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

銀行の世界において、お金は単に移動するだけのものではなく、信頼に基づいて保持されるものです。しかし、その信頼は壊れやすいものです。小売銀行にとって、最も高くつく失敗は、不良な融資を行うことではなく、優良な顧客を失うことです。新しい口座を開設する人を獲得するコストは、既存の顧客を満足させ続けるコストよりも大幅に高くなります。この現実は、顧客維持を高度な予測のゲームへと変貌させました。現在、銀行は過去を見て未来を推測しようとしています。「私たちの顧客のうち、誰が去ろうとしているのか？」という単純かつ極めて重要な問いを投げかけているのです。これに応えるため、研究者たちは機械学習へと目を向けました。これは、すべてのルールに対して明示的にプログラミングされることなく、コンピュータが膨大なデータの中にあるパターンを学習する分野です。人間のアナリストが何千ものファイルを読み解く代わりに、コンピュータは、口座活動の急激な減少や特定の年齢層といった、離脱の前兆となる微かなシグナルをスキャンします。目標は、顧客がすでに離れる決心をしてしまう前に、これらのシグナルを早期に察知し、支援やより良い条件を提示して介入することです。

インドのチャイタニヤ・バラティ技術研究所のアムラ・ヴェンケイツ氏とインディラ博士による最近の研究は、この課題に正面から取り組んでいます。彼らは、欧州のある銀行の10,000人の顧客データに焦点を当てました。このグループでは、すでに約38パーセントが銀行を離れており、この数字は大幅な収益の損失を意味しています。研究者たちは、次に誰が去るのかを予測するために設計されたデジタルシステムを構築しました。彼らは、「残高が低ければ、顧客は去る」といった単一の単純なルールに頼ったのではありません。代わりに、「ランダムフォレスト」と呼ばれる手法を用いました。意思決定ツリーの森を想像してみてください。それぞれの木は、顧客のデータを少しずつ異なる角度から見ています。ある木は年齢に焦点を当て、別の木は保有しているクレジットカードの数に、そして第三の木は居住地に焦点を当てます。これら数百の木の意見を組み合わせることで、システムは、単独の木では提供できないはるかに正確で信頼性の高い合意に達します。

このシステムをより鋭いものにするために、研究者たちは単に銀行の記録にある生の数値を入力しただけではありません。彼らは既存の事実を組み合わせることで、新しい「エンジニアリングされた」手がかりを作成しました。例えば、顧客の給与のうちどれくらいが銀行口座に留まっているかを計算しました。この比率は、その人がその特定の銀行にどの程度依存しているかを明らかにします。また、顧客が保有する製品の数と、顧客としての継続期間を比較し、エンゲージメント（関与）のペースを測定しました。さらに、顧客の年齢に銀行との継続年数を掛け合わせることで、ライフステージがロイヤリティに役割を果たしているかどうかを確認しました。これらの新しい組み合わせは、生のデータだけでは見逃されていた隠れた関係性を浮き彫りにする、拡大鏡のような役割を果たしました。コンピュータがこの強化された情報を用いて学習したとき、離脱の兆候を驚くほど鮮明に捉えることができるようになりました。

この学習の結果は驚くべきものでした。システムが一度も見たことのない顧客グループに対してテストを行った際、システムは誰が留まり、誰が去るのかを91.4パーセントの精度で正しく特定しました。より重要なことに、システムは実際に去ろうとしていた人々の87.8パーセントを捉えました。これは、顧客を救いたいと願う銀行にとって極めて重要な指標です。このシステムは、基本的な線形モデルや単一の決定ツリーといった古い単純な手法よりも優れた性能を示し、より複雑で計算負荷の高いシステムにも非常に近い性能を発揮しました。研究者たちは、年齢が離脱の最も強力な単一の予測因子であり、次いで顧客がいかに製品に対して積極的に関与しているかが重要であることを発見しました。また、ドイツの顧客はフランスやスペインの顧客のほぼ2倍の割合で離脱していることも発見しており、この地域的な違いは、現地の要因が作用していることを示唆しています。

おそらくこの研究の最も重要な部分は、予測することだけでなく、その「説明」ができることです。かつて、コンピュータは「なぜか」を言わずに「この顧客は去る」と言うだけであり、それによって銀行のスタッフは困惑し、行動に移すことができませんでした。この新しいシステムには、特定の顧客を「リスクあり」のカテゴリーへと押し上げた要因がどれであるかを照らし出す、スポットライトのような機能が含まれています。もしある顧客がハイリスクとしてフラグを立てられた場合、システムは銀行のマネージャーに対し、「その顧客は51歳から60歳の間であり、複数の口座を保有しているにもかかわらず、製品の使用を停止しているためである」と伝えることができます。この明快さにより、銀行スタッフは推測を超えた行動をとることができます。彼らは今や、退職を控えた人への財務レビューや、活動が停滞している人への再エンゲージメント・キャンペーンといった、ターゲットを絞った支援を提供できるようになったのです。

研究者たちは、このモデルをコンピュータ・ラボから持ち出し、銀行の従業員であれば誰でも使えるシンプルなインタラクティブ・ダッシュボードを構築しました。コーディングの知識は必要ありません。マネージャーが顧客の詳細を入力すると、画面には確率を示すゲージ、色分けされたリスクレベル、そしてリスク要因に関する平易な言葉による説明が表示されます。このツールは、複雑な数学的結果を、日常のビジネス上の意思決定のための実用的なガイドへと変えます。この研究は、単なる「所有」ではなく「エンゲージメント」に焦点を当て、特定のライフステージや地域差に注意を払うことで、銀行は顧客を維持する能力を大幅に向上させることができると示唆しています。このモデルは強力ですが、研究者たちはこれが単一の歴史的なスナップショットに基づいていることを指摘しており、将来の研究では、予測をよりタイムリーにするためにリアルタイムの取引データを含める可能性があるとしています。現時点において、このシステムは、なぜ顧客が去るのか、そしてどのようにして彼らを繋ぎ止めるのかを理解するための、明確でデータに基づいた道筋を提供しています。