金融行業(yè)風(fēng)險預測模型實(shí)戰

【培訓對象】
風(fēng)險控制部、業(yè)務(wù)支撐、網(wǎng)絡(luò )中心、IT系統部、數據分析部等對數據建模有較高要求的相關(guān)領(lǐng)域人員。

【培訓收益】

第一部分：數據核心理念—數據思維篇
問(wèn)題：什么是數據思維？大數據決策的底層邏輯以及決策依據是什么？
1、數字化五大技術(shù)戰略：ABCDI戰略
A：人工智能，目的是用機器模擬人類(lèi)行為
B：區塊鏈，構建不可篡改的分布記賬系統
C：云計算，搭建按需分配的計算資源平臺
D：大數據，實(shí)現智能化的判斷和決策機制
I：物聯(lián)網(wǎng)，實(shí)現萬(wàn)物互聯(lián)通信的基礎架構
2、大數據的本質(zhì)
數據，是事物發(fā)展和變化過(guò)程中留下的痕跡
大數據不在于量大，而在于全（多維性）
業(yè)務(wù)導向還是技術(shù)導向
3、大數據決策的底層邏輯（即四大核心價(jià)值）
探索業(yè)務(wù)規律，按規律來(lái)管理決策
案例：客流規律與排班及最佳營(yíng)銷(xiāo)時(shí)機
案例：致命交通事故發(fā)生的時(shí)間規律
發(fā)現運營(yíng)變化，定短板來(lái)運營(yíng)決策
案例：考核周期導致的員工月初懈怠
案例：工序信號異常監測設備故障
理清要素關(guān)系，找影響因素來(lái)決策
案例：情緒對于股市漲跌的影響
案例：為何升職反而會(huì )增加離職風(fēng)險？
預測未來(lái)趨勢，通過(guò)預判進(jìn)行決策
案例：惠普預測員工離職風(fēng)險及挽留
案例：保險公司的車(chē)險預測與個(gè)性化保費定價(jià)
4、大數據決策的三個(gè)關(guān)鍵環(huán)節
業(yè)務(wù)數據化：將業(yè)務(wù)問(wèn)題轉化為數據問(wèn)題
數據信息化：提取數據中的業(yè)務(wù)規律信息
信息策略化：基于規律形成業(yè)務(wù)應對策略
案例：用數據來(lái)識別喜歡賺“差價(jià)”的營(yíng)業(yè)員
第二部分：數據分析基礎—流程步驟篇
1、數據分析的六步曲
2、步驟1：明確目的，確定分析思路
確定分析目的：要解決什么樣的業(yè)務(wù)問(wèn)題
確定分析思路：分解業(yè)務(wù)問(wèn)題，構建分析框架
3、步驟2：收集數據，尋找分析素材
明確數據范圍
確定收集來(lái)源
確定收集方法
4、步驟3：整理數據，確保數據質(zhì)量
數據質(zhì)量評估
數據清洗、數據處理和變量處理
探索性分析
5、步驟4：分析數據，尋找業(yè)務(wù)答案
選擇合適的分析方法
構建合適的分析模型
選擇合適的分析工具
6、步驟5：呈現數，解讀業(yè)務(wù)規律
選擇恰當的圖表
選擇合適的可視化工具
提煉業(yè)務(wù)含義
7、步驟6：撰寫(xiě)報告，形成業(yè)務(wù)策略
選擇報告種類(lèi)
完整的報告結構
演練：產(chǎn)品精準營(yíng)銷(xiāo)案例分析
如何搭建精準營(yíng)銷(xiāo)分析框架
精準營(yíng)銷(xiāo)分析的過(guò)程和步驟
第三部分：用戶(hù)行為分析—統計方法篇
問(wèn)題：數據分析方法的種類(lèi)？分析方法的不同應用場(chǎng)景？
1、業(yè)務(wù)分析的三個(gè)階段
現狀分析：通過(guò)企業(yè)運營(yíng)指標來(lái)發(fā)現規律及短板
原因分析：查找數據相關(guān)性，探尋目標影響因素
預測分析：合理配置資源，預判業(yè)務(wù)未來(lái)的趨勢
2、常用的數據分析方法種類(lèi)
