银行营销机器学习项目：从亏损到盈利的数据科学实践

BYU-Idaho CSE450课程团队项目针对银行电话营销的类别不平衡问题（正例仅11.4%），采用SMOTE过采样、类别权重、概率阈值调优及多模型对比（随机森林、集成堆叠等技术），将营销活动从亏损转为盈利，同时生成可解释的客户洞察。

银行电话营销面临效率低、成本高问题，尤其类别不平衡（正例占比10-15%）导致传统模型无业务价值。项目使用UCI银行营销数据集（约37000条记录，正例占11.4%），特征涵盖客户基本信息、金融状况、联系历史及宏观经济指标。

团队构建三种模型：1.随机森林+SMOTE过采样+手动类别权重；2.平衡随机森林（自动类别权重）；3.集成堆叠（RF+KNN基学习器+逻辑回归元学习器，阈值调优至0.61）。类别不平衡处理技术包括SMOTE插值生成合成样本、类别权重调整、概率阈值优化。

无ML筛选时测试集亏损$157；最佳模型后盈利$824，规模化至4119人预计盈利$7775。客户洞察：高转化群体（历史转化客户、学生、退休人员），低转化群体（固定电话客户、蓝领工人），精确率从11.5%提升至47.2%。

成功关键：业务问题驱动（聚焦盈利目标）、选择业务相关评估指标（非准确率）、重视可解释性（生成客户洞察）、迭代优化（从简单到复杂模型）。

模型层面：深度学习、时间序列、强化学习；业务层面：个性化推荐、联系时机优化、客户生命周期价值预测；技术层面：实时推理、A/B测试、模型监控。