銀行貸款逾期預測數據挖掘

㈠ 個人信貸數據的數據集，用於數據挖掘分析

數據挖掘，就是沒有數據集合的。
數據挖掘現在最成功的案例（傳播的比較廣）就是啤酒+尿不濕的組合，你覺得這個集合合理么？
如果真要說數據集合只能是大集合，比如「快消品集合」，只能這么說。

㈡ 貸款逾期60天銀行應該採取什麼模型

貸款逾期60天，那麼銀行會給貸款人打電話，讓貸款人還款，如果貸款人長時間不還款的情況下，銀行有可能會採取法院訴訟的方式。

關於貸款逾期。

貸款逾期有短期，也有長期，因逾期的時長不同，後果也不一樣。可大多數人對貸款逾期卻又存在諸多認知誤區，直到釀下嚴重後果才發現悔之晚矣！

貸款短期逾期及後果
不同資金機構對短期逾期的時間界定有所不同。針對短期逾期，各機構一般不會採取強制手段，會進行還款提醒及催收，其後果是：

1、高額罰金和違約金

貸款逾期後，還款時除了要歸還利息和本金外，還需要繳納高額罰息和違約金。

2、留下個人徵信污點

徵信報告上會留下逾期記錄，即便還款後，逾期記錄也會保留5年。逾期記錄將會影響逾期者後續幾乎所有金融活動。

3、收到簡訊電話催收

放款機構會不間斷地發簡訊、打電話對逾期資金進行催收，告知借款人逾期的嚴重後果，責令借款人限期歸還逾期本息。

貸款長期逾期及後果
一般來說，逾期超過90天會被放款機構視為惡意逾期。銀行針對超過90天以上的惡意逾期，無論數額大小，都可以起訴追收。法院判決後，向社會公布失信被執行人（老賴）信息，限制其高消費、限制乘飛機高鐵等。

由於現在監管局越來越嚴格，網貸平台也越來越規范加嚴格，不少網貸現在都是上徵信的，所以徵信記錄是各位借款人都很關心的問題，今天我就來給大家科普一下網貸徵信的知識，希望對大家有所幫助。

一．網貸徵信記錄處理非常「人性化」；

網貸徵信相比傳統銀行要人性化很多，也就是會給因一時疏忽的非故意逾期，一定的寬限時間，但如果你長時間拖欠，就會很容易存在借款人的污點記錄，這在徵信體系中也是有重點提醒，對個人影響十分嚴重！

二．銀行貸款違約不良徵信記錄保存期限5年

根據《徵信業管理條例》規定，徵信機構對個人不良信息的保存期限，自不良行為或者事件終止之日起為5年。不良記錄在還清本息、違約金之後，超過5年，其它銀行將查詢不到。值得注意的是，目前信用污點仍會一直保存，直至貸款結清。所以大家一定要珍惜自己的信用記錄。

三．信用卡逾期不良信用記錄保存期限2年

信用卡還款信息會被央行徵信系統滾動記錄24個月，如果銷卡，記錄會長時間保存下來。因此，建議信用卡用戶還清欠款後繼續用卡兩年，期間保持信用良好，就能靠滾動記錄把不良記錄從徵信系統里去掉。

以上三種都是建立在短期違約的情況下，如果逾期太久，逾期信息已被上傳到人行，那就還清債務，等待5年之後系統自動消除吧。

㈢ 銀行貸款逾期

事實上，如果銀行貸款逾期了，沒有必要太多擔心，因為有時資金周轉不佳，很多人不能保證自己能按時償還貸款。如果過期了，銀行會給你一個寬限期，一般是90天。無論是信用卡還是其他貸款項目，都會有一些罰款。只要罰款和利息得到償還，就不會對信用報告造成太大影響。
貸款逾期通常指現象，貸款到期後，借款人未能歸還貸款本金和利息，銀行發放貸款按照貸款期限約定的貸款合同沒有經歷相關的擴展過程，從而導致貸款超過約定的期限。
根據《合同法》的有關規定，借款人未按照約定的借款合同期限歸還借款的，屬於違約行為，應當承擔違約責任。違約責任的承擔方式包括歸還借款本金、支付合同約定的借款期間的利息和支付逾期部分的利息。因當事人在借款合同中有明確約定，在合同約定的借款期間返還借款本金和支付利息一般無爭議;至於逾期貸款的一部分的利益，什麼標准借款人應支付的時候，不僅有偉大的當事人之間的糾紛，而且應用的標准法官在決定這種情況下不均勻，從而影響法律的權威。律師認為有必要把這個問題整合起來，讓大家的理解統一起來。
銀行投資於此類貸款的資金將來可能會收回，也可能不會收回。損失的可能性很大。對於這類貸款，商業銀行通常收取違約金。逾期貸款是銀行的問題資產，因此商業銀行應保持較高的資本准備金率，一般為50%。
拓展資料：還款賬戶因資金不足部分逾期:這種情況下，只需立即補上逾期賬戶，建議下次還款時多存一點資金。需要注意的是，無論是全部逾期還是部分逾期，一旦確認逾期，都會包含在信用報告中。
因客觀原因逾期:如出差不能存、轉帳匯款退回、遺忘押金等，發現逾期後需立即還款，設置便函和催單可避免忘記還款。在這種情況下，逾期也會被記錄在信用報告中。
立即臨時資金短缺，無力償還:立即向親友解釋情況，請求協助，盡快償還，因為貸款逾期通常會招致罰款利息、逾期的時間越長，將支付更多的資本成本，更大的負面影響下銀行貸款。

