數(shù)據(jù)挖掘在銀行卡業(yè)務決策中的應用及數(shù)學教學難點處理點滴談

畢業(yè)論文數(shù)據(jù)挖掘在銀行卡業(yè)務決策中的應用學生姓名：學號：系別班級：信息管理與工程系專業(yè)（方向)：信息管理與信息系統(tǒng)指導者：評閱者：畢業(yè)論文中文摘要數(shù)據(jù)挖掘在銀行卡業(yè)務決策中的應用摘要：隨著金融信息化發(fā)展趨勢，銀行卡已成為商業(yè)銀行提供的一項重要的金融工具，國內(nèi)的商業(yè)銀行開展銀行卡業(yè)務已有多年相關數(shù)據(jù)積累比較完善。目前，我國銀行業(yè)面臨的最大的壓力是怎樣提高自身的服務水平。如何利用積累的數(shù)據(jù)更好的了解客戶，獲得客戶的行為模式，在有針對性地開展個性化服務的同時提高自身的競爭能力和盈利能力。在銀行卡業(yè)務中，利潤率是一個關鍵指標，而建立以客戶為中心的管理信息系統(tǒng)，通過對大量信息的分析找出客戶消費的行為和規(guī)律，進而預測客戶的個性化需求、及時響應客戶的需求、設計出更加符合客戶需要的產(chǎn)品和服務，是贏得客戶認可、提高利潤率的有效辦法。關鍵詞：銀行卡數(shù)據(jù)挖掘客戶行為分析畢業(yè)論文外文摘要TitleDataminingintheapplicationofthebankcardbusinessdecisionsAbstractWiththefinancialinformationdevelopmenttrend,bankcardhasbecomeacommercialbankprovideoneofthemostimportantfinancialinstruments,domesticcommercialBanksbankcardbusinessformanyyearsrelateddataaccumulationisperfect.Atpresent,China'sbankingbiggestpressureishowtoimproveitsownservicelevel.Howtousetheaccumulationofdatatobetterunderstandcustomers,getcustomerbehaviorpatternsintargetedtodevelopingtheindividualizedservicesatthesametimetoimprovetheirowncompetitivenessandprofitability.InthebusinessofbankCARDS,profitabilityisakeytargets,andtoestablishthecustomerasthecenterofmanagementinformationsystem,throughtheanalysisofalargeamountofinformationtofindouttheconsumptionofthecustomerbehaviorandlaw,andforecastthepersonalizedneedsofcustomers,andrespondtotheneedsofcustomers,designtomeetcustomers'needtoproductsandservices,istowincustomerrecognition,theeffectivewaytoimproveprofitability.Keywords：BankcardDataminingThecustomerbehavioranalsis目錄引言…………………11.1課題背景及意義………………11.2國內(nèi)外研究現(xiàn)狀………………21.3本文主要研究工作……………21.4本章小結………………………22相關技術分析…………………32.1概述…………32.2數(shù)據(jù)倉庫………………………32.3聯(lián)機分析處理…………………32.3.1OLAP的概念……………52.3.2OLAP的分類……………62.2.3OLAP的常用分析方法…………………62.4數(shù)據(jù)挖掘技術…………………72.4.1分類………………………72.4.2過程………………………82.4.3方法………………………92.5數(shù)據(jù)挖掘應用于銀行卡業(yè)務的優(yōu)勢…………102.6數(shù)據(jù)挖掘應用于銀行卡業(yè)務的領域…………102.7本章小結………………………123銀行卡業(yè)務決策系統(tǒng)……………123.1系統(tǒng)總體設計………………123.1.1系統(tǒng)架構……………123.1.2系統(tǒng)總體設計………133.2系統(tǒng)數(shù)據(jù)庫設計……………133.3銀行卡管理系統(tǒng)的實現(xiàn)……………………143.3.1基于關聯(lián)的挖掘模型……………………143.3.2應用效果分析…………163.4.3本章小結………………174總結與展望…………174.1研究工作總結………………174.2展望……………………17參考文獻………………18致謝………………19PAGE第一章緒論1．1課題背景及意義隨著中國金融體制改革的逐漸深入以及中國加入WTO，中國銀行業(yè)面臨著前所未有的競爭壓力。各大銀行既通過開發(fā)新的產(chǎn)品和服務，來提高自身的競爭力，也希望能夠發(fā)揮自身的競爭優(yōu)勢滿足客戶需求，提高客戶忠誠度、提高決策水平和效率。然而銀行提供給用戶的產(chǎn)品有一個顯著的特點即為同質(zhì)性。不同銀行的產(chǎn)品之間幾乎沒有差別。另一方面銀行又存有海量的用戶信息數(shù)據(jù)。通過對這些海量的數(shù)據(jù)的挖掘分析，從中發(fā)現(xiàn)用戶不同的消費偏好，開展有針對性的營銷策略，保留優(yōu)質(zhì)客戶的前提下發(fā)掘潛在客戶，創(chuàng)造更多的利潤，成為銀行獲取競爭優(yōu)勢的一個重要手段。數(shù)據(jù)挖掘技術的出現(xiàn)為銀行實現(xiàn)這個目標提供了強有力的武器。貨幣的電子化發(fā)展趨勢使銀行卡成為商業(yè)銀行所提供的重要金融工具，在銀行業(yè)務量中占有越來越大的比重。