前言：本站為你精心整理了銀行電話營銷成功率影響淺析范文，希望能為你的創(chuàng)作提供參考價值，我們的客服老師可以幫助你提供個性化的參考范文，歡迎咨詢。

摘要：電話營銷在各行業(yè)中的應用越來越普遍，在諸如保險公司、銀行等系統(tǒng)內(nèi)電話營銷是聯(lián)系客戶的重要手段之一。影響電話營銷成功率的原因有很多，銷售員的態(tài)度和能力是重要的方面，但這些影響因素的評價相對而言較為主觀。文章從以往銀行電話營銷成功率及其影響因素的數(shù)據(jù)出發(fā)，通過決策樹、邏輯回歸、神經(jīng)網(wǎng)絡三個模型方法，探究銀行電話營銷成功率的影響因素。

關鍵詞：數(shù)據(jù)；營銷

一、文獻綜述

當今，網(wǎng)絡經(jīng)濟飛速發(fā)展，內(nèi)地銀行業(yè)逐漸從依靠柜臺營銷模式轉變，電話營銷以及網(wǎng)上營銷等新穎的營銷方式剛剛起步，商業(yè)銀行的營銷模式未來將會發(fā)生劇烈轉變，銀行電話營銷也許會成為主流，研究銀行電話營銷影響因素的重要性顯而易見。近年來，許多國內(nèi)外學者展開了對銀行電話營銷的研究。李明月（2016）認為針對銀行定期存款數(shù)據(jù)集，傳統(tǒng)決策樹算法的分類效率和分類準確度較低，進一步提出了集成分類樹算法。王艷雯（2019）提出如何利用數(shù)據(jù)挖掘技術在銀行電話營銷目前所處的境地獲得較為深遠的業(yè)務突破，是任何一家銀行提高自身的核心競爭力過程中，都不能回避的十分重要的問題，應探究Stacking集成模型在銀行電話營銷中的應用。王琴（2019）發(fā)現(xiàn)在數(shù)據(jù)時代背景下，綜合應用神經(jīng)網(wǎng)絡、支持向量機和決策樹等數(shù)據(jù)挖掘方法建立銀行電話營銷分類模型，運用案例分析法和比較分析法，通過ROC曲線、響應率曲線和捕獲率曲線發(fā)現(xiàn)，最好的結果是BP神經(jīng)網(wǎng)絡，其AUC值是0.97。但以往學者針對銀行電話營銷成功率的影響因素從不同角度展開了眾多研究，但研究還存在不足之處：第一，少有學者通過決策樹、邏輯回歸、神經(jīng)網(wǎng)絡等多個模型對銀行電話營銷成功率數(shù)據(jù)進行操作，缺少橫向對比；第二，少有學者利用低門檻軟件，例本文所用clementine建立模型；第三，內(nèi)地銀行電話營銷業(yè)務剛剛起步，有眾多問題需要發(fā)現(xiàn)并研究，但數(shù)據(jù)較少，關注度較低，針對內(nèi)地銀行電話營銷成功率影響因素的研究較少、不深入。但以上不足也為本論文研究提供了一定的空間。本論文將做出的邊際貢獻：以銀行電話營銷成功率及其影響因素的相關數(shù)據(jù)為基礎，建立決策樹、邏輯回歸、神經(jīng)網(wǎng)絡三個模型，獲取變量重要性以及模型正確率，通過橫向對比，確定最優(yōu)模型以及影響銀行電話營銷成功率的重要因素。

二、研究意義及目的

（一）理論意義

本文并對決策樹、邏輯回歸、神經(jīng)網(wǎng)絡三個方法進行了簡單主要內(nèi)容及優(yōu)缺點進行了簡單介紹。并選取了16個輸入變量和1個輸出變量y（客戶是否認購了定期存款），運用clementine軟件工具，通過對來自UCI數(shù)據(jù)集的45211個銀行電話營銷成功率及其影響因素的相關數(shù)據(jù)進行決策樹、邏輯回歸、神經(jīng)網(wǎng)絡三個模型操作，獲取變量重要性以及模型正確率，并對三個模型進行了結果及對比分析，模型正確率依次為89.92%、90.18%、90.66%。確定神經(jīng)網(wǎng)絡模型應用于影響銀行電話營銷成功率的因素分析更優(yōu)，且知duration（最后一次聯(lián)系的持續(xù)時間）、month（最后一次聯(lián)系的月份）、pout-come（上次營銷活動的結果）是影響銀行電話營銷成功率的重要因素，并依托神經(jīng)網(wǎng)絡模型及已知數(shù)據(jù)對銀行電話營銷成功率進行預測，對商業(yè)銀行電話營銷提供一定的參考與借鑒。

