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

Nel mondo del banking, il denaro non viene solo spostato; è custodito in fiducia. Ma quella fiducia è fragile. Per una banca al dettaglio, l'errore più costoso non è fare un brutto prestito, ma perdere un buon cliente. Acquisire una nuova persona per aprire un conto costa significativamente di più che mantenere soddisfatto un cliente esistente. Questa realtà ha trasformato la fidelizzazione del cliente in un gioco ad alta posta in gioco basato sulla previsione. Le banche oggi guardano al passato per indovinare il futuro, ponendosi una domanda semplice ma vitale: quale dei nostri clienti sta per abbandonarci? Per rispondere a questo, i ricercatori si sono rivolti al machine learning, un campo in cui i computer imparano a riconoscere modelli in enormi quantità di dati senza essere esplicitamente programmati per ogni singola regola. Invece di un analista umano che legge migliaia di file, un computer scansiona segnali sottili — come un improvviso calo dell'attività del conto o una specifica fascia d'età — che spesso precedono una partenza. L'obiettivo è individuare questi segnali abbastanza presto da poter intervenire, offrendo aiuto o un'offerta migliore prima che il cliente abbia già deciso di andarsene.

Uno studio recente di Amula Venkatesh e della Dr.ssa Indira presso il Chaitanya Bharathi Institute of Technology in India affronta questa sfida frontalmente. Si sono concentrati su un dataset di 10.000 clienti di una banca europea, un gruppo in cui quasi il 38 percento aveva già lasciato la banca, una cifra che rappresenta una perdita significativa di entrate. I ricercatori hanno costruito un sistema digitale progettato per prevedere chi se ne sarebbe andato successivamente. Non si sono affidati a una singola regola semplice, come "se il saldo è basso, se ne andranno". Invece, hanno utilizzato un metodo chiamato Random Forest. Immaginate una foresta di alberi decisionali, dove ogni albero osserva i dati del cliente da un angolo leggermente diverso. Un albero potrebbe concentrarsi sull'età, un altro su quanti prodotti finanziari possiedono, e un terzo sulla loro posizione geografica. Combinando le opinioni di centinaia di questi alberi, il sistema raggiunge un consenso che è molto più accurato e affidabile di quanto un singolo albero possa fornire da solo.

Per rendere questo sistema più acuto, i ricercatori non si sono limitati a nutrirlo con i numeri grezzi presenti nei registri della banca. Hanno creato nuovi indizi "ingegnerizzati" mescolando i fatti esistenti tra loro. Hanno calcolato quanto dello stipendio di un cliente fosse depositato nel suo conto corrente, un rapporto che rivela quanto la persona sia dipendente da quella specifica banca. Hanno osservato quanti prodotti un cliente possedeva rispetto a quanto tempo fosse cliente, misurando il ritmo del suo coinvolgimento. Hanno persino moltiplicato l'età di un cliente per gli anni trascorsi con la banca per vedere se la fase della vita giocasse un ruolo nella loro fedeltà. Queste nuove combinazioni hanno agito come una lente d'ingrandimento, evidenziando relazioni nascoste che i dati grezzi da soli non avevano colto. Quando il computer è stato addestrato su queste informazioni arricchite, ha imparato a vedere i segni della partenza con una chiarezza straordinaria.

I risultati di questo addestramento sono stati sorprendenti. Testato su un gruppo di clienti che il sistema non aveva mai visto prima, ha identificato correttamente chi sarebbe rimasto e chi se ne sarebbe andato con un'accuratezza del 91,4 percento. Ancora più importante, ha intercettato l'87,8 percento delle persone che stavano effettivamente per andarsene, un parametro cruciale per una banca che vuole salvare i propri clienti. Il sistema ha performato meglio di metodi più vecchi e semplici, come i modelli lineari di base o i singoli alberi decisionali, e si è avvicinato molto alle prestazioni di sistemi molto più complessi e computazionalmente pesanti. I ricercatori hanno scoperto che l'età era il singolo predittore più forte della partenza, seguita da vicino da quanto attivamente un cliente interagiva con i propri prodotti. Hanno anche scoperto che i clienti in Germania stavano lasciando la banca con un tasso quasi doppio rispetto a quelli in Francia o in Spagna, una differenza regionale che suggerisce l'intervento di fattori locali.

Forse la parte più significativa di questo lavoro non è solo la previsione, ma la spiegazione. In passato, un computer poteva dire "questo cliente se ne andrà" senza dire il perché, lasciando il personale bancario confuso e incapace di agire. Questo nuovo sistema include una funzione che agisce come un riflettore, mostrando esattamente quali fattori hanno spinto un determinato cliente verso la categoria "a rischio". Se un cliente viene segnalato come ad alto rischio, il sistema può comunicare al direttore di banca che ciò è dovuto al fatto che il cliente ha un'età compresa tra i 51 e i 60 anni e ha smesso di utilizzare i propri prodotti, nonostante possieda ancora diversi conti. Questa chiarezza permette al personale bancario di andare oltre le supposizioni. Possono ora offrire assistenza mirata, come una revisione finanziaria per chi si sta avvicinando alla pensione o una campagna di riattivazione per chi è diventato inattivo.

I ricercatori hanno portato questo modello fuori dal laboratorio informatico e hanno costruito una dashboard semplice e interattiva che qualsiasi dipendente bancario può utilizzare. Non è necessaria alcuna conoscenza di programmazione. Un manager può inserire i dettagli di un cliente e lo schermo visualizzerà un indicatore di probabilità, un livello di rischio codificato per colore e una spiegazione in linguaggio naturale dei fattori di rischio. Questo strumento trasforma un complesso risultato matematico in una guida pratica per le decisioni quotidiane di business. Lo studio suggerisce che concentrandosi sul coinvolgimento piuttosto che sulla semplice titolarità, e prestando attenzione alle specifiche fasi della vita e alle differenze regionali, le banche possono migliorare significativamente la loro capacità di trattenere i clienti. Sebbene il modello sia potente, i ricercatori sottolineano che si basa su un singolo istante storico e che il lavoro futuro potrebbe includere dati transazionali in tempo reale per rendere le previsioni ancora più tempestive. Per ora, questo sistema offre un percorso chiaro e basato sui dati per comprendere perché i clienti se ne vadano e come trattenerli.