银行贷款逾期预测数据挖掘

㈠ 个人信贷数据的数据集，用于数据挖掘分析

数据挖掘，就是没有数据集合的。
数据挖掘现在最成功的案例（传播的比较广）就是啤酒+尿不湿的组合，你觉得这个集合合理么？
如果真要说数据集合只能是大集合，比如“快消品集合”，只能这么说。

㈡ 贷款逾期60天银行应该采取什么模型

贷款逾期60天，那么银行会给贷款人打电话，让贷款人还款，如果贷款人长时间不还款的情况下，银行有可能会采取法院诉讼的方式。

关于贷款逾期。

贷款逾期有短期，也有长期，因逾期的时长不同，后果也不一样。可大多数人对贷款逾期却又存在诸多认知误区，直到酿下严重后果才发现悔之晚矣！

贷款短期逾期及后果
不同资金机构对短期逾期的时间界定有所不同。针对短期逾期，各机构一般不会采取强制手段，会进行还款提醒及催收，其后果是：

1、高额罚金和违约金

贷款逾期后，还款时除了要归还利息和本金外，还需要缴纳高额罚息和违约金。

2、留下个人征信污点

征信报告上会留下逾期记录，即便还款后，逾期记录也会保留5年。逾期记录将会影响逾期者后续几乎所有金融活动。

3、收到短信电话催收

放款机构会不间断地发短信、打电话对逾期资金进行催收，告知借款人逾期的严重后果，责令借款人限期归还逾期本息。

贷款长期逾期及后果
一般来说，逾期超过90天会被放款机构视为恶意逾期。银行针对超过90天以上的恶意逾期，无论数额大小，都可以起诉追收。法院判决后，向社会公布失信被执行人（老赖）信息，限制其高消费、限制乘飞机高铁等。

由于现在监管局越来越严格，网贷平台也越来越规范加严格，不少网贷现在都是上征信的，所以征信记录是各位借款人都很关心的问题，今天我就来给大家科普一下网贷征信的知识，希望对大家有所帮助。

一．网贷征信记录处理非常“人性化”；

网贷征信相比传统银行要人性化很多，也就是会给因一时疏忽的非故意逾期，一定的宽限时间，但如果你长时间拖欠，就会很容易存在借款人的污点记录，这在征信体系中也是有重点提醒，对个人影响十分严重！

二．银行贷款违约不良征信记录保存期限5年

根据《征信业管理条例》规定，征信机构对个人不良信息的保存期限，自不良行为或者事件终止之日起为5年。不良记录在还清本息、违约金之后，超过5年，其它银行将查询不到。值得注意的是，目前信用污点仍会一直保存，直至贷款结清。所以大家一定要珍惜自己的信用记录。

三．信用卡逾期不良信用记录保存期限2年

信用卡还款信息会被央行征信系统滚动记录24个月，如果销卡，记录会长时间保存下来。因此，建议信用卡用户还清欠款后继续用卡两年，期间保持信用良好，就能靠滚动记录把不良记录从征信系统里去掉。

以上三种都是建立在短期违约的情况下，如果逾期太久，逾期信息已被上传到人行，那就还清债务，等待5年之后系统自动消除吧。

㈢ 银行贷款逾期

事实上，如果银行贷款逾期了，没有必要太多担心，因为有时资金周转不佳，很多人不能保证自己能按时偿还贷款。如果过期了，银行会给你一个宽限期，一般是90天。无论是信用卡还是其他贷款项目，都会有一些罚款。只要罚款和利息得到偿还，就不会对信用报告造成太大影响。
贷款逾期通常指现象，贷款到期后，借款人未能归还贷款本金和利息，银行发放贷款按照贷款期限约定的贷款合同没有经历相关的扩展过程，从而导致贷款超过约定的期限。
根据《合同法》的有关规定，借款人未按照约定的借款合同期限归还借款的，属于违约行为，应当承担违约责任。违约责任的承担方式包括归还借款本金、支付合同约定的借款期间的利息和支付逾期部分的利息。因当事人在借款合同中有明确约定，在合同约定的借款期间返还借款本金和支付利息一般无争议;至于逾期贷款的一部分的利益，什么标准借款人应支付的时候，不仅有伟大的当事人之间的纠纷，而且应用的标准法官在决定这种情况下不均匀，从而影响法律的权威。律师认为有必要把这个问题整合起来，让大家的理解统一起来。
银行投资于此类贷款的资金将来可能会收回，也可能不会收回。损失的可能性很大。对于这类贷款，商业银行通常收取违约金。逾期贷款是银行的问题资产，因此商业银行应保持较高的资本准备金率，一般为50%。
拓展资料：还款账户因资金不足部分逾期:这种情况下，只需立即补上逾期账户，建议下次还款时多存一点资金。需要注意的是，无论是全部逾期还是部分逾期，一旦确认逾期，都会包含在信用报告中。
因客观原因逾期:如出差不能存、转帐汇款退回、遗忘押金等，发现逾期后需立即还款，设置便函和催单可避免忘记还款。在这种情况下，逾期也会被记录在信用报告中。
立即临时资金短缺，无力偿还:立即向亲友解释情况，请求协助，尽快偿还，因为贷款逾期通常会招致罚款利息、逾期的时间越长，将支付更多的资本成本，更大的负面影响下银行贷款。