銀行卡業(yè)務的開發(fā)、應用、服務、管理的水準直接關系到銀行的經(jīng)濟收益。多年來,大部分銀行紛紛將其作為重點業(yè)務加以發(fā)展，在銀行卡業(yè)務開展方面投入了大量的人力與財力。然而當前國內(nèi)銀行卡業(yè)務的服務水平還停留在比較落后的水平。中國銀行業(yè)與外國銀行最大的差距在于服務。在客戶關系管理方面，國外已有將近二十年的歷史。西方銀行業(yè)一直處于比較激烈的競爭狀態(tài)，在客戶服務方面積累了相當?shù)慕?jīng)驗。而中國銀行業(yè)剛從計劃經(jīng)濟時期轉(zhuǎn)變過來，對“以客戶為中心”的理解一直處于表面狀態(tài)，不能夠深入的了解客戶的需求，長期以來對客戶實行無差別服務策略，不能夠抓住真正的盈利客戶，進行區(qū)別對待，為客戶提供一對一的服務。銀行的數(shù)據(jù)庫中積累了大量的客戶信息，但是缺乏一套行之有效的數(shù)據(jù)挖掘系統(tǒng)進行信息分析，甚至連同一客戶的不同賬戶業(yè)無從辨別，更不用說我是客戶提供一對一的服務。銀行的各種數(shù)據(jù)不能有效的結合，形成很多的“信息孤島”，使金融機構很難將各種各樣的信息統(tǒng)一起來，領導決策層業(yè)很難搞清楚數(shù)據(jù)庫系統(tǒng)的整體運作情況，不能有效的提供決策幫助?！?】而隨著數(shù)據(jù)挖掘技術的不斷成熟和完善，完全可以為國內(nèi)銀行開展個性化的信息卡營銷提供強大的信息支持目前，在全國范圍內(nèi)無論從地域、發(fā)卡量、設備裝機量方面都已構成相當大的規(guī)模，同時也積累了大量的業(yè)務數(shù)據(jù)。通過對銀行卡業(yè)務數(shù)據(jù)的分析，可以有效地為銀行進行銀行卡業(yè)務的客戶關系管理、風險管理、收益分析和績效評估等服務。從而可以為銀行識別不同的客戶群體，按照收益和風險對客戶分類，確定目標市場，實現(xiàn)差異化服務，并為銀行卡經(jīng)營管理決策分析提供準確的信息。1.2國內(nèi)外研究現(xiàn)狀數(shù)據(jù)挖掘技術在一些在國際化銀行，如美國第一銀行的實際業(yè)務運營中發(fā)揮了巨大的作用。根據(jù)美國META集團的調(diào)查，數(shù)據(jù)挖掘技術在美國金融業(yè)、制造業(yè)、商貿(mào)業(yè)以及社會服務等方面都得到廣泛的應用，已經(jīng)采用數(shù)據(jù)倉庫數(shù)據(jù)挖掘的起因的投資回報率均在40%以上，部分企業(yè)高達每年60%。國外經(jīng)驗表明，數(shù)據(jù)挖掘?qū)︺y行卡業(yè)務的發(fā)展有重大意義【2】。隨著國內(nèi)銀行業(yè)務的快速發(fā)展、同業(yè)競爭的不斷加劇以及信息技術在銀行業(yè)的深入應用，銀行業(yè)開始重視數(shù)據(jù)挖掘技術的應用，遵循“將合適的產(chǎn)品在合適的時間以合適的方式推薦給合適的客戶”的經(jīng)營理念。建行成功股改上市后，進一步強化了對管理的精細化要求，因而對現(xiàn)有數(shù)據(jù)挖掘的重要性已日益凸顯。近年來，建行著力加強數(shù)據(jù)整合和數(shù)據(jù)挖掘，在客戶關系管理方面已經(jīng)達到國內(nèi)銀行業(yè)的先進水平，實現(xiàn)了跨系統(tǒng)的數(shù)據(jù)整合，進一步擴充現(xiàn)有數(shù)據(jù)源，解決了業(yè)務數(shù)據(jù)分散、跨業(yè)務部門的客戶信息無法共享等問題，完善了包括客戶、賬戶、產(chǎn)品、銀行機構、交易、渠道等主題在內(nèi)的數(shù)據(jù)倉庫邏輯數(shù)據(jù)模型的設計，科學地建立了客戶貢獻度計算模型、客戶評價模型、風險預警模型等，在支持全行客戶經(jīng)理市場營銷、客戶服務、客戶管理和經(jīng)營決策中起到了重要作用。1.3本文主要研究工作本文主要是根據(jù)銀行卡交易的數(shù)據(jù)了解用戶的用卡行為，從中發(fā)現(xiàn)對銀行貢獻度比較大的優(yōu)質(zhì)客戶，并對不同的用卡習慣，制定不同的營銷服務手段，以提高銀行的服務質(zhì)量和盈利水平。銀行卡用卡行為的關聯(lián)規(guī)則挖掘方法包括以下三方面用卡行為分析：根據(jù)持卡人以往用卡次數(shù)、交易金額、用卡交易類型（包括卡查詢、取款、存款、轉(zhuǎn)賬、繳費、消費購物等交易）以及用卡交易方式（包括柜臺、ATM、POS、電話和網(wǎng)上等）進行分析。持卡人基本情況分析：根據(jù)持卡人的年齡、性別、身份證號碼、收入情況、受教育情況、服務單位、職務、職稱以及家庭組成情況進行分析。結合以上持卡人用卡行為和基本情況兩種分析結果，導出具有一定支持度和可信度的用卡習慣和人群組成之間的關聯(lián)規(guī)則。1.4本章小結本章首先介紹了與論文有關的研究背景、銀行卡管理的目的與意義：重點分析了銀行卡管理系統(tǒng)的研究現(xiàn)狀，并對銀行卡信息管理系統(tǒng)和研究現(xiàn)狀中存在的問題進行了分析。在此基礎上，提出了本文的主要研究工作。第二章相關技術分析2.1概述銀行卡業(yè)務是我國商業(yè)銀行業(yè)務的一個重要組成部分。在銀行卡業(yè)務中，利潤率是一個關鍵指標，而建立以客戶為中心的管理信息系統(tǒng)，通過對大量信息的分析找出客戶消費的行為和規(guī)律，進而預測客戶的個性化需求、及時響應客戶的需求、設計出更加符合客戶需要的產(chǎn)品和服務，是贏得客戶認可、提高利潤率的有效辦法。然而，目前大多數(shù)銀行卡業(yè)務缺乏真正面向市場、面向客戶的決策支持系統(tǒng)，對客戶的判別也只停留在靜止、片面、主觀的水平，不能對客戶做出動態(tài)的、全面的、客觀的評價。為了更好地細分市場、細分客戶，提高業(yè)務管理水平和銀行卡業(yè)務的獲利能力，建立基于數(shù)據(jù)倉庫、聯(lián)機分析處理、數(shù)據(jù)挖掘的銀行卡決策支持系統(tǒng)，成為銀行提高綜合競爭力的必然選擇。2.2數(shù)據(jù)倉庫數(shù)據(jù)倉庫是支持管理決策過程的，面向主題的、集成的、隨時間而變的、持久的數(shù)據(jù)集合，它具有以下4個特點：數(shù)據(jù)倉庫是面向主題、面向分析的。