Predicting Bank Customer Churn Using a Random Forest Classifier With Engineered Risk Features
تُطوّر هذه الدراسة وتُنشئ لوحة تحكم تفاعلية باستخدام Streamlit تتميز بمصنف "الغابة العشوائية" (Random Forest) المعزز بميزات مخاطر هندسية للتنبؤ بدقة بترك العملاء للبنوك، محققةً مقاييس أداء عالية وتوفير رؤى استباقية وقابلة للتفسير لمديري العلاقات حول سبل الاحتفاظ بالعملاء.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
في عالم المصارف، لا تقتصر العملية على نقل الأموال فحسب، بل هي أمانة تُحفظ. لكن هذه الأمانة هشة؛ فبالنسبة لمصرف التجزئة، ليست الخطأ الأكثر تكلفة هو تقديم قرض سيئ، بل فقدان عميل جيد. إن استقطاب شخص جديد لفتح حساب يكلف أكثر بكثير من الحفاظ على رضا عميل حالي. وقد حول هذا الواقع عملية الاحتفاظ بالعملاء إلى لعبة عالية المخاطر من التنبؤ. باتت البنوك الآن تنظر إلى الماضي لتخمين المستقبل، وتطرح سؤالاً بسيطاً ولكنه حيوي: مَن مِن عملائنا على وشك الرحيل؟ وللإجابة على ذلك، توجه الباحثون إلى تعلم الآلة، وهو مجال تتعلم فيه الحواسيب التعرف على الأنماط في كميات هائلة من البيانات دون أن يتم برمجتها صراحةً لكل قاعدة. وبدلاً من قيام محلل بشري بقراءة آلاف الملفات، يقوم الحاسوب بمسح الإشارات الخفية — مثل الانخفاض المفاجئ في نشاط الحساب أو فئة عمرية معينة — التي غالباً ما تسبق المغادرة. والهدف هو رصد هذه الإشارات في وقت مبكر بما يكفي للتدخل، عبر تقديم المساعدة أو عرض أفضل، قبل أن يقرر العميل الرحيل بالفعل.
تتناول دراسة حديثة أجراها أمولا فينكاتيش والدكتورة إنديرا في معهد تشاتانيا بهاراتي للتكنولوجيا في الهند هذا التحدي مباشرة. فقد ركزا على مجموعة بيانات تضم 10,000 عميل من بنك أوروبي، وهي مجموعة غادر ما يقرب من 38 بالمائة منها البنك بالفعل، وهو رقم يمثل خسارة كبيرة في الإيرادات. قام الباحثون ببناء نظام رقمي مصمم للتنبؤ بمن سيرحل تالياً. ولم يعتمدوا على قاعدة واحدة بسيطة، مثل "إذا كان الرصيد منخفضاً، فسوف يرحلون". بدلاً من ذلك، استخدموا طريقة تسمى "الغابة العشوائية" (Random Forest). تخيل غابة من أشجار القرار، حيث تنظر كل شجرة إلى بيانات العميل من زاوية مختلفة قليلاً. قد تركز إحدى الأشجار على العمر، وأخرى على عدد البطاقات الائتمانية التي يمتلكونها، وثالثة على موقعهم الجغرافي. ومن خلال دمج آراء مئات الأشجار، يصل النظام إلى إجماع يكون أكثر دقة وموثوقية مما يمكن لأي شجرة واحدة توفيره بمفردها.
ولجعل هذا النظام أكثر حدة، لم يكتفِ الباحثون بتغذيته بالأرقام الخام الموجودة في سجلات البنك، بل ابتكروا أدلة "هندسية" جديدة عبر خلط الحقائق الموجودة معاً. فقد حسبوا مقدار راتب العميل المستقر في حسابه البنكي، وهي نسبة تكشف مدى اعتماد الشخص على هذا البنك تحديداً. ونظروا في عدد المنتجات التي يمتلكها العميل مقارنة بمدة كونه عميلاً لديهم، مما يقيس وتيرة تفاعله. حتى أنهم ضربوا عمر العميل في عدد السنوات التي قضاها مع البنك لمعرفة ما إذا كانت المرحلة العمرية تلعب دوراً في ولائه. عملت هذه التركيبات الجديدة كعدسة مكبرة، حيث سلطت الضوء على العلاقات الخفية التي فاتتها البيانات الخام وحدها. وعندما تم تدريب الحاسوب على هذه المعلومات الغنية، تعلم رؤية علامات الرحيل بوضوح لافت.
