基于数据挖掘的银行电话精准营销
发布时间：2021-04-10 17:34
随着数据时代的到来和数据挖掘技术的广泛应用,银行金融产品不再是以前单一的、广泛式的撒网销售,而是依托于大数据的智能分析和算法的准确判断,进行多样化的精准营销。电话营销作为银行业传统的营销方式,在获取客户方面是行之有效的。传统的银行电话营销方式由于随机性、低命中率,难以满足时代发展的需求。如何利用好银行数据库中的各种数据,进行科学有效的电话营销,是实现银行数字化、网点智能化的关键所在。本文的研究对象是预测银行电话营销的结果,由于行业特点,银行客户数据集是不平衡的。目前的银行电话营销研究大多集中在提升模型效果上,虽然模型预测结果都不错,但由于模型训练选取的数据集多为平衡数据集,改变了数据集原有的分布,且仅凭一两个指标便选出最优模型,不够全面,与实际应用有所偏差。因此,本课题从数据层面出发,结合数据集的分布,利用数据挖掘工具,综合考虑多个评价指标,研究不平衡数据集的各种采样策略对模型效果的影响,对比得到最佳采样策略,寻找最佳采样策略下的最佳模型,以此来提高模型预测的效果和营销成功率,实现精准营销。最后,对预测错误的样本进行了统计分析,并根据预测结果进行客群分类,挖掘潜在客户具有的特征,从增加...
【文章来源】：哈尔滨工业大学黑龙江省 211工程院校 985工程院校
【文章页数】：71 页
【学位级别】：硕士
【部分图文】：
sigmoid函数
哈尔滨工业大学应用统计硕士学位论文-22-特征处理方式和并行策略四个方面将两个算法进行对比，以此得到LightGBM算法的改进部分的优缺点。在特征选择方面，XGBoost采用的是pre-sorted算法，LightGBM采用的是histogram算法。CART决策树在选择特征时，需要遍历所有特征的所有分割点，根据基尼系数来选择最佳特征和最佳分割点，这样的方法在数据量大的情况下复杂度较高。XGBoost沿用了CART树特征选择的方法，对于遍历到某一特征时，先将样本按该特征的基尼取值排序，然后根据排序样本的二阶梯度进行分割，找到合适的分割点。与此不同的是，LightGBM不进行预排序，而是采用histogram算法将连续特征离散化后做频数直方图来寻找特征的最佳二分点。这样，不仅可以减少内存，还可以降低数据分割的复杂度。但histogram算法也有缺点，它不能找到精确的分割点，训练误差没有pre-sorted算法低。在树的切分策略方面，XGBoost采用的是Level-wise叶子生长策略，如图3-4所示；LightGBM采用的是带深度限制的Left-wise叶子生长策略，如图3-5所示。Level-wise中的树是一层一层进行生长的，同一层的所有节点都进行分裂，最后剪枝。由于有些叶子节点的信息增益并不大，携带的信息量较少，没必要进行分裂，而Level-wise不加区分的对每一层节点进行分裂，会加大计算量。而LightGBM使用的是带有深度限制的Left-wise叶子生长策略，每一层只对增益最大的节点进行分裂。Left-wise叶子生长策略的缺点是当数据量较少时，会长出比较深的树，产生过拟合，降低模型的泛化性和精度。图3-4Level-wise叶子生长策略图3-5Left-wise叶子生长策略
哈尔滨工业大学应用统计硕士学位论文-22-特征处理方式和并行策略四个方面将两个算法进行对比，以此得到LightGBM算法的改进部分的优缺点。在特征选择方面，XGBoost采用的是pre-sorted算法，LightGBM采用的是histogram算法。CART决策树在选择特征时，需要遍历所有特征的所有分割点，根据基尼系数来选择最佳特征和最佳分割点，这样的方法在数据量大的情况下复杂度较高。XGBoost沿用了CART树特征选择的方法，对于遍历到某一特征时，先将样本按该特征的基尼取值排序，然后根据排序样本的二阶梯度进行分割，找到合适的分割点。与此不同的是，LightGBM不进行预排序，而是采用histogram算法将连续特征离散化后做频数直方图来寻找特征的最佳二分点。这样，不仅可以减少内存，还可以降低数据分割的复杂度。