金融行业数据挖掘分析及其应用目录一、数据挖掘基本概念和应用意义 (2)二、数据挖掘技术应用现状 (3)（一）数据挖掘在电信领域的应用 (3)（二）数据挖掘在竞技体育领域的应用 (4)（三）数据挖掘在金融领域的应用 (4)（四）国内外数据挖掘技术应用现状 (6)三、数据挖掘探索和实践 (6)（一）数据挖掘在风险防范方面的应用 (7)（二）数据挖掘在市场营销方面的应用 (8)（三）数据挖掘在信息分析方面的应用 (10)（四）常规数据挖掘技术（数据匹配和筛选）的应用 (14)四、数据挖掘应用建议 (15)（一）应用数据挖掘技术的可行性 (15)（二）应用数据挖掘技术的紧迫性 (16)（三）对全行推广应用数据挖掘技术的建议 (17)1．加强宣传力度，唤醒利用信息资源意识 (17)2．实施信息化经营管理，提高同业竞争力 (17)3．加强技术和业务协同，把工作落到实处 (18)4．把握自身特点，因地制宜开展挖掘工作 (18)5．重视源头数据维护，提高数据信息质量 (19)信息化时代的市场竞争自然离不开信息。

问题是我们现在能获得的信息不是少了，而是多了。

如何读懂这些信息、发现这些信息的含义成了难题。

统计报表是从宏观角度解读数据信息，告诉我们事物整体的发展趋势，而数据挖掘则是从微观角度解读数据信息，描述个体之间的客观联系。

正如望远镜让人们看到了遥远的天体活动，显微镜让人们分辨出细微的生命运动一样，两者都异常美妙。

一、数据挖掘基本概念和应用意义数据挖掘技术出现于20世纪80年代后期，它是一项利用数学和计算机工具，从海量数据中寻找潜在规律的技术。

它采用神经网络、决策树、聚类等模型算法，对海量数据和信息进行运算分析，从中归纳、总结出一些靠人工很难发现的规律。

通常人们所说的数据挖掘，泛指从系统数据库中直接提取所需要的数据，或在此基础上进行筛选或过滤处理，得到所要的结果。

利用数据挖掘技术，可以帮助我们发掘信息资源宝库，进一步发挥数据和信息“满足监管要求、提供决策支持、引导经营管理”的作用。

小平同志早在上世纪八十年代就指出，“开发信息资源，服务四化建设。

”他敏锐地意识到信息是一种有待开发利用的资源，并且可以直接服务于当今最先进的生产力。

从信息供给方面看，近些年来，加快了信息化发展，日常工作中积累了大量业务数据和信息。

除了满足统计报表编制、业务查询需要外，如何有效地发掘、利用这部分信息资源，更大地发挥它们的作用，是逐步走向信息化之后面临的一个新课题。

从信息需求方面看，市场营销部门要在客户数量众多的个人客户、中小企业等市场中寻找营销目标，除了传统手法外，必须得到更多的数据和信息支持。

只有增加营销技术含量，实施精准营销，才能提高营销成功概率。

在信息技术和网络化水平日新月异的现代，市场变化之快超过我们很多人观念的更新、认识的提高，金融市场的竞争已经突破了网点布局、客户经理数量等范畴，更多地表现为技术手段和无形市场的竞争。