كانت نتائج هذا التدريب مذهلة. فعند اختبارها على مجموعة من العملاء الذين لم يرهم النظام من قبل، حدد النظام بدقة من سيبقى ومن سيرحل بنسبة دقة بلغت 91.4 بالمائ^. والأهم من ذلك، أنه رصد 87.8 بالمائ^ من الأشخاص الذين كانوا سيغادرون بالفعل، وهو مقياس بالغ الأهمية لبنك يرغب في إنقاذ عملائه. لقد تفوق النظام على الأساليب القديمة والأبسط مثل النماذج الخطية الأساسية أو أشجار القرار الفردية، واقترب كثيراً من أداء الأنظمة الأكثر تعقيداً وكثافة في العمليات الحسابية. ووجد الباحثون أن العمر كان أقوى مؤشر منفرد على الرحيل، يليه عن كثب مدى تفاعل العميل مع منتجاته. كما اكتشفوا أن العملاء في ألمانيا يرحلون بمعدل ضعف معدل رحيل أولئك في فرنسا أو إسبانيا، وهو اختلاف إقليمي يشير إلى وجود عوامل محلية مؤثرة.
ولعل الجزء الأكثر أهمية في هذا العمل ليس مجرد التنبؤ، بل التفسير. في الماضي، قد يقول الحاسوب "هذا العميل سيرحل" دون توضيح السبب، مما يترك موظفي البنك في حالة حيرة وعدم قدرة على التصرف. يتضمن هذا النظام الجديد ميزة تعمل مثل تسليط الضوء، حيث تظهر بالضبط العوامل التي دفعت عميلاً معيناً نحو فئة "المعرض للخطر". فإذا تم تصنيف عميل ما على أنه عالي المخاطر، يمكن للنظام أن يخبر مدير البنك أن السبب هو أن العميل يتراوح عمره بين 51 و60 عاماً وتوقف عن استخدام منتجاته، رغم أنه لا يزال يمتلك عدة حسابات. هذا الوضوح يسم يسمح لموظفي البنك بالتجاوز عن مرحلة التخمين؛ إذ يمكنهم الآن تقديم مساعدة مستهدفة، مثل مراجعة مالية لشخص يقترب من سن التقاعد، أو حملة لإعادة التفاعل لشخص أصبح غير نشط.
لقد نقل الباحثون هذا النموذج من المختبر الرقمي وبنوا لوحة تحكم تفاعلية بسيطة يمكن لأي موظف في البنك استخدامها. لا حاجة لمعرفة بالبرمجة؛ إذ يمكن للمدير إدخال تفاصيل العميل، وستعرض الشاشة مقياساً للاحتمالية، ومستوى خطر ملوناً، وتفسيراً باللغة العادية لعوامل الخطر. تحول هذه الأداة النتيجة الرياضية المعقدة إلى دليل عملي لاتخاذ قرارات الأعمال اليومية. تشير الدراسة إلى أنه من خلال التركيز على التفاعل بدلاً من مجرد الملكية، والاهتمام بمراحل عمرية محددة وفروقات إقليمية، يمكن للبنوك تحسين قدرتها على الاحتفاظ بالعملاء بشكل كبير. ورغم قوة هذا النموذج، أشار الباحثون إلى أنه يعتمد على لقطة واحدة من التاريخ، وأن العمل المستقبلي يمكن أن يشمل بيانات المعاملات في الوقت الفعلي لجعل التنبؤات أكثر سرعة وتوقيتاً. وفي الوقت الحالي، يوفر هذا النظام مساراً واضحاً مدفوعاً بالبيانات لفهم سبب رحيل العملاء وكيفية الحفاظ عليهم.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.