金融领域数据模型实例讲解
面板数据模型及金融相关案例分析
王中昭制作
• 在五个评价指标中有4个认为滞后期应为 3（见系统自动标出的结果，即*号处）。
王中昭制作 • 本例选择结果如下：
是否需要常 数项。不需 要去掉c。
设置滞后期， 必须配对出现， 例如，1 2 5 8 则每个方程所 包含的变量的 滞后期均为：
yt-1, yt-2, yt-5, yt6, yt-7 yt-8,
模型。
2、预测 这是Eviews3.1的弹出形式，点
王中昭制作
这里就可求出拟合值。
• Eviews5.1形式为，点make model后得到：
王中昭制作
• 点Solve得到如下对话框，基本选择有5项：
在模拟种类 中有2项， 第1为确定 性，第2为 随机性。
在动态方法中有动 态求解等项。在静 态条件下，滞后期 是用实际值，而在 动态情况下，滞后
• 为了研究1978—2003年期间城乡居民储蓄存款随 王中昭制作 收入的变化规律是否有变化,考证城乡居民储蓄存款、
国民总收入随时间的变化情况，如下图所示：从图 中尚无法得到居民的储蓄行为发生明显改变的详尽
信息。若取居民储蓄的增量（YY），并作时序图。 见下页。
王中昭制作
• 从居民储蓄增量图可以看出，城乡居民的储蓄行为表现 出了明显的阶段特征：在1996年和2000年有两个明显的 转折点。再从城乡居民储蓄存款增量与国民总收入之间 关系的散布图看，也呈现出了相同的阶段性特征。
表示：1是股份制银行，0是农村信用社。数据如下表。
研究采取某项银行革新措施的速度Y与银行的规模X和
银行类型的关系。数据文件al6.wf1。
Y
X
D1
Y
X
D1
17
151
0
金融行业的大数据应用案例及解决方案
金融行业的大数据应用案例及解决方案清晨的阳光透过窗帘的缝隙，洒在我的键盘上，指尖轻触键盘，思绪如大数据般涌现。
今天，我们要聊聊的是金融行业的大数据应用案例及解决方案。
这是一个充满挑战和机遇的话题，让我们一起走进这个奇妙的世界。
一、大数据在金融行业的应用案例1.风险控制记得有一次，我帮助一家银行构建风险控制模型。
通过分析海量数据，我们发现，借款人的还款能力与他们的社交网络、购物习惯等息息相关。
于是，我们设计了一个基于大数据的风险控制模型，将借款人的这些信息纳入评估体系。
这样一来，银行在发放贷款时，能够更加精准地判断借款人的还款能力，降低风险。
2.客户画像在金融行业，了解客户是至关重要的。
一家保险公司通过大数据分析，为客户构建了详细的画像。
他们发现，不同年龄、职业、地域的客户，对保险产品的需求差异很大。
于是，公司根据这些数据，推出了一系列针对不同客户群体的保险产品，大大提高了销售额。
3.资产配置一家基金公司利用大数据，对全球股市、债市、商品市场等进行分析，为投资者提供最优的资产配置方案。
他们通过实时数据监控，调整投资组合，降低投资风险。
这种方法，让投资者在市场波动中，始终保持稳健的收益。
二、大数据在金融行业的解决方案1.数据采集与清洗大数据的第一步，是采集和清洗数据。
金融行业涉及的数据量巨大，包括客户信息、交易记录、市场行情等。
我们需要通过技术手段，将这些数据进行整合、清洗，为后续分析提供准确的基础数据。
2.数据存储与管理金融行业的数据存储与管理，需要考虑安全性、稳定性、可扩展性等因素。
我们可以采用分布式存储、云计算等技术，确保数据的安全和高效访问。
3.数据分析与挖掘数据分析与挖掘是大数据的核心。
金融行业可以利用机器学习、深度学习等技术，对数据进行深入分析，挖掘出有价值的信息。
4.应用场景拓展大数据在金融行业的应用场景非常广泛。
我们可以将大数据技术应用于风险控制、客户服务、投资决策等方面，提高金融服务的质量和效率。
金融业逻辑数据模型-数仓十大主题-LDM_当事人主题
金融业逻辑数据模型FS-LDM 当事人PARTY主题1 定义/准入原则当事人（Party）是指银行所服务的任意对象和感兴趣进行分析的各种对象。
