浅议基于数据挖掘的推荐系统在银行业的应用.docVIP

目 录 摘要 I 1 引言 1 2 数据挖掘概述 1 3 数据挖掘技术在银行业的应用概况及局限性 2 3.1 应用概况 2 3.1.1客户关系管理 2 3.1.2银行风险管理 3 3.1.3 服务分析与预测 4 3.2 数据挖掘技术在银行业的局限 5 4推荐系统概述 5 4.1 推荐系统的概念 5 4.2 推荐系统的行业应用概况 5 5基于数据挖掘技术的投资理财业务推荐系统 5 5.1 投资理财产品的特点 6 5.2 利用分类分析方法对客户进行分类 6 5.3 利用关联分析方法挖掘客户潜在需求 7 5.4 基于聚类分析技术为客户提供金融决策支持 7 5.5 推荐系统简单原型框架 8 6结论 9 6.1 工作不足 9 6.1.1 缺乏实时监控机制 9 6.1.2 过多收集隐私数据 9 6.2 研究展望 9 参考文献 10 摘要 本文从数据挖掘及推荐系统出发，通过简单介绍数据挖掘技术和推荐系统，分析了我国现阶段银行行业在客户关系管理、银行业务风险管理和业务服务分析中使用数据挖掘技术的概况和其应用的局限，并结合我国银行行业投资理财业务现状，提出了结合了数据挖掘技术和业务推荐系统技术的银行投资理财产品业务推荐系统。并给出了基于数据挖掘技术的推荐系统的简单框架原型。 论文在数据挖掘技术中主要选取了分类分析法对客户进行分析，选取了关联分析法挖掘客户潜在需求，采用聚类分析法对金融产品进行分析，并结合客户具体需求情况进行业务推荐。 关键字：数据挖掘,推荐系统,银行,投资理财 1 引言 随着中国经济的进一步发展，中国进入一个前所未有的理财时代。富裕居民和高端富有人群数量扩大的同时，人们的理财理念与理财需求不断提升，为我国理财产品市场的发展带来了巨大的推动力。而随着银行业的全面开放，我国银行行业正面临着以理财业务为核心的外资银行的全面竞争。在内在需求急剧增加与外部竞争不断加大的双重推力作用下，商业银行个人理财产品市场面临着风险与机遇并存的局面。 如何挖掘潜在的客户,了解客户的偏好,满足客户的需求,针对客户的行为进行恰当的客户细分,通过提供针对性的产品和服务模式或提供新的交叉销售模式,做出适当的营销组合决策,并及时有效地推送给客户，建立自身的核心竞争力,成其发展乃至生存中至关重要的举措。 2 数据挖掘概述 数据挖掘（Data Mining）是一种新的商业信息处理技术，产生于20世纪80年代的美国，首先应用在金融、电信等领域，主要特点是对大量数据进行抽取、转换、分析和模型化处理，从中提取出有助于商业决策的关键性数据。 1989年8月，在第11届国际人工智能联合会议的专题研讨会上首次提出了基于数据库的知识发现(KDD, Knowledge Discovery in Database)技术，但该技术由于涉及的技术面较广，难度较大，一时无法满足当时海量信息处理的要求。1995年，美国计算机年会提出了数据挖掘(DM, Data Mining)的概念，提出了通过数据库抽取隐含的、未知的、具有潜在使用价值信息的过程。 经过多年的发展，数据挖掘技术出现了诸多不同的定义。 从技术角度看，数据挖掘是从大量的、不完全的、有噪声的、模糊的、随机的时间数据中，提取隐含在其中的、人们所不知道的、但又是潜在有用的信息和知识的过程 [1] 。 从商业应用角度看，数据挖掘利用统计学和机器学习技术对商业数据库中的大量业务数据进行抽取、转化、分析和模式化处理来探求那些符合市场、客户行为的模式，并从中提取辅助商业决策关键知识的技术。 3 数据挖掘技术在银行业的应用概况及局限性 数据挖掘概念自提出起，金融行业便对其表现出了极大的兴趣，并率先将其纳入实际应用中。银行信息化的迅速发展，产生了大量的业务数据。从海量数据中提取出有价值的信息，为银行的商业决策服务，是数据挖掘的重要应用领域。汇丰、花旗和瑞士银行是数据挖掘技术应用的先行者。如今，数据挖掘已在银行业有了广泛深入的应用 [2] 。 3.1 应用概况 现阶段，数据挖掘技术在银行金融系统中主要应用于客户关系管理、投资风险预测与控制、信用评估与信用决策、银行竞争情报分析。其中有基于关联规则挖掘技术的银行卡用卡行为分析系统；基于分类技术的信用卡管理系统；基于混合预测模型的股票价格预测系统；基于聚类分析技术的金融投资分析系统等数据挖掘系统。 3.1.1客户关系管理 在银行客户管理生命周期的各个阶段，都会用到数据挖掘技术。 a获取客户 发现和开拓新客户对任何一家银行来说都至关重要。通过探索性的数据挖掘方法，如自动聚类和购物篮分析，可以用来找出客户数据库中的特征，预测对于银行营销活动的响应率。将那些被定为有利的特征可以与新的非客户群进行匹配，以增加营销活动的效果。 数据挖掘还可从银行数据库存储的客户信息中，可以根据事先设定的标准找到符合条件的