㈣ 大数据征信与银行风险控制创新

大数据征信与银行风险控制创新

数据将是未来银行的核心竞争力之一,这已成为银行业界的共识。在大数据时代，银行所面临的竞争不仅仅来自于同行业内部，外部的挑战也日益严峻，互联网、电子商务等新兴企业在产品创新能力、市场敏感度和大数据处理经验等方面都拥有明显的优势。在此形势下，利用大数据征信创新和提高银行的风险把控也逐渐成为业界关注与探讨的重要话题。

银行业在风险控制中的不足之处

普华永道发布的《2015年中国金融及银行业展望》指出，截至2014年第三季度末中国的商业银行不良贷款总额上升36%，达到7670亿元人民币，是四年来的高点。预计2015年不良贷款上升的趋势将持续。上述数据的背后，除了经济下行导致的逾期风险上升的原因之外，银行在风险控制中存在漏洞与缺陷也是重要原因。

信息不对称与贷款欺诈

随着P2P、小贷等民间借贷的兴起，借款人越来越容易通过非银行途径获得贷款。而民间借贷机构无须向人民银行上报数据，非银行体系的贷款申请情况、负债情况和逾期情况等信息不清晰、不透明、无法提前预知的矛盾愈发突出，往往到了借款人逾期甚至失联，银行才被动了解到借款人在民间借贷领域的部分历史逾期借贷情况或负债过高等不良行为信息。

贷款欺诈问题也是银行面临的另一个问题，尤其是在信用卡领域和部分运用信贷工厂模式运作的贷款产品。银行固化的发卡审核流程以及信贷工厂运作模式已经不再是秘密。目前信用卡、贷款的包装、组团欺诈骗贷的情况屡见不鲜，尤其是在信用贷款领域，约有60%的信用贷款来自于欺诈，这其中有一半以上是由于身份造假和资料包装。在数据维度不全面的情况下，银行等放贷机构由于没有第三方大数据支持，缺乏充分和有效的交叉核验手段，容易被组团骗贷者钻空子。

信息不及时与贷后风险防范

信息获取的不及时也给银行在贷后风险管理中带来了不同程度上的麻烦。例如，银行往往希望第一时间知道一家企业客户在获得贷款后是否面临新的法律诉讼，但是大多数银行使用的方式仅仅是依靠信贷经理不定期手动查询当地法院网站的方式获取信息，这当中存在着巨大的不确定性，一旦信贷经理忘记查询或者操作失误，贷后司法诉讼监控工作将形同虚设。这还不包括持续监控该客户在民间借贷中的申请情况、负债情况和逾期情况等风险点。银行在贷后风险防范过程中的手段和效率都极大地制约了银行风险控制的效果。

成本和效率的矛盾

为了解决信息不对称的问题和信息获取不及时的问题，银行往往需要采集大量的数据来辅助判断。但是数据采集的过程中通常运用的方法是要求借款人或企业补充提供大量的资料，这个过程中涉及到大量的人工成本和时间成本。而为了提高效率，需要搭建一套能够实现部分数据的自动采集，同时需要自动化程度较高的后台管理系统，但是这必须组建专门的工程师团队和进行大量的IT开发工作，对不少中小银行来说也是一个沉重的负担。

大数据征信与贷款风险控制

大数据征信产业的兴起

2015年1月，中国人民银行发印发了《关于做好个人征信业务准备工作的通知》，要求芝麻信用管理有限公司、腾讯征信有限公司、拉卡拉信用管理有限公司等八家机构做好为期六个月的个人征信业务准备工作。这意味着，这八家机构或将成为我国首批商业个人征信机构。由此，正式拉开了大数据征信产业的序幕，个人征信市场成长空间已经打开。基于美国个人征信市场达600亿美元的规模，考虑到我国人口基数的庞大，未来发展成熟之后我国的个人征信市场空间很可能达到1000亿元规模。

值得注意的是，大数据征信成为了互联网巨头的必争之地。除了阿里巴巴和腾讯，网络、京东金融、小米金融、360金融等互联网公司也表示将打造互联网征信系统，并有意申请第二批个人征信牌照，部分机构已经向人民银行提交了申请。互联网公司的高调介入表明，一方面互联网公司的创新特性和快速扩张特性给传统征信领域带来了新的活力和机遇，另一方面互联网公司各自不同的大数据优势和应用场景优势，将使得征信市场的竞争日趋白热化。
国内大数据征信产业发展趋势

各类大数据公司介入大数据征信市场，使数据维度和种类相比两年前有了极大的丰富。特别是伴随着移动互联网时代兴起，围绕着移动上网设备信息、地理位置信息、运营商信息的大数据公司和大数据服务层出不穷，并开始运用在P2P的贷款审核和交叉核验流程中。但是，数据的来源和有效性依然制约着大数据征信产业的发展，目前行业依然处于早起的探索阶段，尚未有成熟的“杀手级”应用工具出现。

信息孤岛依然存在。信息孤岛是目前制约国内信贷行业发展的重要因素。信息不对称、不透明，带来了大量的多头负债风险和欺诈风险。在国内大数据征信产业兴起时，市场对于消除信息不透明、打破信息孤岛寄予极大的期待。从目前行业的发展情况来看，信息孤岛在短期内无法完全消失。