（二）現(xiàn)實意義

產(chǎn)品營銷手段上的先進性和多樣性是國外銀行的顯著優(yōu)勢。國外銀行進行專業(yè)化電話營銷已經(jīng)有了近二十年的歷史，積累了不少的相關經(jīng)驗。但內(nèi)地銀行進行電話營銷以及網(wǎng)上營銷等新穎的營銷方式剛剛起步。銀行的傳統(tǒng)營銷模式與網(wǎng)絡經(jīng)濟時代的電話營銷模式相對比，在互動方式、去求方式、服務方式、收入模式、發(fā)展模式、競爭優(yōu)勢、經(jīng)營導向等多方面均有所不同。僅運用銀行傳統(tǒng)營銷模式，已不能滿足需求，為了增強自身核心競爭力，銀行客戶服務中心不僅要重視電話呼入服務的處理，更要充分地發(fā)揮電話呼出營銷的作用，逐步地形成一套完整的銀行電話客戶服務體系。本文利用決策樹、邏輯回歸、神經(jīng)網(wǎng)絡三個模型對影響銀行電話營銷成功率的因素進行對比及分析，可以給商業(yè)銀行發(fā)展自身電話營銷業(yè)務提供一定的參考價值，助力我國商業(yè)銀行電話營銷成功率穩(wěn)步提升。

三、方法介紹、優(yōu)缺點及主要內(nèi)容

（一）決策樹

1.方法介紹。決策樹是在已知各種情況發(fā)生概率的基礎上，通過構成決策樹來求取凈現(xiàn)值的期望值大于等于零的概率，評價項目風險，判斷其可行性的決策分析方法，是直觀運用概率分析的一種圖解法。2.優(yōu)點。第一，決策樹易于理解并且方便實現(xiàn)。它可以直接體現(xiàn)數(shù)據(jù)，在學習的過程中，使用者不需要了解眾多的背景知識；第二，對于決策樹，數(shù)據(jù)的準備往往是非常簡單，甚至是不必要的，數(shù)據(jù)型和常規(guī)型屬性能夠同時被處理，對大型數(shù)據(jù)源做出可行并且有效果的結果，只需要較短的時間。3.缺點。第一，對連續(xù)性的字段比較難預測；第二，一般的算法分類時，只是根據(jù)一個字段來分類；第三，對有時間順序的數(shù)據(jù)；第四，當類別太多時，可能會出現(xiàn)錯誤增加較快；第五，需要很多預處理的工作。

（二）邏輯回歸

1.方法介紹。邏輯回歸又稱Logistic回歸分析，是一種廣義的線性回歸分析模型，常用于數(shù)據(jù)挖掘、疾病自動診斷、經(jīng)濟預測等領域。邏輯回歸從本質來說屬于二分類問題。Logistic回歸函數(shù)的表達為參數(shù)化的函數(shù)，即：hθ（x）＝11+exp（-θTx）2.優(yōu)點。第一，訓練速度較快，在分類時，和計算量相關的只有特征的數(shù)目；第二，簡單易理解，模型的可解釋性非常好，從特征的權重可以看到不同的特征對最后結果的影響；第三，內(nèi)存資源占用小，因為只需要存儲各個維度的特征值。3.缺點。第一，對多重共線性數(shù)據(jù)較為敏感；第二，很難處理數(shù)據(jù)不平衡的問題；第三，準確率并非很高，因為形式非常的簡單（非常類似線性模型），很難去擬合數(shù)據(jù)的真實分布。

（三）神經(jīng)網(wǎng)絡

1.方法介紹。人工神經(jīng)網(wǎng)絡是一種應用類似于大腦神經(jīng)突觸聯(lián)接的結構進行信息處理的數(shù)學模型，是一種運算模型，由大量的節(jié)點（或稱神經(jīng)元）和之間相互聯(lián)接構成。2.優(yōu)點。第一，自學習和自適應能力：BP神經(jīng)網(wǎng)絡在訓練時，能夠通過學習自動提取輸出、輸出數(shù)據(jù)間的“合理規(guī)則”，并自適應地將學習內(nèi)容記憶于網(wǎng)絡的權值中；第二，泛化能力：在設計模式分類器時，需要考慮網(wǎng)絡在保證對所需分類對象進行正確分類的同時，關心網(wǎng)絡在經(jīng)過訓練后，能否對未見過的模式或有噪聲污染的模式進行正確分類；第三，容錯能力：在系統(tǒng)受到局部損傷的情況下，仍可以正常進行工作。3.缺點。第一，BP神經(jīng)網(wǎng)絡結構選擇不一：對于選擇BP神經(jīng)網(wǎng)絡結構，至今，沒有一種統(tǒng)一并完整的理論指導，所以目前一般只可以由經(jīng)驗選定；第二，BP神經(jīng)網(wǎng)絡預測能力和訓練能力的矛盾問題：在一般情況下，訓練能力越高，預測能力相應越高。但當達到某一極限時，隨著訓練能力的提高，預測能力反而下降；第三，BP神經(jīng)網(wǎng)絡樣本依賴性問題：網(wǎng)絡模型的逼近以及推廣的能力，與學習樣本的典型性緊密相關，但是如何從問題中選取典型樣本實例，進而組成訓練集，目前是一個較為困難的問題。

