凌敏

【摘  要】随着时代的发展与进步，现如今的信息技术已经充分融入企业管理策略之中，并处在一个较为关键的节点掌控运营。事实上，企业中的很多隐藏信息并未被人们所发现，这些颇有价值的信息数据随着企业的不断发展而大量积压。各个企业将这些有价值的数据当作占有市场的有利保障，希望能够不断地对信息数据加以管理，提炼有效且合理的信息。现如今的数据挖掘技术悄然而生，迅速发展壮大，在企业和市场的推动下应用于各行各业。论文对我国金融行业中的数据挖掘情况展开讨论并且得出相应的分析方法。

【Abstract】With the development and progress of the times， today's information technology has been fully integrated into the enterprise management strategy， and is in a relatively key node to control the operation. In fact， a lot of hidden information in the enterprise has not been discovered by people， and these valuable information data are accumulated with the continuous development of the enterprise. Each enterprise regards these valuable data as the favorable guarantee to occupy the market， hopes to be able to manage information data continuously， abstracts effective and reasonable information. Nowadays， data mining technology quietly emerges and develops rapidly， and is applied in all walks of life under the promotion of enterprises and markets. This paper discusses the situation of data mining in China's financial industry and gets the corresponding analysis methods.

【关键词】数据挖掘;金融行业;数据分析;分析方法

【Keywords】data mining; financial industry; data analysis; analysis method

【中图分类号】TP311.1;F832                                             【文献标志码】A                                                 【文章编号】1673-1069（2021）11-0070-03

1 引言

数据挖掘领域是一个新出现的技术钻研领域，虽然出现时间和实际应用时间较短，但是因其对企业本身有着极高的助力作用，所以在各个领域中也得到了众多的重视应用。在金融数据管理研究方面的一个显著特点是分析数据通常数量巨大，并且不确定的因素非常多，尤其是当今时代的海量数据背景下，传统的会计模式进行运算已经不能满足现实需要，所以就要运用新型数据挖掘技术对原有数据进行深层挖掘并将其结果加以利用，其目的在于预测未来的结果，用人们可以接受的方式来为人们提供决策帮助。现在大部分的金融行业数据分析方法都在从老旧的单一会计模式转变为更加适宜金融体系的数据挖掘系统。在现如今商业化的系统中，我国金融行业的数据挖掘仍是一个十分具有创造性和挑战性的工作。金融行业中存在大量难以捉摸的规律，加之行业的随机性质，使得这些极具隐藏的数据很难被挖掘。那么，怎样做才能让这些隐藏的数据出现并且进行合理有效的管理，是金融行业现阶段获得具有价值的信息与取得较高市场优势的关键所在[1]。

2 数据挖掘的简要概括

现如今应用在各大领域中的数据挖掘究竟是什么？從相关资料的介绍得出：数据挖掘是对某种隐藏知识和模糊信息的提取、概括流程。这些大量未知数据的提取，就需要对数据库中的数据进行统一、有效的管理，使其从不完整、模糊的状态脱离出来，清晰地展现在人们面前以完成相应工作。更为准确地说，数据挖掘存在于知识发现中，是知识发现中的一个重要手段。面对的大部分是公司或企业的日常工作数据，将众多的数据作为基础，以其中的智能手段、统计管理为内容，高度还原潜在信息，由此作出正确的预判，提高潜在信息的使用率，从而对目前资源极具浪费的局面加以改变，恢复信息数据的潜在力量[2]。知识发现的首要目的便是将信息变为知识，属于穿插在数据库技术和机器学习中的一个相互重叠模式。由于知识发现中所涵盖的数据信息大多来自于现实社会，在一定程度上很难保证每个数据的合理性、准确性。所以，人们对数据预处理的重视程度也逐渐增高。

3 目前我国金融行业中所存在的数据挖掘

3.1 数据仓库的建立和多元化的数据分析

数据挖掘在我国金融业的事务方面及具体应用拥有出色表现，由于金融业事务的搜集和处理往往需要大量的数据分析，而大部分银行和金融机构又往往会向社会提供非常多的服务，这就导致了信息之间的传递过于频繁复杂。由于传递信息可能存在不对称性[3]，这就导致金融机构难以在海量的数据当中找出正确对应信息。而金融数据挖掘技术可以在众多数据中快速且准确地找到有效的信息。金融数据的分析相对来说较为完整，方便了对金融数据的系统化管理。金融数据应包含几个方面：