數(shù)據(jù)倉庫中的數(shù)據(jù)時按照一定的主題組織起來的。如一個銀行的數(shù)據(jù)倉庫的主題可以是客戶、財務、結算等，這些主題基本與銀行各職能劃分相應。兒傳統(tǒng)的數(shù)據(jù)庫的數(shù)據(jù)是按照存款客戶、貸款客戶、年報月報等分類來組織。數(shù)據(jù)倉庫是集成的。由于數(shù)據(jù)來源的異構性，所有歷史數(shù)據(jù)在進入數(shù)據(jù)倉庫之前，必須經(jīng)過預處理，消除數(shù)據(jù)源中的不一致的數(shù)據(jù)，平滑噪聲，以有效地支持后續(xù)的聯(lián)機數(shù)據(jù)分析和數(shù)據(jù)挖掘等技術的應用。數(shù)據(jù)倉庫是穩(wěn)定的。某個數(shù)據(jù)一旦進入數(shù)據(jù)倉庫，一般情況下將被長期保留，對數(shù)據(jù)倉庫修改和刪除操作很少，通常只進行定期的加載、刷新，不進行實時更新。數(shù)據(jù)倉庫是隨時間變化的。數(shù)據(jù)倉庫中的數(shù)據(jù)都是歷史數(shù)據(jù)，系統(tǒng)記錄了企業(yè)從過去某一時點到目前的個股階段的信息。數(shù)據(jù)的保存時限要能夠滿足決策分析的需要，一般為5~10年。數(shù)據(jù)倉庫系統(tǒng)由三個部分組成，即建模系統(tǒng)、ETL系統(tǒng)、OLAP系統(tǒng)。建模系統(tǒng)主要用于輔助設計人員進行數(shù)據(jù)倉庫設計;ETL系統(tǒng)輔助數(shù)據(jù)倉庫實現(xiàn)人員設計和實現(xiàn)ETL過程，完成數(shù)據(jù)倉庫加載和更新數(shù)據(jù);OLAP系統(tǒng)為OLAP設計人員提供設計平臺，為OLAP分析準備數(shù)據(jù)，同時為最終用戶提供OLAP分析工具。各個系統(tǒng)之間通過元數(shù)據(jù)文件進行關聯(lián)(如圖2.2所示)。圖2.2數(shù)據(jù)倉庫系統(tǒng)的組成數(shù)據(jù)源：數(shù)據(jù)倉庫系統(tǒng)的基礎，是整個系統(tǒng)的數(shù)據(jù)源泉。通常包括內(nèi)部信息和外部信息。內(nèi)部信息包括存放于RDBMS中的各種業(yè)務處理數(shù)據(jù)和各種文檔數(shù)據(jù)。外部信息包括各類法律法規(guī)、市場信息和競爭對手的信息等。OLAP服務器：對分析需要的數(shù)據(jù)進行有效集成，按多維模型予以組織，以便進行多角度、多層次的分析，并發(fā)現(xiàn)趨勢。其具體實習可以分為：ROLAP、MOLAP和HOLAP。ROLAP基本數(shù)據(jù)和聚合數(shù)據(jù)均存放在RDBMS之中；MOLAP基本數(shù)據(jù)和聚合數(shù)據(jù)均存放于多維數(shù)據(jù)庫中；HOLAP基本數(shù)據(jù)存放于RDBMS之中，聚合數(shù)據(jù)存放于多維數(shù)據(jù)庫中。前端工具：主要包括各種報表工具、查詢工具、數(shù)據(jù)分析工具、數(shù)據(jù)挖掘工具以及各種基于數(shù)據(jù)倉庫或數(shù)據(jù)集市的應用開發(fā)工具。其中數(shù)據(jù)分析工具主要針對OLAP服務器，報表工具、數(shù)據(jù)挖掘工具主要針對數(shù)據(jù)倉庫。ETL(Extract-Transform-Load的縮寫，即數(shù)據(jù)抽取、轉(zhuǎn)換、裝載的過程)作為BI/DW的核心和靈魂，能夠按照統(tǒng)一的規(guī)則集成并提高數(shù)據(jù)的價值，是負責完成數(shù)據(jù)從數(shù)據(jù)源向目標數(shù)據(jù)倉庫轉(zhuǎn)化的過程，是實施數(shù)據(jù)倉庫的重要步驟。ETL是數(shù)據(jù)抽?。‥xtract）、轉(zhuǎn)換（Transform）、清洗（Cleaning）、裝載（Load）的過程，是構建數(shù)據(jù)倉庫的重要一環(huán)，用戶從數(shù)據(jù)源抽取出所需的數(shù)據(jù)，經(jīng)過數(shù)據(jù)清洗，最終按照預先定義好的數(shù)據(jù)倉庫模型，將數(shù)據(jù)加載到數(shù)據(jù)倉庫中去。數(shù)據(jù)質(zhì)量是數(shù)據(jù)倉庫的生命。為確保數(shù)據(jù)倉庫的質(zhì)量，ETL必須確保以下四個方面：第一將沒用的數(shù)據(jù)徹底清洗掉；第二確保有用的數(shù)據(jù)能全進入數(shù)據(jù)倉庫；第三盡可能減少倉庫中的冗余數(shù)；第四確保新的業(yè)務熟據(jù)能源源不斷的及時進入數(shù)據(jù)倉庫。2.3聯(lián)機分析處理2.3.1OLAP的概念聯(lián)機分析處理（OLAP）指的是對存儲在數(shù)據(jù)庫或數(shù)據(jù)倉庫中的數(shù)據(jù)提供分析的一種軟件。OLAP工具能快速提供復雜數(shù)據(jù)庫查詢的答案，并幫助用戶分析多維數(shù)據(jù)中的各維情況。通常OLAP應用于數(shù)據(jù)倉庫中的數(shù)據(jù)處理過程，即所謂的“數(shù)據(jù)挖掘”（DataMining）。

