本發(fā)明涉及一種數(shù)據(jù)挖掘系統(tǒng)和方法。

背景技術(shù)：

當(dāng)今世界是一個信息化和數(shù)量化的時代，每天都有不計其數(shù)的數(shù)據(jù)在產(chǎn)生。目前，金融機(jī)構(gòu)為實現(xiàn)科學(xué)化管理決策，其許多業(yè)務(wù)活動(如客戶分析、投資決策、風(fēng)險管理、價格預(yù)測等)都越來越依賴于對大量歷史數(shù)據(jù)的分析。

數(shù)據(jù)挖掘則是一門能自動從大量數(shù)據(jù)中發(fā)現(xiàn)其隱藏的、有用的、令客戶感興趣的模式和規(guī)律并以簡潔、易于理解的形式為人們的決策提供信息的技術(shù)。其概念在1989國際人工智能聯(lián)合會議(IJCAI)上首次提出，立即引起國際上很多學(xué)者、機(jī)構(gòu)的重視。在90年代掀起了數(shù)據(jù)挖掘的研究熱潮，到目前，經(jīng)過十來年的努力，已取得很大進(jìn)展，并已成功應(yīng)用于許多行業(yè)。

金融風(fēng)險是金融活動的內(nèi)在屬性，其廣泛存在是現(xiàn)代金融市場的重要特征。20世紀(jì)70年代以來，由于放松管制與金融自由化、信息技術(shù)與金融創(chuàng)新活動等因素的影響，金融市場的波動性增強(qiáng)，金融體系的穩(wěn)定性下降。這對風(fēng)險管理的技術(shù)、方法的創(chuàng)新提出了越來越緊迫的要求?，F(xiàn)代信息技術(shù)在風(fēng)險管理中扮演的角色越來越重要。國際上的大型金融機(jī)構(gòu)都非常重視采用最新的信息技術(shù)，建立先進(jìn)的風(fēng)險管理系統(tǒng)和開發(fā)新的風(fēng)險管理方法。事實上，金融風(fēng)險的本質(zhì)在于金融活動中未來收益(損失)的不確定性，因而風(fēng)險管理的目的就是要如何度量，降低甚至消除各種不確定性。這又關(guān)鍵依賴于信息和知識的獲取。而從大量紛繁復(fù)雜的數(shù)據(jù)當(dāng)中獲取有意義的信息正是數(shù)據(jù)挖掘的本質(zhì)所在。

技術(shù)實現(xiàn)要素：

本發(fā)明目的是提供一種數(shù)據(jù)挖掘系統(tǒng)和方法，其能夠通過RFM模型和權(quán)重系數(shù)得到客戶價值得分和客戶響應(yīng)得分，從而從大量的數(shù)據(jù)中得到有用的信息。

本發(fā)明解決技術(shù)問題采用如下技術(shù)方案：一種數(shù)據(jù)挖掘系統(tǒng)，其包括：

數(shù)據(jù)管理服務(wù)器，其采用網(wǎng)頁爬蟲采集客戶金融數(shù)據(jù)，并存儲客戶金融數(shù)據(jù)，以及對所述客戶金融數(shù)據(jù)進(jìn)行預(yù)處理；

數(shù)據(jù)采集終端，用于向客戶提供操作平臺，實現(xiàn)客戶金融數(shù)據(jù)管理；

挖掘處理服務(wù)器，與所述數(shù)據(jù)采集終端和數(shù)據(jù)管理服務(wù)器連接，用于接受管理控制器的挖掘任務(wù)，調(diào)用挖掘工具，在指定的挖掘數(shù)據(jù)集上進(jìn)行挖掘并得到客戶價值得分和客戶響應(yīng)得分。

