Credit card attrition: an overview of machine learning and deep learning techniques

Authors:

Abstract
Credit card churn, where customers close their credit card accounts, is a major problem for banks and other financial institutions. Being able to accurately predict churn can allow companies to take proactive steps to retain valuable customers. In this review, we examine how machine learning and deep learning techniques can be applied to forecast credit card churn. We first provide background on credit card churn and explain why it is an important problem. Next, we discuss common machine learning algorithms that have been used for churn forecasting, including logistic regression, random forests, and gradient boosted trees. We then explain how deep learning methods like neural networks and sequence models can capture more complex patterns from customer data. The available input features for churn models are also reviewed in detail. We compare the performance of different modeling techniques based on past research. Finally, we discuss open challenges and future directions for predictive churn modeling using machine learning and deep learning. Our review synthesizes key research in this domain and highlights opportunities for advancing the state-of-the-art. More robust churn forecasting can enable companies to take targeted action to improve customer retention. Отток кредитных карт, когда клиенты закрывают счета своих кредитных карт, является серьезной проблемой для банков и других финансовых учреждений. Возможность точно прогнозировать отток может позволить компаниям принимать активные меры для удержания ценных клиентов. В этом обзоре мы рассмотрим, как методы машинного и глубокого обучения могут применяться для прогнозирования оттока кредитных карт. Сначала мы предоставим информацию об оттоке кредитных карт и объясним, почему это важная проблема. Далее мы обсудим распространенные алгоритмы машинного обучения, которые использовались для прогнозирования оттока, включая логистическую регрессию, случайные леса и деревья с градиентным усилением. Затем мы объясним, как методы глубокого обучения, такие как нейронные сети и модели последовательностей, могут улавливать более сложные закономерности из данных о клиентах. Также подробно рассматриваются доступные входные функции для моделей оттока. Мы сравниваем эффективность различных методов моделирования на основе прошлых исследований. Наконец, мы обсуждаем открытые проблемы и будущие направления прогнозного моделирования оттока с использованием машинного и глубокого обучения. Наш обзор синтезирует ключевые исследования в этой области и подчеркивает возможности для развития современного состояния. Более надежное прогнозирование оттока клиентов может позволить компаниям принимать целенаправленные меры для улучшения ситуации и удержания клиентов.

This publication has 15 references indexed in Scilit: