BP神經(jīng)網(wǎng)絡(luò)法銀行產(chǎn)品營銷研究

時間:2022-10-29 11:24:52

導(dǎo)語:BP神經(jīng)網(wǎng)絡(luò)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。

BP神經(jīng)網(wǎng)絡(luò)法銀行產(chǎn)品營銷研究

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(wù)解決方案。因此,營銷模型成了預(yù)測利潤,提高客戶滿意度、忠誠度的有效指導(dǎo)工具。近幾年迅速發(fā)展起來的數(shù)據(jù)挖掘技術(shù)就是實現(xiàn)這一目標(biāo)的重要手段。本文通過bp神經(jīng)網(wǎng)絡(luò)對產(chǎn)品營銷響應(yīng)進(jìn)行預(yù)測分析,指導(dǎo)營銷方案的設(shè)置和提高效率。

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

營銷模型是企業(yè)比較常見的一種預(yù)測模型。目標(biāo)變量可以為預(yù)測誰會對某種產(chǎn)品或服務(wù)的宣傳進(jìn)行響應(yīng),某種營銷方式的預(yù)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(yīng)模型來預(yù)測哪些客戶最有可能對營銷活動進(jìn)行響應(yīng)或者預(yù)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(yīng)的營銷活動或者指定營銷方案的投入。而對響應(yīng)度不高的客戶群就不用對他們進(jìn)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(luò)(Artificialneuralnetwork,ANN)簡稱神經(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?;舅枷胧?,學(xué)習(xí)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(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(yīng)自學(xué)習(xí)等特點,如果輸出層輸出的信號與期望的輸出不符,則轉(zhuǎn)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(luò)有60多種,其中在營銷預(yù)測中應(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)點就是具有很強的非線性映射能力和柔性的網(wǎng)絡(luò)結(jié)構(gòu)。本文通過BP神經(jīng)網(wǎng)絡(luò)對產(chǎn)品營銷響應(yīng)進(jìn)行預(yù)測分析,指導(dǎo)營銷方案的設(shè)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(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)中的信號處理或特征提取技術(shù)來提取能夠反映網(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,在建立營銷模式的過程中,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。1.2樣本評估。首先,在設(shè)計訓(xùn)練樣本集的過程中,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)量對于網(wǎng)絡(luò)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(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,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,另一部分用于測試集,但不用于測試訓(xùn)練集中的數(shù)據(jù)。測試集樣本的誤差遠(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)我們設(shè)計初始權(quán)重時,因為訓(xùn)練時間的長度與初始化方法密切相關(guān),所以通過網(wǎng)絡(luò)權(quán)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(yuǎn)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(quán)重并使初始權(quán)重+1和-1相等來加速網(wǎng)絡(luò)的學(xué)習(xí)。

2.結(jié)果與分析

2.1BP神經(jīng)網(wǎng)絡(luò)仿真實驗。在客戶營銷數(shù)據(jù)的基礎(chǔ)上,對此類的金融產(chǎn)品的營銷進(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)測同類金融產(chǎn)品營銷的數(shù)據(jù)。客戶類型為A(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(yù)測數(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。通過模型得出結(jié)果與營銷數(shù)據(jù)比較,兩組試驗誤差較小,BP實驗結(jié)果具有良好的預(yù)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(wù),需要重點制定對應(yīng)的營銷方案;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)特點進(jìn)一步細(xì)化營銷手段。

3.結(jié)論

本實驗運用人工神經(jīng)網(wǎng)絡(luò)結(jié)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(luò)模型。通過仿真模型評估和預(yù)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(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)測提出的新模型預(yù)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(shè)計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(yù)處理方法研究[M].合肥:中國科技大學(xué)出版社,2004.

作者:李婷婷 單位:中國工商銀行廣東珠海分行