黃金波 包利安 王艷 張景麗 楊軼

    摘 要
    近年來(lái)證券公司行業(yè)內(nèi)傭金價(jià)格戰(zhàn)愈演愈烈，同時(shí)“一人一戶(hù)”規(guī)定的取消，使得投資者在不同券商間的轉(zhuǎn)移能力提升，促使競(jìng)爭(zhēng)的進(jìn)一步加劇。這些新形勢(shì)都對(duì)券商服務(wù)和管理客戶(hù)的能力有了提出了新的挑戰(zhàn)。
    本次實(shí)證研究旨在利用Logistic回歸、判別分析、相關(guān)分析等數(shù)據(jù)建模和分析方法，對(duì)A證券公司內(nèi)部客戶(hù)大數(shù)據(jù)進(jìn)行挖掘，同時(shí)輔以客戶(hù)定量調(diào)研和定性訪談的中數(shù)據(jù)分析，對(duì)潛在流失客戶(hù)進(jìn)行預(yù)測(cè)、識(shí)別和分析；使得該證券公司能在客戶(hù)流失之前就提前進(jìn)行干預(yù)和維護(hù)，降低客戶(hù)流失率，提升高?？蛻?hù)管理能力和行業(yè)競(jìng)爭(zhēng)力。
    關(guān)鍵詞：客戶(hù)關(guān)系管理；數(shù)據(jù)建模；潛在流失預(yù)測(cè)；行為干預(yù)
    ABSTRACT
    In recent years, there is an upward trends in terms of the intensity of the commission fee war for the securities industry. At the same time, the launch of a unified account platform accelerated the customer churn rate between Securities Companies and intensified the industry competitions further. These new circumstances has presented new challenges both in brokerage services and customer management ability in the industry.
    This empirical research aimed to predict, identify the reasons and analyze potential customer defection using logistic regressions, discriminant analysis model and correlation analysis to mine the internal CRM data of A securities company combined with other qualitative and quantitative research of customers. Thus securities companyis able to intervene and prevent customer loss in advance, which will subsequently lead to a lower costumer attrition rate and increase the company’s CRM skill and competitiveness eventually. 
    KEY WORDS: Customer Relationship Management; Data Modelling; Potential Customer Loss Prediction; Behavior intervention
    一、緒論
    1.1 問(wèn)題提出
    1.1.1 證券行業(yè)景氣回暖但競(jìng)爭(zhēng)加劇
    證券行業(yè)在經(jīng)過(guò)幾年的回落后開(kāi)始回升，越來(lái)越多的用戶(hù)開(kāi)設(shè)賬戶(hù)，對(duì)于證券公司來(lái)說(shuō)這是一個(gè)不缺客戶(hù)的時(shí)期。
    
    然而證券行業(yè)內(nèi)傭金價(jià)格戰(zhàn)愈演愈烈，競(jìng)爭(zhēng)加??；同時(shí)中國(guó)證券登記結(jié)算公司于2014年10月上線的統(tǒng)一賬戶(hù)平臺(tái)“一碼通”，取消了“一人一戶(hù)”的限制性規(guī)定，使得投資者在不同券商間的轉(zhuǎn)移能力提升，可能會(huì)導(dǎo)致券商之間的客戶(hù)流動(dòng)加速。這對(duì)各家券商的服務(wù)和管理客戶(hù)的能力提出了新的挑戰(zhàn)：如何提升自身在渠道、服務(wù)和客戶(hù)體驗(yàn)等方面的軟實(shí)力，進(jìn)而提升客戶(hù)對(duì)自身的黏性，降低客戶(hù)流失率？如何準(zhǔn)確識(shí)別出想離開(kāi)的客戶(hù)并提前干預(yù)……這些客戶(hù)管理能力的具備與提升，就成為未來(lái)競(jìng)爭(zhēng)的關(guān)鍵點(diǎn)。