如：个人或公司客户、同业客户、潜在客户、代理机构、雇员、分行、部门等，一个当事人可以同时是这当中的许多角色。
当事人是一个独立的人或者一组人组成的机构、团体等，可分为个人、机构和家庭，他们是和银行有往来或者出于市场营销、分析管理等各种需要而希望关心和分析的个体或人群。
从数据仓库模型角度考虑，可以包括以下当事人信息：⏹在银行登记注册开立账户的单位/企业客户⏹在银行登记注册开立账户的个人普通客户⏹和银行有业务往来的其他金融机构（如国内同业、海外代理行等）⏹登记注册使用某项特殊服务的客户（如基金注册登记机构、基金交易客户、银行卡特约单位、联名认同单位、电子银行缴费单位/个人、网银集团客户/贵宾企业/商户/学校、航空公司等）⏹机构的内部组织（如分支机构、部门、团队等）⏹机构的员工（如柜员、客户经理等）⏹外部机构提供清单（如人行征信系统、国家统计局等）上银行感兴趣的各种对象⏹为银行提供某项专业服务的当事人（如咨询公司、设备提供商、法律顾问等）2 唯一标识当事人的唯一标识是“当事人编号”，该字段可以直接取自原业务系统中的唯一客户编号（可能需要加工，区分对公、个人和机构等），也可以由数据仓库系统按照一定的规则自行编制一个唯一编号。
3 当事人分类当事人分为个人当事人、机构当事人、家庭三类，机构当事人又分为内部机构和外部机构，外部机构又细分成“商业组织机构（企业）”和“非盈利组织机构（协会）”。
此外，“当事人”实体还可以通过“潜在客户标志”、“提供商标志”等字段实现其他口径不排他的分类。
⏹提供商信息：记录提供商的信息，如法律顾问、咨询家、财务顾问等和银行往来的历史记录等；⏹潜在客户信息：该实体记录银行所感兴趣的各种潜在客户的信息；⏹机构名称历史：记录机构的名称的变更历史，包括过去的、现在的正式名称、简称等。
金融行业中的风险评估模型技术应用案例
金融行业中的风险评估模型技术应用案例随着金融市场的复杂化和风险的增加，风险评估成为金融行业中不可或缺的重要环节。
为了帮助金融机构有效地评估风险和制定相应的风险管理策略，各种风险评估模型技术被广泛应用。
本文将介绍金融行业中几个典型的风险评估模型技术应用案例。
1. 债券评级模型债券评级模型是金融机构进行信用评级和风险评估的重要工具。
这些模型利用大量的历史数据和指标，将债券分类为不同风险等级，并预测未来的违约概率。
通过对债券进行评级，金融机构能够更好地了解其信用风险，进而制定相应的投资策略。
例如，一家投资银行可以使用债券评级模型来为其客户提供投资建议，以便他们在购买债券时能够做出明智的决策。
2. 股票波动性模型股票市场的波动性是投资者关注的重要指标之一。
股票波动性模型通过分析历史股价和波动率等数据，预测未来的股票波动情况。
这对于投资者来说非常有价值，因为他们可以根据波动性模型的结果来调整投资组合或者制定风险管理策略。
例如，一家对冲基金可以使用股票波动性模型来选择投资标的，以及确定合适的买入和卖出时机，从而在市场波动中获得稳定的收益。
3. 风险价值模型风险价值模型（Value at Risk，VaR）是金融机构风险管理中广泛使用的一种模型。
它通过测量投资组合可能面临的最大损失，从而帮助机构评估风险承受能力和制定风险管理策略。
风险价值模型使用历史数据和统计方法，计算投资组合在一定置信水平下的最大潜在损失。
例如，一家投资银行可以使用风险价值模型来评估其投资组合在不同市场情况下的风险水平，以便及时调整投资策略。
4. 信用风险模型信用风险模型用于评估金融机构和个人的信用质量，帮助机构判断客户的违约概率和信用等级。
这些模型使用历史数据和独立变量，如违约历史、财务指标等，来预测未来的违约风险。
例如，一家商业银行可以使用信用风险模型来评估其贷款客户的违约概率，并根据评估结果制定相应的信贷政策和利率。
