模板
教程
环境
性能
功能
管理
基于决策支持的银行数据挖掘应用
目前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的结果，因为缺乏挖掘数据背后隐藏的知识手段和工具，往往导致“数据爆炸但知识贫乏”——这种局面若长此以往而无改观，银行不在数据和信息的“海洋”中被“淹死”，就会在业务知识和决策规律的“沙漠”中“渴死”。
数据中的海水与沙漠
信息化被视作银行的生命线。数据，则如同银行生命体中生生不息的血脉。
中国商业银行对信息化工作的重视在最近10年内达到了前所未有的高度。从最初的业务处理电子化，到后来各银行内部网络和垂直业务体系的建成，直至数据大集中工程的实施，中国银行业对于信息化的重视，不仅与国际范围内形成的金融竞争力即信息化能力的共识步调一致，而且在短短数十年间，取得了令国际同行注目的成绩。
但是，一直到了今天与强大对手现实较力的时刻，中国银行业才发现，电子化和信息化和不是终极目的。信息化本质是保证银行具备核心竞争力的一系列重要工具，而在信息化工具组合中，更为锐利、高效和复杂的数据挖掘工具，还没有被中国银行业所广泛掌握。
用一些银行业务人员的牢骚话来描述这种现状：“报表、报告满天飞，不知哪个没水份?数据、数字遍地有，不知哪个是真的?客户、业务到处是，不知哪个最该抓?考核、决策天天搞，不知哪个有准头?”
基于数据挖掘的管理在许多先进企业已被广泛应用。在银行业，由于银行产品具有相当的同质性，因此银行之间的差别，往往在于谁掌握了客户关系，以及海量的业务和客户信息背后的独特业务规律，谁就可以科学地制定决策。现在银行实施的大多数系统所基于的数据库只能实现数据的录入、查询、统计等较低层次的功能，但却无法发现数据中存在的关联关系和业务规律，更难以根据现有的数据预测未来业务的发展趋势。
“数据挖掘”解决什么?
数据挖掘究竟能解决银行的什么问题?为什么银行纷纷投入巨资来开展数据挖掘工作?
银行卡在今天被各家商业银行视作可带来丰厚收益的重点业务，相比起国外银行信用卡为主的产品结构，国内银行过去形成的是以借记卡为主的产品体系，银行为之付出的是存款利息成本，而得不到如年费、透支利息等增值收益。目前看来，向一般客户发放贷记卡又确实存在困难，因为一是需要掌握该客户的消费习惯是否支持他有效利用贷记卡，从而实现贷记卡先消费后还款的功能，二是需要了解该客户的信用情况，以避免出现恶意透支等使银行遭受损失。
如果没有完整的数据仓库和挖掘工具，仅靠传统业务系统和银行掌握的借记卡客户信息，显然无法完成是否可向该客户发放贷记卡的业务决策，也无法对其用卡情况进行实时监督或开展相关金融产品营销。
但是，如果银行业务人员掌握了数据挖掘工具，支持他们按客户群对客户信息进行分析，那么，只要对某类客户在过去一段时间内的银行卡交易状况进行分析，就可获得相当丰富的业务信息。比如，银行发现A客户信用卡消费类交易占到其过去一年来交易总额的70%以上，进一步的分析发现，该客户的卡日均存款余额总是保持在在2万元左右，即该客户总是习惯于在消费后很快把钱存入卡中，而从银行贡献度评价来看，该客户的平均贡献也进入了银行重点营销区——如果这些信息能准确地被业务人员掌握，那么他就可以向A客户重点营销“贷记卡”产品;同时，辅助向其营销“周期转账”等金融产品，由银行在约定时间(如消费45天后或还款期前3天等)，根据其贷记卡内透支余额，转入现金实现还款，让客户既享受先消费后还款的优惠，又可享受存款利息，满足客户消费和资产增值的组合需求。
类似的业务事例也许我们许多人都感受过。但事实上，如果在一家没有完整客户信息数据挖掘的银行中，往往出现需要贷记卡产品的客户被银行拒绝，而银行业务人员盲目发卡造成资产质量极差的恶性循环局面。
