数据挖掘在银行交叉销售中的应用研究
浅谈数据挖掘技术在商业银行业务中的应用
浅谈数据挖掘技术在商业银行业务中的应用数据挖掘技术是一种利用大量数据寻找潜在模式和规律的技术。
在商业银行业务中，数据挖掘技术已经得到广泛应用。
本文将从数据挖掘技术的原理入手，探讨数据挖掘技术在商业银行业务中的应用。
数据挖掘技术的原理是在海量数据中找到有用信息。
在商业银行中，数据挖掘技术可以帮助银行在大量客户数据中找到隐藏的客户需求和行为规律，以此来优化银行运营和提高服务水平。
具体应用包括：1.客户分类。
通过数据挖掘技术，银行可以将客户分成不同的群体，了解每个群体的特点、需求和态度，以此来制定更合适的营销策略和服务计划。
2.风险评估。
银行在评估客户信用风险时，可以将客户历史数据、财务数据和市场数据等信息进行整合、分析和预测，从而提高风险评估的精度和可靠性。
3.反欺诈。
银行可以利用数据挖掘技术识别客户信息中的疑点和风险信号，并快速响应，制定措施防止欺诈。
例如在信用卡申请中，可以通过对申请人过往信用记录进行分析，判断申请人是否属于高风险群体。
4.营销推广。
银行可通过数据挖掘技术获得客户群体的消费习惯和偏好，为其推出更优质的产品和服务。
如通过对客户购买历史和行为轨迹进行分析，推荐符合客户需求和偏好的产品和服务。
总之，通过数据挖掘技术的应用，银行可以大大提升商业流程的效率和客户满意度，同时也可以帮助银行提高收益和降低风险。
但是，在数据挖掘中涉及客户信息的保密和隐私问题，需要银行严格遵循相关法律法规，确保数据安全和客户隐私不被泄露。
在未来的发展中，数据挖掘技术将不断推陈出新，为更多的商业银行业务提供更多的可能性。
因此，商业银行在业务运营过程中要不断学习和创新，不断探索应用数据挖掘技术的新方法和路径，提高数据挖掘技术的运用水平和应用效果。
数据挖掘和客户关系营销在银行业中的应用
数据挖掘和客户关系营销在银行业中的应用Koh Hian Chye南洋商学院副教授及副院长Chan Kin Leong Gerry花旗集团私人银行投资分析家摘要计算机硬件以及数据挖掘软件的进步使得许多行业都能获得并负担数据挖掘技术，因此近年来，数据挖掘在商业社会中获得了广泛的关注，变得越来越普及。
数据挖掘技术可以分析大量数据，找出数据中隐藏关系，将原始数据转化为有价值的信息。
本文讨论的是在银行业中使用数据挖掘对于客户关系管理（CRM）的意义。
首先，文中介绍了CRM的概念并总结了数据挖掘的方法及工具。
其次，本文讨论了关于数据挖掘的文献，重点是数据挖掘在银行中的应用。
再次，文中给出了一个银行业中使用数据挖掘进行CRM应用的可行方案。
最后，文中提出了其它可行的数据挖掘在银行业中的应用并讨论了数据挖掘的一些局限。
导言从20世纪90年代中期开始，在信息系统和信息技术中形成了3个相关领域，它们都强调从数据中获得更多的信息。
它们是资料仓储、知识管理和数据挖掘。
随着计算机软硬件的进步，许多行业都能较从前更容易地获得并负担各种应用。
本文着重讨论数据挖掘，这一技术的目标是从数据中找到有效、新颖、有潜在价值并可理解的相互关系和模式（Chung 和Gray，1999）。
本文专门讨论了在银行业中，数据挖掘对于客户关系管理（CRM）的意义。
虽然重点在银行业，但所讨论的问题和应用对于其它行业也同样适用，例如可以参考Koh和Low（2001）关于保险业中数据挖掘的应用及Koh和Leong（2001）关于保健业中数据挖掘应用的论文。
文章接下来分为五个部分。
第一部分总的介绍客户关系管理。
第二部分讨论数据挖掘的方法和工具，以及数据挖掘的文献。
第三部分介绍了有关文献给出的在银行业的客户关系管理中，使用数据挖掘的可行应用和例子。
第四部分介绍如何在银行业中将数据挖掘应用于客户流失建模（即预测客户流动）。
最后的结论部分讨着重讨论了数据挖掘的局限并提出了其它可行的数据挖掘在银行业中的应用。
