Einsatzmöglichkeiten von ausgewählten DATA MINING VERFAHREN im Bereich Financial Services

Inhaltsverzeichnis

• 1. Einleitung
• 1.1. Motivation
• 1.2. Aufbau der Arbeit
• 2. Kundenorientierte Marketingbestrebungen
• 2.1. Kundenpotential
• 2.2. Kundensegmentierung
• 2.3. Direct Marketing
• 2.4. Database Marketing
• 3. Der Bankenbereich
• 3.1. Unternehmen
• 3.2. Das Bankgeschäft.
• 3.3. Bankleistung
• 3.4. Bankmarketing
• 3.4.1. Qualitätspolitik
• 3.4.2. Preispolitik
• 3.4.2.1. Kreditgeschäft
• 3.4.2.2. Zahlungsverkehr
• 3.4.3. Vertriebspolitik.
• 3.4.4. Kommunikationspolitik
• 3.5. Mögliche Einsatzfelder des Data Mining
• 4. Knowledge Discovery in Databases (KDD)
• 4.1. Begriffsdefinition
• 4.2. Der KDD-Prozeß
• 4.3. Data Mining
• 4.3.1. Einordnung des Begriffs
• 4.3.2. Aufgaben des Data Mining
• 4.3.3. Auslöser der Entwicklung
• 4.3.4. Probleme im Vorfeld . .
• 4.3.4.1. Datenproblematik
• 4.3.4.2. Verfahrensproblematik
• 5. Datengrundlagen
• 5.1. Informationsniveau
• 5.1.1. Betrachtung einzelner Merkmale
• 5.1.2. Betrachtung gemischter Merkmale
• 5.2. Datencharakteristika .
• 5.2.1. eindimensionale Auswertung
• 5.2.1.1. Deskriptive Statistik
• 5.2.1.2. Lageparameter.
• 5.2.1.3. Streuungsparameter
• 5.2.1.4. Induktive Statistik.
• 5.2.2. Zweidimensionale Auswertung.
• 5.3. Weiterführende Datenbearbeitung
• 5.3.1. Transformation . .
• 5.3.2. Skalierung qualitativer Daten
• 6. Verfahren
• 6.1. Modellbildung
• 6.1.1. Modellformulierung
• 6.1.2. Modellentstehung.
• 6.1.3. Modellevaluierung
• 6.1.4. Modellanwendung
• 6.2. Einteilung in Verfahrensgruppen
• 6.2.1. Gerichtete Verfahren.
• 6.2.1.1. Darstellung der verschiedenen Verfahrenstypen
• 6.2.1.2. Vorgehensweise der Verfahren
• 6.2.1.3. Verfahrensvergleich
• 6.2.2. Ungerichtete Verfahren
• 6.2.2.1. kombiniert ungerichtet-gerichtetes Vorgehen
• 6.3. Statistik
• 6.3.1. Korrelationsanalyse
• 6.3.1.1. Kontingenzanalyse
• 6.3.1.2. Pearsonsche Korrelationsanalyse
• 6.3.1.3. Multiple Korrelation.
• 6.3.1.4. Kanonische Korrelation
• 6.3.1.5. Chi-Quadrat-Unabhängigkeitstest
• 6.3.2. Regression. .
• 6.3.2.1. Kategoriale Regression
• 6.3.2.2. Multikollinearität
• 6.3.3. Varianzanalyse
• 6.4. Numerische Taxonomie.
• 6.4.1. Clusteranalyse
• 6.4.1.1. Unterscheidung der verschiedenen Verfahren
• 6.4.1.2. Agglomerative Methoden
• 6.4.1.3. Partionierende Methoden
• 6.4.1.4. Unscharfe Verfahren
• 6.4.1.5. Konzeptionelles Clustern
• 6.4.2. K-Nächste-Nachbarn
• 6.4.3. Diskriminanzanalyse
• 6.5. Entscheidungsbäume.
• 6.5.1. Charakteristika und Ablaufschema
• 6.5.2. AID
• 6.5.3. CART
• 6.5.3.1. Modellgüte
• 6.5.3.2. Modellerstellung
• 6.5.3.3. Kostenbetrachtung
• 6.5.3.4. Pruning
• 6.5.4. CHAID
• 6.5.5. FAID
• 6.5.6. C4.5
• 6.5.6.1. Der ID3-Algorithmus
• 6.5.6.2. Erweiterungen zum C4.5-Algorithmus
• 6.6. Neuronale Netze
• 6.6.1. Einsatzfeld
• 6.6.2. Überblick über Aufbau und Funktionsweise
• 6.6.3. Entstehung und Entwicklung
• 6.6.4. Multi-Layer Perceptron mit Backpropagation
• 6.6.4.1. MLP-Topologie.
• 6.6.4.2. Backpropagation-Lernregel
• 6.6.4.3. Genetischer Algorithmus
• 6.6.5. Radiale Basisfunktionen
• 6.7. Vektorquantifizierung
• 6.7.1. Kohonen-SOM
• 6.7.1.1. Gerichtete SOM
• 6.7.1.2. Fuzzy-SOM
• 6.7.2. Lernende Vektorquantifizierung
• 6.7.2.1. Erweiterte LVQ
• 7. Beschriebene Anwendungsfälle in der Literatur
• 7.1. Anwendung von Verfahren.
• 7.1.1. Kundensegmentierung unter Nutzung externer Daten
• 7.1.2. Kundensegmentierung anhand Fuzzy-Datenanalysen
• 7.1.3. Marktsegmentierung bei Privatkunden auf der Basis von Einstellungen
• 7.1.3.1. Gerichtetes Erlernen von Kundenbedürfnissen
• 7.2. Vergleiche von Verfahren.
• 7.2.1. STATLOG-Studie
• 7.2.2. Studie von Curram/ Mingers
• 7.2.3. Vergleiche von Berry/ Linoff

