Predicting Bank Customer Churn Using a Random Forest Classifier With Engineered Risk Features

In der Welt des Bankwesens wird Geld nicht einfach nur bewegt; es wird treuhänderisch verwaltet. Doch dieses Vertrauen ist zerbrechlich. Für eine Privatbank ist der teuerste Fehler nicht ein schlechter Kredit, sondern der Verlust eines guten Kunden. Die Akquise einer neuen Person zur Eröffnung eines Kontos kostet signifikant mehr, als einen bestehenden Kunden zufrieden zu halten. Diese Realität hat die Kundenbindung in ein Hochrisiko-Spiel der Vorhersage verwandelt. Banken blicken nun in die Vergangenheit, um die Zukunft zu erahnen, und stellen eine einfache, aber lebenswichtige Frage: Welcher unserer Kunden steht kurz davor, uns zu verlassen? Um dies zu beantworten, haben sich Forscher dem maschinellen Lernen zugewandt – einem Bereich, in dem Computer lernen, Muster in riesigen Datenmengen zu erkennen, ohne für jede einzelne Regel explizit programmiert zu werden. Anstatt dass ein menschlicher Analyst tausende von Dateien liest, scannt ein Computer nach subtilen Signalen – wie einem plötzlichen Rückgang der Kontobewegungen oder einer bestimmten Altersgruppe –, die oft einem Weggang vorausgehen. Das Ziel ist es, diese Signale früh genug zu erkennen, um einzugreifen und Hilfe oder ein besseres Angebot zu unterbreiten, bevor der Kunde seine Entscheidung bereits getroffen hat.

Eine aktuelle Studie von Amula Venkatesh und Dr. Indira am Chaitanya Bharathi Institute of Technology in Indien stellt sich dieser Herausforderung direkt. Sie konzentrierten sich auf einen Datensatz von 10.000 Kunden einer europäischen Bank, eine Gruppe, bei der bereits fast 38 Prozent die Bank verlassen hatten – eine Zahl, die einen erheblichen Umsatzverlust darstellt. Die Forscher entwickelten ein digitales System, das darauf ausgelegt ist, vorherzusagen, wer als Nächstes gehen wird. Sie verließen sich nicht auf eine einzige, einfache Regel, wie etwa „wenn der Kontostand niedrig ist, werden sie gehen“. Stattdessen verwendeten sie eine Methode namens Random Forest (Zufallswald). Stellen Sie sich einen Wald aus Entscheidungsbäumen vor, in dem jeder Baum die Daten des Kunden aus einem leicht anderen Blickwinkel betrachtet. Ein Baum konzentriert sich vielleicht auf das Alter, ein anderer darauf, wie viele Kreditkarten der Kunde besitzt, und ein dritter auf dessen Standort. Durch die Kombination der Meinungen von Hunderten dieser Bäume erreicht das System einen Konsens, der weita viel genauer und zuverlässiger ist, als es ein einzelner Baum allein leisten könnte.

Um dieses System zu schärfen, fütterten die Forscher es nicht nur mit den Rohzahlen aus den Bankunterlagen. Sie erstellten neue, „entwickelte“ Hinweise, indem sie bestehende Fakten miteinander kombinierten. Sie berechneten, welcher Anteil des Gehalts eines Kunden auf seinem Bankkonto lag – ein Verhältnis, das offenbart, wie abhängig die Person von dieser speziflichen Bank ist. Sie untersuchten, wie viele Produkte ein Kunde im Verhältnis zu der Zeit besaß, die er bereits Kunde war, um das Tempo seines Engagements zu messen. Sie multiplizierten sogar das Alter eines Kunden mit den Jahren, die er der Bank angehörte, um zu sehen, ob die Lebensphase eine Rolle für seine Loyalität spielte. Diese neuen Kombinationen wirkten wie eine Lupe, die verborgene Beziehungen hervorhob, die die Rohdaten allein übersehen hatten. Als der Computer mit diesen angereicherten Informationen trainiert wurde, lernte er, die Anzeichen eines Weggangs mit bemerkenswerter Klarheit zu erkennen.

Die Ergebnisse dieses Trainings waren beeindruckend. Als das System mit einer Gruppe von Kunden getestet wurde, die es zuvor noch nie gesehen hatte, identifizierte es mit einer Genauigkeit von 91,4 Prozent korrekt, wer bleiben und wer gehen würde. Viel wichtiger ist, dass es 87,8 Prozent der Menschen erfasste, die tatsächlich gehen würden – eine entscheidende Kennzahl für eine Bank, die ihre Kunden halten möchte. Das System schnitt besser ab als ältere, einfachere Methoden wie grundlegende lineare Modelle oder einzelne Entscheidungsbäume und kam sehr nah an die Leistung wesentlich komplexerer und rechenintensiverer Systeme heran. Die Forscher fanden heraus, dass das Alter der stärkste einzelne Prädiktor für einen Weggang war, dicht gefolgt davon, wie aktiv ein Kunde seine Produkte nutzt. Sie entdeckten auch, dass Kunden in Deutschland fast doppelt so häufig gingen wie jene in Frankreich oder Spanien, ein regionaler Unterschied, der darauf hindeutet, dass lokale Faktoren eine Rolle spielen.

Der vielleicht bedeutendste Teil dieser Arbeit ist nicht nur die Vorhersage, sondern die Erklärung. In der Vergangenheit konnte ein Computer zwar sagen: „Dieser Kunde wird gehen“, ohne jedoch zu erklären, warum, was das Bankpersonal ratlos zurückließ. Dieses neue System enthält eine Funktion, die wie ein Scheinwerfer wirkt und genau zeigt, welche Faktoren einen spezifischen Kunden in die Kategorie „Risiko“ gedrängt haben. Wenn ein Kunde als hochriskant eingestuft wird, kann das System dem Bankmanager mitteilen, dass dies daran liegt, dass der Kunde zwischen 51 und 60 Jahre alt ist und aufgehört hat, seine Produkte zu nutzen, obwohl er noch mehrere Konten führt. Diese Klarheit ermöglicht es dem Bankpersonal, über das bloße Raten hinauszugehen. Sie können nun gezielte Hilfe anbieten, wie etwa eine Finanzberatung für jemanden, der kurz vor dem Ruhestand steht, oder eine Reaktivierungskampagne für jemanden, der inaktiv geworden ist.

Die Forscher nahmen dieses Modell aus dem Computerrabor und bauten ein einfaches, interaktives Dashboard, das jeder Bankangestellte nutzen kann. Es sind keine Programmierkenntnisse erforderlich. Ein Manager kann die Details eines Kunden eingeben, und der Bildschirm zeigt eine Wahrscheinlichkeitsanzeige, ein farbcodiertes Risikoniveau und eine Erklärung der Risikofaktoren in einfacher Sprache an. Dieses Werkzeug verwandelt ein komplexes mathematisches Ergebnis in einen praktischen Leitfaden für tägliche Geschäftsentscheidungen. Die Studie legt nahe, dass Banken durch die Konzentration auf das Engagement statt nur auf den Besitz und durch die Beachtung spezifischer Lebensphasen und regionaler Unterschiede ihre Fähigkeit, Kunden zu halten, erheblich verbessern können. Obwohl das Modell leistungsstark ist, merken die Forscher an, dass es auf einer einzigen Momentaufnahme der Geschichte basiert und zukünftige Arbeiten Echtzeit-Transaktionsdaten einbeziehen könnten, um die Vorhersagen noch zeitnaher zu gestalten. Vorerst bietet dieses System einen klaren, datengesteuerten Weg zum Verständnis darüber, warum Kunden gehen und wie man sie halten kann.