導語：BP神經(jīng)網(wǎng)絡法銀行產(chǎn)品營銷研究一文來源于網(wǎng)友上傳，不代表本站觀點，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)務的發(fā)展和體制改革的不斷深化，國內(nèi)各商業(yè)銀行之間的競爭日趨激烈，這一趨勢在國內(nèi)金融產(chǎn)品營銷上的表現(xiàn)得尤為突出。各銀行為了獲取更多的客戶資源、占有更大的市場份額，往往采取“簡單”的性價比競爭和“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、個性化的服務解決方案。因此，營銷模型成了預測利潤，提高客戶滿意度、忠誠度的有效指導工具。近幾年迅速發(fā)展起來的數(shù)據(jù)挖掘技術就是實現(xiàn)這一目標的重要手段。本文通過bp神經(jīng)網(wǎng)絡對產(chǎn)品營銷響應進行預測分析，指導營銷方案的設置和提高效率。

關鍵詞：銀行；金融產(chǎn)品；預測；BP神經(jīng)網(wǎng)絡

營銷模型是企業(yè)比較常見的一種預測模型。目標變量可以為預測誰會對某種產(chǎn)品或服務的宣傳進行響應，某種營銷方式的預測成功率等等；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、采取的營銷手段等。利用響應模型來預測哪些客戶最有可能對營銷活動進行響應或者預測一個新的同類營銷產(chǎn)品方案成功的機會，從而對他們采取相應的營銷活動或者指定營銷方案的投入。而對響應度不高的客戶群就不用對他們進行營銷活動，從而減少活動成本，提高投資回報率。人工神經(jīng)網(wǎng)絡(Artificialneuralnetwork，ANN)簡稱神經(jīng)網(wǎng)絡，在1986年由Rumelhant和McClelland提出，在目前是應用最為廣泛、取得的成就最多的神經(jīng)網(wǎng)絡之一?；舅枷胧牵瑢W習的過程由信號的正向傳遞和誤差的反向傳播兩個過程組成的，在正向傳遞過程中，訓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，結構是由多個簡單的處理單元按某種邏輯相互連接而形成的計算系統(tǒng)，具有自適應自學習等特點，如果輸出層輸出的信號與期望的輸出不符，則轉到下一個過程，也就是誤差的反向傳播。優(yōu)點是解決非線性問題的建模，具備強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)絡有60多種，其中在營銷預測中應用最多的是誤差反傳網(wǎng)絡即BP(Back—propagation)神經(jīng)網(wǎng)絡。其突出優(yōu)點就是具有很強的非線性映射能力和柔性的網(wǎng)絡結構。本文通過BP神經(jīng)網(wǎng)絡對產(chǎn)品營銷響應進行預測分析，指導營銷方案的設置和提高效率，也可為銀行金融產(chǎn)品營銷方案的數(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，極大地影響結果輸出并且容易被檢測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性或非相關性。同時根據(jù)輸入和輸出的性質將它們分為兩類：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。字符變量只有在轉換為離散變量時才能由網(wǎng)絡處理。第三，需要使用原始數(shù)據(jù)中的信號處理或特征提取技術來提取能夠反映網(wǎng)絡特征的參數(shù)作為輸入，即是進行歸一化處理。因此，在建立營銷模式的過程中，我們不應盲目選擇所有數(shù)據(jù)和信息，而應選擇樣本數(shù)據(jù)，這不僅可以提高效率，還可以減少資源浪費。1.2樣本評估。首先，在設計訓練樣本集的過程中，網(wǎng)絡的性能要求與訓練樣本具有良好的相關性。樣本的大小和質量對于網(wǎng)絡非常重要。對于樣本數(shù)量，營銷客戶具有大量樣本的網(wǎng)絡的特征。培訓結果可以很好地體現(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)絡在提高其準確性方面存在很大困難。通常，網(wǎng)絡映射的復雜性與網(wǎng)絡的大小成比例。訓練樣本的數(shù)量通常是網(wǎng)絡連接權重總數(shù)的5倍至10倍。在許多情況下，很難滿足這些要求。其次，當我們選擇和組織樣本時，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網(wǎng)絡測試的標準。它是將收集的樣本分為兩部分，一部分用于訓練，另一部分用于測試集，但不用于測試訓練集中的數(shù)據(jù)。測試集樣本的誤差遠大于訓練樣本的誤差，因此網(wǎng)絡的泛化能力很差。當我們設計初始權重時，因為訓練時間的長度與初始化方法密切相關，所以通過網(wǎng)絡權重的初始化來確定錯誤從哪一點開始。由于神經(jīng)元動作函數(shù)相對于原點的對稱性，零點附近的每個節(jié)點的凈輸入和輸出處于動作函數(shù)的中點，并且該位置的變化最敏感且遠離飽和度。動作功能的區(qū)域。因此，有必要通過選擇較小的初始權重并使初始權重+1和-1相等來加速網(wǎng)絡的學習。

2.結果與分析

2.1BP神經(jīng)網(wǎng)絡仿真實驗。在客戶營銷數(shù)據(jù)的基礎上，對此類的金融產(chǎn)品的營銷進行神經(jīng)網(wǎng)絡訓練及仿真，目標變量為后續(xù)關聯(lián)產(chǎn)品的簽約數(shù)，以此預測同類金融產(chǎn)品營銷的數(shù)據(jù)?？蛻纛愋蜑锳（100萬以上理財客戶）、B（50-100萬理財客戶）、C（20-50萬理財客戶）、D（10-20萬理財客戶）、E（普通儲蓄客戶）。預測數(shù)據(jù)采用DPS軟件中的BP神經(jīng)網(wǎng)絡程序分析。2.2結果分析。通過模型得出結果與營銷數(shù)據(jù)比較，兩組試驗誤差較小，BP實驗結果具有良好的預測性。營銷數(shù)據(jù)中，A類客戶為重要的少數(shù)，經(jīng)過電話溝通以及訪談后，成功理財?shù)臋C會比較高，同時他們對禮品回饋營銷并不敏感，更多傾向于投資收益等專業(yè)的服務，需要重點制定對應的營銷方案；B類為重要的潛在客戶，需要進一步挖掘客戶需求。其他客戶也需要根據(jù)特點進一步細化營銷手段。

3.結論

本實驗運用人工神經(jīng)網(wǎng)絡結合營銷數(shù)據(jù)，充分挖掘試驗數(shù)據(jù)的信息，建立神經(jīng)網(wǎng)絡模型。通過仿真模型評估和預測的營銷數(shù)據(jù)，和實際數(shù)據(jù)比較，兩組試驗誤差較小，BP實驗結果可行度高且節(jié)省了成本，降低了能耗。表明將人工神經(jīng)網(wǎng)絡預測提出的新模型預測方案和數(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)品營銷的設計提供了一種新的途徑。

參考文獻：

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

[2]余建英,何旭宏.數(shù)據(jù)統(tǒng)計分析與SPSS應用[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)絡的數(shù)據(jù)挖掘算法.計算機與現(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)預處理方法研究[M].合肥：中國科技大學出版社,2004.

作者:李婷婷 單位:中國工商銀行廣東珠海分行