2.3.2OLAP的分類OLAP系統(tǒng)按照其存儲器的數(shù)據(jù)存儲格式可以分為關系OLAP（RelationalOLAP，簡稱ROLAP）、多維OLAP（MultidimensionalOLAP，簡稱MOLAP）和混合型OLAP（HybridOLAP，簡稱HOLAP）三種類型。1.ROLAPROLAP將分析用的多維數(shù)據(jù)存儲在關系數(shù)據(jù)庫中并根據(jù)應用的需要有選擇的定義一批實視圖作為表也存儲在關系數(shù)據(jù)庫中。不必要將每一個SQL查詢都作為實視圖保存，只定義那些應用頻率比較高、計算工作量比較大的查詢作為實視圖。對每個針對OLAP服務器的查詢，優(yōu)先利用已經(jīng)計算好的實視圖來生成查詢結果以提高查詢效率。同時用作ROLAP存儲器的RDBMS也針對OLAP作相應的優(yōu)化，比如并行存儲、并行查詢、并行數(shù)據(jù)管理、基于成本的查詢優(yōu)化、位圖索引、SQL的OLAP擴展(cube,rollup)等等。2.MOLAPMOLAP將OLAP分析所用到的多維數(shù)據(jù)物理上存儲為多維數(shù)組的形式，形成“立方體”的結構。維的屬性值被映射成多維數(shù)組的下標值或下標的范圍，而總結數(shù)據(jù)作為多維數(shù)組的值存儲在數(shù)組的單元中。由于MOLAP采用了新的存儲結構，從物理層實現(xiàn)起，因此又稱為物理OLAP（PhysicalOLAP）；而ROLAP主要通過一些軟件工具或中間軟件實現(xiàn)，物理層仍采用關系數(shù)據(jù)庫的存儲結構，因此稱為虛擬OLAP（VirtualOLAP）。3.HOLAPHOLAP是一個新的OLAP結構——混合型OLAP（HOLAP），它能把MOLAP和ROLAP兩種結構的優(yōu)點結合起來。迄今為止，對HOLAP還沒有一個正式的定義。但很明顯，HOLAP結構不應該是MOLAP與ROLAP結構的簡單組合，而是這兩種結構技術優(yōu)點的有機結合，能滿足用戶各種復雜的分析請求。2.2.3OLAP的常用分析方法對OLAP的分析操作主要有：切片（Slice）、切塊（Dice）、下鉆（Drill-down）、上翻（Roll-up）和旋轉(zhuǎn)（Rotate）【6】。切片：是在多維數(shù)組中的某一維度上選定一個維度成員的操作，即在多維數(shù)組（D1，D2，…,Dn）中選一個維度Di，并取一維度成員Vi，所得多維數(shù)組的子集（D1，D2，…,{Vi},Dn）稱為在維度i上的一個切片。切塊：是在多維數(shù)組中的某一維度上選定某區(qū)間維成員的操作，即在多維數(shù)組（D1，D2，…,Dn）選中一個維度Di，并取一維度成員集合，所得多維數(shù)組的子集（D1,D2，…,{Vi,…,Vj},Dn）稱為在維度i上的一個切塊。上翻，下鉆：它們是通過對維度的層次屬性進行操作來獲取數(shù)據(jù)的，鉆取的深度與維度所包含的層次相對應。向維的高層次（粗粒度方向）的鉆取稱為上翻，相反向維度的低層次（細粒度方向）的鉆取稱為下鉆。旋轉(zhuǎn)：改變一個報告或頁面顯示的維度方式，例如，可能包含交換行和列或把某一行維移到列維去，或是把頁面顯示中的一個維和頁面的維進行交換。2.4數(shù)據(jù)挖掘技術數(shù)據(jù)挖掘是商務智能（BusinessIntelligence,BI）產(chǎn)品系列中的關鍵成員，BI中的關鍵成員還有聯(lián)機分析處理、企業(yè)報表和ETL。數(shù)據(jù)挖掘指的是分析數(shù)據(jù)，使用自動化或半自動化的工具來挖掘隱含的模式。它從大量的、不完全的、有噪聲的、模糊的、隨機的數(shù)據(jù)集中識別有效的、新穎的、潛在有用的，以及最終可理解的模式的非平凡過程。它是一門涉及面很廣的交叉學科，包括機器學習、數(shù)理統(tǒng)計、神經(jīng)網(wǎng)絡、數(shù)據(jù)庫、模式識別、粗糙集、模糊數(shù)學等相關技術。2.4.1分類數(shù)據(jù)挖掘可以解決大量的商業(yè)問題?；谶@些商業(yè)問題的性質(zhì)，把這些問題分成下面幾種數(shù)據(jù)挖掘任務：概念描述。概念描述就是對某類對象的內(nèi)涵進行描述，并概括這類對象的有關特征。概念描述分為特征性描述和區(qū)別性描述，前者描述某類對象的共同特征，只涉及該類對象中所有對象的共性；后者，則描述不同類對象之間的區(qū)別。關聯(lián)分析。關聯(lián)分析主要用于發(fā)現(xiàn)不同事件之間的關聯(lián)性，即一個事件發(fā)生的同時，另一個事件也經(jīng)常發(fā)生。關聯(lián)分析的重點在于快速發(fā)現(xiàn)那些有實用價值的關聯(lián)發(fā)生的事件，其主要依據(jù)是應該符合一定的統(tǒng)計意義的相關事件發(fā)生的概率和條件概率。分類和預測。分類分析就是通過分析樣本數(shù)據(jù)庫中的數(shù)據(jù)，為每個類別作出準確的描述或建立分析模型或挖掘出分類規(guī)則，然后用這個分類規(guī)則對其它數(shù)據(jù)進行分類。預測是使用歷史資料去推測估計未來的數(shù)值以及趨勢，根據(jù)樣本的已知特征估算某個連續(xù)類型的變量的取值的過程。聚類分析。聚類分析是根據(jù)物以類聚的原理，分析數(shù)據(jù)對象，將本身沒有類別的對象聚集成不同的類別，并且對每一個這樣的類別進行描述的過程。分類是事先已經(jīng)知道有哪些類別，而聚類則事先不知道數(shù)據(jù)對象到底有些什么樣的類別，對象根據(jù)“最大化類內(nèi)的相似性、最小化類間的相似性”的原則進行聚類或分組，使得在一個簇（聚類）中的對象具有很高的相似性，而與其他簇的對象很不相同。偏差檢驗。也常被稱之為孤立點分析或異常檢測。在數(shù)據(jù)庫中可能存在這樣一些數(shù)據(jù)對象，它們與數(shù)據(jù)的一般行為或模型存在較大偏差，稱之為孤立點。孤立點可能是度量或執(zhí)行錯誤所致，因此一般情況下孤立點數(shù)據(jù)作為雜質(zhì)排除，但有些情況找出孤立點卻是非常有用的，比如高額頻繁的信用卡透支行為。這種現(xiàn)象相對于正常的信用卡使用來說是很少出現(xiàn)的，屬于孤立點，找出這些孤立點，就可能預防或發(fā)現(xiàn)一些信用卡欺詐行為。演變分析。用于描述隨時間變化的對象的變化規(guī)律或趨勢，并對其建模。比如時間序列數(shù)據(jù)分析、序列或周期模式匹配和基于相似性的數(shù)據(jù)分析。如給定過去幾年證券市場的歷史數(shù)，通過演變分析識別某類證券的演變規(guī)律，從而預測證券的未來價格走勢。2.4.2過程數(shù)據(jù)挖掘過程一般可以分為以下五個步驟：問題定義：了解相關領域的有關情況，熟悉背景知識，弄清用戶要求，定義要挖掘的目標。數(shù)據(jù)提?。焊鶕?jù)要求從數(shù)據(jù)庫中提取相關的數(shù)據(jù)。