四、數(shù)據(jù)選取

本文收集了45211個銀行電話營銷成功率及其影響因素的相關數(shù)據(jù)。該數(shù)據(jù)與葡萄牙一家銀行機構的直接營銷活動有關。這些營銷活動是基于電話的。通常情況下，需要對同一客戶進行一次以上的聯(lián)系，以便了解產(chǎn)品（銀行定期存款）是否會被訂購（“是”）或不（“否”）。輸出變量為：y-客戶是否認購了定期存款；輸入變量為16個：age（年齡）、job（工作）、marital（婚姻）、education（教育）、default（違約）、Housing（住房）、Loan（貸款）、Contact（聯(lián)系通信類型）、Month（最后一次聯(lián)系的月份）、day_of_week（最后一次聯(lián)系的星期）、duration（最后一次聯(lián)系的持續(xù)時間）、campaign（在這個活動期間為這個客戶進行的接觸次數(shù)）、pdays（在上次活動中最后一次與客戶聯(lián)系后的天數(shù)）、previous（在這次活動之前，為這個客戶進行的接觸次數(shù)）、poutcome（上次營銷活動的結果）。

五、操作過程及結果

（一）決策樹

變量重要性：duration（最后一次聯(lián)系的持續(xù)時間）對y（客戶是否認購了定期存款）影響程度最大，大約為0.58；其次，poutcome（上次營銷活動的結果）對y的影響程度較大，大約為0.28；再次，month（最后一次聯(lián)系的月份）對y的影響程度較大，大約為0.12；其他變量影響程度較小，不足0.05。模型正確率：89.92%。

（二）邏輯回歸

變量重要性：duration（最后一次聯(lián)系的持續(xù)時間）對y（客戶是否認購了定期存款）影響程度最大，大約為0.49；其次，poutcome（上次營銷活動的結果）對y的影響程度較大，大約為0.20；再次，month（最后一次聯(lián)系的月份）對y的影響程度較大，大約為0.18；從次，contact（聯(lián)系通信類型）對y有一定的影響，大約為0.17；最后，housing（住房）對y有一定的影響，大約為0.16；其他變量影響程度較小，不足0.05。模型正確率：90.18%。

（三）神經(jīng)網(wǎng)絡

變量重要性：duration（最后一次聯(lián)系的持續(xù)時間）對y（客戶是否認購了定期存款）影響程度最大，大約為0.33；其次，month（最后一次聯(lián)系的月份）對y的影響程度較大，大約為0.17；再次，poutcome（上次營銷活動的結果）對y的影響程度較大，大約為0.13；其他變量影響程度較小，不足0.05。模型正確率：90.66%。

六、結果對比及分析（如表2所示）

由表2可知，神經(jīng)網(wǎng)絡模型正確率相對高，是三者中最優(yōu)模型。duration（最后一次聯(lián)系的持續(xù)時間）、month（最后一次聯(lián)系的月份）、poutcome（上次營銷活動的結果）對y的影響程度較大，是影響銀行電話營銷成功率的重要因素。

參考文獻：

[1]陳光榮,王軍政,郭盛,等.基于C4.5決策樹的自主步態(tài)選擇算法[J].指揮與控制學報,2021,7(01):38-45.

[2]甘甜.基于決策樹分類算法的高校遠程教學質量評估研究[J].現(xiàn)代電子技術,2021,44(09):171-175.

[3]李娉,彭海珍,李宏,等.基于BP神經(jīng)網(wǎng)絡和決策樹的梅毒早期預警指標的模型構建[J].廣東醫(yī)學,2021,42(04):459-462.

作者:邢瀚文 靳雯涵 靳齡婷 單位:河北經(jīng)貿(mào)大學