基于数据仓库的商业银行营销分析子系统的设计

4.6.2　基于数据仓库的商业银行营销分析子系统的设计

从未来发展看，我国商业银行营销管理系统化、信息化的程度将不断提高，尤其是对营销信息的管理将由普通的数据库发展为超大型的数据库甚至是数据仓库。面对大型数据库或数据仓库，传统的营销分析方法显然已无能为力，因为它们仅能提供大量综合性的数据;数据仓库技术本身只是对数据的初步加工，同样不能适应信息深层次分析及应用的需要。为了从数据仓库中提取隐藏在数据背后的有用信息，即实现数据仓库的知识发现(Knowledge Discovery in Databases，KDD)，我国商业银行应构建一套基于数据仓库的营销分析子系统。

我国商业银行营销分析子系统的框架结构如图4-7所示。该系统建立在四库，即数据仓库、知识库、模型库和方法库的基础上，主要利用数据挖掘技术(Data Mining，DM)实现KDD。其中:①数据仓库负责提取数据库中的事务级数据以进行集成、转化和综合，从而形成面向全局的主题型数据视图，为商业银行营销分析提供数据存储和组织的基础。②数据挖掘是一种从数据仓库中提取隐含、深层次、有价值的预测性信息的新技术。它通过利用选定的算法完成特定的数据挖掘任务，较好地实现了信息质的飞跃。DM控制能较好地指导知识的发现过程，并能对发现的知识进行评价，找出真正有价值的知识。利用数据挖掘得到的新知识将被补充到知识库中，而其他来源的知识则通过人机交互方式输入知识库中。③方法库和模型库除了存储数据变换和数据挖掘算法之外，还存放着其他各种模型，比如客户利润评测模型、客户购买倾向模型、客户渠道爱好模型、商业银行信用和风险评测模型等。方法库负责为模型库提供算法支持，两者密切相关。④在基于数据仓库的商业银行营销分析子系统中，数据挖掘是实现知识发现的关键环节。

图4-7　基于数据仓库的我国商业银行营销分析子系统的结构