“互联网~+”的快速发展与应用为商业银行带来了全新的营商环境。银行在为客户提供更加丰富产品的同时沉淀了海量数据。此种背景下,传统的营销策略因单向性、大众化,缺乏快速且有针对性的应变能力,难以达成理想效果,面临着日趋严峻的挑战。但挑战与机遇并存,大数据背景下,银行可利用各种收集数据的手段建立客户资料库,通过机器学习技术构建客户画像模型,并借此应用个性化推荐系统实现与客户双向交互的精准营销。换言之,商业银行在挖掘客户需求的同时提升客户的忠诚度,培育新的业务和利润增长点。从技术层面上,大数据应用为商业银行营销提出新的研究问题。事实上,精准营销作为一种新的营销范式,其内涵、架构、工具等远未成熟,虽然银行可从外部获取大量的非结构化数据,但将这些数据转换成文本数据应用于客户画像并非易事。目前该领域研究现状:一是用于银行的个性化推荐算法研究与相关案例的研究并不多见;二是基于客户购买行为来评价精准营销效果的定量研究不多;三是提升客户价值的营销设计不多;四是缺失基于客户画像的成功案例;五是电商、医院、保险、会展、零售等领域已有基于客户画像研究的成功案例。这种状况,为本文研究提供了机遇和空间,也是本项研究的价值所在。基于上述认识、判断和思考,本文对研究问题进行了界定,主要是:何为银行精准营销的实现路径?实现银行精准客户画像的方法和工具如何选择?通过个性化推荐系统如何使营销更精准与有效?如何评估银行精准营销的效果和提升客户价值?背后指向是大数据背景下的精准问题。立足于解决问题,以当前商业银行营销现状与精准营销面临的问题为逻辑起点,本文研究定位于大数据背景下商业银行精准营销的设计与应用。在梳理文献的基础上构建精准营销的分析架构,重点阐述大数据与精准营销关系,以及实现精准营销的流程及关键节点。包括:建立大数据背景下的精准营销研究架构,对决策支持系统架构、数据采集系统架构、客户画像架构、推荐系统架构进行系统性分析,探讨其中的逻辑性。运用大数据技术,设计客户画像标签、计算引擎生成画像、引入银行案例,建立神经网络构建客户画像模型并进行实证及评价。基于客户基础属性聚类的协同过滤算法,对商业银行的营销业务需求进行案例评估,对个性化推荐算法的优化设计,并对该算法进行了对比实验与模型评价,从而为解决商业银行的精准营销问题提供了可实操的新思路。同时,论文对商业银行营销效果进行评估及应用设计。