چکیده فارسی :

سیستم های بانکی، حجم عظیمی از داده ها را روزانه و به روز جمع آوری میکنند،که شامل اطلاعات مربوط به مشتری،جزئیات معامله، مشخصات خطر، جزئیات کارت اعتباری، حد و جزئیات وثیقه، اطلاعات مربوط به تسلیم و ضدپول شویی (AML) ، اطلاعات مالی معاملات، SWIFT  و پیام های تلکس میشود. روزانه هزاران تصمیم در یک بانک گرفته می شود. این تصمیمات شامل تصمیمات اعتباری، تصمیم در مورد قصورات پرداختی، شروع ارتباط، تصمیمات سرمایه گذاری، AML  و تصمیماتی در رابطه با سرمایه گذاری غیر قانونی است. این امکان وجود دارد که فردی وابسته به گزارشات متنوع و ابزارهای Drill down  که توسط سیستم های بانکداری ارائه می شود به این تصمیمات مهم دست یابد.اما اینکار روندی دستی است و احتمال اشتباه وجود دارد وبه علت حجم بالای داده های تجاری و نقلی، وقت گیر است.از این حجم بالای داده ها،دانش  و الگوهای حائز اهمیتی را میتوان استخراج کرد که به نوبه خود  میتوانند برای این فرآبند تصمیم گیری مورد استفاده قرار بگیرد.این مقاله سعی دارد تا به کاوش و بازنگری روش های استخراج داده های مختلف بپردازد که میتواند در حوزه های بانکداری بکار گرفته شود.این مقاله همچنین به بازنگری روند ها و روش های داده کاوی اشاره نموده است.همچنین به ارائه بینشی در مورد چگونگی بکارگیری این روشها در حوزه های بانکداری در راستای تصمیم گیری آسانتر و کارآمد تر پرداخته است

کلمات کلیدی:داده کاوی،بانکداری،شناسایی قصورات ،کلاس بندی مشتری، پولشویی

چکیده انگلیسی :

Banking systems collect huge amounts of data on day to day basis, be it customer information, transaction details, risk profiles, credit card details, limit and collateral details, compliance and Anti Money Laundering (AML) related information, trade finance data, SWIFT and telex messages. Thousands of decisions are taken in a bank daily. These decisions include credit decisions, default decisions, relationship start up, investment decisions, AML and Illegal financing related. One needs to depend on various reports and drill down tools provided by the banking systems to arrive at these critical decisions. But this is a manual process and is error prone and time consuming due to large volume of transactional and historical data. Interesting patterns and knowledge can be mined from this huge volume of data that in turn can be used for this decision making process. This article explores and reviews various data mining techniques that can be applied in banking areas. It provides an overview of data mining techniques and procedures. It also provides an insight into how these techniques can be used in banking areas to make the decision making process easier and productive.
Keywords: Data Mining, Banking, Default Detection, Customer Classification, Money Laundering