当前位置:首页 > 新闻中心 > 行业动态

银行大数据挖掘的运用及效用是怎么样的?

发布时间:2016-07-19 15:04:32作者:admin

数据挖掘,是从海量的数据中,抽取出潜在的、有价值的知识的过程。也就是根据预定的商业目标,对大量的企业数据进行探索和分析,揭示其中隐含的商业规律,并进一步将其模型化的先进有效技术过程。面对经济全球化和和全球经济信息化的发展趋势,大数据在公安、铁路物流、电子商务以及以及金融等行业的应用越来越广泛,形成了各种方案,如公安大数据解决方案铁路物流管理方案电子商务解决方案金融开发测试云解决方案越来越多的管理人员正在利用数据挖掘工具,解决商业问题和决策问题。而中国银行业数据管理应用的普遍现状是,银行汇集了大量数据,但缺乏挖掘数据底层隐藏知识的手段和工具,往往导致“数据爆炸但知识贫乏”。大数据挖掘(Data Mining)是一种新的商业信息处理技术,产生于20世纪80年代的美国,首先应用在金融、电信等领域,主要特点是对大量数据进行抽取、转换、分析和模型化处理,从中提取出有助于商业决策的关键性数据。银行信息化的迅速发展,产生了大量的业务数据。从海量数据中提取出有价值的信息,为银行的商业决策服务,是数据挖掘的重要应用领域。汇丰、花旗和瑞士银行是数据挖掘技术应用的先行者。如今,数据挖掘已在银行业有了广泛深入的应用。

大数据挖掘在银行业主要应用在银行业哪些方面。

现阶段,大数据挖掘在银行业中的应用,主要可分为以下几个方面。

77370preview4.jpg

1、分类法,即银行根据不同数据间的特点将其划分为不同的类,以此用于分析客户分类,客户属性和特征分析,客户满意度分析等。

2、回归分析法,该方法研究的问题包括数据序列的趋势特征,数据序列的预测以及数据间的相关关系。据此银行可以通过对客户需求及产品生命周期分析,预测销售趋势,制定有针对性的促销活动。

3、聚类分析,即根据数据的相似性和差异性分为几个类别,让同一类别中的数据相似性尽可能大,反之相反。据此可以应用到对客户群体进行分类,分析客户背景,预测客户的购买趋势以及进行市场细分等。

4、关联规则,在客户关系的管理中,通过对企业的客户数据进行挖掘,找出其中存在的关联关系,分析影响市场营销效果的关键因素,为产品的定位定价,风险评估及诈骗预测提供参考依据。

除了上述列举的数据挖掘方法,还有特征分析变化和偏差分析等,这些方法的应用使得银行从海量数据中提取有用的部分,并通过分析相关数据发现问题,相应的制定有效的解决方案。

大数据挖掘在银行业的具体应用

数据挖掘技术在银行业中的应用,其中一个重要前提条件是,必须建立一个统一的中央客户数据库,以提高客户信息的分析能力。分析开始时,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。具体应用分为五个阶段:

(一)加载客户账号信息。这一阶段,主要是进行数据清理,消除现有业务系统中有关客户账户数据不一致的现象,将其整合到中央客户信息库。银行各业务部门对客户有统一的视图,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)加载客户交易信息阶段。这一阶段主要是把客户与银行分销渠道的所有交易数据,包括柜台,ATM,信用卡,汇款,转账等,加载到中央市场客户信息库。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)模型评测。这是为客户的每一个账号建立利润评测模型,需要收入和的确定金额,因此需要加载系统的数据到中央数据库。这一阶段完成后,银行可以从组织,用户和产品三个方面分析利润贡献度。如银行可以依客户的利润贡献度安排合适的分销渠道,模拟和预测新产品对银行的利润贡献度等。

(四)优化客户关系。银行应该掌握客户在生活、职业等方面的行为变化及外部的变化,抓住推销新产品和服务的时机。这需要将账号每天发生的交易明细数据,定时加载到中央数据仓库,核对客户行为的变化。如有变化,银行则利用客户的购买倾向模型,渠道喜好模型,利润贡献模型,信用和风险评测模型等,主动与客户取得联系。

(五)风险评估。银行风险管理的对象主要是与资产和负债有关的风险,因此与资产负债有关的业务系统的交易数据要加载到中央数据仓库;然后,银行应按照不同的期间,分析和计算利率敏感性资产和负债之间的缺口,知道银行在不同期间资本比率、资产负债结构、资金情况和净利息收入的变化。

银行对于大数据的管理

大数据的突出特点就是高度集中,管理难度加大,为了提高数据的安全,可靠和有效性,银行在日常管理中必须做到以下几点:

1、防泄漏,银行掌握着大量的客户信息,一旦泄露会给当事者带来诸多不便甚至是损失。因此相对于分散的数据,大数据对于数据的安全性具有更高的要求和标准,所以银行针对内部和外部均要坚持保密理念,防止信息泄漏。

2、防病毒,由于应用系统的开放,病毒传播更加迅速广泛,因此应尽量做到防病毒的全面性,及时做好病毒码的升级,避免由于升级不及时造成的病毒的错杀和漏杀。

3、防入侵,面对不法分子对大数据的入侵,防入侵是保证数据安全的必要措施和重要手段,为此,银行必须在网络,应用等各个层面进行物理和逻辑的隔离,全方面避免大数据遭受网络黑手入侵。

4、防损坏,大数据对于系统的要求更加严格,因此信息的存储、获取、处理等必须遵循科学审慎的原则,建立完善的备份措施,一旦数据遭受损坏能够快速恢复,尽可能小的减少信息的丢失。

结语

目前,银行业已逐步走向个性化服务和科学决策阶段,数据挖掘具有强大的信息处理和分析能力,可以为银行提供科学的决策依据和技术支持。在全球化的今天,只有顺应知识经济时代的潮流,充分利用数据挖掘等现代科学技术,才能更好地促进银行业持续、健康的发展。

 

本文标签:银行大数据