數據挖掘技術在信用信息分析中的應用分析

胡杰

摘要：文章首先簡要概述與數據挖掘技術相關內容，隨后從分類、聚類兩種數據挖掘應用較廣的維度來開展研究，分別有神經網絡、決策樹法、層次方法、基于密度（或網絡）方法等；剖析了數據挖掘技術應用于信用信息分析的問題，而后圍繞問題內容，指出可從強化海量數據處理效果、快速提煉信息分析報告、提前預測未來發展趨勢、積極融合智慧化服務平臺等方面解決問題，以期為相關技術工作提供可靠參考。

關鍵詞：數據挖掘技術；信用信息；分析算法；對策

中圖分類號：TP311. 13

文獻標志碼：A

0 引言

大數據即巨量資料，指所涉及的資料量規模巨大，無法通過主流軟件工具實現獲取、管理的咨詢。新時期背景下大數據有著無限潛力和優勢，但同時也給各領域工作帶來考驗。有更多的人在現代社會中挖掘出數據的價值和戰略意義，并開始延伸到對數據的研究中。如何在數據海洋中獲得利于發展的信息和商機，有效提升利潤，就必須借助于各種智能化方法來分析處理，即采取相應的數據挖掘技術。利用數據挖掘技術能深入數據深層找出隱含的知識，從而提升各種管理決策的科學性，減少不必要的損失，優勢突出。

1 數據挖掘技術簡述

1.1 數據挖掘技術定義

數據挖掘（ Daca Mining）是指從大量數據中通過計算分析方法來獲得其中隱藏信息的過程。該概念屬于計算機科學的學科領域，常常和人工智能、數據庫等多領域緊密聯系，又有著“資料探勘”“數據采礦”之稱。此技術的實施過程主要包括3個階段：第一，準備數據；第二，挖掘數據；第三，對結果進行表達及解釋[1]。如今，數據挖掘理念受到了信息產業的關注，對大量數據有效利用并轉化成有用信息，將其利用在生產控制、商務管理、市場分析、科學探索上。

1.2 數據挖掘技術模型

數據挖掘技術的模型主要是信息挖掘過程的模型展示。此過程可將信息挖掘的步驟劃分成以下3步：第一步，預處理。預處理就是提前對海量的冗余的數據信息加以篩選、剔除，只留下有效的數據，確保數據挖掘技術的應用效率。第二步，信息特征的抽取[2]。整理上一步驟所篩選出的數據信息后，對信息結構間轉化，保障轉化后的結構能被計算機軟件所識別和存儲，滿足用戶信息使用的需求。第三步，數據挖掘。將上述步驟中所處理好的數據和信息收集后并加以挖掘，將挖掘出的結果用客戶能識別的語言表現出來，確保符合以人為本的原則和實際應用需求。

2 數據挖掘技術在信用信息分析中的應用算法

2.1 分類算法

2.1.1 決策樹法

決策樹法（ Decision Tree Method）是常用的機器學習算法之一，也被廣泛用于風險性決策問題中，具體如表1所示。決策樹就如同樹木的枝干，從主到次進行逐一分解，隨后形成不同的規則鏈條。決策樹的生成有3個較經典方法，分別是信息增益（ID3）、增益指數（ID3，C4. 5）、基尼指數（SLIQSPEINT）。此外，還存在多種改進的算法。關于此方法的應用優勢較多，如便于理解和解釋，計算代價相對較低。即便是存在冗余數據，也不會對最終決策造成較大的不利影響[3]。但需明確的是，該方法也存在不足，如天生過擬合、數據碎片問題、有一定的復雜性。

2.1.2 神經網絡

神經網絡（ Neural Necwork，NN）指模仿生物神經網絡的結構和功能的計算模型。多數情況下，它能借助大量人工神經元的聯結來分析，屬于探索數據的新模式[4]。該方法最突出的優點是能夠對收集出的數據加以分類，例如能有效識別垃圾郵件信息，提取出相關的詞匯后來及時判定：又如還可利用在疾病的判斷中。例如有患者在醫院經多項基礎檢查后，系統會自動生成了許多數據，單純地分析數據無疑難度較大。此時便可利用神經網絡的計算方式，及時分析該患者是否得病及其種類。在數據挖掘過程中，神經網絡的運作主要有4點：（l）確定輸入、輸出（見圖1）；（2）找到一種或多種算法；（3）找到數據集，訓練模型；（4）產生新數據，輸入模型得到結果。

