Материалы в свободном доступе

Представлены результаты исследований, целью которых была разработка метода прогнозирования оттока клиентов коммерческого банка на основе применения моделей машинного обучения (в том числе глубоких искусственных нейронных сетей) для обработки клиентских данных, а также создание программных инструментов, реализующих указанный метод. Объектом исследования является коммерческий банк, а предметом исследования – его деятельность в B2C-сегменте, включающая коммерческое взаимодействие бизнеса и частных лиц. Актуальность выбранного направления исследований определяется активизацией деятельности банков в сфере внедрения цифровых сервисов по сокращению неоперационных расходов, связанных, в частности, с удержанием клиентов, так как затраты на привлечение новых клиентов значительно выше, чем на сохранение уже имеющихся. Научную новизну результатов исследований составляет разработанный метод прогнозирования оттока клиентов коммерческого банка, а также алгоритм, положенный в основу программного обеспечения, реализующего предложенный метод. В основе предложенной ансамблевой модели прогнозирования лежит три алгоритма классификации: k-средних, случайный лес и многослойный персептрон. Для агрегации выходов отдельных моделей предложено использовать обучаемое дерево систем нечеткого вывода типа Мамдани. Обучение ансамблевой модели выполняется в два этапа: сначала обучаются перечисленные три классификатора, а потом, на основе получаемых на их выходах данных, обучается дерево систем нечеткого вывода. Ансамблевая модель в предложенном методе реализует статический вариант прогноза, результаты которого используются в динамическом прогнозе, выполняемом в двух вариантах – на основе рекуррентного метода наименьших квадратов и на основе сверточной нейронной сети. Проведенные модельные эксперименты на синтетическом наборе данных, взятых с сайта Kaggle, показали, что ансамблевая модель имеет более высокое качество бинарной классификации, чем каждая модель в отдельности.