کاربرد تکنیک استخراج داده در بخش بانکداری
1. مقدمه
کامپیوتری شدن عملیات های مالی، از طریق شبکه جهانی وب و حمایت از نرم افزارهای خودکار ، مفهوم پایه تجارت و شیوه اجرای عملیات های تجاری را کاملاً تغییر داده است. بخش بانکداری استثنایی برای آن تلقی نمی گردد. این بخش شاهد تغییر وسیع و گسترده ای در شیوه اجرای عملیات های بانکداری بوده است. از سال 1990، کل مفهوم بانکداری به پایگاههای داده متمرکز ، معاملات آن لاین و ATM در کل جهان تغییر جهت داده است ، در نتیجه سیستم بانکداری از لحاظ فنی قدرت زیادی کسب کرده و به صورت مشتری مدار ظاهر شده است.در محیط امروز، بانک ها داده های الکترونیکی زیادی نزد خود نگهداری می کنند. سایز بزرگ این قبیل پایگاههای داده، آنالیز این قبیل پایگاهها و بازبینی اطلاعات مفید برای تصمیم گیرندگان را غیر ممکن می کند. از سال 1980، بخش بانکداری از سیستم اطلاعات مدیریت استفاده کرده و بدین طریق بانک ها قادر به ارائه گزارشات مختلفی می باشند که در مراحل بعدی برای تصمیم گیری در سازمان مطرح شده و مورد آنالیز قرار می گیرد. اما، مسئولین پایه می توانند از گزارشات موجود به صورت خلاصه استفاده نمایند. رسیدگی به بخش بانکداری که خود یک صنعت اطلاعاتی محسوب می گردد، کار بسیار سخت و خسته کننده ای می باشد. در حال حاضر بانک ها گزارشاتی از گزارشات مقاله و صورت های تقدیم شده توسط واحدهای مختلف، ارائه می دهند. این قبیل گزارشات به خاطر ثبت و تفسیر داده ها توسط طرفین مختلف در سطوح گوناگون دارای درجه خطای بالایی می باشند. به علاوه پکیج های نرم افزار TBC بکار گرفته شده در شعب مختلف متکی بر معامله می باشند، چرا که با توجه به معاملات انجام شده به صورت ذهنی طراحی شده اند. طراحی MIS جدید یا بازسازی موارد موجود تنها با جایگزینی پکیج های TBC میسر نمی باشد. به نظر می رسد راه حل این مسئله، بهره گیری از مفهوم انبارداری و استخراج داده باشد. به خاطر توسعه گسترده داده و کاربردهای چند منظوره آن، سازمان ها و افراد به سیستم مدیریت و بازیابی متمرکز داده نیاز دارند. برای پردازش بهتر و تسهیل دسترسی و آنالیز کاربر به تمرکز عمدتاً نیاز می باشد.
استخراج داده
به فرایند استخراج دانش و اطلاعات مخفی شده از میان حجم وسیعی از داده ها، استخراج داده گفته می شود. دانش و اطلاعات مذکور بایستی جدید،و نامعلوم بوده و شخص توانایی استفاده از آن را داشته باشد. فرایند استخراج داده به صورت زیر تعریف شده است: استخراج اطلاعات ضمنی، قبلاً نامعلوم و بسیار مفید از داده ها. آن در واقع به علم استخراج اطلاعات مفید از پایگاههای داده بزرگ اشاره می کند. استخراج داده ، یکی از وظایف مهم در فرایند کشف دانش از پایگاه داده به شمار می رود. شکل 1 فرایند کشف دانش را نشان می دهد. مراحل کشف دانش عبارتنداز:
1.انتخاب داده. داده های وابسته به آنالیز مشخص و از موقعیت های مختلف داده بازیابی می شوند.
2. پیش پردازش یا پردازش مقدماتی داده ها: در این مرحله، فرایند پاکسازی و تلفیق و یکپارچگی داده انجام می شود.
پاکسازی داده: همچنین معروف به تنظیف داده می باشد. در این مرحله داده های اضافی و بی ربط از داده های جمع آوری شده حذف می گردد.
تلفیق و یکپارچگی داده: در این مرحله، منابع متعدد داده ، که اغلب ناهمگن می باشند، در یک منبع مشترک باهم ترکیب می شوند.
3. تبدیل داده : در این مرحله داده های انتخاب شده به اشکال مناسب برای رویه استخراج تبدیل می شوند.
