银行业数据挖掘
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。
银行工作中的数据挖掘方法与案例分享
银行工作中的数据挖掘方法与案例分享在银行工作中，数据挖掘方法被广泛应用于风险管理、营销策略和客户关系管理等方面。
本文将介绍银行工作中常用的数据挖掘方法，并分享一些相关的案例。
一、数据挖掘方法在银行工作中的应用1.1 风险管理在银行业务中，风险管理是至关重要的。
数据挖掘方法可以帮助银行识别和预测潜在的风险因素。
例如，通过分析客户的交易记录和信用评分，银行可以使用分类算法来预测客户是否可能违约，并采取相应的措施减少风险。
1.2 营销策略数据挖掘方法可以帮助银行更好地理解客户需求和行为，从而制定更精确的营销策略。
例如，通过分析客户的消费习惯和偏好，银行可以使用关联规则挖掘算法来发现不同产品之间的关联性，进而推荐相关产品给客户，提高销售额。
1.3 客户关系管理银行需要不断提升客户满意度和忠诚度。
数据挖掘方法可以帮助银行建立客户画像，识别最有价值的客户，并为他们提供个性化的服务。
例如，通过分析客户的历史交易数据和社交媒体活动，银行可以使用聚类算法来将客户分成不同的群体，然后有针对性地提供特定群体的产品和服务，从而增强客户关系。
二、案例分享2.1 风险管理案例某银行利用数据挖掘方法进行风险管理，他们通过分析过去的违约客户和非违约客户的交易记录、贷款信息和个人特征，构建了一个客户违约预测模型。
该模型基于支持向量机算法，能够准确地预测客户是否可能违约，从而帮助银行及时采取措施减少损失。
2.2 营销策略案例某银行为了提高信用卡的使用率，利用数据挖掘方法进行了市场细分和个性化推荐。
通过分析客户的信用卡消费记录和个人特征，银行使用聚类算法将客户划分为不同的群体，然后根据不同群体的消费习惯和偏好，推荐适合的信用卡产品给客户。
该策略有效提高了信用卡的使用率和客户满意度。
2.3 客户关系管理案例某银行利用数据挖掘方法提升客户关系管理。
通过分析客户的历史交易数据、网银登录记录和社交媒体活动，银行使用关联规则挖掘算法找出不同产品之间的关联性。
银行 业务挖掘场景
银行业务挖掘场景
银行业务挖掘场景指的是银行利用数据挖掘技术，从大量的客户数据中发现潜在的商业机会、客户需求和风险因素，以提升服务质量、降低风险、提高效率等目的。
以下是一些银行业务挖掘场景的例子：
1.客户信用评估：银行可以利用数据挖掘技术分析客户的信用历史、财务状况、交易行为等信息，评估客户的信用等级，以便更准确地决定是否发放贷款、信用卡等信贷产品，以及设定利率和额度。
2.客户画像分析：银行可以通过数据挖掘技术对客户的消费行为、偏好、需求等进行分析，构建客户画像，为个性化营销和精准推荐提供支持，从而提高产品销售率和客户满意度。
3.反欺诈分析：银行可以利用数据挖掘技术监测客户的交易行为，识别异常交易模式和欺诈风险，及时采取措施防范欺诈活动，保护客户资金安全和银行利益。
4.风险管理：银行可以利用数据挖掘技术对不同类型的风险进行识别和评估，包括信用风险、市场风险、操作风险等，以制定有效的风险管理策略，降低风险损失。
5.产品推荐优化：银行可以通过数据挖掘技术分析客户的交易历史、产品偏好等信息，为客户提供个性化的产品推荐，增加客户的交易量和产品使用频率。
6.客户流失预测：银行可以利用数据挖掘技术分析客户流失的相关因素，如客户活跃度、交易频率等，预测客户的流失风险，及时采取措施挽留客户。
通过以上场景，银行可以更好地了解客户、管理风险、提高服务质量，从而提升竞争力并实现可持续发展。
数据挖掘技术在金融行业的应用
数据挖掘技术在金融行业的应用随着金融业的不断发展和技术的进步，数据挖掘技术在金融行业中得到了越来越多的应用。