    1.1.2 進(jìn)行潛在流失客戶(hù)預(yù)警工作的價(jià)值
    常規(guī)的客戶(hù)滿(mǎn)意度研究，多著眼于客戶(hù)過(guò)往的服務(wù)體驗(yàn)感受，但當(dāng)客戶(hù)通過(guò)回訪電話(huà)、市場(chǎng)調(diào)研或投訴明確表達(dá)出其不滿(mǎn)意意見(jiàn)，該客戶(hù)往往已瀕臨流失邊緣或已經(jīng)流失了。因此客戶(hù)滿(mǎn)意度存在反饋信息滯后、無(wú)法預(yù)測(cè)客戶(hù)行為以便及時(shí)干預(yù)等缺陷，而潛在流失客戶(hù)的存在會(huì)為企業(yè)運(yùn)營(yíng)帶來(lái)不可預(yù)見(jiàn)的危機(jī)。
    本次實(shí)證研究的目的，就是為某證券公司（后文稱(chēng)“A證券公司”）進(jìn)行潛在流失客戶(hù)的預(yù)警、識(shí)別及排出后續(xù)干預(yù)的優(yōu)先級(jí)順序，為A證券公司及時(shí)排除客群隱患、并在客戶(hù)選擇其他券商前進(jìn)行有效維護(hù)提供寶貴的、即時(shí)的信息。
    1.2 本次研究的三大核心目的
    目的1：預(yù)警標(biāo)記
    整合A證券公司各渠道客戶(hù)數(shù)據(jù)庫(kù)，利用數(shù)據(jù)挖掘技術(shù)建立潛在客戶(hù)流失預(yù)測(cè)模型，識(shí)別并在數(shù)據(jù)庫(kù)中作出標(biāo)記。
    目的2：分析識(shí)別
    抽樣選取被識(shí)別的潛在流失客戶(hù)進(jìn)行定性和定量分析，了解并驗(yàn)證其流失狀態(tài)、原因和去向，提煉關(guān)鍵影響要素，為后續(xù)建立模型判定潛在流失客戶(hù)流失去向提供依據(jù)。
    目的3：干預(yù)排序
    綜合流失可能性、流失去向、客戶(hù)價(jià)值、干預(yù)難度等多方面因素，對(duì)識(shí)別出來(lái)的潛在流失客戶(hù)進(jìn)行干預(yù)優(yōu)先級(jí)排序，以便在現(xiàn)有的資源范圍內(nèi)進(jìn)行更有成效的客戶(hù)干預(yù)行動(dòng)。
    二、文獻(xiàn)綜述
    客戶(hù)流失預(yù)測(cè)一般會(huì)應(yīng)用于競(jìng)爭(zhēng)特別激烈的行業(yè)如電信業(yè)，也因此受到學(xué)術(shù)界和實(shí)業(yè)界的廣泛關(guān)注[1]。據(jù)文獻(xiàn)統(tǒng)計(jì)電信業(yè)平均每月客戶(hù)流失率約為2.2%[2]，而贏得一個(gè)新客戶(hù)所花費(fèi)的成本大約是保留一個(gè)老客戶(hù)所花費(fèi)成本的5~6倍[4]。
    客戶(hù)流失預(yù)測(cè)研究開(kāi)始于20世紀(jì)90年代，發(fā)展歷程可以劃分為三個(gè)階段：
    第一階段利用了傳統(tǒng)統(tǒng)計(jì)學(xué)的預(yù)測(cè)方法，包括決策樹(shù)[5]、logistic 回歸[6 7]、貝葉斯分類(lèi)器[8]和聚類(lèi)[9] 等。Rosset等人[4]在引入客戶(hù)價(jià)值的基礎(chǔ)上，利用logistic 回歸建立客戶(hù)流失預(yù)測(cè)模型，發(fā)現(xiàn)其模型提升率得到較大的改善。
    該類(lèi)方法可以對(duì)定類(lèi)數(shù)據(jù)和連續(xù)性的客戶(hù)數(shù)據(jù)進(jìn)行處理，且對(duì)于所構(gòu)建的模型有較強(qiáng)的可解釋性，但不足體現(xiàn)在數(shù)據(jù)的非對(duì)稱(chēng)性、處理大規(guī)模/高維等復(fù)雜客戶(hù)數(shù)據(jù)時(shí)代效果不理想和處理過(guò)程缺乏靈活性。
    這些問(wèn)題促使了人們考慮引入人工智能技術(shù)，以改善預(yù)測(cè)模型的性能和提高識(shí)別準(zhǔn)確率。該類(lèi)技術(shù)包括人工神經(jīng)網(wǎng)絡(luò)、自組織映射和進(jìn)化學(xué)習(xí)算法。而后為了進(jìn)一步提高預(yù)測(cè)模型的精度和穩(wěn)定性，近年來(lái)研究人員開(kāi)始探索基于結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則的預(yù)測(cè)方法，這使得研究跨入了第三階段，即基于統(tǒng)計(jì)學(xué)習(xí)理論的預(yù)測(cè)方法，主要以支持向量機(jī)為代表。
