کمک فوری برای انجام داده کاوی در بانک و...
 

سلام.
خواهش میکنم یکی به من کمک کن.:102::102::102:
من تو زمیینه داده کاوی در بانک کشاورزی چه کارهایی میتونم انجام بدم؟
خودم اینا به ذهنم رسید:
1.بکارگیری تکنیک داده کاوی جهت بهبود مدیریت ارتباط با مشتری در صنعت بانکداری.
2.پیش بینی وضعیت مشتریان.
3.تحلیل رضایتمندی مشتریان با استفاده از تکنیک های داده کاوی
4.بررسی و کاربرد و تاثیر استفاده از داده کاوی در حوزه بانکداری.
که این کارو با چه تکنیک هایی انجام بدم ؟و در این راستا از نرم افزار spss 17 استفاده میکنم.
اگه کسی اطلاع داره من راهنمایی کن.:28::28:

سلام
بطور کلی موارد زیر در کاربرد داده کاوی در بانکداری مطرح است:
1.Marketing
2. Risk Management
3. Fraud detection
4. Customer Retention

مراجع :


درباره ابزار هم موارد زیادی وجود داره که بسته به اینکه می خواهید چه خروجی داشته باشه یا برنامه نویسی هم بکنید بعنوان ارائه یک نرم افزار یا فقط بصورت پژوهشی در موردش تصمیم گیری می کنید (منظورتون spss celemantine 12 است که ابزار داده کاوی است و کار شما را ساپورت می کنه و گرنه spss آماری که مواردی که می خواهید را پوشش نمی دهد.)
اگر در مورد نوع داده هایی که دسترسی دارید اطلاعات بیشتری بدهید میشه در مورد کاربرد های دیگه و انجامشان بحث کرد.

به جز مورد سوم یعنی تحلیل رضایتمندی مشتریان با استفاده از تکنیک های داده کاوی، خیلی موضوع بهتری هست. بقیه موضوع ها خیلی کلی مطرح شده و باید ریز تر باشه. شما از SPSS17 هم می تونید به منظور این کار استفاده کنید. اما خوب SPSS clementine 12 هم نرم افزار تخصصی داده کاوی هست اگر بتونید باهاش کار کنید خیلی بهتره. چند روز آینده اسلایدهای سمینار داده کاوی رو توی انجمن شیر می کنیم. توی این اسلایدها خیلی از کاربردها به صورت دقیق و همراه با الگوریتم های مورد نیاز ذکر شده.

irandataminer.ir در بخش عمومی یک مقاله فارسی در این زمینه گذاشته است

سلام ممنون از توجتون
نوع داده هایی که من در اختیار دارم به این صورتند:
اطلاعات گزارش اسنادی(کد شعبه،شماره ژورنال،کد حساب،کد تراکنش،کد زیر نوع حساب،بدهکار،بستانکار،نام صادرکننده)
(نوع حساب،مبلغ بریال،مبلغ ارز،شرح محصول،محصول،شرح حساب،کد دفتر کل، شماره حساب،شرح تراکنش،کد تراکنش،نام شعبه عمل کننده،کد شعبه،شماره ژورنال)
و با استفاده از این اطلاعات میخوام کشف جرایم مالی در داده کاوی را بررسی کنم با این داده ها میتونم؟

سلام ممنون از لطفتون
کشف جرایم مالی چطور؟

داده هاتون نسبتا خوبه می تونید از Fraud detection استفاده کنید. البته اگه این داده هاتون مربوط به شعبات خیلی بهتره که سن و جنسیت ریئس شعبه توش باشه و اگر مربوط به حساب های شخصی هست باز هم بهتره این دو متغیر توش باشه. جنسیت و سن و میزان تحصیلات در کشف جرائم شخصی از جمله متغیرهای مهم هست. اما اگر می خواهید درباره شعبات این کار را انجام دهید این متغیرها نیاز نیست.