本文将从金融行业的不同领域出发，介绍数据挖掘技术在金融行业中的应用情况。
1. 证券投资领域数据挖掘技术在证券投资领域的应用包括预测股票价格、构建投资组合和判断投资风险等方面。
预测股票价格是证券投资领域中最常见的问题之一，而数据挖掘技术可以通过对历史股票价格的分析，构建股票价格预测模型，并对未来股票价格进行预测。
除此之外，数据挖掘技术还可以对证券市场的走势进行分析，以帮助投资者制定更优秀的投资计划。
2. 银行业领域在银行业领域，数据挖掘技术主要应用于信用评估、反欺诈和风险分析等方面。
银行需要对客户的信用情况进行评估，以决定是否给予贷款或信用卡等产品，而数据挖掘技术可以通过对客户的历史信用记录、资产和负债情况等数据进行分析，来预测客户的未来信用表现。
另外，数据挖掘技术还可以帮助银行识别那些可能存在欺诈的客户，并为银行减少欺诈风险提供支持。
3. 保险行业领域在保险行业领域，数据挖掘技术主要应用于保险产品的定价和风险评估等方面。
与银行业类似，保险公司也需要对客户的风险情况进行评估来制定保险产品价格，而数据挖掘技术可以通过对客户的历史理赔记录、家庭收入情况以及居住、就医等基础信息进行分析，来评估客户的风险水平。
此外，数据挖掘技术还可以用于预防欺诈等问题，提高保险公司的公平性和收益率。
4. 金融市场监管领域金融市场监管领域中，数据挖掘技术可以帮助政府机构更好的监管金融市场，提高市场透明度。
例如，在监管机构中的数据挖掘技术可以用来检测非法市场操纵行为，监控恶意交易以及检测其他违法行为。
此外，数据挖掘技术还可以用于对金融机构的规范化管理和决策支持。
5. 其他领域除了以上几个领域以外，数据挖掘技术在金融行业中还可以应用于风险控制、市场分析、数据可视化以及客户关系管理等方面。
其中，数据挖掘技术的应用可以帮助金融机构更好的管理客户关系，提高客户满意度、提供更好的金融产品和服务，提高机构的利润率和市场竞争力。
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。
银行工作中的数据挖掘方法与案例分享
银行工作中的数据挖掘方法与案例分享在当今信息爆炸的时代，数据已经成为各行各业的重要资源。
银行作为金融行业的重要组成部分，也不例外。
银行拥有大量的客户数据、交易数据等，利用这些数据进行数据挖掘分析，可以帮助银行更好地了解客户需求、优化业务流程、提高风险控制能力等。
本文将介绍银行工作中常用的数据挖掘方法，并分享一些实际案例。
一、关联规则挖掘关联规则挖掘是一种常见的数据挖掘方法，它可以帮助银行发现不同变量之间的关联关系。
例如，银行可以利用关联规则挖掘分析客户的消费习惯，从而精准地推送相关产品和服务。
此外，关联规则挖掘还可以用于分析信用卡交易数据，帮助银行发现异常交易行为，提高风险控制能力。
案例分享：某银行利用关联规则挖掘分析信用卡交易数据，发现了一组异常交易行为。
这些交易都发生在深夜，并且金额较大，与持卡人平时的消费习惯明显不符。
通过进一步调查，银行发现这些交易是由盗刷者所为。
及时发现并阻止了这些异常交易，银行成功保护了客户的资金安全。
二、聚类分析聚类分析是一种常用的无监督学习方法，它可以将数据集中相似的样本归为一类。
在银行工作中，聚类分析可以帮助银行发现不同客户群体的特征和行为模式，为精准营销和定制化服务提供依据。
案例分享：某银行利用聚类分析对客户进行分群，发现了两个明显的客户群体：一类是年轻人，他们更倾向于使用移动支付和线上银行服务；另一类是中老年人，他们更喜欢传统的网点服务。
基于这一发现，银行针对不同客户群体推出了不同的产品和服务，提高了客户满意度和业务收入。
三、决策树算法决策树算法是一种常用的监督学习方法，它可以根据已有的数据建立决策树模型，用于预测和分类。
