挖掘：再造竞争核力_2

摘要：信息化被视作银行的生命线。数据，则如同银行生命体中生生不息的血脉。

挖掘：再造竞争核力_2：基于决策支持的银行数据挖掘：规划与重点

显然，银行信息化，也逐渐从简单到复杂、从低层业务到高层管理不断演化。从业务数据化到业务知识化，数据挖掘在银行的倍受追捧，与银行对基于数据的知识发现（Knowledge Discovery in Data，KDD）和决策支持系统（Decision Support System，DSS）越来越强烈的需求是分不开的。

银行使用的数据挖掘技术，以数据仓库（Data Warehouse）和联机分析处理（OLAP）为平台，借助银行拥有的大规模数据，通过清洗、转换、装载等数据处理方法，发现大量资料间的关联与趋势，探寻独特的、通过其他方法发现不了的业务规律和模式。它广泛应用的统计分析方法包括线性、非线性回归分析、判别分析、聚类分析、主成分/因子分析和时间序列分析等；所运用的特有分析方法则包括决策树分析(Decision Tree)、准则推断(Rule Induction)、关联探测(Association Detection)、神经网络(Neural Networks)和基因算法(Genetic Algorithms)等等。应当说，数据挖掘和数据仓库建设，既是现代商业银行业务与经营管理发展到一定阶段对银行信息管理水平提出的现实要求，又是现代商业银行业务发展与信息技术发展高度融合的必然趋势。

一般来看，银行数据挖掘的任务，可以划分成四个层次：数据分析、知识发现、决策支持和金融智能。数据分析是数据挖掘的基础工作。数据分析包括识别数据、获取数据和清洗数据。银行数据仓库在建设初期，往往定位完成数据分析的目标。数据分析能为高端复杂的数据挖掘提供巨大的便利，并加快知识发现和决策支持的实现速度。

基于数据的知识发现（KDD），是伴随着数据挖掘技术、在用户需求的驱动下发展起来的一门新技术。如何充分利用大量数据，分析以指导银行营销、销售和竞争，如何从大量数据中挖掘出适合银行业务人员使用的信息模式和知识，已成为银行信息化领域的热点之一。

决策支持系统（DSS）是面向决策者的、以解决半结构化问题为主的应用系统，突出支持而非代替决策者的决策行为。银行决策过程包括了识别问题、建立模型、执行模型、综合评价和反复进行等五个过程。在银行中，DSS面向不同职能部门，如个人金融部门、公司金融部门或同业机构部门等，位于企业运营的层面，以支持银行决策者进行半结构化的决策。

数据挖掘在银行应用的最高阶段是实现决策支持的“智能化”，也即实现金融商业智能（Financial Business Intelligent，FI）.金融智能是对银行掌握的信息进行搜集、分析和管理，以使银行各级决策者获得洞察力，促使他们做出对企业更有利的决策。金融智能的管理模式包括基于目标、基于例外和基于事实的管理三种。不同类型的银行或不同业务部门可能选用不同的智能管理模式，如侧重于提供个人金融服务的银行多采用基于目标的管理，侧重于提供投资银行服务的银行，则多采用的是基于例外的管理模式。

数据分析、知识发现、决策支持和金融智能，不仅是数据挖掘的不同层级的任务，也体现了银行在开展数据挖掘工作中的规划进度。银行早期的数据仓库建设，关注的往往是数据分析和知识发现的内容，如提供统一及时的业务报表、提供集成的客户信息等。当具备了相应的数据挖掘基础，银行有可能将数据仓库的应用引入决策支持和金融智能的层面，更关注于提供决策信息支持、辅助业务管理、分析和评价经营业绩等管理主题。现在看来，国内银行的业务需求，集中界乎知识发现和决策支持之间。以管理为主的决策支持需求，因此将在未来一段时间内成为银行业数据挖掘的重点。

