數據挖掘在銀行客戶關系管理系統的應用研究

蔡曉龍

摘要：數據挖掘技術日漸成熟，出現了多種挖掘技術和方法，在多個實際領域得到廣泛應用。本文在對銀行管理信息系統中典型的客戶關系管理系統研究的基礎上，介紹了數據挖掘技術在銀行客戶關系管理系統中的應用情況，并針對實際應用中存在的問題，給出相應的對策，最后指出數據挖掘技術未來可能的研究方向。

關鍵詞：客戶關系管理系統；數據挖掘；商業銀行

0引言

大數據時代，最早被麥肯錫公司提出。大數據在醫學、物理學、軍事、金融、通訊領域存在數年，這些行業的企業在生產運營中積累了海量的數據。互聯網和信息技術的發展，使人們更加關注如何從海量的數據中采集有效數據，進而分析數據，得到有用信息，為未來決策提供支持。金融行業是國民經濟的綜合部門，關乎各行各業企業的發展。商業銀行作為重要的金融中介，對于如何從多年積累的數據中挖掘出有用的信息，做出正確的、符合經濟發展的決策的研究，其價值不可忽略。數據挖掘技術應時代需求而生，并在商業銀行的管理信息系統中得到廣泛的應用。

本文就數據挖掘技術在商業銀行的管理信息系統中的實際應用，以客戶關系管理系統為例，進行分析研究，指出未來可能的研究方向。

1商業銀行管理信息系統

商業銀行作為重要的金融中介，調劑著社會資金余缺，在“流動性、效益性、安全性”三性原則的基礎上經營，主要包括負債業務、資產業務和中間業務，其客戶分布在社會的各個行業。數據挖掘技術在商業銀行管理信心系統中的應用能夠幫助商業銀行從大量客戶數據中，發現潛在的規律和知識為管理決策提供支持，幫助商業銀行制定有效的戰略決策，在以客戶為中心的主導思想下，有效的分析客戶的需求、實現高效的客戶管理，提供優質的客戶服務。

2 數據挖掘技術簡介

不同學者對數據挖掘給予多種不同的定義，其中認可度比較高的，是1995年第一屆數據挖掘大會的定義，“數據挖掘又稱為數據庫中的知識發現，是指從大量數據中提取有效的、新穎的、潛在有用的、最終可被理解的模式的非平凡過程[1]”。

其中，非平凡是指不是簡單地進行數據統計、查詢或者運算，而是要根據各種模型和算法對數據進行深層次的加工處理，同時還要利用技術使該過程自動地智能化的進行。因此，

數十年來，數據挖掘研究的一個重點就是各種數據挖掘技術，從最初的關聯規則、聚類、粗糙集方法，擴展到信息融合與神經網絡結合，Hibert空間、動態規劃、信息熵等方法。

數據挖掘是面向應用的，是多學科知識的的交叉應用，各個不同的主體開發的數據挖掘軟件只符合自身的標準，導致該領域出現了諸如：1）不同的模型和技術難以繼承；2）很難用統一的語言來描述數據挖掘的問題，在交互中出現問題；3）各種主體知識的獨立性與異質性，使知識發現功能難以實現跨平臺或嵌入大型應用。最終，經過研究，在數據挖掘的業界標準的過程標準、接口標準、語言標準和網絡標準上都有了一定的成果。

3 數據挖掘在商業銀行客戶關系管理系統中的應用

進行數據挖掘之前要做好信息的收集、建立數據倉庫的工作，數據倉庫存儲來自銀行不同業務的大量的歷史數據，與一般數據庫不同，歷史數據可供分析和決策支持，但是不能對其進行修改。

在商業銀行的客戶關系管理系統中，其主要解決的問題包括：1）客戶概況分析，將銀行的客戶根據消費情況分為不同層次、了解不同層次客戶的愛好和消費習慣，便于制定策略調整未來的產品和服務；2）客戶忠誠度分析，使用重復交易率、持久性等指標判斷客戶對該銀行金融產品的忠實程度；對忠誠度好的顧客可以給予一定的優惠政策，減少該類客戶的流失率；3）客戶利潤分析，不同級別客戶的一次消費行為為該銀行帶來的邊際利潤、顧客總體消費帶來的總利潤、凈利潤等；4）客戶性能分析，根據不同客戶對各類金融產品的偏好、購買渠道、購買地點等計算出顧客的銷售貢獻率。

3.1數據準備

數據準備階段包含數據集成、數據選擇、數據預處理等過程。

首先從銀行客戶關系管理系統的目標中選定需要解決的問題，對問題進行初步分析，確定問題的類型。根據問題的類型，選擇與之相關的現實數據庫，確定挖掘的目的或任務，制定挖掘計劃，根據計劃收集與問題相關的、有代表性的數據。銀行的數據的存儲一般使用SQL Server、oracle、DB2、sysbase等數據庫，累積的數據量比較大，且格式不統一。進行數據預處理的目的是將數據庫中數據變換成可以挖掘的形式，即合并多數據庫運行環境中的數據，消除數據庫中的重復記錄、補缺確實的記錄等，避免出現二義性的語義、消除不規范的臟數據，建立標準化的、統一的數據視圖。所選數據的數量和質量直接影響數據挖掘的結果，因此，不相關的數據要盡量排除，減少數據的處理量，以免影響數據挖掘的處理效率和最終結果。

