银行营销数据预测分析：从数据到精准营销决策

项目背景

本项目基于葡萄牙银行机构的直接营销活动数据，通过电话联系客户推广定期存款产品。目标是分析客户特征与订阅行为的关系，并构建预测模型识别高潜力客户。

数据集摘要

该数据与葡萄牙银行机构的直接营销活动（电话呼叫）相关。分类目标是预测客户是否会订阅定期存款（变量y）。Kaggle数据集

数据集信息

该数据涉及葡萄牙银行机构的直接营销活动。营销活动基于电话呼叫进行。通常，为了确定客户是否会订阅银行定期存款产品（‘是’或’否’），需要与同一客户进行多次联系。

属性信息

银行客户数据

• 年龄（age）：数值型
• 职业（job）：分类型，包括：‘admin.’（行政人员）、‘blue-collar’（蓝领）、‘entrepreneur’（企业家）、‘housemaid’（家政服务）、‘management’（管理层）、‘retired’（退休人员）、‘self-employed’（自雇者）、‘services’（服务业）、‘student’（学生）、‘technician’（技术人员）、‘unemployed’（失业者）、‘unknown’（未知）
• 婚姻状况（marital）：分类型，包括：‘divorced’（离婚/丧偶）、‘married’（已婚）、‘single’（单身）、‘unknown’（未知）
• 教育程度（education）：分类型，包括：‘basic.4y’（4年基础教育）、‘basic.6y’（6年基础教育）、‘basic.9y’（9年基础教育）、‘high.school’（高中）、‘illiterate’（文盲）、‘professional.course’（职业课程）、‘university.degree’（大学学位）、‘unknown’（未知）
• 信用违约（default）：分类型，包括：‘no’（无违约）、‘yes’（有违约）、‘unknown’（未知）
• 住房贷款（housing）：分类型，包括：‘no’（无）、‘yes’（有）、‘unknown’（未知）
• 个人贷款（loan）：分类型，包括：‘no’（无）、‘yes’（有）、‘unknown’（未知）

与当前营销活动最后一次联系相关的数据

• 联系方式（contact）：分类型，包括：‘cellular’（手机）、‘telephone’（电话）
• 月份（month）：分类型，包括一年中的各个月份：‘jan’（一月）至’dec’（十二月）
• 星期几（day_of_week）：分类型，包括：‘mon’（周一）、‘tue’（周二）、‘wed’（周三）、‘thu’（周四）、‘fri’（周五）
• 通话时长（duration）：数值型，以秒为单位。重要说明：此属性高度影响输出目标（例如，如果duration=0，则y=‘no’）。然而，通话时长在拨打前是未知的，且通话结束后y值显然已确定。因此，该输入仅用于基准测试，若要构建实际预测模型应排除此特征。

其他属性

• 本次活动联系次数（campaign）：数值型，包括本次活动中对该客户的联系次数（含最后一次）
• 上次联系间隔天数（pdays）：数值型，上次活动联系客户后至本次活动的天数（999表示之前未联系过）
• 之前联系次数（previous）：数值型，本次活动前对该客户的联系次数
• 之前活动结果（poutcome）：分类型，包括：‘failure’（失败）、‘nonexistent’（无记录）、‘success’（成功）

社会经济环境属性

• 就业变化率（emp.var.rate）：数值型，季度指标
• 消费者价格指数（cons.price.idx）：数值型，月度指标
• 消费者信心指数（cons.conf.idx）：数值型，月度指标
• 欧元银行同业拆借利率3个月（euribor3m）：数值型，每日指标
• 就业人数（nr.employed）：数值型，季度指标

输出变量（目标变量）

• y：客户是否订阅定期存款（二元：‘yes’（是）、‘no’（否））

数据概览

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler, OneHotEncoder
from sklearn.compose import ColumnTransformer
from sklearn.pipeline import Pipeline
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import accuracy_score, classification_report, confusion_matrix