4. استخراج داده: این مرحله از اهمیت بسزایی برخوردار می باشد. در این مرحله از تکنیک های هوشمند برای استخراج الگوهای مفید استفاده می گردد. تصمیم اصلی راجع به تکنیک استخراج داده بکارگرفته شده اخذ می گردد.
5. تفسیر و ارزیابی: در این مرحله، الگوهای جالب توجه معرف دانش و اطلاعات براساس معیارهای مناسب شناسایی می گردند. دانش کشف شده به صورت بصری در اختیار کاربر قرار داده می شود. این مرحله ضروری از تکنیک های مجازی سازی برای کمک به درک و فهم کاربر استفاده می کند.
شکل 1. شمایی از فرایند کشف دانش را نشان می دهد.
تکنیک های استخراج داده:
تکنیک های مختلف استخراج داده عبارتنداز:
ارتباط
هدف از ارتباط و همبستگی معمولاً یافتن آیتم های داده بکاررفته در مجموعه های داده بزرگ می باشد. از این تکنیک برای یافتن الگوهایی استفاده می شود که بین رویدادهای مختلف ارتباط وجود دارد. این تیپ یافته ها به تجارتها کمک می کنند تا تصمیمات خاصی در مورد قیمت گذاری، فروش و طراحی استراتژیهای مناسب برای بازاریابی اخذ نمایند، من جمله طراحی کاتالوگ، بازاریابی متقابل و آنالیز رفتار خرید مشتری. اما تعدادی از قوانین ارتباطی برای مجموعه داده مشخص بسیار بزرگ بوده و تعداد زیادی از قوانین معمولاً کم ارزش می باشند. انواع و اقسام مختلف روابط عبارتنداز:
- قانون ارتباط چند سطحی
- قانون ارتباط چند بعدی
- قانون ارتباط کمی
- قانون ارتباط مستقیم
-قانون ارتباط غیر مستقیم
دسته بندی
دسته بندی به شناسایی کلاس های مشابه از واحدها اتلاق می گردد. این فرایند تکنیکی برای ترکیب معاملاتی با رفتار مشابه در یک گروه یا مشتریانی با سئوالات یا معاملات مشابه در یک گروه می باشد. از شیوه طبقه بندی همچنین می توان به عنوان ابزاری موثر برای تمایز گروهها استفاده نمود. بنابراین از روش دسته بندی می توان همانند پردازش مقدماتی برای انتخاب و طبقه بندی زیرمجموعه مشخصه استفاده نمود. به طور مثال: مشتری یک موقعیت جغرافیایی و پروفیل شغلی خاص متقاضی مجموعه سرویس های خاصی می باشد، مثلاً در بخش بانکداری، مشتریان کلاس سرویس دهی همیشه خواهان سیاستی هستند که از اطمینان و امنیت بیشتر اطمینان حاصل می کند، چرا که آنها تمایلی به ریسک کردن ندارند، مجموعه افراد طبقه سرویس دهی در مناطق روستایی ، مارک های خاصی را ترجیح می دهند که با مناطق شهری تفاوت دارد. این قبیل اطلاعات به فروش متقابل محصولات سازمان کمک می نماید. به جای عرضه گسترده محصول داغ، نماینده های سرویس دهی به مشتریان بانک را می توان به پروفیل های مشتری سرشار از استخراج داده مجهز نمود که به آنها در امر شناسایی مناسب ترین محصولات و سرویس ها کمک می کند.این تکنیک به مدیریت در امر یافتن راه حل اصل 80/20 بازاریابی کمک می کند که اظهار می دارد: 20 درصد از مشتریان شما ، 80 درصد از سود را حاصل می کنند، مسئله اصلی در این وضعیت شناسایی آن 20 درصد بوده و تکنیک های دسته بندی به نیل به این مهم کمک می کنند.
پیش بینی
برای پیش بینی می توان از تکنیک رگرسیون استفاده نمود. از روش آنالیز رگرسیون می توان برای مدل سازی رابطه بین یک یا چند متغیر مستقل و وابسته استفاده نمود. در فرایند استخراج داده، متغیرهای مستقل، مشخصه هایی هستند که از قبل معلوم و شناخته شده بوده و متغیرهای پاسخگویی به آنهایی گفته می شود که خواهان پیش بینی آنها می باشیم. متاسفانه، بسیاری از مشکلات واقعی در حیطه پیش بینی قرار نمی گیرند. به طور مثال، پیش بینی حجم فروش، قیمت سهام، و میزان نقص محصول سخت و دشوار می باشد، زیرا آنها همگی به برهم کنش های پیچیده متغیرهای پیشگوی متعدد بستگی دارند. بنابراین، تکنیک های پیچیده تر (مثلاً رگرسیون منطقی، درخت تصمیم یا شبکه های عصبی) برای پیش بینی ارزش های آتی ضروری می باشند. این تکنیک استخراج داده به کشف الگوهای پیش بینی مطلوب و منطقی کمک می کند.