一言以蔽之，中国银行业目前的信息化难点在于，如何游出“数据海洋”，把俯拾皆是的数据用于提升客户关系、挖掘客户价值、掌握业务规律——这一切难题，在没有掌握数据挖掘能力的银行，目前还都处于“瓶颈”阶段，有待解决。
目前看来，在银行管理客户生命周期的各个阶段都会用到数据挖掘技术：数据挖掘能够帮助银行确定客户的特点，从而可以为客户提供有针对性的服务; 通过数据挖掘，可以发现购买某类金融产品的客户特征，从而可以扩大业务; 如果找到了流失客户的特征，就可以在具有相似特征的客户还未流失之前，采取针对性的措施——银行的客户获得、交叉销售(Cross-selling)、客户关怀与保持等方面，数据挖掘工具都将发挥重要作用。
也许，这正是今天的中国银行业数据仓库和数据挖掘技术大行其道的原因所在。
数据挖掘宜从长计议
显然，银行信息化，也逐渐从简单到复杂、从低层业务到高层管理不断演化。从业务数据化到业务知识化，数据挖掘在银行的倍受追捧，与银行对基于数据的知识发现和决策支持系统越来越强烈的需求是分不开的。
银行使用的数据挖掘技术，以数据仓库(Data Warehouse)和联机分析处理(OLAP)为平台，借助银行拥有的大规模数据，通过清洗、转换、装载等数据处理方法，发现大量资料间的关联与趋势，探寻独特的、通过其他方法发现不了的业务规律和模式。它广泛应用的统计分析方法包括线性、非线性回归分析、判别分析、聚类分析、主成分/因子分析和时间序列分析等;所运用的特有分析方法则包括决策树分析(Decision Tree)、准则推断(Rule Induction)、关联探测(Association Detection)、神经网络(Neural Networks)和基因算法(Genetic Algorithms)等等。
应当说，数据挖掘和数据仓库建设，既是现代商业银行业务与经营管理发展到一定阶段对银行信息管理水平提出的现实要求，又是现代商业银行业务发展与信息技术发展高度融合的必然趋势。
一般来看，银行数据挖掘的任务，可以划分成四个层次：数据分析、知识发现、决策支持和金融智能。如图所示：
基于数据的知识发现(KDD)，是伴随着数据挖掘技术，在用户需求的驱动下发展起来的一门新技术。如何充分利用大量数据，以指导银行营销、销售和竞争，如何从大量数据中挖掘出适合银行业务人员使用的信息模式和知识，已成为银行信息化领域的热点之一。
决策支持系统(DSS)是面向决策者的、以解决半结构化问题为主的应用系统，突出支持而非代替决策者的决策行为。银行决策过程包括了识别问题、建立模型、执行模型、综合评价和反复进行等五个过程。在银行中，DSS面向不同职能部门，如个人金融部门、公司金融部门或同业机构部门等，位于企业运营的层面，以支持银行决策者进行半结构化的决策。
数据挖掘在银行应用的最高阶段是实现决策支持的“智能化”，即实现金融商业智能(Financial Business Intelligent，FI)。金融智能是对银行掌握的信息进行搜集、分析和管理，以使银行各级决策者获得洞察力，促使他们做出对企业更有利的决策。金融智能的管理模式包括基于目标、基于例外和基于事实的管理三种。不同类型的银行或不同业务部门可能选用不同的智能管理模式，如侧重于提供个人金融服务的银行多采用基于目标的管理，侧重于提供投资银行服务的银行，则多采用基于例外的管理模式。
数据分析、知识发现、决策支持和金融智能，不仅是数据挖掘的不同层级的任务，也体现了银行在开展数据挖掘工作中的规划进度。银行早期的数据仓库建设，关注的往往是数据分析和知识发现的内容，如提供统一及时的业务报表，提供集成的客户信息等。当具备了相应的数据挖掘基础，银行有可能将数据仓库的应用引入决策支持和金融智能的层面，更关注于提供决策信息支持、辅助业务管理、分析和评价经营业绩等管理主题。
