数据挖掘在金融行业的应用

近年来，随着信息技术的飞速发展，信息技术已从单纯服务运用于业务领域，转变为综合服务运用于业务和管理的各个方面。随着计算机信息技术的发展，金融部门每天的业务都会产生大量数据，利用目前的数据库系统可以有效地实现数据的录入、查询、统计等功能，但无法发现数据中存在的关系和规则，无法根据现有的数据预测未来的发展趋势。由于缺乏挖掘数据背后隐藏的知识的手段，导致了“数据爆炸但知识贫乏”的现象。数据挖掘作为信息技术发展的关键技术，正显现出其巨大的商业价值，在金融领域尤其如此。中国金融企业，迫切需要将市场营销理念从“产品导向”迅速转变为“客户导向”。在这场划时代的金融改革中，数据挖掘技术将成为协助中国金融行业成功转型的一把利刃。

数据挖掘可以广泛应用于金融行业中，它有以下的典型应用：

（一）对目标市场(targeted marketing)客户的分类与聚类。例如，可以将具有相同储蓄和货款偿还行为的客户分为一组。有效的聚类和协同过滤( collaborative filtering)方法有助于识别客户组，以及推动目标市场。

（二）客户价值分析。在客户价值分析之前，一般先使用客户分类，在实施分类之后根据“二八原则”，找出重点客户，即对给银行创造了80%价值的20%客户实施最优质的服务。重点客户的发现，通常采用一系列数据处理、转换过程、AI人工智能等数据挖掘技术来实现。通过分析客户对金融产品的应用频率、持续性等指标来判别客户的忠诚度；通过对交易数据的详细分析来鉴别哪些是银行希望保持的客户；通过挖掘找到流失的客户的共同特征，就可以在具有相似特征的客户还未流失之前进行有针对性的弥补。

（三）客户行为分析。找到重点客户之后，可对其进行客户行为分析，发现客户的行为偏好，为客户贴身定制特色服务。客户行为分析又分为整体行为分析和群体行为分析。整体行为分析用来发现企业现有客户的行为规律。同时，通过对不同客户群组之间的交叉挖掘分析，可以发现客户群体间的变化规律，并可通过数据仓库的数据清洁与集中过程，将客户对市场的反馈自动输入到数据仓库中。通过对客户的理解和客户行为规律的发现，企业可以制定相应的市场策略。

（四）为多维数据分析和数据挖掘设计和构造数据仓库。例如，人们可能希望按月、按地区、按部门以及按其他因素查看负债和收入的变化情况，同时希望能提供诸如最大、最小、总和、平均和其他等统计信息。数据仓库、数据立方体、多特征和发现驱动数据立方体，特征和比较分析，以及孤立点分析等，都会在金融数据分析和挖掘中发挥重要作用。

（五）货款偿还预测和客户信用政策分析。有很多因素会对货款偿还效能和客户信用等级计算产生不同程度的影响。数据挖掘的方法，如特征选择和属性相关性计算，有助于识别重要的因素和非相关因素。例如，与货款偿还风险相关的因素，包括货款率、资款期限、负债率、偿还与收入(payment—to—income)比率、客户收入水平、受教育程度、居住地区、信用历史等等。而其中偿还与收入比率是主导因素，受教育水平和负债率则不是。银行可以据此调整货款发放政策，以便将货款发放给那些曾被拒绝、但根据关键因素分析、其基本信息显示是相对低风险的申请者。

（六）业务关联分析。通过关联分析可找出数据库中隐藏的关联网，银行存储了大量的客户交易信息，可对客户的收入水平、消费习惯、购买物品等指标进行挖掘分析，找出客户的潜在需求；通过挖掘对公客户信息，银行可以作为厂商和消费者之间的中介，与厂商联手，在掌握消费者需求的基础上，发展中间业务，更好地为客户服务。

数据挖掘技术可以用来发现数据库中对象演变特征或对象变化趋势，这些信息对于决策或规划是有用的，金融行业数据的挖掘有助于根据顾客的流量安排工作人员。可以挖掘股票交易数据，发现可能帮助你制定投资策略的趋势数据。挖掘给企业带来的潜在投资回报几乎是无止境的。