Zielsetzung und Themenschwerpunkte

Die Arbeit befasst sich mit den Einsatzmöglichkeiten von Data Mining Verfahren im Bereich Financial Services. Sie zielt darauf ab, die verschiedenen Data Mining Verfahren vorzustellen, ihre Funktionsweise zu erläutern und ihre Anwendbarkeit in der Finanzdienstleistungsbranche aufzuzeigen.

• KDD-Prozess und seine Phasen
• Verfahren des Data Mining
• Datenmanagement und Datenvorbereitung
• Anwendung von Data Mining Verfahren in der Finanzdienstleistungsbranche
• Beispiele für erfolgreiche Anwendungen

Zusammenfassung der Kapitel

Die Arbeit beginnt mit einer Einleitung, die die Motivation und den Aufbau der Arbeit darstellt. Anschließend werden die Kundenorientierten Marketingbestrebungen und der Bankenbereich ausführlich beleuchtet. Das vierte Kapitel befasst sich mit dem Knowledge Discovery in Databases (KDD)-Prozess. Das fünfte Kapitel behandelt die Datengrundlagen und ihre Charakteristika. Die verschiedenen Data Mining Verfahren werden im sechsten Kapitel vorgestellt, wobei auch ein Vergleich der Verfahren erfolgt. Die Arbeit schließt mit der Darstellung beschriebener Anwendungsfälle in der Literatur ab.

Schlüsselwörter

Data Mining, Financial Services, Kundenpotential, Kundensegmentierung, Direct Marketing, Database Marketing, KDD-Prozess, Verfahren, Statistik, Clusteranalyse, Entscheidungsbäume, Neuronale Netze, Vektorquantifizierung.

Häufig gestellte Fragen

Was ist Data Mining im Bereich Financial Services?

Data Mining bezeichnet automatisierte Analysemethoden, um in großen Datenmengen von Banken und Versicherungen Muster und Zusammenhänge für das Marketing und CRM zu finden.

Welche Ziele verfolgt Data Mining im Bankmarketing?

Zentral sind die Bestandskundenausschöpfung, die Steigerung der Kundenloyalität sowie die gezielte Neukundengewinnung durch Segmentierung.

Was ist der Unterschied zwischen gerichteten und ungerichteten Verfahren?

Gerichtete Verfahren (z. B. Entscheidungsbäume) suchen nach Erklärungen für eine bestimmte Zielvariable. Ungerichtete Verfahren (z. B. Clusteranalyse) suchen ohne Zielvorgabe nach Strukturen in den Daten.

Reicht es aus, Daten einfach „automatisch“ durchlaufen zu lassen?

Nein, das ist ein Irrglaube. Entscheidend sind die präzise Formulierung des Business Problems und eine adäquate Vorbereitung und Aufbereitung der Daten.

Was sind Neuronale Netze im Data Mining?

Es handelt sich um komplexe Algorithmen, die biologische Lernprozesse nachahmen, um Muster in Daten zu erkennen, besonders wenn die Zusammenhänge nicht-linear sind.