可選的，所述挖掘處理服務(wù)器包括：

RFM模型建立單元，用于建立金融領(lǐng)域適用的RFM模型；

權(quán)重系數(shù)確定單元，用于確定RFM模型中的各變量的權(quán)重系數(shù)；

客戶價值評分計算單元，用于計算客戶價值評分，其中所述客戶價值評分包括客戶價值得分和客戶響應(yīng)得分；

顯示單元，用于顯示上述客戶價值評分。

可選的，所述權(quán)重系數(shù)確定單元包括：

判斷矩陣構(gòu)造模塊，用于構(gòu)造判斷矩陣P；

特征向量W計算模塊，用于計算特征向量W；

特征根計算單元，用于計算上述判斷矩陣的特征根；

以及一致性檢驗單元，用于檢驗特征根和向量是否具備一致性。

本發(fā)明解決技術(shù)問題還采用如下技術(shù)方案：一種數(shù)據(jù)挖掘方法，其包括：

S10、建立金融領(lǐng)域適用的RFM模型；

S20、確定RFM模型中的各變量的權(quán)重系數(shù)；

S30、計算得到客戶價值評分，所述客戶價值評分包括客戶價值得分和客戶響應(yīng)得分。

可選的，步驟S10中，所述RFM模型中的變量包括：最近一次的投資時間，以R1表示；項目到期日期與當(dāng)前分析日期的時間間隔，以R2表示；累計得到的客戶最大可投資金額，以M1表示；客戶可追加投資額，以M2表示；頻次，以F表示。

可選的，所述步驟S20具體為：

S201、構(gòu)造判斷矩陣P；所述判斷矩陣P為3×3的矩陣，其元素a_ij表示第i行的變量相對于第j列的變量的重要程度，其中i為1,2,3；j為1,2,3；

S202、計算特征向量W；在上述判斷矩陣P的基礎(chǔ)上，計算每一行元素的乘積M_i；計算M_i的三次方根，得到W_i；對W₁、W₂和W₃通過公式做歸一化處理，得到向量W＝(W₁',W₂',W₃')；

S203、通過公式計算上述判斷矩陣P的特征根；式中，(PW)_i表示PW的第i個元素，且u＝3；

S204、一致性檢驗；計算當(dāng)CR值若小于0.1，則表明判斷矩陣P具有滿意的一致性，此時該特征向量W即是權(quán)重系數(shù)(a,b,c)。

可選的，客戶價值得分Sj＝a×M1+b×R1+c×F1；客戶響應(yīng)得分Sx＝a×M2+b×R2+c×F2。

本發(fā)明具有如下有益效果：本發(fā)明通過對客戶金融數(shù)據(jù)的采集和整理，然后對所述客戶金融數(shù)據(jù)進(jìn)行分析，通過RFM模型和權(quán)重系數(shù)得到客戶價值得分和客戶響應(yīng)得分，從而從大量的數(shù)據(jù)中得到有用的信息。

附圖說明

圖1為本發(fā)明的數(shù)據(jù)挖掘系統(tǒng)的結(jié)構(gòu)示意圖；

圖2為本發(fā)明的數(shù)據(jù)挖掘方法的流程圖；

具體實施方式

下面結(jié)合實施例及附圖對本發(fā)明的技術(shù)方案作進(jìn)一步闡述。

實施例1

本實施例提供了一種數(shù)據(jù)挖掘系統(tǒng)，基于計算機(jī)局域網(wǎng)，采用分布式結(jié)構(gòu)，并包括：

數(shù)據(jù)管理服務(wù)器，其采用網(wǎng)頁爬蟲采集客戶金融數(shù)據(jù)，并存儲客戶金融數(shù)據(jù)，以及對所述客戶金融數(shù)據(jù)進(jìn)行預(yù)處理；所述預(yù)處理包括：根據(jù)客戶金融數(shù)據(jù)計算每位客戶在生命周期內(nèi)累計的最大可投資金額(即下文M1，客戶最大可投資金額)、當(dāng)前在庫金額、最近一次項目到期日期(贖回日期)與當(dāng)前分析日期的時間間隔(即下文R2)以及填補(bǔ)最大可投資金額的缺失值(采用貝葉斯或線性回歸填補(bǔ)客戶累計最大投資額度)。其中，累計客戶最大可投資金額并非單純累加每次投資的金額，因為每次投資的金額中可能有上次到期的客戶投資回款。從而為整個系統(tǒng)提供挖掘基礎(chǔ)數(shù)據(jù)和應(yīng)用原始數(shù)據(jù)，根據(jù)具體情況需要，它與Internet和其它業(yè)務(wù)數(shù)據(jù)庫服務(wù)器相連。

