浅析数据挖掘技术在现代物流管理中的应用

数据挖掘技术就是利用机器学习统计数学和可视化技术,挖掘蕴藏在海量数据中大量未知的、有价值的信息,为企业物流管理提供各种决策信息.基于数据挖掘的现代物流管理信息系统的关键技术主要包括数据仓库技术、数据挖掘技术、数据分析工具等.数据挖掘技术将成为深化物流信息管理的最有效方法,在解决选址、仓储和配送等基础物流问题方面可以发挥出很大的作用.沃尔玛公司就是一个成功应用数据挖掘技术的例证.     

Insightful Miner（简称S＋Miner）——数据清洗、统计分析和数据挖掘集成平台

S＋Miner是世界排名前三位的著名统计分析与数据挖掘软件厂商InsightfuI公司数据挖掘产品。它是集数据获取、探索性分析、数据操纵、数据清洗、统计分析（集成了著名的S—PLUS统计分析平台的所有分析函数）、机器学习、模型评估和预测发布等功能于一身的新一代数据挖掘工具。     

数据挖掘技术在保险领域中的应用

数据挖掘是目前人们广泛研究的数据库技术之一，它可以从大量的数据中提炼出有用的、潜在的信息，人们可利用这些信息改进工作，提高效率。本文通过对数据挖掘常用技术的介绍，并结合保险业的特点对数据挖掘技术在保险领域中的应用现状和前景进行了探讨。     

数据挖掘技术及其在金融领域的应用

数据挖掘是从存放在数据库、数据仓库或其他信息库中的大量数据中发现和提取有趣知识的过程。它把人们对数据的应用从简单查询提升到挖掘知识、提供决策支持的层次。风险管理是每一个金融机构的重要工作，利用数据挖掘技术可以很好地降低金融机构存在的风险。     

基于模糊理论的关联规则及其在财险交叉销售中的应用研究

大量的客户信息数据给客户管理带来一定的困难,有效地借助数据挖掘工具,深入分析现有客户的个性化需求,维持重要客户并开展更广泛的交叉销售业务,对我国财险公司的发展具有重大意义。结合模糊集理论,探讨模糊关联规则在财险客户交叉销售中的应用,将模糊C均值算法引入到关联规则挖掘中,提出改进的Apriori算法—FARMA算法。借助SPSS、Clementine、R语言数据挖掘工具对算例数据进行挖掘,建立交叉销售模型,并进行算例分析,验证新算法的有效性。     

财务报告概念框架的公允价值导向研究

按照财务报告概念框架的要求,财务报告必须提供主体未来现金净流入的信息,这些信息助于现实和潜在的投资者做出购买、出售或者持有主体权益工具或债务工具的决策，投资者利用未来现金流量信息可以评估报告主体经济资源及经济资源要求权现值的信息，公允价值概念是对现值概念的体现,是价值概念的会计表达，财务报告必须提供评估公允价值的未来现金流量信息,这使得财务报告概念框架更加趋向于公允价值导向。     

数据开采技术

一、引言数据开采是目前数据库领域最有潜力的研究发展方向。数据开采研究的主要目标是发展有关的方法论、理论和工具,以支持从大量数据中提取有用的和让人感兴趣的规则。它是用于开发信息资源的一种全新的数据分析处理技术。对于拥有海量生产数据的银行、保险和信息产业等部门,应用数据开采技术将能极大地提高其决策支持的广度和深度。从广义上说,数据开采（ＤａｔａＭｉｎｉｎｇ,也叫数据挖掘）是从一些事实或观察数据的集合中发现知识的过程。数据开采的对象可以是数据库,也可以是文件系统,或其他任何组织在一起的数据集合,如Ｉｎ…     