2.2 聚類分析

聚類分析與分類算法的相同處在于，都是將數據分組后再挖掘及分析，但不同之處是聚類分析的數據處理對象有未知性。

2.2.1 層次方法

層次方法聚類，是將數據對象組合成“聚類樹”的方法。該方法的處理方式有多種，可從上至下、從下至上。可進一步分成凝聚、分裂形式。BIRCH可利用層次法或其他方法對海量的數據進行聚類。（1）凝聚。白底向上處理并將各對象看作一個簇（數據被劃分后的子集），合并后組成更大的簇，直到所有對象均處于相同簇中，或滿足某終結條件[5]。（2）分裂。和凝聚相反，分裂的方法是將所有數據納入一個簇中，而后逐步將其細化、分裂，直到各對象形成一簇或達到終結條件，處理過程結束。

2.2.2 基于密度法

以DBSCAN法為例，該方法將簇定義成為“密度相連點的最大集合”。該數據挖掘算法的優點在于：第一，不需要了解形成簇類的數量；第二，能發現任意形狀簇類（見圖2）；第三，識別出噪聲點，甚至是檢測到離群點；第四，和數據庫一同使用后，能加速區域的查詢[6]。但此方法同樣存在不足之處，例如：第一，不能很好反映出高維數據；第二，無法很好反映出數據集以變化的密度；第三，若計算資源有限，但數據量卻非常龐大時，會極大地影響到該方法運算效率。

2.2.3 基于網格法

此方法優點有處理效率高、時間短，典型方法包括STING，WAVECLUSTER．CLIQUE等。以STING為例，它能將空間區域劃分成多個的矩形單元。和其他運算技術方法相比，優點如下：第一，能實現獨立查詢分析；第二，利于并行處理數據和增量更新；第三，此方法最典型的優點是效率高[7]。但要注意雖然此運算方法處理速度很快，效率較高，但可能會降低簇的精確性和質量。

3 數據挖掘技術在信用信息分析面臨問題及對策

3.1 數據挖掘技術應用于信用信息分析面臨的問題

第一，信息來源單一。信息存在來源單一、覆蓋面窄的問題，而該問題所導致的結果，則是無法更全面地挖掘信息，促使最終的信用信息分析可信度、科學性明顯降低。第二，信息更新緩慢。當前社會經濟發展速度迅速，各種金融活動的流動也隨之加快。若對信用信息的收集、分析跟不上節奏，會導致信用信息的分析時效性顯著降低，影響到信息的具體使用。第三，信息分享不足。部分企業或單位不愿對信息合理的配置和共享，不僅可能影響到信息分析的時效性，甚至造成信息孤島、分散、屏蔽的狀態，無法滿足當前社會用戶需求。第四，利益驅使影響。受到市場利益的驅使，以金融企業為例，在獲得大量用戶數據信息后，若對信用信息加以壟斷，就能在激烈市場競爭中占據有利的位置[8]。但如此舉措會影響到信用信息數據的聯通，加大了其他企業的數據挖掘成本。第五，法律制度較落后。和國外的發達國家相比，我國對信用信息的管理制度重視度相對不高，也缺乏更完善的信用管理法規體系和法律依據，諸多因素都會限制信用信息的發展水平。

3.2 數據挖掘技術在信用信息分析的應用對策

信用信息也有巨大信息量，數據挖掘技術能很好地對該類信息加以處理，滿足新時期用戶需求。我國對于信用信息的分析、評價相關制度建立相對于其他發達國家更晚，可以以數據挖掘技術為基礎，有效提升信用信息的運用價值。以下從4個方面來探究其應用。

3.2.1 強化海量數據處理效果

在對相應的信用信息數據分析處理時，最為關鍵的分析和評價，可著眼于對數據挖掘技術的計算方法上。分析除了借鑒其他發達國家的優秀經驗外，還應當應結合我國實際國情來統計分析構建模型。近年來，我國對信用信息分析的重視程度不斷提升，數據挖掘技術的應用也愈發廣泛。信用信息數據量不斷增大，更要重視數學模型的建立。可利用關聯函數等方式來提高模型查詢、定位的效率。此外，數據挖掘技術本身具備了自動預測趨勢、描述等功能，能切入實際來分析當前事物的發展形勢，作用突出[9]總之，借助于數據挖掘技術來有效提取、分析海量的信用信息數據非常關鍵，整個過程中構建模型也勢在必行。

3.2.2 快速提煉信息分析報告

信息分析和論證、行為、決策等方面都有關。論證是根據已知“信息”來推論出新的信息的過程：決策則是根據已知的“信息”來指導個人或組織行為模式的轉變。信息分析側重于信息，信息不僅是決策的依據，也是行為改變的基礎。以往對信用信息進行分析時，因條件受到限制往往無法更全面地掌握出企業、個人所有的有效信息，存在信息閉塞的情況，很難用傳統的信用信息評價方式來評估，也無法全面觀察到有效信息的變化。如今，可積極發揮數據挖掘技術的作用。即便是不同格式的信息也能記憶加以轉化，更清晰直觀地反映出企業或事業單位的信用信息評審制度。同時利用此技術后能實現白動化查找分析，及時過濾剔除掉多余的信息，并借助于交互的方式分析，最終從不同格式的信息中獲取有作用的信用信息并分析，確保信用信息分析制度也能常規運作，獲得更為詳細完善的信息分析報告，來作為可靠的發展依據。