數(shù)據(jù)采集終端，用于向客戶提供操作平臺，實現(xiàn)客戶金融數(shù)據(jù)管理、規(guī)則知識維護(hù)、應(yīng)用模型建立和模型應(yīng)用的維護(hù)控制命令的發(fā)布。本實施例中，所述數(shù)據(jù)采集終端通過P2P或者類似的投資網(wǎng)站以及金融產(chǎn)品展示網(wǎng)站，客戶通過注冊賬號并向網(wǎng)站中的賬戶進(jìn)行充值從而進(jìn)行投資行為，即向客戶提供操作平臺，并能夠通過客戶的投資行為獲得客戶金融數(shù)據(jù)；同時，所述數(shù)據(jù)采集終端也可以爬取其他相關(guān)網(wǎng)站數(shù)據(jù)，從而獲得客戶金融數(shù)據(jù)并進(jìn)行管理。所述規(guī)則知識維護(hù)為通過點擊量PV、獨立訪客UV、訪問率、注冊率、初投率、復(fù)投率、平均單客投資額的指標(biāo)維護(hù)平臺運營情況；所述應(yīng)用模型建立為按以上維度建立平臺運營模型，如平臺投標(biāo)業(yè)績＝PV×UV×(注冊人數(shù)/UV)×(投資人數(shù)/注冊人數(shù))×(投資總額/投資人數(shù))；所述模型應(yīng)用的維護(hù)控制命令的發(fā)布為通過對不同指標(biāo)正常范圍的控制來監(jiān)督平臺的運營情況，如某一指標(biāo)值得范圍超過其年度平均值3倍標(biāo)準(zhǔn)差時，需要認(rèn)定此指標(biāo)有異常。

挖掘處理服務(wù)器，與所述數(shù)據(jù)采集終端和數(shù)據(jù)管理服務(wù)器連接，用于接受管理控制器的挖掘任務(wù)，調(diào)用挖掘工具，在指定的挖掘數(shù)據(jù)集上進(jìn)行挖掘；并包括：

金融領(lǐng)域適用的RFM模型建立單元，用于建立金融領(lǐng)域適用的RFM模型；所述RFM模型中的變量包括：最近一次的投資時間，以R1表示；項目到期日期(贖回日期)與當(dāng)前分析日期的時間間隔，即按照業(yè)務(wù)數(shù)據(jù)庫信息，客戶投資響應(yīng)最強(qiáng)的時候是其已投資項目將要到期的時候，以R2表示；累計得到的客戶最大可投資金額，以M1表示；客戶可追加投資額，即客戶最大可投金額與當(dāng)前在庫金額的差，以M2表示；頻次，以F表示。

權(quán)重系數(shù)確定單元，用于確定RFM模型中的各變量的權(quán)重系數(shù)，采用AHP原理計算得到各變量的權(quán)重系數(shù)，例如a表示變量M1和M2的權(quán)重系數(shù)；b表示變量R1和R2的權(quán)重系數(shù)；c表示變量F的權(quán)重系數(shù)，其中，a+b+c＝1。

客戶價值評分計算單元，用于計算客戶價值評分，其中所述客戶價值評分包括客戶價值得分和客戶響應(yīng)得分，其中客戶價值得分Sj＝a×M1+b×R1+c×F1；客戶響應(yīng)得分Sx＝a×M2+b×R2+c×F2。