数据挖掘在银行中应用论文
数据挖掘在银行中应用论文标题：数据挖掘在银行中的应用摘要：随着数字化时代的到来，银行通过数据挖掘技术的应用，可以实现对大量数据的分析和挖掘，进而提高银行的运营效率、风险管理和客户服务品质。
本文介绍了数据挖掘在银行中的几个关键应用领域，包括信用评分、反欺诈、客户关系管理以及市场营销。
通过对这些应用的介绍和分析，可帮助银行进一步理解和应用数据挖掘技术，实现更好的经营和发展。
关键词：数据挖掘，银行，信用评分，反欺诈，客户关系管理，市场营销一、引言随着银行业务的不断发展和数字化的进程，银行积累了大量的数据，如客户信息、交易记录、行为数据等。
这些数据蕴含着丰富的信息和洞察力，通过应用数据挖掘技术，银行可以挖掘其中的规律和趋势，从而优化业务流程、提升风险管理和提供更好的客户服务。
二、信用评分信用评分是银行业务中的重要环节之一。
传统的信用评分主要基于人工经验和客户提供的资料，存在主观性和时效性差的问题。
而通过数据挖掘技术，银行可以利用大量历史数据，构建更为准确的信用评分模型。
这些模型可以考虑多种因素，包括个人基本信息、财务状况、历史信用记录等，从而更准确地评估客户的信用风险。
通过信用评分模型，银行可以更好地决策贷款额度、利率等，提高贷款的审核效率和贷款风险管理能力。
三、反欺诈反欺诈是银行面临的一项重要挑战。
传统的欺诈检测主要基于人工经验和规则，存在漏报率高和误报率高的问题。
数据挖掘技术可以通过对大量交易数据的分析，构建欺诈检测模型。
这些模型可以识别出异常的交易行为模式，如异常的交易金额、异常的交易地点等，从而及时发现和预防欺诈行为。
通过应用数据挖掘技术，银行可以提高欺诈检测的准确性和效率，降低欺诈风险和损失。
四、客户关系管理客户关系管理是银行的核心竞争力之一。
传统的客户关系管理主要基于人工经验和市场调研，存在个性化程度低和效果难以衡量的问题。
数据挖掘技术可以通过对客户行为和交易数据的分析，构建客户关系管理模型。
数据挖掘技术在网上银行促销活动中的运用
在发展潜在客户时 ，缺 乏针对 性，网上银行促 销活动的交 易需求较弱 。因此 要应用数据挖掘
技 术 挖 掘 一 些 隐 含 的信 息 ， 明确 哪 些 客 户 对 网
统用 户数量也不会大幅度上涨 ，综合 网上银 行 系统 的维护成本和开发成本 ，尽量选 择 Ｃ／ Ｓ架 构 。从 使用者和系统数据传输 的角度 来分析， 只有 银行工作人 员才能使 用这个系统 ，而 Ｃ ／ Ｓ 架构 具有 良好的灵活性 。综上所述 ，网上银行 促销 渠道分析系统可 以使用 Ｃ ／ Ｓ架构 来部署软
ｒ 对 性 的 开 展 网 上 银 行 的促 销 活 动 ， 推 动 网
行 的快 速 发 展 。
３ 数据 挖掘技 术在 网上 银行促 销活 动 中
的 运 用
随 着 商 业 银 行 的 快 速 发 展 ， 网 上 银 行 受 到 人 们 的 广 泛 关 注 。 网 上 银 行 系 统 以计 算 机 网
程 度 上 增 加 了网 银 金 额 和 网 银 交 易 笔 数 ， 也 出 现 了 虚 增 网 银 交 易 、硬 性 捆 绑 客 户 的
。
的数 据传输 。网上银行系统必须 具有 良好的扩 展性 ，为数据表和数据查询算法 留出充足的软 硬件 资源。 同时 ，网上银行பைடு நூலகம்道 分析 系统要支
持 工 作 人 员 扩 展 数 据 查 询 、数 据 字 典 和 数 据 表
ｊ 、潜 在的 、隐含 的知 识。数据挖掘技术和 的系统决策有很 多的不同，它能够从大量 目 络 信息资源 以及大规模 的数据库 中发现 、
Ｄ ａ ｔ ａ Ｂ ａ ｓ ｅ Ｔ ｅ ｃ ｈ ｎ ｉ ｑ ｕ ｅ● 数据库技术
数 据挖掘技术在 网上银行促销 活动中的运用
大数据背景下数据挖掘技术在银行中的应用
