Dữ liệu tài chính thu thập trong ngành ngân hàng và tài chính khá hoàn thiện, tin cậy và chất lượng cao, hỗ trợ phân tích hệ thống và khai thác dữ liệu. Do đó, trình bày một vài trường hợp điển hình:
Thiết kế và xây dựng kho dữ liệu cho phân tích đa chiều và khai thác dữ liệu
Kho dữ liệu cần được xây dựng cho bản ghi ngân hàng và tài chính. Phương pháp phân tích đa chiều phải được dùng để phân tích đặc điểm chung của dữ liệu đó. Ví dụ: có thể muốn xem thay đổi nợ và doanh thu theo tháng, theo khu vực, theo ngành, và theo nhiều yếu tố, cùng với giá trị max, min, tổng, trung bình, xu hướng và dữ liệu thống kê khác.
Dự đoán thanh toán cho vay và phân tích chính sách tín dụng khách hàng
Dự đoán thanh toán cho vay và phân tích tín dụng khách hàng thiết yếu cho kinh doanh ngân hàng. Một số yếu tố có thể ảnh hưởng mạnh hoặc yếu đến việc thực hiện thanh toán cho vay và xếp hạng tín dụng người dùng. Phương pháp khai thác dữ liệu, bao gồm chọn thuộc tính và xếp hạng độ liên quan thuộc tính, có thể giúp xác định yếu tố quan trọng và loại bỏ những không liên quan. Ví dụ: các yếu tố liên quan đến rủi ro thanh toán cho vay bao gồm tỷ lệ cho vay/giá trị, kỳ hạn cho vay, tỷ lệ nợ (tổng nợ hàng tháng so với tổng thu nhập hàng tháng), tỷ lệ thanh toán/thu nhập, mức thu nhập người dùng, trình độ học vấn, khu vực cư trú, và lịch sử tín dụng.
Phân loại và phân cụm khách hàng cho marketing mục tiêu
Kỹ thuật phân loại và phân cụm có thể dùng để xác định nhóm khách hàng và marketing mục tiêu. Ví dụ: có thể dùng phân loại để nhận diện các yếu tố quan trọng nhất ảnh hưởng đến quyết định ngân hàng của người dùng. Khách hàng có hành vi tương tự về thanh toán cho vay có thể được nhận diện bằng phương pháp phân cụm đa chiều. Điều này giúp xác định nhóm người dùng, liên kết người dùng mới với nhóm khách hàng phù hợp, và thúc đẩy marketing mục tiêu.
Phát hiện tiền rửa và các tội phạm tài chính khác
Để phát hiện tiền rửa và các tội phạm tài chính khác, thiết yếu phải tích hợp dữ liệu từ nhiều cơ sở dữ liệu (như CSDL giao dịch ngân hàng, CSDL tiền án dân sự hoặc nhà nước), vì chúng có thể liên quan đến nghiên cứu. Nhiều công cụ phân tích dữ liệu có thể dùng để phát hiện mẫu bất thường, bao gồm dòng tiền mặt lớn tại kỳ cụ thể, bởi nhóm khách hàng cụ thể.
Các công cụ hữu ích: công cụ trực quan hóa dữ liệu (hiển thị hoạt động giao dịch bằng đồ thị theo thời gian và nhóm người dùng), công cụ phân tích liên kết (nhận diện liên kết giữa khách hàng và hoạt động khác nhau), công cụ phân loại (lọc thuộc tính không liên quan và xếp hạng liên quan cao), công cụ phân cụm (nhóm các phương pháp khác nhau), công cụ phân tích giá trị ngoại lai (phát hiện số tiền chuyển khoản bất thường hoặc nhiều hoạt động), và công cụ phân tích thiết kế tuần tự (đặc trưng chuỗi truy cập bất thường).