论文部分内容阅读
随着“互联网+”的快速发展和大数据技术应用的不断深入,各行业积累了大量的用户行为信息。基于更好满足用户需求,以用户为中心的行为分析成为各行业的焦点,提供良好的用户体验服务是企业发展的关键。传统商业银行业务体量大、用户数众多,银行期望通过对用户历史行为做分析,预测用户未来会增加购买的银行产品,以便根据用户的需求调整自身的业务,适应互联网金融发展的潮流。本文研究分析银行用户的历史行为数据,提出一种银行客户购买产品意向预测模型。首先,对数据进行特征工程处理,通过数据清洗、分类和筛选,构建本文的输入特征向量。其次,采用支持向量机(SVM)、最小二乘支持向量机(LS-SVM)以及对比模型XGBoost和LightGBM等模型在数据集上进行训练,并使用带交叉验证的网格遍历法对模型参数做优化,分别针对惩罚因子和核函数开展参数调整和优化工作,寻找最优的参数组合,得到模型的较好的效果。最后,将支持向量机模型同XGBoost模型、LightGBM模型等其他模型的性能效果作对比分析。实证研究采用西班牙桑坦德银行的公开数据集。采用数据统计分析技术,进行数据特点分类统计,分析原始数据的隐含信息。基于数据统计分析结构,再通过特征工程对数据进行特征提取,从初始特征、简单特征和复杂特征等三个层面分析构建本文的数据特征。进一步,运用模型进行银行客户购买倾向预测,根据用户前17个月购买产品的历史行为记录,预测当月用户新增购买产品的情况。银行客户可能会新增加购买多个银行产品,本文将原始问题转化为一个多分类问题,依据预测用户购买各类产品的概率进行排序,选择概率最大的多个产品有序地推荐给用户。最后,采用通用的评估指标对模型效果进行性能评估。研究发现,本文得出最优的组合参数,采用线性核函数的LS-SVM取得最好的效果,分类准确率达到87.41%。本文提出银行客户购买产品意向预测模型可适用在国内各大银行产品业务上,从而提高银行工作效率和业务水平。本文的创新点和贡献主要有:一是提出一种融合的特征提取框架和方法,采用特征工程对原始特征进行清洗、分类和重构,形成了新的特征,该特征提取方法可以较好和有效的表达银行客户的历史购买行为的特点。二是构建一种融合支持向量机的预测模型进行购买产品的多分类问题预测。在构建最优参数模型的过程中,采用网格遍历法对支持向量机进行参数的优化,训练得到最优的预测模型,再用于客户未来购买产品意向预测。本文工作对银行客户未来购买产品意向预测研究具有重要参考价值,为银行向客户推荐理财产品提供决策依据。