㈣ 大數據徵信與銀行風險控制創新

大數據徵信與銀行風險控制創新

數據將是未來銀行的核心競爭力之一,這已成為銀行業界的共識。在大數據時代，銀行所面臨的競爭不僅僅來自於同行業內部，外部的挑戰也日益嚴峻，互聯網、電子商務等新興企業在產品創新能力、市場敏感度和大數據處理經驗等方面都擁有明顯的優勢。在此形勢下，利用大數據徵信創新和提高銀行的風險把控也逐漸成為業界關注與探討的重要話題。

銀行業在風險控制中的不足之處

普華永道發布的《2015年中國金融及銀行業展望》指出，截至2014年第三季度末中國的商業銀行不良貸款總額上升36%，達到7670億元人民幣，是四年來的高點。預計2015年不良貸款上升的趨勢將持續。上述數據的背後，除了經濟下行導致的逾期風險上升的原因之外，銀行在風險控制中存在漏洞與缺陷也是重要原因。

信息不對稱與貸款欺詐

隨著P2P、小貸等民間借貸的興起，借款人越來越容易通過非銀行途徑獲得貸款。而民間借貸機構無須向人民銀行上報數據，非銀行體系的貸款申請情況、負債情況和逾期情況等信息不清晰、不透明、無法提前預知的矛盾愈發突出，往往到了借款人逾期甚至失聯，銀行才被動了解到借款人在民間借貸領域的部分歷史逾期借貸情況或負債過高等不良行為信息。

貸款欺詐問題也是銀行面臨的另一個問題，尤其是在信用卡領域和部分運用信貸工廠模式運作的貸款產品。銀行固化的發卡審核流程以及信貸工廠運作模式已經不再是秘密。目前信用卡、貸款的包裝、組團欺詐騙貸的情況屢見不鮮，尤其是在信用貸款領域，約有60%的信用貸款來自於欺詐，這其中有一半以上是由於身份造假和資料包裝。在數據維度不全面的情況下，銀行等放貸機構由於沒有第三方大數據支持，缺乏充分和有效的交叉核驗手段，容易被組團騙貸者鑽空子。

信息不及時與貸後風險防範

信息獲取的不及時也給銀行在貸後風險管理中帶來了不同程度上的麻煩。例如，銀行往往希望第一時間知道一家企業客戶在獲得貸款後是否面臨新的法律訴訟，但是大多數銀行使用的方式僅僅是依靠信貸經理不定期手動查詢當地法院網站的方式獲取信息，這當中存在著巨大的不確定性，一旦信貸經理忘記查詢或者操作失誤，貸後司法訴訟監控工作將形同虛設。這還不包括持續監控該客戶在民間借貸中的申請情況、負債情況和逾期情況等風險點。銀行在貸後風險防範過程中的手段和效率都極大地制約了銀行風險控制的效果。

成本和效率的矛盾

為了解決信息不對稱的問題和信息獲取不及時的問題，銀行往往需要採集大量的數據來輔助判斷。但是數據採集的過程中通常運用的方法是要求借款人或企業補充提供大量的資料，這個過程中涉及到大量的人工成本和時間成本。而為了提高效率，需要搭建一套能夠實現部分數據的自動採集，同時需要自動化程度較高的後台管理系統，但是這必須組建專門的工程師團隊和進行大量的IT開發工作，對不少中小銀行來說也是一個沉重的負擔。

大數據徵信與貸款風險控制

大數據徵信產業的興起

2015年1月，中國人民銀行發印發了《關於做好個人徵信業務准備工作的通知》，要求芝麻信用管理有限公司、騰訊徵信有限公司、拉卡拉信用管理有限公司等八家機構做好為期六個月的個人徵信業務准備工作。這意味著，這八家機構或將成為我國首批商業個人徵信機構。由此，正式拉開了大數據徵信產業的序幕，個人徵信市場成長空間已經打開。基於美國個人徵信市場達600億美元的規模，考慮到我國人口基數的龐大，未來發展成熟之後我國的個人徵信市場空間很可能達到1000億元規模。

值得注意的是，大數據徵信成為了互聯網巨頭的必爭之地。除了阿里巴巴和騰訊，網路、京東金融、小米金融、360金融等互聯網公司也表示將打造互聯網徵信系統，並有意申請第二批個人徵信牌照，部分機構已經向人民銀行提交了申請。互聯網公司的高調介入表明，一方面互聯網公司的創新特性和快速擴張特性給傳統徵信領域帶來了新的活力和機遇，另一方面互聯網公司各自不同的大數據優勢和應用場景優勢，將使得徵信市場的競爭日趨白熱化。
國內大數據徵信產業發展趨勢

各類大數據公司介入大數據徵信市場，使數據維度和種類相比兩年前有了極大的豐富。特別是伴隨著移動互聯網時代興起，圍繞著移動上網設備信息、地理位置信息、運營商信息的大數據公司和大數據服務層出不窮，並開始運用在P2P的貸款審核和交叉核驗流程中。但是，數據的來源和有效性依然制約著大數據徵信產業的發展，目前行業依然處於早起的探索階段，尚未有成熟的「殺手級」應用工具出現。

信息孤島依然存在。信息孤島是目前制約國內信貸行業發展的重要因素。信息不對稱、不透明，帶來了大量的多頭負債風險和欺詐風險。在國內大數據徵信產業興起時，市場對於消除信息不透明、打破信息孤島寄予極大的期待。從目前行業的發展情況來看，信息孤島在短期內無法完全消失。

