BP神经网络法银行产品营销研究

导语：BP神经网络法银行产品营销研究一文来源于网友上传，不代表本站观点，若需要原创文章可咨询客服老师，欢迎参考。

摘要：随着商业银行金融业务的发展和体制改革的不断深化，国内各商业银行之间的竞争日趋激烈，这一趋势在国内金融产品营销上的表现得尤为突出。各银行为了获取更多的客户资源、占有更大的市场份额，往往采取“简单”的性价比竞争和“此起彼伏”的推销宣传战，其弊端显而易见。这就要求银行要采取以客户为中心的策略，根据客户的类型和需求提供多样化、层次化、个性化的服务解决方案。因此，营销模型成了预测利润，提高客户满意度、忠诚度的有效指导工具。近几年迅速发展起来的数据挖掘技术就是实现这一目标的重要手段。本文通过bp神经网络对产品营销响应进行预测分析，指导营销方案的设置和提高效率。

关键词：银行；金融产品；预测；BP神经网络

营销模型是企业比较常见的一种预测模型。目标变量可以为预测谁会对某种产品或服务的宣传进行响应，某种营销方式的预测成功率等等；因变量是客户及其行为的各种属性，如:客户类型、客户年龄、客户收入、采取的营销手段等。利用响应模型来预测哪些客户最有可能对营销活动进行响应或者预测一个新的同类营销产品方案成功的机会，从而对他们采取相应的营销活动或者指定营销方案的投入。而对响应度不高的客户群就不用对他们进行营销活动，从而减少活动成本，提高投资回报率。人工神经网络(Artificialneuralnetwork，ANN)简称神经网络，在1986年由Rumelhant和McClelland提出，在目前是应用最为广泛、取得的成就最多的神经网络之一。基本思想是，学习的过程由信号的正向传递和误差的反向传播两个过程组成的，在正向传递过程中，训练样本由输入层输入，根据一定的规则经由隐含层处理后传到输出层，结构是由多个简单的处理单元按某种逻辑相互连接而形成的计算系统，具有自适应自学习等特点，如果输出层输出的信号与期望的输出不符，则转到下一个过程，也就是误差的反向传播。优点是解决非线性问题的建模，具备强大的输入输出非线性映射能力，现在广泛用于智能制造、数据建模分析等行业。常用的神经网络有60多种，其中在营销预测中应用最多的是误差反传网络即BP(Back—propagation)神经网络。其突出优点就是具有很强的非线性映射能力和柔性的网络结构。本文通过BP神经网络对产品营销响应进行预测分析，指导营销方案的设置和提高效率，也可为银行金融产品营销方案的数据建模提供一定的理论依据。

1.基于BP神经网络算法建立挖掘模型

1.1样本提取。样本提取的基本原则：第一，极大地影响结果输出并且容易被检测或提取的变量用作输入变量。第二，尽可能地不要在输入和输出之间存在太多的相关性或非相关性。同时根据输入和输出的性质将它们分为两类：字符变量和数值变量。后者可分为离散变量和连续变量。字符变量只有在转换为离散变量时才能由网络处理。第三，需要使用原始数据中的信号处理或特征提取技术来提取能够反映网络特征的参数作为输入，即是进行归一化处理。因此，在建立营销模式的过程中，我们不应盲目选择所有数据和信息，而应选择样本数据，这不仅可以提高效率，还可以减少资源浪费。1.2样本评估。首先，在设计训练样本集的过程中，网络的性能要求与训练样本具有良好的相关性。样本的大小和质量对于网络非常重要。对于样本数量，营销客户具有大量样本的网络的特征。培训结果可以很好地体现其内在规律。但困难在于采集样本，并且具有大量样本的网络在提高其准确性方面存在很大困难。通常，网络映射的复杂性与网络的大小成比例。训练样本的数量通常是网络连接权重总数的5倍至10倍。在许多情况下，很难满足这些要求。其次，当我们选择和组织样本时，我们需要选择代表性样本，平衡样本类别，并交叉输入不同类型的样本。它是否具有良好的泛化能力是培训网络测试的标准。它是将收集的样本分为两部分，一部分用于训练，另一部分用于测试集，但不用于测试训练集中的数据。测试集样本的误差远大于训练样本的误差，因此网络的泛化能力很差。当我们设计初始权重时，因为训练时间的长度与初始化方法密切相关，所以通过网络权重的初始化来确定错误从哪一点开始。由于神经元动作函数相对于原点的对称性，零点附近的每个节点的净输入和输出处于动作函数的中点，并且该位置的变化最敏感且远离饱和度。动作功能的区域。因此，有必要通过选择较小的初始权重并使初始权重+1和-1相等来加速网络的学习。

2.结果与分析

2.1BP神经网络仿真实验。在客户营销数据的基础上，对此类的金融产品的营销进行神经网络训练及仿真，目标变量为后续关联产品的签约数，以此预测同类金融产品营销的数据。客户类型为A（100万以上理财客户）、B（50-100万理财客户）、C（20-50万理财客户）、D（10-20万理财客户）、E（普通储蓄客户）。预测数据采用DPS软件中的BP神经网络程序分析。2.2结果分析。通过模型得出结果与营销数据比较，两组试验误差较小，BP实验结果具有良好的预测性。营销数据中，A类客户为重要的少数，经过电话沟通以及访谈后，成功理财的机会比较高，同时他们对礼品回馈营销并不敏感，更多倾向于投资收益等专业的服务，需要重点制定对应的营销方案；B类为重要的潜在客户，需要进一步挖掘客户需求。其他客户也需要根据特点进一步细化营销手段。

3.结论

本实验运用人工神经网络结合营销数据，充分挖掘试验数据的信息，建立神经网络模型。通过仿真模型评估和预测的营销数据，和实际数据比较，两组试验误差较小，BP实验结果可行度高且节省了成本，降低了能耗。表明将人工神经网络预测提出的新模型预测方案和数据处理方法是可行的。这种优化的方法为银行金融产品营销的设计提供了一种新的途径。

参考文献：

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

[2]余建英,何旭宏.数据统计分析与SPSS应用[M].北京：人民邮电出版社,2003.

[3]陈刚,刘发生.基于BP神经网络的数据挖掘算法.计算机与现代化,2006(10)

[4]谭立云,凯丽比努尔,塔西普拉提,等.数据挖掘中的数据预处理方法研究[M].合肥：中国科技大学出版社,2004.

作者:李婷婷 单位:中国工商银行广东珠海分行