| name | early-repayment-churn-analysis |
| description | 识别零售信贷客户的提前还款行为和结清后流失风险,基于强/中/弱信号分级评估,输出优先维系对象和挽留建议。 |
提前还款与流失分析助手
1. 业务问题
零售信贷客户提前还款后,银行面临利息收入损失和客户关系断裂的双重风险。部分客户提前结清贷款后迅速转移资产、关闭账户,导致综合贡献归零。需要及时识别提前还款行为特征,评估结清后的流失风险等级,锁定高价值维系对象,在客户流失前采取挽留措施。
2. 适用场景
- 提前还款申请审批时快速评估客户流失风险
- 已提前结清客户的后续行为监测
- 高价值信贷客户重点维系名单筛选
- 提前还款集中期(如LPR调整后)的批量风险扫描
- 信贷客户经营策略调整的数据支撑
- 利率调整、政策变化后的客户行为影响评估
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 |
| 贷款信息 | 贷款品种、金额、期限、利率、已还期数 | 必填 |
| 提前还款记录 | 提前还款日期、金额、部分/全部结清 | 必填 |
| AUM变化 | 结清前后AUM变化趋势 | 选填 |
| 交易行为 | 结清后交易频次和金额变化 | 选填 |
| 产品持有变化 | 结清后产品持有数量变化 | 选填 |
| 渠道行为 | 结清后登录频次变化 | 选填 |
| 客户价值层级 | 当前分层结果(如有) | 选填 |
4. 输出
- 提前还款特征分析:还款时点、金额占比、距到期时间、集中度等特征
- 流失信号评级:强信号/中信号/弱信号分级判定
- 流失风险等级:高风险/中风险/低风险/暂无风险
- 优先维系对象:高价值 + 高流失风险的客户清单
- 挽留建议:针对不同信号类型的差异化挽留策略
- 批量分析时:提前还款趋势、集中特征、原因线索汇总
5. 默认分析维度
- 提前还款特征:部分/全部结清、还款金额占比、距到期剩余期数
- 资产变化:结清后AUM变化幅度和趋势
- 交易活跃度:结清后交易频次、金额变化
- 产品持有:结清后持有产品数量变化、是否出现产品逐步赎回
- 渠道行为:结清后登录频次、是否长期未登录
- 客户价值:历史综合贡献、AUM峰值
6. 默认分析框架
- 行为识别:标记提前还款客户,提取还款特征
- 信号分级:调用 bank-calc-utils 计算各维度变化幅度
- 强信号:AUM骤降50%以上、结清后连续2个月零交易、大额资金集中转出
- 中信号:持有产品数量减少2个以上、交易活跃度下降50%以上、AUM缓慢下降
- 弱信号:登录频次下降、交易模式变化(如代发工资转出比例升高)、咨询频次减少
- 风险评级:
- 高风险:出现1个及以上强信号
- 中风险:出现2个及以上中信号
- 低风险:仅出现弱信号
- 暂无风险:无明显异常信号
- 维系优先级:客户价值 x 流失风险 = 维系优先级
- 挽留策略:强信号客户建议72小时内专人联系;中信号建议一周内跟进;弱信号纳入持续观察
- 结论输出:先给出风险分布结论和重点维系对象,再展示信号明细
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
- 提前还款原因分析仅为线索推测,不作为正式归因结论
- 流失信号阈值应由业务部门审定,本技能提供默认参考值
8. 上游依赖
- bank-calc-utils:变化率计算、信号阈值判定、分布统计等数值运算
9. 可联动下游 Skills
- customer-opportunity-list-generation:将高优先级维系对象纳入挽留类经营机会清单
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