银行电话营销成功率影响浅析

前言：本站为你精心整理了银行电话营销成功率影响浅析范文，希望能为你的创作提供参考价值，我们的客服老师可以帮助你提供个性化的参考范文，欢迎咨询。

摘要：电话营销在各行业中的应用越来越普遍，在诸如保险公司、银行等系统内电话营销是联系客户的重要手段之一。影响电话营销成功率的原因有很多，销售员的态度和能力是重要的方面，但这些影响因素的评价相对而言较为主观。文章从以往银行电话营销成功率及其影响因素的数据出发，通过决策树、逻辑回归、神经网络三个模型方法，探究银行电话营销成功率的影响因素。

关键词：数据；营销

一、文献综述

当今，网络经济飞速发展，内地银行业逐渐从依靠柜台营销模式转变，电话营销以及网上营销等新颖的营销方式刚刚起步，商业银行的营销模式未来将会发生剧烈转变，银行电话营销也许会成为主流，研究银行电话营销影响因素的重要性显而易见。近年来，许多国内外学者展开了对银行电话营销的研究。李明月（2016）认为针对银行定期存款数据集，传统决策树算法的分类效率和分类准确度较低，进一步提出了集成分类树算法。王艳雯（2019）提出如何利用数据挖掘技术在银行电话营销目前所处的境地获得较为深远的业务突破，是任何一家银行提高自身的核心竞争力过程中，都不能回避的十分重要的问题，应探究Stacking集成模型在银行电话营销中的应用。王琴（2019）发现在数据时代背景下，综合应用神经网络、支持向量机和决策树等数据挖掘方法建立银行电话营销分类模型，运用案例分析法和比较分析法，通过ROC曲线、响应率曲线和捕获率曲线发现，最好的结果是BP神经网络，其AUC值是0.97。但以往学者针对银行电话营销成功率的影响因素从不同角度展开了众多研究，但研究还存在不足之处：第一，少有学者通过决策树、逻辑回归、神经网络等多个模型对银行电话营销成功率数据进行操作，缺少横向对比；第二，少有学者利用低门槛软件，例本文所用clementine建立模型；第三，内地银行电话营销业务刚刚起步，有众多问题需要发现并研究，但数据较少，关注度较低，针对内地银行电话营销成功率影响因素的研究较少、不深入。但以上不足也为本论文研究提供了一定的空间。本论文将做出的边际贡献：以银行电话营销成功率及其影响因素的相关数据为基础，建立决策树、逻辑回归、神经网络三个模型，获取变量重要性以及模型正确率，通过横向对比，确定最优模型以及影响银行电话营销成功率的重要因素。

二、研究意义及目的

（一）理论意义

本文并对决策树、逻辑回归、神经网络三个方法进行了简单主要内容及优缺点进行了简单介绍。并选取了16个输入变量和1个输出变量y（客户是否认购了定期存款），运用clementine软件工具，通过对来自UCI数据集的45211个银行电话营销成功率及其影响因素的相关数据进行决策树、逻辑回归、神经网络三个模型操作，获取变量重要性以及模型正确率，并对三个模型进行了结果及对比分析，模型正确率依次为89.92%、90.18%、90.66%。确定神经网络模型应用于影响银行电话营销成功率的因素分析更优，且知duration（最后一次联系的持续时间）、month（最后一次联系的月份）、pout-come（上次营销活动的结果）是影响银行电话营销成功率的重要因素，并依托神经网络模型及已知数据对银行电话营销成功率进行预测，对商业银行电话营销提供一定的参考与借鉴。

（二）现实意义

产品营销手段上的先进性和多样性是国外银行的显著优势。国外银行进行专业化电话营销已经有了近二十年的历史，积累了不少的相关经验。但内地银行进行电话营销以及网上营销等新颖的营销方式刚刚起步。银行的传统营销模式与网络经济时代的电话营销模式相对比，在互动方式、去求方式、服务方式、收入模式、发展模式、竞争优势、经营导向等多方面均有所不同。仅运用银行传统营销模式，已不能满足需求，为了增强自身核心竞争力，银行客户服务中心不仅要重视电话呼入服务的处理，更要充分地发挥电话呼出营销的作用，逐步地形成一套完整的银行电话客户服务体系。本文利用决策树、逻辑回归、神经网络三个模型对影响银行电话营销成功率的因素进行对比及分析，可以给商业银行发展自身电话营销业务提供一定的参考价值，助力我国商业银行电话营销成功率稳步提升。

三、方法介绍、优缺点及主要内容

（一）决策树

1.方法介绍。决策树是在已知各种情况发生概率的基础上，通过构成决策树来求取净现值的期望值大于等于零的概率，评价项目风险，判断其可行性的决策分析方法，是直观运用概率分析的一种图解法。2.优点。第一，决策树易于理解并且方便实现。它可以直接体现数据，在学习的过程中，使用者不需要了解众多的背景知识；第二，对于决策树，数据的准备往往是非常简单，甚至是不必要的，数据型和常规型属性能够同时被处理，对大型数据源做出可行并且有效果的结果，只需要较短的时间。3.缺点。第一，对连续性的字段比较难预测；第二，一般的算法分类时，只是根据一个字段来分类；第三，对有时间顺序的数据；第四，当类别太多时，可能会出现错误增加较快；第五，需要很多预处理的工作。