大数据背景下数据挖掘技术在银行中的应用1. 引言1.1 大数据背景下数据挖掘技术的概念在当今数字化时代，大数据背景下数据挖掘技术已经成为银行业发展的重要利器。
数据挖掘技术是一种从海量数据中自动分析、发现和提取潜在有价值信息的过程。
通过数据挖掘技术，银行可以更好地理解客户行为、优化决策、降低风险，并提高营销效率。
在大数据背景下，银行业面临着巨大的挑战，传统的业务模式已经无法满足日益增长的客户需求和激烈的市场竞争。
银行业也面临着更严格的监管要求和更复杂的风险管理问题。
数据挖掘技术在银行中的应用显得尤为重要。
数据挖掘技术可以帮助银行建立客户信用评分模型，准确评估客户的信用风险，帮助银行更好地管理信贷风险。
数据挖掘技术还可以应用于欺诈检测系统，及时发现并预防各种欺诈行为，保护银行和客户的利益。
数据挖掘技术还可以对客户数据进行精细化分析，构建客户画像，为银行提供个性化的服务和推荐。
通过优化产品推荐系统和精准化定制营销策略，银行可以更好地满足客户需求，提升客户体验。
数据挖掘技术在银行中的应用是多方面的，它不仅可以提升银行的经营效益，还可以为银行业的未来发展奠定坚实基础。
在不断变化的金融环境中，数据挖掘技术将成为银行业持续创新和发展的重要动力。
1.2 银行业面临的挑战在当今大数据时代，银行业面临着诸多挑战。
随着互联网金融的快速发展，传统银行的竞争压力巨大，如何保持市场份额和客户基础成为了一大难题。
金融市场的波动性加大，风险随之增加，银行需要更加精准地进行风险控制和信用评估。
随着金融科技的快速发展，消费者需求也在不断变化，银行需要更好地满足客户个性化需求。
银行业务量大、复杂度高，如何提高效率、降低成本也是银行面临的挑战之一。
数据保护和隐私问题也成为了银行需要重点关注的问题，如何在大数据时代充分利用数据的同时保护客户隐私也是银行亟需解决的问题之一。
银行业面临着诸多挑战，而数据挖掘技术的应用可以帮助银行应对这些挑战，提升经营效益、实现可持续发展。
大数据时代下数据挖掘技术在银行中的应用
大数据时代下数据挖掘技术在银行中的应用【摘要】在大数据时代，数据挖掘技术在银行领域正发挥着越来越重要的作用。
本文首先介绍了数据挖掘技术的概念及作用，然后深入探讨了其在银行风险管理、营销、反欺诈和客户关系管理中的应用。
通过数据挖掘技术的应用，银行可以更好地识别风险、制定精准营销策略、提高反欺诈能力并增强客户关系。
文章对大数据时代下数据挖掘技术在银行中的应用进行了总结，并展望了未来的发展趋势。
随着技术不断发展，数据挖掘技术将在银行领域发挥更大的价值，助力银行实现更高效、精准的服务。
【关键词】数据挖掘技术、大数据时代、银行、风险管理、营销、反欺诈、客户关系管理、发展趋势1. 引言1.1 大数据时代下数据挖掘技术在银行中的应用在大数据时代下，数据挖掘技术在银行中的应用已经成为了一个备受关注的话题。
随着社会经济的快速发展，银行业面临着越来越多的挑战和机遇，而数据挖掘技术的出现为银行业提供了新的解决方案和发展机会。
随着银行业务的不断扩张和深化，传统的手工处理和管理已经无法满足日益增长的数据量和需求。
数据挖掘技术的引入可以帮助银行更加高效地处理和管理海量数据，同时发掘其中蕴藏的商机和风险。
通过数据挖掘技术，银行可以更好地了解客户的需求和行为，提供更加个性化和精准的金融服务。
在大数据时代下，数据挖掘技术在银行中的应用不仅局限于风险管理和营销领域，还涉及到反欺诈和客户关系管理等多个方面。
数据挖掘技术的不断发展和创新将进一步推动银行业的数字化转型，提升服务质量和竞争力。
大数据时代下数据挖掘技术在银行中的应用已经成为一个无法忽视的趋势，银行需要积极拥抱数据挖掘技术，不断探索和应用，以推动业务发展并满足客户需求。
2. 正文2.1 数据挖掘技术的概念及作用数据挖掘技术是利用各种数据挖掘算法和技术手段，从大量数据中发现隐藏在其中的规律、模式和知识的过程。
