數據挖掘技術在商業銀行中的應用

［摘 要］ 數據挖掘能夠有效分析商業銀行數據庫中的信息，將其轉化為知識為銀行的經驗決策服務。本文在介紹數據挖掘技術及其主要任務的基礎上，總結了數據挖掘在商業銀行業務中的主要應用領域為客戶關系管理、風險管理和金融欺詐監測，并具體介紹了數據挖掘技術在上述幾個領域內的應用。

［關鍵詞］ 數據挖掘； 客戶關系管理； 風險管理； 欺詐監測

doi : 10 . 3969 / j . issn . 1673 - 0194 . 2011 . 09 . 015

［中圖分類號］TP391；F832.33 ［文獻標識碼］A ［文章編號］1673 - 0194（2011）09- 0059 - 04

１前言

商業銀行在經營的過程中積累了大量的數據，在信息時代，能否快速準確地從這些數據中發掘規律，獲取知識；能否有效地利用這些規律和知識為銀行的經營、決策服務，對銀行提升競爭力及長遠發展來說，是至關重要的。

發達國家和地區的商業銀行早已利用數據挖掘技術來進行數據庫中知識的挖掘。例如，美國匯豐銀行用數據挖掘工具 ＫＸＥＮ來挖掘不斷增長的客戶數據，用來發現交叉銷售和“翻滾”銷售。美國花旗銀行和瑞士銀行也是較早采用數據挖掘技術的銀行。以美國第一銀行為代表的信貸銀行深入地將數據挖掘技術運用到信用卡用戶分析中。然而，數據挖掘技術在銀行業真正得到重視是在客戶關系管理系統興起之后，眾多的歐美銀行紛紛采用數據挖掘技術來為自己的經營決策服務，其中包括美洲銀行、美國商務銀行、皇家蘇格蘭銀行、法國興業銀行、德意志銀行、荷蘭銀行、澳大利亞國民銀行等。簡言之，在數據倉庫規模迅速膨脹，數據庫技術日益成熟的今天，發達國家和地區的銀行都把數據挖掘技術作為一個重要的戰略決策手段。

上述歐美銀行不僅有完善高效的數據收集系統，最重要的是將數據倉庫中的數據切切實實地變成了有用的知識，并在經驗過程中，實現了知識到財富的轉換過程。

相比于國外的銀行，數據挖掘在我國商業銀行中的應用則顯得相對蒼白無力，對大部分銀行來說，還處在數據收集、整理、規范的階段。對大量數據的進一步處理和應用，還處在一個相當原始的階段。數據挖掘這項強大的數據處理技術，仍停留在概念的層面。很多銀行不知道數據挖掘在哪些銀行業務中可以得到應用，更不了解數據挖掘針對銀行業務的強大功能，因此在這方面的研究投入也不夠。在此背景下，本文在概述數據挖掘技術的前提下，探討數據挖掘可能在商業銀行中的幾種應用。

２數據挖掘技術簡介

數據挖掘是指“在數據中發現有效的、新穎的、潛在有用的、可理解的模式的非平凡過程”［１］。數據挖掘這個研究領域是數據庫、模式識別、機器學習、統計學、人工智能、并行與分布式計算、數學和可視化技術等多學科交叉的產物，是一個新興的但具有廣泛應用前景的研究領域。數據挖掘的主要任務可以進一步分為如下幾類。

2．１關聯規則挖掘

關聯規則挖掘是從大量數據中發現項集之間有趣的關聯或相關聯系，是形如Ａ?圯Ｂ的蘊涵式，支持度ｓ％是指事務數據庫Ｄ中至少有ｓ％的事務包含Ａ∪Ｂ；可信度ｃ％是指在事務數據庫Ｄ中包含Ａ的事務至少有ｃ％同時也包含Ｂ。關聯規則可以幫助許多商務決策的制定。

2．２分類與預測

分類需要構造分類函數或分類模型，通過分類函數，把數據庫中的數據項映射到某個類上。分類模型可以用多種形式表示，如分類（ＩＦ－ＴＨＥＮ）規則、分類樹、數學公式或神經網絡等。分類和預測可以用于提取描述重要數據類的模型或預測數據未來的趨勢，例如可以通過建立分類模型，對銀行的貸款客戶進行分類，以降低貸款的風險等。

2．３聚類分析

聚類技術用于發現數據庫中未知的類，與分類不同之處在于，在聚類前對類的數量與類型均是未知的，是按照“物以類聚”的原則，將滿足相似性條件的對象劃分在一組內，不滿足相似性條件的對象劃分在不同的組。每個組都叫做類（Ｃｌｕｓｔｅｒ），每一類中的對象盡量相似，而不同類間的對象盡量不同。

