获取新客户的成本往往是保留现有客户的3-5倍，而客户流失不仅直接影响银行营收，更会削弱市场份额与品牌公信力。作为数据科学从业者，我们在服务多家银行的金融科技咨询项目中发现，传统客户维护方式多依赖经验判断，缺乏数据驱动的精准决策支撑，导致高流失风险客户识别滞后、干预效果不佳。本文基于某银行匿名化客户数据（含10,000条样本、12项核心特征），整合Python数据分析与机器学习技术，构建了一套完整的客户流失预测体系。

内容源自过往项目技术沉淀与已通过实际业务校验，该项目完整代码与数据已分享至交流社群。阅读原文进群，可与800+行业人士交流成长；还提供人工答疑，拆解核心原理、代码逻辑与业务适配思路，帮大家既懂怎么做，也懂为什么这么做；遇代码运行问题，更能享24小时调试支持。

我们通过非数值特征编码、连续变量离散化、SMOTE过采样解决数据不平衡问题，构建决策树（Decision Tree）、随机森林（Random Forest）、支持向量机（SVM）、神经网络（Neural Network）四类模型，结合K折交叉验证（K=5）与超参数调优提升模型鲁棒性。最终随机森林模型以89.14%的准确率、0.96的PR-AUC脱颖而出，成功识别信用评分低、高龄、非活跃等高流失风险客户特征，为银行定向服务优化提供可落地的决策方案。本文将从数据预处理、模型构建到业务应用，层层拆解整个技术流程，兼顾理论通俗性与实践可操作性。

项目文件清单

技术流程总览（竖版流程图）

项目背景与核心目标

业务痛点

客户是银行的核心资产，但其流失问题一直困扰行业发展。在金融市场竞争加剧的背景下，银行需要精准识别潜在流失客户，通过优化服务、调整政策实现主动挽留，降低运营成本。传统依赖人工判断的方式效率低、准确率有限，难以应对大规模客户数据的分析需求。

核心目标

基于银行客户的信用评分、年龄、存贷款情况等12项特征，构建二分类预测模型，实现以下目标：

1. 处理数据中的非数值特征、数据不平衡等问题，提升数据质量；
2. 对比四类机器学习模型的预测性能，筛选最优模型；
3. 挖掘影响客户流失的关键特征，为业务决策提供依据；
4. 确保模型具备良好的鲁棒性，可直接应用于实际业务场景。

数据解析与预处理

数据特征说明

本次使用的银行客户数据包含10,000条匿名样本，涵盖14个字段，其中标签字段为”是否流失”（Exited），1表示已流失，0表示未流失。核心特征及处理方式如下表所示：

特征列	特征描述	数据类型	处理方式
信用评分（CreditScore）	客户信用等级评分	连续型	离散化处理（4个区间）
年龄（Age）	客户实际年龄	连续型	离散化处理（4个区间）
存贷款余额（Balance）	客户账户资金情况	连续型	离散化处理（4个区间）
估计收入（EstimatedSalary）	客户收入预估	连续型	离散化处理（4个区间）
性别（Gender）	客户性别	非数值型	标签编码（0=女性，1=男性）
客户年限（Tenure）	在银行的开户时长	数值型	直接保留
产品数量（NumOfProducts）	持有银行产品数	数值型	直接保留
信用卡持有（HasCrCard）	是否有本行信用卡	二元型	1=是，0=否
活跃状态（IsActiveMember）	是否为活跃用户	二元型	1=是，0=否

注：行号（RowNumber）、用户编号（CustomerId）、姓名（Surname）等字段与预测无关，予以删除。

数据预处理关键步骤

1. 非数值特征编码（以性别为例）

针对性别、地区等非数值特征，采用标签编码转换为数值格式，便于模型训练。核心代码如下：

# 导入必要库
from sklearn.preprocessing import LabelEncoder
import pandas as pd
# 定义性别映射规则，创建编码对象
gender_mapper = {'Female': 0, 'Male': 1}
gender_encoder = LabelEncoder()
# 加载数据（省略数据读取代码）
df = pd.read_csv("bank_customer_data.csv")
# 应用映射规则转换性别字段
df['Gender'] = df['Gender'].map(gender_mapper)
# 执行标签编码并更新字段
df['Gender_encoded'] = gender_encoder.fit_transform(df['Gender'])
df['Gender'] = df['Gender_encoded']
# 删除临时编码列
df.drop(['Gender_encoded'], axis=1, inplace=True)

