数据挖掘技术在商业银行中应用.docVIP

数据挖掘技术在商业银行中应用 　　［摘 要］ 数据挖掘能够有效分析商业银行数据库中的信息，将其转化为知识为银行的经验决策服务。本文在介绍数据挖掘技术及其主要任务的基础上，总结了数据挖掘在商业银行业务中的主要应用领域为客户关系管理、风险管理和金融欺诈监测，并具体介绍了数据挖掘技术在上述几个领域内的应用。 　　［关键词］ 数据挖掘； 客户关系管理； 风险管理； 欺诈监测 　　doi : 10 . 3969 / j . issn . 1673 - 0194 . 2011 . 09 . 015 　　［中图分类号］TP391；F832.33 ［文献标识码］A ［文章编号］1673 - 0194（2011）09- 0059 - 04 　　 　　１前言 　　 　　商业银行在经营的过程中积累了大量的数据，在信息时代，能否快速准确地从这些数据中发掘规律，获取知识；能否有效地利用这些规律和知识为银行的经营、决策服务，对银行提升竞争力及长远发展来说，是至关重要的。 　　发达国家和地区的商业银行早已利用数据挖掘技术来进行数据库中知识的挖掘。例如，美国汇丰银行用数据挖掘工具 ＫＸＥＮ来挖掘不断增长的客户数据，用来发现交叉销售和“翻滚”销售。美国花旗银行和瑞士银行也是较早采用数据挖掘技术的银行。以美国第一银行为代表的信贷银行深入地将数据挖掘技术运用到信用卡用户分析中。然而，数据挖掘技术在银行业真正得到重视是在客户关系管理系统兴起之后，众多的欧美银行纷纷采用数据挖掘技术来为自己的经营决策服务，其中包括美洲银行、美国商务银行、皇家苏格兰银行、法国兴业银行、德意志银行、荷兰银行、澳大利亚国民银行等。简言之，在数据仓库规模迅速膨胀，数据库技术日益成熟的今天，发达国家和地区的银行都把数据挖掘技术作为一个重要的战略决策手段。 　　上述欧美银行不仅有完善高效的数据收集系统，最重要的是将数据仓库中的数据切切实实地变成了有用的知识，并在经验过程中，实现了知识到财富的转换过程。 　　相比于国外的银行，数据挖掘在我国商业银行中的应用则显得相对苍白无力，对大部分银行来说，还处在数据收集、整理、规范的阶段。对大量数据的进一步处理和应用，还处在一个相当原始的阶段。数据挖掘这项强大的数据处理技术，仍停留在概念的层面。很多银行不知道数据挖掘在哪些银行业务中可以得到应用，更不了解数据挖掘针对银行业务的强大功能，因此在这方面的研究投入也不够。在此背景下，本文在概述数据挖掘技术的前提下，探讨数据挖掘可能在商业银行中的几种应用。 　　 　　２数据挖掘技术简介 　　 　　数据挖掘是指“在数据中发现有效的、新颖的、潜在有用的、可理解的模式的非平凡过程”［１］。数据挖掘这个研究领域是数据库、模式识别、机器学习、统计学、人工智能、并行与分布式计算、数学和可视化技术等多学科交叉的产物，是一个新兴的但具有广泛应用前景的研究领域。数据挖掘的主要任务可以进一步分为如下几类。 　　2．１关联规则挖掘 　　关联规则挖掘是从大量数据中发现项集之间有趣的关联或相关联系，是形如Ａ?圯Ｂ的蕴涵式，支持度ｓ％是指事务数据库Ｄ中至少有ｓ％的事务包含Ａ∪Ｂ；可信度ｃ％是指在事务数据库Ｄ中包含Ａ的事务至少有ｃ％同时也包含Ｂ。关联规则可以帮助许多商务决策的制定。 　　2．２分类与预测 　　分类需要构造分类函数或分类模型，通过分类函数，把数据库中的数据项映射到某个类上。分类模型可以用多种形式表示，如分类（ＩＦ－ＴＨＥＮ）规则、分类树、数学公式或神经网络等。分类和预测可以用于提取描述重要数据类的模型或预测数据未来的趋势，例如可以通过建立分类模型，对银行的贷款客户进行分类，以降低贷款的风险等。 　　2．３聚类分析 　　聚类技术用于发现数据库中未知的类，与分类不同之处在于，在聚类前对类的数量与类型均是未知的，是按照“物以类聚”的原则，将满足相似性条件的对象划分在一组内，不满足相似性条件的对象划分在不同的组。每个组都叫做类（Ｃｌｕｓｔｅｒ），每一类中的对象尽量相似，而不同类间的对象尽量不同。 　　2．４孤立点分析 　　数据库中可能包含一些数据对象，它们与数据的一般行为或模型不一致。这些数据对象是孤立点 （Ｏｕｔｌｉｅｒ）。统计方法常将孤立点视为噪声或异常而丢弃，或试图使孤立点的影响最小化。但在一些应用中孤立点本身可能是非常重要的信息，例如在欺诈探测中，孤立点可能代表了欺诈行为。 　　2．５演变分析 　　数据演变分析（Ｅｖｏｌｕｔｉｏｎ Ａｎａｌｙｓｉｓ）描述行为随时间而变化的对象的发展规律或趋势，并对其建模。例如可以从股票交易数据中挖掘出整个股票市场和特定公司的股票演变规律，帮助预测股票市场的未来走向，帮助做出股票投资的决策。 　　 　　３数据挖掘技术在商业银行中的应用