胡永培，张 琛

(1.徽商银行 大数据部，安徽 合肥 230601；2.合肥学院 人工智能与大数据学院，安徽 合肥 230601)

0 引 言

随着大数据、人工智能、区块链技术的快速发展，利率市场化进程不断推进，银行利差在逐渐收窄，传统的经营模式已不能满足日益变化的市场需要，各家银行纷纷开展数字化转型[1-2]，银行零售业务板块表现的尤为迫切。

各家银行零售客户一直以来都表现出明显的“二八定律”，更有甚者可能出现“一九定律”，即银行20%的零售客户贡献了80%的零售利润[3]，20%的客户一般为各家银行的优质客户，是各家银行重点维护的对象，所以各家银行在努力拓展新的优质客户的同时，有效防止存量客户资产下降同样重要。有相关研究表明，客户流失率下降5%，能给银行多带来25%～85%的零售利润[4]。挽回一个老客户所花费的成本远远低于拓展一个新客户，因此如何找出影响客户流失的关键因素，精准预测客户流失的可能性，是各家银行挽回客户的核心。

近年来，随着客户流失预警越来越被关注，国内外相关学者也对此进行了很多的研究，不断提高模型预测的准确性。张宇[5]使用C5.0分析了企业客户流失预测模型。Prasad 和Madhavi[6]分别用CART和C5.0两种方法分析了银行业客户流失情况。丁君美[7]使用随机森林分析了电信业客户流失问题。杨力[8]采用极限学习机分析了电子商务客户流失量预测模型。为了克服客户流失数据集的不平衡性，Lemmens和Croux[9]引入了集成学习；Nikulin和Mclachlan[10]提出用平衡的随机数据集为不平衡的客户流失数据进行分类；……