цепочка продуктов, по которой легче всего «вести» потребителя, выглядит так: PIL CSF [80%, 66 дней] – CSF [61, 163 дня] – PIL CSF [53%, 65 дней] – CSF.