в статье исследуется задача прогнозирования банковского клиентского оттока с привлечением методов машинного обучения. Эмпирическую основу составили несколько банковских датасетов, предоставленных автором; при этом в качестве центрального массива для построения модели выбран churn.csv, включающий 10 000 наблюдений и 14 признаков. В работе проведены структурный анализ данных, сопоставление вспомогательных массивов, разведочное изучение факторов, связанных с уходом клиентов, а также сравнительное тестирование моделей Logistic Regression, Random Forest и Gradient Boosting. Показано, что на вероятность оттока в наибольшей степени воздействуют возраст клиента, число используемых продуктов, уровень активности и географическая принадлежность. Наиболее высокие показатели качества продемонстрировал алгоритм Gradient Boosting. Результаты могут быть использованы при проектировании банковской CRM-системы, ориентированной на раннее выявление клиентов из риск-сегмента.