论文部分内容阅读
【摘要】数据挖掘作为一项新的商业信息处理技术，在我国的商业银行信用卡业务中有着很大的应用价值。本文从数据挖掘的含义出发，探讨了数据挖掘分析方法及实施步骤，在此基础上，对其在信用卡业务中的应用优势进行了分析。
【关键词】数据挖掘 信用卡 商业银行
目前，我国信用卡业务发展面临着一些难题，怎样寻找真正的信用卡用户，怎样维持信用卡发行机构与信用卡用户之间的关系，怎样控制信用卡业务中的风险等，都困扰着我国信用卡发行机构与管理机构。对于这些问题的解决，以大量数据管理为基础的数据挖掘技术是一个行之有效的工具。
一、数据挖掘的含义
数据挖掘是新兴的一种决策技术，并且随着信息技术不断发展而逐渐完善。自1995年在加拿大蒙特利尔召开第一届知识发现和数据挖掘学术会议以来，数据挖掘一词在各行各业流行开来，其基本技术含义是从大量、不完全、有噪声、模糊、随机的数据中，提取隐含在其中的，事先不知的，但又具有潜在价值的信息和知识的过程。从这个定义，我们直观地将数据挖掘过程比喻为在“数据矿山”中寻找蕴藏的“知识金块”的过程。从商业价值角度，商业运行中存在着海量数据，如果仅凭简单的传统统计分析方法，是很难将大量数据中无用信息剔除掉的，数据挖掘作为一种新的商业信息处理技术，通过抽取、转换和分析商业数据，揭示隐藏在其中未知的规律性，并对其进行模型化处理，从而为商业决策起到辅助作用，在一定程度上解决“数据大爆炸而知识极贫乏”的现象。
对商业银行而言，这种“数据大爆炸”的现象表现地更为突出，商业银行作为一类特殊企业，其每天的业务会产生大量数据，虽然目前各家商业银行应用的数据库系统能够实现数据录入、查询、统计等工作，但却无法发现这些数据背后存在着的隐藏关系，很难通过现有数据成功预测未来趋势。另一方面，商业银行是一个收益与风险并存的行业，在其经营与运作中就必然存在风险因素，数据挖掘这一技术除了可以发现隐藏在大量数据背后的规则外，还能有效减少银行存在的风险，这些优势在商业银行信用卡业务中表现地更为淋漓尽致。
二、数据挖掘的实施步骤及分析方法
（一）数据挖掘一般可分为以下实施步骤
1.问题提出。问题提出是数据挖掘过程的首要步骤，只有明确了所要解决的问题，才能够使后续的挖掘工作有针对性地开展。
2.数据源选择。数据挖掘的实施对象是大规模的数据，因此，选择数据源成为数据挖掘工作中的一个基础步骤，数据既可以是现有业务处理系统中的数据，也可以是数据仓库中的数据。
3.数据准备。在实施数据挖掘工作之前，对数据做好前期的准备工作是十分必要的一个步骤。在这一阶段，主要完成对数据的获取，清洗，转换和装载四个环节。
4.建立模型。这一阶段是数据挖掘的主体阶段。
5.验证并修正模型。由于模型的结果有些是有实际意义的，而有一些则没有实际意义，因此需要根据经验，不断地调整挖掘模型，重复进行挖掘工作，使挖掘的有效性得以实现。
6.预测并决策。数据挖掘作为一种技术层面上的决策技术，其最终目的是辅助决策，因此决策者根据挖掘结果，结合实际情况，做出正确的决策策略。上述这一过程要反复进行，在反复的过程中，不断地趋近事物本质，不断地优化问题的解决方案。
（二）信用卡业务应用中主要的数据挖掘分析方法
由于数据挖掘是知识发现的特定步骤，因此，按照知识发现的驱动因素将其进行分类，会使数据挖掘体系更加完善。其中的驱动因素分别是验证驱动型与发现驱动型。在每种驱动类型下又包含着多种具体的挖掘分析方法。在信用卡业务中，目前主要使用的几种分析方法是：
