Como um banco aumentou os fundos com a retenção de clientes em 16% com o aprendizado de máquina

Um ramo do banco nacional popular na China teve um problema de retenção com seus clientes de private banking. Cada conta tem um requisito de depósito diário mínimo de CNY 10 milhões ou US$ 1,5 milhão, por isso, o banco entendeu que adquirir novos clientes seria muitas vezes mais caro que reter os existentes. As más notícias eram que as taxas de churn ou a porcentagem de titulares que cancelaram seus serviços eram maiores que as esperadas nos trimestres mais recentes.

O desafio

O banco detectou uma taxa de churn entre 5% e 13% dos clientes do private banking que transferiram sua poupança para outros produtos ou bancos no período de alguns meses, com o maior número de clientes nessa situação proveniente do departamento de futuros e depósitos. O departamento de marketing do banco teve a tarefa de fazer uma campanha promocional que visava esses clientes, que tinham maior chance de sacar sua poupança. O desafio era descobrir quais clientes de alto valor tinham maior probabilidade de churn e depois usar promoções de marketing segmentadas para evitar que eles passassem para outras contas.

Como o SPM ajudou

A equipe de projeto usou o mecanismo de aprendizado de máquina do Salford Predictive Modeler’s (SPM), TreeNet®, para prever o churn potencial do cliente. A QY Datatech Inc, parceiro autorizado da Minitab na China, apresentou o Salford Predictive Modeler (SPM) à equipe. Eles escolheram o TreeNet devido à sua flexibilidade e precisão, além da capacidade de lidar com uma estrutura de dados que tem muitas observações.

O TreeNet conseguiu ajudar a equipe de projeto a reduzir rapidamente as variáveis que tinham maior impacto e ilustrar visualmente a relação entre as variáveis e a probabilidade de churn com elas. O modelo do TreeNet pode ajudar a visualizar as diferentes camadas de interação entre variáveis complexas. Nesse caso, essas variáveis incluíam os valores da poupança, a compra de ouro e outros investimentos, tempo de transação, valor da transação, empresa, cargo, seguro social, débito, limite do cartão de crédito, propriedade de imóvel e veículo.

Por meio da eliminação dos clientes de baixa resposta da lista e depois da confirmação dos modelos, um grupo segmentado de clientes VIP foi identificado. Os modelos conseguiram prever a capacidade de resposta dos clientes às campanhas de marketing com base nas campanhas de marketing anteriores.

A equipe usou a análise do TreeNet, pois com alguns cliques e ajuda da automação, o modelo inicial estava pronto em poucos dias, com resultados confiáveis produzidos com análises mais complexas.

O gráfico de dependência de variável dupla do modelo TreeNet mostrou resumidamente como duas variáveis, “casamento” e “unidade familiar por região” interagia com a variável alvo ou a probabilidade de o cliente responder às campanhas de marketing. A equipe de projeto podia agora identificar um intervalo de resposta maior e menor com facilidade.

O resumo de importância da variável no TreeNet mostra quais variáveis são de interesse da equipe do projeto em termos da interação alvo. As variáveis de maior avaliação têm mais probabilidade de contribuir com o alvo.

O relatório de resumo do TreeNet mostra o desempenho do modelo em uma janela. As estatísticas quantificadas são listadas, disponíveis para comparação com outros modelos, mesmo aqueles gerados por todas as outras ferramentas como ROC, levantamento, estatística K-S e taxa de classificação incorreta.

O resultado

Um dos resultados foi que o banco conseguiu prever com dois meses de antecedência que 1.700 clientes do private banking de 12,9 milhões poderiam ser perdidos para outro banco ou prestador de serviços financeiros com uma previsão entre 80% e 90%.

O banco então conduziu uma campanha de marketing para esses clientes e atingiu a meta de reduzir a perda desses clientes VIP e aumentou os fundos do banco. Além disso, os ativos do cliente sob gerenciamento (AUM) no banco, que incluíam depósitos, futuros, ações e ouro aumentaram em 16%.

ORGANIZAÇÃO

Uma filial do banco nacional na China

VISÃO GERAL

  • Um banco comercial nacional joint-stock estabelecido em 1992 e aprovado pelo Banco Popular da China, com sede em Beijing.
  • Em 2018, o banco tinha estabelecido 1.196 filiais na China para atingir cobertura total da rede administrativa de serviços regionais em nível provincial, e seus escritórios institucionais residem em 129 centros econômicos em todo o país

DESAFIOS

  • Taxa de churn de clientes de private banking de 5 a 13% devido aos concorrentes
  • Cada conta de private banking tem uma exigência de depósito diário mínimo de CNY 10 milhões ou US$ 1,5 milhão

PRODUTOS USADOS

Salford Predictive Modeler

RESULTADOS

  • A campanha de marketing teve como alvo clientes VIP que tinha mais probabilidade de churn
  • Redução da perda dos clientes VIP
  • Aumento dos ativos do cliente sob gerenciamento de 16%

Ao usar esse site, você concorda com a utilização de cookies para análises e conteúdo personalizado. Leia nossa política

OK