| name | customer-churn-alert |
| description | 基于资产变化、交易活跃度、渠道行为、产品持有变化等多维信号,识别客户流失风险等级,输出预警结论和建议跟进动作。 |
客户流失预警助手
1. 业务问题
银行零售客户流失往往有先兆信号,如AUM持续下降、交易频次骤减、产品逐步赎回等。但客户经理管户数量多,难以逐一跟踪每位客户的行为变化。需要系统化监测多维度流失信号,及时识别高风险客户并推送预警,为客户挽留争取时间窗口。
2. 适用场景
- 定期(周/月)批量扫描管户客户流失风险
- 单客户异动时快速评估流失风险等级
- 高价值客户重点监测与预警
- 客户经理交接时识别需紧急跟进的客户
- 流失挽留效果复盘与信号模型校准
- 配合客户分层结果聚焦高价值流失预警
3. 输入
| 输入项 | 说明 | 是否必填 |
|---|
| 客户编号/客户列表 | 单个或批量客户标识 | 必填 |
| AUM变化数据 | 近1/3/6个月AUM及变化趋势 | 必填 |
| 交易活跃度 | 交易频次、金额变化趋势 | 必填 |
| 渠道行为 | 手机银行/网银登录频次变化 | 选填 |
| 产品持有变化 | 产品赎回、到期未续、持有数量变化 | 选填 |
| 客户关系信号 | 客户经理互动频次、服务工单、投诉记录 | 选填 |
| 服务体验 | 满意度评分变化、近期投诉情况 | 选填 |
| 客户价值层级 | 当前分层结果(如有) | 选填 |
4. 输出
- 风险等级判定:高风险/中风险/低风险/暂无风险
- 核心流失信号:触发预警的关键信号及具体数值变化
- 风险演变趋势:信号强度是否在持续恶化
- 建议跟进动作:针对风险等级和信号类型的差异化跟进建议
- 预警客户清单:批量分析时按风险等级排序的客户列表
5. 默认分析维度
- 资产变化:AUM绝对值下降幅度、下降持续时间、大额转出
- 交易活跃度:月均交易笔数/金额环比变化、零交易月数
- 渠道行为:登录频次下降、长期未登录
- 产品持有变化:产品赎回/到期未续、持有品种减少
- 客户关系:客户经理接触频次下降、主动咨询减少
- 服务体验:投诉未解决、满意度评分下降
6. 默认分析框架
- 信号采集:提取各维度近期数据与历史基准对比
- 信号评分:调用 bank-calc-utils 计算各维度变化幅度和趋势
- 综合评级:
- 高风险:2个及以上维度出现强信号(如AUM下降30%+且交易频次降50%+)
- 中风险:1个维度强信号或2个及以上维度中等信号
- 低风险:仅1个维度出现中等信号
- 暂无风险:各维度均在正常波动范围内
- 趋势判断:信号是单次波动还是持续恶化
- 动作建议:高风险建议48小时内主动联系;中风险建议一周内跟进;低风险纳入观察名单
- 结论输出:先给出风险等级结论,再逐一列举触发信号
7. 安全边界
- 不编造数据;不夸大结论;缺失信息标注"未获取"或"待核实"
- 不替代正式审批、正式风控、正式合规、正式报送、正式处置、正式责任认定、正式管理决策
- 不替代营销准入判断、授信审批决策、客户适当性评估
- 预警结果仅作为客户经理跟进参考,不可作为客户关系终止依据
- 风险等级阈值应由业务部门审定
8. 上游依赖
- bank-calc-utils:变化率计算、趋势分析、阈值判定等数值运算
9. 可联动下游 Skills
- customer-opportunity-list-generation:将预警客户纳入挽留类机会清单,分配跟进优先级
使用示例
示例 1: 基本使用
result = run_skill({
"param1": "value1",
"param2": "value2"
})
示例 2: 命令行使用
python scripts/run_skill.py --input data.json