طبقه بندی
معمول ترین تکنیک استخراج داده بکار رفته، طبقه بندی نام دارد که از مجموعه مثالهای از قبل طبقه بندی شده برای ارائه مدلی استفاده می کند که قادر به طبقه بندی جمعیت رکوردها باشد. برنامه های کاربردی ریسک اعتباری و تشخیص و آشکارسازی کلاهبرداری، متناسب با این تیپ آنالیز می باشند. این شیوه از الگوریتم های طبقه بندی بر مبنای شبکه عصبی یا درخت تصمیم استفاده می کند. فرایند طبقه بندی داده شامل یادگیری و طبقه بندی می شود. در یادگیری، درخت آموزشی توسط الگوریتم طبقه بندی مورد آنالیز قرار می گیرد. در طبقه بندی، از داده های تست برای تخمین و برآورد صحت قوانین طبقه بندی استفاده می شود. در صورت قابل قبول بودن صحت، از قوانین می توان در توابع چند جزئی داده جدید استفاده نمود. برای تشخیص و آشکارسازی کلاهبرداری، این شامل رکوردهای کاملی از فعالیتهای معتبر و متقلب خواهد بود که بر اساس رکورد به رکورد تعیین شده اند.
کاربردهای استخراج داده در بخش بانکداری:
روش استخراج داده با یافتن شرکت، روابط و همبستگی های مخفی شده در اطلاعات تجاری ذخیره شده در پایگاههای داده، به حل مسائل و مشکلات تجاری کمک می کند.
صنعت نیاز به کشف چه داده هایی در مورد مشتری داشته و دلیل این امر چیست؟
1.پروفیل، ذائقه، و اولویت ها، نگرش مشتری و رفتار مشتری در زمان حضور در بانک چیست؟ ( برای فروش متقابل محصولات بکار برده شده است).
2. قبل از انتقال به رقیب، مشتری چه معاملاتی را انجام می دهد؟ (برای پیشگیری از انتقال مشتریان).
3. کدام یک از محصولات اغلب توسط مشتریانی با پروفیل خاص خریداری می شود؟ (برای بازاریابی هدف).
4. کدام یک از الگوهای معاملات اعتباری منجر به کلاهبرداری می شود؟ (به منظور آشکارسازی و جلوگیری از کلاهبرداری).
5. پروفیل وام گیرنده با ریسک بالا چیست؟ (به منظور پیشگیری از کوتاهی، وام های بد، و ارتقاء گزینش).
6. مشتریان فعلی احتمالاً خواهان چه سرویس ها و مزایایی می باشند؟ (به منظور افزایش وفاداری و حفظ مشتری).
7. شناسایی مشتریانی که همه نوع سرویسی را از شرکت دریافت می کنند؟ (شناسایی مشتریان وفادار).
