根据SOA的网上银行客户评估系统的研究与实现策略

根据soa的网上银行客户评估系统的研究与实现策略 0引言
随着人们生活水平的提高和电子商务的快速发展，人们已经不能满足到银行的营业厅里排着长队，开始用快捷、方便的方式来完成各自的理财过程。作为信息技术与银行业务紧密结合的产物——网上银行，正在全世界范围内蓬勃兴起，创新不断，潜力无限。如何利用已有网上银行客户资源和银行其他系统的数据资源，并进行实时分析、评估和预测，为领导对业务的开展和改进提供决策支持，并解决存在的“二八效应”，即20％的客户提供了80％的综合回报，是网上银行业务向健康、快速、成功发展的关键。
为了解决当前网上银行存在的不足，在对国内外网上银行进行评估系统充分调研和分析的基础上，研究了基于web模式下网上银行评估系统的关键技术。采用soa(service-oriented architecture)框架和aajx等技术设计并实现了基于b／s结构的网上银行客户评估系统。
1关键技术研究
1.1面向服务的体系结构
web应用体系结构也在不断的探索当中。根据应用中数据和控制的复杂性不同，web应用可以分成四类：书册网页应用(brochure web application)，面向服务应用(service-oriented architecture)，数据集中应用(data intensive application)，信息系统应用(information system application)。
soa是web应用的一种软件系统的设计方法，通过发布或可发现的接口，给端用户程序或其他服务程序提供服务。实际上，soa是服务的集合。这些服务相互通信，可以是简单数据的交互，也可以是两个或多个服务的协作。web服务(web services)是描述一组操作的接口，这些操作可以通过标准的xml消息访问。一个web服务执行一个或一组特定的任务。web服务用一套标准的xml注释描述，称为服务描述。它说明了与服务交互所需的所有细节，包括消息格式，传输协议及位置。
1.2 ajax技术
ajax(asynchronous javascript and xml)不是一项技术，它是几种技术各自发展强有力的结合。ajax包括：使用xhtml和css的标准表现(standards-based presentation)；使用dom(document object modem)进行动态显示与交互；使用xml和xslt进行数据交换与操作；使用xml-httprequest进行异步数据传输；使用javascript将所有这些绑定起来。
ajax与传统的web应用程序的http请求同步响应方式不同。ajax对http请求实行异步响应方式，通常产生一个http请求的用户动作，现在通过javascript调用ajax层来代替，任何用户动作的响应不再要求直接传到服务器，例如简单的数据校验，内存中的数据编辑，甚至一些页面导航，引擎就可以处理它。如果引擎需要从服务器取得数据来响应用户动作，如果提交需求处理的数据载人另外的界面代码，或接收新的数据，引擎使这些工作异步进行，通常使用xml不用再耽误用户界面的交互，提高了系统的响应速度。
2评估系统的设计
系统采用b／s架构，在调研了相关单位和人员的基础上，设计出网上银行客户评估系统。系统主要涉及以下用户角色，其顶层用户图如图1所示。
(1)系统管理员。负责用户数据维护、角色分配、浏览模型等。
(2)分行操作员。获取全行(aa辖区范围内)客户开通网上银行后的贡献情况及交易类型、交易规模的预测，较为专业的预测数据、对特殊客户(非工商银行客户)进行单例预测。
(3)支行操作员。获取本支行辖内客户其开通网上银行后的贡献情况及交易类型、交易规模的预测，对特殊客户(非工商银行客户)进行单例预测。
3评估系统的实现
该系统文采用ajax技术的web页面实现调用soa框架服务的客户端，解决了跨平台与编程语言和不用户安装部署等问题。使用ajax的web应用程序能够为soa的表示层提供更多的功能，可以直接使用浏览器调用web服务，从而更好地应对不断变化的业务需求。由于篇幅原因，在这里只介绍客户数据采集与清洗、客户贡献值预测功能的实现。
3.1 网上银行客户数据采集与清洗
数据清洗(data cleansing)功能是检测数据集中存在的错误和不一致，并利用人工或自动化工具将它们剔除或改正，以提升数据质量。该系统采用sqlservet 2005的集成服务(integration，service)实现了自动、定时完成为数据仓库进行数据采集、清洗等任务。
处理网上银行客户数据的包对象中的控制流结构如图2所示。
控制流首先通过“删除网银数据”任务删除数据仓库中过期的网上银行客户数据，然后使用“从网银服务器导入数据”任务完成从oracle服务器到sql server服务器的数据导入。然后执行“生成网银数据”任务，该对象通过运行存储过程完成对数据的清洗。如果任何一个任务失败则转到“发送电子邮件任务”对象，如果成功则转到“聚类处理”任务，利用“聚类处理”内嵌的visual basci．net脚本语言运行位于本机的聚类程序。采用fcm算法对网上银行客户数据进行聚类处理。
3.2 客户贡献值预测实现
客户贡献预测功能分为“贡献值预测”、“贡献等级预测”、“高级预测”三个子功能。在该功能中，当用户输入预测日期、开户行(默认为所有支行)，可只显示按贡献值从大到小排列的前n位，n值可在该界面中指定。也可将模型预测结果保存为excel文件。实现客户贡献值预测的关键代码如下：
4 系统运行与有效性验证
该系统投入使用前，客户经理营销客户基本根据自身经验或其他预测数据为依据。根据经验形成的优质客户集和真正的网上银行优质客户集的交集数量有限，并不足以协助客户经理进行有效的营销。
系统投产后第二季度关于网上银行高端客户的预测结果看，优质客户主要集中在主城区，通过决策树算法的关联分析，发现网上银行不同交易间存在较强关联。表1显示出“批量支付”和“企业财务室”以及“结算代理”和“银企互联”存在高度相关。
表2为“b／s模式网上银行客户评估系统”运行第二季度(当年第四季度)和去年同期的网上银行客户开户情况统计表。
从表2中可以看出，2007年第四季度和2008年第四季度对比客户增长率为66％，但高端客户增长了311％；中端客户增长了130％；低端客户仅增长了34％。按以往分析得知：总数为66％的增长中，包含每年近20％的自然增长、2007年第四季度“新年回馈”营销增长33％(此项基于以往类似营销数据统计)以及其他方式改进(包括“网上银行系统”)带来的增长。所以该系统对客户发展总量影响较小；在中高端客户增长方面除去以上因素外，“b／s模式客户评估系统”对其影响较大。根据对系统运行后进行跟踪评估的数据进行分析后表明：该系统对于其目标预测的准确性是可以接受的。对网上银行高端客户的预测准确性方面尤为突出；在网上银行客户交易分析方面也达到了预期目标。在下一步的改进中，针对银行客户交易分析的准确性存在的问题，可采用以下措施进行改进：
(1)会同业务领域人员再次分析研究客户使用模式，进而调整相应模型结构；
(2)对现有模型输入属性的关联方式及范围做进一步调整，使之更加准确地描述与预测属性之间的关系。
5结语
这里采用soa架构模式和ajax技术实现了基于b／s模式的网上银行客户评估系统，实现了集数据采集、模型建立、模型评估与高端客户预测的客户评估系统。通过该平台的实践验证来看，不但有效地利用了现有资源，而且系统投产后季度高端客户较去年同期提高了10个百分点，解决了以前的“二八”效应。为银行争取到了更多的客户和创造了更高的效益。