【精品文档】信息技术在商业银行的应用——数据挖掘与网上银行-

管理信息系统作业1本文档由标准美女（标准王国）整理，仅作学习交流使用。如文档存在缺页、字迹模糊、乱码等情况，请大家通过论坛消息与我联系。管理信息系统作业2信息技术在商业银行的应用——数据挖掘与网上银行第一部分信息技术浪潮中的银行业及其竞争战略技术进步总会带来市场规模的扩大、分工交易方式以及其他制度变量的变迁。作为社会金融中枢的银行业的经营环境也因信息技术发展的影响而不断改变，银行业面临着愈加激烈的竞争。信息技术的发展使社会信息化、客户转型化、机构同质化和银行非中介化，导致了银行业经营环境的演变。而Internet的出现将会加剧环境的变化。一方面，这项高效率、低成本的新技术的运用使原先的专业分工所造成的专业技术优势和规模效益变得无足轻重。如银行一直引以为傲的分支机构及斥巨资建立的支票清算所将不再具有明显的优势，而非银行借机对银行业务进行“蚕食”，加剧了机构同质化。另一方面，Internet缩短了市场的距离，降低了市场交易成本，使原先由银行提供和组织的交易不再有成本的优势而转为由其竞争性制度形式———市场来提供，表现为银行非中介化趋势日渐加强。那么，面对日益激烈的竞争，银行在竞争中的发展战略是什么？首先，银行应强化自身的优势以迎接机构同质化的挑战。金融中介理论从信息经济学的角度出发探讨银行存在的原因也是其优势问题。认为银行在支付系统中的客户的账户信息从而具有独特的信息优势。这种优势使银行能有效解决信息不对称而成为其存在的原因。银行对付机构传统地位使银行充分掌握客同质化的最好对策就是在认清自身存在的原因的前提下强化优势。具体而言就是要维护支付系统经营权，防止非银行的渗透和挑战。同时加强客户信息收集，强化信息优势。其次，银行应不断创新来迎接非中介化的挑战。金融市场和金融中介之间存在着交易费用孰低的竞争，但同时两者又有互补关系。金融市场适合于提供标准化、大批量的产品，而金融中介更适合于提供小批量的、为顾客“量体裁衣”式的金融产品，是创造和试验新产品的场所。因此面对同质化的挑战，不断创新是银行的最好对策。因此，信息技术浪潮中的银行业，应以不断强化信息优势、持续维持创新动力为生存发展的基本原则。具体而言，银行在竞争中的发展战略首先是支付系统战略。信息技术的发展导致大批新兴支付工具的涌现，非银行借助新的电子支付工具来争夺支付系统经营权。银行一方面应大力发展高效率、低成本的网上银行以迎接挑战；另一方面则应和高技术企业建立战略联盟，从而在信息技术浪潮中确保对支付系统的控制。其次是以客户为导向的银行战略。银行业的生命周期以及银行业务的发展趋势都表明了以客户为导向的时代的到来。银行应注意收集客户信息并充分进行数据挖掘，从而为客户提供“量体裁衣”式的高附加值服务。Internet的出现标志着银行和客户联系界面的深刻变化，网上银行更便于信息收集和“量体裁衣”服务，发展网上银行也是以客户为导向的银行战略的重要一环。最后是银行的创新战略。创新战略所应把握的是关于创新的基本方向和基本方法以及如何维持持久的创新动力。因此银行一是要对创新取向有一个明确的认识，二是应建造激励创新的网络型组织结构，以维持持久的创新动力。三是建立金融工程战略小组，完成金融产品、金融方案的设计和安排。而Internet的出现，一是为银行增加了新的创新取向。二是作为建立网络型组织的基本框架，三是作为虚拟金融工程小组的基本裁体，在银行创新战略中发挥重要作用。管理信息系统作业3第二部分数据挖掘技术在商业银行的应用一、数据仓库与数据挖掘的含义信息海洋里有用的信息比率很低。据IBM公司的测算，目前许多企业花费昂贵代价建立起来的数据库，真正有用的只有７％，问题就在于怎样发现那些真正有用的信息。就我国的银行业而言，每家银行都有自己庞大的客户信息库，可管理人员往往视这个信息库而不见，只注重其量的总和，如存款余额等，而不去研究开发这个信息库的具体内容，无法把数据转化为对企业有用的信息，导致信息黄金的流失和资源的浪费，同时另一方面在其新开发的业务中又不得不面对高风险威胁。