银行业中的数据分析与典型数据分析的区别

文 | 商业智能研究 2016-03-07
阅读次数:2,228

阅读提示:

文章中与FineReport软件使用的相关内容,基于软件的V7.0旧版本编写,不代表软件最新的使用方式。
FineReport最新版免费试用:https://www.finereport.com/product/active
FineReport最新版使用教程:https://help.fanruan.com/finereport/

数据分析

随着科技的发展,数据分析在各个领域中都有着广泛的应用,在每个领域中数据分析的方法都不一样。目前在银行业中进行数据分析的方法与典型的数据分析方法又有哪些不同呢?主要表现为以下几种:

第一、数据质量复核

数据的复核分析指的是通过重计算和核对的方式将银行的数据进行两次校验,来确保数据的完整性以及准确性,识别出存在于IT系统中的薄弱环节。这一类数据分析通常存在一些固定的计算和分析方法。数据分析的范围也可以通过抽取样本的方式来进行确定。对分析工具的选择需要根据计算的样本量来选择电子表格或是小型的数据库,这些都是进行银行数据分析的基本类型。

第二、异常特征分析

异常特征分析指的是根据数据里的特定字段所具有的特征,进行分析和筛选,找到其中存在的异常风险内容,识别出IT阈值,并且对于分析的结果进一步的进行跟进。分析的对象通常包括异常计结息和异常大额交易还有存贷款的账户出现异常波动以及系统之间处理时产生的交易峰值等等。这一类数据分析主要是建立在已经确认了存在风险的数据字段里,数据的分析范围通常需要根据测试的要求,选择出一季度或者一整年的所有业务数据。数据分析的工具需要随着数据量的增长而引入大型的数据库容载这些分析数据,这一类分析可以有效的识别出正常的IT架构下体系中可以容忍的阈值,通过分析已经发生的信息科技风险,寻找出引发IT信息科技风险的风险源。

第三、探索性数据挖掘

探索性的数据挖掘分析更加侧重于在数据里找出新的特征,作为特征型数据分析的延伸,帮助分析人员从看似无用的数据里挖掘出一些有意义的风险指标。在这样的分析里,除了这些数据本身以外,还必须要引入一个成熟而且有效的数据模型,结合分析人员自身具备的统计分析知识,进行综合的运用,来达到发现这些数据背后所存在的业务规律以及IT风险源这两个主要的目的。

通过以上的介绍可以看出,在银行业中进行数据分析的方法主要依靠的是数学模型对于数据本身的规则进行归纳,并且根据所得到的规则对风险进行判断。

报表产品更多介绍:www.finereport.com

免费试用FineReport


本月阅读量最高的10篇文章

售前咨询

服务热线

400-811-8890转1

售后咨询

在线QQ

800049425

服务热线

400-811-8890转2

投诉建议

总裁办24H投诉

173-127-81526