数据挖掘在银行客户关系管理系统的应用研究.docx

数据挖掘在银行客户关系管理系统的应用研究摘要：数据挖掘技术日渐成熟出现了多种挖掘技术和方法在多个实际领域得到广泛应用。本文在对银行管理信息系统中典型的客户关系管理系统研究的基础上介绍了数据挖掘技术在银行客户关系管理系统中的应用情况并针对实际应用中存在的问题给出相应的对策最后指出数据挖掘技术未来可能的研究方向。关键词：客户关系管理系统；数据挖掘；商业银行0引言大数据时代最早被麦肯锡公司提出。大数据在医学、物理学、军事、金融、通讯领域存在数年这些行业的企业在生产运营中积累了海量的数据。互联网和信息技术的发展使人们更加关注如何从海量的数据中采集有效数据进而分析数据得到有用信息为未来决策提供支持。金融行业是国民经济的综合部门关乎各行各业企业的发展。商业银行作为重要的金融中介对于如何从多年积累的数据中挖掘出有用的信息做出正确的、符合经济发展的决策的研究其价值不可忽略。数据挖掘技术应时代需求而生并在商业银行的管理信息系统中得到广泛的应用。本文就数据挖掘技术在商业银行的管理信息系统中的实际应用以客户关系管理系统为例进行分析研究指出未来可能的研究方向。1商业银行管理信息系统商业银行作为重要的金融中介调剂着社会资金余缺在“流动性、效益性、安全性”三性原则的基础上经营主要包括负债业务、资产业务和中间业务其客户分布在社会的各个行业。数据挖掘技术在商业银行管理信心系统中的应用能够帮助商业银行从大量客户数据中发现潜在的规律和知识为管理决策提供支持帮助商业银行制定有效的战略决策在以客户为中心的主导思想下有效的分析客户的需求、实现高效的客户管理提供优质的客户服务。2数据挖掘技术简介不同学者对数据挖掘给予多种不同的定义其中认可度比较高的是1995年第一届数据挖掘大会的定义“数据挖掘又称为数据库中的知识发现是指从大量数据中提取有效的、新颖的、潜在有用的、最终可被理解的模式的非平凡过程[1]”。其中非平凡是指不是简单地进行数据统计、查询或者运算而是要根据各种模型和算法对数据进行深层次的加工处理同时还要利用技术使该过程自动地智能化的进行。因此数十年来数据挖掘研究的一个重点就是各种数据挖掘技术从最初的关联规则、聚类、粗糙集方法扩展到信息融合与神经网络结合Hibert空间、动态规划、信息熵等方法。数据挖掘是面向应用的是多学科知识的的交叉应用各个不同的主体开发的数据挖掘软件只符合自身的标准导致该领域出现了诸如：1）不同的模型和技术难以继承；2）很难用统一的语言来描述数据挖掘的问题在交互中出现问题；3）各种主体知识的独立性与异质性使知识发现功能难以实现跨平台或嵌入大型应用。最终经过研究在数据挖掘的业界标准的过程标准、接口标准、语言标准和网络标准上都有了一定的成果。3数据挖掘在商业银行客户关系管理系统中的应用进行数据挖掘之前要做好信息的收集、建立数据仓库的工作数据仓库存储来自银行不同业务的大量的历史数据与一般数据库不同历史数据可供分析和决策支持但是不能对其进行修改。在商业银行的客户关系管理系统中其主要解决的问题包括：1）客户概况分析将银行的客户根据消费情况分为不同层次、了解不同层次客户的爱好和消费习惯便于制定策略调整未来的产品和服务；2）客户忠诚度分析使用重复交易率、持久性等指标判断客户对该银行金融产品的忠实程度；对忠诚度好的顾客可以给予一定的优惠政策减少该类客户的流失率；3）客户利润分析不同级别客户的一次消费行为为该银行带来的边际利润、顾客总体消费带来的总利润、净利润等；4）客户性能分析根据不同客户对各类金融产品的偏好、购买渠道、购买地点等计算出顾客的销售贡献率。3.1数据准备数据准备阶段包含数据集成、数据选择、数据预处理等过程。首先从银行客户关系管理系统的目标中选定需要解决的问题对问题进行初步分析确定问题的类型。根据问题的类型选择与之相关的现实数据库确定挖掘的目的或任务制定挖掘计划根据计划收集与问题相关的、有代表性的数据。银行的数据的存储一般使用SQLServer、oracle、DB2、sysbase等数据库累积的数据量比较大且格式不统一。进行数据预处理的目的是将数据库中数据变换成可以挖掘的形式即合并多数据库运行环境中的数据消除数据库中的重复记录、补缺确实的记录等避免出现二义性的语义、消除不规范的脏数据建立标准化的、统一的数据视图。所选数据的数量和质量直接影响数据挖掘的结果因此不相关的数据要尽量排除减少数据的处理量以免影响数据挖掘的处理效率和最终结果。随着金融机构之间竞争的加剧各种创新的金融产品不断进入市场对客户而言可选的范围增加对客户效用的取得大有益处。然