Data mining merupakan proses untuk menemukan pola, trend dan insight dari data dengan volume besar (big data). Proses data mining meliputi penggunaan baik statistik maupun teknik-teknik komputasi untuk bisa mengekstrak informasi penting dari data.  Tujuan utama dari data mining adalah untuk menemukan informasi yang berasal dari pola dan hubungan antar data sehingga dapat digunakan sebagai dasar pengambilan keputusan bisnis.  Aplikasi data mining digunakan di berbagai industri seperti: healthcare, finance, marketing dan bisnis retail.  Aplikasi tersebut dapat bertujuan untuk mengembangkan loyalitas konsumen, meningkatkan kampanye marketing, memprediksi trend masa depan, memperbaiki efisiensi operasional maupun pada pengambilan keputusan keuangan.

Data mining digunakan dalam pengambilan keputusan keuangan untuk bisa mengekstrak baik insight maupun pola dari sejumlah besar data keuangan.  Data keuangan ini  dapat dimanfaatkan  sebagai informasi  untuk mendukung pengambilan keputusan keuangan seperti: keputusan investasi, pengelolaan risiko, maupun dalam perencanaan keuangan. Dalam kaitannya dengan keputusan keuangan, secara lebih spesifik, contoh penggunaan data mining antara lain pada hal-hal sebagai berikut: Deteksi Fraud, Penilaian resiko kredit, Manajemen portofolio dan Segmentasi Konsumen,

Deteksi Fraud. Teknik data mining digunakan untuk mendeteksi terjadinya fraud. Dengan menganalisa terhadap sejumlah besar volume transaksi, maka algoritma data mining dapat mengidentifikasi baik pola maupun anomali yang bisa menjadi indikasi telah terjadi aktivitas “curang”.  Aktivitas tersebut misalnya adalah transaksi dengan pola yang tidak biasa. Algoritma data mining bisa mendeteksi transaksi yang menyimpang yang terjadi pada waktu maupun lokasi yang tidak biasa.  Dengan melakukan behavioral analysis, data mining dapat digunakan untuk menganalisis perilaku konsumen baik frekuensi maupun volume transaksi untuk bisa mengindikasikan anomali atau perilaku “curang”.  Selain itu fraud juga dapat dideteksi melalui Social network analysis, dimana dengan data mining dipelajari, hubungan antara konsumen dengan entitas lain, seperti merchant ataupun konsumen lainnya.  Algoritma Machine learning dapat di” training” sedemikian rupa untuk mendeteksi fraud dengan mempelajari data historis dan melakukan identifikasi baik pola maupun anomali yang mengarah pada fraud.

Penilaian resiko kredit.  Bank dan kreditur lainnya dapat menerapkan data mining untuk menganalisa resiko kredit dengan cara menganalisis berbagai faktor seperti catatan kredit, apakah peminjam memiliki riwayat keterlambatan dalam melakukan pembayaran; penggunaan kredit, dengan data mining informasi seperti penggunaan kredit, outstading kredit dan apakah nasabah bertanggungjawab dalam menggunakan kreditnya dapat diperoleh; Status kepegawaian, termasuk kestabilita pekerjaan dan kemampuan untuk melakukan pembayaran serta berbagai informasi demografi lainnya seperti umur, gender, lokasi, dan profil resiko peminjam.  Penggunaan data mining dapat memberikan pihak bank dan kreditur pengambilan keputusan berdasarkan informasi yang lebih presisi, sehingga membantu mereka dalam hal mengurangi resiko default, dan memperbaiki kinerja keuangan institusi.

Portofolio Management. Para portofolio manager menggunakan teknik-teknik data mining untuk menganalisis data keuangan dalam jumlah besar untuk mengidentifikasi trend, pola dan korelasi yang membantu mereka untuk membuat keputusan.  Data mining digunakan untuk membuat keputusan menentukan berbagai variasi instrument keuangan termasuk saham, obligasi, reksadana dan etf. Data mining juga digunakan untuk memonitor kinerja dari investasi dan untuk mengidentifikasi baik resiko maupun opportunitiy.  Dengan menganalisis kinerja data masa lalu para manajer investasi dapat melakukan penyesuaian atas portofolio investasinya yakni menentukan asset mana yang harus dijual atau dibeli.

Segmentasi konsumen.  Institusi keuangan dapat menerapkan data mining untuk melakukan segmentasi berdasarkan perilaku keuangan dan pilihan mereka.  Hal ini dapat menjadi dasar pengambilan keputusan baik bidan marketing maupun keputusan pengembangan produk keuangan. Dengan mempelajari segmen konsumen dengan lebih detail, institusi keuangan akan lebih baik dalam hal mengidentifikasi baik produk maupun layanan yang mana yang menjadi pilihan tiap segment, sehingga strategi penjualan akan dapat didesign dengan lebih baik.  Dengan demikian data mining menjadikan institusi keuangan lebih memahami konsumennya, meningkatkan kepuasan dan loyalitas konsumen, dan pada akhirnya meningkatkan profitabilitas institusi keuangan.

Sumber:

Song, Y., Wu, R. The Impact of Financial Enterprises’ Excessive Financialization Risk Assessment for Risk Control based on Data Mining and Machine Learning. Comput Econ 60, 1245–1267 (2022). https://doi.org/10.1007/s10614-021-10135-4

Christopher C Kelly (2023) DETECTING SUPPLIER PAYMENT ERRORS AND FRAUD USING A DATA WAREHOUSE AUDIT APPROACH, EDPACS, 67:3, 1-20, DOI: 10.1080/07366981.2023.2170724

Gupta, S., & Mehta, S. K. (2021). Data Mining-based Financial Statement Fraud Detection: Systematic Literature Review and Meta-analysis to Estimate Data Sample Mapping of Fraudulent Companies Against Non-fraudulent Companies. Global Business Review, 0(0). https://doi.org/10.1177/0972150920984857

Yue, Z., Tan, Y. (2022). Non-local Graph Aggregation for Diversified Stock Recommendation. In: Tan, Y., Shi, Y. (eds) Data Mining and Big Data. DMBD 2022. Communications in Computer and Information Science, vol 1745. Springer, Singapore. https://doi.org/10.1007/978-981-19-8991-9_12

<a href=”http://www.freepik.com”>Designed by pikisuperstar / Freepik</a>