在信息中搜寻黄金又不被信息表面的假象所迷惑，不被信息海洋所淹没，就要采用科学的方法和工具。相关定义：数据仓库（DataWarehouse）数据仓库是支持管理决策过程的一个数据集合，这个数据集合是由企业内的历史详细数据和当前详细数据、操作数据和外部（环境）数据按照一定的主题标准归类，进行加工和集成而建立的，是为企业决策服务的。数据挖掘（DataMining）数据挖掘是从大量的、不完全的、先前不知道的、模糊的、可能有污染的随机详细数据中提取隐含的、潜在有用的信息和知识的过程。挖掘的对象是数据库和数据仓库，其目的是通过对数据的统计、分析、综合、归纳和推理，揭示事件间的相互关系，预测未来的发展趋势，起到辅助实际工作问题求解、支持决策的作用。创建数据仓库据加载与更新建完数据仓库，只是把各种数据集中到一起，形成一个数据集合，可利用多维ＯＬＡＰ工具、查询和报表开发工具等信息存取工具进行查询，产生各种统计报表、图形等，要真正发挥数据仓库的决策支持作用，就要对数据仓库中的数据进行广泛深入的挖掘。数据挖掘能够发现ＯＬＡＰ处理过程所不能发现的更为复杂的更有洞察力的答案。数据挖掘的功能自动预测趋势和行为关联分析聚类概念描述数据挖掘的流程（１）数据取样（Sample）当进行数据挖掘时，首先要从企业大量数据中取出一个与要搜索的问题相关的样板数据子集，而不是动用全部企业数据。通过对数据样本的精选，能减少数据处理量，节省系统资源。（２）数据探索（Explore）数据探索就是通常所进行的对数据深入调查的过程，从样本数据集中找出规律和趋势，用聚类分析区分类别，最终要达到的目的就是搞清楚多因素相互影响的、十分复杂的关系，发现因素之间的相关性。（３）数据调整（Modify）通过上述两个步骤的操作，对数据的状态和趋势有了进一步的了解，这时要尽可能对问题解决的要求能进一步明确化、进一步量化。针对问题的需求要管理信息系统作业4对数据进行增删，按照对整个数据挖掘过程的新认识组合或生成一个新的变量，以体现对状态的有效描述。（４）模型化（Model）在问题进一步明确，数据结构和内容进一步调整的基础上，就可以建立模型。这一步是数据挖掘的核心环节，运用神经网络、决策树、数理统计、时间序列分析等方法来建立模型。（５）评价（Assess）从上述过程中将会得出一系列的分析结果、模式和模型，多数情况会得出对目标问题多侧面的描述，这时就要综合它们的规律性，提供合理的决策支持信息。评价的一种办法是直接使用原先建立模型样本和样本数据来进行检验；另一种办法是另找一批数据并对其进行检验，已知这些数据能反映客观实践的规律性；再一种办法是在实际运行的环境中取出新鲜数据进行检验。数据挖掘工具数据挖掘有多种方法：归纳法、神经网络、相关分析、模糊逻辑、统计分析、遗传算法、决策树方法和可视化技术等。在解决问题时，可使用以下几种手段：预测模型、数据库分析、链元分析和编差检测。（１）预测模型：在ＯＬＡＰ中使用演绎推理，在数据挖掘中使用归纳推理。（２）数据库分析：把数据库自动划分为聚类（簇）。（３）链元分析：基于对横向关联和顺序关联的发现，且对记录间联接进行确证。（４）偏差检测：对记录不能被归入到特定格元现象的侦知和解释。可以交叉更替使用各种算法以挖掘更多的信息基于神经网络的工具由于对非线性数据的快速建模能力，基于神经网络的数据挖掘工具现在越来越流行。其开采过程基本上是将数据聚类，然后分类计算权值。神经网络很适合非线性数据和含噪声数据，所以在市场数据库的分析和建模方面应用广泛。典型的产品有HNCSSoftware公司开发的Marksman。基于规则和决策树的工具大部分数据挖掘工具采用规则发现或决策树分类技术来发现数据模式和规则，其核心是某种归纳算法。这类工具通常是对数据库的数据进行开采，生产规则和决策树，然后对新数据进行分析和预测。这类工具的主要优点是，规则和决策树都是可读的。