首先导入数据分析所需的基础库，包括数据处理库pandas、数值计算库numpy、可视化库matplotlib和seaborn，以及机器学习相关模块。这些库提供了从数据加载、处理、可视化到模型构建和评估的完整工具链。

# 设置中文显示
plt.rcParams['font.family'] = ['SimHei', 'WenQuanYi Micro Hei', 'Heiti TC']
plt.rcParams['axes.unicode_minus'] = False

接下来设置中文显示参数，通过plt.rcParams配置字体，确保图表中的中文能正常显示。同时设置axes.unicode_minus为False，解决负号显示为方块的问题。

# 加载数据（注意分隔符为分号）
df = pd.read_csv('bank-additional-full.csv', sep=';')

然后加载数据，由于该数据集使用分号分隔而非默认的逗号，所以在pd.read_csv中指定sep=';'参数以正确解析数据。

# 查看数据基本信息
print('数据集形状:', df.shape)
print('\n数据前5行:\n', df.head())
print('\n数据统计信息:\n', df.describe())
print('\n数据类型与缺失值信息:\n', df.info())

最后通过多种方法查看数据集基本信息：shape属性查看数据规模，head()方法显示前5行样本，describe()提供数值特征的统计摘要，info()则展示各列的数据类型和缺失值情况，为后续分析奠定基础。



数据集包含41,188条记录（行）和21个特征（列）

通过shape确认了数据维度为(41188, 21)

数据预处理与探索性分析

# 检查目标变量分布
plt.figure(figsize=(8, 5))
sns.countplot(x='y', data=df)
plt.title('客户订阅情况分布')
plt.show()

首先分析目标变量分布，通过countplot绘制客户订阅情况的柱状图，直观了解订阅与未订阅客户的比例，判断数据是否存在不平衡问题。

• 未订阅（“no”）：约35,000人（具体精确值需查看实际数据）

• 订阅（“yes”）：约5,000人（柱形高度约为"no"的1/7）

# 分析数值型特征与目标变量的关系
numeric_features = df.select_dtypes(include=['int64', 'float64']).columns.tolist()
plt.figure(figsize=(15, 10))
for i, feature in enumerate(numeric_features[:6]):plt.subplot(2, 3, i+1)sns.boxplot(x='y', y=feature, data=df)plt.title(f'{feature}与订阅情况关系')
plt.tight_layout()
plt.show()

接下来分析数值型特征，通过select_dtypes筛选出所有数值型列，然后使用循环创建2×3的子图布局，通过箱线图比较不同订阅情况下各特征的分布差异，判断数值特征对订阅行为的影响。

# 分析分类型特征与目标变量的关系
categorical_features = df.select_dtypes(include=['object']).columns.tolist()
categorical_features.remove('y')  # 排除目标变量
plt.figure(figsize=(15, 20))
for i, feature in enumerate(categorical_features[:6]):plt.subplot(3, 2, i+1)sns.countplot(x=feature, hue='y', data=df)plt.title(f'{feature}与订阅情况关系')plt.xticks(rotation=45)
plt.tight_layout()
plt.show()

最后分析分类型特征，同样通过select_dtypes筛选出分类型列并排除目标变量，然后使用3×2的子图布局，通过计数图展示不同类别与订阅情况的关系，特别对x轴标签进行45度旋转以避免重叠。

特征工程与模型构建

# 准备特征与目标变量
X = df.drop('y', axis=1)
y = (df['y'] == 'yes').astype(int)  # 将'yes'/'no'转换为1/0

首先准备建模数据，将特征(X)和目标变量(y)分离，其中目标变量通过布尔索引转换为1/0的数值形式，便于模型处理。

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42, stratify=y)

然后划分训练集和测试集，设置test_size=0.2保留20%数据用于测试，random_state=42确保结果可复现，stratify=y使两个集合保持与原数据一致的目标变量分布。

# 定义预处理管道
numeric_transformer = Pipeline(steps=[('scaler', StandardScaler())
])categorical_transformer = Pipeline(steps=[('onehot', OneHotEncoder(handle_unknown='ignore'))
])