可以预见，在信息化时代下，商业银行的市场竞争必将日趋激烈，竞争格局可能发生较大变化，而在这其中，数据挖掘技术将发挥出越来越重要的作用。

二、数据挖掘技术应用现状经过二十多年的探索发展，数据挖掘技术在社会多个领域得到了有效运用，打开了业务发展思路，提供了提升业绩的全新手段。

（一）数据挖掘在电信领域的应用在激烈的通信市场竞争下，电信运营商面临客户流失问题。

对剩余客户日渐稀缺的通信市场来说，留住一个老客户的成本约为发展一个新客户的五分之一，运营商当然更希望能阻止老客户流失。

但当运营商面对海量的客户资料时，如何判断客户的流失倾向是个棘手问题。

数据挖掘技术通过对流失客户的特征进行归纳，训练出分类模型，再将训练好的模型应用于所有客户，就可以类比分离出易流失的客户群。

运营商只要据此挑选出需要保持的有价值客户，采取相应维系措施，就能减少他们的流失。

除了降低客户流失度外，数据挖掘技术还被应用于检测电话欺诈。

通过对通话号码、通话时长、通话次数等要素进行统计归纳，分析那些偏离常规值的通话模式，进而发现电话欺诈行为。

英国电信曾检测出频繁进行集团内部通话（特别是用手机通话）的一些犯罪集团，成功避免了数百万美元的欺诈。

（二）数据挖掘在竞技体育领域的应用有人曾将数据挖掘技术用于球类比赛的临场技战术分析。

通过把运动员的技术动作分解成击球方式、击球基本动作、击球路线、击球效果等四组编码，分析各种技术组合和战术套路，从中找出提高比赛胜率的技术和套路。

数据挖掘最成功的体育领域应用要数NBA比赛。

美国数据挖掘专家分析了NBA比赛的统计数据（主攻、助攻、篮板、犯规等)，帮助纽约尼克斯队和迈阿密热队提高竞争优势，取得了很好效果。

目前，大约有20多个NBA球队利用数据挖掘工具优化他们的战术组合。

（三）数据挖掘在金融领域的应用汇丰、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，主要可分为以下两个方面： 风险管理风险管理是数据挖掘在银行业的重要应用之一。

如信用风险评估工作，通过构建信用评级模型，评估贷款申请人或信用卡申请人的风险。

过去，这种信用评分工作由银行客户经理逐个完成，往往只考虑几个简单变量，如就业情况、收入、年龄、资产、负债等。

现在应用数据挖掘方法，可以增加更多的变量，提高信用评级模型的精度，改进信用评价质量。

通过对批量客户进行数据挖掘，还可以侦查异常的信用卡使用情况，发现极端客户的消费行为。

客户管理在银行客户生命周期的各个阶段，都可利用数据挖掘技术。

——客户获取阶段通过数据挖掘中的购物篮分析，可以预测客户对银行营销活动的响应率。

那些被判定为有利的特征可以与新的非客户群进行匹配，以改善营销活动的效果。

数据挖掘还可从银行数据库存储的客户信息中，根据事先设定的标准找到符合条件的客户群，也可以把客户进行聚类分析让其自然分群，通过对客户的服务收入、风险、成本等相关因素的分析、预测和优化，找到新的可赢利目标客户。

——客户保留阶段与电信领域的应用类似，数据挖掘技术也可用于缓解银行客户的流失问题。

——服务优化阶段为客户提供优质和个性化的服务、适时的关怀，是赢得客户好感的重要手段。

通过分析重点客户对产品的应用频率、持续性等指标，可以判别客户的金融消费习惯、产品偏好、风险偏好、银行忠诚度等。

知道客户的金融兴趣和爱好后，银行就能为客户提供有针对性的服务和关怀，赢取客户进一步的信任。

（四）国内外数据挖掘技术应用现状理论上讲，数据挖掘的可应用领域非常广泛，只要有信息数据库，都可进行有目的的发掘分析。

国外常见的应用案例多在零售、制造、金融保险、通讯及医疗服务等行业。

商家从顾客购买商品中发现一定的关系，提供打折购物券等，提高销售额。

保险公司通过数据挖掘建立预测模型，辨别出可能的欺诈行为，避免道德风险，减少损失。

在制造业中，电子产品的生产和测试产生大量的数据，对这些数据进行分析，可以找出存在问题的环节或工艺，提高产品质量。

如今电子商务快速普及，可以用数据挖掘对网站进行分析，识别用户的行为模式，保留客户，提供个性化服务，优化网站设计。

国内数据挖掘的应用尚处于起步阶段。

中国电信在一些省份做数据挖掘的试点。

主要采用聚类和预测挖掘技术，实现了客户分群模型和流失预测模型的建立和应用。

通过客户分群模型，对客户进行细分，找出有相同特征的目标客户群，有针对性地进行交叉销售。

通过流失预测模型，锁定流失的高危客户，进行事前挽留，取得了一定效果。

另外，已有多家中小银行意识到数据挖掘技术在市场扩张中的辅助作用，开始公开招募数据挖掘人才，显然是准备启动这项工作。

三、数据挖掘探索和实践我行信息管理条线很早就意识到数据挖掘技术在信息资源利用上的潜在作用，多次举办培训班传授、讲解数据挖掘基本知识，倡导、推动数据挖掘技术在全行的应用。

