首先控制流通过“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，再使用“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，如果任一任务失败，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VisualBasci．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)时，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，客户经理基本以自身经验或其他预测数据为依据来营销客户。然而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，所以它不足以协助客户经理进行有效的营销。系统投产后第2季度，通过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的关联性。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”存在高度的相关。

    表2为“B／S模式网上银行客户评估系统”运行第2季度(当年第4季度)和去年同期网上银行客户开户情况的统计表。

    从表2中2007年第4季度和2008年第4季度的对比可以看出，其客户增长率为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33％的“新年回馈”营销增长(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的影响较小。除去以上因素外，在中高端客户增长方面“B／S模式客户评估系统”对其影响较大。
    根据系统运行后跟踪评估的数据分析表明，该系统对于其目标预测的准确性是可以接受的，其特点是：对网上银行高端客户的预测准确性尤为突出，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：会同业务领域人员再次分析研究客户使用模式，进而调整相应的模型结构；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出与预测属性之间的关系。

5 结 语
    在此，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％，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。