12.txt

This complete matlab for neural network

发信人: rlp (阿兹猫), 信区: DataMining
标  题: 基于数据仓库建立工商银行决策支持系统
发信站: 南京大学小百合站 (Sat May  3 06:02:19 2003)

基于数据仓库建立工商银行决策支持系统


    一、目标
面向工商银行，基于数据仓库、在线分析处理及数据挖掘等关键技术，研制开发用于银行资
金运作的智能决策支持系统。

二、决策数据分析
银行决策支持系统主要是面对金融市场上资金的运作以及与此相关的金融和经济行为。银行
决策是为了实现银行经营管理货币信用的方向、目标、规划、政策策略和重大措施所做的考
虑和选择。为了实现银行决策的科学化，决策必须有明确的目标，可靠的高质量的信息基础
，优选的科学理论和方法及进行反馈和调整的有效机制。
管理部门需要及时地了解银行的关键数据，如借贷金额、大宗交易的频繁程度，以便控制风
险，掌握各分行、支行的数据汇总，来促进管理、提高效率，了解客户分布状况和带来的收
益，并为进一步拓展业务提供依据。 
数据仓库系统的使用者是银行各级的决策和业务人员，他们关心的问题和一般的操作人员不
同。具体说，银行需要及时掌握的数据包括：储蓄帐户余额、含金量、应付利息、现金流入
量、现金流出量、现金转入量、现金转出量等等。对这些数据又需要从不同的类别和层次进
行统计与分析：
    (1) 事实（Facts）：如储蓄帐户余额、含金量、应付利息、现金流入量、现金流出量
、现金转入量、现金转出量等。这些数据是实际分析的基础数据，它们日积月累，数量庞大
。
    (2) 维（Dimensions）：它是事实信息的属性，如银行组织结构营业网点、业务类别、
交易方式、客户类型、时间。它们一般变化不大，数量也相对较小。
(3) 粒度（Units）：它是维划分的单位，如营业网点维(分行、支行甚至基层储蓄所)、业
务类别维(活期、整存整取、大额定期、存本取息、定活两便、POS)、交易方式维(柜员、
ATM、POS、银联、电话、Internet等)、客户类型维(个人、全民企业、集体企业、外资企业
、合资企业、个体业主等等)、时间维(年、季、月、甚至旬、日)。每个交点就是事实，即
实际的情况，即×日××网点××资金的运作数据。如果是两维的数据，就是平面；如果超
三维，则构成多维超立方体。决策者的查询无非就是对事实立方体按一定的粒度切块或组合
的过程。事实和维也不是一成不变的，有时也会根据决策者不同的思考角度而发生变化。
    
三、以客户为中心的决策分析
    对现代银行业来说，当前，商业银行电子化的目的已经不单单是模拟手工操作，解放劳
动者、提供劳动效率，而是要充分利用信息技术给人们提供的种种便利条件，再造商业银行
的工作流程，减轻前台的劳动强度，使柜台人员有更多的时间专心进行销售，最大限度地追
求"深度效益"。为了实现这一目标，就必须为客户提供更多的自助服务设备，鼓励客户利用
自助渠道。为此，分配电子化投资时，应该调整资金投向，加大在ATM、POS、网上银行、企
业银行、电话银行中心等方面的投资。 
    对金融机构服务业来说，客户是最重要的，好的客户能为金融机构带来可观的利润，而
不良的客户则可能使金融机构蒙受损失。那末，如何能有效的识别客户的类别，尽量赢得能
带来利润的客户的青睐，同时防范不良客户可能带来的风险呢？这就需要把零散的、无序的
、历史的、当前的各种数据集中起来建立数据仓库，从所建立的数据仓库中挖掘出为银行创
造利润的这部分客户，从复杂的客户信息中建立模型对客户记录信息进行动态跟踪和监测，
计算客户价值，锁定特定客户群，分析潜在客户群，制定不同市场需求、不同客户群的市场
战略，根据客户的价值选定服务产品配置，从而与创造利润的客户建立长期的关系。 
    1．建立客户信息库 
    银行的客户按对象可分为个人客户和单位客户；按业务性质内容分为信用卡客户、储蓄
客户和会计客户等。以市场为动力的客户数据库存储有关客户资金收付情况的资料包括：客
户资料信息，如贷款帐户信息、对公信息、欠息情况、利息回收情况、外汇市场情况、一卡
通对私户、信用卡帐户信息等。 
    2．分析客户信息 
    通过对银行客户信息库的分析，对重点客户进行动态跟踪和实时监控，计算银行客户价
值，锁定特定客户群，从而与创造利润的优良客户建立长期关系。 
    3．加强客户管理 
    利用现代化手段，开发新的以客户唯一标识（如客户身份证号，客户税号等）为核心的
帐务管理系统，加强对客户的管理。 

