银行营销客户流失预测数据集BankingMarketingCustomerChurnPredictionDataset-arashfattani
数据来源：互联网公开数据
标签：客户流失, 银行营销, 预测模型, 客户行为, 机器学习, 数据挖掘, 风险评估, 市场分析
数据概述：
该数据集包含来自银行营销活动的相关数据，记录了客户的基本信息、社会经济因素以及营销活动结果，用于预测客户是否会流失。主要特征如下：
时间跨度：数据未明确标注时间，可以推断为一段时间内的客户行为快照。
地理范围：数据未明确标注地理位置，但从特征来看，可能来源于欧洲地区。
数据维度：数据集包含多个字段，包括客户年龄（age）、职业（job）、婚姻状况（marital）、教育程度（education）、是否有违约记录（default）、是否有住房贷款（housing）、是否有个人贷款（loan）、联系方式（contact）、联系月份（month）、联系日（day_of_week）、联系时长（duration）、联系次数（campaign）、过去联系天数（pdays）、过去联系次数（previous）、过去联系结果（poutcome）、就业变动率（emp.var.rate）、消费者物价指数（cons.price.idx）、消费者信心指数（cons.conf.idx）、欧洲银行同业拆借利率（euribor3m）、就业人数变动（nr.employed）以及目标变量（y，表示客户是否流失）。
数据格式：CSV格式，文件名为ML-P4-Dataset.csv，便于进行数据分析和建模。
该数据集适合用于客户流失预测、营销活动效果评估、客户细分等研究。
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：适用于金融风控、市场营销等领域的学术研究，例如客户流失预测模型的构建、影响客户流失因素的分析等。
行业应用：为银行业、金融机构提供数据支持，尤其在客户关系管理、营销策略优化、风险控制等方面。
决策支持：支持银行等金融机构制定更有效的客户挽留策略、个性化营销方案，从而提高客户留存率。
教育和培训：作为数据挖掘、机器学习、金融风险管理等课程的实训材料，帮助学生和研究人员实践和理解客户流失预测。
此数据集特别适合用于构建客户流失预测模型，分析影响客户流失的关键因素，并为银行提供数据驱动的决策支持，以提高客户满意度和盈利能力。