Unica Model面向市场营销和客户服务的数据挖掘与数学建模的集成应用软件

为了在当今竞争激烈的市场上取得成功,大多数公司都需要一个工具帮助他们将客户的历史数据（与消费,交易、购买,使用等有关的数据）转变为公司的市场,销售和客户服务部门所能利用的高效的知识和策略。美国Unica公司（NASDAQ上市公司）的Unica Affinium Model（简称Unica Model）正是这样一个享有行业声誉、面向市场营销和客户服务的数据挖掘与数学建模的集成应用软件。其主要优点是最大限度地将数学建模过程自动化。使得那些数学基础较差的业务人员可以方便地使用这个工具。这从根本上解决了数据挖掘应用的一个重大瓶颈、需要应用数据挖掘的业务人员一般不太懂相关的数学知识,而懂得数据挖掘所需要的数学知识的人往往又不是业务专家。Unica Model同时还为那些服务性信息技术公司与专业的数据挖掘建模者提供了一个“生产商业数学模型”的生产线。此外,该产品还提供了数据挖掘应用开发平台,并可以将产生的模型变成C语言程序,从而方便了IT服务公司开发脱离unica Model平台的具有自主产权的行业应用,     

商务智能在商业银行的应用

商务智能，即BI(Business Intelligence)，是一种将存储于各种信息系统中的数据转换成有用信息的技术，它起源于经理信息系统(EIS)，是决策支持系统(DSS)的继承和拔高，通常被珲解为将企业中现有的数据转化为知识，帮助企业做出明智的业务经营决策的工具。其核心技术在于数据仓库的建立(DW)、数据挖掘(DM)和在线分析处理(OLAP)三个部分。     

从业务需求视角谈央行数据综合利用

谈及数据综合利用,人们首先想到的就是数据仓库和数据挖掘技术,有人认为只要建立数据仓库,利用数据挖掘工具,就可以开展数据综合利用。笔者认为,数据仓库和数据挖掘技术只是开展数据综合利用的工具,能否发挥作用,发挥多大的作用,关键在于人们如何使用工具,而不是工具本身。数据仓库和数据挖掘技     

基于ANN的数据挖掘及其在银行中的应用

银行数据仓库的建成,必然面临如何在上面建立应用进行数据综合利用和深度挖掘的问题,目前各数据仓库厂商提供数据仓库的同时提供OLAP分析软件,这种类型的软件能对数据仓库已有的数据进行统计和分析,得出某种结果。但要找出数据中的潜在规律,做出某种预测,却是力所不能及。这样的工作只有数据挖掘（DataMining）工具才能完成。数据挖掘是一种决策支持过程,它主要基于人工智能、机器学习、统计学等技术,高度自动化地分析银行原有的数据,做出归纳性的推理,从中挖掘出潜在的模式,预测客户的行为,帮助企业的决策者调整市场策略、减少风险、做出正确的决策。而当前真正成熟和能够投入实际应用的数据挖掘工具并不是很多。因此,设计一个适合我国金融业的数据挖掘工具显得非常必要。     

商业智能在信用卡业务中的实际应用

商业智能（BI，Business Intelligence）是对商业运营中所涉及的信息进行智能化、综合性处理的过程，它伴随互联网的高速发展和企业管理信息．化的不断深入而产生。商业智能使得企业的决策能够对企业各种信息进行有效、合理地分析和处理，为经营决策提供可靠的依据。确切地讲，商业智能并不是一项新技术，它是将数据仓库（Data Warehouse）或数据集市（Data Mart）、联机分析处理（OLAP）、数据挖掘（Data Mining）等技术与客户关系管理（CRM）结合起来应用于商业活动等实际过程中，通过把大量的数据转换成可靠的、商用的信息以增加利润和市场份额，实现了技术服务于决策的目的。[第一段]     

数据挖掘在金融分析中的应用

数据挖掘(DM)技术是在20世纪80年代产生、90年代后期成熟并逐渐在许多领域广泛应用的一门新技术。它是利用文献资料法、专家访谈法、数据挖掘和数理统计法等分析方法，从大量数据中发现模型和数据间关系的一个过程，可以为人们做决策提供有力的参考。目前，DM在国外金融领域应用     

数据挖掘在财务分析中的应用——基于模糊聚类的上市公司财务状况分析

席卷全球的信息化浪潮为财务管理领域带来活力,各种数据库的构建极大提升了财务分析的科学性、准确性以及分析效率.然而数据量的惊人增长也带来了"数据爆炸,知识贫乏"的窘境.数据挖掘通过在大量数据中挖掘出隐含的有价值数据,为财务分析提供了有力工具.本文选取部分制造业板块上市公司2008年的财务数据,运用数据挖掘中的模糊聚类技术进行分析,说明数据挖掘技术在财务分析、决策中的应用.     

