[论文解读] Prediction of Customer Churn in Banking Industry

Sina Esmaeilpour Charandabi|arXiv (Cornell University)|Jan 30, 2023

Customer churn and segmentation被引用 6

一句话总结

本研究使用10,000名欧洲银行客户的人口统计与个人数据，评估了六种监督学习模型在银行领域客户流失预测中的表现。具有单个隐藏层五个神经元的神经网络（ANN）优于其他模型，对类别不平衡和异常值具有鲁棒性，且未表现出显著过拟合，因此在该情境下是流失预测的最优选择。

ABSTRACT

With the growing competition in banking industry, banks are required to follow customer retention strategies while they are trying to increase their market share by acquiring new customers. This study compares the performance of six supervised classification techniques to suggest an efficient model to predict customer churn in banking industry, given 10 demographic and personal attributes from 10000 customers of European banks. The effect of feature selection, class imbalance, and outliers will be discussed for ANN and random forest as the two competing models. As shown, unlike random forest, ANN does not reveal any serious concern regarding overfitting and is also robust to noise. Therefore, ANN structure with five nodes in a single hidden layer is recognized as the best performing classifier.

研究动机与目标

• 识别在银行行业中预测客户流失最有效的机器学习模型。
• 评估特征选择、类别不平衡和异常值对模型性能的影响。
• 比较人工神经网络（ANN）和随机森林在流失预测中的鲁棒性和泛化能力。
• 确定在真实世界银行数据集中，ANN或随机森林在处理数据噪声和类别不平衡方面表现更优。
• 为寻求实施有效客户保留策略的银行提供数据驱动的建议。

提出的方法

• 将六种监督分类技术应用于包含10个人口统计与个人属性的10,000名欧洲银行客户数据集。
• 应用特征选择以降低维度并提高模型效率。
• 通过重采样或类别加权等技术处理类别不平衡问题，尤其针对对不平衡数据敏感的模型。
• 执行异常值检测与处理，以评估其对模型泛化能力的影响。
• 训练具有单个隐藏层（含五个神经元）的神经网络（ANN）模型，并针对性能进行优化。
• 将随机森林用作基线模型进行比较，利用集成学习方法减少过拟合。

实验结果

研究问题

• RQ1 在银行行业中，哪种监督学习模型在预测客户流失方面表现最佳？
• RQ2 类别不平衡如何影响ANN和随机森林在流失预测中的性能？
• RQ3 异常值在多大程度上影响ANN和随机森林模型的泛化能力？
• RQ4 特征选择是否能提高流失预测模型的预测准确性？
• RQ5 在此情境下，ANN是否比随机森林对数据噪声和类别不平衡更具鲁棒性？

主要发现

• 具有单个隐藏层五个神经元的人工神经网络（ANN）在所有测试模型中实现了最高的预测性能。
• 与随机森林不同，ANN未表现出显著过拟合，表明其在验证集上具有强大的泛化能力。
• ANN对数据噪声和异常值表现出鲁棒性，在不同预处理条件下均保持稳定性能。
• 类别不平衡对模型性能有可测量但可控的影响，且ANN比随机森林更能有效应对该问题。
• 特征选择提高了模型效率，并有助于提升性能，尤其在减少复杂模型的过拟合方面效果显著。
• 本研究结论认为，由于其强韧性和高精度，ANN是银行领域客户流失预测的最适配模型。