本文共字，预计阅读时间。

参赛单位：索信达控股有限公司

案例名称：可解释机器学习在银行业的应用

案例简介：

索信达控股面向银行业推出的可解释机器学习创新技术，针对当前人工智能技术金融应用存在的算法黑箱、算法同质化、模型缺陷等潜在风险问题，从安全性、可解释性、精准性和性能方面着手，为金融机构加强智能算法应用风险管理提供全栈式解决方案，并率先在头部的领先银行成功落地，取得显著效果，获得了银行机构的高度认可及全行推广。

创新技术/模式应用：

目前银行业在客户流失预警领域使用的机器学习模型通常都存在解释性差的问题，即流失预警模型通常只能给出未来是否会发生流失的预测概率，但模型难以给出预流失客户的流失原因，这给后续的客户挽留增加了难度。索信达控股发明推出的可解释机器学习技术，基于SHAP和WOE提出了一种可以对单个客户进行流失归因的方法，该方法首先基于SHAP找到导致每个流失客户发生流失对应的重要特征，再基于WOE对重要特征变量的取值进一步量化和分析重要特征变量的取值是如何影响客户流失的，将导致流失的重要特征及其取值范围转化为业务可理解的流失原因。从而基于每个客户的特性，归纳其对应的流失原因，再根据每个流失客户的流失原因制定有针对性的挽留措施，从而大幅提高挽留效果。

项目效果评估：

基于woe量化特征的不同取值对流失的影响

根据shap值找出客户流失的重要变量，再通过特征取值的WOE编码转化成可理解的流失原因

根据不同的流失原因，设计不同的营销建议：

项目效果：

(1)根据模型筛选出的预流失概率前20%的客户中，实际发生流失的客户的召回率高达90%，即找出流失客户的准确率高达90%

(2)基于事后可解释的方法，对每个预流失客户流失的原因进行归因，归因后再制定有针对性的挽留措施，客户流失率整体下降5%，效果显著。

项目牵头人：

邵平 索信达控股AI创新中心技术总监

项目团队成员：

邵平、邹美灵、杨健颖、苏思达、李冉冉

[Source]

本文系未央网专栏作者发表，属作者个人观点，不代表网站观点，未经许可严禁转载，违者必究！

本文为作者授权未央网发表，属作者个人观点，不代表网站观点，未经许可严禁转载，违者必究！

本文版权归原作者所有，如有侵权，请联系删除。