隨著金融機構之間競爭的加劇，各種創新的金融產品不斷進入市場，對客戶而言，可選的范圍增加，對客戶效用的取得大有益處。然而，多數金融機構的產品之間并無太大差異，因此，在相似或者同質金融產品的競爭方面，銀行客戶的忠誠度分析意義重大。此處以客戶的忠誠度分析為例，需要準備的數據大致包括：同一客戶對該銀行不同種類金融產品的消費量、老顧客對新產品的交易率、通過調研得到的客戶對企業的滿意度等數據。

3.2數據挖掘

該步驟是核心環節。根據第一步設定的挖掘目標，從各種數據挖掘的技術和算法中選出適合該類挖掘的模型，并選定最終需要測試的數據。完成以上步驟后，開始進行數據的挖掘分析，得出數據挖掘的結果。所選模型會呈現不同的挖掘結果。

3.3模型評價和檢驗

前一個步驟的測試數據，可以對挖掘的結果進行檢驗，并計算誤差率，若未達到計劃目標時，可重回之前步驟，再次進行數據挖掘。

數據挖掘的結果對決策的支持作用并不絕對，有些挖掘結果對決策是無用的，甚至完全偏離事實，因此，對決策者而言，需要結合自身的知識與經驗，并結合多種其他指標，形成多元化的評價體系，從而判斷數據挖掘的有用性。

4 數據挖掘技術在銀行客戶關系管理系統的應用存在的問題及相關策略

我國多數大型商業銀行都在客戶關系管理中引入數據挖掘技術，但是應用成功的案例相對較少。存在的問題：1）數據挖掘系統的構建成本高，但是使用頻率較低；2）算法的選取等原因，導致挖掘結果不能支持決策，或有違事實的情況發生；3）數據挖掘系統難以適應挖掘需求的頻繁更變；4）數據挖掘的效率較低，對于同時處理多種不同類型數據的挖掘，缺乏高性能的挖掘算法。

對解決以上問題，需要關注以下幾個方面的研究：

4.1高性能數據挖掘算法

大型數據庫中每日產生的、多年積累的巨量記錄，有一維至多維、單層至多層及不同組合記錄。其中，有結構化數據、空間數據、時間序列數據、WEB數據、多媒體的音頻視頻圖像等半結構化或無結構的數據，無可避免的出現數據噪音、臟數據等。

因此，要設計能夠處理多種類型或組合類型數據的高性能的數據挖掘模型，或為了提高挖掘效率，研究并行挖掘、分布式挖掘和增量挖掘的方法。

4.2知識驗證機制

數據挖掘的結果的有用性需要結合實際的知識來進行驗證，只有符合人們認識規律、能得到事實支持的數據挖掘結果才具有可用性。

4.3知識解釋

數據挖掘的結果所呈現的規律，必須通過形象的解釋，并以直觀易用的形式呈現出來，才能更好被更廣泛的接受和使用，因此，要注重對知識解釋過程的研究。

5結束語

面對經濟全球化的趨勢，商業銀行的競爭的范圍和強度不斷增大，對銀行高層有效決策的要求也不斷加強。數據挖掘能夠幫助決策者從客戶關系管理系統的歷史數據中挖掘出有助于決策的信息，有助于留住老客戶、開發銷售渠道、吸引新客戶、開法新產品和進行有效的風險管理。

本文介紹了數據挖掘技術在商業銀行客戶關系管理系統中的應用步驟，指出了其中存在的問題，并針對這些問題，指出了未來研究數據挖掘技術可能的研究方向。

參考文獻：

[1] Fayyad U M， Piatetsky-Shapiro G， Smyth P，et al. Advances in Knowledge Discovery and Data Mining. AAAI/MIT Press，1996

[2] 劉明亮，李雄飛等.數據挖掘技術標準綜述[J].計算機科學.2008.

[3] 周晶平.數據挖掘在銀行分析型CRM系統應用中存在的問題與對策 [J]. 2010年3月第1期

[4] 聶文海.挖掘技術的客戶忠誠滿意度模型及其應用研究[M].華中科技大學，2006.

[5] 吳志華.基于知識發現的時序數據挖掘算法研究[M].華北工學院，2002.

[6] 吳志鴻.數據挖掘技術在CRM中的應用[J].現代情報.2003年7月第7期

[7] 鄒志文， 朱金偉.數據挖掘算法研究與綜述[J].計算機工程與設計.2005年9月