首先，公共事業繳費、固定資產、社保、居住等與貸款風險控制息息相關的信息，依然歸屬於相關政府部門。雖然工商、司法等信息已經向社會開放，但是政府信息開放程度依然較低，這將是一個長期而復雜的過程。

其次，掌握大量公民信息的互聯網公司相互之間難以產生信息互通。目前國內社交數據、電商數據、地理位置數據、搜索數據、移動設備使用行為數據等互聯網信息分別集中於阿里、網路、騰訊、京東、360等互聯網巨頭手中，這些公司在跑馬圈地的過程中存在著大量的競爭關系，數據互通、信息共享在目前看來可能性極低。

最後，徵信公司之間的信息也難以互通。徵信公司的核心競爭力在於擁有自己獨有的信息。作為直接競爭對手，徵信公司之間不可能用自己的核心數據去提升競爭對手的競爭力。可以說，一方面徵信公司致力於解決信息不對稱，另一方面徵信公司也在構建數據壁壘。

應用場景逐漸豐富，組合信用評估或成主流。放眼徵信行業較為發達的美國，徵信報告的運用早已不僅限於金融領域，例如招聘、租房、租車、相親等行業和領域都需要使用個人徵信報告。隨著「互聯網+」的推動、大數據概念的提出以及P2P互聯網金融的發展，目前國內的徵信公司也在應用場景的豐富性上進行著探索和嘗試。

從國內大數據徵信行業的發展現狀來看，由於信息孤島、數據不完全共享的現狀將長期存在，當行業發展到一定階段，將會產生組合式的信用評估。譬如要求當事人同時出具多家機構的信用報告，從社交、電商、招聘、瀏覽行為、地理位置等不同角度對當事人做出全息用戶畫像，判斷其綜合情況。這是因為單方面的信用評估已不能全面評價一個人，必須發揮出各家大數據徵信公司的信息優勢才能全面評價。

大數據徵信在貸款風險領域的應用案例

反映電商信用行為的芝麻信用。芝麻信用基於阿里巴巴的電商交易數據和螞蟻金服的互聯網金融數據，並與公安網等公共機構以及合作夥伴建立數據合作，數據涵蓋了信用卡還款、網購、轉賬、理財、水電煤繳費、租房信息、住址搬遷歷史、社交關系等等。芝麻信用以芝麻分來直觀呈現信用水平，主要包含了用戶信用歷史、行為偏好、履約能力、身份特質、人脈關系五個維度，從950～350分劃分為5個等級，分數越高代表信用程度越好，違約可能性越低。芝麻徵信還出具個人信用報告，其主要由央行徵信中心負責提供，記錄了個人基本信息、貸款信息、信用卡信息和信用報告查詢記錄等。

反映互聯網社交行為的騰訊徵信。騰訊徵信的數據更多的是社交數據，其徵信產品有兩大類別：一是反欺詐產品，包括人臉識別和欺詐評測；二是信用評級產品，包括信用評分和信用報告。騰訊徵信反欺詐產品的主要服務對象包括銀行、證券、保險、消費金融、小貸、P2P等商業機構，它能幫助企業識別用戶身份，防範涉黑賬戶或有組織欺詐，發現惡意或者疑似欺詐客戶，避免資金損失。對於之前沒有個人徵信報告的藍領工人、學生、個體戶、自由職業者等用戶，騰訊通過他們使用社交、門戶、游戲、支付等服務，通過海量數據挖掘和分析技術來預測其風險表現和信用價值，為其建立個人信用評分。

反映借款人風險的好貸雲風控。好貸雲風控是好貸網和全球最大的個人信用評分機構FICO（費埃哲）共同打造的大數據風控平台，整合徵信公司、司法數據、工商數據、消費數據等重要數據源頭，構建了金融貸款機構風控所需全行業各領域的風險資料庫，同時包括反欺詐風險名單庫、重大風險識別名單庫、貸款申請記錄名單庫的數據，合計已超過7000萬條。多達6000多個維度的資料庫不僅能有效補足貸款機構本地的資料庫，還能協助其大幅提高反欺詐識別和信用風險識別能力，同時結合FICO的信貸決策引擎為信貸機構提供服務。金融機構不用再投入巨資自建系統，不用花巨大精力和成本尋找各種風控數據。

銀行風險控制與大數據徵信的結合

大數據難以解決所有問題，但可以作為有效的工具。大數據能為信貸行業帶來什麼價值？筆者的判斷是：大數據在未來一段時間，仍無法解決信貸風控中的所有問題；或者說單純依靠大數據進行信貸風控、審批全流程的貸款種類還很有限。

但是，大數據已經可以解決信貸行業的一部分問題，並且將發揮越來越重要的作用。比如，大數據在進行反欺詐識別、風險動態監測、用戶行為分析、用戶畫像等領域，都已經有了越來越多的運用。銀行機構應當擁抱大數據，敢於和善於運用大數據輔助進行風險把控。
通過大數據，將民間借貸信息對銀行透明化。銀行機構通過大數據徵信的數據，可以了解借款人在民間借貸的信息。目前大數據徵信公司提供的民間借貸相關信息主要包含黑名單信息、貸款申請信息和被查詢信息。以好貸雲風控為例，其包含了各家徵信公司的黑名單信息以及好貸雲風控平台整合的數十家P2P平台的黑名單信息，同時也包含了好貸網的1000萬條貸款申請記錄和每個星期增加一倍的被查詢信息。這些信息都從側面反映了借款人的民間借貸情況。通過大數據徵信，將能夠使民間借貸信息對銀行機構越來越透明，識別出更多的民間借貸風險，更好地進行貸款審核和反欺詐識別。