总结起来，金融行业中的风险评估模型技术在不同领域都有广泛应用。
金融数据分析应用案例分享
金融数据分析应用案例分享近年来，金融数据分析越来越受到重视，特别是在投资领域中，数据分析可以为决策者提供更全面、更精准的信息，从而有效降低投资风险、提高收益。
下面将分享几个金融数据分析的应用案例，希望可以为您提供一些灵感和启示。
一、利用金融数据分析进行风险评估对于投资者而言，风险评估是非常重要的前提工作。
传统的风险评估方法通常是依靠指数、财务报告等数据进行分析，然而这些数据存在着一定的局限性，不能全面反应企业的风险水平。
因此，可以通过金融数据分析来进行风险评估。
例如，利用人工智能技术，对挂在港交所的企业进行现金流、经济利润、股权质量等多维度的分析，以此来评估企业的财务风险和信用风险。
此外，还可以利用大数据机器学习算法，在海量的数据中发现异常数据和规律，从而对企业的风险进行更准确的评估。
二、利用金融数据分析进行投资组合优化投资组合优化是投资决策中的一项重要工作，而金融数据分析可以在这方面提供有益的帮助。
在选择投资组合时，传统的方法通常是基于某些指标，例如收益率、风险、流动性等来进行权衡。
然而，这种方法忽略了各种指标之间的相互影响和相关性，从而可能导致组合中某些资产之间存在过高的相关性或者成分集中的问题。
因此，可以通过使用金融数据分析的技术，例如关联规则分析、聚类分析等，在大量的数据中发现资产之间的潜在相关性，以此进行投资组合的优化。
三、利用金融数据分析进行智能投顾在金融投资领域，智能投顾已经成为了一个热门的话题。
通过利用大数据、人工智能等技术，智能投顾可以为投资者提供更为便捷和精准的投资建议。
在智能投顾中，金融数据分析是至关重要的一部分，通过分析用户的投资经验、风险偏好、资产配置等信息，智能投顾可以为用户提供个性化的投资建议。
例如，在某家互联网金融公司的智能投顾产品中，可以通过分析用户的资产配置来推荐适合用户的产品，同时在对产品的推荐和风险评估上也会进行多维度的数据分析。
总之，金融数据分析在投资领域中有着重要的应用价值。
大数据技术在金融风控领域的应用案例分析
大数据技术在金融风控领域的应用案例分析大数据技术是当下金融行业中非常热门的技术，在金融风控领域中的应用也呈现出越来越广泛的场景。
本文将通过几个案例，来分析大数据技术在金融风控应用中的优势和挑战。
案例一：信用评分模型大数据技术能够整合海量数据，对数据进行深入挖掘和分析，协助金融机构建立更精准的信用评分模型。
例如，美国FICO公司就是利用了大数据技术和机器学习算法，建立了新的评分模型，可以根据用户的借贷记录、信用历史、收入状况、社交媒体行为等多方面数据，对用户的信用进行精细化评估，较之传统模型，更准确地识别高风险客户，并更好地保护银行的利益。
但是，值得注意的是，在利用大数据进行信用评分时，数据的性质和质量也非常重要。
如果数据来源不可靠，或者因为数据质量不高而导致误判高风险客户，将会对金融机构带来很大的风险。
案例二：反欺诈系统大数据技术还可以支持金融机构构建反欺诈体系。
美国Citibank就是通过利用大数据技术，开发了“CitiMonitor”系统，能够收集和分析客户历史交易记录、地理位置、交易渠道等数据，并使用机器学习模型对这些数据进行分析和对比，帮助客户确认和识别潜在的欺诈行为，及时采取相应措施，有效降低客户欺诈的风险。
这个案例中，大数据技术的优势在于能够处理大量的、异构的数据，并从中快速获取准确的诈骗模式。
但同时也需要银行机构不断更新算法模型，保证体系的异常识别能力。
案例三：风险管理大数据技术在风险管理方面的应用也非常广泛。
在借贷领域，利用大数据技术建立风险预测模型可以协助银行机构识别高风险客户和交易，从而帮助机构更好地评估风险。
英国HSBC银行就是通过利用大数据和机器学习技术，建立了完整的风险预测模型，包括不同类型客户的欺诈、违规交易，从而制定更有效的风控计划。