首先，公共事业缴费、固定资产、社保、居住等与贷款风险控制息息相关的信息，依然归属于相关政府部门。虽然工商、司法等信息已经向社会开放，但是政府信息开放程度依然较低，这将是一个长期而复杂的过程。

其次，掌握大量公民信息的互联网公司相互之间难以产生信息互通。目前国内社交数据、电商数据、地理位置数据、搜索数据、移动设备使用行为数据等互联网信息分别集中于阿里、网络、腾讯、京东、360等互联网巨头手中，这些公司在跑马圈地的过程中存在着大量的竞争关系，数据互通、信息共享在目前看来可能性极低。

最后，征信公司之间的信息也难以互通。征信公司的核心竞争力在于拥有自己独有的信息。作为直接竞争对手，征信公司之间不可能用自己的核心数据去提升竞争对手的竞争力。可以说，一方面征信公司致力于解决信息不对称，另一方面征信公司也在构建数据壁垒。

应用场景逐渐丰富，组合信用评估或成主流。放眼征信行业较为发达的美国，征信报告的运用早已不仅限于金融领域，例如招聘、租房、租车、相亲等行业和领域都需要使用个人征信报告。随着“互联网+”的推动、大数据概念的提出以及P2P互联网金融的发展，目前国内的征信公司也在应用场景的丰富性上进行着探索和尝试。

从国内大数据征信行业的发展现状来看，由于信息孤岛、数据不完全共享的现状将长期存在，当行业发展到一定阶段，将会产生组合式的信用评估。譬如要求当事人同时出具多家机构的信用报告，从社交、电商、招聘、浏览行为、地理位置等不同角度对当事人做出全息用户画像，判断其综合情况。这是因为单方面的信用评估已不能全面评价一个人，必须发挥出各家大数据征信公司的信息优势才能全面评价。

大数据征信在贷款风险领域的应用案例

反映电商信用行为的芝麻信用。芝麻信用基于阿里巴巴的电商交易数据和蚂蚁金服的互联网金融数据，并与公安网等公共机构以及合作伙伴建立数据合作，数据涵盖了信用卡还款、网购、转账、理财、水电煤缴费、租房信息、住址搬迁历史、社交关系等等。芝麻信用以芝麻分来直观呈现信用水平，主要包含了用户信用历史、行为偏好、履约能力、身份特质、人脉关系五个维度，从950～350分划分为5个等级，分数越高代表信用程度越好，违约可能性越低。芝麻征信还出具个人信用报告，其主要由央行征信中心负责提供，记录了个人基本信息、贷款信息、信用卡信息和信用报告查询记录等。

反映互联网社交行为的腾讯征信。腾讯征信的数据更多的是社交数据，其征信产品有两大类别：一是反欺诈产品，包括人脸识别和欺诈评测；二是信用评级产品，包括信用评分和信用报告。腾讯征信反欺诈产品的主要服务对象包括银行、证券、保险、消费金融、小贷、P2P等商业机构，它能帮助企业识别用户身份，防范涉黑账户或有组织欺诈，发现恶意或者疑似欺诈客户，避免资金损失。对于之前没有个人征信报告的蓝领工人、学生、个体户、自由职业者等用户，腾讯通过他们使用社交、门户、游戏、支付等服务，通过海量数据挖掘和分析技术来预测其风险表现和信用价值，为其建立个人信用评分。

反映借款人风险的好贷云风控。好贷云风控是好贷网和全球最大的个人信用评分机构FICO（费埃哲）共同打造的大数据风控平台，整合征信公司、司法数据、工商数据、消费数据等重要数据源头，构建了金融贷款机构风控所需全行业各领域的风险数据库，同时包括反欺诈风险名单库、重大风险识别名单库、贷款申请记录名单库的数据，合计已超过7000万条。多达6000多个维度的数据库不仅能有效补足贷款机构本地的数据库，还能协助其大幅提高反欺诈识别和信用风险识别能力，同时结合FICO的信贷决策引擎为信贷机构提供服务。金融机构不用再投入巨资自建系统，不用花巨大精力和成本寻找各种风控数据。

银行风险控制与大数据征信的结合

大数据难以解决所有问题，但可以作为有效的工具。大数据能为信贷行业带来什么价值？笔者的判断是：大数据在未来一段时间，仍无法解决信贷风控中的所有问题；或者说单纯依靠大数据进行信贷风控、审批全流程的贷款种类还很有限。

但是，大数据已经可以解决信贷行业的一部分问题，并且将发挥越来越重要的作用。比如，大数据在进行反欺诈识别、风险动态监测、用户行为分析、用户画像等领域，都已经有了越来越多的运用。银行机构应当拥抱大数据，敢于和善于运用大数据辅助进行风险把控。
通过大数据，将民间借贷信息对银行透明化。银行机构通过大数据征信的数据，可以了解借款人在民间借贷的信息。目前大数据征信公司提供的民间借贷相关信息主要包含黑名单信息、贷款申请信息和被查询信息。以好贷云风控为例，其包含了各家征信公司的黑名单信息以及好贷云风控平台整合的数十家P2P平台的黑名单信息，同时也包含了好贷网的1000万条贷款申请记录和每个星期增加一倍的被查询信息。这些信息都从侧面反映了借款人的民间借贷情况。通过大数据征信，将能够使民间借贷信息对银行机构越来越透明，识别出更多的民间借贷风险，更好地进行贷款审核和反欺诈识别。