其主要作用可以总结为以下几点：1. 发现潜在的商业机会：通过对大数据进行分析挖掘，可以发现潜在的商业机会和市场趋势，帮助银行更好地制定产品策略和市场营销计划。
数据挖掘在银行业务中的应用
数据挖掘在银行业务中的应用随着银行行业的发展，各种业务也持续发展，信息和数据也出现了迅猛的增长，而数据挖掘技术的引入，在使用更有效的信息收集和分析方法，将300年前的做账变成了今天机械自动化的业务处理方式。
数据挖掘技术已经成功地把银行行业变成了利用数据驱动的运营，成为经济发展的社会重要积极驱动力。
首先，银行利用数据挖掘技术来提升客户体验。
特别是，银行可以分析客户历史交易记录，对市场环境进行客观总结，为客户提供客户特定的金融服务，如贷款偿还指导、账号管理建议等，以提高客户的财务综合能力。
此外，银行可以通过调查客户定期缴存的时机和类型，以调整收益和风险的把握，使客户的投资目标能够有效地达到。
其次，银行可以利用数据挖掘技术处理反洗钱、防伪和安全交易。
银行常常通过分析客户行为和交易记录，逐步发现其存在和联系，以识别非法恐怖融资，防止欺诈和发生恐怖活动。
例如，如果某个客户的某些交易行为在欺诈结构下，银行可以通过数据挖掘技术发现恐怖融资行为。
最后，银行可以利用数据挖掘技术进行多媒体信息处理，包括图像处理和视频处理。
银行可以分析视频中的客户行为，识别不同客户。
然后，与客户历史交易记录相比，分析客户行为是否正常并及时发现异常交易，以辅助银行识别欺诈和有效防止恐怖融资。
以上，银行利用数据挖掘技术可以更有效的提高客户体验，及时发现恐怖融资、欺诈行为，实现了客户和金融机构安全数据处理的良好体验。
数据挖掘是今天概念性研究领域中的重要技术，引用其有效的客户分析和智能发现技术，银行可以节省用人成本，提高客户业务满意度，缩短服务处理时间。
银行行业都在朝着客户挖掘、智能通知和熟悉的客户的方向发展，从而提高用户体验，提升银行业务效率和表现。
数据挖掘技术在商业银行营销中的应用
数据挖掘技术在商业银行营销中的应用随着数字化时代的到来，数据的重要性越来越受到重视。
商业银行是金融业中的重要一员，拥有大量的客户数据。
如何利用这些数据，从中获取更多的商业价值，成为银行发展的关键。
数据挖掘技术，正是实现这个目标的重要手段之一。
在本文中，我们将探讨数据挖掘技术在商业银行营销中的应用。
一、数据挖掘技术的定义和作用数据挖掘技术是指从海量数据中，自动地发掘潜在的有用信息和知识的过程。
它运用了人工智能、机器学习、模式识别、数据库技术等多种学科的知识。
在商业领域，数据挖掘技术可以通过对客户数据的分析和挖掘，发现潜在的商机和客户需求，以便银行开展有效的市场营销活动，提升客户满意度，提高市场份额。
数据挖掘技术在商业银行的应用，可以帮助银行完成以下几个方面的工作：1、客户分类和预测通过人工智能算法对不同客户群体进行分类和预测，可以进一步深入了解客户行为，包括消费习惯、消费能力等信息。
这些信息将有助于银行更准确地进行客户营销，提高个性化服务的质量，同时可以帮助银行发掘潜在客户，拓宽客户群体。
2、客户维系和服务银行通过数据挖掘技术，可以在客户进行交易或查询时，提供个性化的服务，如自动提醒还款时间、提供投资咨询等服务。
这样可以大大提升客户体验，增强客户对银行的忠诚度。
同时，银行可以根据客户需要，及时调整营销策略，提高客户满意度。
3、风险防范和管理银行在进行贷款业务时，需要对客户进行风险评估。
这时，数据挖掘技术可以帮助银行建立更完善的风控系统，通过客户历史行为的模式建立信用评级模型和欺诈检测模型等。
这将有助于银行及时发现风险，避免不必要的损失。
二、数据挖掘技术在商业银行营销中的应用案例1、客户分析银行在日常经营中积累了大量的客户数据，如何从中挖掘有用信息，为银行的市场营销提供有效支持？大型商业银行通过对客户数据进行分析和挖掘，可以建立客户画像，对客户进行分类，如按客户所在地、收入、年龄等多维度划分。