    針對(duì)這些方法的應(yīng)用現(xiàn)狀及本次數(shù)據(jù)情況和研究需求，本研究采用了如下設(shè)計(jì)以保證模型及應(yīng)用效果:
    A、考慮了顯性及隱性的銷(xiāo)戶(hù)情況，并重新進(jìn)行組合，其實(shí)客戶(hù)類(lèi)別并非需要完全對(duì)稱(chēng)，只要預(yù)測(cè)目標(biāo)類(lèi)別的占比達(dá)到一定的比例，即可進(jìn)行規(guī)模預(yù)測(cè)。
    B、本次研究采用全量客戶(hù)數(shù)據(jù)，并按月提取客戶(hù)行為數(shù)據(jù)及銷(xiāo)戶(hù)數(shù)據(jù)，充分考慮了季節(jié)因素的影響，以及模型的應(yīng)用環(huán)境。
    向量機(jī)的預(yù)測(cè)還處于探索階段，利用成熟的方法（logistic回歸），采用全樣本方法、考慮季節(jié)因素以及考慮周全的影響指標(biāo)體系，是本次預(yù)測(cè)模型成功應(yīng)用的原因。
    三、A證券公司潛在流失客戶(hù)的預(yù)警和標(biāo)記
    潛在流失客戶(hù)的預(yù)警和標(biāo)記，使用的數(shù)據(jù)為A證券公司內(nèi)部與客戶(hù)的所有觸點(diǎn)的信息數(shù)據(jù)，分析方法將使用Logistic回歸模型，對(duì)客戶(hù)的流失概率進(jìn)行預(yù)測(cè)。
    3.1 A證券公司潛在流失客戶(hù)預(yù)警模型的建立準(zhǔn)備
    建立潛在流失客戶(hù)預(yù)警模型首先需要挖掘出可能幫助識(shí)別潛在流失客戶(hù)的關(guān)鍵事件或因素，然后據(jù)此建立預(yù)警模型，分析流失客戶(hù)特征及原因。
    方法：桌面研究，內(nèi)部流程穿越，一線員工深訪，現(xiàn)有、已流失和競(jìng)爭(zhēng)對(duì)手客戶(hù)深訪等。
    產(chǎn)出：挖掘出基于交易行為、關(guān)鍵事件、客戶(hù)服務(wù)渠道接觸、服務(wù)流程觸點(diǎn)的滿(mǎn)意體驗(yàn)等不同的關(guān)鍵事件或因素。
    
    3.2 A證券公司潛在流失客戶(hù)預(yù)警模型的建立過(guò)程
    3.2.1流失客戶(hù)預(yù)測(cè)模型操作步驟
    步驟1，數(shù)據(jù)提取以及清洗
    步驟2，對(duì)字段進(jìn)行一級(jí)、二級(jí)處理和轉(zhuǎn)化。
    步驟3，預(yù)測(cè)模型制作
    模型原理：分析客戶(hù)大數(shù)據(jù)，找出所有滿(mǎn)足銷(xiāo)戶(hù)標(biāo)準(zhǔn)的客戶(hù)群所具有的共同特征，并利用影響銷(xiāo)戶(hù)的因素對(duì)未來(lái)客戶(hù)的動(dòng)態(tài)進(jìn)行分析預(yù)測(cè)是否有銷(xiāo)戶(hù)的可能。
    3.2.2潛在客戶(hù)流失預(yù)測(cè)模型算法解讀
    1. 數(shù)據(jù)采集時(shí)間段
    2013年—2014年，近2年的數(shù)據(jù)
    原始數(shù)字條有21103572條，結(jié)合考慮性別、年齡、中間字段缺失，最后進(jìn)行模型運(yùn)算的有10895021條。
    2. 銷(xiāo)戶(hù)客戶(hù)的標(biāo)準(zhǔn)
    由于aim1=1的顯性銷(xiāo)戶(hù)的比例只占0.7%，比例過(guò)小，不適合采用概率回歸預(yù)測(cè)模型，因此采用顯＋隱的綜合銷(xiāo)戶(hù)指標(biāo)aim3,作為目標(biāo)變量進(jìn)行分析。
    隱性銷(xiāo)戶(hù)客戶(hù)的定義：資金帳戶(hù)在6個(gè)月及以上的時(shí)間內(nèi)賬戶(hù)交易量為0，并且上個(gè)月資金量=<1000元
    目標(biāo)變量：aim3（是否銷(xiāo)戶(hù)），銷(xiāo)戶(hù)變量有三個(gè)，aim1(1為顯性銷(xiāo)戶(hù),0為非顯性銷(xiāo)戶(hù)),aim2(1為隱性銷(xiāo)戶(hù),0為非隱性銷(xiāo)戶(hù))，aim3(1為顯性或隱性銷(xiāo)戶(hù),0為非顯性和隱性銷(xiāo)戶(hù))。
    aim3=1 記錄數(shù):2026474 占18.6%
    aim3=0 記錄數(shù):8868547 占81.4%
    3. 模型預(yù)測(cè)使用方法