數(shù)據(jù)預處理：主要對前一階段產(chǎn)生的數(shù)據(jù)進行再加工，檢查數(shù)據(jù)的完整性及數(shù)據(jù)的一致性，對其中的噪音數(shù)據(jù)進行處理，對丟失的數(shù)據(jù)進行填補。知識提?。哼\用選定的數(shù)據(jù)挖掘的算法，從數(shù)據(jù)中提取用戶所需要的知識，這些知識可以用一種特定的方式表示或使用一些常用的表示方法。評估：將發(fā)現(xiàn)的知識以用戶能理解的方式呈現(xiàn)，如某種規(guī)則，再根據(jù)實際執(zhí)行情況對知識發(fā)現(xiàn)過程中的具體處理階段進行優(yōu)化，直到滿足用戶的要求為止。2.4.3方法數(shù)據(jù)挖掘主要有如下6種方法：關聯(lián)分析：如果客戶購買了產(chǎn)品A，在x%的情況下，他也可能購買產(chǎn)品B。P(B|A)=P(AB)/P(A)兩個關鍵的閾值指標分別是支持度：P(AB)和置信度：P（B|A）。這種分析方法的不足：一、支持度僅以出現(xiàn)次數(shù)為評價對象，可能忽略銷售額大二次數(shù)很少的項目。二、分析出來的關系可能是隨機的。三、置信度低的數(shù)據(jù)可能反映很重要的市場信息。可能是替代品或競爭產(chǎn)品。分類分析：分類其目的是建立一個分類函數(shù)或分類模型（也稱作分類器），該模型能把數(shù)據(jù)庫的數(shù)據(jù)項映射到給定類別中的某一個。分類是有指導的學習。根據(jù)設定的分組，將不同的數(shù)據(jù)分配到不同的分組，然后研究每個組的特點。如客戶跳槽分析。聚類分析：Clustering是將數(shù)據(jù)分為幾組，其目的是將組與組之間的差異找出來，同時也要將一個組之中的成員的相似性找出來。Clustering與Classification不同的是，你不知道它會以何種方式或根據(jù)什么來分類。所以你必須要有一個分析師來解讀這些分類的意義。聚類分析幫助我們決定將哪些組合更有意義。聚類是把一組個體按照相似性歸成若干類別，即“物以類聚”。它的目的是使屬于同一類別的個體之間的距離盡可能地小，而不同類別的個體間的距離盡可能地大。決策樹：分析不同的影響因素對分析目標的影響，找到關鍵的影響因素。決策樹法的優(yōu)點是直觀，但隨著數(shù)據(jù)復雜性的提高，其分支樹也會增多，管理困難。遺傳算法：遺傳算法是一種基于生物進化過程的組合優(yōu)化方法。其基本思想是：隨著時間的更替，只有適合的物種才得以進化。將這種思想用于數(shù)據(jù)挖掘就是根據(jù)遺傳算法獲得最適合的模型，并據(jù)此對數(shù)據(jù)模型進行優(yōu)化。神經(jīng)網(wǎng)絡：神經(jīng)網(wǎng)絡從經(jīng)驗中學習，常用于發(fā)現(xiàn)一組輸入數(shù)據(jù)和一個結果之間的未知聯(lián)系。2.5數(shù)據(jù)挖掘應用于銀行卡業(yè)務的優(yōu)勢數(shù)據(jù)挖掘技術的應用有效地解決了困擾我國銀行卡產(chǎn)業(yè)發(fā)展的主要問題，即怎樣發(fā)展和管理信用卡客戶？怎樣準確有效地營銷？怎樣控制風險？等問題。2.6數(shù)據(jù)挖掘應用于銀行卡業(yè)務的領域數(shù)據(jù)挖掘在銀行卡業(yè)務中的應用范圍主要有：1．建立客戶細分模型由于人口統(tǒng)計特征和心理特征的多樣性,以及交易行為和利潤水平的不同,客戶交易據(jù)庫中存在著不同的群體。發(fā)掘出不同群體的這些特征,才可能據(jù)此進行產(chǎn)品開發(fā)、個性化服務和目標定位。BFM方法是根據(jù)銀行對于客戶行為特征的關注點,而設計的一種客戶細分方法,其含義如下:最近值B(Balance):賬戶日均余額頻度值F(Frequency):一定時間段內(nèi)交易次數(shù)幣值M(Monetary):一定時間段內(nèi)累計交易金額在銀行所關心的這三個特征值中,賬戶日均余額是最重要的,因為它直接決定著銀行可供利用資金的多少,進而影響銀行的利潤;交易頻度標識著賬戶的活躍程度;交易金額則衡量著賬戶的資金流量,一定程度上反映著該賬戶擁有人的資金流動性。以一段時間內(nèi)的賬戶日均余額、交易次數(shù)和累計交易金額為度量值,對所有的銀行卡客戶進行細分。細分完成后,通過對比分析,可以得出每一個客戶劃分的類型,從而為營銷策略的制定提供有力的指導。2．建立余額流失模型客戶流失對于任何企業(yè)的利潤都會帶來重大的影響。對于銀行來說,關注的不單純是客戶數(shù)量的流失,更重要的是客戶賬戶余額的流失。確定"真正的余額流失者"基于兩個假設:一是賬戶余額的減少達到一定的絕對數(shù)量;二是流失余額的百分比達到某一較高的比例。兩個假設同時滿足該客戶才有可能是"真正的余額流失者"。余額流失模型中,選取一個較長的時間段(比如一年)計算出每個銀行卡賬戶的"日均余額1",再取接下來的一個較短的時間段(比如三個月)計算每個銀行卡賬戶的"日均余額2",利用兩個日均余額值來確定賬戶余額的變化值和變化百分比。以余額的變化值和變化百分比為度量值,對所有存在余額減少的銀行卡賬戶采用聚集技術進行劃分。通過對各個劃分進行對比分析,結合銀行卡業(yè)務周期的特點,可以得到余額流失的量化標準,從而確定"真正的余額流失者",并采取針對性的彌補措施。3．建立客戶價值模型在直接營銷的初期,收入的大部分增長來源于新客戶的獲得。然而在今天,市場已經(jīng)越來越趨于飽和,使得獲取新客戶越來越困難并且花費也更加昂貴。為了彌補這一不足,很多的公司正在把現(xiàn)有的客戶作為公司的利潤主體,它們更多的是通過把重點放在為現(xiàn)有的客戶開發(fā)新的產(chǎn)品和提供新的服務上來保持競爭力。商業(yè)銀行也開始向吸引和保留高價值客戶投入更多的資金。然而誰是高價值客戶,很多的商業(yè)銀行的經(jīng)營管理者沒有理性的認識、量化的標準和有效識別的手段,借助數(shù)據(jù)挖掘技術可以解決這個問題。計算客戶的價值要考慮歷史價值和未來價值,直接貢獻和間接貢獻,除此之外還要考慮這些價值的凈現(xiàn)值,根據(jù)現(xiàn)有的數(shù)情況確定計算公式。