1.分类分析。这是通过分析具有类别的样本的特点，得到决定样本属于各种类别的方法。
2.聚类分析。依据是生物学中的“物以类聚”原理。它将样本数据聚集成不同的组，并分别加以描述，它与分类分析的不同之处在于，聚类划分的类是未知的，而分类是已知数据对象的组数。比如，在信用卡持卡群体中，利用聚类技术，将客户群体进行划分。
3.关联分析。这是一种发现数据间关联模式的方法，如：菜篮分析，即通过了解消费者购物篮中所购物品相关性来辅助决策者制定相应营销策略，调整物品的摆放次序，制定正确的促销方案，以扩展客户购买的产品范围，吸引更多的客户。
三、数据挖掘在商业银行信用卡业务应用中的优势
（一）发展成熟的基础技术
数据挖掘技术在商业银行信用卡业务中应用的基础技术目前已经发展地较为成熟，大多数商业银行信用卡部门已经掌握了搜索数据的途径，加之高性能的计算机处理器配置，以及传统的数理统计分析方法等，都可以让数据挖掘技术有一个很牢靠的技术支撑。
（二）不断完善的数据仓库建设
数据仓库是一个面向主题的，集成的，时变的，非易失的数据集合（W·H·Inmon，1996），它是数据挖掘的一个重要的预处理步骤，最早的数据挖掘基本上是以关系数据库系统为挖掘平台，而随着数据仓库的建设，数据挖掘开始以数据仓库作为其挖掘平台，数据仓库是有效进行数据挖掘的基础。
（三）区别于传统数据分析方法的特点
大多数传统数据分析方法都是以完善的数学理论作为基础，使用这些方法对数据做出的分析与预测虽然说还比较令人满意，但由于其强大的数学根基，因此对分析者的要求很高，然而数据挖掘却有别于传统分析方法，它在传统方法的扩展基础上，借助高性能的计算机为后盾，采用诸如决策树这样的方法，几乎不用太多的手工劳动，就可以实现许多价值分析。
运用数据挖掘技术，加工处理信用卡消费群体的消费行为信息，对不同潜在价值的客户进行区分，最大程度地提高业务利润。如在市场细分模型中，银行可根据客户消费水平和基本特征对客户群分类，如按照持卡人对银行利润贡献价值大小分为“金牌客户”，“银牌客户”，“铜牌客户”；也可按照持卡消费时间长短分为“铁杆客户”，“会员客户”，“普通客户”。这样，银行就可以制定不同的客户市场战略，配置不同的服务产品，在一定程度上激励低价值客户向高价值客户转变的心理。通过市场细分挖掘出影响客户消费行为的内在与外在因素，信用卡发卡机构的竞争实力会大大提升。再如客户关联服务模型，通过找到具有同一消费行为的客户进行促销，当其在用卡消费购买某一种高价值产品时，可在一定时间范围内和特定场所，对其购买消费的另一种产品或服务在价格上给予一定数额优惠。这样不仅满足了客户消费需求，而且还进一步增强了客户对发卡行的满意感和忠诚感，为维持稳固的客户关系奠定了深层基础。
总之，数据挖掘作为新兴技术，在信用卡业务领域中发挥着重要作用，加之业务特有的流程复杂性，伴随产生的数据类型会越来越多，因此，在信用卡业务发展中应积极进行数据挖掘的应用。
参考文献
[1]R·格罗思（美）.数据挖掘[M].陕西：西安交通大学出版社，2001.
[2]约翰(B(考埃特，爱德华(I(爱特曼，保罗(纳拉亚南.演进着的信用风险管理[M].北京：机械工业出版社，2001.
[3]张娴.数据挖掘技术及其在金融领域的应用[J].金融教学与研究，2003，(4).
[4]蒋缨.数据挖掘技术在商业银行中的应用趋势分析[J].甘肃社会科学，2003，(5).
