一种基于数据挖掘的金融营销数据库决策分析算法.docxVIP

一种基于数据挖掘的金融营销数据库决策分析算法 0 基于数据挖掘的金融数据库营销 与医学和生物学研究面临的信息过载和问题一样，数字和网络化使各种复杂的系统更加复杂。这些复杂系统的特点是信息众多，研究对象独立、互动，适应性强。在这些领域，数据采集面临着更大的机遇和挑战。 复杂系统分析是通过收集和积累被研究对象的信息,先分析后预测被研究对象行为,然后通过制定相应的策略,达到预期目标的一种研究手段.通过对复杂系统的数据挖掘和策略决策分析:在系统安全方面,可以判断和预测高危地区和危险发生的时间;在智能交通方面,可以得到交通流的规律和预测交通堵塞的地区和时间;在金融方面,可以克服以往各种营销方式普遍存在的缺乏针对性、缺乏个性化的弊端,准确而高效地捕捉客户交易行为和需求,并据此与客户建立良好关系.金融数据库营销可以通过数据挖掘技术将企业的营销力量集中于特定的消费群体,实现对客户的准确定位,降低营销成本提高效率;有助于开展个性化服务,提高客户忠诚度,使企业按照消费者的需求形态来设计与制造产品,开展有针对性的一对一服务,进而增加消费者的满意感和忠诚度. 与国际发达银行相比,我国的金融行业发展较为滞后,这不仅体现在金融产品的创新方面,更体现在对金融产品和客户的分析和预测等方面.尤其是,利用数据挖掘技术对金融产品和客户进行分析和研究的进程较慢.20世纪末期出现的数据挖掘和系统分析的理论和技术,从数据组织与分析的角度为金融产品和客户的分析提供了巨大的支撑. 本文基于最大信息增益和聚类分析的方法,提出一种新的大数据量金融决策分析方法,利用该方法构建金融行业客户和营销策略分析体系模型,并在实践中进行检验,获得了良好效果. 1 挖掘数据和金融数据库营销 1.1 基于数据挖掘的研究方法 随着数据库技术的迅速发展以及数据库管理系统的广泛应用,各应用领域积累的数据越来越多.目前数据之间的关联以及蕴含的信息,由于无法根据现有的数据预测未来的发展趋势,缺乏挖掘数据背后隐藏知识的手段,导致了“数据爆炸但知识贫乏”的现象,因此迫切需要有新的技术和工具来帮助人们从积累的大量数据中快速地寻找有用信息.为了适应这种需要,数据挖掘技术应运而生. 数据挖掘技术是一种从大量的、不完全的、有噪声的、模糊的、随机的数据集中识别有效的、新颖的、潜在有用的以及最终可理解模式的非平滑过程.它能够从大量信息中提取出隐藏的预测信息,可用于从大量杂乱的企业信息资料库中挤压出更有价值的信息.数据挖掘技术不仅能对过去数据进行查询和遍历,而且能够找出过去数据之间的潜在关系,从而促进信息的快速传递.数据挖掘技术作为一个新兴的研究领域,涉及诸如机器学习、模式识别、统计学、智能数据库、知识获取、数据可视化、高性能计算、专家系统等众多学科. 数据挖掘任务一般可以分为两类:描述性的和预测性的.描述性挖掘主要的描述类型包括:类/概念描述、特征化和区分、关联分析及聚类分析.预测性挖掘主要的预测类型包括:分类、回归、演变分析、时间序列、孤立点分析及偏差检测. 根据数据挖掘的基础,可以将数据挖掘的方法分为以下几种基本技术:统计分析方法(如回归分析、相关分析、因子分析等)、仿生物技术(如神经网络方法、遗传算法、免疫进化算法等)、集合论方法(如粗集、概念树、AQ11等)、决策树方法(ID3,C4.5等)以及模糊论方法五大类.下面主要讨论在数据挖掘过程中,这些常用技术方法及其研究现状: (Ⅰ) 统计分析方法:从事物外在数量的表现去推断该事物可能的规律,对关系表中各属性进行统计分析,找出它们之间存在的关系,是比较主流的方法.可细分为:回归分析(多元回归、自回归等)、判别分析(贝叶斯判别、费歇尔判别、非参数判别)、聚类分析(系统聚类、动态聚类等)、探索性分析(主元分析法、相关分析法等)等. (Ⅱ) 人工神经网络:模拟神经元的方法,通过训练来学习非线性预测模型,可以完成分类、聚类等多种数据挖掘任务.神经网络一般是利用MP模型和HEBB学习规则建立的前馈式网络、反馈式网络和自组织网络来模拟各种黑箱模型,通过大数据量的训练和学习,最终得到黑箱模型的近似非线性系统.Tickle等提出了规则提取方法nL,Kohonen等提出了自组织聚类方法. (Ⅲ) 遗传算法:遗传算法是模拟生物进化过程,利用自然界中生物繁殖、交配和突变现象,求得问题最优解的过程.在算法实施中,首先需要对问题进行建模编码,产生初始种群,然后进行编码(染色体)的复制、交换、突变等操作,优胜劣汰,适者生存,直到寻找到最佳的解决方案.近年来,基于遗传规划的知识发现系统研究有了很大的进展,如F1ockhart等的研究成果,Ryu等提出MASSON系统,Teller等提出用进化规划作多媒体数据挖掘,Xu等提出用进化规划做非线性多元回归分析,Noda等用遗传算法做规则发现,Lopes