同时，利用大数据技术的人工智能算法也可以实现自动化的风险管理和预警体系，为银行机构提供更快速和准确的风险识别和决策依据。
不过，在建立自动化风险管理时，也需要保证模型的可靠性和稳定性。
金融行业数据分析模型的使用技巧
金融行业数据分析模型的使用技巧在现代金融行业中，数据分析是一项至关重要的工作。
通过对海量的金融数据进行分析，分析师可以揭示市场趋势、预测价格变动以及评估风险。
为了实现这些目标，金融行业采用了各种数据分析模型。
本文将介绍一些常用的金融行业数据分析模型，并提供使用技巧。
1. 线性回归模型线性回归模型是一种广泛应用于金融数据分析的模型。
它可以帮助分析师识别变量之间的关系，并进行预测。
在应用线性回归模型时，一些关键技巧包括选取合适的自变量、验证模型的可靠性，并进行模型的诊断和改进。
2. 时间序列分析模型金融数据通常具有时间相关性。
时间序列分析模型帮助分析师理解和预测金融数据的时间演变。
这些模型可以用于分析股票价格、利率、汇率等时间序列数据。
在使用时间序列分析模型时，重要的技巧包括确定数据的平稳性、选择适当的模型和优化参数。
3. 预测模型预测模型在金融行业中广泛应用，它们可以帮助预测股票价格、汇率、利率等。
常见的预测模型包括ARIMA模型、VAR模型和神经网络模型。
使用预测模型时，关键技巧包括选择合适的模型和数据、评估模型的准确性，并进行合理的风险管理。
4. 风险评估模型金融行业的核心任务之一是评估风险。
风险评估模型帮助分析师评估投资组合、信用风险和市场风险等各种风险因素。
这些模型可以为决策者提供重要的风险管理指标和建议。
在应用风险评估模型时，重要的技巧包括识别和定量化风险因素、建立合理的模型和灵活地解读结果。
5. 人工智能和机器学习模型随着技术的发展，人工智能和机器学习在金融领域的应用越来越广泛。
这些模型可以通过学习和识别数据模式来提供更准确的预测和决策支持。
在使用人工智能和机器学习模型时，关键技巧包括选择适当的模型、调整模型参数，并进行模型解释和验证。
在使用金融行业数据分析模型时，还有一些通用的技巧和注意事项需要牢记：1. 数据质量和准确性是关键。
分析师应该确保所使用的数据完整、准确，并且适用于所选模型。
大数据在金融行业的应用案例
大数据在金融行业的应用案例非常广泛，下面我们将从多个角度进行分析和讨论。
首先，我们来介绍一个典型的例子——利用大数据进行客户细分。
某大型银行通过收集和分析客户的消费行为、购买习惯、信用记录等数据，将客户细分为不同类型，并为每类客户提供个性化的金融产品和服务。
这种细分方法有助于银行更精准地定位目标客户，提高营销效果，同时还能为客户提供更贴心的服务。
例如，对于那些经常使用信用卡进行大额消费的客户，银行可以推荐高风险的投资产品；对于那些注重安全性和稳定性的客户，银行可以推荐定期存款或债券产品。
其次，大数据在风险控制方面也发挥了重要作用。
银行通过分析客户的交易记录、信用记录等数据，可以预测客户的违约风险，从而采取相应的措施来降低风险。
例如，对于那些经常逾期还款或存在不良信用记录的客户，银行可以加强对其的监控力度，并采取更加严格的贷款政策。
此外，大数据还可以帮助银行预测市场趋势和客户需求，从而制定更加合理的信贷政策。
第三，大数据在金融产品的创新方面也起到了关键作用。
银行可以利用大数据分析客户的需求和偏好，开发出更加符合市场需求的金融产品。
例如，一家互联网金融公司通过分析用户的浏览记录、点击行为等数据，为用户推荐符合其需求的理财产品。
这种个性化推荐方式不仅提高了用户的满意度，还增加了公司的收入。
最后，大数据在金融行业的监管方面也起到了重要作用。
银行可以利用大数据技术对客户的交易行为进行监测和分析，及时发现异常交易和可疑行为，从而预防洗钱、诈骗等犯罪行为的发生。
此外，大数据还可以帮助监管部门制定更加科学合理的监管政策，提高监管效率。
