项目背景

本项目背景是基于葡萄牙银行电话营销数据的基础上，通过数据分析和机器学习，优化营销策略，提高营销效率。通过数据分析了解客户的需求，通过机器学习，根据客户和当时的社会经济情况，预测用户是否可能购买储蓄产品。

• 这个数据集是关于一家葡萄牙银行机构从2008年5月到2010年11月的直接电话营销活动，旨在促进现有客户的定期存款。它在UCI机器学习库中公开，链接： http://archive.ics.uci.edu/ml/datasets/Bank+Marketing#. 这是真实的商业数据，总共4万多条记录，每一条有21个属性。主要的任务目标是分类预测，用户是否会接受营销。（如果会y列则是yes）

  银行客户信息:#

• 1 - age： 年龄 (数字)

• 2 - job： 工作类型 。管理员（admin）,蓝领（blue-collar）,企业家（entrepreneur）,家庭主妇（housemaid）,管理者（’management’）,退休（’retired’）,个体经营（’self-employed’）,服务业（’services’）,学生（’student’）,技术人员（’technician’）,无业（’unemployed’）,未知（’unknown’)
• 3 - marital : 婚姻状态，离婚（’divorced’）,结婚（’married’）,单身（’single’）,未知（’unknown’）。说明：离婚也包括寡居
• 4 - education： 教育情况 ： 基本4年(‘basic.4y’), 基本6年（’basic.6y’）,基本九年（’basic.9y’）,高中（’high.school’）,文盲（’illiterate’）,专业课程（’professional.course’）,大学学位（’university.degree’）,未知（’unknown’)
• 5 - default: 是否有信用违约? (‘no’,’yes’,’unknown’)
• 6 - housing: 是否有房贷 ( ‘no’,’yes’,’unknown’)

• 7 - loan: 是否有个人贷款 (categorical: ‘no’,’yes’,’unknown’)

  与联络相关信息:#

• 8 - contact: 联系类型，手机（ ‘cellular’）,电话：’telephone’

• 9 - month: 年度最后一次联系的月份 (categorical: ‘jan’, ‘feb’, ‘mar’, …, ‘nov’, ‘dec’)
• 10 - day_of_week: 最后一次联系的星期 (categorical: ‘mon’,’tue’,’wed’,’thu’,’fri’)

• 11 - duration: 上一次联系的通话时长（秒）. 重要提示：此属性高度影响输出目标（例如，如果持续时间=0，则y=’no’）。然而，在执行呼叫之前，持续时间还不知道。而且，在通话结束后，Y显然是已知的。因此，这个输入应该只包括在基准测试中，如果想要有一个实际的预测模型，就应该丢弃它。（预测时不知道会通话的时长）

  其他属性:#

• 12 - campaign: 针对该客户，为了此次营销所发起联系的数量。（数字，包括最后一次联络）

• 13 - pdays: 上次营销到现在已经过了多少天。(数字，如果是999表示这个客户还没有联系过)
• 14 - previous: 在本次营销之前和客户联系过几次（数字）

• 15 - poutcome: 上一次营销活动的结果 ( ‘failure’,’nonexistent’,’success’)

  社会和经济相关属性#

• 16 - emp.var.rate: 就业变动率 -系度指标(numeric)

• 17 - cons.price.idx: 消费物价指数-月度指标 (numeric)
• 18 - cons.conf.idx: 消费者信心指数—月度指标(numeric)
• 19 - euribor3m: 欧元同业拆借利率3个月 - 每日指标 (numeric)

• 20 - nr.employed: 员工数量-季度指标 (numeric)

  输出变量（目标）:#

• 21 - y -客户存钱了吗（被成功营销了吗）? (binary: ‘yes’,’no’)

大数据-183-石堪-2018250104-周志.docx大数据183-石堪-生产实习报告.docx
生产实习报告-大数据183-李钰-2018250082.pdf