银行营销转化数据集

⏱ 2026年3月24日▣ 数据集机器学习◔ 454

详情介绍

“

这是一份适合做营销转化预测和客户触达分析的银行营销数据集，包含 45211 条样本和 17 个字段，适合做分类建模、转化率分析和营销优化研究。

这是一份围绕行业业务问题整理的结构化数据集，适合用于数据分析、机器学习建模和业务洞察提炼。当前文件共包含 45,211 条记录和 17 个字段，字段覆盖范围清晰，适合直接进入建模与可视化阶段。

从数据组织方式看，这份数据集既能支持核心预测任务，也能支持面向业务解释的分析工作。样本中的主要字段包括 age, job, marital, education, default, balance, housing, loan 等，能够围绕目标变量展开风险识别、行为分析或价值评估。

1. 数据集概览

这份数据集是一份适合做营销转化预测和客户触达分析的银行营销数据集，包含 45211 条样本和 17 个字段，适合做分类建模、转化率分析和营销优化研究。

这类数据集的优势在于问题边界清晰，既适合做完整的数据清洗、特征工程和模型比较，也适合整理为图表驱动的分析报告。对于课程设计、项目作品集和论文型展示，它都具备较好的可用性。

当前使用的数据文件包含 45,211 行、17 列。按字段作用可大致划分为以下几组：

字段分组	代表字段	说明
客户基础属性	age, job, marital, education	描述客户年龄、职业、婚姻和教育背景
资产与贷款状态	balance, housing, loan, default	反映账户余额和既有贷款情况
营销过程与结果	contact, month, duration, campaign, poutcome, y	记录触达方式、营销频次、历史结果和最终转化

其中，目标字段 y 是当前最适合优先关注的分析对象。从缺失情况看，poutcome 约为 81.75%、contact 约为 28.80%、education 约为 4.11%，其余字段完整度较高。

这份数据集可以直接支撑以下任务方向：

如果用于课程设计或作品集展示，这类数据的优势在于既能完成清洗、分析、建模和可视化的全流程，又容易把业务问题讲清楚，不会只剩模型指标而缺乏应用背景。

这份数据量充足，业务目标明确，非常适合做二分类建模。需要注意 poutcome、contact、education、job 存在一定比例缺失或未知值，duration 与最终转化关系很强，若用于预测实际触达前结果，需要谨慎处理以避免过度乐观。

如果强调营销前置预测，建议单独讨论是否保留 duration 字段。分析时还可以结合 month、campaign、pdays 和 previous 构建触达策略相关特征，增强业务解释。

下列图表使用 matplotlib 基于真实数据样本自动生成，重点展示数据宏观概览、缺失值初筛和探索性分析结果。

适合做银行电话营销、转化率预测、营销名单筛选和客户响应分析项目。

在展示层面，这类数据集也适合做列表页摘要、详情页图文介绍和管理看板式分析内容，能够同时满足建模展示和业务说明两种需求。