总之，大数据在金融行业的应用案例非常丰富，它可以帮助银行、保险公司、互联网金融公司等金融机构更好地了解客户需求、控制风险、创新产品和服务、提高监管效率等方面发挥着重要作用。
随着大数据技术的不断发展和完善，未来金融行业将会更加依赖大数据技术来应对各种挑战和机遇。
- 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)。
PRODUCT主题– 关键实体和关系
➢ 关键实体
➢ 产品 ➢ 产品包 ➢ 产品组 ➢ 产品特征 ➢ 产品 / 当事人 ➢ 产品 / 产品包 ➢ 产品 / 产品组 ➢ 产品 / 产品特征 ➢ 产品包 / 产品特征
➢ 关系
➢ 产品 – 当事人关系 ➢ 产品 – 产品包关系 ➢ 产品 – 产品组关系 ➢ 产品 – 产品特征关系 ➢ 产品包 – 产品特征关系
12
PRODUCT—主要实体和关系
13
PRODUCT主题—特征分类
14
AGREEMENT主题
➢ AGREEMENT是金融机构与客户之间针对某种特定产品或服务而签立的契约关系。例如银行 的帐户，保险公司的保单。
➢ 包括AGREEMENT的申请、报价、还价以及开立等完整信息。 ➢ AGREEMENT主题与事件主题和内部机构主题也有密切的联系。 ➢ 当金融机构与客户之间针对某种产品或服务的条款和条件达成协议时， 一个AGREEMENT就
16
AGREEMENT主题-分类实例
17
AGREEMENT主题-协议主实体实例
➢ 协议由协议号和协议修饰符唯一识 别。
➢ 协议主实体中存放协议类型、来源、 持有人、开户日期、当前状态币种 以及各种重要日期信息
18
AGREEMENT主题—概貌
19
AGREEMENT主题- 凭证
• 卡本身不是协议，而是一个介质/凭证 • 卡可以和多个账户存在关系，例如一卡通 • 卡之间可以存在很多关系，例如替代、关联等
•面向分析主题 •汇总数据 •Star Schema 建模 •视图
•银行逻辑数据模型 •保留详细交易数据 •面向关键主题域
•3NF
基础逻辑模
网银
•数据清洗／转换／加载 •文本文件
•面向业务应用 •3NF
4
逻辑模型常见主题域
Party
Party Asset
Finance
Campaign
Agreement
Channel
Event
Internal Organizatio
n
Product
5
Location
PARTY主题
➢ 当事人（PARTY）是指银行作为一个金融机构所服务的任意对象和感兴趣进行 分析的各种个人或团体客户、潜在客户、代理机构、雇员、分行、部门等。 一个PARTY可以同时是这当中许多种角色。
金融领域数据模型实例讲解
BUBI咨询服务部 2013年02月
议程安排 ➢ LDM Overview ➢ 模型实例讲解
2
议程安排 ➢ LDM Overview ➢ 模型实例讲解
3
LDM在数据仓库系统中的地位
数据仓库
ETL服务器
AT&T
数核心据源 Nhomakorabea信贷
客服
•最终用户
•数据集市 •Data Mart
27
CAMPAIGN主题—概述
➢ 营销活动是为了获取、维护、增强银行与客户的关系而开展的一些促销的活动； ➢ 营销活动是一些有组织的活动，其目的可以是为了把某些产品推向市场，也有
可能是为了树立银行在市场上的形象； ➢ 完整的营销活动应该包括营销策略、营销行为以及营销活动的反馈信息； ➢ 收集营销活动和结果信息可以帮助银行发现最有效的营销方式，了解不同类型
➢ 业务规则：
➢ 地址可能是物理地址、电子地址、电话、邮箱地址等 ➢ 一个当事人可能有0～n个地址，这些地址可能有不同的用途，比如对账单的寄送地址
23
LOCATION主分类
© Pactera. Confidential. All Rights Reserved.
