🏦 Прогнозирование оттока клиентов банка

📋 Описание проекта

Проект направлен на прогнозирование оттока клиентов банка с помощью машинного обучения. На основе исторических данных о клиентах строится модель, которая предсказывает вероятность ухода клиента из банка. Это позволяет принимать упреждающие меры для удержания клиентов и снижения финансовых потерь.

🎯 Бизнес-цель

Снижение оттока клиентов на 20% в течение года с сохранением 67,6 млн рублей годового дохода через:

• Раннее выявление клиентов "группы риска"
• Персонализированные маркетинговые кампании
• Оптимизацию стратегий удержания

📊 Данные

Набор данных содержит информацию о 10,000 клиентов международного банка с филиалами во Франции, Германии и Испании.

📝 Признаки:

• Customer ID: Уникальный идентификатор для каждого клиента
• Surname: Фамилия клиента
• Credit Score: Кредитный рейтинг клиента
• Geography: Страна обслуживания клиента
• Gender: Пол клиента
• Age: Возраст клиента
• Tenure: Количество лет сотрудничества клиента с банком
• Balance: Банковский счет клиента
• NumOfProducts: Количество продуктов, открытых в банке
• HasCrCard: Имеет ли клиент кредитную карту (1 - да, 0 - нет)
• IsActiveMember: Является ли клиент активным (1 - да, 0 - нет)

🎯 Целевая переменная:

• Exited - факт ухода из банка (1 - ушел, 0 - остался)

🔍 Ключевые инсайты EDA

1. Дисбаланс классов: только 21.37% клиентов ушли из банка
2. География: клиенты из Германии уходят чаще (32%) чем из Франции (16%) и Испании (16%)
3. Возраст: чем старше клиент, тем выше вероятность оттока
4. Продукты: клиенты с 3-4 продуктами уходят значительно чаще
5. Активность: неактивные клиенты уходят в 2 раза чаще

📊 Моделирование

Использованные алгоритмы:

• Logistic Regression
• Decision Tree
• Random Forest
• Gradient Boosting (XGBoost)
• Support Vector Machines

Лучшая модель:

Random Forest с параметрами:

• Accuracy: 0.9526
• Recall: 0.87 (минимизация False Negative)
• Precision: 0.92

💰 Экономический эффект

Расчет стоимости ошибок модели:

• False Negative (пропущенный уход): 60,000 ₽ на клиента
• False Positive (ложное предсказание): 3,000 ₽ на клиента
• True Positive (верное предсказание): +57,000 ₽ на клиента

Общий эффект от внедрения: 67.6 млн рублей в год

⚙️ Установка и запуск

# Клонирование репозитория
git clone https://github.com/lodygin-mikhail/Bank_churn_EDA-ML.git

# Установка зависимостей
conda env create -f environment.yml
conda activate ML-base

# Запуск ноутбука с анализом
jupyter notebook bank_churn_prediction.ipynb

📜 Лицензия

MIT License © 2025