陆梓嘉

随着大数据在银行业务经营和管理中的实际价值被广泛认同，数据金融已成为传统和新兴金融业务的主要着力点。其中，数据挖掘作为大数据的核心技术，有力推进金融活动实现自动化、智能化，体现了信息技术对银行转型发展的支撑和推动作用。

数据挖掘蓬勃发展

数据挖掘是通过一定的分析方法、模型和算法，找到隐藏在海量数据中规律性内容和有价值信息的技术。其中广为应用的有关联关系分析、聚类分析和分类分析等方法，以及线性回归算法、决策树模型、神经网络模型、规则推理模型、粗糙集模型等经典算法。数据挖掘一般包括问题定义、数据采集整理和挖掘、结果评估、分析决策等步骤，整个过程需要经过多次的问题修改、模型调整、重新评估、检验等循环反复，才有可能达到预期效果。

目前，国内外在数据挖掘应用方面各有优势，差距已逐渐缩小。一方面，国外的信息化、数字化环境比较健全，技术成熟度较高；另一方面，国内在某些应用领域优势更为明显，这主要得益于我国人口基数庞大，全社会对数据智能化需求不断增加，人们不断采集数据并上传至网络，有效激发了市场活力，带动数据挖掘技术发展。

银行应用亮点纷呈

商业银行每天都会产生大量的交易数据和客户信息，有海量数据在信息系统中新增、修改和删除。

数据挖掘在帮助商业银行重新发现数据价值、改善业务经营、强化风险管理、增进银行与客户的关系等方面应用广泛，日益成为商业银行的发展重点。比如，银行卡用户的消费模式分析就是数据挖掘技术的最佳应用场景之一。利用数据挖掘对银行卡客户的消费模式进行分类，制定相应的优惠促销策略，并在合适的时间推送给特定的客户，从而扩大商户销售量，提升银行卡的增长率。

在风险识别和管理方面，利用数据挖掘分析信贷情况，将地域差异、经济环境、知识水平、收入高低、社会职务分配等诸多与客户信用状况相关的多维度因素纳入信贷风险分析模型，对客户进行相应的信用分级，能够提高信用评估的效率和准确程度，降低银行的风控难度和运营成本。比如美国的金融机构Kabbage和国内的阿里小贷都建立了一套自己的信用评分方法，通过分析销售数量、用户流量、物流情况以及社交网络声誉等经营数据确定商家的经营状况，在营销和服务小微网商客户方面成效明显。Kabbage还获得数项数据挖掘专利，放贷速度快，宣称7分钟即可完成放贷。而阿里小贷的不良贷款率控制在1%左右，远低于国内银行业5%到6%的小微企业不良贷款率，这些都为银行的小微信贷风险管理由被动防范向主动预测转变提供了借鉴。

从银行信息系统的应用来看，随着银行网络化程度越来越高，银行信息系统的庞杂程度前所未有，数据挖掘在管理众多系统项目方面独具优势。比如，在系统项目开发测试阶段，存在诸多影响项目管理的风险因素，业务部门需求的变更、开发环境的变化、测试资源的投入比等因素都对整个项目带来风险，风险严重性各不相同。利用粗糙集模型分析历史软件项目数据，可以发掘不同风险因子对项目开发的影响程度，加强对主要风险因素的关注，进而预估项目进展中的整体风险情况。

在系统上线后的运维阶段，数据挖掘的分析预测能力为运维智能化提供了可能。互联网金融、移动金融的发展，对银行业务服务连续性的要求愈发严苛，对信息系统的运维能力提出了更高要求。通过数据挖掘，运维人员对信息系统进行亚健康状态预测，快速找到潜在风险的异常原因，快速处置，从而防范突发事件于未然。

未来数据挖掘技术的应用领域还存在很大拓展空间，需要业务和科技部门通力合作，提供全方位的数据支持，尤其是通过数据获取方式多样化、数据获取流程标准化建设，在数据获取端加强创新，为商业银行业务转型和发展做好技术储备。