数据挖掘在银行中的应用

1数据挖掘技术在银行信贷风险管理中的应用

贷款业务是银行最重要的业务之一，银行通过赚取存取款利率之间的差价从中获取利润，所以银行信贷风险的管控极为重要。银行信贷风险包括正常、关注、次级、可疑和损失风险。正常贷款和关注贷款对银行信贷风险影响很小，一般借款人会在合同约定的期限内按时偿还本金和利息，贷款损失的概率很小。如果由于借款人个人的原因而导致严重的还款能力问题，对于损失贷款、可疑贷款、次级贷款这三项银行贷款，银行就需要担负很大的风险。

银行使用数据挖掘技术对数据的各种属性如借款人年龄、借款人收入和职业、贷款担保人信用情况、借款用途、借款人及其家庭还贷能力、借款金额和借款期限进行分类和筛选，把错误、缺省或无参考价值的数据属性进行预处理，使用决策树的 ID3 算法构建分类模型，建立信贷风险决策树并对该树进行剪枝，提取分类规则并确定重要的决策属性，选取最优信贷风险评估模型对客户信用风险进行分析、评估和预测，把信贷风险降到最低。

2数据挖掘在银行客户细分中的应用

银行客户细分的目的是对所有客户实行分类营销，达到精确营销的目的。银行客户在银行存款中净现金流的多少称为客户价值，包括客户潜在价值和当前价值两种价值。客户潜在价值是指经过一段时间的发展，将来银行有很大可能从客户身上获得盈利。客户当前价值是指银行当前能从一个客户身上所获得的盈利。银行依据客户给银行带来价值的高低把客户分为潜在价值、低价值、中等价值、高价值四种类型。对客户细分首先要建立数据仓库，然后对数据进行抽取以及对属性进行选择，规约复杂的客户信息，再使用 K-Means 算法计算并建立客户分类模型，对潜在价值及当前价值在客户维度上展开聚类，最终完成客户价值的细分，实现银行更有针对性的营销。、

ETHINK数据智能分析平台提供本文

ETHINK数据挖掘演示DEMO 120.26.36.169:8088/ethinknew/user?type=item3

本文为头条号作者发布，不代表今日头条立场。