آن دسته از بانک هایی که به اهمیت استخراج داده پی برده اند، به سود و برتری رقابتی بالایی دست می یابند. بر طبق مقررات مطرح شده از سوی بانک ذخایر هند، بانک ها می بایست گزارشات OSMOS خود را به صورت منظم ، و در فرمت الکترونیکی و نیاز قانونی به بایگانی بازده های قانونی نظیر بخش 42 قانون بانک ذخایر هند، 1934 برای تعهدات CRR و SLR در فرمت الکترونیکی ارائه کنند.بر طبق اظهارات کمیته تشکیل شده توسط بانک ذخایر هند به ریاست دکتر وازودوان برای رسیدگی به جزئیات این مسئله، که گزارشش در تاریخ 17 جولای 1999 منتشر گردید، کمیته مقرر نمود که با استفاده از تکنیک های استخراج داده، به داده های موجود در سیستم های کامپیوتری مختلف می توان دسترسی یافت و با ترکیبی از تکنیک ها من جمله قوانین طبقه بندی، دسته بندی، تقطیع،ارتباط، مرتب سازی ، درخت تصمیم ، گزارشات مختلف ALM نظیر صورت نقدینگی ساختاری، صورت حساسیت نرخ بهره یا گزارشات حسابداری نظیر ترازنامه و حساب سود و زیان را می توان برای داده های دوره مورد نظر تهیه و تنظیم نمود. با استفاده از داده های تاریخی می توان روندها را مورد آنالیز قرار داد و پیش بینی نمود و انبار داده اطمینان حاصل می کند که هر کسی از داده ها در سطح استخراج مشابه استفاده می کند که این وضعیت نتایج و استدلالات چالش برانگیز در مورد منبع و کیفیت داده های بکاررفته برای آنالیز را تقلیل می دهد. در مجموع انبار داده امکان پردازش اطلاعات به شیوه ای معتبر و کارآمد را فراهم می کند. کمیته نیازبه انبارهای داده و استخراج داده در سطح بانک و صنعت را تشخیص می دهد. مبانی اقتباس این تکنولوژی در بانک به شکل زیر خواهد بود:
• کلیه معاملات اجرا شده در سطح شعب در مرکز به صورت یکپارچه درآورده می شود. این مرکز ، انبار داده بانک مربوطه نامیده می شود. برای اینکه این اتفاق رخ دهد، یکی از شرایط، برقراری ارتباط بین شعب از یک سو و واحد انبار داده از سوی دیگر می باشد.
• برای بانک هایی که شعب زیادی دارند، یکپارچگی و جمع کردن جزئیات معامله در یک مکان به تنهایی مطلوب نمی باشد. و در این وضعیت ممکن است به صورت غیر متمرکز درآید.
• با استفاده از تکنیک های استخراج داده، به داده های موجود در سیستم های کامپیوتری مختلف می توان دسترسی یافت و با ترکیبی از تکنیک های استخراج داده، تصمیمات مختلفی می توان اخذ نمود.
شکل 2: شمایی از کاربرد الگوریتم های استخراج داده در آنالیز را نشان می دهد.
طبقات وسیعی از کاربرد تکنیک های استخراج داده و هوش تجاری در صنعت مالی و بانکداری عبارتنداز:
مدیریت رابطه مشتری
در عصر رقابت نزدیک، مشتری، به عنوان پادشاه تلقی شده و تنها این مشتری است که کل نمایش را اداره می کند. مفهوم فروش محصول به مشتری قدیمی شده و از مد افتاده است، حال هدف اصلی نیل به قلب مشتری و توسعه احساس تعلق و وابستگی به سازمان می باشد. پایگاه های داده عظیم سازمان های مختلف، بیلیون ها آیتم داده در مورد مشتریان انبار می کنند. تکنیک استخراج داده در هر سه فاز سیکل رابطه مشتری مفید واقع می شود: جمع آوری مشتری، ارزش زیاد مشتری و حفظ مشتری. از تکنیک استخراج داده می توان برای تهیه پروفیل مشتری جهت گروه بندی مشتریان هم فکر در یک گروه و رسیدگی به آنها استفاده نمود. از اطلاعات جمع آوری شده می توان برای مصارف مختلف همچون ارائه ابتکارات جدید بازاریابی، تقسیم بندی بازار، آنالیز ریسک و اصلاح سیاست های مشتری شرکت بر طبق نیاز مشتریان استفاده نمود. تهیه پروفیل معمولاً بر اساس ویژگیهای دموگرافیکی، همچون شیوه زندگی و رفتار و وضعیت معاملاتی قبل مشتری انجام می شود. هدف از این کار توصیف ویژگیهای گروه مشتریان خاص می باشد.