24
项目实例
➢ 出于对性能以及数据现状的考虑，在项目实践中通常不为地址信息分配ID ➢ 地址信息的存储放在各主题的“**地址信息历史”表中实现 ➢ 地址类型代码：区分地址信息的类型，例如：地理区域（北京、上海、华东、华北…etc.）、
➢ 可能需要也可能不需要银行与客户的直接接触；可能与帐户相关，也可能与帐户无关； 可能与资金相关，也可能与资金无关。
➢ 通过事件可以帮助了解哪些客户使用哪些渠道做哪种交易事件，交易金额多少、什么时 间、在什么地点、与金融机构的哪位员工或部门打交道。
26
CHANNEL主题
➢ 用户通过渠道向金融机构获取关金融机构或金融机构产品信息以及使用金融产品。金 融机构通过渠道向用户销售产品或提供服务。
➢ 当事人和其他多个主题之间（账户、内部机构等）存在密切的关联；
➢ 主要实体 ➢ 当事人 ➢ 组织机构当事人（对公 当事人） ➢ 个人当事人 ➢ 当事人 名称历史 ➢ 当事人识别信息 ➢ 当事人信用评级历史 ➢ 当事人地址信息历史
➢ 主要关系 ➢ 协议当事人关系历史 ➢ 当事人产品关系历史 ➢ 资产当事人关系历史 ➢ ……
➢ 渠道与当事人、产品、帐号等其他实体存在各种关系。 ➢ 渠道分为若干渠道类型。 ➢ 渠道分为若干类型，例如ATM渠道。 ➢ 当事人可以和渠道之间存在一种或多种关系，也可以不存在任何关系。 ➢ 渠道有自己的一些相关信息，例如功能，特征或地理位置。 ➢ 一个渠道有其最大容量，例如每小时可以处理的业务笔数。
也包括客户、合作者等外部组织内的 机构是；客户化后会有意义上的收缩 ，只指银行自己的内部机构
内部机构实体客户化示例
10
PRODUCT主题
➢ 产品是金融机构销售或提供的可市场化的产品、产品包和服务。 ➢ 产品可以通过产品特征加以描述，产品特征是金融机构提供的所有可以应用
于产品的有效产品特征。它标识了金融机构在提供产品时的限制或附加条件 。在银行业的例子有手续费、期限、允许的展期和提前通知的要求等。 ➢ 产品与当事人、帐户之间都存在各种关系。 ➢ 为满足银行内部管理的需要和适应不断变化的业务需求，可以根据实际情况 结合产品特性将产品分组，如个人存款产品组、公司贷款产品组等 ，这些即 “产品组”。 ➢ 出于市场竞争的需要，或作为市场营销的结果，将一些产品打包、捆绑销售 ，称其为“产品包”。
会被开立。 ➢ 在一个时间点，一个AGREEMENT只能对应一种产品，该产品可能是一个产品包的一部分。 ➢ 一个AGREEMENT除了持有人外，可能与其他的当事人有关系，如受益人、共同签字人、担
保人等，这些也是当事人对AGREEMENT的角色。 ➢ AGREEMENT也可能与其他AGREEMENT相关联，如一个帐户由于筹措资金的需要而被另一个
20
客户资产Asset主题
➢ 客户资产（ASSET）主题是所有可能采集到的各种客户的资产信息。可能是客户 的不动产、商品存货、珠宝、机动车辆、以及在其他金融机构的存款、贷款等
。
21
ASSET－概貌
22
LOCATION主题
➢ 定义： ➢ LOCATION主题是指银行希望关注或考察的任何层次的地理区域和地址。如国家、省 份、城市、县、乡村等。 ➢ LOCATION主题包含“具体地址”、“地区”、“地理位置”等不同层次的信息。 ➢ 该主题和事件、产品、渠道、内部组织机构、营销活动等主题都有着密切的联系。
帐户所取代，或一个帐户对另一个帐户提供担保。
15
AGREEMENT主题-主要实体和关系
➢ 重要实体
➢ 协议 ➢ 协议状态历史 ➢ 协议金额历史 ➢ 协议重要日期历史 ➢ 协议申请 ➢ 协议和卡 ➢ 协议违约历史 ➢ 协议限额历史 ➢ 协议评级历史 ➢ 协议分类历史
➢ 重要关系
➢ 协议/产品关系历史 ➢ 协议关系历史 ➢ 协议/当事人关系历史 ➢ 协议/地址关系历史
6
PARTY主题—分类实例
7
PARTY主题—主要内容
8
PARTY主题—和其他主题的关系
9
内部组织机构
➢ 内部组织机构是指金融机构的内部组 织和业务单元，如分行、客服中心、 支行、储蓄所、部门、销售团队等等 。
➢ 是一种特殊的PARTY（技术上） ➢ 体现内部机构之间复杂的关系 ➢ 不仅包括金融机构自己的内部组织，
物理地址（*市*街*号）、电子地址、电话地址…etc. ➢ 地址用途类型代码：区分地址信息的使用用途，例如：居住地址，邮递地址，对账单地
址…etc.
© Pactera. Confidential. All Rights Reserved.
25
EVENT主题
➢ 事件是银行与客户或潜在客户之间的联系或交易活动，它记录了详细的行为和交易数据， 包括存取款、收费、计息、咨询投诉、查询、市场调查、网上交易等。
客户对营销活动的反馈；
28
FINANCE主题－科目
29
FINANCE主题－主要实体
30
Q&A?
知识回顾 Knowledge Review