一方面是全面化分析和深度挖掘，以构造数据框架为基础为银行以及金融机构提供出金融数据仓库;另一方面是利用多元化的数据分析法从时间、区域、空间和其他因素来共同分析，从而为金融机构提供信息未来趋势的更多可能性。数据仓库的建立有利于更快地进行数据分析，而多元化的数据分析方法则为未来信息的分析全面提供更多可能性，这2方面的数据挖掘在金融数据分析方法中有很重要的作用。

3.2 风险管理及信用评估

数据挖掘分析方法在金融体系中的运用，不仅有构建信息库和全面性分析2方面优点，其实更多的在于深层次的数据挖掘分析。

数据挖掘在金融行业的重要应用之一是风险管理，如信用风险评估。构建信用评级模型是因为交易当中存在风险，所以作为证券商和银行来说要尽量保证客户资金的安全，通过数据挖掘来分析产品的风险可能，做出一个完整的产品信用风险评估以及相应解决方案。

①对客户进行风险评估，通过构建信用评级模型来评估贷款人或交易人的风险，运用数据库当中的特定账户对客户进行指定信用评级分析，对于评级为高风险的客户银行要谨慎放贷或降低放贷金额，而对于低风险客户，可以适当降低其贷款标准，但要识别其偿还能力，并且要注意交易人的信用报告、收入水平以及其他可能影响其偿还能力的信息等。

②对客户本身进行信用评估，采取直接的观察技术，将客户的信息与信息库中当中的海量数据加以对比，针对客户数据的等级给出评分标准。将高偿还能力低风险的人归为一类，将高风险低偿还能力的人归为一类进行集中信息数据处理，并且通过其信用评分能力，来决定是否接受行为人的申请，并且可以帮助银行等金融柜台筛选出与偿还能力不相关的其他因素。运用数据挖掘方法，筛选出影响偿还能力的因素，以此来提高筛选的准确度，达到信用评估的目的。

③通过数据挖掘来确定客户的消费行为。通过行为对比来确定客户存在哪一种消费类型，是平静客观型，还是冲动极端型，这对其信用风险可以产生一定影响。对于金融行业运用数据挖掘可以减少可能对其造成风险损失的客户，在对客户进行资信的预测基础上，运用数据挖掘方法，更有效率地进行筛选和识别评估，排除造成风险的诱因，从而有效地控制信用风险的发生，并且可以通过建立欺诈模型，来帮助银行解决可能存在的诈骗行为，同时帮助我国公安部门开展反欺诈分析，从而预防诈骗事件的发生和控制我国资金的非法流失。

3.3 维护金融客户生命周期

一方面是为了获取新客户。通过数据挖掘方法来分析定位出哪些人群可以对金融行业进行投资交易，哪些群体与金融行业毫无交集，可以通过数据库当中的特征进行具体客户匹配达到客户的初步筛选，这有助于预测银行活动的响应率。将之前通过数据挖掘方法的那些被认定有可以参与金融投资特征的客户进行群体匹配，以达到增加营销范围的目的，数据挖掘还可以将原有信息数据库的数据与新筛选出的数据进行对照，并且可以按照寻找标准来对客户进行精准筛选，也可以把数据库当中的客户按照其风险特征投资偏好进行群体匹配。另一方面，在保留老客户方面也可以通过数据挖掘来进行，例如，在发现有客户流失后，银行可以寻找在数据库当中与其特征相同的未流失客户，在其流失之前采取额外服务策略，以最大程度保留客户，对可能流失的客户名单进行关怀访问，要做到能迎接新用户同时留住老客户，要了解客户的具体需求，通过数据挖掘来帮助客户解决问题，识别出导致客户转移的有关因素，并且可以运用具体分析来筛选出有异常交易行为的客户，从而避免造成客户流失。数据挖掘工具还可以通过分析筛查大量客户数据，确定客户的交易习惯、流通额度和其交易频率等，也可以对单个客户进行数据挖掘筛选，制定出最适宜其投资的个性化方案。

4 金融行业中数据挖掘的分析方法

4.1 在银行业的应用分析

数据挖掘技术在银行业中的应用，其中一个重要前提条件是，必须建立一个统一的中央客户数据库，以提高客户信息的分析能力。分析开始时，从数据库中收集与客户有关的所有信息、交易记录，进行建模，对数据进行分析，对客户将来的行为进行预测。数据挖掘在银行业的具体应用分为4个阶段：

第一阶段主要是为了留下客户信息为之后录入中央客户信息库中进行整合打下基础，并且要做到消除客户现有信息与信息库中信息不一致的现象，要保证数据的有效性。保障数据的正确性对与金融相关的各行各业具有良好的助力作用。

