導(dǎo)語(yǔ)：BP神經(jīng)網(wǎng)絡(luò)法銀行產(chǎn)品營(yíng)銷研究一文來(lái)源于網(wǎng)友上傳，不代表本站觀點(diǎn)，若需要原創(chuàng)文章可咨詢客服老師，歡迎參考。

摘要：隨著商業(yè)銀行金融業(yè)務(wù)的發(fā)展和體制改革的不斷深化，國(guó)內(nèi)各商業(yè)銀行之間的競(jìng)爭(zhēng)日趨激烈，這一趨勢(shì)在國(guó)內(nèi)金融產(chǎn)品營(yíng)銷上的表現(xiàn)得尤為突出。各銀行為了獲取更多的客戶資源、占有更大的市場(chǎng)份額，往往采取“簡(jiǎn)單”的性價(jià)比競(jìng)爭(zhēng)和“此起彼伏”的推銷宣傳戰(zhàn)，其弊端顯而易見。這就要求銀行要采取以客戶為中心的策略，根據(jù)客戶的類型和需求提供多樣化、層次化、個(gè)性化的服務(wù)解決方案。因此，營(yíng)銷模型成了預(yù)測(cè)利潤(rùn)，提高客戶滿意度、忠誠(chéng)度的有效指導(dǎo)工具。近幾年迅速發(fā)展起來(lái)的數(shù)據(jù)挖掘技術(shù)就是實(shí)現(xiàn)這一目標(biāo)的重要手段。本文通過(guò)bp神經(jīng)網(wǎng)絡(luò)對(duì)產(chǎn)品營(yíng)銷響應(yīng)進(jìn)行預(yù)測(cè)分析，指導(dǎo)營(yíng)銷方案的設(shè)置和提高效率。

關(guān)鍵詞：銀行；金融產(chǎn)品；預(yù)測(cè)；BP神經(jīng)網(wǎng)絡(luò)

營(yíng)銷模型是企業(yè)比較常見的一種預(yù)測(cè)模型。目標(biāo)變量可以為預(yù)測(cè)誰(shuí)會(huì)對(duì)某種產(chǎn)品或服務(wù)的宣傳進(jìn)行響應(yīng)，某種營(yíng)銷方式的預(yù)測(cè)成功率等等；因變量是客戶及其行為的各種屬性，如:客戶類型、客戶年齡、客戶收入、采取的營(yíng)銷手段等。利用響應(yīng)模型來(lái)預(yù)測(cè)哪些客戶最有可能對(duì)營(yíng)銷活動(dòng)進(jìn)行響應(yīng)或者預(yù)測(cè)一個(gè)新的同類營(yíng)銷產(chǎn)品方案成功的機(jī)會(huì)，從而對(duì)他們采取相應(yīng)的營(yíng)銷活動(dòng)或者指定營(yíng)銷方案的投入。而對(duì)響應(yīng)度不高的客戶群就不用對(duì)他們進(jìn)行營(yíng)銷活動(dòng)，從而減少活動(dòng)成本，提高投資回報(bào)率。人工神經(jīng)網(wǎng)絡(luò)(Artificialneuralnetwork，ANN)簡(jiǎn)稱神經(jīng)網(wǎng)絡(luò)，在1986年由Rumelhant和McClelland提出，在目前是應(yīng)用最為廣泛、取得的成就最多的神經(jīng)網(wǎng)絡(luò)之一。基本思想是，學(xué)習(xí)的過(guò)程由信號(hào)的正向傳遞和誤差的反向傳播兩個(gè)過(guò)程組成的，在正向傳遞過(guò)程中，訓(xùn)練樣本由輸入層輸入，根據(jù)一定的規(guī)則經(jīng)由隱含層處理后傳到輸出層，結(jié)構(gòu)是由多個(gè)簡(jiǎn)單的處理單元按某種邏輯相互連接而形成的計(jì)算系統(tǒng)，具有自適應(yīng)自學(xué)習(xí)等特點(diǎn)，如果輸出層輸出的信號(hào)與期望的輸出不符，則轉(zhuǎn)到下一個(gè)過(guò)程，也就是誤差的反向傳播。優(yōu)點(diǎn)是解決非線性問(wèn)題的建模，具備強(qiáng)大的輸入輸出非線性映射能力，現(xiàn)在廣泛用于智能制造、數(shù)據(jù)建模分析等行業(yè)。常用的神經(jīng)網(wǎng)絡(luò)有60多種，其中在營(yíng)銷預(yù)測(cè)中應(yīng)用最多的是誤差反傳網(wǎng)絡(luò)即BP(Back—propagation)神經(jīng)網(wǎng)絡(luò)。其突出優(yōu)點(diǎn)就是具有很強(qiáng)的非線性映射能力和柔性的網(wǎng)絡(luò)結(jié)構(gòu)。本文通過(guò)BP神經(jīng)網(wǎng)絡(luò)對(duì)產(chǎn)品營(yíng)銷響應(yīng)進(jìn)行預(yù)測(cè)分析，指導(dǎo)營(yíng)銷方案的設(shè)置和提高效率，也可為銀行金融產(chǎn)品營(yíng)銷方案的數(shù)據(jù)建模提供一定的理論依據(jù)。