作者简介：李娟（1982-）女，陕西西安人，经济学硕士，现供职于陕西省行政学院教务处。
【关键词】数据挖掘 信用卡 商业银行
目前，我国信用卡业务发展面临着一些难题，怎样寻找真正的信用卡用户，怎样维持信用卡发行机构与信用卡用户之间的关系，怎样控制信用卡业务中的风险等，都困扰着我国信用卡发行机构与管理机构。对于这些问题的解决，以大量数据管理为基础的数据挖掘技术是一个行之有效的工具。
一、数据挖掘的含义
数据挖掘是新兴的一种决策技术，并且随着信息技术不断发展而逐渐完善。自1995年在加拿大蒙特利尔召开第一届知识发现和数据挖掘学术会议以来，数据挖掘一词在各行各业流行开来，其基本技术含义是从大量、不完全、有噪声、模糊、随机的数据中，提取隐含在其中的，事先不知的，但又具有潜在价值的信息和知识的过程。从这个定义，我们直观地将数据挖掘过程比喻为在“数据矿山”中寻找蕴藏的“知识金块”的过程。从商业价值角度，商业运行中存在着海量数据，如果仅凭简单的传统统计分析方法，是很难将大量数据中无用信息剔除掉的，数据挖掘作为一种新的商业信息处理技术，通过抽取、转换和分析商业数据，揭示隐藏在其中未知的规律性，并对其进行模型化处理，从而为商业决策起到辅助作用，在一定程度上解决“数据大爆炸而知识极贫乏”的现象。
对商业银行而言，这种“数据大爆炸”的现象表现地更为突出，商业银行作为一类特殊企业，其每天的业务会产生大量数据，虽然目前各家商业银行应用的数据库系统能够实现数据录入、查询、统计等工作，但却无法发现这些数据背后存在着的隐藏关系，很难通过现有数据成功预测未来趋势。另一方面，商业银行是一个收益与风险并存的行业，在其经营与运作中就必然存在风险因素，数据挖掘这一技术除了可以发现隐藏在大量数据背后的规则外，还能有效减少银行存在的风险，这些优势在商业银行信用卡业务中表现地更为淋漓尽致。
二、数据挖掘的实施步骤及分析方法
（一）数据挖掘一般可分为以下实施步骤
1.问题提出。问题提出是数据挖掘过程的首要步骤，只有明确了所要解决的问题，才能够使后续的挖掘工作有针对性地开展。
2.数据源选择。数据挖掘的实施对象是大规模的数据，因此，选择数据源成为数据挖掘工作中的一个基础步骤，数据既可以是现有业务处理系统中的数据，也可以是数据仓库中的数据。
3.数据准备。在实施数据挖掘工作之前，对数据做好前期的准备工作是十分必要的一个步骤。在这一阶段，主要完成对数据的获取，清洗，转换和装载四个环节。
4.建立模型。这一阶段是数据挖掘的主体阶段。
5.验证并修正模型。由于模型的结果有些是有实际意义的，而有一些则没有实际意义，因此需要根据经验，不断地调整挖掘模型，重复进行挖掘工作，使挖掘的有效性得以实现。
6.预测并决策。数据挖掘作为一种技术层面上的决策技术，其最终目的是辅助决策，因此决策者根据挖掘结果，结合实际情况，做出正确的决策策略。上述这一过程要反复进行，在反复的过程中，不断地趋近事物本质，不断地优化问题的解决方案。
（二）信用卡业务应用中主要的数据挖掘分析方法
由于数据挖掘是知识发现的特定步骤，因此，按照知识发现的驱动因素将其进行分类，会使数据挖掘体系更加完善。其中的驱动因素分别是验证驱动型与发现驱动型。在每种驱动类型下又包含着多种具体的挖掘分析方法。在信用卡业务中，目前主要使用的几种分析方法是：
1.分类分析。这是通过分析具有类别的样本的特点，得到决定样本属于各种类别的方法。
