基于數據挖掘的銀行精準營銷策略研究

葛源溢

摘 ?要：本文針某銀行電話營銷定期存款的數據，綜合應用神經網絡、支持向量機和決策樹等數據挖掘方法，運用R軟件建立銀行電話營銷模型，運用案例分析法和比較分析法，通過預測誤差發現，決策樹和隨機森林模型效果較好。本文的研究結果對于商業銀行的客戶管理，發掘有價值客戶，維護客戶的忠誠度有重要的理論價值和現實意義。

關鍵詞：決策樹;隨機森林;支持向量機;精準營銷;數據挖掘

引言

隨著計算機技術和金融機構的不斷發展，互聯網技術與金融的聯系越來越密切。金融從業人員也認識到，數據挖掘能夠從大量的客戶歷史數據中挖掘出他們所需要的信息。然而，大多數的金融專業人士在實際分析、挖掘這些客戶歷史數據時都存在不同的缺陷，即使一些金融機構引進了數據挖掘系統，也只是做一些簡單的數據分析工作，并沒有對客戶歷史數據進行深度的挖掘。

1 決策樹模型

決策樹是目前最流行的機器學習算法之一，在基本的決策樹分類算法中，信息增益（information gain）準則被用來做分割變量的選擇。決策樹算法的基本步驟如下：

Step1：計算每個屬性/特征的數據集的熵;

Step2：

a.計算所有分類值的熵;

b.獲取當前屬性;

c.計算當前屬性的平均信息熵;

Step3：選取最高增益屬性，重復，直到得到想要的樹。

本文利用 R 軟件建立決策樹模型。選擇復雜度參數為 0.02 作為決策樹的剪枝參數，從而將樹的大小控制在理想范圍內。最終得到部分分類規則如下：

規則1：若 nr.emplo >= 5088 且 duration < 455 則不簽訂定期存款協議的可能性為98%，簽訂定期存款的可能性為 2%。

規則2：若 nr.emplo >= 5088 且 455<=duration < 682 則不簽訂定期存款協議的可能性為 80%，簽訂定期存款的可能性為 20%。

規則3：若 nr.emplo >= 5088 且 duration >= 682 且 job = ent、hsm、mng、rtr、srv、std、tch 時則不簽訂定期存款協議的可能性為 58%，簽訂定期存款的可能性為 42%。

規則4：若 nr.emplo >= 5088 且 duration >= 682 且 job 不是 ent、hsm、mng、rtr、sl?、srv、std、tch 時則不簽訂定期存款協議的可能性為 65%，簽訂定期存款的可能性為 35%。

2 隨機森林模型

隨機森林（random forest）是一種組成式的監督學習方法。在模型建立時，首先從訓練集中有放回地隨機抽取 489 個觀測點，在每棵樹的每個節點隨機抽取 3 個變量，從而生成了 500 棵傳統決策樹。由建立的隨機森林模型分類結果可以看出：該隨機森林模型中包含了 500 棵決策樹，每棵決策樹節點處所選擇的變量個數為 4。在訓練數據集上模型總的預測誤差為9.06%。

建立隨機森林算法模型時部分變量的相對重要程度：duration（225.421），euribor3m（83.005），job（56.243），age（56.039），cons.price.idx（20.629），emp.var.rate（17.461），marital（16.091），previous（12.155）。

由上表可以看出，在此數據集上應用隨機森林算法建立模型時，變量

duration（最后一次通話持續時間）、euribor3m（歐元銀行3月匯率）、job（工作類型）、age（客戶年齡）等變量相對重要程度較高。說明與客戶最近一次聯系持續的時間、客戶的工作類型、歐元銀行3月匯率、客戶的年齡、雇員人數等對客戶簽訂定期存款協議有著密切的聯系。因此，在營銷項目中可以重點關注這些變量的取值，從而更有針對性的尋找客戶。

3 支持向量機模型與綜合比較

3.1 支持向量機模型

支持向量機（Support-vector machine）是一類可用于分類和回歸的監督機器學習模型，簡稱為 SVM，具體的包括線性和非線性分類器。本文將支持向量機模型應用于測試集數據，得到測試結果如下表1所示：

該模型在測試集上的總誤差為 10.6%，在不簽訂銀行定期存款協議（即 no 類）的預測錯誤率為 7.2%，在簽訂銀行定期存款協議（即 yes 類）的預測錯誤率將為 63.0%。

3.2 模型比較

綜上，本文實現三個模型的預測誤差如下表2。

通過以上三個模型誤差的比較，假設不考慮模型的用時時長，通過綜合比較，決策樹分類算法與隨機森林算法總誤差均較小，預測能力較優，且解釋性也強，因此較推薦選擇決策樹與隨機森林算法。

根據前文算法，應該認識到良好的信譽有助于增加客戶的忠誠度，在銀行營銷的過程中，老客戶的響應度往往更加強烈，這也正是所說的忠誠客戶。這種類型的客戶是銀行業務改革、發展新產品所最需要的人員，而客戶流失不僅會帶來資金的外流，還會影響銀行新體制的創建，所以銀行應該嚴防客戶流失。

結論

本文綜合應用多種數據挖掘方法建立銀行電話營銷模型，選擇的分類器顯示了不同年齡、職業、婚姻狀況、受教育程度的客戶對銀行電話營銷會產生不同的結果，因此銀行應該緊跟數據時代，建立自己獨特的數據庫，這不僅有助于提高電話營銷的效率，還有助于銀行客戶的管理。

參考文獻

[1] ?高麗. 銀行電話營銷成功之路的分析與預測[D].華中師范大學，2017.

[2] ?王琴. 數據挖掘在銀行電話營銷中的應用[D].華中科技大學，2015.

[3] ?宣子岳.基于數據挖掘的銀行電話營銷預測研究[J].現代商業，2018（24）：24-26.