顯示單元，用于顯示上述客戶價值評分。

其中，所述權(quán)重系數(shù)確定單元包括：

判斷矩陣構(gòu)造模塊，用于構(gòu)造判斷矩陣P，其中所述判斷矩陣P為3×3的矩陣，其元素a_ij表示第i行的變量相對于第j列的變量的重要程度，其中i為1,2,3；j為1,2,3；例如所述判斷矩陣的第1行所表示的變量為R，其包括R1和R2；第2行所表示的變量為F；第3行所表示的變量為M，包括M1和M2；同時，第1列所表示的變量為R，包括R1和R2；第2列所表示的變量為F；第3列所表示的變量為M，包括M1和M2；當(dāng)i取1，j取2時，即a₁₂其所表示的含義為變量R相對于變量F的重要程度；同樣地，a₁₃表示變量R相對于變量M的重要程度；a₂₃表示變量F相對于變量M的重要程度；a₂₁為a₁₂的倒數(shù)，a₃₁為a₁₃的倒數(shù)，a₃₂為a₂₃的倒數(shù)；a₁₁、a₂₂和a₃₃均為1。

特征向量W計算模塊，用于計算特征向量W。本實施例中，在上述判斷矩陣P的基礎(chǔ)上，計算每一行元素的乘積M_i，i為1,2,3。計算M_i的三次方根，得到W_i；對W₁、W₂和W₃做歸一化處理，即得到向量W＝(W₁',W₂',W₃')。

特征根計算單元，用于計算上述判斷矩陣的特征根，本實施例中，所述特征根式中，(PW)_i表示PW的第i個元素，且u＝3，其中：

以及一致性檢驗單元，用于檢驗特征根和向量是否具備一致性。

實施例2

本實施例提供了一種數(shù)據(jù)挖掘方法，其可以使用實施例1所述的數(shù)據(jù)挖掘系統(tǒng)，也就是說，利用網(wǎng)頁爬蟲采集客戶金融數(shù)據(jù)，并利用金融領(lǐng)域適用的RFM模型對采集到的客戶數(shù)據(jù)字段進(jìn)行優(yōu)化，再對優(yōu)化后的數(shù)據(jù)字段進(jìn)行權(quán)重處理，并得到客戶價值得分和客戶響應(yīng)得分。具體而言，其包括以下步驟：

S10、建立金融領(lǐng)域適用的RFM模型。

本實施例中，為獲得客戶的金融數(shù)據(jù)，可以采用網(wǎng)頁爬蟲采集客戶金融數(shù)據(jù)，并將其存儲于數(shù)據(jù)管理服務(wù)器。本實施例中，所述數(shù)據(jù)管理服務(wù)器可以用于實現(xiàn)客戶金融數(shù)據(jù)的采集、存儲、預(yù)處理和檢索，為整個系統(tǒng)提供挖掘基礎(chǔ)數(shù)據(jù)和應(yīng)用原始數(shù)據(jù)，根據(jù)具體情況需要，它與Internet和其它業(yè)務(wù)數(shù)據(jù)庫服務(wù)器相連。

有別于現(xiàn)有技術(shù)，重新定義所述RFM模型中的各變量，例如，所述RFM模型中的變量包括：最近一次的投資時間，以R1表示；項目到期日期(贖回日期)與當(dāng)前分析日期的時間間隔，即按照業(yè)務(wù)數(shù)據(jù)庫信息，客戶投資響應(yīng)最強(qiáng)的時候是其已投資項目將要到期的時候，以R2表示；累計得到的客戶最大可投資金額，以M1表示；客戶可追加投資額，即客戶最大可投金額與當(dāng)前在庫金額的差，以M2表示；頻次，以F表示。

S20、確定RFM模型中的各變量的權(quán)重系數(shù)。

本實施例中，可以采用AHP原理計算得到各變量的權(quán)重系數(shù)，例如a表示變量M1和M2的權(quán)重系數(shù)；b表示變量R1和R2的權(quán)重系數(shù)；c表示變量F的權(quán)重系數(shù)，其中，a+b+c＝1。

S30、計算得到客戶價值評分。

所述客戶價值評分包括客戶價值得分和客戶響應(yīng)得分，其中客戶價值得分Sj＝a×M1+b×R1+c×F1；客戶響應(yīng)得分Sx＝a×M2+b×R2+c×F2。