在银行工作中，决策树算法可以帮助银行进行风险评估和信用评级。
案例分享：某银行利用决策树算法对客户进行信用评级，根据客户的个人信息、财务状况等指标，预测客户的信用状况。
通过信用评级，银行可以更好地判断客户的还款能力，从而制定相应的贷款政策和利率。
商业银行如何通过数据挖掘优化资金运作
商业银行如何通过数据挖掘优化资金运作在当今数字化时代，数据挖掘已经成为商业银行优化资金运作的重要手段之一。
通过利用大数据分析和挖掘技术，商业银行可以更好地理解客户需求、风险管理以及资金运营等方面，从而改进其业务策略和运营效率。
本文将探讨商业银行如何通过数据挖掘来优化资金运作的方法和优势。
一、客户需求的预测和满足商业银行通过数据挖掘可以收集和分析来自各个渠道的客户数据，例如交易记录、消费习惯、社交媒体等，从而更好地了解客户的需求和喜好。
通过分析客户行为模式和购买趋势，商业银行可以预测客户未来的需求并相应地提供个性化的金融产品和服务。
这不仅有助于提升客户满意度，还能够增加银行的业务规模和收益。
二、风险管理的优化数据挖掘在商业银行的风险管理中起着关键作用。
通过整合各种内外部数据源，商业银行可以建立风险模型和预警系统，实现对风险的早期预测和控制。
通过对大量历史数据的挖掘，商业银行可以发现潜在的风险因素，并采取相应的风险管理措施，从而降低不良资产的风险和损失。
此外，数据挖掘还能够帮助商业银行进行欺诈检测和反洗钱等方面的风险防范，保护客户和银行的利益。
三、资金管理的优化数据挖掘技术也能够帮助商业银行优化资金的运作。
通过分析资金流动和结构，商业银行可以实时监测和管理资金，从而提高资金的利用效率和收益率。
例如，数据挖掘可以帮助银行识别存款和贷款的增长趋势，以及准确预测流动性需求，有针对性地调整资金结构和投资组合。
此外，数据挖掘还能够帮助商业银行优化现金管理和交易结算等方面的运营流程，提高资金运作的效率和安全性。
四、市场分析和竞争优势数据挖掘技术可以帮助商业银行进行市场分析和竞争优势的建立。
通过挖掘市场数据和竞争对手信息，商业银行可以了解市场变化、行业趋势和竞争态势，从而及时调整战略和产品定位。
商业银行可以通过数据挖掘建立预测模型和交叉销售策略，提高市场份额和业务收益。
此外，数据挖掘还能够帮助商业银行进行客户细分和精准营销，提高市场推广效果和客户黏性。
银行业务中数据挖掘技术的探讨
一
信【 ｌ １ 息 科 学
银行业务中数据挖掘技术的探讨
郭瑞波 李 占宣 李 德 有
（ 尔滨金 融高等专科学校 ， 哈 黑龙 江 哈 尔滨 １０ ０ ） ５ ０ １
摘 要： 融行业进入 了“ 金 数据大集 中” 时代 ， 数据库管理 系统随着各企业数据量 的成倍增加 ， 已不再可能满足现代 企业对数据处理基本需求 ， 自 动分析数据、 动分类数据和 自动生成报表数据方法的发掘 ， 自 可以从这些大量数据 中 自 动发现和描述这 些数据的趋势和标定那些异常事务。 针对 数据仓库和数据挖掘进技术行 了分析与说 明， 并对照 国外商业银行 的发展 趋势， 出了我 国商业银行的发展 方向。 提 关键词： 数据挖掘 ； 数据仓库 ； 银行业务
于理 解 。
美 国商 业银行 是发达 国家商业 银行 的典 范， 许多地方值得我们学 习和借鉴 。 数据挖掘技 术在美 国银行金融领域应用广泛。Ｍ ｌ ｎ ｅ ｏ 银行 ｌ 使 用 Ｉｔｌ ｅｔＡ ｅｔ ｎ ｌ ｎ ｇｎ 数据 挖掘 软件 提高销 售 ｅｉ ｇ 和定价 金融 产品 的精 确度 。Ｆｒａ 银 行使 用 ｉｔ ｓｒ Ｍ ｒｓ ｎ数据挖掘工具 ， ａｋｍａ 根据 客户的消费模式 预测何时为客户提供何种产 品。 ３银 行业务 的发展必 然引入 数据挖 掘技
