印度银行客户流失分析数据集1963-2021
数据来源：互联网公开数据
标签：银行客户,客户流失,信用评分,地理位置,性别,年龄,客户忠诚度,信用卡持有情况,活跃客户,薪资水平
数据概述：
本数据集收录了印度银行客户的相关信息，旨在分析客户流失原因。数据涵盖客户编号、客户ID、姓氏、信用评分、地理位置、性别、年龄、客户年限、账户余额、购买产品数量、是否持有信用卡、是否为活跃客户、估计薪资以及客户是否离开银行等关键字段。该数据集为银行提供了全面的客户信息，有助于深入分析客户流失模式。
数据用途概述：
该数据集适用于客户流失分析、客户忠诚度研究、信用评分与流失率关系探索等多种场景。银行可以通过此数据识别导致客户流失的因素；开发针对性的忠诚度计划和保留策略；评估营销活动的效果。此外，数据集也适合用于教育培训，帮助学习者理解客户流失的复杂性和影响因素。
举例：
- 客户编号 (RowNumber): 每条记录的编号，不影响客户流失判断。
- 客户ID (CustomerId): 随机生成的客户ID，不影响客户流失判断。
- 姓氏 (Surname): 客户姓氏，不影响客户流失判断。
- 信用评分 (CreditScore): 影响客户流失的重要因素，信用评分越高，客户流失的可能性越低。
信用评分等级如下：
- 优秀: 800–850
- 非常好: 740–799
- 良好: 670–739
- 一般: 580–669
- 差: 300–579
- 地理位置 (Geography): 客户所在地理位置可能影响其流失决定。
- 性别 (Gender): 探索性别是否在客户流失中起作用。
- 年龄 (Age): 年龄与客户流失相关，年纪较大的客户流失可能性较低。
- 客户年限 (Tenure): 客户在银行的年限，一般而言，老客户更忠诚，流失可能性低。
- 账户余额 (Balance): 高余额账户的客户流失可能性较低。
- 购买产品数量 (NumOfProducts): 客户通过银行购买的产品数量。
- 是否持有信用卡 (HasCrCard): 客户是否持有信用卡，持有信用卡的客户流失可能性较低。
- 1：持有信用卡
- 0：未持有信用卡
- 是否为活跃客户 (IsActiveMember): 活跃客户流失可能性较低。
- 1：活跃客户
- 0：非活跃客户
- 估计薪资 (Estimated Salary): 估计薪资较低的客户流失可能性较高。
- 客户是否离开银行 (Exited): 判断客户是否离开银行。
- 0：保留
- 1：离开
- 银行入职日期 (Bank DOJ): 客户入职银行的日期。