豐富數據維度，提升對信用檔案客群風控能力。2014年，美國政策與經濟研究委員會（PERC）對於非金融信息（也成為替代性信息）在信貸決策中作用的研究表明：諸如水、電、煤、有線電視、手機等非金融信息納入徵信系統，顯著地提高了信用檔案在案人群的信貸獲得能力。

目前不少銀行逐步認識到已經納入銀行傳統資料庫的信息量並不豐富和完整，開始積極與第三方大數據徵信公司頻繁接觸與接洽合作，如客戶信息、銀行擁有客戶的基本身份信息等。但客戶其他的信息，如性格特徵、興趣愛好、生活習慣、行業領域、居住狀況等卻是銀行難以准確掌握的；另一方面對於多種異構數據的分析是難以處理的，如銀行有客戶的資金往來的信息、網頁瀏覽的行為信息、服務通話的語音信息、營業廳、ATM的錄像信息，但除了結構化數據外，其他數據無法進行分析，更談不上對多種信息進行綜合分析，無法打破「信息孤島」的格局。通過與第三方大數據徵信公司的合作，盡力彌補自身在獲取信息維度以及數據挖掘和分析能力方面的不足。

綜上，筆者認為，在互聯網時代和大數據時代的背景下銀行如欲進一步加快轉型的步伐、實現誠信社會與普惠金融的願景、肩負信用風險管理重任，就要在信息使用、貸前調查、貸中監控等風險控制方面藉助互聯網的優勢，擁抱大數據徵信，充分利用內外各種信息做好客戶徵信和增信，進一步提高對風險的控制和管理水平，才能立於不敗之地。

以上是小編為大家分享的關於大數據徵信與銀行風險控制創新的相關內容，更多信息可以關注環球青藤分享更多干貨

㈤ 貸款買房前的必做事項：查詢你的個人信用

貸款買房的時候很多人都碰到了銀行不予放貸的情況，除了開發商方面的原因，就是自身信用問題了。小編在此提醒各位，在貸款買房前一定要查詢個人信用記錄，別到時候交了買房定金卻貸不到款。

2015年1月5日，央行在官網上發布了《關於做好個人徵信業務准備工作的通知》，要求芝麻信用、騰訊徵信、深圳前海徵信、鵬元徵信、中誠信徵信、中智誠徵信、拉卡拉信用、北京華道徵信等八家機構做好個人徵信業務的准備工作。此時就意味著央行將通過數據挖掘和分析來預測其風險表現和信用價值，建立個人信用檔案。

徵信中心能不能修改數據？

個人信用徵信是指依法設立的個人信用徵信機構對個人信用信息進行採集和加工，並根據用戶要求提供個人信用信息查詢和評估服務的活動。通俗地說，就是銀行等用戶需要了解個人的信用情況，以此作為借貸等業務的依據，由此就需要專業機構依法對個人信用信息進行採集、整理、加工，為用戶提供個人信用查詢與評估服務。

目前一般的商業銀行對個人信用都以逾期還款6次或以上，來作為個人是否有不良信用記錄的節點。如工商銀行對個人消費貸款最近24個月內，當前逾期期數六次或以上的將不給予貸款。建設銀行規定分期還款拖欠貸款本金或利息連續3期(含)或累計6期(含)以上的，不給予貸款等。對於徵信系統的不良記錄，每家銀行有不同的測評標准。最後根據信用評分區間，決定是否發放貸款。

央行徵信中心發布的報告指出，個人徵信報告的數據由放貸機構直接報送，徵信中心匹配整合同一個人來自不同機構的數據。如果數據發生錯誤，放貸機構將直接修改並重新報送，徵信中心不能自行修改、刪除數據。

央行方面表示，徵信數據從放貸機構的櫃台到徵信系統，過程長、環節多，所以可能會出現錯誤。如果市民發現自己的徵信報告內容有誤，可以向放貸機構或徵信中心(分中心)提出異議並要求更正。如果是非本人原因產生的個人徵信系統上的不良記錄，個人可以與產生不良記錄的銀行協商，未果的可繼續向中國人民銀行徵信中心提出申訴。

個人不良信用記錄保留5年

在采訪中記者也發現，有些市民在早年並不重視自己的個人信用，出現過信用卡或貸款還款逾期的情況，「我還有機會改正嗎？」央行報告指出，在還上欠款後，相關記錄會在不良行為終止後5年刪除。5年內，如果個人認為情況特殊，可以在信用報告中對不良行為作出說明，供使用報告的人參考。

大多數銀行在審查客戶個人信用狀況時，一般著重關注近兩年內的個人信用記錄。通常情況下，隨著時間的推移，新的、良好的信用記錄會逐漸替代舊的、不良的記錄，因此，出現信用「污點」還可以使用「攢信用」的方式來彌補。當然，銀行還會根據實際情況來分析個人的信用狀況，例如對於有連續逾期、累計逾期多次等嚴重信用問題的，仍會拒貸。