这样可以帮助银行制定更精准的营销策略，并针对不同类型的客户进行个性化营销，提高银行的转化率。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
数据挖掘在银行交叉销售中的应用研究*于海波姜 锴合肥工业大学，合肥 230009摘要：数据挖掘通常又称为数据中的知识发现（KDD），是自动或方便地提取代表知识的模式。
本文以商业银行业务数据为研究对象，使用SPSS公司Clementine工具提供的关联规则Apriori算法，对银行客户持有外延产品情况进行数据挖掘，取得频繁项集，为银行产品交叉销售提供支持。
关键词：数据挖掘 KDD 交叉销售关联规则1 引言中国加入世贸组织，金融领域全面引入国际竞争。
商业银行在不断扩展业务范围、不断加大科技投入的同时要注重以客户为中心的管理，对客户需求的满足能力是银行能否与客户保持紧密联系、获得发展的关键所在。
数据挖掘(Data Mining)是近些年企业界相当热门的话题,它利用统计与人工智能的算法,从庞大的企业历史资料中,找出隐藏的规律并建立准确的模型,用以预测未来[1]。
应用数据挖掘技术对银行海量的以往交易数据进行分析，可以获得潜在规则，预测银行客户需求，创造个性化产品，改善自身营销，为商业银行业务发展提供强有力的支持。
有关研究表明，开发一个新客户的费用是保留一个老客户费用的5倍，成功保留老客户可大幅增加企业的利润，交叉销售就是企业保留老客户的一种非常重要的方法。
交叉销售是一种以企业和客户的现有关系为基础去推销另一个产品的营销战略，是通过对现有客户扩大销售来增加利润的一个有效手段。
本文着重介绍数据挖掘中的关联规则算法及其在银行外延产品交叉销售中的应用。
2 关联规则与Apriori算法关联分析的目的是找出数据库中隐藏的关联网，挖掘出隐藏在数据库中的一些关联规则，利用这些关联规则可以根据已知情况对未知问题进行推测判断[2]。
任何两个变量间都可能存在着潜在的关联,那么怎样决定哪些关联确实具有代表性,真的很有作用，哪些关联只是假象或者毫无用处呢? 在考察关联规则时,需要同时考虑三条独立的标准,即支持度(support) 、置信度(confidence)和增益(lift ) 。
支持度：1）交易集合（交易数据库）D中包含某个交易X的个数称为X在D中的支持计数。
例如，D={T1，T2，T3}包3个交易，其中T1={A，B，C}、T2={B}、T3={B，C，D}，如果X={B，C}，则D中存在T1和T3两个交易包含X，此时称X在D中的支持计数为2。
2）假定X是一个项目集，D是一个交易集合，称D中包含X的交易个数与D中总的交易个数之比为X在D中的支持度，记作sup(X)。
在上例中，包含X的项目个数是2，D中总的交易个数是3，则X在D中的支持度为2/3，即sup(X)=P(X)=66.7%。
3）关联规则的一般形式为：X=>Y，其含义为X出现的同时也导致Y出现。
关联规则X=>Y的支持度sup(X=>Y)=sup(X∪Y)=P(X∪Y)。
支持度是对关联规则的重要性的度量，表示了关联规则的频度。
当给定最小支持度时，若某一项集的支持度大于或等于最小支持度，则称该项集是频繁项集，含有K个*作者简介: 于海波(1980-), 男, 在职研究生; 姜锴(1973-), 男, 在职研究生.项的频繁项集则称为频繁K-项集。
关联规则挖掘的重点便是找出所有频繁项集。
置信度又称为可信度。
设交易集合D中支持项目集X的交易中有c%的交易同时支持项目集Y，则称c%为关联规则X=>Y的置信度，记作conf(X=>Y)。
由置信度的定义可知，conf(X=>Y)=sup(X∪Y)/sup(X)=P(Y|X)。
一个规则的置信度范围在0和1之间，指出现了项目集X的交易中，出现项目集Y的概率。
