非契约环境下,客户未来购买行为逐渐成为营销界研究的热点,学术界通常用随机模型对客户的未来购买行为进行预测,但这种模型在实践界的使用相对较难。如何探索一种简单实用的方法是本研究的主要任务。本文以某商业银行活期储蓄客户的历史交易数据为研究样本,构建启发式算法和随机模型,对客户未来购买行为进行预测,从实证角度证明了启发式算法的确比随机模型预测方法更简单、高效,有效的减少了使用随机模型所付出的机会成本,帮助管理者快速的调整营销策略。本文的主要贡献如下：1.启发式算法在商业银行活期储蓄领域的应用。将启发式算法首次应用在商业银行活期储蓄领域,对客户进行流失识别、未来交易次数的预测及未来交易金额的预测,其预测结果通过与随机模型BG/NBD和Gamma-Gamma模型实现的预测结果的比较,验证启发式算法在商业银行活期储蓄领域的适用,并再一次说明对客户未来购买行为的预测,启发式算法不逊于随机模型。2.结合商业银行活期储蓄客户的具体数据特征,改进启发式算法对客户未来交易次数E[x]模型的预测。根据商业银行活期储蓄客户的特点,提出符合活期储蓄客户业务背景的预测模型,使改进后的模型更适用于测算我国商业银行活期储蓄客户未来交易次数,进一步提高全部客户总计交易次数的预测准确率。3.跳出常规对客户进行分类的研究思路,直接在客户群中根据计算出的客户终身价值选取20%的优质客户,继而从营销资源合理配置的角度为管理者提供决策依据。