数据挖掘在商业银行中的应用

随着中国加入WTO，国内金融业正在快速发展，能够为金融客户提供更优质的服务和更多的选择，商业银行在面对空前机会的同时也面临着挑战。商业银行在日常业务中需要收集和处理大量的数据，而商业银行在金融领域的业务特点以及激烈的市场竞争决定了其对信息化、电子化比其它领域有更迫切的需求。数据挖掘技术可以帮助商业银行通过客户细分更好的提供差异化服务，防止客户流失、通过欺诈监测分析预警以降低风险，避免经营损失等。

数据挖掘概述

数据挖掘是指从大量不完全的、有噪声的、模糊的、随机的数据中，提取隐含在其中的、有用的信息和知识的过程，其表现形式为概念、规则、模式等形式。数据挖掘是一种新的商业信息处理技术，利用数据挖掘技术可以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，从中提取辅助商业决策的关键性数据。

数据挖掘的任务主要包括：找出数据库中隐藏关联网的关联规则挖掘；发现数据的分布模式并按照相似性归类的聚类分析；找出一个类别概念描述的分类；利用历史数据找出变化规律来建立模型，并由模型对未来数据特征进行的预测；通过时间序列搜索出模式并预测未来的时序模式；发现数据库中数据异常情况的偏差分析等。

数据挖掘的方法主要包括：成分分析、判别分析等统计分析方法；通过树枝状展现数据受各变量影响情况的决策树；模仿人脑思考结构进行数据分析的神经网络；运用最佳化空间搜索方法的遗传算法；利用等价关系进行属性约简的粗糙集等。

数据挖掘的实施步骤分为以下六个阶段：定义商业问题——针对问题与需求进行了解确认，将其转换成数据挖掘的问题并拟定初步构想；数据理解——收集数据、建立数据库与分析数据；数据预处理——把各种不同来源的数据加以整理，以适合数据挖掘技术的使用；建立模型——对预处理过的数据应用各种数据挖掘技术建立分析模型，发现问题的根源；评价和解释——对挖掘结果进行评价和解释；实施——将模型提供给分析人员作参考，或将模型应用到不同数据集上并监控效果。

数据挖掘在商业银行中的价值

据IBM公司的测算，许多企业花费昂贵代价建立起来的数据库，真正有用的只有7%，问题就在于怎样发现有用的信息。商业银行在日常业务中积累了大量的业务数据，拥有庞大的客户信息库与交易记录库，如果不能有效的将数据转化为有用的信息，就会导致其在面临金融风险的同时造成信息的流失和资源的浪费。

商业银行的日常金融事务需要收集和处理大量数据，通过对这些数据进行分析，可以发现隐含在其中的数据模式及特征，然后发现某个客户或消费群体在金融产品方面的特定兴趣，并且还能够观察和预测金融市场的变化趋势。由于商业银行在开展金融业务时，同时面临着巨大的商业利润与金融风险，为了保证最大的利润和最小的风险，就需要对银行帐户进行科学全面的分析和归类，并进行信用评估。利用数据挖掘技术能够发现商业银行日常业务中的潜在模式，在庞大的数据海洋中筛选出最有价值的信息，为重大商业决策的制定提供关键依据，更好的为银行业务服务。

数据挖掘在商业银行中的应用

一、客户细分

客户细分是指按照一定的标准将企业的现有客户划分为不同的客户群。一个银行的客户是多种多样的，各个客户的需求也是千变万化的，银行不可能满足所有客户的所有需求，因而银行应该分辨出它能有效为之服务的最具吸引力的市场。对一个银行来说，在经营管理中应用客户细分是很有必要的，面对竞争和挑战，重点是做好客户市场细分，有效发掘客户需求，提供客户差异化服务，使客户收益最大化的同时最大程度降低风险。

在对客户进行细分的方法中，除了传统的按照客户基本属性进行分类的方法以外，还有其他多种客户细分模型，如基于客户价值贡献度的细分模型、基于不同需求偏好的细分模型和基于消费行为的细分模型。在数据挖掘中，往往通过聚类分析的方法来实现细分，比如K-Means聚类法，这种方法运算速度快，适合于大数据量；Kohonen网络聚类法，这是运用神经网络的方法对数据进行细分的数据挖掘方法。