置信度是对关联规则准确度的度量，表示了关联规则的强度。
增益是两种可能性的比较,一种是在已知购买了左边商品情况下购买右边商品的可能性,另一种是任意情况下购买右边商品的可能性。
规则X=>Y的增益为：lif (X→Y) = P(Y| X) - P(Y) 。
这个标准和数据挖掘中其他模型的选择标准一样,通过与“原有”规则的比较,来测量该规则提高预测准确性的程度。
有时也把增益称为改良,因为它可以测量预测改进的程度。
关联规则挖掘算法以算法Apriori为代表。
Apriori算法把挖掘关联规则的过程分为两个阶段:1）获取频繁集。
这些项集出现的频繁度至少和预定义的最小支持度一样。
2）由频繁集产生关联规则。
这些规则必须满足最小可信度。
3 实例分析3.1 数据准备建立数据仓库，进行数据挖掘，在大量的“数据中挖掘知识”[3]，首先要了解数据含义。
客户通过购买或使用银行产品与银行发生关系。
银行产品是指银行金融机构向市场提供的能满足人们某种愿望和需求的，与货币相关的一切商品，是金融产品的重要组成部分。
银行个人产品具有多样性的特点。
商业银行作为以营利为目的的企业，当然首要关心的也是产品所带来的收益。
所以习惯上，按照不同产品对银行所产生的收益类型，可以分为以下四大类。
如图1所示：图1银行个人产品分类图其中存款类产品属于负债类业务，银行通过将客户的存款用于贷款或其他投资赚取利差。
则我们可以根据不同的产品，计算出当期收益系数。
例如：存款业务贡献率=（存款准备金比例*年利率+超额准备金比例*年利率+库存现金比例*年利率+发放贷款比例*税后年利率+剩余可用资金比例*一年期定期存款年利率）-存款年利率存款业务贡献积分=客户日均存款*存款业务贡献率其他类产品也可以通过相关行业内部规则计算出相应的贡献参数。
我们以客户ID为唯一标识，计算出客户某段时间内对我行做出的贡献。
再根据2/8法则，取出前20%的客户，作为我们挖掘的对象。
银行产品又可分为基本产品和外延产品。
基本产品如借记卡，所有的商业银行均有该产品，且功能相似。
扩展产品，是指银行产品中为客户提供功能扩展或超值服务的那一部分产品，属金融产品的系列化业务，是银行产品的延伸，用以配套解决客户全部问题。
因为很多产品如基金，保险，第三方存管都是借助借记卡的平台，所以在这里我们仅对部分有特点的扩展产品进行数据挖掘。
取出对银行贡献较高的客户100名，以客户ID为唯一标示，从业务数据库中提取出这些客户开办了哪些产品，生成训练样本。
如表1所示：表1客户持有产品情况表客户号网上银行银信通基金银证转账信用卡贷款保险0 1 0 0 1 0 116 (3198)1 1 0 0 0 1 016 (4636)1 0 1 1 0 1 116 (5134)0 0 1 1 0 1 116 (6474)…… … … … … … … …16 (5398)0 1 1 0 1 0 11 1 0 0 0 1 016 (7236)16 (3214)1 0 0 0 0 0 10 0 1 1 0 1 016 (3585)3.2 数据挖掘要做数据挖掘，当然需要工具。
目前世界上已经有很多功能完善的数据挖掘产品，我们只需要掌握算法的原理，选择合适的算法，不需要自己编写程序。
在这里，我们选用目前较为流行的SPSS公司的Clementina帮助我们实现对银行客户的数据挖掘。
将以上数据导入Clementina工具，利用Apriori算法进行运算后得到关联规则，如表2所示：表2关联规则Confidence%Support%Consequent Antecedent基金银证转账、网上银行、银信通11.000 90.909银信通贷款、网上银行17.000 88.235基金银证转账、网上银行14.000 85.714基金银证转账、银信通18.000 83.333银信通银证转账、网上银行、银信通12.000 83.333银信通网上银行40.000 82.500基金银证转账27.000 81.481基金保险21.000 80.952 这里设定最小支持数为2 ，即最小支持度为25%。