بازاریابی
همان گونه که از قبل میدانیم، رقابت در بازار تقریباً در همه بخشها دیده شده و بخش بانکداری مستثنی نمی باشد. مراقبت و محافظت از مشتری و بازاریابی دست به دست منتقل می شود. این روزها مشتری خود را بشناسید (KYC) بین افراد رواج دارد. از نظر موسسات مالی، تعیین موقعیت خریداران غیر متقاضی قبلاً جدیدسخت و دشوار بوده و در نتیجه آنها از برنامه بازاریابی برای جذب مشتریان جدید از رقبای خود استفاده می کنند. به علاوه، رفتار نامعلوم مشتری ، این کار را خسته کننده تر می کند. یکی از ابزارهای جالب توجه موجود در بازاریابی و موسسات مالی، آنالیز داده های ارباب رجوع می باشد. بدین طریق امکان آنالیز و محاسبه شاخص های کلیدی فراهم می آورد که به بانک در امر شناسایی فاکتورهای اثرگذار بر تقاضای مشتری در گذشته و نیاز مشتری در آینده کمک می کند. تکنیک های استخراج داده به ارائه استراتژی های مشتری مدار برای مشتریان در طبقات مختلف کمک می کند. از تکنیک های استخراج داده می توان برای تعیین این مسئله استفاده نمود که مشتریان به چه شکل به تعدیل نرخ بهره واکنش نشان می دهند، که مشتریان احتمالاً پیشنهادات محصول جدید ، پروفیل ریسک بخش مشتری برای کوتاهی در مورد وام ها ، و ... را می پذیرند. واکنش مشتری به محصولات موجود و جدید را می توان ثبت و برطبق آن استراتژیهای آتی را طراحی نمود. آنها همچنین می توانند از تکنیک های استخراج داده برای فروش متقابل استفاده کنند. تکنیک استخراج داده قادر به ارتقاء نرخ پاسخگویی در مبارزات پستی مستقیم می باشد، چرا که زمان مورد نیاز برای طبقه بندی مشتریان کاهش خواهد یافت و در این وضعیت است که درآمد افزایش و راندمان نیروی فروش از گروه هدف ارتقاء می یابد.
مدیریت ریسک
مشتری و بانک ها در حین تعامل بایکدیگر همیشه سعی می کنند فاکتور ریسک را مد نظر قرار دهند. شناسایی، تعیین کمیت و کنترل فاکتور ریسک همیشه یکی از نگرانیهای مهم برای هر سازمان تجاری محسوب می شده است. در وام دهی تجاری، سنجش و ارزیابی ریسک معمولاً تلاشی در جهت تعیین ریسک ضرر و زیان برای وام دهنده و درعین حال تصمیم گیری مناسب در مورد وام می باشد. تکنیک استخراج داده به تمایز بین وام گیرندگانی که سروقت وام های خود را بازپرداخت می نمایند و کسانی که این کار را انجام نمی دهند، کمک می کند. آن همچنین به پیش بینی زمان کوتاهی وام گیرنده، و اینکه آیا اعطای وام به یک مشتری خاص موجب حاصل شدن وام های بد می شود یا خیر نیز کمک می کند. این قبیل تکنیک ها در طبقه ریسک اعتباری قرار می گیرند که رفتار مشتریان آتی مورد بررسی قرار می گیرد. مدیران بانک با استفاده از تکنیک استخراج داده، رفتار و پایایی مشتریان و همچنین فروش کارت های اعتباری را مورد آنالیز قرار می دهند.
تشخیص و آشکارسازی کلاهبرداری
در جریان رسیدگی به بانک ها، مشتریان و بانک ها شانس کلاهبرداری را دارند. بنابراین در زمان تعامل و ارتباط با یکدیگر هر دو طرف باید مطمئن باشند. تکنیک های استخراج داده به آنها در امر آشکارسازی و پیشگیری از بروز کلاهبرداری کمک می کند. تکنیک های استخراج داده به سازمان کمک می کند تا بر شیوه و ابزارهای آنالیز داده های مشتری تاکید کنند، هدف آنها از این کار شناسایی الگوهای منتهی به کلاهبرداری می باشد.
حمایت نرم افزاری
به خاطر داشته باشید که به خاطر سودمندی و کاربرد تکنیک های استخراج داده در بخشهای مختلف، شرکت های توسعه نرم افزار برنامه های کاربردی مختلفی مطرح می کنند که وظیفه استخراج داده را به صورت خودکار انجام می دهد. از جمله این نرم افزارها می توان به موارد زیر اشاره کرد:
STATISTICA Data Miner ، یکی از معاملات StatSoft در سرتاسر جهان، محصولی تکاملی و انقلابی در برنامه های کاربردی استخراج داده به شمار می رود. این محصول به موسسات مالی امکان تشخیص و آشکارسازی الگوهای کلاهبرداری، شناسایی عوامل ریسک، ایجاد مدلهای پیچیده و خودکار ریسک، تقسیم بندی و پیش بینی رفتار گروههای همگن مشتریان، افشاء همبستگی های مخفی بین شاخص ها مختلف را می دهد.