丰富数据维度，提升对信用档案客群风控能力。2014年，美国政策与经济研究委员会（PERC）对于非金融信息（也成为替代性信息）在信贷决策中作用的研究表明：诸如水、电、煤、有线电视、手机等非金融信息纳入征信系统，显著地提高了信用档案在案人群的信贷获得能力。

目前不少银行逐步认识到已经纳入银行传统数据库的信息量并不丰富和完整，开始积极与第三方大数据征信公司频繁接触与接洽合作，如客户信息、银行拥有客户的基本身份信息等。但客户其他的信息，如性格特征、兴趣爱好、生活习惯、行业领域、居住状况等却是银行难以准确掌握的；另一方面对于多种异构数据的分析是难以处理的，如银行有客户的资金往来的信息、网页浏览的行为信息、服务通话的语音信息、营业厅、ATM的录像信息，但除了结构化数据外，其他数据无法进行分析，更谈不上对多种信息进行综合分析，无法打破“信息孤岛”的格局。通过与第三方大数据征信公司的合作，尽力弥补自身在获取信息维度以及数据挖掘和分析能力方面的不足。

综上，笔者认为，在互联网时代和大数据时代的背景下银行如欲进一步加快转型的步伐、实现诚信社会与普惠金融的愿景、肩负信用风险管理重任，就要在信息使用、贷前调查、贷中监控等风险控制方面借助互联网的优势，拥抱大数据征信，充分利用内外各种信息做好客户征信和增信，进一步提高对风险的控制和管理水平，才能立于不败之地。

以上是小编为大家分享的关于大数据征信与银行风险控制创新的相关内容，更多信息可以关注环球青藤分享更多干货

㈤ 贷款买房前的必做事项：查询你的个人信用

贷款买房的时候很多人都碰到了银行不予放贷的情况，除了开发商方面的原因，就是自身信用问题了。小编在此提醒各位，在贷款买房前一定要查询个人信用记录，别到时候交了买房定金却贷不到款。

2015年1月5日，央行在官网上发布了《关于做好个人征信业务准备工作的通知》，要求芝麻信用、腾讯征信、深圳前海征信、鹏元征信、中诚信征信、中智诚征信、拉卡拉信用、北京华道征信等八家机构做好个人征信业务的准备工作。此时就意味着央行将通过数据挖掘和分析来预测其风险表现和信用价值，建立个人信用档案。

征信中心能不能修改数据？

个人信用征信是指依法设立的个人信用征信机构对个人信用信息进行采集和加工，并根据用户要求提供个人信用信息查询和评估服务的活动。通俗地说，就是银行等用户需要了解个人的信用情况，以此作为借贷等业务的依据，由此就需要专业机构依法对个人信用信息进行采集、整理、加工，为用户提供个人信用查询与评估服务。

目前一般的商业银行对个人信用都以逾期还款6次或以上，来作为个人是否有不良信用记录的节点。如工商银行对个人消费贷款最近24个月内，当前逾期期数六次或以上的将不给予贷款。建设银行规定分期还款拖欠贷款本金或利息连续3期(含)或累计6期(含)以上的，不给予贷款等。对于征信系统的不良记录，每家银行有不同的测评标准。最后根据信用评分区间，决定是否发放贷款。

央行征信中心发布的报告指出，个人征信报告的数据由放贷机构直接报送，征信中心匹配整合同一个人来自不同机构的数据。如果数据发生错误，放贷机构将直接修改并重新报送，征信中心不能自行修改、删除数据。

央行方面表示，征信数据从放贷机构的柜台到征信系统，过程长、环节多，所以可能会出现错误。如果市民发现自己的征信报告内容有误，可以向放贷机构或征信中心(分中心)提出异议并要求更正。如果是非本人原因产生的个人征信系统上的不良记录，个人可以与产生不良记录的银行协商，未果的可继续向中国人民银行征信中心提出申诉。

个人不良信用记录保留5年

在采访中记者也发现，有些市民在早年并不重视自己的个人信用，出现过信用卡或贷款还款逾期的情况，“我还有机会改正吗？”央行报告指出，在还上欠款后，相关记录会在不良行为终止后5年删除。5年内，如果个人认为情况特殊，可以在信用报告中对不良行为作出说明，供使用报告的人参考。

大多数银行在审查客户个人信用状况时，一般着重关注近两年内的个人信用记录。通常情况下，随着时间的推移，新的、良好的信用记录会逐渐替代旧的、不良的记录，因此，出现信用“污点”还可以使用“攒信用”的方式来弥补。当然，银行还会根据实际情况来分析个人的信用状况，例如对于有连续逾期、累计逾期多次等严重信用问题的，仍会拒贷。

