模板
教程
環境
性能
功能
管理
基于決策支持的銀行數據挖掘應用
目前中國銀行業數據管理應用的普遍現狀是，銀行匯集了大量數據的結果，因為缺乏挖掘數據背后隱藏的知識手段和工具，往往導致“數據爆炸但知識貧乏”——這種局面若長此以往而無改觀，銀行不在數據和信息的“海洋”中被“淹死”，就會在業務知識和決策規律的“沙漠”中“渴死”。
數據中的海水與沙漠
信息化被視作銀行的生命線。數據，則如同銀行生命體中生生不息的血脈。
中國商業銀行對信息化工作的重視在最近10年內達到了前所未有的高度。從最初的業務處理電子化，到后來各銀行內部網絡和垂直業務體系的建成，直至數據大集中工程的實施，中國銀行業對于信息化的重視，不僅與國際范圍內形成的金融競爭力即信息化能力的共識步調一致，而且在短短數十年間，取得了令國際同行注目的成績。
但是，一直到了今天與強大對手現實較力的時刻，中國銀行業才發現，電子化和信息化和不是終極目的。信息化本質是保證銀行具備核心競爭力的一系列重要工具，而在信息化工具組合中，更為銳利、高效和復雜的數據挖掘工具，還沒有被中國銀行業所廣泛掌握。
用一些銀行業務人員的牢騷話來描述這種現狀：“報表、報告滿天飛，不知哪個沒水份?數據、數字遍地有，不知哪個是真的?客戶、業務到處是，不知哪個最該抓?考核、決策天天搞，不知哪個有準頭?”
基于數據挖掘的管理在許多先進企業已被廣泛應用。在銀行業，由于銀行產品具有相當的同質性，因此銀行之間的差別，往往在于誰掌握了客戶關系，以及海量的業務和客戶信息背后的獨特業務規律，誰就可以科學地制定決策?，F在銀行實施的大多數系統所基于的數據庫只能實現數據的錄入、查詢、統計等較低層次的功能，但卻無法發現數據中存在的關聯關系和業務規律，更難以根據現有的數據預測未來業務的發展趨勢。
“數據挖掘”解決什么?
數據挖掘究竟能解決銀行的什么問題?為什么銀行紛紛投入巨資來開展數據挖掘工作?
銀行卡在今天被各家商業銀行視作可帶來豐厚收益的重點業務，相比起國外銀行信用卡為主的產品結構，國內銀行過去形成的是以借記卡為主的產品體系，銀行為之付出的是存款利息成本，而得不到如年費、透支利息等增值收益。目前看來，向一般客戶發放貸記卡又確實存在困難，因為一是需要掌握該客戶的消費習慣是否支持他有效利用貸記卡，從而實現貸記卡先消費后還款的功能，二是需要了解該客戶的信用情況，以避免出現惡意透支等使銀行遭受損失。
如果沒有完整的數據倉庫和挖掘工具，僅靠傳統業務系統和銀行掌握的借記卡客戶信息，顯然無法完成是否可向該客戶發放貸記卡的業務決策，也無法對其用卡情況進行實時監督或開展相關金融產品營銷。
但是，如果銀行業務人員掌握了數據挖掘工具，支持他們按客戶群對客戶信息進行分析，那么，只要對某類客戶在過去一段時間內的銀行卡交易狀況進行分析，就可獲得相當豐富的業務信息。比如，銀行發現A客戶信用卡消費類交易占到其過去一年來交易總額的70%以上，進一步的分析發現，該客戶的卡日均存款余額總是保持在在2萬元左右，即該客戶總是習慣于在消費后很快把錢存入卡中，而從銀行貢獻度評價來看，該客戶的平均貢獻也進入了銀行重點營銷區——如果這些信息能準確地被業務人員掌握，那么他就可以向A客戶重點營銷“貸記卡”產品;同時，輔助向其營銷“周期轉賬”等金融產品，由銀行在約定時間(如消費45天后或還款期前3天等)，根據其貸記卡內透支余額，轉入現金實現還款，讓客戶既享受先消費后還款的優惠，又可享受存款利息，滿足客戶消費和資產增值的組合需求。
類似的業務事例也許我們許多人都感受過。但事實上，如果在一家沒有完整客戶信息數據挖掘的銀行中，往往出現需要貸記卡產品的客戶被銀行拒絕，而銀行業務人員盲目發卡造成資產質量極差的惡性循環局面。