接下来定义特征预处理管道：数值型特征使用StandardScaler进行标准化，消除量纲影响；分类型特征使用OneHotEncoder进行独热编码，将类别转换为模型可理解的数值形式，并设置handle_unknown='ignore’处理未知类别。

# 划分数值型和分类型特征
numeric_features = X.select_dtypes(include=['int64', 'float64']).columns
categorical_features = X.select_dtypes(include=['object']).columns# 组合预处理步骤
preprocessor = ColumnTransformer(transformers=[('num', numeric_transformer, numeric_features),('cat', categorical_transformer, categorical_features)])

通过select_dtypes自动识别并划分数值型和分类型特征，然后使用ColumnTransformer组合两种预处理管道，实现对不同类型特征的并行处理。

# 构建完整管道（预处理+模型）
model = Pipeline(steps=[('preprocessor', preprocessor),('classifier', RandomForestClassifier(n_estimators=100, random_state=42))
])# 训练模型
model.fit(X_train, y_train)

将预处理管道与RandomForestClassifier模型组合成一个完整的机器学习管道，这样可以确保预处理步骤仅在训练数据上拟合，避免对测试数据造成数据泄露。设置n_estimators=100构建包含100棵树的随机森林模型。

# 预测与评估
y_pred = model.predict(X_test)print('模型准确率:', accuracy_score(y_test, y_pred))
print('\n分类报告:\n', classification_report(y_test, y_pred))

使用训练好的模型对测试集进行预测，然后通过准确率和分类报告评估模型性能，后者提供了精确率、召回率和F1分数等更全面的指标。

# 混淆矩阵可视化
plt.figure(figsize=(8, 6))
cm = confusion_matrix(y_test, y_pred)
sns.heatmap(cm, annot=True, fmt='d', cmap='Blues')
plt.title('混淆矩阵')
plt.xlabel('预测结果')
plt.ylabel('实际结果')
plt.show()

通过混淆矩阵可视化展示模型预测结果的详细分布，包括真正例(TP)、假正例(FP)、真负例(TN)和假负例(FN)的数量，帮助理解模型在不同类别上的表现。

# 特征重要性分析
if hasattr(model[-1], 'feature_importances_'):# 获取特征名称categorical_ohe_feature_names = model.named_steps['preprocessor'].named_transformers_['cat'].named_steps['onehot'].get_feature_names_out(categorical_features)all_feature_names = list(numeric_features) + list(categorical_ohe_feature_names)# 获取特征重要性importances = model.named_steps['classifier'].feature_importances_indices = np.argsort(importances)[::-1]# 可视化特征重要性plt.figure(figsize=(12, 8))plt.barh(range(len(indices[:15])), importances[indices[:15]])plt.yticks(range(len(indices[:15])), [all_feature_names[i] for i in indices[:15]])plt.title('特征重要性排名（前15位）')plt.xlabel('重要性得分')plt.tight_layout()plt.show()

最后进行特征重要性分析，通过随机森林模型的feature_importances_属性获取各特征对预测的贡献度，然后可视化展示前15位最重要的特征，为后续营销决策提供依据。

结论与营销建议

# 根据分析结果提出营销建议
print('''营销建议:
1. 关注与高订阅率相关的客户特征，如：- 接触时长较长的客户- 之前营销活动成功的客户- 处于特定就业状态的客户2. 优化营销策略:- 针对高潜力客户群体增加营销投入- 改进电话营销的时间安排- 基于客户特征定制营销话术3. 模型可用于客户分群，实现精准营销，提高转化率''')

通过前面的数据分析和模型构建，我们得出以下营销建议：首先应关注接触时长较长、之前营销活动成功以及处于特定就业状态的客户，这些特征与高订阅率高度相关。通过针对高潜力客户群体增加营销投入、改进电话营销的时间安排、基于客户特征定制营销话术等方式优化营销策略。最终，通过该模型可以实现客户分群和精准营销，有效提高转化率和营销效率。