2．４孤立點分析

數據庫中可能包含一些數據對象，它們與數據的一般行為或模型不一致。這些數據對象是孤立點 （Ｏｕｔｌｉｅｒ）。統計方法常將孤立點視為噪聲或異常而丟棄，或試圖使孤立點的影響最小化。但在一些應用中孤立點本身可能是非常重要的信息，例如在欺詐探測中，孤立點可能代表了欺詐行為。

2．５演變分析

數據演變分析（Ｅｖｏｌｕｔｉｏｎ Ａｎａｌｙｓｉｓ）描述行為隨時間而變化的對象的發展規律或趨勢，并對其建模。例如可以從股票交易數據中挖掘出整個股票市場和特定公司的股票演變規律，幫助預測股票市場的未來走向，幫助做出股票投資的決策。

３數據挖掘技術在商業銀行中的應用

數據挖掘在商業銀行的應用可以分為客戶關系管理、風險控制和金融欺詐識別3個方面。人們經常提到的市場營銷，可以歸在客戶關系管理的范圍內，客戶關系管理的其中一個作用就是通過分析客戶特征，從而提供更合適的產品與服務，而這就是營銷的本質。下面對數據挖掘在以上3個方面的應用進行介紹。

３．１客戶關系管理

數據挖掘在客戶關系管理中的應用相對成熟，早在10年前，國外的相關學者就提出，數據挖掘技術能夠使ＣＲＭ系統向顧客提供更有針對性，更高質量的服務［２］。數據挖掘能夠發現數據庫當中數據之間深層次的關聯；能夠將本質相似的數據歸為同樣的類；能夠發掘數據庫中的異常數據，這都是傳統的計量方法所不具備的能力。因此當銀行建立了ＣＲＭ系統之后，需要做的就是采用數據挖掘這樣強大的工具來將數據庫中的客戶信息變成財富。

總體來說，利用數據挖掘來進行客戶關系管理要實現3個目標：首先是留住現有客戶。維持一個老客戶所需的成本是尋求一個新客戶成本的0.5倍。通過分析現有客戶的特征，挖掘客戶的愛好和興趣，從而以最快的速度響應客戶的需求，有針對性地提供金融產品及服務，可以提高客戶的忠誠度，從而留住現有客戶。其次是實現現有客戶價值最大化，客戶的生命周期決定了在各個不同的階段，客戶對金融產品及服務的需求是不同的，因此要合理地滿足同一個客戶在不同生命階段的需求，在令客戶滿意的同時，最大限度地實現客戶價值。最后是通過提供更有競爭力的產品與服務，通過更有效的營銷手段來吸引其他銀行的客戶。

要滿足上述三個目標，就需要深入了解客戶特征，而市場細分的過程就是發現客戶特征的過程。銀行業正在實現從大眾營銷到一對一營銷的轉變，勞埃德ＴＳＢ集團（Ｌｌｏｙｄｓ ＴＳＢ）的Ａｃｃｕｃａｒｄ和蒙特利爾銀行的 Ｍｏｓａｉｋ產品已經分別通過允許客戶創立自己的賬戶、選擇年收益率（ＡＰＲ）、費用、卡型及獎勵回饋來探索一對一的營銷理念。數據挖掘的分類、聚類等技術能夠將數據庫進行細分，這兩項技術的差別在于一個是有監督的學習，一個是無監督的學習。均能在客戶細分的研究方面起到很好的作用，從而發現不同的客戶對產品的不同需求。

除了分類、聚類，關聯規則也是重要的ＣＲＭ系統分析技術，通過關聯規則，銀行可以發現產品之間的銷售關聯，這有助于實現產品的交叉銷售。交叉銷售作為一種重要的營銷手段，不但能更好地進行產品營銷，更重要的作用是保留能夠帶來利潤的客戶。

目前在國內，一些先進的商業銀行開始使用一些通用的數據挖掘軟件。學術界的研究也處于探索階段，從已有的研究文獻來看，大部分屬于描述性和介紹性文章，雖然近年來有了數據挖掘在商業銀行應用的一些具體實施方面的介紹，卻幾乎都集中在軟件的使用上。這類軟件所采用的算法往往是一些基礎的數據挖掘算法，挖掘的準確率和速度均有待提高，例如，著名的數據挖掘軟件ＳＰＳＳ １７所采用的聚類算法僅有二步聚類及K－ｍｅａｎｓ算法，了解數據挖掘聚類算法的學者都知道，很多聚類算法的聚類效果要遠遠地優于這兩種算法，例如基于密度的算法ＤＢＳＣＡＮ等。除了算法的不足，學術研究的內容也大部分局限于分類及聚類，沒有更廣泛的研究；另外對于數據挖掘結果也沒有深入說明與闡述。