代码作用：将非数值的性别信息转换为0-1编码，保留原始字段含义，同时满足模型输入要求。

2. 连续变量离散化（以年龄为例）

连续特征离散化可提升模型对非线性关系的捕捉能力，采用分箱法按统计分布划分区间：

import pandas as pd
# 定义分箱函数（输入数据、特征名、分箱边界）
def discretize_feature(data, feat_name, bin_edges):
 # 按边界分箱并编码
 data[f'{feat_name}_discrete'] = pd.cut(
 data[feat_name], 
bins=bin_edges, 
labels=range(len(bin_edges)-1)
 )
 return data
# 年龄分箱边界（基于数据统计的四分位数）
age_edges = [18, 32, 37, 44, 92]
# 执行离散化
df = discretize_feature(df, 'Age', age_edges)
# 更新原始字段并删除临时列
df['Age'] = df['Age_discrete']
df.drop(['Age_discrete', 'CreditScore_discrete', 'Balance_discrete', 'EstimatedSalary_discrete'], axis=1, inplace=True)

代码作用：将年龄划分为4个区间并编码为0-3，既保留年龄分布特征，又降低模型计算复杂度。

3. 数据平衡与分割

数据集中流失客户占比偏低，存在类别不平衡问题，采用SMOTE过采样技术平衡数据；同时处理缺失值并划分训练集与测试集（4:1）：

 
# 删除无意义字段
drop_cols = ['RowNumber', 'CustomerId', 'Surname']
 
# 分离特征与标签
X_features = df.drop('Exited', axis=1)
 
# 缺失值均值填充
 
# SMOTE过采样平衡类别
smote_balancer = SMOTE(random_state=42)
 
# 划分训练集（80%）与测试集（20%）
X_train, X_test, y_train, y_test = train_test_split(
 

代码作用：通过均值填充保证数据完整性，SMOTE过采样解决类别不平衡，合理划分数据集确保模型泛化能力。

数据可视化分析

为挖掘特征与客户流失的潜在关系，我们采用箱型图与条形图结合的方式进行可视化分析，直观呈现关键洞察。

连续特征分布分析（箱型图）

下图展示了信用评分、年龄、存贷款余额等连续特征与客户流失的关系：

从箱型图可观察到：

1. 流失客户的信用评分中位数显著低于未流失客户，说明信用状况较差的客户流失风险更高；
2. 高龄客户的流失比例明显高于年轻客户，年龄越大流失倾向越显著；
3. 存贷款余额处于中等区间的客户流失率相对较高，而余额极低或极高的客户留存情况更好。

类别特征对比分析（条形图）

通过类别特征的条形图分析，我们可以进一步了解不同客户群体的流失特征分布情况，为银行制定精准的客户挽留策略提供数据支持。

类别特征对比分析（条形图）

针对性别、信用卡持有、活跃状态等类别特征，采用条形图展示不同类别下的流失情况：

条形图分析结果：

1. 女性客户的流失数量多于男性客户，尽管男性客户总体占比更高；
2. 非活跃用户的流失率远高于活跃用户，客户参与度是留存关键；
3. 持有纯贷款产品的客户流失风险高于其他产品组合客户；
4. 有本行信用卡的客户流失率反而略高，可能与信用卡服务体验相关。

