Розробка моделі та програмного забезпечення для прогнозування ризиків втрати клієнтів банківської установи за допомогою штучного інтелекту

Abstract

У роботі розглянуто процес розробки та застосування алгоритмів машинного навчання і виживального аналізу для автоматизованого прогнозування відтоку клієнтів банківської установи на основі цифрових даних, зокрема транзакційних, поведінкових та демографічних характеристик; визначено причини й наслідки втрати клієнтів; виконано огляд сучасних методів прогнозування та класифікації з особливою увагою до моделі пропорційних ризиків Кокса. З метою створення інтегрованого рішення, що дозволяє оцінювати як ймовірність, так і час до відтоку клієнта, застосовано такі підходи: класичні класифікатори для оцінки ризику відтоку, survival-аналіз із моделлю Кокса для побудови часової шкали відтоку, реалізацію власних ітеративних алгоритмів на Python, побудову єдиного конвеєру препроцесингу з використанням scikit-learn та joblib, а також організацію сервісу на FastAPI із контейнеризацією через Docker. Результатом є готовий до інтеграції модуль прогнозування, який на тестових даних показав C-index ≈ 0.91, точність інших класифікаторів – до 0.92, і надає часову шкалу відтоку з гнучким вибором періоду через REST-API. Запропоноване рішення відрізняється поєднанням можливості прогнозу класового відтоку та часу до події, забезпечує високу відтворюваність одержаних результатів і може бути легко розгорнуте у банківській ІТ-інфраструктурі. Рекомендації щодо використання: інтегрувати модуль у CRM-систему для раннього виявлення клієнтів високого ризику, планування персоналізованих утримувальних кампаній та оцінки економічного ефекту від втрат клієнтів.

The study examines the process of developing and applying machine learning algorithms and survival analysis techniques for automated prediction of customer churn at a banking institution using digital data—specifically transactional, behavioral, and demographic characteristics. It identifies the causes and consequences of customer loss and provides a review of current forecasting and classification methods, with particular emphasis on the Cox proportional hazards model. In order to create an integrated solution capable of estimating both the likelihood of churn and the time until churn, the following approaches were employed: traditional classifiers to assess churn risk; survival analysis with the Cox model to construct a time‐to‐churn scale; implementation of custom iterative algorithms in Python; construction of a unified preprocessing pipeline using scikit‐learn and joblib; and deployment of a service via FastAPI, containerized with Docker. The outcome is a production-ready prediction module which achieved a C-index of approximately 0.91 on test data (and classifier accuracies up to 0.92), and provides a flexible churn timeline via REST endpoints. The proposed solution uniquely combines class-based churn prediction with time-to-event estimation, ensures high reproducibility of results, and can be seamlessly deployed within a banking IT infrastructure. Recommendations for use: integrate the module into CRM systems for early identification of high-risk customers, design personalized retention campaigns, and evaluate the financial impact of potential customer losses.