银行信息化数据仓库需求.pdf

银行信息化数据仓库需求 作者：无聊岁月 对于银行业， CRM 至关重要。 依据众所周知的 2-8 法则，银行业 20 ％的客户贡献了 80 ％ 的利润。然而，根据麦肯锡的研究，在中国的银行业中， 4 ％的客户贡献了 80％的利润。 由于数据量大， 数据来源多样化， 在商业银行构建信息管理系统时， 不可避免地会遇上 如何管理这些浩如烟海的数据以及如何从中提取有用的信息的问题。 以前，银行会将历史数 据从业务数据库中转移到备份系统中，导致无法深入分析数据，难以做出有竞争性的决策。 而数据仓库的最大优点在于它能把企业网络中不同信息岛上的商业数据集中到一起， 存储在 一个单一的集成的数据库中， 并提供各种手段对数据进行统计、 分析， 并且允许企业的各个 部门共享数据， 为企业更快、更好地做出商业决策提供更加准确、 完整的信息。在银行数据 集中后，数据仓库与数据挖掘自然提上日程。 利用数据仓库技术， 可以使原本分散、孤立的 信息相互之间建立良好的联系。 NCRTeradata 数据仓库事业部总裁迈克尔 科勒日前在上海召开的· 2004 年 Teradata 数据 仓库峰会上指出： “许多商业因素驱动企业对数据运用的重视，这些因素包括：企业内部对 决策支持的需求、 降低成本的考虑、 企业内信息共享的需求和不断增加的数据， 而外部因素 则包括企业的合并或并购、法规的要求如新巴塞尔资本协议。 ” 在国际范围内，数据仓库和数据挖掘技术已成为商业银行业务快速发展、全面应用 IT 技术，开展科学管理决策的业务平台。 根据美国 META 集团的调查，数据仓库技术在美国金融业、制造业、商贸业以及社会 服务等方面都得到广泛的应用，已经采用数据仓库的企业的投资回报率均在 40% 以上，部 分企业高达每年 600% 。 数据仓库（ Data Warehouse）是支持管理决策过程的、面向主题的、集成的、动态的、 连续的数据集合。 可以从容量庞大的业务处理型数据库中抽取数据， 清理、 转换为新的存储 格式。根据决策目标，将存储于数据库中的决策分析所必需的、历史的、分散的、详细的数 据，经处理转换成集中统一的、 随时可用的信息。 与传统的数据库系统业务处理为主的 OLTP 应用相比，数据仓库是适应分析处理要求、面向以分析处理为主的 OLAP 应用。 在数据仓库中， 实际数据分为操作数据和分析模型。 操作数据包括客户基本信息、 客户 帐务信息和操作控制（客户个性化服务信息） ，而这些信息的数据格式要求严格一致才能保 证数据处理的成本最小。 分析模型包括客户关系管理分析、市场分析、 客户信用度分析、客 户满意度分析和销售行为分析等。 与之相对应的子系统为策略管理、 OLAP 分析、 策略分析、 策略接口、 渠道优化与接口、 信用分析及风险控制等。 各子系统相应的功能为： 策略管理 —— 用于制订、修改和删除市场策略； OLAP —— 用于分析市场策略的反馈，预测市场策略的性 能：策略分析 —— 用数据挖掘和统计分析来分析客户和市场策略； 策略接口与管理