（二）逻辑回归

1.方法介绍。逻辑回归又称Logistic回归分析，是一种广义的线性回归分析模型，常用于数据挖掘、疾病自动诊断、经济预测等领域。逻辑回归从本质来说属于二分类问题。Logistic回归函数的表达为参数化的函数，即：hθ（x）＝11+exp（-θTx）2.优点。第一，训练速度较快，在分类时，和计算量相关的只有特征的数目；第二，简单易理解，模型的可解释性非常好，从特征的权重可以看到不同的特征对最后结果的影响；第三，内存资源占用小，因为只需要存储各个维度的特征值。3.缺点。第一，对多重共线性数据较为敏感；第二，很难处理数据不平衡的问题；第三，准确率并非很高，因为形式非常的简单（非常类似线性模型），很难去拟合数据的真实分布。

（三）神经网络

1.方法介绍。人工神经网络是一种应用类似于大脑神经突触联接的结构进行信息处理的数学模型，是一种运算模型，由大量的节点（或称神经元）和之间相互联接构成。2.优点。第一，自学习和自适应能力：BP神经网络在训练时，能够通过学习自动提取输出、输出数据间的“合理规则”，并自适应地将学习内容记忆于网络的权值中；第二，泛化能力：在设计模式分类器时，需要考虑网络在保证对所需分类对象进行正确分类的同时，关心网络在经过训练后，能否对未见过的模式或有噪声污染的模式进行正确分类；第三，容错能力：在系统受到局部损伤的情况下，仍可以正常进行工作。3.缺点。第一，BP神经网络结构选择不一：对于选择BP神经网络结构，至今，没有一种统一并完整的理论指导，所以目前一般只可以由经验选定；第二，BP神经网络预测能力和训练能力的矛盾问题：在一般情况下，训练能力越高，预测能力相应越高。但当达到某一极限时，随着训练能力的提高，预测能力反而下降；第三，BP神经网络样本依赖性问题：网络模型的逼近以及推广的能力，与学习样本的典型性紧密相关，但是如何从问题中选取典型样本实例，进而组成训练集，目前是一个较为困难的问题。

四、数据选取

本文收集了45211个银行电话营销成功率及其影响因素的相关数据。该数据与葡萄牙一家银行机构的直接营销活动有关。这些营销活动是基于电话的。通常情况下，需要对同一客户进行一次以上的联系，以便了解产品（银行定期存款）是否会被订购（“是”）或不（“否”）。输出变量为：y-客户是否认购了定期存款；输入变量为16个：age（年龄）、job（工作）、marital（婚姻）、education（教育）、default（违约）、Housing（住房）、Loan（贷款）、Contact（联系通信类型）、Month（最后一次联系的月份）、day_of_week（最后一次联系的星期）、duration（最后一次联系的持续时间）、campaign（在这个活动期间为这个客户进行的接触次数）、pdays（在上次活动中最后一次与客户联系后的天数）、previous（在这次活动之前，为这个客户进行的接触次数）、poutcome（上次营销活动的结果）。

五、操作过程及结果

（一）决策树

变量重要性：duration（最后一次联系的持续时间）对y（客户是否认购了定期存款）影响程度最大，大约为0.58；其次，poutcome（上次营销活动的结果）对y的影响程度较大，大约为0.28；再次，month（最后一次联系的月份）对y的影响程度较大，大约为0.12；其他变量影响程度较小，不足0.05。模型正确率：89.92%。

（二）逻辑回归

变量重要性：duration（最后一次联系的持续时间）对y（客户是否认购了定期存款）影响程度最大，大约为0.49；其次，poutcome（上次营销活动的结果）对y的影响程度较大，大约为0.20；再次，month（最后一次联系的月份）对y的影响程度较大，大约为0.18；从次，contact（联系通信类型）对y有一定的影响，大约为0.17；最后，housing（住房）对y有一定的影响，大约为0.16；其他变量影响程度较小，不足0.05。模型正确率：90.18%。

（三）神经网络

变量重要性：duration（最后一次联系的持续时间）对y（客户是否认购了定期存款）影响程度最大，大约为0.33；其次，month（最后一次联系的月份）对y的影响程度较大，大约为0.17；再次，poutcome（上次营销活动的结果）对y的影响程度较大，大约为0.13；其他变量影响程度较小，不足0.05。模型正确率：90.66%。

六、结果对比及分析（如表2所示）

由表2可知，神经网络模型正确率相对高，是三者中最优模型。duration（最后一次联系的持续时间）、month（最后一次联系的月份）、poutcome（上次营销活动的结果）对y的影响程度较大，是影响银行电话营销成功率的重要因素。

参考文献：

[1]陈光荣,王军政,郭盛,等.基于C4.5决策树的自主步态选择算法[J].指挥与控制学报,2021,7(01):38-45.

[2]甘甜.基于决策树分类算法的高校远程教学质量评估研究[J].现代电子技术,2021,44(09):171-175.

[3]李娉,彭海珍,李宏,等.基于BP神经网络和决策树的梅毒早期预警指标的模型构建[J].广东医学,2021,42(04):459-462.

作者:邢瀚文 靳雯涵 靳龄婷 单位:河北经贸大学