个人不良信用记录只保留5年，就有市民以为5年前欠的钱可以不还了，也不会影响自己的信用记录。银行业内人士表示，“所谓不良信用记录不伴随终生的说法不太严谨”。举例来说，某“老赖”10年前欠银行贷款3万元至今未还，以为如今的信用报告只展示5年内的不良记录，就可以不还这3万元的贷款了，“这种想法是十分错误的。”如果“老赖”的贷款一直不还，那么他新版的信用报告内仍然会详细显示这笔逾期贷款的情况，并且这种超过5年的逾期是相当严重的，银行肯定不会再批任何贷款。因此专家提醒，“不要以为5年前的贷款可以不还，只是说5年前已经还清的逾期记录不再出现在信用报告内而已。”

“如果我的信用卡出现过逾期还款等不良信息，我后续把钱还了、卡片销了，对我的信用报告来说，是好还是不好？”面对白领小张这样的疑问，央行征信中心提醒，这样并不好。“信用卡出现不良信息后，如果还清欠款立即销卡，在24个月后，信用记录中仍然展示不良记录，并且没有新的还款记录；如果还清欠款、继续使用该卡，24个月后，信用记录中虽然仍然展示不良记录，但是也积累了新的24个月的按时还款记录。”

（以上回答发布于2015-09-10，当前相关购房政策请以实际为准）

全面及时的楼盘信息，点击查看

㈥ 逾期率是什么，逾期率怎么算

逾期率即逾期贷款率，是指本期贷款余额中逾期贷款余额所占比重。逾期贷款率是用于反映贷款按期归还情况，它是从是否按期还款的角度反映贷款使用效益情况和资产风险程序。逾期贷款率计算公式：

1、期末逾期贷款率=期末逾期贷款余额/期末贷款总余额

2、平均逾期贷款率=全期逾期贷款平均余额（实际逾期额）/全期贷款平均余额

通常造成逾期贷款的主要原因有：拖延工期，停缓建，建成后不能使用，投产后经济效益低、无还款能力，非常损失和不同意归还等。一般情况下，逾期贷款率不应超过8%。该比率越低，贷款回收本金的情况越好，资金的使用效率越好，资产的风险程度就越低，反之亦然。

(6)银行贷款逾期预测数据挖掘扩展阅读

逾期贷款数据最大的特点是绝对客观，银行放出去的贷款，贷款人一旦无法按时还本付息，就成了逾期贷款，贷款逾期是客观事实，只要它发生，就会出现在银行的财务报表中被统计到期贷款中，从而逾期贷款最大可能的剔除了主观性。

逾期贷款的这一特征，为我们提供了一个观察银行不良贷款变化趋势的最客观的指标。逾期贷款是不良贷款的先兆，逾期贷款的变化特点以及走势是预测不良贷款的观察窗口。不良贷款较年初增加较多的部分银行，同期逾期贷款也增加较多，未来面临的资产质量压力也更大。

如果企业有过到期未完成还款的贷款，就会对企业的信用度造成不良的影响，这种影响会影响企业在整个银行信贷系统的再次贷款。

㈦ 根据以前的数据预测未来的行为用的是什么数据挖掘方法

数据挖掘(Data Mining)就是从大量数据中发现潜在规律、提取有用知识的方法和技术。因为与数据库密切相关，又称为数据库知识发现(Knowledge Discovery in Databases，KDD) ，就是将高级智能计算技术应用于大量数据中，让计算机在有人或无人指导的情况下从海量数据中发现潜在的，有用的模式(也叫知识)。
广义上说，任何从数据库中挖掘信息的过程都叫做数据挖掘。从这点看来，数据挖掘就是BI（商业智能）。但从技术术语上说，数据挖掘(Data Mining)特指的是：源数据经过清洗和转换等成为适合于挖掘的数据集。数据挖掘在这种具有固定形式的数据集上完成知识的提炼，最后以合适的知识模式用于进一步分析决策工作。从这种狭义的观点上，我们可以定义：数据挖掘是从特定形式的数据集中提炼知识的过程。数据挖掘往往针对特定的数据、特定的问题，选择一种或者多种挖掘算法，找到数据下面隐藏的规律，这些规律往往被用来预测、支持决策。

数据挖掘的主要功能
1．分类：按照分析对象的属性、特征，建立不同的组类来描述事物。例如：银行部门根据以前的数据将客户分成了不同的类别，现在就可以根据这些来区分新申请贷款的客户，以采取相应的贷款方案。
2．聚类：识别出分析对内在的规则，按照这些规则把对象分成若干类。例如：将申请人分为高度风险申请者，中度风险申请者，低度风险申请者。
3．关联规则和序列模式的发现：关联是某种事物发生时其他事物会发生的这样一种联系。例如：每天购买啤酒的人也有可能购买香烟，比重有多大，可以通过关联的支持度和可信度来描述。与关联不同，序列是一种纵向的联系。例如：今天银行调整利率，明天股市的变化。
4．预测：把握分析对象发展的规律，对未来的趋势做出预见。例如：对未来经济发展的判断。
5．偏差的检测：对分析对象的少数的、极端的特例的描述，揭示内在的原因。例如：在银行的100万笔交易中有500例的欺诈行为，银行为了稳健经营，就要发现这500例的内在因素，减小以后经营的风险。
需要注意的是：数据挖掘的各项功能不是独立存在的，在数据挖掘中互相联系，发挥作用。