未来的趋势 ；． ｄ 数据量增长快速 ， 许多数据来不 及分析就已经过时 了，数据挖掘 能快速 的做 出 响应 ， 提供决策支持信息。 数据挖掘 能 自动在 大型数 据库 里面找 寻 潜在的预测信息 。传统上需要很 多专 家来进行 分析的问题 ，现在可以快速而直 接地从 数据 中 间找到答案。数据挖掘工具扫描整个 数据库并 辨认出那些隐藏着 的模式。数据挖掘技 术可以 让现有的软件和硬件更加 自动化 ，并且 可以在 升级的或者新 开发的平 台上执行。当数据挖 掘 工具运行 于高性能的并行处理 系统上的 时候 ， 它能在数分钟内分析一个超大型的数据库。这 种更快的处理速度意味着用户有更多的机会来 分析数据 ， 分析的结果更加准确可靠 ， 让 并且易
- 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)。
银行业数据挖掘
一、引言
数据挖掘（DataMining）是一种新的商业信息处理技术，产生于20
世纪80年代的美国，首先应用在金融、电信等领域，主要特点是对大
量数据进行抽取、转换、分析和模型化处理，从中提取出有助于商业
决策的关键性数据。
银行信息化的迅速发展，产生了大量的业务数据。
从海量数据中提取出有价值的信息，为银行的商业决策服务，是数据
挖掘的重要应用领域。
汇丰、花旗和瑞士银行是数据挖掘技术应用的
先行者。
如今，数据挖掘已在银行业有了广泛深入的应用。
二、数据挖掘在银行业应用的主要方面
现阶段，数据挖掘在银行业中的应用，主要可分为以下几个方面。
（一）风险管理
数据挖掘在银行业的重要应用之一是风险管理，如信用风险评估。
可
通过构建信用评级模型，评估贷款申请人或信用卡申请人的风险。
一
个进行信用风险评估的解决方案，能对银行数据库中所有的账户指定
信用评级标准，用若干数据库查询就可以得出信用风险的列表。
这种
对于高/低风险的评级或分类，是基于每个客户的账户特征，如尚未偿
还的贷款、信用调降报告历史记录、账户类型、收入水平及其他信息等。
对于银行账户的信用评估，可采用直观量化的评分技术。
将顾客的海
量信息数据以某种权重加以衡量，针对各种目标给出量化的评分。
以
信用评分为例，通过由数据挖掘模型确定的权重，来给每项申请的各
指标打分，加总得到该申请人的信用评分情况。
银行根据信用评分来
决定是否接受申请，确定信用额度。
过去，信用评分的工作由银行信
贷员完成，只考虑几个经过测试的变量，如就业情况、收入、年龄、
资产、负债等。
现在应用数据挖掘的方法，可以增加更多的变量，提
升模型的精度，满足信用评价的需求。
通过数据挖掘，还可以侦查异常的信用卡使用情况，确定极端客户的
消费行为。
根据历史统计数据，评定造成信贷风险客户的特征和背景，预防可能造成风险损失的客户。
在对客户的资信调查和经营预测的基
础上，运用系统的方法对信贷风险的类型和原因进行识别、估测，发
现引起贷款风险的诱导因素，有效地控制和降低信贷风险的发生。
通
过建立信用欺诈模型，帮助银行发现具有潜在欺诈性的事件，开展欺
诈侦查分析，预防和控制资金非法流失。
（二）客户管理
在银行客户管理生命周期的各个阶段，都会用到数据挖掘技术。
1．获取客户
发现和开拓新客户对任何一家银行来说都至关重要。
通过探索性的数
据挖掘方法，如自动探测聚类和购物篮分析，可以用来找出客户数据
库中的特征，预测对于银行营销活动的响应率。
那些被定为有利的特
征可以与新的非客户群进行匹配，以增加营销活动的效果。
数据挖掘还可从银行数据库存储的客户信息中，可以根据事先设定的
标准找到符合条件的客户群，也可以把客户进行聚类分析让其自然分群，通过对客户的服务收入、风险、成本等相关因素的分析、预测和
优化，找到新的可赢利目标客户。
2．保留客户
通过数据挖掘，在发现流失客户的特征后，银行可以在具有相似特征
