基于SQSSVM的银行电话营销预测及客户分类管理

摘要

随着技术和科技的发展，数据分析在商业领域扮演着越来越重要的角色，此外，互联网环境下，也使得数据的采集变得更为容易。因此，将客户数据分析和营销相结合模式越来越受到企业的关注。　　银行作为重要的金融机构之一，为了实现尽可能多的盈利，需要对客户进行金融产品的营销。但是营销不能使盲目的，不然会造成人力和成本的大量消耗。因此，需要找到一种准确高效的方法对大量的客户进行筛选和分析，寻找出有较高可能会购买银行产品的客户，对银行的长期发展有较好的作用。　　本文将软二次曲面支持向量机（SQSSVM）模型应用到了电话营销预测当中，并提出了面临不平衡数据集时SQSSVM模型的解决方法。由于购买客户的数量往往大大少于不购买的客户，因此，首先利用Tomek links进行多数类数据的欠采样，并用K-Means Smote方法进行人工数据的生成，使得少数类和多数类的数量一样多。　　并用本文提出的模型和决策树、最近邻、支持向量机模型的结果进行对比，发现在总体的准确率上，本文提出的面临不平衡数据集时SQSSVM模型的解决方案效果最优。最后，给出将顾客进行ABC分类管理的建议，给银行的电话营销管理层进行参考和建议。

目录

声明

1.引言

1.1研究背景

1.2研究意义

1.3论文创新之处

1.4论文主要研究内容

2.文献综述

2.1银行电话营销的相关研究

2.2.1电话营销相关背景

2.2.2电话营销相关文献研究

2.2不平衡数据处理相关研究

2.2.1过采样技术

2.2.2欠采样技术

2.2.3混合采样方法

2.3分类方法相关研究

2.3.1逻辑回归

2.3.2邻近算法

2.3.3决策树算法

2.3.4支持向量机

2.3.5曲面支持向量机

2.4 ABC 分类法

3.相关理论

3.1不平衡数据相关理论

3.1.1 欠采样-Tomek links 噪声处理

3.1.2 过采样-K-Means Smote

3.2支持向量机

3.3曲面支持向量机

3.4软间隔曲面支持向量机

4.数值实验

4.1数据情况及分布

4.2数据预处理

4.2.1类别变量哑变量编码

4.2.2数值型变量标准化处理

4.2.3数值相关性检测

4.3平衡数据集

4.4总结

5.结果比较

5.1学习器性能评价指标介绍

5.1.1混淆矩阵评价指标

5.1.2接受者操作特征曲线

5.2结果分析和比较

5.2.1混淆矩阵及相关结果评价

5.2.2ROC与AUC结果评价

5.3特征分析

6.客户ABC分类管理及建议

4.5%

4.5%

6.1 A 类客户营销建议

6.2 B、C 类客户营销建议

6.3 总结

7.结论与展望

7.1研究展望

7.1.1基于我国国内市场的数据

7.1.2客户银行卡等级分类

7.1.3其他模型相结合

7.1.4其他针对少数类点的处理方法

7.1.5管理方面的其他建议和运用

参考文献

致谢