则可以得到银行产品的频繁项集。
如表3所示：表3频繁项集关联规则Support% Confidence% 网上银行Æ银信通40.000 82.500银证转账Æ基金27.000 81.481 由表3可知，关联规则网上银行->银信通的支持度是40%，这说明在样本中有40%的客户同时开办了网上银行和银信通业务；它的置信度是82.5%说明，是指所有开办了网上银行的客户中有82.5%的客户开通的银信通产品。
而关联规则银证转账->基金的支持度为27%，说明在样本中有27%的客户同时办理了银证转账并且购买有基金，而在所有开通银证转账的客户中，购买了基金的客户占81.481%，即该规则的置信度为81.481%。
这样，银行可以将网上银行和银信通业务捆绑销售，还可以考虑在客户办理银证转账时，向其推荐购买基金，以带动这两组银行产品的销售，增加银行的业务量和收益。
4 结 束 语银行产品间关联规则的建立是一个不断更新的过程[4]，随着交易数据的增多，需要不断地用交易数据对关联规则进行调整，完善银行产品间的关联规则，使之更好地为银行产品交叉销售提供支持。
参考文献[1]戴稳胜, 匡宏波, 谢邦昌. 数据挖掘中的关联规则[J]. 统计研究, 2002, 08: 40-42.[2]王明哲, 基于数据挖掘技术的信用卡客户的信用评价[J]. 商场现代化, 2007, 08: 77-78.[3]Jiawei Han, Micheline Kanber. Data Mining:Concepts and Techniques[M]. San Francisco:Morgan Kaufmann,2000.[4]孙景, 田甜. 基于多层关联规则的银行产品交叉销售策略[J]. 中国金融电脑, 2008, 10: 76-79.Application Research of Data Mining on Bank’s Cross-sellingYu Haibo Jiang KaiHefei University of Technology, Hefei, 230069, ChinaAbstract: Generally speaking, data mining (sometimes called knowledge discovery from data) is the process of analyzing data from different perspectives and extracting it into representative information automatically and intelligently. With the Apriori algorithm of association rule type provided by Clementine kit from SPSS company, the object of this paper is intended to work on the business data of commercial bank, extracting patterns from the source data on extension products of bank's customers to obtain the frequent item sets which is expected to offer efficient support to the cross-selling of various banking products.Keywords: data mining; KDD; cross-selling; association rule。