详细内容或原文请订阅后点击阅览
如何提高金融科技领域的客户保留率
将预流失评分与提升建模相结合以实现更智能的保留的实用指南。如何提高金融科技中的客户保留率一文首先出现在走向数据科学上。
来源:走向数据科学简介
，任何成长中的团队都会很快学会一种模式：获取新用户或带回已经流失的用户，比留住仍在使用该产品的用户要困难得多，成本也更高。在数字银行中，这一点尤其明显，因为客户获取成本很高。
金融科技的用户保留取决于许多因素：服务质量、产品功能、忠诚度机制、沟通以及用户体验的其他部分。在本文中，我将重点介绍一个实际示例：基于机器学习的个性化如何帮助与高风险用户合作并更准确地应用忠诚度机制。
该任务分为三个步骤。首先，我们需要学习如何识别可能流失的用户。然后我们必须定义保留机制，这意味着到底什么可以让用户重新对产品产生兴趣。之后，我们需要优化干预本身：了解风险部分中的哪些用户实际上会受到保留优惠的影响。
在本文中，我将分享为此类任务构建分析系统的实用指南。它基于两个机器学习模型：一个预流失模型，用于识别面临风险的用户；另一个提升模型，有助于确定哪些用户对保留优惠真正敏感。我会解释每个阶段的实用价值：为什么从产品角度需要它，它解决了什么问题，以及我们能够从研究中得出什么结论。
准备工作：目标和特点
让我们从流失定义开始。我致力于开发借记卡产品，其中用户行为最好通过交易活动来描述。因此我们确定了一个实用的定义：流失是指 30 天内没有使用银行卡付款。这个定义在金融产品中经常使用，其背后的逻辑也相当清晰。