11 Ants Analytics Ltd شرکت تحت پشتیبانی معامله واقع در همیلتون، نیوزیلند می باشد. Ants Analytics متعهد شده است، استخراج داده های پیشرفته را در اختیار کاربران غیر فنی قرار دهد. آنها نرم افزار استخراج داده قدرتمندی ساخته اند که استفاده از آن بسیار راحت می باشد.
استخراج داده با SAS® Enterprise Miner : نرم افزار استخراج داده SAS به مشتریان در امر آشکارسازی کلاهبرداری، پیش بینی تقاضای منابع، افزایش خرید، و کاهش توان و افت مشتری کمک می کند.
وضعیت فعلی صنعت
بانک ها در هند و کشورهای دیگر شروع به استفاده از تکنیک های استخراج داده نموده اند. بانک Chase Manhattan در نیویورک، به خاطر کاهش ثابت پایگاه مشتری، عمدتاً بر مسائل مالی تاکید کرده و سپس از تکنیک های استخراج داده برای آنالیز پروفیل های مشتری جهت نیل به منافع زیاد استفاده کرده و به همین خاطر استراتژی برای بقا و موفقیت در امور خود ارائه می دهد. بانک Fleer ، بوستون نیز از تکنیک استخراج داده برای شناسایی بهترین نامزدهای عرضه وجوه متقابل استفاده کرده است. در بانک های هند نظیر ICICI ، IDBI ، بانک Citi ، HVFC و PNB به مزایا و منافع تکنیک های استخراج داده نزدیک شده اند. بانک Citi در این بخش رهبر می باشد. آن پروفیل داده مشتریان خود برای یک دهه و بیشتر تهیه کرده است. این بانک از نتایج استخراج داده در ارتباط با Hutchison Max در Mumbai و Airtel در دهلی استفاده می کند. همچنین، بانک HDFC با کلیه ارائه دهندگان سرویس و خدمات سیار به نامهای Hutchison Max ، MPL Mobile ، Tata Cellular، RPG ، Airtel ، Aircell، Cellphone و Command کار می کند. بانک ICICI از Hutchison Max، Airtel و Command درCalcutta پیروی کرده است. روش استخراج داده با هدف قرار دادن مشتریان واقعی و ارائه محصولات درست به مشتریان، به افزایش حجم فروش کمک می کند. بانک ها که به اولویت ها و ذائقه و علایق مشتریان خود توجه می کنند، اطلاعات و داده های زیادی گردآوری می کنند. کاری که استخراج داده انجام می دهد، آن است که کلیه داده های حجیم را وارسی نموده و الگوی مناسب را انتخاب می کند که به بانک این امکان را می دهد تا ارتباطش با مشتری را تا حد امکان به صورت شخصی درآورد. با استفاده از تکنیک استخراج داده، بانک ها می توانند اطلاعات زیادی در مورد محرک های رابطه مشتری به دست بیاورند.
نتیجه گیری
تکنیک های استخراج داده به بانک ها و موسسات مالی کمک می کنند تا مشتریان جدید را به شکلی بهتر هدفمندی و جذب نموده، کلاهبرداری را آشکار کرده، محصولات مبتنی بر بخش جهت هدفمندی هر چه بهتر مشتریان عرضه نموده، الگوهای خرید مشتری با گذشت زمان جهت حفظ هر چه بهتر رابطه را آنالیز نموده، و روندهای در حال ظهور به منظوربهره گیری از شیوه فعال در بازار رقابتی و ارزش گذاری به محصولات و سرویس های موجود و راه اندازی محصولات و سرویس های جدید را آشکار نمایند. تکنیک استخراج داده تقریباً در هر صنعتی کاربرد دارد در این وضعیت داده ها و اطلاعاتی بدست آمده است مبنی بر اینکه به چه علت روش استخراج داده به عنوان یکی از مهمترین پیشگامان در پایگاه داده و سیستم های اطلاعاتی و یکی از امیدوارکننده ترین پیشرفت های میان رشته ای در زمینه فناوری اطلاعات شناخته شده است.
منبع:

مقاله Application of Data Mining in Banking Sector
Vivek Bhambri
Dept. of Computer Sciences, Desh Bhagat Institute of Management and Computer Sciences, Mandi Gobindgarh, Punjab, India(2011 میلادی)

ترجمه: محمد جواد آقاجری دانشجوی کارشناسی ارشد مهندسی صنایع گرایش مدیریت سیستم وبهره وری