银行客户流失预测数据集BankCustomerChurnPrediction-camilancastro
数据来源：互联网公开数据
标签：客户流失, 银行, 客户行为分析, 机器学习, 风险评估, 客户关系管理, 数据挖掘, 预测模型
数据概述：
该数据集包含来自银行的客户信息，记录了客户的各项特征及流失状态。主要特征如下：
时间跨度：数据未标明具体时间，可视为静态数据集，反映了客户的静态特征。
地理范围：数据未明确说明地域范围，但可推测为银行的客户群体。
数据维度：数据集包括客户编号（CLIENTNUM）、流失标识（Attrition_Flag）、客户年龄（Customer_Age）、性别（Gender）、家属数量（Dependent_count）、教育水平（Education_Level）、婚姻状况（Marital_Status）、收入水平（Income_Category）、信用卡类型（Card_Category）、持有信用卡月数（Months_on_book）、总关联产品数量（Total_Relationship_Count）、过去12个月不活跃月数（Months_Inactive_12_mon）、过去12个月联系次数（Contacts_Count_12_mon）、信用额度（Credit_Limit）、循环信用余额（Total_Revolving_Bal）、平均可用额度（Avg_Open_To_Buy）、季度交易额变化（Total_Amt_Chng_Q4_Q1）、总交易额（Total_Trans_Amt）、总交易次数（Total_Trans_Ct）、季度交易次数变化（Total_Ct_Chng_Q4_Q1）、平均信用利用率（Avg_Utilization_Ratio）以及两个朴素贝叶斯分类器结果。
数据格式：CSV格式，文件名为BankChurners.csv，便于数据分析和建模。
该数据集适用于客户流失预测、客户行为分析、风险评估等领域。
数据用途概述：
该数据集具有广泛的应用潜力，特别适用于以下场景：
研究与分析：适用于金融领域客户流失预测的学术研究，如不同特征对客户流失影响的分析，模型性能评估等。
行业应用：为银行、金融机构提供数据支持，用于构建客户流失预测模型，优化客户关系管理策略，降低客户流失率。
决策支持：支持银行制定个性化客户服务策略、风险控制策略，提高客户满意度和盈利能力。
教育和培训：作为数据科学、机器学习、金融风控等相关课程的教学案例，帮助学生理解和应用预测模型。
此数据集特别适合用于构建和优化客户流失预测模型，帮助用户识别高风险客户，并采取相应的挽回措施。
