5.1 本文工作总结 37

5.2 本文后期工作展望 37

致谢 38

参考文献 39

1 引言

本章主要是介绍了本课题的研究背景与国内外的研究现状。主要数据的挖掘以及分析以及最后模型的建立过程与难度，并对可能存在的问题进行描述；而且在这个基础上，详细介绍了本文的研究目的，研究内容和意义；最后简介本论文的基本组织结构与课题的基本进程。

1.1 研究背景

图 1.1 事件分析图

对于银行来说，正确地预计消费者的需求，并及时组织好可匹配的产品与服务响应客户的需求还是一件比较难完成的任务。这需要大量历史数据的储存与分析，还需要有应对各种行为可能的预测机制（不同的行为意味着不同的算法），才能实现塔吉特百货那样“料事如神”的效果。令人头疼的是，零售银行所需的数据关联性与零售商业的数据存在着一定的差异，因此需要针对银行产品和服务的特点进行重新设计。只要银行能解决这样的问题，并把分析的结果实时、具象的体现在前端营销人员的电脑、手机里，就能帮银行解决很多眼下头疼的问题。在全局层面上，这样的预测机制也能帮银行少走很多弯路，避免不必要的资源浪费。

 传统的反洗钱合规管理工具，比如关联性的数据库管理体系已经不能够满足现代银行的反洗钱合规需求，尤其是在银行涉及到跨境资金转移时，传统的反洗钱合规管理工具更是显得“捉襟见肘”。首先，参与到境外交易的金融机构所涉及的数据量被显著地放大；第二，金融机构面临着多语种的语言转换，从而加大了反洗钱的合规难度；第三，原来看似不是那么重要的一些反洗钱合规需求一旦涉及境外交易就会变得急迫起来；第四，外国监管机构的监管要求可能比国内的监管要求更加严格，导致很多银行不适应。解决这些问题的更好的方法，换言之，升级合规管理体系来应对更严格的反洗钱合规义务，比较好的解决方案就是大数据分析。 

1.2 国内外研究现状

1.2.1 大数据国内外研究现状

     大数据的定义：

图 1.2 大数据的定义

    大数据的4V特征：

图 1.3 大数据特征

大数据有多大：

领域内的大多数专业人士认为 PB 级是目前大数据的基准。也有认为大数据是附着在人力和技术基础设施无法跟上需求步伐的情况下的主观标签。

数据来源：

•社交网络：微博、 Facebook等

•电子商务：淘宝、 ebay等

•移动互联：手机 Apps等

图 1.4 数据来源

图（1）国内外发展状况：

    2016年无疑是“机器学习年”，任何目睹过众多融资方案的VC都应该能够感受到这一点：每个初创公司都在变身成为“机器学习公司”的一年，“.ai”成为必备的域名，而“等等，我们会通过机器学习技术解决这个问题”开始频繁地出现在各类集资活动的演示PPT中。