一些分行也在这方面作了初步的探索和实践，取得了良好效果。

（一）数据挖掘在风险防范方面的应用以个人住房贷款违约客户数据挖掘为例。

当前，个人住房贷款业务已成为我行重要的信贷产品。

研究客户特征与贷款违约间的关系，找出其关联性，对于优化客户标准，提升个人信贷决策质量尤为重要。

在个人住房贷款发展过程中，由于宏观经济环境的起伏变化，特别是房地产市场的周期波动，以及借款人家庭经济情况或婚姻状况的意外变化，个人住房不良贷款逐渐增多。

商业银行逐步加强了对个人住房贷款的风险管理，加大了不良贷款的处置力度。

但个人住房贷款往往在逾期后才会被发现，所以，这些措施只能是事后的、被动的。

面对这种状况，如何前移风险关口，及早发现问题贷款，便是摆在个人住房贷款风险管理者面前的一个新课题。

我们尝试用数据挖掘技术解决这一问题。

我们认为，看似不可预见的个人住房不良贷款并不是随机产生的，多数也不是在一夜之间突然形成，偶然之中蕴有必然，量变导致质变。

这些贷款可能早在客户选择上就有些先天不足，风险随时会被诱发；也可能在信贷要素上有些共同弱点，业务上有瑕疵；还可能有些相近的恶化特征，具有类似的蜕变趋势；或者上述诸因素兼而有之。

尽管到目前为止我们还没有很好地归纳出客户违约的规律，但它们应该已经存在于数据信息中，等待着人们去发掘认识。

数据挖掘技术就是通过研究那些散落在海量数据中的不易被察觉的蛛丝马迹，帮助我们找出客户数据信息和不良贷款之间的内在联系。

根据业务经验，我们有理由判定客户的基本信息、贷款合同信息、账户信息以及账户交易信息有可能与不良贷款有关（只要判断哪些指标可能有关就行，最终是否有关、关联程度多大，数据挖掘结果会给出答案）。

为此，我们采用借款人的年龄、性别、最高学历、本人月收入、信贷产品、贷款金额、担保方式、分期还款额等客户信息和合同信息，以及客户在的所有账户近半年来每月的定、活期、借、贷方交易金额、交易笔数等78个字段信息，作为数据挖掘模型输入项，上述信息共同组成了个人住房贷款风险评估的基础数据。

通过选取部分客户基础数据作为样本，经过反复调试，生成了数据挖掘模型，再将该模型运用于全量客户数据，得到了可能违约客户清单。

有了这份清单，风险管理部门就可以采取相应预防或监控措施，将风险控制关口前移，减少信贷损失。

（二）数据挖掘在市场营销方面的应用短信通知服务是既能给客户带来方便，又能给银行带来稳定中间业务收益的双赢产品。

上海分行电子银行部过去通过随机电话外拨进行营销，人力、时间、费用投入大，营销成功率低，营销人员成就感差。

了解到数据挖掘技术可以帮助实现精准营销后，电子银行部希望先通过数据挖掘手段，挖掘目前对私客户中可能有短信通知服务需求的客户，然后再进行有针对性的短信通知服务营销。

为此，分行信息中心从多个系统中整合了短信签约客户信息（年龄、学历、婚姻状况、联系方式等）、账务信息（账户余额、日均、结算量、结算笔数、通过ATM机交易笔数、通过网银交易量等）、贷款信息、持卡信息、代发工资信息等，对现有有效收费的短信服务客户群体进行关联分析，发现了短信客户部分特征：——网上银行客户较易接受短信收费服务。