３．２風險管理

商業銀行所面臨的風險主要有市場風險、信用風險和操作風險，風險控制對于商業銀行的可持續發展來說是至關重要的。隨著信息時代的發展，風險管理的手段也在逐步發展，總體趨勢是由定性分析向定量分析轉變，由主觀分析向客觀分析轉變。數據挖掘由于具有不需要依靠假設條件、能夠處理大規模數據等優點，目前已經在市場風險與信用風險的防范中開始嶄露頭角，用于建立全面的風險管理預警體系，發現經營中存在的問題，增強風險識別和防范能力。

市場風險指因股市價格、利率、匯率、商品價格等風險因子的變動而導致銀行表內和表外業務發生損失的風險。其中無論哪一個風險因子的變化都會產生海量的金融時間序列數據。傳統的統計分析方法需要嚴苛的假設條件，并且只能著眼于全局，不能準確地描述金融市場的動蕩。數據挖掘彌補了統計方法的不足，目前已廣泛地應用于金融時間序列分析。時間序列模式挖掘研究目前主要集中在時間序列中相似序列搜索、頻繁模式發現、關聯模式發現、周期模式發現以及異常數據挖掘等方面，采用的方法主要有神經網絡、遺傳算法、模糊理論、粗糙集、支持向量機等。

信用風險評估實質上是一個分類和預測的問題，按照不同情況把客戶分成若干組，并且預測客戶分到相應類別組的概率。而分類和預測正是數據挖掘的主要任務之一。目前得到較廣泛應用的分類技術有神經網絡與決策樹。在數據挖掘技術中，神經網絡模型最早被應用在個人信用評估上。Ｏｄｏｍ和Ｓｈａｒｄａ （１９９０）［３］采用人工神經網絡技術，對Ａｌｔｍａｎ（１９６８）研究中的５個財務比率，選?。保梗罚?１９８２年間的６５家正常公司和６５家財務危機公司作為樣本，選取企業財務危機前一年的財務資料，建立了神經網絡預警模型，再與基于統計的分類方法做比較，結果證明其預測的準確率要高于基于統計的方法，從而實現貸款風險監測中的建模和預報功能。通過數據挖掘當中的分類技術，商業銀行可以將貸款對象根據風險的高低進行分類，對于新的貸款申請者，可以將其歸類進而預測其風險的大小。

３．３金融欺詐監測

目前在這方面的研究主要集中在信用卡欺詐研究和反洗錢研究這兩個問題上。

在信用卡欺詐研究方面，目前主要采用的數據挖掘技術是分類，如我們一再提到的神經網絡、決策樹及各種分類組合方法，同時關聯規則在信用卡欺詐研究方面也有一定的應用，Ｃｈｉｕ ａｎｄ Ｔｓａｉ（２００４）［４］就采用改進的Ａｐｒｉｏｒｉ算法研究了欺詐數據的典型形式。國際上，花旗銀行、美國第一銀行等歐美銀行早已將數據挖掘作為信用卡欺詐研究的重要工具。然而，我國的信用卡業務起步較晚，對其特殊性和潛在風險缺乏足夠的認識，無論是學術研究水平還是商業銀行的反欺詐水平，都與國際上先進的銀行有著不小的差距，數據挖掘技術幾乎沒有得到有效的應用。

在反洗錢方面，數據挖掘技術也有著不俗的表現，主要應用的技術有孤立點分析、序列模式挖掘、分類研究、聚類分析等。這方面的杰出代表有美國金融犯罪執法網絡（ＦｉｎＣＥＮ）的ＦＡＩＳ系統，其采用數據挖掘技術來實現對可疑交易報告進行分析和評估；另外還有澳大利亞交易分析與報告中心（Ａｕｓｔｒａｌｉａｎ Tｒａｎｓａｃｔｉｏｎ Rｅｐｏｒｔｓ ａｎｄ Aｎａｌｙｓｉｓ Cｅｎｔｅｒ），該中心采用數據挖掘技術開發了SｃｒｅｅｎＩＴ系統，用來實現可疑交易報告自動篩選；另外歐盟、加拿大也早已將數據挖掘技術應用到可疑金融交易識別中。與上述發達國家和地區相比，雖然我國央行于２００４年成立了反洗錢監測中心，國家外匯管理局于２００５年開發并推廣了反洗錢信息輔助核查平臺，然而我國的反洗錢系統建設不夠完善。由于金融欺詐犯罪手段日新月異，識別可疑金融交易信息的技術也必須不斷改進以適應其變化，數據挖掘等先進技術的應用更需要進一步深入。

４結論

本文針對國內商業銀行對數據挖掘技術不夠了解這一情況，首先介紹了數據挖掘技術及其主要任務，并在此基礎上介紹了數據挖掘技術在商業銀行中應用的主要業務領域，指出了我國大部分商業銀行對數據挖掘技術的認識仍停留在粗淺的概念上，無論是商業銀行或學術界都需要加強這方面的研究與實踐。