1.基于BP神經(jīng)網(wǎng)絡(luò)算法建立挖掘模型

1.1樣本提取。樣本提取的基本原則：第一，極大地影響結(jié)果輸出并且容易被檢測(cè)或提取的變量用作輸入變量。第二，盡可能地不要在輸入和輸出之間存在太多的相關(guān)性或非相關(guān)性。同時(shí)根據(jù)輸入和輸出的性質(zhì)將它們分為兩類：字符變量和數(shù)值變量。后者可分為離散變量和連續(xù)變量。字符變量只有在轉(zhuǎn)換為離散變量時(shí)才能由網(wǎng)絡(luò)處理。第三，需要使用原始數(shù)據(jù)中的信號(hào)處理或特征提取技術(shù)來(lái)提取能夠反映網(wǎng)絡(luò)特征的參數(shù)作為輸入，即是進(jìn)行歸一化處理。因此，在建立營(yíng)銷模式的過(guò)程中，我們不應(yīng)盲目選擇所有數(shù)據(jù)和信息，而應(yīng)選擇樣本數(shù)據(jù)，這不僅可以提高效率，還可以減少資源浪費(fèi)。1.2樣本評(píng)估。首先，在設(shè)計(jì)訓(xùn)練樣本集的過(guò)程中，網(wǎng)絡(luò)的性能要求與訓(xùn)練樣本具有良好的相關(guān)性。樣本的大小和質(zhì)量對(duì)于網(wǎng)絡(luò)非常重要。對(duì)于樣本數(shù)量，營(yíng)銷客戶具有大量樣本的網(wǎng)絡(luò)的特征。培訓(xùn)結(jié)果可以很好地體現(xiàn)其內(nèi)在規(guī)律。但困難在于采集樣本，并且具有大量樣本的網(wǎng)絡(luò)在提高其準(zhǔn)確性方面存在很大困難。通常，網(wǎng)絡(luò)映射的復(fù)雜性與網(wǎng)絡(luò)的大小成比例。訓(xùn)練樣本的數(shù)量通常是網(wǎng)絡(luò)連接權(quán)重總數(shù)的5倍至10倍。在許多情況下，很難滿足這些要求。其次，當(dāng)我們選擇和組織樣本時(shí)，我們需要選擇代表性樣本，平衡樣本類別，并交叉輸入不同類型的樣本。它是否具有良好的泛化能力是培訓(xùn)網(wǎng)絡(luò)測(cè)試的標(biāo)準(zhǔn)。它是將收集的樣本分為兩部分，一部分用于訓(xùn)練，另一部分用于測(cè)試集，但不用于測(cè)試訓(xùn)練集中的數(shù)據(jù)。測(cè)試集樣本的誤差遠(yuǎn)大于訓(xùn)練樣本的誤差，因此網(wǎng)絡(luò)的泛化能力很差。當(dāng)我們?cè)O(shè)計(jì)初始權(quán)重時(shí)，因?yàn)橛?xùn)練時(shí)間的長(zhǎng)度與初始化方法密切相關(guān)，所以通過(guò)網(wǎng)絡(luò)權(quán)重的初始化來(lái)確定錯(cuò)誤從哪一點(diǎn)開始。由于神經(jīng)元?jiǎng)幼骱瘮?shù)相對(duì)于原點(diǎn)的對(duì)稱性，零點(diǎn)附近的每個(gè)節(jié)點(diǎn)的凈輸入和輸出處于動(dòng)作函數(shù)的中點(diǎn)，并且該位置的變化最敏感且遠(yuǎn)離飽和度。動(dòng)作功能的區(qū)域。因此，有必要通過(guò)選擇較小的初始權(quán)重并使初始權(quán)重+1和-1相等來(lái)加速網(wǎng)絡(luò)的學(xué)習(xí)。

