基于BP神經網絡法銀行產品營銷預測模型的研究

摘要：隨著商業銀行金融業務的發展和體制改革的不斷深化，國內各商業銀行之間的競爭日趨激烈，這一趨勢在國內金融產品營銷上的表現得尤為突出。各銀行為了獲取更多的客戶資源、占有更大的市場份額，往往采取“簡單”的性價比競爭和“此起彼伏”的推銷宣傳戰，其弊端顯而易見。這就要求銀行要采取以客戶為中心的策略，根據客戶的類型和需求提供多樣化、層次化、個性化的服務解決方案。因此，營銷模型成了預測利潤，提高客戶滿意度、忠誠度的有效指導工具。近幾年迅速發展起來的數據挖掘技術就是實現這一目標的重要手段。本文通過BP神經網絡對產品營銷響應進行預測分析，指導營銷方案的設置和提高效率。

關鍵詞：銀行;金融產品;預測;BP神經網絡

營銷模型是企業比較常見的一種預測模型。目標變量可以為預測誰會對某種產品或服務的宣傳進行響應，某種營銷方式的預測成功率等等;因變量是客戶及其行為的各種屬性，如：客戶類型、客戶年齡、客戶收入、采取的營銷手段等。利用響應模型來預測哪些客戶最有可能對營銷活動進行響應或者預測一個新的同類營銷產品方案成功的機會，從而對他們采取相應的營銷活動或者指定營銷方案的投入。而對響應度不高的客戶群就不用對他們進行營銷活動，從而減少活動成本，提高投資回報率。

人工神經網絡（Artificial neural network，ANN）簡稱神經網絡，在1986年由Rumelhant和McClelland提出，在目前是應用最為廣泛、取得的成就最多的神經網絡之一。基本思想是，學習的過程由信號的正向傳遞和誤差的反向傳播兩個過程組成的，在正向傳遞過程中，訓練樣本由輸入層輸入，根據一定的規則經由隱含層處理后傳到輸出層，結構是由多個簡單的處理單元按某種邏輯相互連接而形成的計算系統，具有自適應自學習等特點，如果輸出層輸出的信號與期望的輸出不符，則轉到下一個過程，也就是誤差的反向傳播。優點是解決非線性問題的建模，具備強大的輸入輸出非線性映射能力，現在廣泛用于智能制造、數據建模分析等行業。常用的神經網絡有60多種，其中在營銷預測中應用最多的是誤差反傳網絡即BP（Back—propagation）神經網絡。其突出優點就是具有很強的非線性映射能力和柔性的網絡結構。

本文通過BP神經網絡對產品營銷響應進行預測分析，指導營銷方案的設置和提高效率，也可為銀行金融產品營銷方案的數據建模提供一定的理論依據。

1.基于BP神經網絡算法建立挖掘模型

1.1樣本提取

樣本提取的基本原則：第一，極大地影響結果輸出并且容易被檢測或提取的變量用作輸入變量。第二，盡可能地不要在輸入和輸出之間存在太多的相關性或非相關性。同時根據輸入和輸出的性質將它們分為兩類：字符變量和數值變量。后者可分為離散變量和連續變量。字符變量只有在轉換為離散變量時才能由網絡處理。第三，需要使用原始數據中的信號處理或特征提取技術來提取能夠反映網絡特征的參數作為輸入，即是進行歸一化處理。因此，在建立營銷模式的過程中，我們不應盲目選擇所有數據和信息，而應選擇樣本數據，這不僅可以提高效率，還可以減少資源浪費。

1.2樣本評估

首先，在設計訓練樣本集的過程中，網絡的性能要求與訓練樣本具有良好的相關性。樣本的大小和質量對于網絡非常重要。對于樣本數量，營銷客戶具有大量樣本的網絡的特征。培訓結果可以很好地體現其內在規律。但困難在于采集樣本，并且具有大量樣本的網絡在提高其準確性方面存在很大困難。通常，網絡映射的復雜性與網絡的大小成比例。訓練樣本的數量通常是網絡連接權重總數的5倍至10倍。在許多情況下，很難滿足這些要求。其次，當我們選擇和組織樣本時，我們需要選擇代表性樣本，平衡樣本類別，并交叉輸入不同類型的樣本。它是否具有良好的泛化能力是培訓網絡測試的標準。它是將收集的樣本分為兩部分，一部分用于訓練，另一部分用于測試集，但不用于測試訓練集中的數據。測試集樣本的誤差遠大于訓練樣本的誤差，因此網絡的泛化能力很差。當我們設計初始權重時，因為訓練時間的長度與初始化方法密切相關，所以通過網絡權重的初始化來確定錯誤從哪一點開始。由于神經元動作函數相對于原點的對稱性，零點附近的每個節點的凈輸入和輸出處于動作函數的中點，并且該位置的變化最敏感且遠離飽和度。動作功能的區域。因此，有必要通過選擇較小的初始權重并使初始權重+ 1和-1相等來加速網絡的學習。

2.結果與分析

2.1 BP神經網絡仿真實驗

在客戶營銷數據的基礎上，對此類的金融產品的營銷進行神經網絡訓練及仿真，目標變量為后續關聯產品的簽約數，以此預測同類金融產品營銷的數據。客戶類型為A（100萬以上理財客戶）、B（50-100萬理財客戶）、C（20-50萬理財客戶）、D（10-20萬理財客戶）、E（普通儲蓄客戶）。預測數據采用DPS軟件中的BP神經網絡程序分析。

2.2 結果分析

通過模型得出結果與營銷數據比較，兩組試驗誤差較小，BP實驗結果具有良好的預測性。營銷數據中，A類客戶為重要的少數，經過電話溝通以及訪談后，成功理財的機會比較高，同時他們對禮品回饋營銷并不敏感，更多傾向于投資收益等專業的服務，需要重點制定對應的營銷方案;B類為重要的潛在客戶，需要進一步挖掘客戶需求。其他客戶也需要根據特點進一步細化營銷手段。

3.結論

本實驗運用人工神經網絡結合營銷數據，充分挖掘試驗數據的信息，建立神經網絡模型。通過仿真模型評估和預測的營銷數據，和實際數據比較，兩組試驗誤差較小，BP實驗結果可行度高且節省了成本，降低了能耗。表明將人工神經網絡預測提出的新模型預測方案和數據處理方法是可行的。這種優化的方法為銀行金融產品營銷的設計提供了一種新的途徑。

參考文獻：

[1]Kantardzic M. Data Mining Concepts， Models， Methods， and Algorithms[M].[S. 1.]： IEEE Press Publishing House，2002.

[2]余建英，何旭宏.數據統計分析與SPSS應用[M].北京：人民郵電出版社，2003.

[3]陳剛，劉發生.基于BP神經網絡的數據挖掘算法.計算機與現代化，2006（10）

[4]譚立云，凱麗比努爾，塔西普拉提，等.數據挖掘中的數據預處理方法研究[M].合肥：中國科技大學出版社，2004.

作者簡介：

李婷婷（1990-? ），女，漢族，理財經理，從事銀行理財業務及營銷研究。