现在看来，国内银行的业务需求多集中在界乎知识发现和决策支持之间。以管理为主的决策支持需求，将在未来一段时间内成为银行业数据挖掘的重点。
再造竞争力之道
在中国银行业信息化能力显著提高的背后，始终隐藏着另一个令所有金融从业者坐卧不安的难题：薄弱的客户关系。对信息化能力如此重视、对竞争如此敏感的银行管理者们，不可能无视在他们所拥有的为数庞大的客户群中，优质客户极为缺少、客户忠诚极为缺乏的现实。
直到今天，强大的竞争对手和激烈的攻势才让国内银行业的管理者真正认识到，能够与客户资源整合、与客户关系互动的信息化能力，才具有价值和意义。
这样的判断如果成立，等于是肯定了数据挖掘在中国商业银行应用的光明前景。事实上，如果我们认定，中资银行的核心竞争力，体现为对本土客户关系的理解和客户资源的掌握上具备一定的优势。那么，没有强有力的信息化工具支持，没有精准的数据挖掘能力来支撑，这种“原生性”的客户关系优势，就无法持续更长的时间。
这也意味着，今天纷纷起步的银行数据挖掘工作，其实是中国商业银行再造核心竞争力的进程之一。只有通过数据挖掘，才有可能确保银行发展战略在既有的稳定业务机制支撑下，充分发展、保持和扩大客户资源，实现为客户创造价值和银行盈利“双赢”目标的实现。
让中资银行对数据挖掘牵萦于怀的另一个原因是，一批国际性银行广泛使用数据挖掘技术，不仅获得了超越同侪的竞争优势，而且立足原有业务领域，创新服务和产品，开拓了银行业可资驰骋的疆土。比如，在美国本土最大的美洲银行，就是一个非常典型的应用数据挖掘，实现业务快速发展的案例。作为世界上最大的维萨信用卡发卡行，拥有超过5600万信用卡客户的美洲银行的核心理念是“成为客户信任的代理人”，推行 “ICARE”的服务战略，同时发展了一项名为“At Your Request”(如你所愿)的客户服务，获得巨大的商业成功。
但是，无论是“ICARE”还是“At Your Request”，在它们的背后，离不开美洲银行先进的数据挖掘工具和数据仓库的全面支持。在业务后台，美洲银行开发了庞大而先进的数据仓库系统，从每一笔信用卡交易中提取大范围的、十分宝贵的数据。在银行看来，大多数使用信用卡的客户，都可以从其业务记录中“发现”他最感兴趣和最不感兴趣的商品或服务。利用所掌握的交易数据，美洲银行建立了高度准确、按等级分类的单个客户实际偏好的记录，当然也能分析群体客户的消费情况和偏好。银行可以根据客户的消费偏好信息去确定合作商业伙伴，从他们那里得到最优惠的价格并提供给客户。美洲银行的数据仓库通过持续的更新，会越来越清晰地反映出客户的需求和消费偏好，这为美洲银行的业务开展提供了最为有力的信息支持。
不光是美洲银行运用数据挖掘技术来获得超越同行的独特竞争优势，另外一家美国银行宾夕法尼亚美隆银行(Mellon Bank，简称宾美银行)也多年使用数据挖掘技术来测试和规划其市场行动，不过它还是首次将数据挖掘方案扩展到其他领域的银行之一，相当于为商业银行开辟了新的疆土。
宾美银行1995年起着手与IBM联手推出一种大范围的多平台数据挖掘工具，称之为“智能数据挖掘器”(Intelligent Miner for Data)。该项目在宾美银行主要是将数据挖掘应用在三个业务领域：客户关系管理、风险管理和业务流程再造。一方面，宾美银行推动自身的应用，针对个人和企业客户，将其主要的数据挖掘工作放在消费者市场上，如零售金融业务和信用卡市场。例如，宾美银行使用信用卡损耗模型，预测哪些客户将停用其信用卡，而转用竞争对手的卡; 根据数据挖掘结果，银行就可以采取相应措施来提高这些客户的信任度。