S40、將上述客戶價值評分在顯示單元上顯示。

通過將上述客戶價值評分顯示在顯示單元上，能使得操作者對客戶進(jìn)行直觀的了解，從而可以針對不同的客戶指定不同的銷售策略，例如：同一客戶的客戶價值得分為77.5，但投資響應(yīng)得分很高，說明這個客戶雖然客戶價值不太高但是投資意向比較強(qiáng)烈，需要針對這種類型客戶有策略營銷。

在上述步驟中，所述步驟S20具體可以為：

S201、構(gòu)造判斷矩陣P；

本實施例中，所述判斷矩陣P為3×3的矩陣，其元素a_ij表示第i行的變量相對于第j列的變量的重要程度，其中i為1,2,3；j為1,2,3；例如所述判斷矩陣的第1行所表示的變量為R，其包括R1和R2；第2行所表示的變量為F；第3行所表示的變量為M，包括M1和M2；同時，第1列所表示的變量為R，包括R1和R2；第2列所表示的變量為F；第3列所表示的變量為M，包括M1和M2；當(dāng)i取1，j取2時，即a₁₂其所表示的含義為變量R相對于變量F的重要程度；同樣地，a₁₃表示變量R相對于變量M的重要程度；a₂₃表示變量F相對于變量M的重要程度；a₂₁為a₁₂的倒數(shù)，a₃₁為a₁₃的倒數(shù)，a₃₂為a₂₃的倒數(shù)；a₁₁、a₂₂和a₃₃均為1。所構(gòu)造的判斷矩陣P如表一所示：

表一：判斷矩陣P

S202、計算特征向量W。

在上述判斷矩陣P的基礎(chǔ)上，計算每一行元素的乘積M_i，i為1,2,3。

計算M_i的三次方根，得到W_i；

對W₁、W₂和W₃做歸一化處理，即得到向量W＝(W₁',W₂',W₃')。

S203、計算上述判斷矩陣的特征根；

所述特征根式中，(PW)_i表示PW的第i個元素，且u＝3，其中：

S204、一致性檢驗。

因為在專家打分的時候，尤其是因子比較多時，容易思維邏輯上發(fā)生錯誤，會將重要性等級弄混。為了防止這種情況發(fā)生，用因子兩兩相比的方法進(jìn)行評分，然后再對這種評分進(jìn)行等級一致性檢驗，以保證邏輯上的正確性。也就是是說為判斷專家打分是否有邏輯性錯誤，需要對上述特征根和向量進(jìn)行一致性檢驗，本實施例中，所述一致性檢驗的具體步驟為：

計算其中R.I.為平均隨機(jī)一致性指標(biāo),通過矩陣階數(shù)對照表查值得到，對照表如下：

當(dāng)CR值若小于0.1，則表明判斷矩陣P具有滿意的一致性，此時該特征向量W即是權(quán)重系數(shù)(a,b,c)。

本實施例中，構(gòu)建判斷矩陣P中的參數(shù)時，兩個變量相比之間的重要程度可以被定義為：當(dāng)兩個變量同樣重要時，取值為1；當(dāng)前者比后者稍重要時，取值為3；當(dāng)前者比后者明顯重要時，取值為5；當(dāng)前者比后者極其重要時，取值為7；當(dāng)前者比后者強(qiáng)烈重要時，取值為9；其中在上述各取值之間可以設(shè)置2/4/6/8表示相鄰判斷的中間值。

以上實施例的先后順序僅為便于描述，不代表實施例的優(yōu)劣。

最后應(yīng)說明的是：以上實施例僅用以說明本發(fā)明的技術(shù)方案，而非對其限制；盡管參照前述實施例對本發(fā)明進(jìn)行了詳細(xì)的說明，本領(lǐng)域的普通技術(shù)人員應(yīng)當(dāng)理解：其依然可以對前述各實施例所記載的技術(shù)方案進(jìn)行修改，或者對其中部分技術(shù)特征進(jìn)行等同替換；而這些修改或者替換，并不使相應(yīng)技術(shù)方案的本質(zhì)脫離本發(fā)明各實施例技術(shù)方案的精神和范圍。