什么是數據挖掘？現在比較通用的定義是數據庫中的知識發現, 數據庫中數據量是非常大的, 要想從中提取有用的信息, 就要用到各種技術手段, 涉及到的學科領域包括： 統計、機器學習、人工智能、
數據可視化等。
我國金融行業是較早使用數據庫技術的行業，所以也積累了大量的數據，數據挖掘在金融行業有了很多成功的案例。
暗流涌動：金融業務場景下的問題
技術是用來解決問題的，首先，我們要找到金融行業有哪些業務問題是亟待解決的！以銀行來說，主要就是要做好兩件事，吸儲和放貸。吸儲顯然就是各種金融產品的銷售，需要準確把握客戶，讓客戶把資金留在銀行； 放貸則包括了信用卡業務和各種額度的貸款, 需要仔細把握風險, 避免壞賬。
在信息技術還沒有如今這么發達的時候，銀行大多數還是靠的客戶經理自身的經驗，謹慎但繁瑣的人工審批，這個環節的成本是很高的，而且人是很有可能犯錯誤的。為了解決這個問題數據挖掘被推到了業務前沿：一方面是可以自動化，用程序自動判斷客戶類型，自動評估貸款風險，從而降低成本；另一個方面是更加客觀，避免人的失誤, 排除主觀因素的影響。
實操展現：數據挖掘如何解決問題
以信用卡的業務問題為例, 我們來看下數據挖掘方法是怎么構建信用評估模型的。
首先，確定研究對象，這里我們分析的對象是信用卡/貸款申請人, 確定了申請人這個對象, 我們就能確定收集哪些數據。
第二，整理數據, 例如以下幾個方面，基本屬性：年齡、性別、學歷、職業、婚姻等；財務特征：月總收入、月還款占總收入比例等。另外還需要客觀體現申請人信用表現的特征，信用評估實際就是在預測申請人違約的可能性，實際的違約行為就是要整理的數據，例如逾期還款次數，最長逾期時間等。
第三， 數據預處理。在模型訓練之前，需要對數據進行處理，例如空值填充、異常值過濾、類型轉換、降維等。有的是
數據質量問題，有的是算法的要求。
第四，模型訓練。這里我們使用的是有監督學習算法，像神經網絡、支持向量機、邏輯回歸等。這些算法實際是在計算申請人的這些特征（自變量）和是否違約（因變量）直接具體的定量的相關性。這樣就能通過這些因變量預測申請人違約的可能性。
第五、模型評估。模型在使用之前肯定是要進行評估的。現在有很多的評估指標，例如正確率、準確率、召回率、ROC曲線等。根據模型的側重點，選擇合適的評估指標，得到最優模型。
最后，模型部署。模型是一個有預測的能力的程序，這個程序怎么運行，要看實際場景需求了，像銀行的預測并發性很高，而且要實時響應，所以很多都是將模型轉換成了評分卡，將模型的預測轉換成了數據庫查詢。現在實時流技術的發展，也能夠將模型部署到實時流中，實現模型的實時預測。這樣業務人員就能快速判斷申請人的信用情況。
結束語
技術是在不斷發展的，只要能夠獲取知識，數據挖掘并沒有局限于具體使用哪些技術方法。但是數據積累是需要時間的，在實際進行數據挖掘之前，我們更加深入的理解業務，明確收集哪些特征數據，并且做好數據規范，避免要用數據時才發現是臟數據，良好的數據質量也是數據挖掘成功的保障。億信華辰旗下的數據挖掘平臺：豌豆DM，深入洞察企業數據規律，充分挖掘數據潛在價值。我們相信數據挖掘技術會在金融行業找到更多的應用場景，持續發揮作用。
（部分內容來源網絡，如有侵權請聯系刪除）