2.聚类分析。依据是生物学中的“物以类聚”原理。它将样本数据聚集成不同的组，并分别加以描述，它与分类分析的不同之处在于，聚类划分的类是未知的，而分类是已知数据对象的组数。比如，在信用卡持卡群体中，利用聚类技术，将客户群体进行划分。
3.关联分析。这是一种发现数据间关联模式的方法，如：菜篮分析，即通过了解消费者购物篮中所购物品相关性来辅助决策者制定相应营销策略，调整物品的摆放次序，制定正确的促销方案，以扩展客户购买的产品范围，吸引更多的客户。
三、数据挖掘在商业银行信用卡业务应用中的优势
（一）发展成熟的基础技术
数据挖掘技术在商业银行信用卡业务中应用的基础技术目前已经发展地较为成熟，大多数商业银行信用卡部门已经掌握了搜索数据的途径，加之高性能的计算机处理器配置，以及传统的数理统计分析方法等，都可以让数据挖掘技术有一个很牢靠的技术支撑。
（二）不断完善的数据仓库建设
数据仓库是一个面向主题的，集成的，时变的，非易失的数据集合（W·H·Inmon，1996），它是数据挖掘的一个重要的预处理步骤，最早的数据挖掘基本上是以关系数据库系统为挖掘平台，而随着数据仓库的建设，数据挖掘开始以数据仓库作为其挖掘平台，数据仓库是有效进行数据挖掘的基础。
（三）区别于传统数据分析方法的特点
大多数传统数据分析方法都是以完善的数学理论作为基础，使用这些方法对数据做出的分析与预测虽然说还比较令人满意，但由于其强大的数学根基，因此对分析者的要求很高，然而数据挖掘却有别于传统分析方法，它在传统方法的扩展基础上，借助高性能的计算机为后盾，采用诸如决策树这样的方法，几乎不用太多的手工劳动，就可以实现许多价值分析。
运用数据挖掘技术，加工处理信用卡消费群体的消费行为信息，对不同潜在价值的客户进行区分，最大程度地提高业务利润。如在市场细分模型中，银行可根据客户消费水平和基本特征对客户群分类，如按照持卡人对银行利润贡献价值大小分为“金牌客户”，“银牌客户”，“铜牌客户”；也可按照持卡消费时间长短分为“铁杆客户”，“会员客户”，“普通客户”。这样，银行就可以制定不同的客户市场战略，配置不同的服务产品，在一定程度上激励低价值客户向高价值客户转变的心理。通过市场细分挖掘出影响客户消费行为的内在与外在因素，信用卡发卡机构的竞争实力会大大提升。再如客户关联服务模型，通过找到具有同一消费行为的客户进行促销，当其在用卡消费购买某一种高价值产品时，可在一定时间范围内和特定场所，对其购买消费的另一种产品或服务在价格上给予一定数额优惠。这样不仅满足了客户消费需求，而且还进一步增强了客户对发卡行的满意感和忠诚感，为维持稳固的客户关系奠定了深层基础。
总之，数据挖掘作为新兴技术，在信用卡业务领域中发挥着重要作用，加之业务特有的流程复杂性，伴随产生的数据类型会越来越多，因此，在信用卡业务发展中应积极进行数据挖掘的应用。
参考文献
[1]R·格罗思（美）.数据挖掘[M].陕西：西安交通大学出版社，2001.
[2]约翰(B(考埃特，爱德华(I(爱特曼，保罗(纳拉亚南.演进着的信用风险管理[M].北京：机械工业出版社，2001.
[3]张娴.数据挖掘技术及其在金融领域的应用[J].金融教学与研究，2003，(4).
[4]蒋缨.数据挖掘技术在商业银行中的应用趋势分析[J].甘肃社会科学，2003，(5).
作者简介：李娟（1982-）女，陕西西安人，经济学硕士，现供职于陕西省行政学院教务处。