本文从某证券公司的新客电话营销问题出发,利用真实数据,优化模型及算法,研究如何更好地向新客户推荐理财产品。为了降低数据缺失对模型性能造成影响,我们尝试了三种方案来解决数据缺失问题,分别是单变量插补法、多变量插补法以及引入新特征,我们用实验论证了以上三种方法的合理性。此外,我们用实验证明,额外加入的社会经济指标,会对显著提升模型精准率。我们考察了五种经典的机器学习模型:分别是逻辑斯谛回归、随机森林、支持向量机、神经网络、stacking集成,提出一种基于理财产品推荐的决策支持系统,提高了推荐精准率。逻辑斯谛回归和随机森林的优点是拟合模型容易被人类理解,同时在分类任务中也提供了良好的预测。与前面两个经典的统计模型相比,支持向量机和神经网络显得更加灵活,它们显示了从线性映射到复杂非线性映射的学习能力,二者的模型效果也是不相上下。由于上述这种灵活性,支持向量机与神经网络往往能够提供准确的预测,但所得到的模型很难被直观理解。而stacking正好弥补了它们的不足。但stacking由于涉及两层学习过程,至少需要运行四次不同的模型,导致运行速度偏慢。有趣的是,理论上最优的神经网络分类表现一般,充分说明了理论模型和实验结果存在一定的差异性。本文带给我们的最深刻的启示是:数据驱动生产。我们在做决策时,需要根据数据选合适的模型,进而才能做出合理的决策。一方面,考虑原始数据是否支持我们建立模型,另一方面,考虑模型的输出数据是否与个人诉求相匹配。