<< Click to Display Table of Contents >> 当前位置:  深度分析 > 案例介绍  银行电话营销 复制链接

1.背景介绍

电话营销在银行的经营活动中被广泛应用。传统的电话营销采用“广撒网”的形式进行电话宣传推广，这种营销不针对特定的用户群，不具有针对性，更是浪费公司的人力资源和时间成本。因此，需要找到影响电话营销成功的关键因素，更直接有效的锁定目标客户群体，并展开更加正确合理的营销方式。

2.数据说明

某银行提供了客户信息的汇总统计表，每条记录代表一名客户的信息，共计3000条记录。数据字段描述如表所示。

3.方案介绍

首先，根据项目背景介绍，整个问题是一个判断客户是否响应营销活动的业务问题，可以将业务抽象为一个二分类问题，数据集中的y字段，就是建模采用的目标值，其中的是否可作为两个类别应用到模型之中。

决策树是一种基于实例的归纳学习方法，能从给定的训练样本中，提炼出树形的分类模型。树中的每个非叶子节点记录了使用了哪个特征作为判断条件，每个叶子节点代表了判断的类别。根节点到各个叶子节点形成一条分类的决策路径。决策树具有直观，计算效率高的特点，因为其一系列的特点，被广泛应用在分类问题或者构建其他集成算法之中。

4.方案分析

1)模型工作流搭建

决策树模型是一种有监督模型，模型通过寻找特征列和目标列之间的关系，完成模型的建立，并且在有新的特征数据输入模型时，输出（预测）样本是否响应了营销活动。

2)参数配置

根据参数列表中的“意义”项的指引，按需求填写参数值。本案例分裂准则在下拉列表中选择gini，分类策略选择best，最大深度设定为7，其他超参数可进入案例查看。

3)字段选择

如前所述，有监督算法需要指定特征列字段和目标列字段。点击特征列和目标列下方的选择数据按钮。再弹出的字段列表中选择相应的字段。

5.结果说明

当前项目的工作流，决策树算子将输出模型性能指标、ROC曲线、决策树结构、特征重要性、平行坐标图。

•模型性能指标：

训练集和验证集上的性能指标：准确率、召回率、F1-score、支持样本量。其中准确率、召回率、F1-score的取值范围为[0,1]，当数值越接近1，说明模型表现越好。

•ROC曲线

能反映模型在选取不同阈值的时候其敏感性（sensitivity, FPR）和其精确性（specificity, TPR）的趋势走向，ROC曲线有一个巨大的优势就是，当正负样本的分布发生变化时，其形状能够基本保持不变，而P-R曲线的形状一般会发生剧烈的变化，因此该评估指标能降低不同测试集带来的干扰，更加客观的衡量模型本身的性能。

其中，ROC曲线与横轴围成的面积称为AUC值，取值范围为[0,1]，该指标越接近1说明模型表现越好。

•特征重要性

特征重要性展现了每个特征对于模型的影响大小，并对它们进行降序排列，使得研究者能够直观便捷的了解每个特征在模型中发挥作用的大小。

•平行坐标图

平行坐标图是一种通用的可视化方法，能够用于探索高维或多元数据的分布情况。颜色的深浅代表了数据分布情况，颜色越深代表该区间上的数据分布越多。

•决策树结构

决策树可视化图展现了建模形成的决策树的结构形式，说明了决策树的构建过程。