    采用二元Logistic 概率回歸預(yù)測(cè)模型，具體處理采用逐步回歸法，并以Fisher 評(píng)分法進(jìn)行優(yōu)化。另一種決策樹(shù)模型經(jīng)過(guò)嘗試本次不適用。
    4. 模型變量的演化
    主要從宏觀數(shù)據(jù)，客戶(hù)背景，交易行為和資金盈虧狀態(tài)4各方面對(duì)變量進(jìn)行比較全面的搜集（基于定性、對(duì)證券行業(yè)的了解和已有的數(shù)據(jù)庫(kù)的情況），并對(duì)交易行為和資金盈虧狀態(tài)進(jìn)行進(jìn)一步的變量轉(zhuǎn)換，以取得所需要的描述客戶(hù)之前3-4個(gè)月表現(xiàn)的新指標(biāo)來(lái)進(jìn)行模型擬合。
    初始自變量：共37個(gè)自變量，具體變量略。
    一次處理變量：利用初始自變量之間的關(guān)系，得出新的變量。比如：資金流入率=資金凈流入/月日均資產(chǎn)
    二次處理變量：對(duì)變量再次進(jìn)行處理，作為最終變量在我們預(yù)測(cè)公式中使用。
    模型最終使用的變量共20個(gè)，詳見(jiàn)下表。
    
    5. 變量處理變化解讀
    模型參數(shù)的結(jié)果包含了三個(gè)部分：1. “最大似然估計(jì)值分析”中的估計(jì)值展示了我們所使用變量的系數(shù)值。2.“優(yōu)比估計(jì)值（OR）”中對(duì)變量進(jìn)行優(yōu)勢(shì)比計(jì)算，點(diǎn)估計(jì)值越高的變量，對(duì)于客戶(hù)銷(xiāo)戶(hù)的可能性影響越大。3. 預(yù)測(cè)概率和觀測(cè)響應(yīng)的關(guān)聯(lián)－檢驗(yàn)：對(duì)于預(yù)測(cè)的有效性進(jìn)行檢驗(yàn)。
    6. 模型預(yù)測(cè)
    最大似然估計(jì)值分析：分析了20個(gè)變量的系數(shù)值.
    優(yōu)比估計(jì)值（OR）：對(duì)變量進(jìn)行優(yōu)勢(shì)比計(jì)算，點(diǎn)估計(jì)值越高的變量，對(duì)于客戶(hù)銷(xiāo)戶(hù)的可能性影響越大。
    模型使用公式：
    P(y=1)=1/(1+exp(－(－5.65－0.032*age－0.0039*zhanglin+0.062*gender－0.151*city1－0.059*city2－0.002*mf_pre_three－0.655*mo_pre_thre－2.215*mp_pre_three+0.000000121*mf_pre_three－1.197*consif1－1.074*p_loss_rate_pre3－0.49*tu_fund_pre3_1+1.204*tu_fund_pre_3_2－0.915*tu_fund_pre3_3+1.891*to_cnt_pre3_1+3.41*to_cnt_pre3_2－0.01*tp_rat_pre3_1+1.94*tp_rat_pre3_2+0.654*tp_rate_pre3_2+0.581* tp_rate_pre3_3)))
    本次模型在P=0.8時(shí)的表現(xiàn)：
    
    本次建議運(yùn)用P=0.8，在圖表3-1中，當(dāng)概率點(diǎn)為46（P=0.8）時(shí)，fla1到達(dá)下降拐點(diǎn)，而fla1代表了在被預(yù)測(cè)為銷(xiāo)戶(hù)的人員中，真實(shí)的銷(xiāo)戶(hù)人員人數(shù)，說(shuō)明了當(dāng)0.8時(shí)預(yù)測(cè)正確的人數(shù)處于高峰即將下降的拐點(diǎn)。在圖表3-2中，當(dāng)概率點(diǎn)為46（P=0.8）時(shí)pvplus處于穩(wěn)定的位置，okper和pvn處于下降拐點(diǎn)的位置，所以綜合幾組數(shù)據(jù)，我們選擇概率切點(diǎn)為0.8。
    
    
    3.3 A證券公司潛在流失客戶(hù)預(yù)測(cè)模型結(jié)果及運(yùn)用
    3.3.1模型結(jié)果的檢驗(yàn)
    對(duì)于模型有效性以及準(zhǔn)確性進(jìn)行檢驗(yàn)。
    
    C是表示模型區(qū)分度的指標(biāo)，c=0.962表示使用該模型時(shí)，觀察到事件發(fā)生的觀測(cè)的預(yù)測(cè)概率值比觀察到事件未發(fā)生的觀測(cè)的預(yù)測(cè)概率值更大的可能性為0.962,模型區(qū)分度較好。
    在此次預(yù)測(cè)模型中，經(jīng)過(guò)似然比、評(píng)分的P值檢驗(yàn)結(jié)果顯著，一致性比率較高，模型通過(guò)檢驗(yàn)且準(zhǔn)確度較高，模型準(zhǔn)確率為96.0%。