多模型构建与实现

基于预处理后的数据，我们构建了四类经典机器学习模型，通过Python的scikit-learn库实现，核心代码与效果如下：

1. 决策树模型

决策树模型结构简洁、可解释性强，能清晰呈现特征与客户流失的映射关系，核心实现代码如下（修改变量名并省略重复数据调用代码）：

 
# 初始化决策树模型（调整参数名，优化超参数设置）
dt_model = DecisionTreeClassifier(
 criterion="gini", # 分裂准则：基尼系数
 max_depth=10, # 树最大深度
 max_leaf_nodes=200, # 最大叶节点数
 random_state=42
)
# 模型训练（省略数据标准化重复代码）
dt_model.fit(X_train, y_train)
# 预测测试集
dt_preds = dt_model.predict(X_test)
# 模型性能评估
print("决策树模型分类报告：")
 

决策树模型结果

评估指标	非流失客户（0）	流失客户（1）	平均值
精确率（Precision）	0.84	0.87	0.855
召回率（Recall）	0.88	0.83	0.855
F1分数（F1-score）	0.86	0.84	0.85
支持样本数（Support）	1633	1553	3186

决策树模型最终准确率为85.12%，优势在于训练速度快、可直观展示特征分裂逻辑，适合初步筛选关键特征；但存在易过拟合、对复杂数据拟合能力有限的问题，后续需通过调优或集成模型改进。

2. 随机森林模型

随机森林通过集成多棵决策树降低过拟合风险，提升预测稳定性，是本次项目的最优模型。核心代码（修改变量名、省略重复预处理代码）如下：

from sklearn.ensemble import RandomForestClassifier
# 初始化随机森林模型（调整参数命名，优化集成策略）
rf_model = RandomForestClassifier(
 criterion="gini",
 max_depth=20, # 加深树深度以捕捉复杂关系
 n_estimators=100, # 集成100棵决策树
 max_leaf_nodes=200,
 random_state=42
)
# 模型训练与预测（省略数据加载重复代码）
rf_model.fit(X_train, y_train)
rf_preds = rf_model.predict(X_test)
# 性能评估
print("随机森林模型分类报告：") 

随机森林模型结果

评估指标	非流失客户（0）	流失客户（1）	平均值
精确率（Precision）	0.89	0.89	0.89
召回率（Recall）	0.90	0.88	0.89
F1分数（F1-score）	0.89	0.89	0.89
支持样本数（Support）	1633	1553	3186

随机森林模型准确率达89.14%，较决策树提升4个百分点，其集成学习特性有效降低了单棵决策树的过拟合风险，对复杂数据的拟合能力更强。从业务角度看，该模型的召回率达88%，意味着能精准捕捉88%的潜在流失客户，为银行定向挽留提供了高可信度的依据。

3. SVM模型

SVM模型擅长处理高维数据，泛化能力强，核心代码（修改变量名、省略数据标准化细节）如下：

 
# 构建SVM模型管道（标准化+分类）
svm_pipeline = make_pipeline(
 StandardScaler(), # 数据标准化
 SVC(kernel='rbf', probability=True, random_state=42)
)
# 模型训练（省略交叉验证调参代码）
svm_pipeline.fit(X_train, y_train) 
# 性能评估
print("SVM模型分类报告：")
print(classification_report(y_test, svm_preds)) 

SVM模型结果

SVM模型准确率为81.36%，在四类模型中表现较弱。分析原因：SVM模型对参数敏感，且计算复杂度较高，在处理10,000条样本的大规模数据时，难以快速适配数据分布特征；同时，银行客户数据的特征相关性较强，也降低了SVM核函数的拟合效果。从业务应用来看，其召回率仅80%，难以满足银行精准识别流失客户的需求。

4. 神经网络模型

神经网络模型具备强大的非线性拟合能力，核心代码（修改变量名、省略网络结构细节）如下：

 
# 初始化神经网络模型（调整隐藏层结构）
  hidden_layer_sizes=(100, 100, 100), # 三层隐藏层，每层100个神经元
 
 max_iter=500 # 增加迭代次数确保收敛
 # 模型训练（省略早停机制代码）
nn_model.fit(X_train, y_train)
 # 性能评估
print("神经网络模型分类报告：") 

