当前位置 : 网站首页 > 新闻中心

2019

11-04


来源:

浏览: 0

作者:

浅谈数据仓库及其在商业银行中的应用
浅谈数据仓库及其在商业银行中的应用姜丽,宋宝丽(西安统计学院信息系,西安710061,深圳市劳动局,广东深圳518001) ,该技术的应用特点和应用重要性。近年来,在金融领域,数据仓库技术和数据挖掘技术得到了越来越多的讨论。本文讨论了诸如数据仓库和数据挖掘及其在商业银行中的应用等问题,以供相关人员参考。 (1)数据仓库技术产生的客观条件。 DataWarehouse技术的产生和应用主要由对计算机技术应用程序的需求驱动。数据库技术的飞速发展与在线交易处理OLTP(在线应用需求的提升)息息相关。商业银行中广泛使用的城市综合网络系统属于该系统。在线交易处理的技术要求是快速响应。但是,计算机用户不满意。计算机可以帮助他们快速处理特定业务。相反,他们必须从大量的业务数据中探索业务活动的规律性和市场的运营趋势,并为他们参与市场竞争做出重要决策。决策支持系统DSS(DecisionSupportSystem)的要求。支持决策需要数据分析,这导致需要在线数据分析和处理OLAP(OnLineAnalysisProcess)。最早的决策支持基于直接在数据库中使用的数据。称为ROLAP,它直接使用关系数据库的数据进行在线分析处理。当ROLAP仅使用几个关系数据库表时,此操作是可行的。但是,面向市场的决策通常涉及整个企业域中的数据。信息。为了同时启动大量数据库表,ROLAP似乎无能为力。另外,OLTP系统中数据的一个显着特征是数据库表中的记录(数据)总是被修改,添加,删除等。支持决策基础的是一些不变的数据。可以看出,将OLTP系统中的数据直接用于决策支持数据的分析和处理会造成问题,甚至难以实现。为了满足此需求,应将其装运。第二是数据仓库技术。 (2)数据仓库。对于数据仓库,授权机构将其定义如下:数据仓库是面向主题的,集成的,稳定的,并且会不断更改数据以支持管理决策。数据结构的一种形式。该定义指出了数据仓库和事务处理系统之间的主要区别。简而言之,数据仓库是一个中间查询工具,数据仓库在海量的业务运营数据中过滤了大量信息。仓库不会重写原始数据,因此不存在任何现有业务数据。数据仓库正在访问数据以实现信息查询,而查询分析仅显示隐藏的信息。统计和信息论坛数据仓库的目标是为制定管理决策提供支持信息,这与OLTP系统的快速响应要求明显不同。正如企业出于发展目的需要重组其业务一样,为了支持管理决策,OLTP系统中的数据也必须根据决策业务主体的要求进行重组,并且应该根据不同的决策进行组织。制作和分析内容,以方便使用。从用户的角度来看,主题模型是一种多数据重组结构。重组数据结构之后,在将数据加载到数据仓库之前,首先要执行数据转换或集成处理。数据仓库通常按周,月或每月定期从OLTP系统更新数据。由于数据周期的稳定性,数据仓库可以减少许多传统的关系数据库管理系统的资源消耗,例如记录锁定机制,完整性y检查,操作日志,检查点/返回(R Ollback)等。数据仓库的数据组织通常是多维时间段结构(例如,2000年每个月底的储蓄存款余额)。该数据结构用于在一定时间内对大量事件进行定量分析,并得出相应的结论。本质上,数据仓库的目标是从OLTP系统中筛选出决策所需的支持数据,然后在决策过程中获取有用的信息。这种用于分析的时变数据也可以被预先汇总为决策支持使用的摘要数据的多个级别,从而不需要在常规决策操作中临时执行基本数据的摘要处理。完整的数据仓库通常包括三个部分:数据仓库的管理,组织和决策支持信息表示。 (3)数据挖掘。随着数据仓库的出现,数据挖掘技术也已经提出并成熟。在企业中,越来越多的数据被计算机系统处理和累积。甚至建设银行陕西省分行等单位也拥有数百GB的数据。商业银行中计算机应用系统的成功运行为商业银行的各种业务运营提供了支持。如城市综合网络系统,总账传输系统,资金清算系统,信贷系统,人员管理系统。但是,从公司的角度来看并想进一步分析时,我们会发现数据过于分散,数量越来越大,难以整合。