    按事件是否發(fā)生將觀測(cè)分為兩組，每組中各取一條觀測(cè)，形成一個(gè)觀測(cè)對(duì)。在一個(gè)觀測(cè)對(duì)中，如果如果事件發(fā)生的觀測(cè)的預(yù)測(cè)概率大于事件未發(fā)生的觀測(cè)的預(yù)測(cè)概率值，則定義該數(shù)據(jù)觀測(cè)對(duì)為和諧對(duì)；如果事件發(fā)生的觀測(cè)的預(yù)測(cè)概率值小于事件未發(fā)生的觀測(cè)的預(yù)測(cè)概率值，則為不和諧對(duì)；如果二者相等，則為結(jié)。一致性部分所占比例越接近100%說(shuō)明模型預(yù)測(cè)準(zhǔn)確性越好，本次一致性部分占比96.0%，效果較佳。
    
    SAS的LOGISTIC回歸使用3種方法進(jìn)行檢驗(yàn)，分別是似然比檢驗(yàn)、評(píng)分檢驗(yàn)和Wald檢驗(yàn)。當(dāng)p小于給定的顯著水平時(shí)，則可以拒絕原假設(shè)，認(rèn)為ln(p/(1-p))與自變量具有顯著線性關(guān)系；反之，則認(rèn)為非線性關(guān)系。本次三種方法p值均小于0.05，說(shuō)明ln(p/(1-p))與自變量具有顯著線性關(guān)系，模型顯著。
    綜合評(píng)估本次模型的各種主要檢驗(yàn)結(jié)果，模型的準(zhǔn)確率和預(yù)測(cè)的有效性表現(xiàn)較好，可以進(jìn)行應(yīng)用。
    3.3.2流失客戶(hù)預(yù)測(cè)模型的運(yùn)用結(jié)果
    模型的應(yīng)用方式：以2015年1月為例，預(yù)測(cè)當(dāng)月單個(gè)人的流失概率，應(yīng)取2014.09-2014.12期間該個(gè)人數(shù)據(jù)代入模型，即可得出該個(gè)人的流失概率值。
    模型最終實(shí)際運(yùn)用情況：根據(jù)2014.09-2014.12四個(gè)月的數(shù)據(jù)，預(yù)測(cè)2015年1月潛在流失概率在0.8及以上的客戶(hù)57892名。
    四、A證券公司的客戶(hù)流失去向判定及流失原因分析
    
    雖通過(guò)預(yù)測(cè)模型準(zhǔn)確識(shí)別了潛在流失客戶(hù)，但僅識(shí)別出流失客戶(hù)但不知其流失原因和去向，仍無(wú)法完成干預(yù)目的。因此本研究從預(yù)測(cè)出的潛在流失客戶(hù)中抽取了1245名客戶(hù)進(jìn)行電話(huà)訪問(wèn)和14名客戶(hù)進(jìn)行深度訪談，在對(duì)模型準(zhǔn)確性進(jìn)行驗(yàn)證的同時(shí)了解客戶(hù)的流失去向及原因，為后續(xù)進(jìn)行流失去向判定模型的建立提供定性動(dòng)因分析結(jié)論和定量數(shù)據(jù)基礎(chǔ)。
    4.1 A證券公司的客戶(hù)流失原因定性定量分析
    4.1.1 客戶(hù)流失去向和原因分析
    據(jù)電話(huà)訪問(wèn)和定性訪談結(jié)果，我們獲得了潛在流失客戶(hù)的流失去向及流失比例（同一個(gè)客戶(hù)可能同時(shí)有2個(gè)或以上流失去向，因此三個(gè)方向的比例加總超過(guò)100%）：
    流失方向1：流失去競(jìng)爭(zhēng)對(duì)手處，占比為9.0%。
    核心流失因素有：
    1、競(jìng)爭(zhēng)對(duì)手傭金率
    2、人情因素
    3、競(jìng)爭(zhēng)對(duì)手服務(wù)等
    流失方向2：去投資房產(chǎn)或其他理財(cái)產(chǎn)品，占比為51.8%。
    核心流失因素有：
    1、投資品的收益高低
    2、證券服務(wù)表現(xiàn)
    3、個(gè)人投資需要等
    流失方向3：個(gè)人/家庭消費(fèi)或急用開(kāi)支，占比為52.7%。
    核心流失因素有：
    1、生活消費(fèi)：個(gè)人日常生活所需。
    2、家庭消費(fèi)：家庭大宗支出，如買(mǎi)房等。
    對(duì)于流失去向?yàn)?和3的客群而言，通過(guò)定量分析我們發(fā)現(xiàn)其流失是可逆的，有35.3%的客群表示會(huì)在資金寬裕時(shí)，肯定會(huì)返回證券公司進(jìn)行投資；另有56.4%的客戶(hù)表示可能會(huì)回歸。具體如下：
    
    我們又抽取了“肯定”或“有可能”在資金寬裕時(shí)返回證券市場(chǎng)的客群進(jìn)行進(jìn)一步研究，發(fā)現(xiàn)高比例（高意愿客戶(hù)為63.3%）的客戶(hù)表示愿意將來(lái)將返回A證券公司進(jìn)行交易。
