朱永佳 宋俊典 蔡浩淼
摘 要
在当今社会，随着各个行业信息化程度的提高，产生和积累了大量复杂数据。这些数据将突出数据挖掘技术的重要价值。本文论述了数据挖掘在金融行业的五个应用，也为今后的工作提供指导。
关键词
大数据;数据挖掘;金融行业
中图分类号： TP311.13;F832 文献标识码： A
DOI：10.19694/j.cnki.issn2095-2457.2020.09.048
Abstract
In today's society，with the improvement of the informatization of various industries，a large amount of complex data is generated and accumulated. These data will highlight the important value of data mining technology. This article discusses five applications of data mining in the financial industry and provides guidance for future work.
Key Words
Big data;Data mining;Finance industry
0 引言
隨着计算机技术和网络技术的飞速发展，社会上各个行业的信息化程度大幅提高。这为行业提供了高效率和便利的工作条件，与此同时，大数据也蕴藏着巨大的商业价值。如何使用数据挖掘技术从大数据中提取宝贵的价值，并将其运用于行业的战略和计划，为行业提供科学的指导，是亟待解决的问题。本文讨论了基于大数据背景下数据挖掘在金融行业的应用。
1 大数据的基本概念
1980年初，著名的未来学家阿尔文·托夫勒（Alvin Toffler）在他的《第三次浪潮》一书中将大数据称赞为“第三次浪潮的典范”。1980年，许多专家和学者谈到了中国海量数据的处理和管理，但是由于客观条件的限制以及大数据未能引起足够的重视，因此暂时忽视了巨大的信息资源[1]。随着计算机技术的发展，互联网的应用以及以智能手机和平板电脑为代表的新型移动设备的出现，许多行业，特别是金融行业大大提高了电子化和信息化的程度。结果，由各种软件系统应用程序生成的数据量呈现爆炸性增长的趋势。大数据正在改变人们的生活和对世界的理解方式，更多的变化正在发生。
大数据的概念非常抽象，它具有许多属性，例如高维度、复杂性、强噪声、低值密度、社会属性等。随着人们对大数据的理解，其社会属性中包含的资源引起人们不断研究和探索。2012年3月，美国政府发布了《大数据研究与发展计划》，投资2亿美元启动了大数据研究与发展计划[2]，以增强从大数据中提取和分析信息的技术和能力，旨在加强国家安全，改变教育和学习方式，加快科学和工程领域的创新速度和水平。2012年4月，欧洲信息学和数学研究协会ERCIM新闻杂志发表了关于大数据的专刊[3]，讨论了大数据时代的问题，例如数据管理和密集数据研究的创新技术，大数据整理和挖掘所需要的工具和科学方法。
2 数据挖掘
数据挖掘，有时也称为数据或知识发现。数据挖掘一般是指从庞大、复杂、随机、不规则和模糊的实际数据中通过算法探索价值的信息的研究过程。
数据挖掘技术是将应用统计理论、智能技术和数据库技术结合应用的产物。根据执行顺序，主要有五种方法，它们是分类、估计、预测、聚类及可视化。
数据挖掘的基本过程可以表示为图1。借助数据挖掘技术和工具，大数据的处理和应用已成为现实。人们的工作和日常生活离不开信息，对知识的需求将发生变化。
3 数据挖掘在金融行业中的应用
国际金融的电子化和信息化始于20世纪60年代。在金融产品多样化且网络流行的时代中，每天有大量复杂金融数据产生。在激烈的市场竞争中成功的关键在于，金融行业的决策者是否可以利用数据挖掘技术有效利用和发展这庞大的复杂数据，然后制定科学、合理、潜在的计划和策略。
金融行业中使用的数据挖掘主要可以从以下几个方面进行讨论。
1）构建多维数据分析的数据挖掘模型和数据仓库
数据挖掘在金融行业的应用是全方位的。在银行和证券业，根据时间、地理空间或组织部门等不同的查询债务和税收变化，根据不同的需求分别建立数学模型，并从提供的统计信息方向建立最大值、最小值、和、平均值等模型，从专业技术方向建立数据仓库、数据立方体、多特征和发现驱动的数据立方体、特征和比较分析以及离群点分析模型[4]。这将为数据处理和应用做准备。
2）分析客户状态
金融行业的代理商拥有庞大的客户群。因此，客户与各种金融企业之间的交流和合作产生了大量数据。在确保客户信息和数据安全的情况下，基于固定的时间间隔（例如每月）的收入和支出信息来区分收入、消费能力和还款能力等客户状态，这目前已成为现实。通过客户的数据挖掘结果，来管理复杂的客户关系、区分客户、识别关键客户、挖掘客户需求、描述客户的行为路径，然后预测客户流失的可能性，采取措施留住客户，并减少客户流失。