数据挖掘的方法及工具
作为一门处理数据的新兴技术，数据挖掘有许多的新特征。首先，数据挖掘面对的是海量的数据，这也是数据挖掘产生的原因。其次，数据可能是不完全的、有噪声的、随机的，有复杂的数据结构，维数大。最后，数据挖掘是许多学科的交叉，运用了统计学，计算机，数学等学科的技术。以下是常见和应用最广泛的算法和模型：
(1) 传统统计方法：① 抽样技术：我们面对的是大量的数据，对所有的数据进行分析是不可能的也是没有必要的，就要在理论的指导下进行合理的抽样。② 多元统计分析：因子分析，聚类分析等。③ 统计预测方法，如回归分析，时间序列分析等。
(2) 可视化技术：用图表等方式把数据特征用直观地表述出来，如直方图等，这其中运用的许多描述统计的方法。可视化技术面对的一个难题是高维数据的可视化。

职业能力要求
基本能力要求
数据挖掘人员需具备以下基本条件，才可以完成数据挖掘项目中的相关任务。
一、专业技能
硕士以上学历，数据挖掘、统计学、数据库相关专业，熟练掌握关系数据库技术，具有数据库系统开发经验
熟练掌握常用的数据挖掘算法
具备数理统计理论基础，并熟悉常用的统计工具软件
二、行业知识
具有相关的行业知识，或者能够很快熟悉相关的行业知识
三、合作精神
具有良好的团队合作精神，能够主动和项目中其他成员紧密合作
四、客户关系能力
具有良好的客户沟通能力，能够明确阐述数据挖掘项目的重点和难点，善于调整客户对数据挖掘的误解和过高期望
具有良好的知识转移能力，能够尽快地让模型维护人员了解并掌握数据挖掘方法论及建模实施能力

进阶能力要求
数据挖掘人员具备如下条件，可以提高数据挖掘项目的实施效率，缩短项目周期。
具有数据仓库项目实施经验，熟悉数据仓库技术及方法论
熟练掌握SQL语言，包括复杂查询、性能调优
熟练掌握ETL开发工具和技术
熟练掌握Microsoft Office软件，包括Excel和PowerPoint中的各种统计图形技术
善于将挖掘结果和客户的业务管理相结合，根据数据挖掘的成果向客户提供有价值的可行性操作方案

应用及就业领域
当前数据挖掘应用主要集中在电信(客户分析)，零售(销售预测)，农业(行业数据预测)，网络日志(网页定制)，银行(客户欺诈),电力(客户呼叫)，生物(基因)，天体(星体分类)，化工，医药等方面。当前它能解决的问题典型在于：数据库营销(Database Marketing)、客户群体划分(Customer Segmentation & Classification)、背景分析(Profile Analysis)、交叉销售(Cross-selling)等市场分析行为，以及客户流失性分析(Churn Analysis)、客户信用记分(Credit Scoring)、欺诈发现(Fraud Detection)等等，在许多领域得到了成功的应用。如果你访问著名的亚马逊网上书店()，会发现当你选中一本书后，会出现相关的推荐数目“Customers who bought this book also bought”，这背后就是数据挖掘技术在发挥作用。
数据挖掘的对象是某一专业领域中积累的数据；挖掘过程是一个人机交互、多次反复的过程；挖掘的结果要应用于该专业。因此数据挖掘的整个过程都离不开应用领域的专业知识。“Business First, technique second”是数据挖掘的特点。因此学习数据挖掘不意味着丢弃原有专业知识和经验。相反，有其它行业背景是从事数据挖掘的一大优势。如有销售，财务，机械，制造，call center等工作经验的,通过学习数据挖掘，可以提升个人职业层次，在不改变原专业的情况下，从原来的事务型角色向分析型角色转变。从80年代末的初露头角到90年代末的广泛应用，以数据挖掘为核心的商业智能(BI)已经成为IT及其它行业中的一个新宠。

数据采集分析专员
职位介绍：数据采集分析专员的主要职责是把公司运营的数据收集起来，再从中挖掘出规律性的信息来指导公司的战略方向。这个职位常被忽略，但相当重要。由于数据库技术最先出现于计算机领域，同时计算机数据库具有海量存储、查找迅速、分析半自动化等特点，数据采集分析专员最先出现于计算机行业，后来随着计算机应用的普及扩展到了各个行业。该职位一般提供给懂数据库应用和具有一定统计分析能力的人。有计算机特长的统计专业人员，或学过数据挖掘的计算机专业人员都可以胜任此工作，不过最好能够对所在行业的市场情况具有一定的了解。
求职建议：由于很多公司追求短期利益而不注重长期战略的现状，目前国内很多企业对此职位的重视程度不够。但大型公司、外企对此职位的重视程度较高，随着时间的推移该职位会有升温的趋势。另外，数据采集分析专员很容易获得行业经验，他们在分析过程中能够很轻易地把握该行业的市场情况、客户习惯、渠道分布等关键情况，因此如果想在某行创业，从数据采集分析专员干起是一个不错的选择。

