تعتبر توقعات مغادرة العملاء ضرورية للمؤسسات المالية للحفاظ على العملاء وتحسين تخصيص الموارد. من الأرخص الاحتفاظ بالعملاء الحاليين مقارنة بإيجاد عملاء جدد. هناك الكثير من الأبحاث في هذا المجال، ولكن أدائها غالباً ما يكون محدوداً بسبب مشاكل عدم توازن البيانات. تُقارن هذه الدراسة ثلاثة نماذج تعلم آلة: غابة عشوائية، مُصنف XGBoost، ومُصنف آلة تعزيز التدرج الخفيف لتوقع مغادرة عملاء بطاقة الائتمان باستخدام مجموعة بيانات من كاجل. تتناول الدراسة مشاكل عدم توازن البيانات من خلال تقنيات الزيادة (SMOTE، SMOTEENN، Borderline SMOTE) وتقيّم أداء النماذج باستخدام الدقة ودرجة F1. تُظهر النتائج أن مُصنف LGBM مع Borderline SMOTE يحقق أعلى دقة (97.43%) ودرجة F1 (0.9259)، متفوقاً على الطرق الأخرى. توفر هذه الطريقة توازنًا فعالًا بين الدقة والاسترجاع، مما يحسن من توقعات الفئة الأقل تمثيلاً. تقدم هذه النتائج رؤى قابلة للتنفيذ للمؤسسات المالية لتطبيق استراتيجيات احتفاظ استباقية. لا تزال هناك قيود وأعمال مستقبلية يجب القيام بها. يجب أخذ مجموعات بيانات مختلفة، ونماذج محدثة لمجموعات البيانات الصغيرة، وطرق هندسة ميزات إضافية في الاعتبار.
درس زهاويان تان (الخميس) هذا السؤال.