通過調(diào)研,可以確定公式中的各個參數(shù),這樣就可以計算每個銀行卡賬戶對于銀行來說的收入和支出,得出該賬戶的價值。利用一些挖掘軟件中的自定義公式的功能,將客戶價值計算公式定義好,就可以批量的計算出所有客戶的價值。4客戶信用模型銀行卡中的貸記卡,也就是通常所說的信用卡,在開展業(yè)務的過程中往往會遇到客戶惡意透支的情況,產(chǎn)生了信用風險,為銀行的資金安全帶來一定的危害。利用數(shù)據(jù)挖掘技術建立客戶信用模型,可以對貸記卡客戶進行信用等級評定、透支行為分析和信用欺詐發(fā)現(xiàn)。這個模型首先在對信用卡歷史記錄進行分析的基礎上,確定每個人口統(tǒng)計學特征在初始信用等級評價時所占的權重,并對初始信用等級進行分類。以后隨著業(yè)務交易的增加,根據(jù)客戶的信用狀況對該客戶的信用等級進行動態(tài)的調(diào)整。用模型還對客戶的信用透支進行分析,獲取客戶透支的具體特征。客戶的信用等級和透支具體特征兩方面結合作為基礎,應用孤點分析和聚類分析,監(jiān)測信用卡的異常業(yè)務。根據(jù)對歷史數(shù)據(jù)的挖掘,獲取造成信用風險的客戶的特征和背景,防范有可能造成風險損失的客戶。在對客戶透支行為分析的基礎上,用系統(tǒng)的方法對信用風險的類型和原因進行識別、評估,發(fā)現(xiàn)引起信用風險的誘導因素,有效的控制和降低信用風險的發(fā)生。通過建立客戶信用模型,能夠幫助銀行發(fā)現(xiàn)具有潛在欺詐性的事件,預防和控制資金的非法流失。2.7本章小結本章介紹了與銀行卡業(yè)務決策相關的技術，描述數(shù)據(jù)挖掘技術在銀行卡業(yè)務決策中的優(yōu)勢并論述了數(shù)據(jù)挖掘技術主要的應用領域。第三章銀行卡業(yè)務決策系統(tǒng)3.1系統(tǒng)總體設計3.1.1系統(tǒng)架構銀行卡管理系統(tǒng)結構如圖3.3.1所示。圖3.1.1銀行卡管理信息系統(tǒng)結構銀行卡管理系統(tǒng)結構分為：金融渠道、業(yè)務系統(tǒng)及其它數(shù)據(jù)源系統(tǒng)、決策支持信息平臺、分析系統(tǒng)四個層次。金融渠道為業(yè)務系統(tǒng)提供了數(shù)據(jù)源，業(yè)務系統(tǒng)及其它數(shù)據(jù)源系統(tǒng)為決策支持信息平臺提供了數(shù)據(jù)源，而決策支持信息平臺則為該系統(tǒng)提供了數(shù)據(jù)源【5】。3.1.2系統(tǒng)總體設計銀行卡管理信息系統(tǒng)的功能模塊包括兩方面：一、客戶端對銀行卡的應用二、銀行方面基于客戶用卡行為的分析進行決策和管理的應用。系統(tǒng)總體設計結構如下圖3.1.2所示。圖3.1.2銀行卡信息管理系統(tǒng)3.2系統(tǒng)數(shù)據(jù)庫設計討論的原始數(shù)據(jù)來自以下幾個表：持卡人基本信息表（CardFlolder）：主要字段包括卡號、交易時間、交易類型、服務單位、職業(yè)、職務、學歷、年收入、婚姻狀況、配偶姓名、住址以及聯(lián)系方式等。持卡人歷史交易表（HisTransLog）：主要字段包括卡號、交易時間、交易類型、交易金額、交易方式和交易流水號等。代發(fā)工資表（Sarlary）考慮到收入是較為敏感的因素，雖然在持卡人基本信息表中有“年收入”字段，但為更精確分析收入狀況，我們引入了一些單位在銀行的代發(fā)工資，主要引用字段是卡號和實發(fā)金額字段?？惐恚–ardList）:主要字段有發(fā)卡行行號、卡類型（借記卡、貸記卡）、所屬組織（VISA\MASTER\JCB等）、卡特征值、卡號長度和卡種名稱等。3.3銀行卡管理系統(tǒng)的實現(xiàn)3.3.1基于關聯(lián)的挖掘模型數(shù)據(jù)預處理包括對部分空缺數(shù)據(jù)字段通過經(jīng)驗填充；對部分屬性進行離散和概化；刪除無關或冗余屬性等。具體實現(xiàn)內(nèi)容如下：空缺數(shù)據(jù)字段填充：主要是通過經(jīng)驗值或其他相關字段推到進行填充，如性別字段、年齡字段等可通過身份證號碼字段推導出來。數(shù)值屬性離散化和歸約處理：部分數(shù)值屬性需要離散或歸約并概念分層，以便于分析和統(tǒng)計。如：年齡屬性：{young,middle_aged,senior}{20……39}young{40……59}middle_aged{59……89}senior年收入屬性：根據(jù)本地情況{low,middle_low,middle,middle_high,high}{5000……11999}low{12000……23999}middle_low{24000……59999}middle{60000……99999}middle_high{100000……600000}high交易金額屬性可按四舍五入的原則之精確到百元。如交易金額為1283.56源，則經(jīng)過處理后為1300元。分類屬性概化和維歸約化處理：對于交易方式、交易類型、服務單位、職業(yè)和職務等分類屬性字段進行概化處理和維歸約。如交易類型可向上增加兩個概念層：金融類交易和非金融類交易，金融類交易又分為現(xiàn)金交易和非現(xiàn)金交易；交易方式也可以向上增加一個概念層：自主交易方式和非自主交易方式；同樣，受教育程度也可向上增加一個概念層：高等教育、中等教育和初等教育；服務單位可概化到行業(yè)劃分、如行政事業(yè)單位、金融保險業(yè)、私營企業(yè)等等。刪除無關或冗余屬性處理：如卡消費地點、時間、卡磁條信息、住址和聯(lián)系方式等字段與挖掘內(nèi)容關系不大，為避免干擾和影響挖掘，應刪除該類字段。通過分析，最終建立了10個維表和2個事實表（持卡人基本信息表和交易信息表）。