一言以蔽之，中國銀行業目前的信息化難點在于，如何游出“數據海洋”，把俯拾皆是的數據用于提升客戶關系、挖掘客戶價值、掌握業務規律——這一切難題，在沒有掌握數據挖掘能力的銀行，目前還都處于“瓶頸”階段，有待解決。
目前看來，在銀行管理客戶生命周期的各個階段都會用到數據挖掘技術：數據挖掘能夠幫助銀行確定客戶的特點，從而可以為客戶提供有針對性的服務; 通過數據挖掘，可以發現購買某類金融產品的客戶特征，從而可以擴大業務; 如果找到了流失客戶的特征，就可以在具有相似特征的客戶還未流失之前，采取針對性的措施——銀行的客戶獲得、交叉銷售(Cross-selling)、客戶關懷與保持等方面，數據挖掘工具都將發揮重要作用。
也許，這正是今天的中國銀行業數據倉庫和數據挖掘技術大行其道的原因所在。
數據挖掘宜從長計議
顯然，銀行信息化，也逐漸從簡單到復雜、從低層業務到高層管理不斷演化。從業務數據化到業務知識化，數據挖掘在銀行的倍受追捧，與銀行對基于數據的知識發現和決策支持系統越來越強烈的需求是分不開的。
銀行使用的數據挖掘技術，以數據倉庫(Data Warehouse)和聯機分析處理(OLAP)為平臺，借助銀行擁有的大規模數據，通過清洗、轉換、裝載等數據處理方法，發現大量資料間的關聯與趨勢，探尋獨特的、通過其他方法發現不了的業務規律和模式。它廣泛應用的統計分析方法包括線性、非線性回歸分析、判別分析、聚類分析、主成分/因子分析和時間序列分析等;所運用的特有分析方法則包括決策樹分析(Decision Tree)、準則推斷(Rule Induction)、關聯探測(Association Detection)、神經網絡(Neural Networks)和基因算法(Genetic Algorithms)等等。
應當說，數據挖掘和數據倉庫建設，既是現代商業銀行業務與經營管理發展到一定階段對銀行信息管理水平提出的現實要求，又是現代商業銀行業務發展與信息技術發展高度融合的必然趨勢。
一般來看，銀行數據挖掘的任務，可以劃分成四個層次：數據分析、知識發現、決策支持和金融智能。如圖所示：
基于數據的知識發現(KDD)，是伴隨著數據挖掘技術，在用戶需求的驅動下發展起來的一門新技術。如何充分利用大量數據，以指導銀行營銷、銷售和競爭，如何從大量數據中挖掘出適合銀行業務人員使用的信息模式和知識，已成為銀行信息化領域的熱點之一。
決策支持系統(DSS)是面向決策者的、以解決半結構化問題為主的應用系統，突出支持而非代替決策者的決策行為。銀行決策過程包括了識別問題、建立模型、執行模型、綜合評價和反復進行等五個過程。在銀行中，DSS面向不同職能部門，如個人金融部門、公司金融部門或同業機構部門等，位于企業運營的層面，以支持銀行決策者進行半結構化的決策。
數據挖掘在銀行應用的最高階段是實現決策支持的“智能化”，即實現金融商業智能(Financial Business Intelligent，FI)。金融智能是對銀行掌握的信息進行搜集、分析和管理，以使銀行各級決策者獲得洞察力，促使他們做出對企業更有利的決策。金融智能的管理模式包括基于目標、基于例外和基于事實的管理三種。不同類型的銀行或不同業務部門可能選用不同的智能管理模式，如側重于提供個人金融服務的銀行多采用基于目標的管理，側重于提供投資銀行服務的銀行，則多采用基于例外的管理模式。
數據分析、知識發現、決策支持和金融智能，不僅是數據挖掘的不同層級的任務，也體現了銀行在開展數據挖掘工作中的規劃進度。銀行早期的數據倉庫建設，關注的往往是數據分析和知識發現的內容，如提供統一及時的業務報表，提供集成的客戶信息等。當具備了相應的數據挖掘基礎，銀行有可能將數據倉庫的應用引入決策支持和金融智能的層面，更關注于提供決策信息支持、輔助業務管理、分析和評價經營業績等管理主題。