    建議A證券公司密切關(guān)注這部分潛在流失客戶(hù)，定期進(jìn)行溝通和營(yíng)銷(xiāo)，保證其在“假性”流失期過(guò)后，回歸證券市場(chǎng)時(shí)能依然選擇A證券公司。
    4.1.2 客戶(hù)流失去向結(jié)構(gòu)及背景特征分析
    將客戶(hù)的流失去向作為一級(jí)分類(lèi)，將流失去向?yàn)?和3的未來(lái)重新回歸到證券行業(yè)的意愿度作為二級(jí)分類(lèi)，并進(jìn)行不同客群的組合，將整體客群分為三類(lèi)：
    1：高意愿客戶(hù)群：流失去向?yàn)?或3，且未來(lái)肯定或可能重新進(jìn)行證券交易的客戶(hù)群
    對(duì)于該群體來(lái)說(shuō)，除了傭金率和地理位置為主要因素之外，還看重券商品牌實(shí)力/可信度，以及公司的市場(chǎng)資訊能力。
    所以對(duì)于此類(lèi)“可逆”的客戶(hù)來(lái)說(shuō)，A證券公司在傭金、品牌和市場(chǎng)資訊的提供等方面的表現(xiàn)，對(duì)于挽回低意愿客群顯得至關(guān)重要。
    2：流失去競(jìng)爭(zhēng)對(duì)手客戶(hù)群：流失去向?yàn)?
    券商傭金率的高低是主要原因，其次是地理位置、人情因素、交易軟件便利性等因素。
    對(duì)于選擇去了實(shí)際傭金率更高的券商的客戶(hù)，他們似乎更在乎營(yíng)業(yè)廳地理位置的便利性、交易軟件的易用性以及業(yè)務(wù)辦理和交易渠道便利性等其他因素，因此布局機(jī)構(gòu)位置、提升交易軟件的穩(wěn)定性、增強(qiáng)對(duì)于不同交易渠道的宣傳和使用指導(dǎo)，仍有較大意義。
    3：未來(lái)明確不回歸證券行業(yè)的客戶(hù)群：流失去向?yàn)?或3，且未來(lái)明確不進(jìn)行證券交易的客戶(hù)群
    此類(lèi)客戶(hù)目前已經(jīng)不活躍在證券行業(yè)，可挽回的幾率較小，挽回成本也較高。
    4.2 A證券公司的客戶(hù)流失去向判別
    4.2.1判別分析模型介紹
    判別分析模型是按照客戶(hù)的特征及表現(xiàn)，來(lái)推斷客戶(hù)屬于哪一種類(lèi)別的一種模型方法。
    判別分析通常都要設(shè)法建立多個(gè)判別函數(shù)，利用這些函數(shù)進(jìn)行判別。判別函數(shù)的一般形式：
     Y=a1x1+a2x2+...anxn
    其中:Y為判別分?jǐn)?shù)(判別值)，x1 x2...xn為反映研究對(duì)象特征的變量，a1 a2...an為系數(shù)，也稱(chēng)為判別系數(shù)；
    判別分析的具體算法有距離判別、最大似然判別、Fisher判別等。
    
    4.2.2潛在流失客戶(hù)判別模型邏輯思路
    模型共29個(gè)變量：賬齡、資金利用率近三個(gè)月均值、月交易次數(shù)近三個(gè)月均值、持倉(cāng)比例近三個(gè)月均值、資金流入率近三個(gè)月均值、盈虧率虧損比例、月度盈虧率變化趨勢(shì)、資金利用率變化趨勢(shì)-上升趨勢(shì)、交易次數(shù)變化趨勢(shì)-平穩(wěn)趨勢(shì)、持倉(cāng)比例變化趨勢(shì)-上升趨勢(shì)、月度盈虧率正負(fù)-上升趨勢(shì)、月度盈虧率正負(fù)-下降趨勢(shì)、資金凈流入大于0時(shí)占月日均資產(chǎn)比例、一級(jí)城市、性別、年齡等等。
    模型設(shè)計(jì)思路：對(duì)定量調(diào)研的1245名客戶(hù)的流失去向進(jìn)行總結(jié)，找出不同流失去向的潛在影響系數(shù)，并據(jù)此預(yù)測(cè)大數(shù)據(jù)預(yù)測(cè)出來(lái)的潛在流失客群的流失去向；每個(gè)潛在流失客戶(hù)都將獲得三個(gè)去向的2種可能性，共計(jì)6種預(yù)測(cè)結(jié)果。
    利用模型判別結(jié)果與定量調(diào)研中的真實(shí)流失去向進(jìn)行對(duì)比，其中對(duì)于客戶(hù)流失去競(jìng)爭(zhēng)對(duì)手去向的判別總體準(zhǔn)確率比較高，有78%，但對(duì)于流失去投資房產(chǎn)/其他理財(cái)產(chǎn)品以及流失去個(gè)人/家庭消費(fèi)的客戶(hù)群相對(duì)比較低，分別只有58%左右。主要因?yàn)榭蛻?hù)離開(kāi)證券行業(yè)后的選擇去向與我們目前的數(shù)據(jù)關(guān)聯(lián)不大，更多是自身行為意識(shí)的表現(xiàn)。
    
