客户流失预测数据集CustomerChurnPredictionDataset-phyngyn
数据来源：互联网公开数据
标签：客户流失, 信用风险, 客户分析, 机器学习, 银行, 客户画像, 数据挖掘, 分类
数据概述：
该数据集包含来自银行业务的客户数据，记录了客户的个人信息、银行账户活动和客户流失状态。主要特征如下：
时间跨度：数据未明确标明时间，但可以推断为一段时间内的客户行为快照。
地理范围：数据未明确标明地理范围，但从数据内容推测，可能来源于美国或类似发达国家。
数据维度：数据集包括“CLIENTNUM”（客户编号）、“Attrition_Flag”（客户流失标识）、“Customer_Age”（客户年龄）、“Gender”（性别）、“Dependent_count”（家属数量）、“Education_Level”（教育程度）、“Marital_Status”（婚姻状况）、“Income_Category”（收入水平）、“Card_Category”（信用卡类型）、“Months_on_book”（持卡月数）、“Total_Relationship_Count”（与银行的总关系数量）、“Months_Inactive_12_mon”（过去12个月不活跃月数）、“Contacts_Count_12_mon”（过去12个月联系银行次数）、“Credit_Limit”（信用额度）、“Total_Revolving_Bal”（循环信用余额）、“Avg_Open_To_Buy”（可用信用额度）、“Total_Amt_Chng_Q4_Q1”（第四季度到第一季度的总金额变化）、“Total_Trans_Amt”（总交易金额）、“Total_Trans_Ct”（总交易次数）、“Total_Ct_Chng_Q4_Q1”（第四季度到第一季度的交易次数变化）、“Avg_Utilization_Ratio”（平均信用利用率）、以及两个朴素贝叶斯分类器的输出结果。
数据格式：CSV格式，文件名为BankChurners.csv，易于数据分析和建模。
数据来源：数据来源于公开数据集，已进行标准化处理。
该数据集适合用于客户流失预测、信用风险评估和客户行为分析。
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：适用于客户关系管理、市场营销和金融风控等领域的学术研究，如客户流失预测模型构建、影响客户流失的关键因素分析等。
行业应用：为银行、信用卡公司等金融机构提供数据支持，尤其在客户挽留、个性化营销、风险控制等方面具有实用价值。
决策支持：支持企业制定客户关系管理策略，优化客户服务流程，提高客户满意度和忠诚度。
教育和培训：作为数据科学、机器学习、金融分析等相关课程的实训素材，帮助学生和研究人员掌握客户流失预测技术。
此数据集特别适合用于探索影响客户流失的因素，构建预测模型，并评估不同策略对客户留存的影响，从而帮助企业优化决策、提升客户价值。
