运用神经网络预测客户流失。包括特征构建及筛选、模型构建及调优、客户分层预测

Keras(https://keras.io/)

因公司ETC业务客户流失严重，自发研究客户流失模式，给运营部门同事提供数据支持

1、特征的构建与选取。现有指标包括客户基本信息（身份证号、注册地址、车辆信息，身份证号可解析出出生日期、性别、省份）客户总消费、消费天数、逾期金额、逾期次数、历史最大及最小连续消费天数、历史最大连续不消费天数、近一月消费额等。

2、模型搭建。接口序贯（Sequential）模型。第一层全连接层，激活函数选取relu；第二隐层全连接层，激活函数选取softsign；输出层激活函数选取sigmoid。损失函数选取binary_crossentropy，激活函数选取adam，学习率为默认值。

3、模型运行与调优。初次运行验证集准确率较低，通过调整激活函数及加入Dropout层，得到76%准确率

4、特征引申及筛选。引申指标包括当前不消费天数是否大于历史最大连续不消费天数、近一月消费额与历史最大30天内消费额的比例、客户历史最大连续逾期天数等。通过主成分分析法剔除关联度较低的指标。提高准确率到96%。

5、客户分层。在实际处理过程中，客户流失时间较长（三个月以上）的基本不会回归，因此针对客户流失天数对客户进行分层，本例中分为三层90天以上、45-90天及45天以下，90天以上不做预测，分别对45-90与45-进行预测，准确率分别为91%与74%

6、进一步分析。在45天以下的客户里面，现有指标已无法对其进行细分，经与领导沟通，对其中部分客户进行回访调查不消费原因，相当一部分客户的业务具有周期性，通常为30天或者半月，分析历史连续不消费天数可印证这一点，另外一部分客户数据量很少，难以区分。因此剔除数据量较少客户（取历史消费天数大于30天），最终预测准确率为86%