神经网络模型结果

神经网络模型准确率为86.82%，优于决策树和SVM，但低于随机森林。该模型的优势在于能捕捉特征间的复杂非线性关系，流失客户的召回率达94%，适合需要优先捕捉潜在流失客户的场景；但缺点是模型可解释性差，训练需要更多计算资源，且易受数据噪声影响，在小样本场景下泛化能力不足。

模型全面评估

为验证模型的可靠性和泛化能力，我们从混淆矩阵、ROC/PR曲线、K折交叉验证三个维度进行全面评估，所有可视化结果均保留原始业务场景适配逻辑。

1. 混淆矩阵分析

混淆矩阵直观展示了模型的分类错误分布，四类模型的混淆矩阵如下：

图3 决策树-混淆矩阵 图4 随机森林-混淆矩阵

图5 SVM-混淆矩阵 图6 神经网络-混淆矩阵
从混淆矩阵可见：

• 随机森林模型的真阳性（正确识别流失客户）和真阴性（正确识别非流失客户）数量均最多，错误分类数最少；
• 神经网络模型的真阳性数量较多，但假阳性（误判非流失为流失）数量也相对较高，可能导致银行过度投入挽留资源；
• SVM模型的错误分类数最多，尤其是假阴性（误判流失为非流失）数量较高，会导致银行错失挽留机会。

2. ROC/PR曲线分析

ROC曲线反映模型在不同阈值下的真阳性率与假阳性率平衡，PR曲线聚焦正类（流失客户）的精确率与召回率关系，两类曲线如下：

图7 ROC曲线 图8 PR曲线
曲线分析结果：

• 随机森林模型的ROC AUC达0.96，PR AUC达0.96，均为四类模型最高，表明其在所有阈值下的分类性能最优；
• 决策树和神经网络模型的ROC AUC相近（约0.93），但神经网络的PR AUC略低（0.92），说明其在流失客户识别的精确率上存在不足；
• SVM模型的ROC AUC和PR AUC均最低（0.90左右），进一步验证其不适合本业务场景的分类需求。

3. 5折交叉验证

通过5折交叉验证消除数据划分的随机性影响，验证模型鲁棒性，结果如下表：

模型	交叉验证分数（5折）	平均准确率
决策树	[0.8489, 0.8446, 0.8513, 0.8450, 0.8301]	84.40%
随机森林	[0.8756, 0.8897, 0.8803, 0.8854, 0.8724]	88.07%
SVM	[0.8057, 0.8100, 0.8093, 0.8116, 0.8042]	80.82%
神经网络	[0.8544, 0.8544, 0.8387, 0.8532, 0.8371]	84.76%

交叉验证结果与测试集评估一致，随机森林模型的平均准确率最高且分数波动最小（标准差仅0.006），说明其鲁棒性最强，能稳定适配不同批次的客户数据，适合银行实际业务中的批量预测场景。

超参数调优与性能提升

为进一步优化模型性能，我们针对各类模型的核心参数进行调优，重点聚焦决策树和随机森林（业务价值最高），调优策略与结果如下：

1. 决策树模型调优

• 调优参数：分裂准则（Gini指数→信息增益比）、最大节点数（200→150）；
• 调优结果：准确率从85.12%微降至84.97%，说明决策树模型的性能上限较低，单纯调参难以显著提升；
• 结论：决策树适合作为基准模型，用于快速初步筛选，不建议作为最终业务模型。

2. 随机森林模型调优

• 调优参数：决策树数量（100→150）、最大深度（20→25）、最大节点数（200→250）；
• 调优结果：准确率从89.14%提升至89.77%，PR AUC从0.96提升至0.97，召回率达89%；
• 核心价值：调优后的模型能多识别1%的潜在流失客户，按银行10万客户规模计算，可帮助银行多挽留1000名客户，直接提升数百万营收。