主要參考文獻

［１］ Ｆａｙｙａｄ Ｕ， Ｐｉａｔｅｔｓｋｙ－Ｓｈａｐｉｒｏ Ｇ， Ｓｍｙｔｈ Ｐ． Ｆｒｏｍ Ｄａｔａ Ｍｉｎｉｎｇ ｔｏ Ｋｎｏｗｌｅｄｇｅ Ｄｉｓｃｏｖｅｒｙ ｉｎ Ｄａｔａｂａｓｅｓ［Ｊ］． ＡＩ Ｍａｇａｚｉｎｅ，１９９６，１７（３）：３７－５４．

［２］ Ｌ Ｓ Ｔｉｌｌｅｔｔ． Ｂａｎｋｓ Ｍｉｎｅ Ｃｕｓｔｏｍｅｒ Ｄａｔａ［Ｊ］． Ｉｎｔｅｒｎｅｔ Ｗｅｅｋ， ２０００（８３１）：４５－４６．

［３］ Ｍ Ｄ Ｏｄｏｍ，Ｒ Ｓｈａｒｄａ． Ａ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋｓ ｆｏｒ Ｂａｎｋｒｕｐｔｃｙ Ｐｒｅｄｉｃｔｉｏｎ［Ｃ］ ／／ Ｔｈｅ ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｊｏｉｎｔ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋｓ，１９９０：１６３－１６８．

［４］ Ｃｈｉｕ Ｃ ＆ Ｔｓａｉ Ｃ． Ａ Ｗｅｂ Ｓｅｒｖｉｃｅｓ－Ｂａｓｅｄ Ｃｏｌｌａｂｏｒａｔｉｖｅ Ｓｃｈｅｍｅ ｆｏｒ Ｃｒｅｄｉｔ Ｃａｒｄ Ｆｒａｕｄ Ｄｅｔｅｃｔｉｏｎ［Ｃ］ ／／ Ｔｈｅ Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ＩＥＥＥ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ ｅ－Ｔｅｃｈｎｏｌｏｇｙ， ｅ－Ｃｏｍｍｅｒｃｅ ａｎｄ ｅ－Ｓｅｒｖｉｃｅ， ２００４．

Application of Data Mining Technology in Business of Commercial Banks

CHEN Min

（Post Doctoral Programme of Bank of Beijing， Beijing 100081，China）

Ａｂｓｔｒａｃｔ： Ｄａｔａ ｍｉｎｉｎｇ ａｎａｌｙｓｅｓ ｔｈｅ ｍａｓｓｉｖｅ ｄａｔａ ｉｎ ｔｈｅ ＣＲＭ ｓｙｓｔｅｍ ｏｆ ｃｏｍｍｅｒｃｉａｌ ｂａｎｋｓ ｅｆｆｅｃｔｉｖｅｌｙ， ｂｙ ｔｕｒｎｉｎｇ ｔｈｅ ｉｎｆｏｒｍａｔｉｏｎ ｉｎｔｏ ｋｎｏｗｌｅｄｇｅ， ｄａｔａ ｍｉｎｉｎｇ ｂｅｎｅｆｉｔｓ ｔｈｅ ｂａｎｋｓ ｗｉｔｈ ｍａｋｉｎｇ ｂｅｔｔｅｒ ｂｕｓｉｎｅｓｓ ｄｅｃｉｓｉｏｎ． Ｂａｓｅｄ ｏｎ ｔｈｅ ｉｎｔｒｏｄｕｃｔｉｏｎ ｏｆ ｄａｔａ ｍｉｎｉｎｇ ｔｅｃｈｎｏｌｏｇｙ ａｎｄ ｔｈｅ ｍａｉｎ ｍｉｎｉｎｇ ｔａｒｇｅｔｓ， ｔｈｉｓ ｐａｐｅｒ ｓｕｍｍａｒｉｚｅｓ ｔｈａｔ ｔｈｅ ＣＲＭ， ｒｉｓｋ ｍａｎａｇｅｍｅｎｔ ａｎｄ ｆｒａｕｄ ｄｅｔｅｃｔｉｏｎ， ａｎｄ ｔｈｅｎ ｉｎｔｒｏｄｕｃｅｓ ｔｈｅ ａｐｐｌｉｃａｔｉｏｎ ｏｆ ｄａｔａ ｍｉｎｉｎｇ ｉｎ ｔｈｏｓｅ ｒｅｓｅａｒｃｈ ｆｉｅｌｄｓ．

Ｋｅｙ ｗｏｒｄｓ： Dａｔａ Mｉｎｉｎｇ； ＣＲＭ； Rｉｓｋ Mａｎａｇｅｍｅｎｔ； Fｒａｕｄ Dｅｔｅｃｔｉｏｎ