但histogram算法也有缺点，它不能找到精确的分割点，训练误差没有pre-sorted算法低。在树的切分策略方面，XGBoost采用的是Level-wise叶子生长策略，如图3-4所示；LightGBM采用的是带深度限制的Left-wise叶子生长策略，如图3-5所示。Level-wise中的树是一层一层进行生长的，同一层的所有节点都进行分裂，最后剪枝。由于有些叶子节点的信息增益并不大，携带的信息量较少，没必要进行分裂，而Level-wise不加区分的对每一层节点进行分裂，会加大计算量。而LightGBM使用的是带有深度限制的Left-wise叶子生长策略，每一层只对增益最大的节点进行分裂。Left-wise叶子生长策略的缺点是当数据量较少时，会长出比较深的树，产生过拟合，降低模型的泛化性和精度。图3-4Level-wise叶子生长策略图3-5Left-wise叶子生长策略
【参考文献】：
期刊论文
[1]不平衡数据的下采样方法研究[J]. 周建伟. 计算机与数字工程. 2019(09)
[2]基于Xgboost和LightGBM算法预测住房月租金的应用分析[J]. 谢勇,项薇,季孟忠,彭俊,黄益槐. 计算机应用与软件. 2019(09)
[3]基于LightGBM的银行信用卡违约研究[J]. 张国庆,昌宁. 科技资讯. 2019(12)
[4]不平衡数据分类方法综述[J]. 李艳霞,柴毅,胡友强,尹宏鹏. 控制与决策. 2019(04)
[5]基于数据挖掘的银行电话营销预测研究[J]. 宣子岳. 现代商业. 2018(24)
[6]不平衡数据分类问题解决办法[J]. 季晨雨. 电子技术与软件工程. 2018(15)
[7]面向不平衡数据集的一种精化Borderline-SMOTE方法[J]. 杨毅,卢诚波,徐根海. 复旦学报(自然科学版). 2017(05)
[8]“互联网+”时代商业银行电话营销转型与发展[J]. 中国信用卡. 2015(11)
[9]试论大数据时代企业的营销模式[J]. 张洁梅,李丽珂. 党政干部学刊. 2014(12)
[10]我国电话营销的发展[J]. 张冠琼. 商业文化(上半月). 2012(02)
硕士论文
[1]Stacking集成模型在银行电话营销中的应用[D]. 王艳雯.兰州大学 2019
[2]银行电话营销成功之路的分析与预测[D]. 高丽.华中师范大学 2017
[3]决策树算法在银行电话营销中的应用[D]. 李明月.华中科技大学 2016
[4]Z银行信用卡客户的电话营销策略研究[D]. 姚颖.大连理工大学 2013
本文编号：3130052
【文章来源】：哈尔滨工业大学黑龙江省 211工程院校 985工程院校
【文章页数】：71 页
【学位级别】：硕士
【部分图文】：
sigmoid函数
哈尔滨工业大学应用统计硕士学位论文-22-特征处理方式和并行策略四个方面将两个算法进行对比，以此得到LightGBM算法的改进部分的优缺点。在特征选择方面，XGBoost采用的是pre-sorted算法，LightGBM采用的是histogram算法。CART决策树在选择特征时，需要遍历所有特征的所有分割点，根据基尼系数来选择最佳特征和最佳分割点，这样的方法在数据量大的情况下复杂度较高。XGBoost沿用了CART树特征选择的方法，对于遍历到某一特征时，先将样本按该特征的基尼取值排序，然后根据排序样本的二阶梯度进行分割，找到合适的分割点。与此不同的是，LightGBM不进行预排序，而是采用histogram算法将连续特征离散化后做频数直方图来寻找特征的最佳二分点。这样，不仅可以减少内存，还可以降低数据分割的复杂度。但histogram算法也有缺点，它不能找到精确的分割点，训练误差没有pre-sorted算法低。在树的切分策略方面，XGBoost采用的是Level-wise叶子生长策略，如图3-4所示；LightGBM采用的是带深度限制的Left-wise叶子生长策略，如图3-5所示。Level-wise中的树是一层一层进行生长的，同一层的所有节点都进行分裂，最后剪枝。由于有些叶子节点的信息增益并不大，携带的信息量较少，没必要进行分裂，而Level-wise不加区分的对每一层节点进行分裂，会加大计算量。而LightGBM使用的是带有深度限制的Left-wise叶子生长策略，每一层只对增益最大的节点进行分裂。Left-wise叶子生长策略的缺点是当数据量较少时，会长出比较深的树，产生过拟合，降低模型的泛化性和精度。图3-4Level-wise叶子生长策略图3-5Left-wise叶子生长策略