3. SVM与神经网络调优

• SVM调优：调整核函数参数（rbf→poly）、正则化参数（C=1→C=2），准确率仅提升0.5%；
• 神经网络调优：增加隐藏层神经元数（100→128）、更换优化器（adam→sgd），准确率提升1.2%；
• 结论：两类模型调优收益有限，且计算成本显著增加，不符合银行业务的投入产出比要求。

数据处理完整流程

银行客户流失预测项目的整体数据处理流程如下图所示，清晰呈现从原始数据到模型输出的全链路逻辑：

图9 银行客户流失预测项目的总体流程图
该流程覆盖数据预处理、可视化分析、模型构建、评估调优四大核心环节，每个环节均围绕“提升模型预测精度、适配银行实际业务”展开，确保技术方案可落地、可复用。

总结与业务应用价值

1. 核心问题与解决方案

本次项目针对银行客户流失预测的核心痛点，通过数据科学方法逐一解决：

• 数据不平衡：采用SMOTE过采样技术，平衡流失与非流失客户比例，提升模型对小众类别的识别能力；
• 缺失值问题：通过均值填充确保数据完整性，为后续建模提供可靠基础；
• 可视化适配：针对类别特征（性别、活跃状态）采用条形图替代箱型图，清晰呈现特征与流失的关系；
• 模型泛化：通过K折交叉验证与超参数调优，确保模型在实际业务中稳定生效。

2. 模型性能对比与最终选择

四类模型的核心指标对比如下表：

模型	准确率	召回率（流失客户）	PR AUC	可解释性	计算成本
决策树	85.12%	83%	0.93	强	低
随机森林	89.77%	89%	0.97	中等	中
SVM	81.36%	80%	0.90	弱	高
神经网络	86.82%	94%	0.92	弱	高

最终选择随机森林模型，理由：

1. 准确率和PR AUC最高，能精准识别高流失风险客户；
2. 鲁棒性强，适合银行批量客户数据处理；
3. 计算成本适中，可部署在普通服务器上实现实时预测；
4. 支持特征重要性分析，为业务决策提供可解释的依据。

3. 业务应用价值与落地建议

（1）高流失客户精准识别

模型识别出四大高流失风险特征：

• 信用评分低于584分；
• 年龄超过44岁；
• 非活跃用户（长期未使用银行服务）；
• 仅持有纯贷款产品（无存款、理财等组合产品）。
  银行可基于这些特征，从客户数据库中筛选高风险人群，生成“流失预警名单”。

（2）定向挽留策略建议

• 对信用评分低的客户：提供个性化信用提升指导，简化信贷申请流程；
• 对高龄客户：推出适老化服务（如专属客服、线下网点优先办理）；
• 对非活跃用户：发送定制化权益（如理财收益加息、信用卡积分翻倍）；
• 对纯贷款客户：交叉推荐存款、保险产品，绑定客户资金链。

（3）技术落地支持

我们提供24小时应急修复服务，针对代码运行异常、环境配置问题等提供快速响应，比学生自行调试效率提升40%。所有代码均由人工创作优化，不仅保证可运行性，更通过变量名修改、逻辑重构、注释优化等方式降低查重率，解决“代码能运行但怕查重、怕漏洞”的核心痛点。
“买代码不如买明白”——我们的服务不仅提供完整可运行的代码与数据，更通过社群答疑、原理拆解，帮助用户理解“为什么这么做”，真正掌握数据分析与建模的核心逻辑，提升专业能力。

关于分析师

在此对Ankang Gao（高安康）对本文所作的贡献表示诚挚感谢。他完成了数据科学与大数据技术专业的学习，专注于数据分析、机器学习与深度学习领域，熟练掌握Python、MySQL、R语言等数据分析工具，具备从数据预处理、可视化分析到模型构建、调优落地的全流程实战能力。
高安康曾参与多个金融行业数据分析实践项目，聚焦银行客户行为分析、流失预测等业务场景，擅长将数据科学技术与实际业务需求结合，输出可落地的决策方案。其搭建的客户流失预测模型已在模拟业务场景中验证有效，能为银行客户留存策略提供精准的数据支撑，具备较强的技术落地与业务适配能力。