市场/数据分析师
1. 市场数据分析是现代市场营销科学必不可少的关键环节: Marketing/Data Analyst从业最多的行业: Direct Marketing (直接面向客户的市场营销) 吧，自90年代以来, Direct Marketing越来越成为公司推销其产品的主要手段。根据加拿大市场营销组织(Canadian Marketing Association)的统计数据: 仅1999年一年 Direct Marketing就创造了470000 个工作机会。从1999至2000，工作职位又增加了30000个。为什么Direct Marketing需要这么多Analyst呢? 举个例子, 随着商业竞争日益加剧，公司希望能最大限度的从广告中得到销售回报, 他们希望能有更多的用户来响应他们的广告。所以他们就必需要在投放广告之前做大量的市场分析工作。例如，根据自己的产品结合目标市场顾客的家庭收入，教育背景和消费趋向分析出哪些地区的住户或居民最有可能响应公司的销售广告，购买自己的产品或成为客户，从而广告只针对这些特定的客户群。这样有的放矢的筛选广告的投放市场既节省开销又提高了销售回报率。但是所有的这些分析都是基于数据库，通过数据处理，挖掘，建模得出的，其间，市场分析师的工作是必不可少的。
2. 行业适应性强: 几乎所有的行业都会应用到数据, 所以作为一名数据/市场分析师不仅仅可以在华人传统的IT行业就业，也可以在政府，银行，零售，医药业，制造业和交通传输等领域服务。

现状与前景
数据挖掘是适应信息社会从海量的数据库中提取信息的需要而产生的新学科。它是统计学、机器学习、数据库、模式识别、人工智能等学科的交叉。在中国各重点院校中都已经开了数据挖掘的课程或研究课题。比较著名的有中科院计算所、复旦大学、清华大学等。另外，政府机构和大型企业也开始重视这个领域。
据IDC对欧洲和北美62家采用了商务智能技术的企业的调查分析发现，这些企业的3年平均投资回报率为401%，其中25%的企业的投资回报率超过600%。调查结果还显示，一个企业要想在复杂的环境中获得成功，高层管理者必须能够控制极其复杂的商业结构，若没有详实的事实和数据支持，是很难办到的。因此，随着数据挖掘技术的不断改进和日益成熟，它必将被更多的用户采用，使更多的管理者得到更多的商务智能。
根据IDC(International Data Corporation)预测说2004年估计BI行业市场在140亿美元。现在，随着我国加入WTO，我国在许多领域，如金融、保险等领域将逐步对外开放，这就意味着许多企业将面临来自国际大型跨国公司的巨大竞争压力。国外发达国家各种企业采用商务智能的水平已经远远超过了我国。美国Palo Alto 管理集团公司1999年对欧洲、北美和日本375家大中型企业的商务智能技术的采用情况进行了调查。结果显示，在金融领域，商务智能技术的应用水平已经达到或接近70%，在营销领域也达到50%，并且在未来的3年中，各个应用领域对该技术的采纳水平都将提高约50%。
现在，许多企业都把数据看成宝贵的财富，纷纷利用商务智能发现其中隐藏的信息，借此获得巨额的回报。国内暂时还没有官方关于数据挖掘行业本身的市场统计分析报告，但是国内数据挖掘在各个行业都有一定的研究。据国外专家预测，在今后的5—10年内，随着数据量的日益积累以及计算机的广泛应用，数据挖掘将在中国形成一个产业。
众所周知，IT就业市场竞争已经相当激烈，而数据处理的核心技术---数据挖掘更是得到了前所未有的重视。数据挖掘和商业智能技术位于整个企业IT-业务构架的金字塔塔尖，目前国内数据挖掘专业的人才培养体系尚不健全，人才市场上精通数据挖掘技术、商业智能的供应量极小，而另一方面企业、政府机构和和科研单位对此类人才的潜在需求量极大，供需缺口极大。如果能将数据挖掘技术与个人已有专业知识相结合，您必将开辟职业生涯的新天地！

职业薪酬
就目前来看，和大多IT业的职位一样，数据仓库和数据挖掘方面的人才在国内的需求工作也是低端饱和，高端紧缺，在二线成熟，高端数据仓库和数据挖掘方面的人才尤其稀少。高端数据仓库和数据挖掘人才需要熟悉多个行业，至少有3年以上大型DWH和BI经验，英语读写流利，具有项目推动能力，这样的人才年薪能达到20万以上。

职业认证
1、SAS认证的应用行业及职业前景
SAS全球专业认证是国际上公认的数据挖掘和商业智能领域的权威认证，随着我国IT环境和应用的日渐成熟，以上两个领域将有极大的行业发展空间。获取SAS全球专业认证，为您在数据挖掘、分析方法论领域积累丰富经验奠定良好的基础，帮助您开辟职业发展的新天地。
2、SAS认证的有效期
目前SAS五级认证没有特定有效期，但是时间太久或版本太老的认证证书会有所贬值。
3、五级认证的关系
五级认证为递进式关系，即只有通过上一级考试科目才能参加下一级认证考试。
4、SAS全球认证的考试方式
考试为上机考试，时间2个小时，共70道客观题。

