数据挖掘技术在银行经营中的分析与实现

摘　要：本文从银行业的角度出发，主要研究了如何在银行经营管理中使用数据挖掘技术，归纳了数据挖掘在银行应用的主要方面，给出了银行业使用的数据挖掘具体分析方法，并对数据挖掘在银行具体实现进行了阐述。

关键词：数据挖掘；银行；分析方法；实现
一、引言
　　数据挖掘(Data Mining)是对商业数据库中的大量业务数据进行抽取、转换、分析和其他模型化处理的商业信息处理技术。简而言之，数据挖掘其实是一类深层次的数据分析方法，融合了数理统计、人工智能、可视化技术、数据库技术和计算技术等领域的理论技术。其最终目标是发现有价值的知识，包括概念、规则、模式和模型等，为管理、决策和科学研究提供有利的参考和依据。银行数据挖掘是从大型数据库中发现并提取所需信息的过程,目的是帮助银行管理者寻找各种数据之间的关联与规律，为银行业务发展提供有效的决策支持
二、数据挖掘在银行业的应用
　　传统的银行决策支持系统通常是在某个假设的前提下通过数据查询和分析来验证或否定这个假设,而先进的数据挖掘技术是通过数据的自动分析进行归纳性推理,从中挖掘出潜在的模式来帮助决策者进行正确的决策,这就比传统的客户管理系统更具有效率
(一) 挖掘目标客户由于银行的人力资源和资金是有限的,因此不可能满足所有客户的需要银行应首先根据自己的情况找准市场定位,挖掘目标客户,这样才会更有效率和针对性经过数据挖掘处理得出的拥有庞大客户信息的顾客互动模块就可以很好的满足银行挖掘目标客户的需要
(二) 满足客户金融服务需求银行要经常在与客户沟通的基础上,给客户提供满意的产品服务,以满足客户的金融服务需求。数据挖掘提供的个性化金融市场公用信息预测模块以及银行产品设计分析模块为满足这一功能提供着支持与服务
(三) 提高银行客户管理的精确性只有当银行客户管理的水平上升到一定精确性,银行客户管理才能真正赢得效率和效益的双重目标能否有效提高客户管理的精确性是我国银行缩短与发达国家银行客户管理系统的主要衡量目标数据挖掘技术在提高银行客户管理精确性，提高客户忠诚度方面可以发挥着重要的技术支持作用
三、银行业使用的数据挖掘具体分析方法
(一) 预测建模（predictive modeling）涉及以说明变量函数的方式为目标变量建立模型。有两类预测建模任务：分类（classification）,用于预测离散的目标变量；回归（regression）,用于预测连续的目标变量。在实际使用中，如果要预测一个储蓄客户是否会购买银行的一种理财产品，可使用分类任务，因为该目标变量是二值的。而预测某一企业客户的未来存贷款走势则需使用回归任务，因为存贷款额具有连续值属性。当然这二项任务目标都是建立一个模型，使目标变量预测值与实际值之间的误差达到最小。
(二) 关联分析（association analysis）用来发现描述数据中强关联特征的模式。所发现的模式常用蕴含规则或特征子集的形式表示。用于搜索空间是指数规模的，关联分析的目标是以有效的方式提取最有趣的模式。关联分析可用在对客户持续营销服务时，及时预测出客户特别是企业客户的投融资系列需求，从而及时为客户提出个性化解决方案。
(三) 聚类分析（cluster analysis）主要在发现紧密相关的观测值组群，使得与属于不同簇的观测值相比，属于同一簇的观测值之间尽可能类似。聚类可用来找出具有相关金融产品需求的客户组、识别客户对不同金融产品的共性需求，从而为新的金融产品设计和创新上提供新的途径。
四、数据挖掘在银行业的具体实现
　　数据挖掘技术在银行业中的实现其中一个重要前提条件是，必须建立一个集成统一的客户关系管理(Customer Relationship Management, CRM)数据库，以提高对客户信息的分析能力。从数据库中收集与客户有关的所有信息、交易记录，进行建模，对数据进行分析，对客户将来的行为进行预测。具体实现分为五个阶段：
(一) 建立统一的客户视图。这一阶段，主要是进行数据清理，消除原有业务系统中有关客户账户数据不一致的现象，将其整合到统一的CRM数据库。银行各业务部门建立对客户统一的视图，可以进行相关的客户分析，如客户人数，客户分类，基本需求等。
(二) 加载客户交易信息。这一阶段主要是把客户与银行分销渠道的所有历史交易数据，包括柜台交易、ATM自助设备交易、网上银行交易等，输入到统一的CRM数据库。这一阶段完成后，银行可以分析客户使用分销渠道的情况和分销渠道的容量，了解客户、渠道、服务三者之间的关系。
(三) 评测模型建立。这是为客户的每一个账号建立利润评测模型，需要收入和成本的确定金额，因此要加载内部会计分析系统的财务数据到CRM数据库。
(四) 获得营销视图。银行将账号每天发生的交易明细数据，定时加载到CRM数据库，核对客户行为的变化。　　
五、结语
　　在金融竞争日趋白日化的今天，银行业已逐步走向个性化服务和科学决策阶段，只有不断将新知识新技术充实到银行经营的全过程，充分利用数据挖掘等现代科学技术，为银行各级决策者提供准确的客户分类、忠诚度、盈利能力以及潜在用户等有用信息,协助制定最优的银行营销策略,降低银行运营成本,增加利润，才能使银行业持续、健康的向前发展。 　　 
参考文献：　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　 
[1]Ryzard S Michalski，Ivan Bratko，Miroslav Kubat.机器学习与数据挖掘：方法和应用[M].朱明，等译. 北京：电子工业出版社.2004.
[2]李雄飞，李军.数据挖掘与知识发现[M].北京：高等教育出版社，2003.
[3]朱玉全，杨鹤标，孙蕾，数据挖掘技术[M].南京：东南大学出版社，2006.