大数据可以帮助金融机构从以产品为中心转变为以客户为中心。例如，一家具有强大竞争力的国内股份制银行，通过收集客户的信用卡支出和社交媒体信息，可以准确区分客户的消费偏好;并根据ATM交易轨迹和手机地理位置信息，实时获取客户的地理位置信息，并在其附近及时向客户推送与其偏好相符的商店折扣活动。此外，银行通过客户的财务记录和社交平台互动信息，分析出客户的社交网络关联图，识别出有影响力的社会热点客户，然后将金融产品推荐给有影响力的社会热点客户，扩大他们的影响力和营销范围[5]。
3）企業风险管理
金融领域中的各种业务，通常伴随着大量的货币流通活动，会产生相应的业务数据。预防金融风险和识别金融欺诈已成为金融公司需要重点关注和管理的问题。在执行这些工作时，除了以前的方法外，目前使用数据挖掘技术可以分析、发现与行业发展有关的风险信息和用户的个人信用信息，预测风险水平，并为决策提供参考数据。厂商为了避免风险，从大量的金融业务数据和客户交易信息中获取信息。[6]例如，在银行信用卡管理中使用数据挖掘技术，可以分析客户信用卡的使用模式，了解客户使用信用卡的习惯，并动态监视信用卡的使用状态。一旦出现客户信用卡异常使用情况，发卡机构可以采取预防措施以减少损失。数据挖掘技术还可以用于分析某些欺诈模式，找出欺诈模式的共性，并为金融企业提供预警和参考，加强企业监督管理。
4）预测市场趋势
市场是瞬息万变的，但也有其规则，其中财务数据相对完整。金融机构使用数据挖掘技术，从日新月异的数据中发现并掌握市场规则，预测产品价格趋势和客户需求变化，开发和制造以市场为导向的产品，以占领市场机会并增强金融企业的市场竞争力。
5）为侦查经济犯罪提供支持
经济犯罪是金融业面临的问题之一，包括洗钱、恶意透支、伪造信用卡等。为了提供解决经济犯罪的线索，可以集成多个数据库的信息。例如某个地区的银行交易数据库、犯罪历史数据库;然后通过分析工具来检测异常数据，例如，分析某个时段内大量现金流动的人。根据时间和客户群以图表形式显示交易活动的数据可视化工具、区分客户和活动之间关系的分析工具、过滤出不相关属性并进行属性分类的分类工具、高度相关的聚类工具，通过这些工具对不同的案例进行分组，通过异常点分析工具检测异常的资金转移量或其他行为，通过序列模式分析工具分析异常访问序列的特征[7]。这些数据挖掘工具可以识别活动的重要连接和模式，并为调查人员提供检测线索。
4 总结
在大数据时代，尤其是在金融领域，数据挖掘是从海量数据中提取重要信息的强大工具与技术。本文简要介绍了在大数据时代背景下使用数据挖掘技术和工具从五个方面为金融行业提供的支持服务。作者希望可以为相关人员的研究工作提供参考，同时，也为作者以后对数据挖掘在其他行业的应用提供参考。
参考文献
[1]Tu Xinli，Liu bo，Lin Weiwei.Survey of big data[J]，Application Research of Computers，2014，31（6）.pp.1612-1617.
[2]Li Guojie，Cheng Xueqi.Big Data Research：Science Technology And Economic Social Development of the Major Strategy Areas in the Future Research Status and Scientific Thinking of Big Data[J]，Bulletin of Chinese Academy of Sciences，2012，27（6）.pp.647-657.
[3]Big data [J].ERCIM News，2012.pp.89.
[4]Jiang Yuxuan，Chen Yucheng，Zhang Qiaoling.Research On Application of Data Mining Technology In the Financial Industry [J].Business，2013，36.pp.145.
[5]Sha sha.The Application of Big Data in Finance Industry[J]，Financial computer of China，2014，6.pp.34.
[6]Tao Liu.Application of data mining technology in the financial field[J].Tianjin Science& Technology，Feb.2015，Vlo1.42 NO.2，51-52.
[7]Zhu Jing，Li Shijun.The Analysis of Financial Data based on Data Mining[J]，Computer knowledge and technology，2010，6（1）.pp.18-19.