    四、若干决策模型
建立以客户为中心的共享金融数据库、数据仓库和有效的辅助决策支持模型和方法支撑，强
化信息采集和分析功能及辅助决策能力。为解决上述问题，适应时代发展的要求，就必须研
究制定并逐步完善金融管理指标体系，研究并建立成本核算模型、宏观货币政策模型、银行
资金来源与运用模型、银行资产负债比例管理模型、银行信贷规模与结构预测模型、银行资
产负债比例管理模型、银行信贷规模与结构预测模型、银行消费信贷风险预测模型、投资效
益预测模型等重要的金融宏观决策模型，开发集业务处理、信息管理、决策支持与一体的综
合性银行电子化信息系统。 

    五、实现方案
DW、OLAP和DM是作为三种独立的信息处理技术出现的。DW用于数据的存储和组织；OLAP集中
于数据的分析；DM则致力于知识的自动发现。它们可以分别应用到信息系统的设计和实现中
，将它们结合起来，利用它们的内在联系和互补性，充分发挥各自特长，形成银行决策支持
系统方案：DW+OLAP+DM+WWW=BANK-DSS。

    六、数据仓库的开发流程
    数据仓库系统是一种解决问题的过程，而不是一个可以买到的现成产品。银行人员往往
不懂如何建立和利用数据仓库，发挥其决策支持的作用，而技术人员又不懂业务，不知道建
立哪些决策主题，从数据源中抽取哪些数据。这需要双方互相沟通，共同协商开发数据仓库
，因此是一个不断往复前进的过程。开发数据仓库的流程包括以下几步：
    1、启动工程：建立开发数据仓库工程的目标及制定工程计划。计划包括数据范围、提
供者、技术设备、资源、技能、组员培训、责任、方式方法、工程跟踪及详细工程调度等。
 
    2、建立技术环境：选择实现数据仓库的软硬件资源，包括开发平台、DBMS、网络通信
、开发工具、终端访问工具及建立服务水平目标(关于可用性、装载、维护及查询性能)等。
 
    3、确定主题进行数据建模：根据决策需求确定主题，选择数据源，对数据仓库的数据
组织进行逻辑结构设计。 
    4、设计数据仓库中的数据库：基于用户的需求，着重于某个主题，开发数据仓库中数
据的物理存储结构，即设计多维数据结构的事实表和维表。 
    5、数据转换程序：实现从源系统中抽取数据、清理数据、一致性格式化数据、综合数
据、装载数据等过程的设计和编码。 
    6、管理元数据：定义元数据，即表示、定义数据的意义及系统各组成部件之间的关系
。元数据包括关键字、属性、数据描述、物理数据结构、源数据结构、映射及转换规则、综
合算法、代码、缺省值、安全要求、变化及数据时限等。 
    7、开发用户决策的数据分析工具：建立结构化的决策支持查询，实现和使用数据仓库
的数据分析工具，包括优化查询工具、统计分析工具、C/S工具、OLAP工具及数据采掘工具
等，通过分析工具实现决策支持需求。数据采掘是帮助用户发现数据内部未知的、潜在的关
系，以及他们之间存在的趋向。因此，数据采掘在决策支持、市场策略和金融预测等方面都
有广泛的应用。 
    8、管理数据仓库环境：数据仓库必须像其他系统一样进行管理，包括质量检测、 管理
决策支持工具及应用程序，并定期进行数据更新，使数据仓库正常运行。   



--
------------------------------------------
到哪里找那么好的人，配得上我明明白白的青春
到哪里找那么好的人，陪得起我千山万水的旅程