预见未来

让我们来看看,预测分析学如何帮助企业驱动组织的未来。卡特彼勒(Caterpillar),全球著名的工程机械公司,在许多方面看起来是一个传统的公司。但是,它在预测分析学上的应用实践,显示出这套工具在不稳定的经济环境中运用得十分有效。国际会计联合会(IFAC)最近发布的一个报告中着重谈到,卡特彼勒的预测分析项目展示了管理会计如何通过运用预测分析来提供预见性的信息,从而为公司创造价值并实现差异化。     

信用评分模型开发中的抽样技术

信用评分是运用数据挖掘技术对已知客户的信息进行分析，建立能预测未来客户信用表现的模型。数据准备是评分模型开发过程中非常重要的步骤，数据质量的好坏直接决定了模型的成败。由于银行内部的数据量非常庞大，为了使分析更加有效率，需要对数据进行抽样。因此，如何进行抽样，如何保证样本能够充分代表总体就非常重要。根据信用评分模型的开发经验以及数据挖掘中的抽样理论，现提出如下建立评分模型时应用的抽样技术以及注意事项。     

数据挖掘在银行卡业务中的应用

银行业务数据库和数据仓库中数据量非常大，从这些数据中找出相关的有价值的信息，提取出这些信息的关联，从而获得有利于商业运作、能够提高企业竞争力的知识，就需要对数据库和数据仓库中大量的数据进行深层的分析。数据挖掘是从大量的，不完全的、模糊的，随机的数据中，抽取出潜在的、有价值的知识、模型或规则，挖掘出更有价值的信息的一个过程。     

数据挖掘推动银行卡业务发展

数据爆炸但信息贫乏,是我国银行业数据管理应用的普遍现状。目前,银行业实施的大多数数据库只能实现数据的录入、查询、统计等较低层次的功能,却无法发现数据中存在的关联关系和业务规律,更难以根据现有的数据预测未来的发展趋势。众多商业银行都相继实现大集中,从而拥有了大量的原始数据,当前重要的问题就是如何有效地使用数据挖掘工具,利用数据仓库技术,将分散的信息变成集中的信息,使孤立的信息变成相互联系的信息,使无价值的数据变成有价值的信息,从而实现企业经营资源的优化配置,减少决策的盲目性,以提高银行的核心竞争力,适应未来市场…     

年度报告分析中应注意的几个问题

年度报告分析指的是利用公司年度报告所提供的信息，对公司可能获得现金流量的金额、时间分布和相关的不确定性（即风险）进行预测、比较和评价。作为年度报告分析，它需要围绕公司未来现金流量和风险两个方面进行分析，它要求我们不但要关注公司基本报表和重大事件的临时...     

商业智能:中国银行业提升竞争力的战略举措

随着信息化的纵深发展,银行业已经不再满足于单个客户关系管理或者其他信息系统的效果,希望能够从系统中发掘更多的数据资产,因此商业智能(BI,Business Intelligence)已成为信息化建设的新热点。商业智能作为一种有效的决策支持工具已被越来越多的企业所采用。商业智能在金融行业并不是一个陌生的术语,其概念最早是Gartner Group于1996年提出来的。北京大学唐世渭教授认为,商业智能是指通过对数据的收集、管理、转化和分析,使数据成为可用的信息,以更好地辅助决策和指导行动。商业智能能够辅助的业务经营决策,既可以是操作层的运营手段,也可以为决策层提供决策依据。为了将数据转化为知识,需要综合利用数据仓库、联机分析处理(OLAP)工具和数据挖掘等信息技术。