近年来数据挖掘和云计算得到了大力发展,各行各业都收集了大量用户行为信息。为了更好满足用户需求,以用户为中心的行为分析成为了各行业的焦点,提供良好的用户体验成为企业发展的关键。欧洲最大的零售银行桑坦德银行业务希望通过对用户行为分析,预测用户未来会增加购买的银行产品,以便根据用户的需求调整自身的业务。本论文采用kaggle数据竞赛平台上桑坦德银行提供的公开数据集,根据用户前17个月购买产品的数据记录,预测当月用户增加购买产品的情况。将原始问题转化为一个多分类问题。预测出用户购买各类产品的概率,选择概率最大的7个产品有序地推荐给用户。论文整个过程主要分为五步。第一步是对课题的研究现状和意义进行分析。第二步是对模型的分析和研究,为后面实验积累理论基础。第三步是对数据预处理,进行探索性数据分析和数据可视化,通过对庞杂的数据进行可视化分析可以更加直观深刻地理解数据蕴含的意义,为特征工程提供理论根据。第四步是对数据进行特征工程处理,特征工程在整个数据挖掘过程有着举足轻重的作用,模型是达到最好效果的方法。通过对数据特征进行提取、选择和构建,不断迭代这一过程直到模型得到好的效果。第五步是进行模型参数调优,得到最终的结果,展示在不同特征工程下XGBoost模型和LightGBM模型与其他一些模型的效果对比。基于梯度提升模型的产品预测不仅仅适用于桑坦德银行,还可以将此方法用在国内各大银行产品业务上,提高银行工作效率和业务水平。