的客户未流失之前，采取额外增值服务、特殊待遇和激励忠诚度等措
施保留客户。
比如，使用信用卡损耗模型，可以预测哪些客户将停止
使用银行的信用卡，而转用竞争对手的卡，根据数据挖掘结果，银行
可以采取措施来保持这些客户的信任。
当得出可能流失的客户名单后，可对客户进行关怀访问，争取留住客户。
银行为留住老客户，防止客户流失，就必须了解客户的需求。
数据挖掘，可以识别导致客户转移的关联因子，用模式找出当前客户中相似
的可能转移者，通过孤立点分析法可以发现客户的异常行为，从而使
银行避免不必要的客户流失。
数据挖掘工具，还可以对大量的客户资
料进行分析，建立数据模型，确定客户的交易习惯、交易额度和交易
频率，分析客户对某个产品的忠诚水准、持久性等，从而为他们提供
个性化定制服务，以提升客户忠诚度。
3．优化客户服务
银行业竞争日益激烈，客户服务的质量是关系到银行发展的重要因素。
客户是一个可能根据年费、服务、优惠条件等因素而持续流动的团体，为客户提供优质和个性化的服务，是取得客户信任的重要手段。
根据
二八原则，银行业20％的客户创造了80％的价值，要对这20％的客户实施最优质的服务，前提是发现这20％的重点客户。
重点客户的发现
通常是由一系列的数据挖掘来实现的。
如通过分析客户对产品的应用
频率、持续性等指标来判别客户的忠诚度，通过交易数据的详细分析
来鉴别哪些是银行希望保持的客户。
找到重点客户后，银行就能为客
户提供有针对性的服务。
三、数据挖掘在银行业的具体应用
数据挖掘技术在银行业中的应用，其中一个重要前提条件是，必须建
立一个统一的中央客户数据库，以提升客户信息的分析能力。
分析开
始时，从数据库中收集与客户相关的所有信息、交易记录，进行建模，对数据进行分析，对客户将来的行为进行预测。
具体应用分为五个阶段：
（一）加载客户账号信息。
这一阶段，主要是进行数据清理，消除现
有业务系统中相关客户账户数据不一致的现象，将其整合到中央市场
客户信息库。
银行各业务部门对客户有统一的视图，可以进行相关的
客户分析，如客户人数，客户分类，基本需求等。
（二）加载客户交易信息阶段。
这一阶段主要是把客户与银行分销渠
道的所有历史交易数据，包括柜台，ＡＴＭ，信用卡，汇款，转账等，加载到中央市场客户信息库。
这一阶段完成后，银行可以分析客户使
用分销渠道的情况和分销渠道的容量，了解客户，渠道，服务三者之间的关系。
（三）模型评测。
这是为客户的每一个账号建立利润评测模型，需要收入和成本的确定金额，因此需要加载会计系统的财务数据到中央数据库。
这一阶段完成后，银行可以从组织，用户和产品三个方面分析利润贡献度。
如银行可以依客户的利润贡献度安排合适的分销渠道，模拟和预测新产品对银行的利润贡献度等。
（四）优化客户关系。
银行应该掌握客户在生活、职业等方面的行为变化及外部环境的变化，抓住推销新产品和服务的时机。
这需要将账号每天发生的交易明细数据，定时加载到中央数据仓库，核对客户行为的变化。
如有变化，银行则利用客户的购买倾向模型，渠道喜好模型，利润贡献模型，信用和风险评测模型等，主动与客户取得联系。
（五）风险评估管理。
银行风险管理的对象主要是与资产和负债相关的风险，因此与资产负债相关的业务系统的交易数据要加载到中央数据仓库；然后，银行应按照不同的期间，分析和计算利率敏感性资产和负债之间的缺口，知道银行在不同期间资本比率、资产负债结构、资金情况和净利息收入的变化。
四、结语
目前，银行业已逐步走向个性化服务和科学决策阶段，数据挖掘具有强大的信息处理和分析能力，可以为银行提供科学的决策依据和技术支持。
在经济全球化的今天，只有顺应知识经济时代的潮流，充分利用数据挖掘等现代科学技术，才能更好地促进银行业持续、健康的发展。
银行业数据挖掘。