论文总字数：20840字

摘 要

本文运用数据挖掘技术预测银行一次销售活动后的潜在客户。本文的数据来源于某家银行的一次电话营销活动。

在模型设计方面，本文将客户关系管理相关知识与数据挖掘方法相结合，分别运用BP神经网络以及SVM方法预测潜在客户。在对于潜在客户预测模型中，本文选取了10个对预测结果有影响的指标作为输入，以客户是否开通定期存款账户作为输出，设计了两个预测模型。第一个模型采用BP神经网络技术构建的预测模型，在对网络层数、输入层输出层神经节点数目、传递函数、学习函数、隐含层神经节点数的不断测试与调整后，确定了预测效果最好的BP神经网络结构。第二个模型是基于SVM的潜在客户预测模型，通过用交叉验证法调整SVM的核函数和罚函数并最佳参数训练SVM，使模型的预测准确率达到了比较理想的范围。并且通过深入分析BP神经网络和SVM的内部数学机理，讨论了BP神经网络和SVM泛化能力差异的原因。最后，对基于SVM的潜在客户预测模型的相关指标进行灵敏度分析，分析对结果影响最大的因素。

本文工作对营销人员，特别是电话营销活动管理者具有参考价值。

关键词：数据挖掘，BP神经网络，支持向量机，潜在客户

A data-driven approach to predict the potential clients of a bank marketing campaign

Abstract

We propose a data mining (DM) approach to predict the success of a marketing campaign for selling bank deposits. Real-world data were collected from a marketing campaign of a bank.

In terms of model design, based on the in-depth analysis of CRM theory and Data Ming techniques, we proposed BP neural network and SVM to make the prediction.

In the process of potential customers forecasting model, this paper selected the 6 have an impact on success of selling band deposits as input, and the result as output, two prediction model is designed. The first model is the traditional forecast model of BP neural network, the network layer, neural input layer and output layer node number, the transfer function, learning function, implicit layer ganglion points test and adjusted continuously, determine the best prediction of BP neural network structure. The second model is based on the genetic algorithm to optimize neural network prediction model for potential stocks, through the simulation, find this model in the test set samples with poor generalization ability; Stocks potential of the second model based on SVM prediction model, by using cross validation method to adjust kernel functions and penalty function and the best parameters of the SVM training SVM, the model prediction accuracy has reached the ideal range. As well, through in-depth analysis of BP neural network and SVM internal mechanism of mathematics, discussed the reason for the difference between the BP neural network and SVM generalization ability. Finally, a sensitivity analysis was applied to the SVM model and revealed several key attributes.

The paper work for marketing researchers and especially the telemarketing campaign managers have reference value.

Key Words：data mining，BP neural network，support vector machine，potential customers

目 录

摘 要 I

Abstract II

第一章 绪论 1

1.1研究背景与意义 1

1.2国内外研究现状和发展趋势 2

1.2.1CRM的现状和前景 2

1.2.2数据挖掘的研究现状 2

1.3研究目标与主要研究内容 3

1.4 研究方法与技术路线 3

第二章 相关基础 5

2.1 CRM （客户关系管理）相关理论 5

2.1.1CRM的定义 5

2.1.2CRM与传统客户管理的不同 5

2.1.3CRM系统的主要功能 6

2.2数据挖掘理论 6

2.2.1数据挖掘的过程 6

2.2.2数据挖掘的功能 7

2.3 BP神经网络 8

2.3.1 BP神经网络概述 8

2.3.2 BP 神经网络结构 8

2.4 支持向量机 9

2.4.1 支持向量机概述 9

2.4.2 核函数 11

2.4.3二分类支持向量机 11

2.4.4支持向量机主要优点 12

2.5 LIBSVM工具箱 12

2.6 MATLAB 12

第三章 数据处理 14

3.1 样本选取 14

3.2指标选择 14

第四章 基于BP神经网络的潜在客户预测预测模型 20

4.1 网络层数的设计 20

4.2 输入层与输出层神经节点的设计 20

4.3 传递函数的设计 21

4.4学习函数的设计 22

4.5隐含层神经节点的设计 22

4.6预测与分析 23

4.7模型分析 25

第五章 基于SVM的潜在客户预测模型 26

5.1 模型建立 26

5.2 模型分析 26

5.3模型对比分析 28

第六章 结束语 31

6.1主要工作 31

6.2展望 31

致谢 32

参考文献 33

第一章 绪论

1.1研究背景与意义

近几年，企业开展频繁营销活动导致客户精力的分散，开展大量的营销活动非但没有很好地效果，反而产生高额的营销成本。对于企业来说，开展大量的营销活动会会造成营销成本的增加；不开展又缺失与有价值的客户接触的机会。因此如何从少量客户接触行为中提取有用信息,寻找潜在客户群体,从而有针对性的进行营销是亟待解决的问题。

目前，银行也面临着同样的问题。受国际竞争压力的不断加剧，以及金融危机的影响，银行需要增加金融资产。为了增加金融资产一个可行的策略是通过提高利率以及开展市场营销活动来吸引更多的客户开通定期存款账户。但随着营销活动的大量开展同时伴随着费用以及时间成本的增加。

剩余内容已隐藏，请支付后下载全文，论文总字数：20840字