第二阶段主要保障金融客户信息的正常交易，包括证券行业的经济转化银行的分销阶段，柜台、第三方存放平臺、ATM、汇款、转账、购买金融产品等，可以更加有效地调动客户与企业服务的联动性，使得之后的操作性更加有效。

第三阶段主要是搭建模型评测，这是为客户的每一个账号建立利润评测模型，以便于帮助客户预测未来利润和风险的各种可能，因此需要加载系统的数据到中央数据库。这一阶段完成后，银行可以从组织、用户和产品3个方面分析利润贡献度，如银行可以依客户的利润贡献度安排合适的分销渠道，模拟和预测新产品对银行的利润贡献度等。

第四阶段主要是为了维护客户关系。作为企业应该做到掌握客户在生活和职业当中的变化。要抓住可以对其提供服务与销售产品的时机，这就需要每天对客户行为变化进行对比，通过中央数据仓库来得到客户购买倾向模型以及具体喜好，并且可以从另一方面了解到客户的信用与风险评测模型，可以帮助企业主动与客户取得联系，促进进一步交易[4]。

4.2 具体操作分析

对于金融行业中大量潜在的数据来说，在进行数据挖掘的基础上更加注重其分析方法。一个具体数据挖掘流程应该从数据准备入手，预先将分析的数据进行处理和整理，从而方便后期结构化数据的应用。此后的数据挖掘可以准确使用数据文本的内容，直接应用在行业的分析操作中。这一系列看似简单的流程实际上包含着各种密不可分的环节，所以，数据挖掘中的各项分析方法提供了便利和实用性。金融行业中所涉及的分析方法有很多种，如基于历史的MBR分析、购物篮分析、聚类分析、连接分析等分析方法。这其中，在金融行业中普遍用到的便是基于历史的MBR分析方法和购物篮分析方法。这2种方法为数据挖掘创造了便利的条件。

4.3 具体方法分析

MBR分析方法就是在已知的例子中获取未知案例的某种普遍特征，将2个相近的金融案例进行比较并加以分析。这种方法的极大包容性能够将各式各样形态下的数据进行假设。另外，在具有高效学习能力的前提下，此方法能够较为准确地从原有案例中提取有效信息和知识，众多的原有案例能够将未知预测得较为全面和准确。在客户反映预测中能够发挥重要的优势。

购物篮分析实际上是企业对客户需求的一种反应，以找出某种东西并合理地放置于一定位置为目的。金融行业需要明确顾客的目标并展开相关想象，企业在某种规定和规则的基础上建立自己的竞争优势以谋取利益。这其中，金融行业也需要克服一定的困难，数据越多，计算数据所花费的时间和精力也会随之增加，所以需要运用某种技术来降低损失。对于金融服务业而言，在此方法下所产生的数据挖掘，能够通过不同的设计方案进行组合并加以利用，扩大金融行业的利润。

神经网络分析方法在金融行业中的应用起源于20世纪，最早它用來对金融行业的财务危机进行预测，降低成本。此后便在风险评估领域展开分析。这是一项根据应用数学发展出来的模式，方法本身有着高水平的计算和查错能力。由此可见，对于金融行业中的风险评判和预测有着巨大贡献[5]。

5 结语

在我国金融行业的信息化发展中，数据挖掘工作已经被行业内部充分利用。在市场的激烈争夺中援助金融企业获得一定的优势地位，并且充分地展现出较为光明的行业应用前景。对于我国的发展而言，十全十美是一种奢望，但需要尽最大的努力完成企业发展。改革开放以来，我国金融行业得到迅速的发展，尤其是加入世贸组织之后，不论是经济实力还是科技水平都在稳步发展。随着金融不断开放，将我国金融行业推到外资金融的风口浪尖，在极大压力的促使下带给我们的是巨大挑战，同时也创造了各种机会并且提供了众多发展理念。不断增加各国之间的交流协作，充分完善金融行业的体制改革，找到自身独一无二的优点，以创新为根基，提高经济实力。这样才可能使我们在不断的市场竞争中脱颖而出，得到长久稳固的发展前景。

【参考文献】

【1】程子卫.基于数据挖掘的金融数据分析方法研究[J].营销界，2020（41）：125-126.

【2】裴永强.基于数据挖掘的金融数据分析方法[J].电子技术与软件工程，2020（06）：162-163.

【3】上海正气信息科技有限公司.一种基于数据挖掘金融数据分析方法：中国，CN201810252701.2[P]，2019-02-12.

【4】于晶.大数据时代的数据挖掘及应用探究[J].科技与创新，2018（24）：160.

【5】赫然，黄今慧.大数据背景下数据挖掘技术的算法[J].电子技术与软件工程，2019（20）：141-142.