early-repayment-churn-analysis

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

1. 行为识别：标记提前还款客户，提取还款特征
2. 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
3. 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
4. 维系优先级：客户价值 x 流失风险 = 维系优先级
5. 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
6. 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

# 调用 skill
result = run_skill({
    "param1": "value1",
    "param2": "value2"
})

示例 2: 命令行使用

python scripts/run_skill.py --input data.json