10個維表為：·性別維表：Sex(sex_key,sex_name)·年齡維表：Age(age_key,age_rang)·年收入維表：Ysalary（ysalary_key,ysalary_level）·職業(yè)維表：Occup(occup_key,occup_type,occup_name)·行業(yè)維表：Employer（emp_key,emp_type,emp_name）·職務維表：Headship(headship_key,headship_level,headship_name)·受教育程度維表：Edu(edu_key,edu_level,edu_name)·交易類型維表：TransType(transtype_key,transtype_level,transtype_ID)·交易方式維表：TransMode(transmode_key,transmode_level,transmode_ID,transmode_name)·卡類維表：CardType（cardtype_key,cardtype_type,cardtype_inst,cardtype_name）兩個事實維表為：持卡人基本信息表（事實表）：HolderMsg(sex_key,age_key,ysalary_key,occup_key,emp_key,edu_key,cardnum,cardholder)交易信息表（事實表）：TransMsg(transtype_key,transmode_key,cardtype_key,amount,count,cardnum,trans_seqnum)結合背景知識，對挖掘過程做如下約束。用卡次數(shù)必須大于5次的用戶。用卡次數(shù)可以說明用戶是否喜歡用卡，如果用卡次數(shù)過少說明該客戶不太習慣用卡年收入必須大于10000元的客戶。因為收入水平是判斷該客戶是否有經(jīng)濟實力的重要指標20%<收支比<80%。其中，收支比=一段時間內(nèi)總支出/一段時間內(nèi)總收入，收支比過低，說明消費欲望過低或不習慣用卡；收支比過高，對銀行來說存在風險3.3.2應用效果分析采用維關聯(lián)規(guī)則的目的很明確，就是要發(fā)掘能給銀行帶來比較大利益的客戶。以下是產(chǎn)生并經(jīng)過篩選后的部分具體挖掘內(nèi)容及結果：網(wǎng)上購物習慣挖掘網(wǎng)上購物與年齡結構的3維關聯(lián)規(guī)則：Transtype_key(X,shoping)^transmode_key(X,internet)=>age_key(X,young):[1.5%,60%]網(wǎng)上購物與性別的3維關聯(lián)規(guī)則：Transtype_key(X,shoping)^transmode_key(X,internet)=>sex_key(X,male):[1.5%,60%]年齡結果與受教育程度與網(wǎng)上購物的4維關聯(lián)規(guī)則：Transtype_key(X,shoping)^edu_key(X,hight)^age_key(X,young)=>transmode_key(X,internet):[1.5%,50%](2)使用自助方式（self_mode:ATM、POS、PHONE、INTERNET）交易習慣挖掘5000元以下在ATM取款機上取款習慣的關聯(lián)規(guī)則：Transtype_key(X，withdraw)^amount(X”50…5000”)=>transmode_key(X,ATM):[5%,58%]查詢交易大部分使用自助方式Transtype_key(X，inquire)=>transmode_key(X,self_mode):[5%,70%](3)不同年齡段的交易習慣挖掘中青年喜歡采用自助方式交易：age_key(X，in(young,middle_aged))=>transmode_key(X,self_mode)[5%,55%]老年及收入較低的持卡人往往采取柜臺交易方式：age_key(X，senior)^Ysalary(X,low)=>transmode_key(X,counter)[3%,60%](4)單筆交易金額和交易筆數(shù)與持卡人收入的3維量化關聯(lián)規(guī)則amount(X,”50…200”)^count(X,”5…15”)=>Ysalary(X,middlelow)[4%,55%]amount(X,”50…1000”)^count(X,”10..30”)=>Ysalary(X,middle)[4%,55%]amount(X,”50…3000”)^count(X,”10…150”)=>Ysalary(X,in(middlehigh,hight))[4%,55%]3.3.3本章小結以往銀行劃分優(yōu)質(zhì)持卡客戶的標準只是卡存款數(shù)額，“發(fā)卡不存”或“存而不用”不能給銀行帶來高效益，“用而適度”卻能在規(guī)避風險的前提下，給銀行帶來最大效益。以上的關聯(lián)規(guī)則挖掘經(jīng)過多方面的分析，可以幫助銀行為客戶提供更好的個性化服務并提供更多的金融產(chǎn)品。第四章總結與展望4.1研究工作總結本文在研究客戶細分與關聯(lián)分類算法等相關理論的基礎上，針對現(xiàn)存的大量數(shù)據(jù)采用關聯(lián)分類算法對銀行卡客戶進行細分，構建一套基于商業(yè)智能解決方案的銀行卡業(yè)務分析系統(tǒng)，以幫助銀行卡業(yè)務部門實現(xiàn)全面的績效關聯(lián)，通過全面理解機構經(jīng)營情況、整體收益結構。通過使用該系統(tǒng)銀行管理者可深入了解客戶、業(yè)務狀況，合理預測、制定商業(yè)計劃，從而提高客戶滿意度和自身的競爭價值，贏取更大的市場份額。4.2展望本文對關聯(lián)分類算法，及其在信用卡客戶細分中的應用進行了深入的研究，提出了一些創(chuàng)新性的研究成果，但是還有許多問題有待進一步研究和改進。進一步的研究工作包括以下幾個方面的內(nèi)容:(l)所建立的客戶細分的指標體系還不完善，每個銀行對客戶的著眼點和關注重點不同，因此，還需進一步細化、全面化。(2)本論文所提出的算法主要是對現(xiàn)有關聯(lián)分類算法采用支持度一置信度框架的改進，通過加入相關度概念，對規(guī)則的產(chǎn)生更具科學性。但本文只實現(xiàn)了算法的可行性和準備性，沒有考慮到增量數(shù)據(jù)的情況，下一步的工作將探討如何有效地使用增量算法對數(shù)據(jù)庫中的客戶資料進行更有效的細分。(3)將模糊集概念引入到分類關聯(lián)規(guī)則挖掘中。關聯(lián)分類的數(shù)據(jù)對象須是離散型數(shù)值，對于連續(xù)屬性值需要首先離散化。