二、信用评分

信用评分是指根据客户的信用历史资料，利用一定的信用评分模型，得到不同等级的信用分数。根据客户的信用分数，商业银行可以分析客户按时还款的可能性，可以决定是否批准贷款以及确定信贷额度和利率。在中国信用消费快速发展的同时，商业银行对申请人的信用状况缺乏全面的了解、对个人信用评价缺乏科学的方法，导致商业银行面临着不断增大的潜在信贷风险。随着商业银行个人业务的发展，银行业已经积累了大量的历史数据，通过结合数据挖掘技术建立起信用评分模型，可以达到规范决策行为、防范信贷风险的目的。

在信用评分的过程中，最关键的就是信用评分模型的构建，信用评分模型是通过对大量的历史信用记录和个人资料进行数据分析，找出影响个人信用水平的一些关键因素，从而能够帮助贷款机构制定信贷发放决策的的模型。信用评分的目的是帮助银行进行信贷决策，使银行能够对特定的客户采取特定的行动，本文简要介绍以下几种评分模型的构建方法：

第一，判别分析法，该方法在个人信用评分历史上曾经是使用得最广泛的方法，通过利用所建立的判别函数的系数对特征变量加权来确定个人的信用得分。

第二，回归分析法，该方法通过产生一个线性评分卡来解决信用评分中的分类问题，而之后对普通的线性回归进行改进而形成的Logistic回归方法是信用评分模型中使用得最广泛的方法之一。

第三，神经网络方法，神经网络是一种模仿人脑信息加工过程的智能化信息处理技术，具有自组织性、自适应性及较强的稳健性。

第四，分类树方法，将消费者分成不同的组，在组内各样本的违约概率尽量相等，而违约概率在组之间的差异则尽可能大。

三、客户流失

客户流失是指客户终止与企业的服务合同或转向其它公司提供的服务。目前我国金融行业的竞争日趋激烈，商业银行也面临着优质客户可能流失的风险。为了解决这个问题，可以应用数据挖掘技术研究流失客户的特征，从而对客户流失进行预测，并对流失可能导致的后果进行评估，综合权衡后制定并采取客户保留措施，防止因为客户流失而引发的经营危机，使得商业银行能够在激烈竞争中保持并提升竞争力。

研究哪些客户即将流失是一个分类问题，可以将现有客户分为流失和不流失两类，选择适量的流失客户和未流失客户的属性数据组成训练数据集，然后利用数据挖掘技术，如人工神经网络、决策树、Logistic回归等模型建立客户流失研究的分类模型。

对于流失客户特征的分析是一个属性约减和规则发现问题，通过关联规则分析方法，可以发现怎样的规则可能会导致客户的流失，也可以利用决策树方法，发现与是否流失这一目标变量关系最为密切的用户属性。由于不同类型的客户可能具有不同的流失特征，因此在进行深入的客户流失分析时，需要先对客户进行细分，然后再对细分之后的客户群体分别进行数据挖掘。

在分析预测出有较大流失可能性的客户后，分析该客户的流失对公司的影响，评估权衡保留客户后获得的收益和保留客户所需要的成本。如果是能够给银行带来收益的高价值客户，需要归纳客户流失的原因，并有针对性的制定和执行防止客户流失的措施。

四、欺诈监测

金融欺诈就是利用金融产品规则上的漏洞（如银行业务流程中的漏洞或金融监管中的漏洞）获取利益的违法行为，常见的表现形式有信用卡欺诈和恶意透支等。利用数据挖掘技术，可以通过对大量业务交易数据的分析，对客户及员工的行为进行归类和监测，从而发现违规操作、恶意透支等潜在的欺诈行为，并对可能带来的损失进行预测，以达到防范金融风险、避免经济损失的目的。

在数据分析的过程中，某些数据可能因为与一般行为模型不一致而被视为噪声丢弃，但是在信用卡欺诈、恶意透支等异常行为的识别上，异常数据挖掘就具有重要的价值。在信用卡欺诈监测中发现的孤立点预示着可能发生的欺诈行为，借助聚类数据挖掘对孤立点的检测技术，结合以往业务交易数据中欺诈行为的交易特征，可以挖掘出数据间的隐含关系，建立预警模型，从而能够及时发现欺诈行为并采取措施避免损失。

数据挖掘作为当前的研究热点之一，已经成功应用于科学研究、市场行销、金融投资等多个领域。利用数据挖掘技术，能够在商业银行日常交易所积累的海量业务数据中，发现潜在的模式，找出最有价值的信息，指导商业行为，对商业决策提供有力的数据支持，从而使得商业银行在激烈的竞争中保持并提升竞争力。

（作者单位：首都经济贸易大学信息学院）