    通過(guò)定性定量調(diào)研為客戶(hù)流失狀態(tài)的大數(shù)據(jù)判別提供了參考，但是電話(huà)調(diào)研中能夠得到客戶(hù)的信息數(shù)據(jù)有限，對(duì)于客戶(hù)的流失狀態(tài)判斷不能純粹依賴(lài)這種定量調(diào)研方式，需要結(jié)合后臺(tái)大數(shù)據(jù)對(duì)客戶(hù)信息進(jìn)行全面的整合分析才能夠進(jìn)行判斷。
    五、 A證券公司潛在流失客戶(hù)干預(yù)排序
    潛在流失客戶(hù)價(jià)值分類(lèi)幫助企業(yè)了解在流失客群中哪部分客群是高凈值客群，哪部分客群是長(zhǎng)尾客群，根據(jù)客戶(hù)的價(jià)值可以在后期進(jìn)行不同的挽回機(jī)制與優(yōu)先次序。
    5.1 A證券公司的客戶(hù)價(jià)值分類(lèi)模型
    5.1.1價(jià)值影響因素
    影響客戶(hù)價(jià)值的分類(lèi)，從影響其價(jià)值影響因素確定開(kāi)始，A證券公司的客戶(hù)價(jià)值分類(lèi)主要根據(jù)以下四點(diǎn)因素，并賦予不同的權(quán)重：
    1：月日均資產(chǎn)>=1000的月度 月日均資產(chǎn)均值，權(quán)重48%。
    2：月傭金均值，權(quán)重32%。
    3：月度盈虧總和與月日均資產(chǎn)總和的比值，權(quán)重5%。
    4：賬齡：權(quán)重15%。
    5.1.2客戶(hù)價(jià)值計(jì)算公式

    
    5.2 A證券公司的客戶(hù)價(jià)值分類(lèi)結(jié)果及分析
    按照客戶(hù)價(jià)值分為10類(lèi)，A證券公司可據(jù)此進(jìn)行干預(yù)行動(dòng)的優(yōu)先級(jí)排序：
    
    六、核心結(jié)論及本次實(shí)證研究局限性
    本實(shí)證研究采用宏觀與微觀、大數(shù)據(jù)（企業(yè)全量客戶(hù)數(shù)據(jù)）和中數(shù)據(jù)（客戶(hù)調(diào)研數(shù)據(jù)）相結(jié)合層層推進(jìn)的實(shí)證分析方法，對(duì)A證券公司的潛在流失客戶(hù)進(jìn)行了識(shí)別和預(yù)測(cè)，同時(shí)從實(shí)操的角度進(jìn)行了衍生，嘗試進(jìn)行流失去向判定和客戶(hù)價(jià)值分級(jí)，對(duì)后續(xù)進(jìn)行干預(yù)提供了參考信息。
    研究結(jié)論包括:
    1.建立了潛在流失客戶(hù)預(yù)警模型，并預(yù)測(cè)出2015年1月潛在流失概率在0.8及以上的客戶(hù)57892名。該模型經(jīng)過(guò)似然比、評(píng)分的P值檢驗(yàn)結(jié)果顯著，一致性比率較高，模型通過(guò)檢驗(yàn)且準(zhǔn)確度較高。
    2.利用中數(shù)據(jù)我們獲得了客戶(hù)流失去向的可能方向、流失原因及對(duì)應(yīng)影響因素。
    基于此，我們通過(guò)判別分析模型嘗試進(jìn)行潛在流失客戶(hù)流失去向的判定工作，針對(duì)每個(gè)客戶(hù)都獲得了三大流失去向上的“0-否”和“1-是”的2個(gè)概率判定結(jié)果。通過(guò)客戶(hù)定量調(diào)研結(jié)果驗(yàn)證發(fā)現(xiàn)，流失去向判別模型也取得了較高的預(yù)測(cè)準(zhǔn)確率。
    3.獲得客戶(hù)流失去向后，我們還進(jìn)一步進(jìn)行了客戶(hù)價(jià)值的分級(jí)。
    在獲得以上研究結(jié)論的同時(shí)，本研究課題仍需進(jìn)一步解決的問(wèn)題包括：
    1、如何解決潛在流失客戶(hù)預(yù)測(cè)模型因數(shù)據(jù)問(wèn)題而帶來(lái)的模型局限性
    部分關(guān)鍵變量數(shù)據(jù)缺失：在潛在流失客戶(hù)預(yù)測(cè)模型的構(gòu)建過(guò)程中，由于各個(gè)變量（傭金率、年齡、性別、日常渠道接觸、關(guān)鍵事件等）有不同程度的缺失，對(duì)模型的體系完整性和效果造成一定影響；
    2、顯性銷(xiāo)戶(hù)數(shù)據(jù)過(guò)少：由于顯性銷(xiāo)戶(hù)占所有客群的比例僅為0.7%，不適合采用概率回歸預(yù)測(cè)模型，因此采用（顯＋隱）的綜合銷(xiāo)戶(hù)指標(biāo)aim3,作為目標(biāo)變量進(jìn)行分析。但隱性銷(xiāo)戶(hù)畢竟不等同于顯性銷(xiāo)戶(hù)，可能會(huì)帶來(lái)一定的模型誤差。