3.2.3 提前預測未來發展趨勢

信用風險指交易雙方不履行到期債務的風險，又被稱作違規風險。傳統的信息信用評價往往只能對某個企業、某個用戶的信用情況加以評估，缺乏預見性。當未來發展過程出現風險時，很可能造成損失。數據挖掘技術能更全面地分析企業或個人行為，了解企業或個人的日常交易行為模式、行為習慣等，從中獲取有利的信息數據后來實現對未來發展的預測，做到“防患于未然”。以金融行業機構為例，當預測到信用信息未來的發展趨勢后，能及時采取風險預防措施，最大化地減少所謂的信用風險，及時從深處挖掘到數據中的失信行為，確保穩定發展。又如對當前企業、個人的信貸過程中使用數據挖掘技術，能利用其預測性來分析該對象在未來是否會有良好的信用制度，也能減少信用風險。

3.2.4 積極融合智慧化服務平臺

當前，數據挖掘技術和“智慧化”的融合已呈炙手可熱的趨勢，各類智慧場景（如智慧社區、智慧安防）層出不窮，促使數據平臺的智慧化發展不斷深化。以河南省某信用信息平臺智能化的成功案例分析，此平臺的建設可分為以下3個層面（見圖3）。第一，數據感知層。該層主要是負責對數據的質量、安全性加以管控的環節，包含了硬感知、軟感知兩個方面。硬感知：收集以實體為載體（如二維碼、傳感器）的信息、狀態等數據；軟感知：搜集網絡爬蟲、系統日志、探針埋點等數據。第二，數據分析決策層。通過深入學習和利用數據挖掘技術分析后，能得出有價值且利于決策的信息，同時構建出對應模型[10]。第三，交互表現層。此層主要用于和外界的關聯，用語音、視頻等方式交互。總之，通過積極融合智慧化服務平臺，能構建出更多的智慧化場景，充分發揮信用信息功能。

4 結語

綜上所述，數據挖掘技術在諸多企業、事業單位中的應用越發廣泛，甚至成為一種新的經濟資產。從宏觀角度來看，正是因為存在數據挖掘技術，才能從數據分析的層面給企事業帶來幫助，也為社會帶來全新的創業方向、商業模式和投資機會。目前，以大數據為基礎的各種科技類成果一躍成為市場發展的熱點，無論是產品營銷、企業風險管控，還是用戶體驗改進等方面都有大數據的身影，也取得豐碩實踐成果。未來除信用信息分析外，數據挖掘技術的運用會更加廣泛，并在更多行業中發揮出其重要價值。

參考文獻

[1]李迎國，李永華，何兆照．數據挖掘技術在高職教學質量評價中的應用[J]．無線互聯科技，2022（2）：134-135．

[2]陳銳，范小光，吳益平．基于數據挖掘技術的白水河滑坡多場信息關聯準則分析[J]．中國地質災害與防治學報，2021（6）：1-8．

[3]楊銀娣，嚴金哲，崔明哲，等．基于Tobit模型的大學生信用消費分析研究[J]．中南民族大學學報（自然科學版），2021（6）：654-660．

[4]郭文波，周慧靜．基于信息雙要素理論的公共信用信息增值與實踐路徑[J]．宏觀經濟管理，2021（6）：47-53．

[5]張巧珍，吳雯婷，李紫萱，等．采用數據挖掘技術對湖北省人類狂犬病開展生物信息學研究[J]．中國生物工程雜志，2021（ S1）：14-29．

[6]鐘亮，郭熙，國佳欣，等．基于數據挖掘技術的高光譜土壤質地分類研究[J]．中國農業科學，2020（ 21）：4449-4459．

[7]盂秋晴．在線健康信息的數據分析與挖掘技術研究——評《統計分析與數據挖掘技術》[J]．材料保護，2020（9）：164．

[8]李儀，陶宇．大數據技術下消費者個人信用信息共享的治理機制[J]．中國流通經濟，2020（2）：92-100.

[9]祁鵬，彭俊文，許多恒，等．基于頻繁事項數據挖掘的醫療設備技術管理研究[J]．中國醫學裝備，2020（1）：62-65．

[10]陳君．數據挖掘技術在二手車交易系統中的應用[J]．計算機技術與發展，2020（5）：180-184．

（編輯李春燕）