2.結(jié)果與分析

2.1BP神經(jīng)網(wǎng)絡(luò)仿真實(shí)驗(yàn)。在客戶營(yíng)銷數(shù)據(jù)的基礎(chǔ)上，對(duì)此類的金融產(chǎn)品的營(yíng)銷進(jìn)行神經(jīng)網(wǎng)絡(luò)訓(xùn)練及仿真，目標(biāo)變量為后續(xù)關(guān)聯(lián)產(chǎn)品的簽約數(shù)，以此預(yù)測(cè)同類金融產(chǎn)品營(yíng)銷的數(shù)據(jù)?？蛻纛愋蜑锳（100萬(wàn)以上理財(cái)客戶）、B（50-100萬(wàn)理財(cái)客戶）、C（20-50萬(wàn)理財(cái)客戶）、D（10-20萬(wàn)理財(cái)客戶）、E（普通儲(chǔ)蓄客戶）。預(yù)測(cè)數(shù)據(jù)采用DPS軟件中的BP神經(jīng)網(wǎng)絡(luò)程序分析。2.2結(jié)果分析。通過(guò)模型得出結(jié)果與營(yíng)銷數(shù)據(jù)比較，兩組試驗(yàn)誤差較小，BP實(shí)驗(yàn)結(jié)果具有良好的預(yù)測(cè)性。營(yíng)銷數(shù)據(jù)中，A類客戶為重要的少數(shù)，經(jīng)過(guò)電話溝通以及訪談后，成功理財(cái)?shù)臋C(jī)會(huì)比較高，同時(shí)他們對(duì)禮品回饋營(yíng)銷并不敏感，更多傾向于投資收益等專業(yè)的服務(wù)，需要重點(diǎn)制定對(duì)應(yīng)的營(yíng)銷方案；B類為重要的潛在客戶，需要進(jìn)一步挖掘客戶需求。其他客戶也需要根據(jù)特點(diǎn)進(jìn)一步細(xì)化營(yíng)銷手段。

3.結(jié)論

本實(shí)驗(yàn)運(yùn)用人工神經(jīng)網(wǎng)絡(luò)結(jié)合營(yíng)銷數(shù)據(jù)，充分挖掘試驗(yàn)數(shù)據(jù)的信息，建立神經(jīng)網(wǎng)絡(luò)模型。通過(guò)仿真模型評(píng)估和預(yù)測(cè)的營(yíng)銷數(shù)據(jù)，和實(shí)際數(shù)據(jù)比較，兩組試驗(yàn)誤差較小，BP實(shí)驗(yàn)結(jié)果可行度高且節(jié)省了成本，降低了能耗。表明將人工神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)提出的新模型預(yù)測(cè)方案和數(shù)據(jù)處理方法是可行的。這種優(yōu)化的方法為銀行金融產(chǎn)品營(yíng)銷的設(shè)計(jì)提供了一種新的途徑。

參考文獻(xiàn)：

[1]KantardzicM.DataMiningConcepts,Models,Methods,andAlgorithms[M].[S.1.]:IEEEPressPublishingHouse,2002.

[2]余建英,何旭宏.數(shù)據(jù)統(tǒng)計(jì)分析與SPSS應(yīng)用[M].北京：人民郵電出版社,2003.

[3]陳剛,劉發(fā)生.基于BP神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)挖掘算法.計(jì)算機(jī)與現(xiàn)代化,2006(10)

[4]譚立云,凱麗比努爾,塔西普拉提,等.數(shù)據(jù)挖掘中的數(shù)據(jù)預(yù)處理方法研究[M].合肥：中國(guó)科技大學(xué)出版社,2004.

作者:李婷婷 單位:中國(guó)工商銀行廣東珠海分行