    目前考慮的解決方式有：在A證券公司的服務(wù)觸點(diǎn)環(huán)節(jié)建立起關(guān)鍵變量的數(shù)值獲取渠道，進(jìn)一步補(bǔ)充客戶(hù)CRM體系；增加相較于傳統(tǒng)CRM數(shù)據(jù)而言更為生動(dòng)的社交媒體數(shù)據(jù)或文本，嘗試改進(jìn)現(xiàn)有的潛在流失客戶(hù)預(yù)測(cè)模型結(jié)論。
    3、對(duì)于潛在流失客戶(hù)的后續(xù)干預(yù)效果未有數(shù)據(jù)化跟蹤，如能建立起后續(xù)跟蹤干預(yù)的信息化系統(tǒng)，有助于進(jìn)一步優(yōu)化干預(yù)措施并反過(guò)來(lái)優(yōu)化模型設(shè)計(jì)，形成良性閉環(huán)。
    4、本次實(shí)證研究所采用的大數(shù)據(jù)的時(shí)間段，正處于上證指數(shù)快速攀升期。而在牛熊市中，投資者的交易、賬戶(hù)和渠道行為特征會(huì)有較大差異。本次實(shí)證研究并未將大盤(pán)指數(shù)的變化因素考慮在內(nèi)，在一定程度上降低了模型的實(shí)際應(yīng)用性。
    參考文獻(xiàn)
    [1] Keaveney S M. Customer Switching Behavior in Service Industries: An Exploratory Study[J]. Journal of Marketing, 1995, 59(2):págs. 71-82.
    [2] MC M, R W, DB G, et al. Predicting subscriber dissatisfaction and improving retention in the wireless telecommunications industry[J]. Neural Networks, IEEE Transactions on, 2000, 11(3):690 - 696.
    [3] Athanassopoulos A D. Customer Satisfaction Cues To Support Market Segmentation and Explain Switching Behavior[J]. Journal of Business Research, 2000, 47(98):191–207.
    [4] B. Bhattacharya C. When Customers Are Members: Customer Retention in Paid Membership Contexts[J]. Journal of the Academy of Marketing Science, 1998, 26(1):31-44.
    [5] Wei C, Chiu I. Turning telecommunications call details to churn prediction: a data mining approach[J]. EXPERT SYSTEMS WITH APPLICATIONS, 2002, 23(2):103-112.
    [6] Kim H, Yoon C. Determinants of subscriber churn and customer loyalty in the Korean mobile telephony market[J]. Telecommunications Policy, 2004, 28:751–765.
    [7] Rosset S，NemnannE.Integrating Customer Value Considerations into Predictive Modeling[C]. 2013 IEEE 13th International Conference on Data Mining, 2003:1-8
    [8] Nath S V．Datawarehousing and mining:Customer churn analysis in the wireless industry.[D]．A thesis submitted to the faculty of the college of business in requirements for the degree of master of business administration，May 2003．
    [9] Yi Ming，HuiWan，LeiLi，etal． Multi-dimensional model-based clustering for user-behavior mining in telecommunications industry[C]. // Proceeding of the Third International Conference on Machine Learning and Cybernetics，Shanghai，2004．26—29．