典型产品有AngossSoftware公司开发的KnowledgeSeeker，广泛应用于市场和金融分析。基于模糊逻辑的工具。其发现方法是应用模糊逻辑进行数据查询、排序等。该工具使用模糊概念和“最近”搜索技术的数据查询工具，它可以让用户指定目标，然后对数据库进行搜索，找出接近目标的所有记录，并对结果进行评估。典型的产品有InformationBuildersInc.开发的Level5Quest。综合多方法工具。不少数据挖掘工具采用了多种开采方法，这类工具一般规模较大，适于大型数据库（包括并行数据库）。这类工具开采能力很强，但价格昂贵，并要花很长时间进行学习。典型产品有IBM公司开发的IntelligentMiner。二、数据挖掘对商业银行的意义金融事务需要搜集和处理大量的数据，由于银行在金融领域的地位、工作性质、业务特点以及激烈的市场竞争决定了它对信息化、电子化比其它领域有更迫切的要求。利用数据挖掘技术可以帮助银行产品开发部门描述客户以往的需求趋势，并预测未来。目前我国各商业银行提供的服务内容基本相同，市场竞争日益激烈，风险越来越大，仅靠传统的服务已不能创造更多的利润，为了提高投资的有效性，降低风险，就要广泛收集各方面信息，充分利用已有的各种数据来争取更多的优良客户，支持决策的科学性、可靠性。把零散的、无序的、历史的、当前的各种数据集中起来建立数据仓库，从所建立的数据仓库中挖掘出为银行创造利润的客户，从复杂的客户信息中建立模型，对客户记录信息进行动态跟踪和监测，计算客户价值，锁定特定客户群，分析潜在客户群，制定不同市场需求、不同管理信息系统作业5客户群的市场战略，根据客户的价值选定服务产品配置，从而与创造利润的优良客户建立长期关系。随着竞争的日益深入，美国商业银行中的“深度效益”观念必将融入我国商业银行的管理策略之中：把客户细化为不同的个体，细化客户信息的组织和分析，由分析工具和经验选择特定的客户群来划定战场，跟踪每位消费者个体以及个性化的需求，在营销方面实施关系营销，由传统的注重交易转变为注重客户关系和客户价值，从而产生了“关系银行”这个概念。美国BankOne银行对自己的客户进行调查发现，百分之二十的客户创造银行利润，其它百分之八十的客户并没有给银行创造利润。如果我国的银行对自己的客户进行调查，也会发现同样的结果，只是百分比不同而已。三、数据挖掘在商业银行的具体应用分析使用数据仓库和数据挖掘，我们就可以从个人客户帐户（信用卡、各类储蓄存单、卡折等）上发生的明细帐了解客户的收入来源、消费爱好及习惯、收支发生的频度等，分析其消费支付行为，对客户帐户进行分类，根据明细数据给客户计分，采取措施优化客户服务，如，给予优良客户消费优惠折扣以鼓励消费并吸引潜在客户。对于单位帐户，如厂商，可以通过了解客户经营的产品结构、行业性质、市场占有率、社会需求及国家的有关政策等，分析其发展趋势，确定其资金偿还能力、信用等级等，也可通过对一些潜在的客户数据分析，拓展有前途的客户，最终起到降低成本与风险、提高效益的作用数据挖掘技术在美国银行金融领域应用广泛。金融事务需要搜集和处理大量数据，对这些数据进行分析，发现其数据模式及特征，然后可能发现某个客户、消费群体或组织的金融和商业兴趣，并可观察金融市场的变化趋势。商业银行业务的利润和风险是共存的。为了保证最大的利润和最小的风险，必须对帐户进行科学的分析和归类，并进行信用评估。典型案例Mellon银行使用IntelligentMiner数据挖掘软件提高销售和定价金融产品的精确度，如家庭普通贷款。零售信贷客户主要有两类，一类很少使用信贷限额（低循环者），另一类能够保持较高的未清余额（高循环者）。每一类都代表着销售的挑战。低循环者代表缺省和支出注销费用的危险性较低，但会带来极少的净收入或负收入，因为他们的服务费用几乎与高循环者的相同。银行常常为他们提供项目，鼓励他们更多地使用信贷限额或找到交叉销售高利润产品的机会。高循环者由高和中等危险元件构成。高危险分段具有支付缺省和注销费用的潜力。对于中等危险分段，