­ای جهت تحقق این مهم خواهد بود.

با ورود فناوری­های جدید به سازمان­ها و افزایش سرعت تولید اطلاعات و در نتیجه بر جای ماندن حجم عظیمی از داده‌ها و دشواری استفاده از این حجم وسیع، معمولاً امکان استفاده از این داده‌ها به صورت خام وجود ندارد، بلکه دانش موجود در آن­ها باید استخراج گردد. همچنین تحلیل این داده‌ها به واسطه روش‌های گزارش گیری سنتی در این مقیاس امکان­پذیر نیست و روش‌های آماری موجود نیز از ظرفیت کافی جهت تحلیل این داده‌ها برخوردار نمی­باشند. داده‌کاوی راهکاری است که با غلبه بر این محدودیت، امکان انجام مطالعاتی جامع­تر با نتایج دقیق­تر و درصد خطای پایین­تر را ممکن سازد.

داده‌ها[6] کمیت‌های عددی یا خصیصه‌ای هستند که در نتیجه مشاهده یا آزمایش حاصل شده‌اند. داده‌های دسته‌بندی شده اطلاعات[7] را تشکیل می‌دهند. اطلاعات از ترتیب، تركیب و شبكه شدن دانش را ایجاد می­نماید. دانش، اطلاعات سازمان‌یافته، تحلیل یافته و یا تلخیص شده برای افزایش درک، آگاهی یا تشخیص می‌باشد.

داده‌کاوی ابزاری بروز، قدرتمند و وسیع است که می­تواند جهت تحلیل حجم عظیم داده بکار گرفته شود. داده‌کاوی به بهره­گیری از ابزارهای تجزیه و تحلیل داده‌ها به منظور کشف الگوها و روابط معتبری که تا کنون ناشناخته بوده‌اند اطلاق می‌شود. این ابزار با کاوش در بین داده‌های موجود و استخراج الگوها و روابط موجود در پایگاه داده‌ها، موجب تسهیل مطالعات و اتخاذ تصمیمات خواهد شد. همچنین به

 کمک امکانات موجود در این ابزار می­توان حجم داده‌ها را کاهش داد و داده‌های اضافی را حذف نمود. استفاده از روش‌های مختلف داده‌کاوی می­تواند جهت کشف دانش و الگوهای موجود در حجم عظیم داده‌ها (برای مثال به طور خاص داده‌های جمعیت شناختی مشتریان بانک نظیر جنسیت، سن، وضعیت تأهل، تحصیلات، شغل و غیره، یا داده‌های مربوط به تراکنش­های مالی مشتریان و یا سرویس­های ارائه شده توسط بانک) استفاده شود. این الگوها می­توانند از سوی مدیران جهت اتخاذ تصمیمات مقتضی در ارتباط با مشتری، چگونگی برخورد با شرایط متفاوت کسب­وکار، ارائه خدمات خاص و غیره بکار گرفته شود.

تعاریف متفاوتی از داده‌کاوی وجود دارد ولی تعریفی كه در اكثر مراجع به اشتراك ذكر شده عبارت است از «استخراج اطلاعات و دانش و كشف الگوهای پنهان از پایگاه داده‌های بسیار بزرگ و پیچیده.» داده‌کاوی یك متدولوژی بسیار قوی و با پتانسیل بالا می‌باشد كه به سازمان‌ها كمك می‌کند كه بر مهم‌ترین اطلاعات از مخزن داده‌های خود تمركز نمایند [52].

داده‌کاوی را می­توان به عنوان ابزاری جهت کشف دانش از پایگاه­های داده تعریف نمود. داده‌کاوی یک گام در فرایند کشف دانش از پایگاه داده[8] است که با استفاده از الگوریتم‌های کشف و تحلیل داده‌ها تعداد خاصی الگو یا مدل را از روی داده‌ها تولید می­کند.

یک الگو زمانی می­تواند به عنوان دانش تلقی شود که :

1.   به سادگی برای افراد قابل فهم باشد.

2.   اعتبار آن از یک حد آستانه­ای[9] پایین­تر نباشد.

3.   دانش جدیدی متناسب با اهداف تعیین‌شده سازمان ارائه دهد.

4.   کاربردی باشد. [1]

امروزه کاربردهای مختلفی برای داده‌کاوی در صنعت بانکداری شناخته شده است.

شهرابی و همکاران در [1] کاربردهایی نظیر مدیریت ارتباط با مشتریان از طریق بخش‌بندی آن­ها و استخراج قواعد رفتاری آن­ها جهت هدایت فعالیت‌های بازاریابی بانک، مدل‌سازی پاسخ بازار به تصمیمات کلان بانک و شناسایی اثر هر یک از سیاست­های بانک بر تقاضا و امکان شبیه­سازی تعاملی سیاست­ها و تصمیمات قبل از اجرا، ارزیابی ریسک اعتباری مشتریان متقاضی دریافت وام، محاسبه کارایی شعب و پیش­بینی سری­های زمانی مالی و … کشف الگوهای پنهان در داده‌های حاصل از تعاملات با مشتریان و تحلیل این الگوها را به عنوان مثال­هایی از کاربرد ابزار داده‌کاوی در بانک ذکر کرده است.

بانک­ها می­توانند جهت افزایش سودآوری از طریق مشتریان تراز اول خود، برای یک محصول جدید بانکی، مشتریان بالقوه خود را از طریق داده‌کاوی شناسایی نموده و آن­ها را به سمت استفاده از این محصول سوق دهند و بدین ترتیب در زمان و هزینه صرفه­جویی کنند.

پیاده­سازی سیستم هوشمند ارزیابی اعتبار مشتری به کمک داده‌کاوی از کاربردهای دیگر این ابزار جهت مدیریت دانش مشتریان در بانک است. در این کاربرد می­توان با استفاده از اطلاعات گروهی از وام­گیرندگان سابق (مانند بعضی اطلاعات شخصی وام‌گیرنده مانند سن و جنسیت و وضعیت تأهل و درآمد و…، تعداد تراکنش ماهیانه مشتری با بانک، سایر بدهی­های بانکی، نوع ضمانت و…) و وضعیت آن­ها از نظر بازپرداخت وام به مدلی دست یافت که مشتریان متقاضی وام را در دسته­هایی مانند مشتری خوش­حساب، مشتری بدحساب و … دسته‌بندی نمود. با حصول این دانش در مورد مشتری متقاضی اعتبار تصمیم­گیری در مورد پرداخت یا عدم پرداخت اعتبار بسیار ساده­تر خواهد بود.

برخی از مشكلات نبود مدیریت دانش می­توان عدم اولویت‌بندی و استفاده از انواع دانش، ایجاد شکاف دانشی در صورت جدا شدن كارشناسان از سازمان، احتكار دانش به جای ازدیاد آن، استفاده محدود از دانش­های موجود، نبود مستندات در خصوص تجربیات به دست آمده از پروژه‌ها و كارها و نبود ساختار مناسب برای تسهیم سریع دانش را نام برد.