就像美国数据挖掘技术的先驱Gregory Piatetsky Shapiro一样,他开玩笑说,他曾希望计算机系统能够成为我们智慧的源泉,但是数据挖掘技术的泛滥却是帮助人们从这些数据泛滥中进行挖掘。与业务决策有关的信息。美国银行的首席信息官将数据挖掘描述为获取深度信息的一种方式。美国SAS软件研究院将数据挖掘定义为一种先进有效的方法,可根据既定的业务目标探索大量企业数据,揭示其规律性并进一步建模。数据仓库的建立为进一步有效的数据挖掘提供了基础。数据的探索和挖掘必须首先具有明确的业务目标,并且业务目标将确定后续数据挖掘过程的各种操作并指导操作方向。尽管数据挖掘的业务目标在此过程中并非不可更改,但应在工作过程中进一步加以阐明,但基本原则应稳定且不便,否则数据挖掘工作将难以有效进行。用于数据挖掘的大量企业数据通常是指根据数据仓库的概念重组的数据。因为数据仓库中的数据可以最有效地支持数据挖掘。 (4)数据仓库技术在商业银行中的应用。该范围适用于商业银行的某种业务应用。通常,针对单个应用程序的数据重组工作相对容易。该范围的应用程序通常仅锁定一个系统平台,而不会跨越不同的系统,例如FirstHawaiian Bank引入银行利润分析应用程序软件包(Tser)作为银行中数据仓库技术的切入点,效果比较理想。第二个范围是某些类型的银行活动。数据仓库技术通常用于分析不同银行产品的盈利能力和风险。此阶段的工作主要是整合不同的银行数据以建立全面的信息和记录。通常,此阶段可以解决单个应用程序无法解决的问题,但是它需要大量的信息技术人员,并且需要从不同的系统平台提取数据。由于[计算机应用]姜力,宋宝利:谈论数据仓库及其应用在商业银行中的数据量和复杂性相对较难控制,通常要求要求专业软件或工具的支持。此分析阶段通常用于具有高市场价值和高投资回报率的银行活动,以创建新的营销活动和营销工具。第三个领域是建立完整的银行数据仓库,扩展到许多银行业务。建立全银行数据仓库是商业银行的高级应用目标。银行的数据仓库完成后,就可以由银行的产品开发部门,销售计划部门和业务运营部门进行分析。数据的深度可以是银行产品或某种类型的帐户和商业客户的形式。另外,在这个阶段,银行将发现当前系统中的大量数据冗余,以及各个业务部门的数据格式规定不一致。通过分析决策,您可以帮助商业银行清除错误信息和重复信息。整个银行的数据仓库的概念非常令人愉快,但是实现起来很困难。一些美国商业银行实施了全银行数据仓库,发现实施效果不如预期。数据仓库和数据挖掘应用程序的有效性与设计人员和用户的个人素质密切相关。这涉及很多创造性的工作。从西方发达国家的情况来看,该领域缺乏专业技术人员和组织管理人员是阻碍该技术应用的主要因素之一。从商业银行的实际情况分析来看,我们认为可以使用数据仓库技术从以下几个方面为我们服务。 (1)利用数据仓库控制信用风险。信用风险管理主要包括:风险识别,风险度量,风险管理工具选择和效果评估。整个过程中涉及的信息包括与商品的市场状况,行业现状,行业发展,企业管理,人员,财务状况等相关的一系列内容。信息的复杂性导致了人工评估和管理将大大增加。现有的银行信贷系统通常是业务运营系统,尚未为决策分析应用程序建立。数据的集成,完整性,可访问性和可分析性难以满足信用风险分析的需求。为此,可以建立一组独立于业务系统的数据仓库,以专门解决信用分析和风险管理问题。 (2)使用数据仓库进行异地审核。异地审计是一种在现代信息处理和交付方法下迅速发展的审计监督方法。它不断,全面地分析审计对象的数据和数据,及时发现审计对象的问题,评估审计对象的风险状况,为现场审计提供线索和材料,并为审计工作的发展提供支持。审核计划。它在审计的全面性,及时性,成本和效率方面具有明显的优势。异地审核的主要工作是发现问题和风险评估。异地审核获得的数据涵盖了业务的各个方面。以商业银行为例,场外审计使用的数据包括多种系统,例如总账转账,信贷管理,资本计划和人事管理。现有的业务系统无法满足用于及时,连续,全面的测试和分析的异地审核的要求。我们可以使用数据仓库技术来建立一组专用于异地审核的计算机系统,以实施异地审核。 [参考文献]北京:电子工业出版社,2000。数据仓库分析,组件实用指南[M]。北京:机械工业出版社,2000。
分享到: