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 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.
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.
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%.
Uma filial do banco nacional na China