相关链接
随着中国物流行业的整体快速发展，物流信息化建设也取得一定进展。无论在IT硬件市场、软件市场还是信息服务市场，物流行业都具有了一定的投资规模，近两年的总投资额均在20-30亿元之间。政府对现代物流业发展的积极支持、物流市场竞争的加剧等因素有力地促进了物流信息化建设的稳步发展。
易观国际最新报告《中国物流行业信息化年度综合报告2006》中指出，中国物流业正在从传统模式向现代模式实现整体转变，现代物流模式将引导物流业信息化需求，而产生这种转变的基本动力来自市场需求。报告中的数据显示:2006-2010年，传统物流企业IT投入规模将累计超过100亿元人民币。2006-2010年，第三方物流企业IT投入规模将累计超过20亿元人民币。
由于目前行业应用软件系统在作业层面对终端设备的硬件提出的应用要求较高，而软件与硬件的集成性普遍不理想，对应性单一，因此企业将对软件硬件设备的集成提出更高要求。
物流行业软件系统研发将更多的考虑运筹学与数据挖掘技术，专业的服务商将更有利于帮助解决研发问题。
物流科学的理论基础来源于运筹学，并且非常强调在繁杂的数据处理中找到关联关系(基于成本-服务水平体系)，因此数据挖掘技术对于相关的软件系统显得更为重。

㈧ 逾期率是什么，逾期率怎么算，逾期贷款率计算公式

逾期贷款率，是指逾期贷款占全部贷款的比例，是用于反映贷款按期归还情况，它是从是否按期还款的角度反映贷款使用效益情况和资产风险程序。监控逾期贷款率，目的是促进银行对逾期贷款尽快妥善处理。

逾期贷款率计算公式

可按期末余额和平均余额计算，其公式如下：

期末逾期贷款率=期末逾期贷款余额/期末贷款总余额

平均逾期贷款率=全期逾期贷款平均余额/全期贷款平均余额

㈨ 什么是数据挖掘，简述其作用和应用。

1)数据挖掘能做以下七种不同事情（分析方法）： 数据挖掘· 分类 （Classification） · 估值（Estimation） · 预言（Prediction） · 相关性分组或关联规则（Affinity grouping or association rules） · 聚集（Clustering） · 描述和可视化（Description and Visualization） · 复杂数据类型挖掘(Text, Web ,图形图像，视频，音频等) 2)数据挖掘分类 以上七种数据挖掘的分析方法可以分为两类：直接数据挖掘；间接数据挖掘 · 直接数据挖掘 目标是利用可用的数据建立一个模型，这个模型对剩余的数据，对一个特定的变量（可以理解成数据库中表的属性，即列）进行描述。 · 间接数据挖掘 目标中没有选出某一具体的变量，用模型进行描述；而是在所有的变量中建立起某种关系 。 · 分类、估值、预言属于直接数据挖掘；后三种属于间接数据挖掘 3)各种分析方法的简介 · 分类 （Classification） 首先从数据中选出已经分好类的训练集，在该训练集上运用数据挖掘分类的技术，建立分类模型，对于没有分类的数据进行分类。 例子： a. 信用卡申请者，分类为低、中、高风险 b. 故障诊断：中国宝钢集团与上海天律信息技术有限公司合作，采用数据挖掘技术对钢材生产的全流程进行质量监控和分析，构建故障地图，实时分析产品出现瑕疵的原因，有效提高了产品的优良率。 注意： 类的个数是确定的，预先定义好的 · 估值（Estimation） 估值与分类类似，不同之处在于，分类描述的是离散型变量的输出，而估值处理连续值的输出；分类 数据挖掘的类别是确定数目的，估值的量是不确定的。 例子： a. 根据购买模式，估计一个家庭的孩子个数 b. 根据购买模式，估计一个家庭的收入 c. 估计real estate的价值 一般来说，估值可以作为分类的前一步工作。给定一些输入数据，通过估值，得到未知的连续变量的值，然后，根据预先设定的阈值，进行分类。例如：银行对家庭贷款业务，运用估值，给各个客户记分（Score 0~1）。然后，根据阈值，将贷款级别分类。 · 预言（Prediction） 通常，预言是通过分类或估值起作用的，也就是说，通过分类或估值得出模型，该模型用于对未知变量的预言。从这种意义上说，预言其实没有必要分为一个单独的类。预言其目的是对未来未知变量的预测，这种预测是需要时间来验证的，即必须经过一定时间后，才知道预言准确性是多少。 例子： 海南航空引入领先的数据挖掘工具马克威分析系统，分析客流、燃油等变化趋势，以航线收益为主题进行数据挖掘，制定精细的销售策略，有效提高了企业收益。 · 相关性分组或关联规则（Affinity grouping or association rules） 决定哪些事情将一起发生。 例子： a. 超市中客户在购买A的同时，经常会购买B，即A => B(关联规则) b. 客户在购买A后，隔一段时间，会购买B （序列分析） · 聚集（Clustering） 聚集是对记录分组，把相似的记录在一个聚集里。聚集和分类的区别是聚集不依赖于预先定义好的类，不需要训练集。 例子： a. 一些特定症状的聚集可能预示了一个特定的疾病 b. 租VCD类型不相似的客户聚集，可能暗示成员属于不同的亚文化群 聚集通常作为数据挖掘的第一步。例如，"哪一种类的促销对客户响应最好？"，对于这一 类问题，首先对整个客户做聚集，将客户分组在各自的聚集里，然后对每个不同的聚集，回答问题，可能效果更好。 c. 中国移动采用先进的数据挖掘工具马克威分析系统，对用户wap上网的行为进行聚类分析，通过客户分群，进行精确营销。