سلام وقتتون بخیر
ممنون
یعنی از این یه متغییر فقط استفاده کنم ؟منالان باید وابستگی بین این سه متغییر را بدست بیارم؟یه ذره من راهنمایی میکنید؟

کشف تقلب با استفاده از داده کاوی
 

نه منظورم فقط استفاده از این 3 متغیر نبود. منظورم رو بد رسوندم. بیشتر می خواستم بگم از متغیرهایی که رایج هستند بیشتر استفاده کنید. مثلا ببینید در تحقیقات بیشتر از چه متغیرهایی استفاده شده شما هم سعی کنید علاوه بر سایر متغیرها این متغیرها رو حتما استفاده کنید. یه مقاله بسیار بسیار خوب در زمینه کشف تقلب براتون آپلود کردم که در زیر هست. این یک مقاله مروری هستش و کلا تمامی مقالات در حوزه کشف تقلب با استفاده از داده کاوی رو مرور کرده. این مقاله شما رو در زمینه کشف تقلب حتما راهنمایی می کنه.

سلام
ابتدا عذرخواهی بابت اینکه چند وقتی بود که نبودم و پیامتون را ندیدم.
بجاش سعی می کنم با یک راهکار عملی سریع و ساده سعی کنم یک دید مختصر نسبتا جالب پیدا کنین.

ابتدا یک توصیه تجربی برای پیش پردازش داده هاتون معمولا هر ویژگی که دارای اعداد یک بار تکرار شدنی است دور ریختنی است (مانند شماره پرسنلی, اعداد ترتیبی برای id, کد های تکرار نشدنی و ...) البته اگه این کار را هم انجام ندهید بعدا می توانید موارد بی اثر یا کم اثر را تشخیص دهید.

اگه مورد مطالعه شده خاصی مد نظرتون هست که بگید مرحله به مرحله جلو ببریمش (که صحیح تر هم این است که موارد مطالعه و عملی شده ای در حداقل یک مقاله را بررسی کرده باشید) اگر نه که مثلا برای شروع می توانید با پیدا کردن موارد outlier dtection یک تستی بکنی معمولا از روش های کلاسترینگ استفاده می کنن.

یک شروع عملی ساده:
0. ابتدا ویژگی های شاخصی که معمولا می تواند شامل تعداد تراکنش های حسابها و موارد منحصرا مالی را جدا کنید (این موارد بنظر می رسه می تونن یک الگوی خوبی برای رفتارهای خاص مالی هستند را نمایش بدهند.)
1. حالا شما برای شروع داده هاتون را (پس از تبدیل به فرمت CSV یا arff) وارد نرم افزار weka می کنین.
2. از preprocess فیل-تر RemoveUseless را انتخاب می کنی و Apply.
3. از Cluster مثلا الگوریتم DBScan را انتخاب می کنید.
--> نتیجه بدست آمده شامل چند مورد بدون خوشه است که این موارد مشکوک به وضعیت های غیر عادی از جمله کلاهبرداری می توانند باشند.(حالا اگر داده هاتون شامل ویژگی هایی که وجه تمایز یک کلاهبردار است یا اصلا مطمئن نیستید که کلاهبرداری انجام شده می تونید این موارد را زیر ذره بین ببرید که معمولا نشاندهنده یکسری حساب های با رفتار خاص است)

حتما از این نوع پیش بردن مساله تعجب کرده اید :106: خوب هدفم این بود که ترس شما برای انجام یک پروسه اینجوری بریزه. حالا شما در مرحله بعد می خواهید ویژگی های حرفه ای تری انتخاب کنید که واقعا کلاهبردارها مشخص بشن یا مسائلی را مانند طبقه بندی مشتریان از نظر رفتار مالی و این قبیل مسائل پیش ببرید که پس از کمی مطالعات جهت دار که انجام می دهید و سوال براتون پیش میاد می توانیم بررسی کنیم و جلو ببریم.

موفق باشید