- 快捷搜索
- 全站搜索
主要数据分析方法
目前银行业数据分析比较典型的数据分析方法主要为：数据质量复核（Data Quality Reconciliation）；异常特征分析（Exceptional Analysis）；探索性数据挖掘（Exploration Data Mining）。这三种数据分析方法对数据量和分析复杂度的要求也存在层级递进的关系。
数据质量复核。复核分析即以通过重计算和核对的方法对银行数据进行二次校验，以确保数据的完整性和准确性。主要包括：
存贷款利息重计算；
摊余成本计算复核；
票据贴现转贴现核算；
存贷款分户账与总账核对；
利息或息税调整时计息结息核算
……
此类数据分析一般存在固定的分析计算方式；数据分析范围也以抽取样本的方式确定；对于分析工具的要求也可以根据需要计算的样本量选择电子表格或者小型数据库。从测试的本质上来说，此类数据分析更加接近计算机辅助审计技术（CAATs）的概念，是银行数据分析的基础类型。
异常特征分析。即根据数据中特定字段的相应特征，分析和筛选存在异常和风险的内容，并对结果进行进一步的跟进。分析对象主要包括：
违规处理的长期冻结账户；
异常计结息；
异常大额交易；
违规投资交易；
存贷款账户异常波动；
……
此类数据分析主要建立在确认存在风险的特定数据字段的基础上。数据分析范围一般根据测试期间的要求，选择一季度或一整年的全量业务数据；而数据分析工具则需要随着数据量增长的需要引入大型数据库来容载分析数据。
该类分析可以有效识别出银行业务流程中的潜在风险，而不仅仅局限于数据本身的准确性，是银行业数据分析的主要分析手段，同时也是非现场审计等自动化审计平台的核心审计模块。
探索性数据挖掘。探索性数据挖掘分析侧重于在数据之中发现新的特征，作为特征型数据分析的延伸，帮助分析者从看似无关的数据中挖掘出有意义的风险指标。
在这种分析中，除了数据本身，还需要引入成熟有效的数据分析模型，结合分析者自身的统计分析知识，综合运用，从而达到“发现数据背后的业务规律”这一目的。笔者在这里简要的列示一些常用的数据分析模型，并给出模型适用的具体测试应用项目。
当前，商业银行灾备中心建设与运营主要采用自建、共建和外包三种模式。哪种
央行和银监会对中小银行的灾备布局建设十分重视，构建同城灾备中心，发挥其