現在看來，國內銀行的業務需求多集中在界乎知識發現和決策支持之間。以管理為主的決策支持需求，將在未來一段時間內成為銀行業數據挖掘的重點。
再造競爭力之道
在中國銀行業信息化能力顯著提高的背后，始終隱藏著另一個令所有金融從業者坐臥不安的難題：薄弱的客戶關系。對信息化能力如此重視、對競爭如此敏感的銀行管理者們，不可能無視在他們所擁有的為數龐大的客戶群中，優質客戶極為缺少、客戶忠誠極為缺乏的現實。
直到今天，強大的競爭對手和激烈的攻勢才讓國內銀行業的管理者真正認識到，能夠與客戶資源整合、與客戶關系互動的信息化能力，才具有價值和意義。
這樣的判斷如果成立，等于是肯定了數據挖掘在中國商業銀行應用的光明前景。事實上，如果我們認定，中資銀行的核心競爭力，體現為對本土客戶關系的理解和客戶資源的掌握上具備一定的優勢。那么，沒有強有力的信息化工具支持，沒有精準的數據挖掘能力來支撐，這種“原生性”的客戶關系優勢，就無法持續更長的時間。
這也意味著，今天紛紛起步的銀行數據挖掘工作，其實是中國商業銀行再造核心競爭力的進程之一。只有通過數據挖掘，才有可能確保銀行發展戰略在既有的穩定業務機制支撐下，充分發展、保持和擴大客戶資源，實現為客戶創造價值和銀行盈利“雙贏”目標的實現。
讓中資銀行對數據挖掘牽縈于懷的另一個原因是，一批國際性銀行廣泛使用數據挖掘技術，不僅獲得了超越同儕的競爭優勢，而且立足原有業務領域，創新服務和產品，開拓了銀行業可資馳騁的疆土。比如，在美國本土最大的美洲銀行，就是一個非常典型的應用數據挖掘，實現業務快速發展的案例。作為世界上最大的維薩信用卡發卡行，擁有超過5600萬信用卡客戶的美洲銀行的核心理念是“成為客戶信任的代理人”，推行 “ICARE”的服務戰略，同時發展了一項名為“At Your Request”(如你所愿)的客戶服務，獲得巨大的商業成功。
但是，無論是“ICARE”還是“At Your Request”，在它們的背后，離不開美洲銀行先進的數據挖掘工具和數據倉庫的全面支持。在業務后臺，美洲銀行開發了龐大而先進的數據倉庫系統，從每一筆信用卡交易中提取大范圍的、十分寶貴的數據。在銀行看來，大多數使用信用卡的客戶，都可以從其業務記錄中“發現”他最感興趣和最不感興趣的商品或服務。利用所掌握的交易數據，美洲銀行建立了高度準確、按等級分類的單個客戶實際偏好的記錄，當然也能分析群體客戶的消費情況和偏好。銀行可以根據客戶的消費偏好信息去確定合作商業伙伴，從他們那里得到最優惠的價格并提供給客戶。美洲銀行的數據倉庫通過持續的更新，會越來越清晰地反映出客戶的需求和消費偏好，這為美洲銀行的業務開展提供了最為有力的信息支持。
不光是美洲銀行運用數據挖掘技術來獲得超越同行的獨特競爭優勢，另外一家美國銀行賓夕法尼亞美隆銀行(Mellon Bank，簡稱賓美銀行)也多年使用數據挖掘技術來測試和規劃其市場行動，不過它還是首次將數據挖掘方案擴展到其他領域的銀行之一，相當于為商業銀行開辟了新的疆土。
賓美銀行1995年起著手與IBM聯手推出一種大范圍的多平臺數據挖掘工具，稱之為“智能數據挖掘器”(Intelligent Miner for Data)。該項目在賓美銀行主要是將數據挖掘應用在三個業務領域：客戶關系管理、風險管理和業務流程再造。一方面，賓美銀行推動自身的應用，針對個人和企業客戶，將其主要的數據挖掘工作放在消費者市場上，如零售金融業務和信用卡市場。例如，賓美銀行使用信用卡損耗模型，預測哪些客戶將停用其信用卡，而轉用競爭對手的卡; 根據數據挖掘結果，銀行就可以采取相應措施來提高這些客戶的信任度。