哈尔滨工业大学应用统计硕士学位论文-22-特征处理方式和并行策略四个方面将两个算法进行对比，以此得到LightGBM算法的改进部分的优缺点。在特征选择方面，XGBoost采用的是pre-sorted算法，LightGBM采用的是histogram算法。CART决策树在选择特征时，需要遍历所有特征的所有分割点，根据基尼系数来选择最佳特征和最佳分割点，这样的方法在数据量大的情况下复杂度较高。XGBoost沿用了CART树特征选择的方法，对于遍历到某一特征时，先将样本按该特征的基尼取值排序，然后根据排序样本的二阶梯度进行分割，找到合适的分割点。与此不同的是，LightGBM不进行预排序，而是采用histogram算法将连续特征离散化后做频数直方图来寻找特征的最佳二分点。这样，不仅可以减少内存，还可以降低数据分割的复杂度。但histogram算法也有缺点，它不能找到精确的分割点，训练误差没有pre-sorted算法低。在树的切分策略方面，XGBoost采用的是Level-wise叶子生长策略，如图3-4所示；LightGBM采用的是带深度限制的Left-wise叶子生长策略，如图3-5所示。Level-wise中的树是一层一层进行生长的，同一层的所有节点都进行分裂，最后剪枝。由于有些叶子节点的信息增益并不大，携带的信息量较少，没必要进行分裂，而Level-wise不加区分的对每一层节点进行分裂，会加大计算量。而LightGBM使用的是带有深度限制的Left-wise叶子生长策略，每一层只对增益最大的节点进行分裂。Left-wise叶子生长策略的缺点是当数据量较少时，会长出比较深的树，产生过拟合，降低模型的泛化性和精度。图3-4Level-wise叶子生长策略图3-5Left-wise叶子生长策略
【参考文献】：
期刊论文
[1]不平衡数据的下采样方法研究[J]. 周建伟. 计算机与数字工程. 2019(09)
[2]基于Xgboost和LightGBM算法预测住房月租金的应用分析[J]. 谢勇,项薇,季孟忠,彭俊,黄益槐. 计算机应用与软件. 2019(09)
[3]基于LightGBM的银行信用卡违约研究[J]. 张国庆,昌宁. 科技资讯. 2019(12)
[4]不平衡数据分类方法综述[J]. 李艳霞,柴毅,胡友强,尹宏鹏. 控制与决策. 2019(04)
[5]基于数据挖掘的银行电话营销预测研究[J]. 宣子岳. 现代商业. 2018(24)
[6]不平衡数据分类问题解决办法[J]. 季晨雨. 电子技术与软件工程. 2018(15)
[7]面向不平衡数据集的一种精化Borderline-SMOTE方法[J]. 杨毅,卢诚波,徐根海. 复旦学报(自然科学版). 2017(05)
[8]“互联网+”时代商业银行电话营销转型与发展[J]. 中国信用卡. 2015(11)
[9]试论大数据时代企业的营销模式[J]. 张洁梅,李丽珂. 党政干部学刊. 2014(12)
[10]我国电话营销的发展[J]. 张冠琼. 商业文化(上半月). 2012(02)
硕士论文
[1]Stacking集成模型在银行电话营销中的应用[D]. 王艳雯.兰州大学 2019
[2]银行电话营销成功之路的分析与预测[D]. 高丽.华中师范大学 2017
[3]决策树算法在银行电话营销中的应用[D]. 李明月.华中科技大学 2016
[4]Z银行信用卡客户的电话营销策略研究[D]. 姚颖.大连理工大学 2013
本文编号：3130052
本文链接：https://www.wllwen.com/guanlilunwen/bankxd/3130052.html
