基于可解释机器学习的客户流失预测模型

随着数字化快速发展，为客户提供了更多基于订阅的产品与服务模式的选择机会，预测客户行为并留住现有客户成为一项重大挑战。由于获取新客户的成本是留住现有客户的五倍，因此有必要解决跨行业的主要威胁——客户流失问题。考虑到对收入的直接影响，各公司识别导致客户流失率上升的因素。本文的核心目标是开发一种独特的客户流失预测模型，可帮助预测最有可能流失的潜在客户，此类早期预警有助于采取纠正措施以留住他们。本文评估并分析了各种基于树的机器学习方法与算法的性能，确定 Extreme Gradient Boosting XGBOOST 分类器为解决客户流失问题的最优方案。针对此类现实问题，本文强调模型可解释性，这是帮助客户理解流失预测模型如何做出预测的重要指标。为提高模型可解释性与透明度，本文提出一种计算特征可能组合 Shapley 值的新方法，以解释哪些特征对模型变得高度可解释、透明且向潜在客户可解释最为重要/相关。