個人不良信用記錄只保留5年，就有市民以為5年前欠的錢可以不還了，也不會影響自己的信用記錄。銀行業內人士表示，「所謂不良信用記錄不伴隨終生的說法不太嚴謹」。舉例來說，某「老賴」10年前欠銀行貸款3萬元至今未還，以為如今的信用報告只展示5年內的不良記錄，就可以不還這3萬元的貸款了，「這種想法是十分錯誤的。」如果「老賴」的貸款一直不還，那麼他新版的信用報告內仍然會詳細顯示這筆逾期貸款的情況，並且這種超過5年的逾期是相當嚴重的，銀行肯定不會再批任何貸款。因此專家提醒，「不要以為5年前的貸款可以不還，只是說5年前已經還清的逾期記錄不再出現在信用報告內而已。」

「如果我的信用卡出現過逾期還款等不良信息，我後續把錢還了、卡片銷了，對我的信用報告來說，是好還是不好？」面對白領小張這樣的疑問，央行徵信中心提醒，這樣並不好。「信用卡出現不良信息後，如果還清欠款立即銷卡，在24個月後，信用記錄中仍然展示不良記錄，並且沒有新的還款記錄；如果還清欠款、繼續使用該卡，24個月後，信用記錄中雖然仍然展示不良記錄，但是也積累了新的24個月的按時還款記錄。」

（以上回答發布於2015-09-10，當前相關購房政策請以實際為准）

全面及時的樓盤信息，點擊查看

㈥ 逾期率是什麼，逾期率怎麼算

逾期率即逾期貸款率，是指本期貸款余額中逾期貸款余額所佔比重。逾期貸款率是用於反映貸款按期歸還情況，它是從是否按期還款的角度反映貸款使用效益情況和資產風險程序。逾期貸款率計算公式：

1、期末逾期貸款率=期末逾期貸款余額/期末貸款總余額

2、平均逾期貸款率=全期逾期貸款平均余額（實際逾期額）/全期貸款平均余額

通常造成逾期貸款的主要原因有：拖延工期，停緩建，建成後不能使用，投產後經濟效益低、無還款能力，非常損失和不同意歸還等。一般情況下，逾期貸款率不應超過8%。該比率越低，貸款回收本金的情況越好，資金的使用效率越好，資產的風險程度就越低，反之亦然。

(6)銀行貸款逾期預測數據挖掘擴展閱讀

逾期貸款數據最大的特點是絕對客觀，銀行放出去的貸款，貸款人一旦無法按時還本付息，就成了逾期貸款，貸款逾期是客觀事實，只要它發生，就會出現在銀行的財務報表中被統計到期貸款中，從而逾期貸款最大可能的剔除了主觀性。

逾期貸款的這一特徵，為我們提供了一個觀察銀行不良貸款變化趨勢的最客觀的指標。逾期貸款是不良貸款的先兆，逾期貸款的變化特點以及走勢是預測不良貸款的觀察窗口。不良貸款較年初增加較多的部分銀行，同期逾期貸款也增加較多，未來面臨的資產質量壓力也更大。

如果企業有過到期未完成還款的貸款，就會對企業的信用度造成不良的影響，這種影響會影響企業在整個銀行信貸系統的再次貸款。

㈦ 根據以前的數據預測未來的行為用的是什麼數據挖掘方法

數據挖掘(Data Mining)就是從大量數據中發現潛在規律、提取有用知識的方法和技術。因為與資料庫密切相關，又稱為資料庫知識發現(Knowledge Discovery in Databases，KDD) ，就是將高級智能計算技術應用於大量數據中，讓計算機在有人或無人指導的情況下從海量數據中發現潛在的，有用的模式(也叫知識)。
廣義上說，任何從資料庫中挖掘信息的過程都叫做數據挖掘。從這點看來，數據挖掘就是BI（商業智能）。但從技術術語上說，數據挖掘(Data Mining)特指的是：源數據經過清洗和轉換等成為適合於挖掘的數據集。數據挖掘在這種具有固定形式的數據集上完成知識的提煉，最後以合適的知識模式用於進一步分析決策工作。從這種狹義的觀點上，我們可以定義：數據挖掘是從特定形式的數據集中提煉知識的過程。數據挖掘往往針對特定的數據、特定的問題，選擇一種或者多種挖掘演算法，找到數據下面隱藏的規律，這些規律往往被用來預測、支持決策。

數據挖掘的主要功能
1．分類：按照分析對象的屬性、特徵，建立不同的組類來描述事物。例如：銀行部門根據以前的數據將客戶分成了不同的類別，現在就可以根據這些來區分新申請貸款的客戶，以採取相應的貸款方案。
2．聚類：識別出分析對內在的規則，按照這些規則把對象分成若干類。例如：將申請人分為高度風險申請者，中度風險申請者，低度風險申請者。
3．關聯規則和序列模式的發現：關聯是某種事物發生時其他事物會發生的這樣一種聯系。例如：每天購買啤酒的人也有可能購買香煙，比重有多大，可以通過關聯的支持度和可信度來描述。與關聯不同，序列是一種縱向的聯系。例如：今天銀行調整利率，明天股市的變化。
4．預測：把握分析對象發展的規律，對未來的趨勢做出預見。例如：對未來經濟發展的判斷。
5．偏差的檢測：對分析對象的少數的、極端的特例的描述，揭示內在的原因。例如：在銀行的100萬筆交易中有500例的欺詐行為，銀行為了穩健經營，就要發現這500例的內在因素，減小以後經營的風險。
需要注意的是：數據挖掘的各項功能不是獨立存在的，在數據挖掘中互相聯系，發揮作用。