挖掘：再造竞争核力_2：再造竞争核力：数据挖掘在商业银行的应用前景

在中国银行信息化能力显著提高的背后，始终隐藏着另一个令所有金融从业者坐卧不安的难题：薄弱的客户关系。对信息化能力如此重视、对竞争如此敏感的银行管理者们，不可能无视在他们所拥有的为数庞大的客户群中，优质客户极为缺少、客户忠诚极为缺乏的现实。直到今天，强大的竞争对手和激烈的攻势才让他们真正认识到，能够与客户资源整合、与客户关系互动的信息化能力，才具有价值和意义。

这样的判断如果成立，等于是肯定了数据挖掘在中国商业银行应用的光明前景。事实上，如果我们认定，中资银行的核心竞争力，体现为对本土客户关系的理解和客户资源的掌握上，具备一定的优势。那么，没有强有力的信息化工具支持，没有精准的数据挖掘能力来支撑，这种“原生性”的客户关系优势，就无法持续更长的时间。

这也意味着，今天纷纷起步的银行数据挖掘工作，其实是中国商业银行再造核心竞争力的进程之一。只有通过数据挖掘，才有可能确保银行发展战略在即有的稳定业务机制支撑下，充分发展、保持和扩大客户资源，实现为客户创造价值和银行盈利“双赢”目标的实现。

而让中资银行对数据挖掘牵萦于怀的另一个原因是，一批国际性银行广泛使用数据挖掘技术，不仅获得了超越同侪的竞争优势，而且立足原有业务领域，创新服务和产品，开拓了银行业可资驰骋的疆土。比如，在美国本土最大的美洲银行，就是一个非常典型的应用数据挖掘实现业务快速发展的案例。作为世界上最大的维萨信用卡发卡行，拥有超过5600万信用卡客户的美洲银行的核心理念是“成为客户信任的代理人”，推行 “ICARE”的服务战略，同时发展了一项名为“At Your Request”（如你所愿）的客户服务，获得巨大的商业成功。

但是，无论是“ICARE”还是“At Your Request”，在它们的背后，离不开美洲银行先进的数据挖掘工具和数据仓库的全面支持。在业务后台，美洲银行开发了庞大而先进的数据仓库系统，从每一笔信用卡交易中提取大范围的、十分宝贵的数据。在银行看来，大多数使用信用卡的客户，都可以从其业务记录中“发现”他最感兴趣和最不感兴趣的商品或服务。利用所掌握的交易数据，美洲银行建立了高度准确、按等级分类的单个客户实际偏好的记录，当然也能分析群体客户的消费情况和偏好。银行可以根据客户的消费偏好信息去确定合作商业伙伴，从他们那里得到最优惠的价格并提供给客户。美洲银行的数据仓库通过持续的更新，会越来越清晰的反映出客户的需求和消费偏好，这为美洲银行的业务开展提供了最为有力的信息支持。

不光是美洲银行运用数据挖掘技术来获得超越同行的独特竞争优势，另外一家美国银行开拓宾夕法尼亚美隆银行（Mellon Bank，简称宾美银行）也多年使用数据挖掘技术来测试和规划其市场行动，不过它还是首次将数据挖掘方案扩展到其它领域的银行之一，相当于为商业银行开辟了新的疆土。

宾美银行1995年起着手与IBM联手推出一种大范围的多平台数据挖掘工具，称之为"智能数据挖掘器"（IntelligentMiner for Data）。该项目在宾美银行主要是将数据挖掘应用在三个业务领域：客户关系管理、风险管理和业务流程再造。一方面，宾美银行推动自身的应用，针对个人和企业客户，将其主要的数据挖掘工作放在消费者市场上，如零售金融业务和信用卡市场。例如，宾美银行使用信用卡损耗模型，预测哪些客户将停用其信用卡，而转用竞争对手的卡，根据数据挖掘结果，银行就可以采取相应措施来提高这些客户的信任。另一方面，宾美银行还与IBM公司合作，将“智能数据挖掘器”提供给更多的需要开展数据挖掘的银行或公司，因为Intelligent Miner在宾美银行和IBM的合作下已发展成一种成熟的解决方案。比如，将Intelligent Miner提供给企业用户，运行IBM的FAMS管理系统以及各种客户关系管理应用程序，其他公司也可以满足自身的数据挖掘需要。

全文完

浏览：挖掘：再造竞争核力（上）