這就會帶來一個不可避免的問題:離散區(qū)間的邊界劃分過硬。模糊概念的加入不僅可以達到軟化邊界的目的，同時還可以提升挖掘出規(guī)則的可解釋性。模糊分類關聯(lián)規(guī)則的挖掘也成為提高關聯(lián)分類算法的一個重要方面。參考文獻1陳燕，楊德禮著，一個數(shù)據(jù)倉庫的設計和實現(xiàn)[J]，大連理工大學學報，2000,40（2）：249-252.孔學峰著，數(shù)據(jù)挖掘及其在信用卡風險控制中的應用[J],中國金融電腦雜志，2003,10.張阿蘭，謝邦昌.數(shù)據(jù)挖掘在信用卡管理中的應用，《計算機工程與應用》，2002.10李建平.信用卡客戶數(shù)據(jù)庫營銷，《中國信用卡》，2000.2王珊.數(shù)據(jù)倉庫技術與聯(lián)機分析處理.北京：科學出版社，1999鐘曉.分類與聚類挖掘的研究[博士論文].杭州：浙江大學，2000孫中東，喬梁.信用卡的高技術之戰(zhàn).計算機世界,2002-07IBM商業(yè)智能解決方案在銀行業(yè)中的應用。2007王廣宇，基于決策支持的銀行數(shù)據(jù)挖掘應用.計算機世界，2003,33-36劉明德，陳湘.數(shù)據(jù)挖掘與OLAP理論與務實.北京：清華大學出版社，2002.178-203王景聰.運用資料挖掘技術與信用卡顧客關系管理之研究[D].碩士學位論文，元智大學江明華，任曉煒.信用卡持卡者人口統(tǒng)計特征及透支行為關系的實證研究[J].金融研究，2004劉如興.信用卡數(shù)據(jù)庫營銷之顧客價值分析與促銷成效之研究[D].臺灣：臺灣大學，2002馬超群，蘭秋軍，陳為民著金融數(shù)據(jù)挖掘.北京：科學出版社，2007欒勇，李宏.銀行卡用卡行為關聯(lián)規(guī)則挖掘。華南金融電腦.200513（10）：82-8416車敦仁，周立柱著，OALP及多維數(shù)據(jù)庫技術〔D]，第十四屆全國數(shù)據(jù)庫回憶論文集1999.致謝大學生活一晃而過，回首走過的歲月，心中倍感充實，當我寫完這篇畢業(yè)論文的時候，有一種如釋重負的感覺，感慨良多。

首先誠摯的感謝我的論文指導老師張教授。她在忙碌的教學工作中擠出時間來審查、修改我的論文。還有教過我的所有老師們，你們嚴謹細致、一絲不茍的作風一直是我學習的榜樣；你們循循善誘的教導和不拘一格的思路給予我無盡的啟迪。

感謝三年中陪伴在我身邊的同學、朋友，感謝他們?yōu)槲姨岢龅挠幸娴慕ㄗh和意見，有了他們的支持、鼓勵和幫助，我才能充實的度過了四年的學習生活。數(shù)學教學難點處理點滴談【內(nèi)容摘要】突出重點、突破難點是教學活動的永恒主題，兩者都十分重要。在某種意義上講，突破教學難點更為重要，因為教師只有在課堂教學中突破了教學上的難點，才能幫助學生掃除學習的障礙，解除學生心理上的困惑，增強學好本學科的堅定信念，從而達到提高教學質(zhì)量的目的。教學中的難點是多種多樣的，選擇恰當?shù)慕虒W方法加以突破，是提高教學質(zhì)量的重要方面，也是廣大教師必須掌握的教學基本功之一。本文結合自己的教學實踐，談談在數(shù)學課堂教學中如何處理教學難點問題。【關鍵詞】數(shù)學難點處理

教學難點是指學生不易理解的知識，或者是指學生不易掌握的技能技巧。教學難點不一定是教學重點。也有些教學內(nèi)容既是教學重點又是教學難點，例如函數(shù)的概念、圓錐曲線的性質(zhì)、立體幾何中的距離和角等。教師應該著力想出各種有效辦法加以突破，否則不但這部分內(nèi)容學生聽不懂、學不會，還會為理解以后的新知識和掌握新技能造成困難。教學中選擇恰當?shù)慕虒W方法突破教學難點，是提高教學質(zhì)量的重要方面，也是廣大教師必須掌握的教學基本功之一。教師在教學中要突破教學難點，首先要認真研究和分析教學難點。要弄清學生為什么會感到困難？難在哪里？然后再根據(jù)難點所在，有針對性地去加以解決。以下結合自己的教學實踐，談談在課堂教學中如何處理教學難點問題。一、運用形象直觀法突破教學難點很多數(shù)學知識因為抽象而成為難點，可以形象、直觀、實踐的教學加以突破。如“的圖象”的教學，這一節(jié)要通過說明當A、、三參數(shù)同時對函數(shù)圖象的影響時，將y=sinx的圖象進行怎樣的振幅變換、周期變換、相位變換三種變換得到y(tǒng)＝Asin(ωx十φ)的圖象，使學生理解函數(shù)圖象是怎樣隨著函數(shù)解析式的變化而進行平移、伸縮、周期變換的。這是教學的難點。在以往教學中往往都是教師引導學生利用描點作圖法作出大量的圖象，然后教師用準確、精練的語言來講解、描述，把變換的結果灌輸給學生，學生只有機械地去認同、記憶所得的結論，而無法觀察到變換的一種動態(tài)過程，這樣難以激起學習興趣，引起認知需要和深刻理解知識。我在這一節(jié)的教學中，用幾何畫板把課本的4個例題制作成動態(tài)變化圖象，把由的圖象變換得到y(tǒng)＝Asin(ωx十φ)的圖象的過程在課堂教學中演示給學生看，解決了以上的不足。通過對變換過程的動態(tài)演示讓學生觀察，給學生一種真實的感受，易于學生去理解、掌握函數(shù)y=sinx圖象是怎樣隨著函數(shù)解析式的變化而進行平移、伸縮、周期變換的。從而使學生愉快地掌握了知識，提高了課堂教學的效率。二、運用類比、探究的的方法突破教學難點類比，是指根據(jù)兩種事物在某些特征的相似，做出它們在其它特征上也可能相似的結論。在教學中，對某些難以掌握的知識，可與學生熟悉的知識類比，力求將新的知識在學生腦子里實現(xiàn)由“難”到“易”的遷移。例如：二面角的概念與二面角的求法是立體幾何教學的一大難點。原因在于二面角不能直接度量，而需要借助于它的平面角來度量。而平面角既是“定”的又是“變”的，所為“定”，是指必須符合三個條件：①頂點在棱上；②邊分別在兩個“半平面”內(nèi)；③兩邊分別與“棱”垂直，三者缺一不可。尤其是空間的兩線垂直不直觀，難以把握。所為“變”，是指它的頂點在“棱”上沒有固定的位置，具有開放性。為了突破這一教學難點，我在教學二面角的概念時先列舉實際生活中學生熟悉的一些二面角的例子，創(chuàng)設情境，從兩個平面的位置關系復習開始，當兩個平面不平行時，它們的位置關系是相交，相交的度量是研究成角的大小、平面幾何中