數據挖掘的方法及工具
作為一門處理數據的新興技術，數據挖掘有許多的新特徵。首先，數據挖掘面對的是海量的數據，這也是數據挖掘產生的原因。其次，數據可能是不完全的、有雜訊的、隨機的，有復雜的數據結構，維數大。最後，數據挖掘是許多學科的交叉，運用了統計學，計算機，數學等學科的技術。以下是常見和應用最廣泛的演算法和模型：
(1) 傳統統計方法：① 抽樣技術：我們面對的是大量的數據，對所有的數據進行分析是不可能的也是沒有必要的，就要在理論的指導下進行合理的抽樣。② 多元統計分析：因子分析，聚類分析等。③ 統計預測方法，如回歸分析，時間序列分析等。
(2) 可視化技術：用圖表等方式把數據特徵用直觀地表述出來，如直方圖等，這其中運用的許多描述統計的方法。可視化技術面對的一個難題是高維數據的可視化。

職業能力要求
基本能力要求
數據挖掘人員需具備以下基本條件，才可以完成數據挖掘項目中的相關任務。
一、專業技能
碩士以上學歷，數據挖掘、統計學、資料庫相關專業，熟練掌握關系資料庫技術，具有資料庫系統開發經驗
熟練掌握常用的數據挖掘演算法
具備數理統計理論基礎，並熟悉常用的統計工具軟體
二、行業知識
具有相關的行業知識，或者能夠很快熟悉相關的行業知識
三、合作精神
具有良好的團隊合作精神，能夠主動和項目中其他成員緊密合作
四、客戶關系能力
具有良好的客戶溝通能力，能夠明確闡述數據挖掘項目的重點和難點，善於調整客戶對數據挖掘的誤解和過高期望
具有良好的知識轉移能力，能夠盡快地讓模型維護人員了解並掌握數據挖掘方法論及建模實施能力

進階能力要求
數據挖掘人員具備如下條件，可以提高數據挖掘項目的實施效率，縮短項目周期。
具有數據倉庫項目實施經驗，熟悉數據倉庫技術及方法論
熟練掌握SQL語言，包括復雜查詢、性能調優
熟練掌握ETL開發工具和技術
熟練掌握Microsoft Office軟體，包括Excel和PowerPoint中的各種統計圖形技術
善於將挖掘結果和客戶的業務管理相結合，根據數據挖掘的成果向客戶提供有價值的可行性操作方案

應用及就業領域
當前數據挖掘應用主要集中在電信(客戶分析)，零售(銷售預測)，農業(行業數據預測)，網路日誌(網頁定製)，銀行(客戶欺詐),電力(客戶呼叫)，生物(基因)，天體(星體分類)，化工，醫葯等方面。當前它能解決的問題典型在於：資料庫營銷(Database Marketing)、客戶群體劃分(Customer Segmentation & Classification)、背景分析(Profile Analysis)、交叉銷售(Cross-selling)等市場分析行為，以及客戶流失性分析(Churn Analysis)、客戶信用記分(Credit Scoring)、欺詐發現(Fraud Detection)等等，在許多領域得到了成功的應用。如果你訪問著名的亞馬遜網上書店()，會發現當你選中一本書後，會出現相關的推薦數目「Customers who bought this book also bought」，這背後就是數據挖掘技術在發揮作用。
數據挖掘的對象是某一專業領域中積累的數據；挖掘過程是一個人機交互、多次反復的過程；挖掘的結果要應用於該專業。因此數據挖掘的整個過程都離不開應用領域的專業知識。「Business First, technique second」是數據挖掘的特點。因此學習數據挖掘不意味著丟棄原有專業知識和經驗。相反，有其它行業背景是從事數據挖掘的一大優勢。如有銷售，財務，機械，製造，call center等工作經驗的,通過學習數據挖掘，可以提升個人職業層次，在不改變原專業的情況下，從原來的事務型角色向分析型角色轉變。從80年代末的初露頭角到90年代末的廣泛應用，以數據挖掘為核心的商業智能(BI)已經成為IT及其它行業中的一個新寵。

數據採集分析專員
職位介紹：數據採集分析專員的主要職責是把公司運營的數據收集起來，再從中挖掘出規律性的信息來指導公司的戰略方向。這個職位常被忽略，但相當重要。由於資料庫技術最先出現於計算機領域，同時計算機資料庫具有海量存儲、查找迅速、分析半自動化等特點，數據採集分析專員最先出現於計算機行業，後來隨著計算機應用的普及擴展到了各個行業。該職位一般提供給懂資料庫應用和具有一定統計分析能力的人。有計算機特長的統計專業人員，或學過數據挖掘的計算機專業人員都可以勝任此工作，不過最好能夠對所在行業的市場情況具有一定的了解。
求職建議：由於很多公司追求短期利益而不注重長期戰略的現狀，目前國內很多企業對此職位的重視程度不夠。但大型公司、外企對此職位的重視程度較高，隨著時間的推移該職位會有升溫的趨勢。另外，數據採集分析專員很容易獲得行業經驗，他們在分析過程中能夠很輕易地把握該行業的市場情況、客戶習慣、渠道分布等關鍵情況，因此如果想在某行創業，從數據採集分析專員干起是一個不錯的選擇。

