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。     

数据仓库和数据挖掘技术在信用卡分析中的应用

随着信用卡业务的发展，银行积累了大量客户交易数据，如何利用客户的特征数据和交易数据，获得客户的行为模式，从而更好地为客户服务、提高效益，是信用卡管理中迫切需要解决的问题。数据仓库和数据挖掘技术在信用卡分析中的应用较好地解决了这个问题。     

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.     

基于数据仓库的数据挖掘技术在保险业中的应用研究

在当今信息爆炸的时代,如何从浩瀚的数据中挖掘出有价值的信息已成为人们越来越关注的焦点。数据挖掘技术通过建立分析模型以便发掘知识,而数据仓库则提供用以支持数据挖掘的、集中化的、高品质的数据来源。这一技术已经在零售、银行和电信等行业得到广泛应用,并为企业发展创造价值。     

BI：文化建设重于系统建设

贾凤军（以下简称贾）：一谈到商业智能（BI），人们就会想到数据仓库，似乎两者是不可分的。我个人认为，BI与数据仓库没有必然的联系。认为没有数据挖掘就没有BI，是一个认识的误区。理论上讲，数据挖掘技术能够为企业提供需要的数据，但这些数据能否成为决策的依据，关键还是取决于决策者或执行者本身。数据挖掘如同给导弹提供了制导数据，但如果导弹的推进系统、爆破系统技术跟不上，即使发射出去也不具有威力。BI应用的关键是业务与技术要找到结合点，     

数据仓库和数据挖掘在我国中小商业银行中的应用初探

本文在数据仓库与数据挖掘基础理论基础之上,将其运用于我国中小商业银行。以某银行的业务情况为基础数据,设计构建了个人及企业银行数据仓库的体系结构,并对其进行数据粒度的划分。在此基础上,对所构建的数据仓库进行多维数据分析,并通过实施数据挖掘操作,实现知识发现的功能。结果显示,通过应用数据仓库和数据挖掘技术,可以为其获得巨大的信息收益。     

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。     

数据仓库、OLAP和数据挖掘的比较分析

为了从丰富的数据中提取所需的信息,数据仓库、OLAP和数据挖掘应运而生。本文介绍了这三种技术的基本概念,分析了OLAP和数据挖掘的关系以及它们与数据仓库之间的关系,并介绍了在实际应用中三者是如何融合为一体来辅助决策的。     

数据仓库和数据挖掘在银行CRB中的应用

客户关系管理（CRM）不仅是一种管理理念，也是一种旨在改善企业与客户之间关系的新型管理机制，一种管理软件和技术。数据挖掘可对未来的趋势和行为进行预测，从而支持人们的决策。本文通过对客户关系管理概念、特征及技术实施的解说，以及对数据仓库与数据挖掘的阐述，具体介绍了数据仓库和数据挖掘在银行CRM中的应用，最后给出了数据挖掘技术在银行得到应用的建议。     

数据挖掘技术在银行的应用

数据挖掘技术源于20世纪80年代末,金融,保险、电信等行业首先受益。20世纪90年代末,随着客户关系管理的兴起,数据挖掘逐步成为银行、保险业的宠儿。21世纪,数据仓库技术的广泛应用为数据挖掘的深度普及奠定基础。在金融数据海量集中的年代,对数据的整合、挖掘势在必行。本期技术与应用栏目以数据仓库、数据挖掘技术在银行、保险业的应用为例,与金融科技工作者共同探讨其最新价值。     

数据仓库应用及未来发展

人们对信息技术广泛应用的过程中所形成的大量电了化数据的分析需求导致了数据仓库的产牛。从技术角度描绘，数据仓库是一种对历史数据进行有效整合，并面向业务分析主题而建设的海量数据存储。它集成了分布在组织中不同系统中的商业数据，为决策者提供各种类型、有效的数据分析，起到决策支持作用，是一系列技术工具和数据管理机制的统称。     

业务数据时变性在数据仓库实现中的研究

一、引言数据仓库是企业宝贵的资源,它是对原有数据库系统中的数据进行集成和重组而形成的数据集合,能为企业提供有效的信息。从商业业务数据经过ETL过程,到最终的面向终端用户,数据仓库共包括4层:操作层、原子/数据仓库层、部门/数据集市层、个体层。这些不同层次的数据是构成     

银行数据仓库建设谈

数据仓库是一项管理技术，银行最需要数据仓库技术，我国商业银行目前建设数据仓库主要存在数据集成度不高、数据资源挖掘不充分等问题；建设好银行数据仓库要注意解决储户资料单薄和银行数据集中统一以及优良的系统设计等问题，未来的银行数据仓库将支持多维分析和未来状况预测。     

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。     

银行数据大集中后数据分析和知识获取

数据大集中后,各家银行均建立了数据仓库,分析和发掘蕴藏在数据中的信息和知识,成了各家银行面临的主要课题。本文从多维分析、数据挖掘和知识发现三个方面介绍了如何从大集中的数据中获取有价值的信息。     

数据管理助推银行业转型

数据是银行最为重要的资产之一,是银行支持精细化管理、实现差异化服务、加强业务创新、提升风险分析能力的基础。近年来,随着数据仓库和数据挖掘技术应用的日益深入,数据带来的业务、管理价值也日益显现。当前,利率市场化对银行精细化管理提出更高要求,大数据的快速增长也对传统的数据处理技术带来挑战,这些都将深入影响我国银行业数据仓库的架构趋势,改变未来数据分析技术在银行业的应用模式。     

数据挖掘技术在银行客户关系管理系统中的应用研究

本文介绍了一种基于数据挖掘技术的银行客户关系管理系统的设计方案。在分析了现有银行客户信息系统的现状后,讨论了数据仓库、OLAP和数据挖掘在银行CRM中的应用,并结合XML和多维数据模式设计的思想,构造了一个银行客户关系管理系统的架构。     

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。     

基于数据仓库的决策支持系统技术框架

决策支持系统(DSS)是在管理信息系统的基础上发展起来的,在数据仓库、OLAP技术和数据挖掘出现以前,DSS在实际应用开发过程中暴露出许多问题,使得DSS一直处于一种尴尬的处境。     

决策支持技术的发展及其体系结构研究

本文介绍了决策支持系统、数据仓库、数据挖掘技术的总体研究情况,包括其定义、基本框架、研究进展,并对OLAP技术和数据挖掘技术作了比较。结合当前数据仓库和数据挖掘技术的发展,本文从决策支持系统的建立和决策支持空间两方面,探讨了它们对决策支持系统的支持作用。