金融行业数据挖掘技术.docxVIP

金融行业数据挖掘技术应用论坛 数据挖掘讨论组朱建秋zhujianqiuhotmail. 一、 一、 简介 “金融行业数据挖掘技术应用论坛” 由中国电子信息产业发展研究院 (CCID)和其旗下赛迪集团战略数据资源管理中心主办，赛迪数据负责具体承办， 2002年11月25日在新世纪 饭店召开。 二、 二、 会议纪要 1. 1.会议容 1) 1) 数据挖掘技术与金融分析 容 数据仓库结构与技术 数据挖掘技术 评分系统在金融决策中的应用 数据挖掘用于评分系统 主要观点： (1) 数据仓库是适合知识发现的过程的结构。数据仓库的处理过程是 从“数据清理/整合—— ＞数据仓库—— ＞数据选择—— ＞数据挖掘—— ＞模式评价一 — ＞知识”不断循环的过程( 注：类似Fayyad 96年提出的数据挖掘过程模型)。 (2) 将数据仓库和挖掘的结构划分为四个层次：第一层是数据层，第 二层是多维数据库层 MDDB第三层是OLAP和OLAM第四层是用户界面。(注：类似 Han Jiawei的OLAM体系结构) (3) 数据挖掘过程包括： 数据选择，数据转换，数据挖掘， 数据解释。 (4) 数据挖掘的方法：联想，划分，聚类，预测，顺序模式，相似时 间序列。 (5) 数据挖掘的科学方法数学工具：统计学，决策树，神经网络，模 糊逻辑，线性规划。 (6) 个人信用评分系统是将个人信用的历史(六个月以上)经过 45 至65个因素的刻划后表述的决策模型。通常个人信用评分为 350至850之间。每人 从850分起，有坏帐记录，即扣去不同比例的分数。经过评分模型的分析，最后得 到决策评分。(850为最好) (7) 评分因素：过去的付帐历史、信用欠帐量、信用卡使用时间、新 信用卡的申请、信用卡的类、信用卡交易情况、现金提取情况 (8) 应用前景：银行各类信贷风险分析，企业和个人信用风险分析 2) 2) 2) 2) 如何利用数据挖掘工具协助进行市场营销 容 数据挖掘的定义 IBM数据挖掘的解决方案 在金融行业的应用 主要观点： （1） （ 1） 强调了数据挖掘过程，首先必须明确需要解决的商业问 题。 （2） （ 2） IBM有从数据库到最上层的挖掘工具的一整套商业智能解 决方案。 （3） （ 3） 在银行应用的层次：信用评分，购物篮分析，区隔分析, 交叉营销/向上营销，客户流失，客户价值。 （4） （4） 讲解了 Lift Chart 图的含义 3） 3） 数据挖掘在金融行业的应用趋势分析 容 数据管理技术的挑战 结构化数据挖掘应用 非结构化数据挖掘应用 金融行业数据挖掘应用趋势 主要观点： （1） （ 1） 八十年代初，银行自动化建设，九十年代初银行网络化建 设阶段，九五末期，数据大集中。 （2） （ 2） 2002年上半年金融行业IT应用特点：数据大集中平稳进 行，“银联”改善信用卡环境，电视会议扩大应用， 个人理财系统成为新焦点， 农信社信息化市场升温，无线局域网开始应用。 （3） （ 3） 结构化挖掘原理：从现有业务系统中抽取数据 （业务数据、 客户数据），建立深层次的分析体系（数据仓库、数据集市、业务分析模型） 以信息驱动业务的管理、新一代电子商务企业（市场触觉敏感、以客户为中 心、以信息驱动）。 （4） （ 4） 一个比喻：数据仓库和数据挖掘好比一个大的厨师烧菜， 开始需要选择原料，然后，将各种原料加工完毕（洗、切、剁等等） ，分门别 类的放在厨房，这时候厨房就象数据仓库。厨师根据这些原料做出菜肴，就 象数据挖掘得出有意义的知识。 （5） （ 5） 结构化数据挖掘容： U 二 人事、财务 CZ 3^ 生产、销售 抽取 过滤 市场需求 客户资料 转换 数据仓库 模型分析 客户忠诚度 客户等级 客户销售 非结构化数据挖掘的意义： 企业战略规划的制定和战术方( 6) 非结构化数据挖掘的意义： 企业战略规划的制定和战术方 企业竞争案的实施离不开对于海量非结构化数据的挖掘和现有知识的管理！ 企业竞争 ( 7) 非结构化数据挖掘在企业竞争情报系统的应用, 情报系统将成为下一个数据挖掘应用的热点。 ( 8) 金融行业数据挖掘应用趋势， 在数据集中的平台上， 结合 结构化和非结构化数据挖掘技术，部署企业的商业智能、客户关系管理、市 场销售分析、竞争对手分析、市场需求动向等。 4) 用友金融行业财务管理解决方案 黄伟先生一上来演示了一个 FLASH游戏，在多不同花色的牌中，让观众记住 一牌，说明他能够知道所有人记住的是什么牌。然后，他抽去一牌，再打开其他 的牌，观众所记住的牌已经都不在了。原因很简单，他换去了所有牌的花色，造 成一种错觉。黄伟先生用这个游戏说明，错觉往往带来错误的决策，引申开来， 数据挖掘需要有正确的数据，才能进行深入的挖掘。 介绍了用友集中式的财务管理解决