市場/數據分析師
1. 市場數據分析是現代市場營銷科學必不可少的關鍵環節: Marketing/Data Analyst從業最多的行業: Direct Marketing (直接面向客戶的市場營銷) 吧，自90年代以來, Direct Marketing越來越成為公司推銷其產品的主要手段。根據加拿大市場營銷組織(Canadian Marketing Association)的統計數據: 僅1999年一年 Direct Marketing就創造了470000 個工作機會。從1999至2000，工作職位又增加了30000個。為什麼Direct Marketing需要這么多Analyst呢? 舉個例子, 隨著商業競爭日益加劇，公司希望能最大限度的從廣告中得到銷售回報, 他們希望能有更多的用戶來響應他們的廣告。所以他們就必需要在投放廣告之前做大量的市場分析工作。例如，根據自己的產品結合目標市場顧客的家庭收入，教育背景和消費趨向分析出哪些地區的住戶或居民最有可能響應公司的銷售廣告，購買自己的產品或成為客戶，從而廣告只針對這些特定的客戶群。這樣有的放矢的篩選廣告的投放市場既節省開銷又提高了銷售回報率。但是所有的這些分析都是基於資料庫，通過數據處理，挖掘，建模得出的，其間，市場分析師的工作是必不可少的。
2. 行業適應性強: 幾乎所有的行業都會應用到數據, 所以作為一名數據/市場分析師不僅僅可以在華人傳統的IT行業就業，也可以在政府，銀行，零售，醫葯業，製造業和交通傳輸等領域服務。

現狀與前景
數據挖掘是適應信息社會從海量的資料庫中提取信息的需要而產生的新學科。它是統計學、機器學習、資料庫、模式識別、人工智慧等學科的交叉。在中國各重點院校中都已經開了數據挖掘的課程或研究課題。比較著名的有中科院計算所、復旦大學、清華大學等。另外，政府機構和大型企業也開始重視這個領域。
據IDC對歐洲和北美62家採用了商務智能技術的企業的調查分析發現，這些企業的3年平均投資回報率為401%，其中25%的企業的投資回報率超過600%。調查結果還顯示，一個企業要想在復雜的環境中獲得成功，高層管理者必須能夠控制極其復雜的商業結構，若沒有詳實的事實和數據支持，是很難辦到的。因此，隨著數據挖掘技術的不斷改進和日益成熟，它必將被更多的用戶採用，使更多的管理者得到更多的商務智能。
根據IDC(International Data Corporation)預測說2004年估計BI行業市場在140億美元。現在，隨著我國加入WTO，我國在許多領域，如金融、保險等領域將逐步對外開放，這就意味著許多企業將面臨來自國際大型跨國公司的巨大競爭壓力。國外發達國家各種企業採用商務智能的水平已經遠遠超過了我國。美國Palo Alto 管理集團公司1999年對歐洲、北美和日本375家大中型企業的商務智能技術的採用情況進行了調查。結果顯示，在金融領域，商務智能技術的應用水平已經達到或接近70%，在營銷領域也達到50%，並且在未來的3年中，各個應用領域對該技術的採納水平都將提高約50%。
現在，許多企業都把數據看成寶貴的財富，紛紛利用商務智能發現其中隱藏的信息，藉此獲得巨額的回報。國內暫時還沒有官方關於數據挖掘行業本身的市場統計分析報告，但是國內數據挖掘在各個行業都有一定的研究。據國外專家預測，在今後的5—10年內，隨著數據量的日益積累以及計算機的廣泛應用，數據挖掘將在中國形成一個產業。
眾所周知，IT就業市場競爭已經相當激烈，而數據處理的核心技術---數據挖掘更是得到了前所未有的重視。數據挖掘和商業智能技術位於整個企業IT-業務構架的金字塔塔尖，目前國內數據挖掘專業的人才培養體系尚不健全，人才市場上精通數據挖掘技術、商業智能的供應量極小，而另一方面企業、政府機構和和科研單位對此類人才的潛在需求量極大，供需缺口極大。如果能將數據挖掘技術與個人已有專業知識相結合，您必將開辟職業生涯的新天地！

職業薪酬
就目前來看，和大多IT業的職位一樣，數據倉庫和數據挖掘方面的人才在國內的需求工作也是低端飽和，高端緊缺，在二線成熟，高端數據倉庫和數據挖掘方面的人才尤其稀少。高端數據倉庫和數據挖掘人才需要熟悉多個行業，至少有3年以上大型DWH和BI經驗，英語讀寫流利，具有項目推動能力，這樣的人才年薪能達到20萬以上。

職業認證
1、SAS認證的應用行業及職業前景
SAS全球專業認證是國際上公認的數據挖掘和商業智能領域的權威認證，隨著我國IT環境和應用的日漸成熟，以上兩個領域將有極大的行業發展空間。獲取SAS全球專業認證，為您在數據挖掘、分析方法論領域積累豐富經驗奠定良好的基礎，幫助您開辟職業發展的新天地。
2、SAS認證的有效期
目前SAS五級認證沒有特定有效期，但是時間太久或版本太老的認證證書會有所貶值。
3、五級認證的關系
五級認證為遞進式關系，即只有通過上一級考試科目才能參加下一級認證考試。
4、SAS全球認證的考試方式
考試為上機考試，時間2個小時，共70道客觀題。

