Основы информационных технологий

§3.3. Применение Data Mining
для решения бизнес-задач 
Следует отметить, что на сегодняшний день наибольшее распростра-
нение технология Data Mining получила при решении бизнес-задач. Сей-
час технология Data Mining используется практически во всех сферах де-
ятельности человека, где накоплены ретроспективные данные.
Основные направления: банковское дело, финансы, страхование, 
CRM, производство, телекоммуникации, электронная коммерция, марке-
тинг, фондовый рынок и другие.
Банковское дело
Классический пример применения Data Mining в банковском деле – 
решение задачи определения возможной некредитоспособности клиента 
банка. Без применения технологии Data Mining задача решается сотруд-
никами банковского учреждения на основе их опыта, интуиции и субъек-
тивных представлений о том, какой клиент является благонадежным. По 
похожей схеме работают системы поддержки принятия решений и на ос-
нове методов Data Mining. Такие системы на основе исторической (ре-
троспективной) информации и при помощи методов классификации вы-
являют клиентов, которые в прошлом не вернули кредит.
Задача о выдаче кредита клиенту банка при помощи методов Data 
Mining решается следующим образом: совокупность клиентов банка раз-
бивается на два класса (вернувшие и не вернувшие кредит); на основе 

---

– 82 – 
группы клиентов, не вернувших кредит, определяются основные "черты" 
потенциального неплательщика; при поступлении информации о новом 
клиенте определяется его класс ("вернет кредит", "не вернет кредит"). 
С помощью инструментов Data Mining возможно провести классифи-
кацию на "более выгодных" и "менее выгодных" клиентов. После опре-
деления наиболее выгодного сегмента клиентов банку есть смысл про-
водить более активную маркетинговую политику по привлечению клиен-
тов именно среди найденной группы.
Разбивая клиентов при помощи инструментов Data Mining на различные 
группы, банк имеет возможность сделать свою маркетинговую политику 
более целенаправленной, а потому – эффективной, предлагая различным 
группам клиентов именно те виды услуг, в которых они нуждаются.
Проводя прогнозирования временного ряда с информацией об остат-
ках на счетах клиентов за предыдущие периоды, применяя методы Data 
Mining, можно получить прогноз остатка на счетах в определенный мо-
мент в будущем. Полученные результаты могут быть использованы для 
оценки и управления ликвидностью банка.
Для выявления подозрительных операций с кредитными карточками 
применяются так называемые "подозрительные стереотипы поведения", 
определяемые в результате анализа банковских транзакций, которые 
впоследствии оказались мошенническими. Для определения подозри-
тельных случаев используется совокупность последовательных операций 
на определенном временном интервале. Если система Data Mining счита-
ет очередную операцию подозрительной, банковский работник может, 
ориентируясь на эту информацию, заблокировать операции с опреде-
ленной карточкой.
Страхование
Страховой бизнес связан с определенным риском. Здесь задачи, ре-
шаемые при помощи Data Mining, сходны с задачами в банковском деле. 
Информация, полученная в результате сегментации клиентов на группы, 
используется для определения групп клиентов. В результате страховая 
компания может с наибольшей выгодой и наименьшим риском предла-
гать определенные группы услуг конкретным группам клиентов. Задача 
выявления мошенничества решается путем нахождения некоего общего 
стереотипа поведения клиентов-мошенников.