相關鏈接
隨著中國物流行業的整體快速發展，物流信息化建設也取得一定進展。無論在IT硬體市場、軟體市場還是信息服務市場，物流行業都具有了一定的投資規模，近兩年的總投資額均在20-30億元之間。政府對現代物流業發展的積極支持、物流市場競爭的加劇等因素有力地促進了物流信息化建設的穩步發展。
易觀國際最新報告《中國物流行業信息化年度綜合報告2006》中指出，中國物流業正在從傳統模式向現代模式實現整體轉變，現代物流模式將引導物流業信息化需求，而產生這種轉變的基本動力來自市場需求。報告中的數據顯示:2006-2010年，傳統物流企業IT投入規模將累計超過100億元人民幣。2006-2010年，第三方物流企業IT投入規模將累計超過20億元人民幣。
由於目前行業應用軟體系統在作業層面對終端設備的硬體提出的應用要求較高，而軟體與硬體的集成性普遍不理想，對應性單一，因此企業將對軟體硬體設備的集成提出更高要求。
物流行業軟體系統研發將更多的考慮運籌學與數據挖掘技術，專業的服務商將更有利於幫助解決研發問題。
物流科學的理論基礎來源於運籌學，並且非常強調在繁雜的數據處理中找到關聯關系(基於成本-服務水平體系)，因此數據挖掘技術對於相關的軟體系統顯得更為重。

㈧ 逾期率是什麼，逾期率怎麼算，逾期貸款率計算公式

逾期貸款率，是指逾期貸款佔全部貸款的比例，是用於反映貸款按期歸還情況，它是從是否按期還款的角度反映貸款使用效益情況和資產風險程序。監控逾期貸款率，目的是促進銀行對逾期貸款盡快妥善處理。

逾期貸款率計算公式

可按期末余額和平均余額計算，其公式如下：

期末逾期貸款率=期末逾期貸款余額/期末貸款總余額

平均逾期貸款率=全期逾期貸款平均余額/全期貸款平均余額

㈨ 什麼是數據挖掘，簡述其作用和應用。

1)數據挖掘能做以下七種不同事情（分析方法）： 數據挖掘· 分類 （Classification） · 估值（Estimation） · 預言（Prediction） · 相關性分組或關聯規則（Affinity grouping or association rules） · 聚集（Clustering） · 描述和可視化（Description and Visualization） · 復雜數據類型挖掘(Text, Web ,圖形圖像，視頻，音頻等) 2)數據挖掘分類 以上七種數據挖掘的分析方法可以分為兩類：直接數據挖掘；間接數據挖掘 · 直接數據挖掘 目標是利用可用的數據建立一個模型，這個模型對剩餘的數據，對一個特定的變數（可以理解成資料庫中表的屬性，即列）進行描述。 · 間接數據挖掘 目標中沒有選出某一具體的變數，用模型進行描述；而是在所有的變數中建立起某種關系 。 · 分類、估值、預言屬於直接數據挖掘；後三種屬於間接數據挖掘 3)各種分析方法的簡介 · 分類 （Classification） 首先從數據中選出已經分好類的訓練集，在該訓練集上運用數據挖掘分類的技術，建立分類模型，對於沒有分類的數據進行分類。 例子： a. 信用卡申請者，分類為低、中、高風險 b. 故障診斷：中國寶鋼集團與上海天律信息技術有限公司合作，採用數據挖掘技術對鋼材生產的全流程進行質量監控和分析，構建故障地圖，實時分析產品出現瑕疵的原因，有效提高了產品的優良率。 注意： 類的個數是確定的，預先定義好的 · 估值（Estimation） 估值與分類類似，不同之處在於，分類描述的是離散型變數的輸出，而估值處理連續值的輸出；分類 數據挖掘的類別是確定數目的，估值的量是不確定的。 例子： a. 根據購買模式，估計一個家庭的孩子個數 b. 根據購買模式，估計一個家庭的收入 c. 估計real estate的價值 一般來說，估值可以作為分類的前一步工作。給定一些輸入數據，通過估值，得到未知的連續變數的值，然後，根據預先設定的閾值，進行分類。例如：銀行對家庭貸款業務，運用估值，給各個客戶記分（Score 0~1）。然後，根據閾值，將貸款級別分類。 · 預言（Prediction） 通常，預言是通過分類或估值起作用的，也就是說，通過分類或估值得出模型，該模型用於對未知變數的預言。從這種意義上說，預言其實沒有必要分為一個單獨的類。預言其目的是對未來未知變數的預測，這種預測是需要時間來驗證的，即必須經過一定時間後，才知道預言准確性是多少。 例子： 海南航空引入領先的數據挖掘工具馬克威分析系統，分析客流、燃油等變化趨勢，以航線收益為主題進行數據挖掘，制定精細的銷售策略，有效提高了企業收益。 · 相關性分組或關聯規則（Affinity grouping or association rules） 決定哪些事情將一起發生。 例子： a. 超市中客戶在購買A的同時，經常會購買B，即A => B(關聯規則) b. 客戶在購買A後，隔一段時間，會購買B （序列分析） · 聚集（Clustering） 聚集是對記錄分組，把相似的記錄在一個聚集里。聚集和分類的區別是聚集不依賴於預先定義好的類，不需要訓練集。 例子： a. 一些特定症狀的聚集可能預示了一個特定的疾病 b. 租VCD類型不相似的客戶聚集，可能暗示成員屬於不同的亞文化群 聚集通常作為數據挖掘的第一步。例如，"哪一種類的促銷對客戶響應最好？"，對於這一 類問題，首先對整個客戶做聚集，將客戶分組在各自的聚集里，然後對每個不同的聚集，回答問題，可能效果更好。 c. 中國移動採用先進的數據挖掘工具馬克威分析系統，對用戶wap上網的行為進行聚類分析，通過客戶分群，進行精確營銷。