描述性分析法（對比/分組/結構/趨勢/交叉…）
相關(guān)性分析法（相關(guān)/方差/卡方…）
預測性分析法（回歸/時(shí)序/決策樹(shù)/神經(jīng)網(wǎng)絡(luò )…）
專(zhuān)題性分析法（聚類(lèi)/關(guān)聯(lián)/RFM模型/…）
3、統計分析基礎
統計分析兩大關(guān)鍵要素（類(lèi)別、指標）
統計分析的操作模式（類(lèi)別指標）
統計分析三個(gè)操作步驟（統計、畫(huà)圖、解讀）
透視表的三個(gè)組成部分
4、常用的描述性指標
集中程度：均值、中位數、眾數
離散程度：極差、方差/標準差、IQR
分布形態(tài)：偏度、峰度
5、基本分析方法及其適用場(chǎng)景
對比分析（查看數據差距，發(fā)現事物變化）
演練：尋找用戶(hù)的地域分布特征
演練：分析產(chǎn)品受歡迎情況及貢獻大小
演練：用數據來(lái)探索增量不增收困境的解決方案
分布分析（查看數據分布，探索業(yè)務(wù)層次）
演練：銀行用戶(hù)的消費水平和消費層次分析
演練：客戶(hù)年齡分布/收入分布分析
案例：通信運營(yíng)商的流量套餐劃分合理性的評估
演練：呼叫中心接聽(tīng)電話(huà)效率分析（呼叫中心）
結構分析（查看指標構成，評估結構合理性）
案例：增值業(yè)務(wù)收入結構分析（通信）
案例：物流費用成本結構分析（物流）
案例：中移動(dòng)用戶(hù)群動(dòng)態(tài)結構分析
演練：財務(wù)領(lǐng)域的結構瀑布圖、財務(wù)收支的變化瀑布圖
趨勢分析（發(fā)現事物隨時(shí)間的變化規律）
案例：破解零售店銷(xiāo)售規律
案例：手機銷(xiāo)量的淡旺季分析
案例：微信用戶(hù)的活躍時(shí)間規律
演練：發(fā)現客流量的時(shí)間規律
交叉分析（從多個(gè)維度的數據指標分析）
演練：用戶(hù)性別+地域分布分析
演練：不同客戶(hù)的產(chǎn)品偏好分析
演練：不同學(xué)歷用戶(hù)的套餐偏好分析
演練：銀行用戶(hù)的違約影響因素分析
第四部分：用戶(hù)行為分析—分析框架篇
問(wèn)題：如何才能全面/系統地分析而不遺漏？如何分解和細化業(yè)務(wù)問(wèn)題？
1、業(yè)務(wù)分析思路和分析框架來(lái)源于業(yè)務(wù)模型
2、常用的業(yè)務(wù)模型
外部環(huán)境分析：PEST
業(yè)務(wù)專(zhuān)題分析：5W2H
競品/競爭分析：SWOT、波特五力
營(yíng)銷(xiāo)市場(chǎng)專(zhuān)題分析：4P/4C等
3、用戶(hù)行為分析（5W2H分析思路和框架）
WHY：原因（用戶(hù)需求、產(chǎn)品亮點(diǎn)、競品優(yōu)劣勢）
WHAT：產(chǎn)品（產(chǎn)品喜好、產(chǎn)品貢獻、產(chǎn)品功能、產(chǎn)品結構）
WHO：客戶(hù)（基本特征、消費能力、產(chǎn)品偏好）
WHEN：時(shí)間（淡旺季、活躍時(shí)間、重購周期）
WHERE：區域/渠道（區域喜好、渠道偏好）
HOW：支付/促銷(xiāo)（支付方式、促銷(xiāo)方式有效性評估等）
HOW MUCH：價(jià)格（費用、成本、利潤、收入結構、價(jià)格偏好等）
案例討論：結合公司情況，搭建用戶(hù)消費習慣的分析框架（5W2H）
第五部分：數據建?；A—流程步驟篇
1、預測建模六步法
選擇模型：基于業(yè)務(wù)選擇恰當的數據模型
特征工程：選擇對目標變量有顯著(zhù)影響的屬性來(lái)建模
訓練模型：采用合適的算法對模型進(jìn)行訓練，尋找到最優(yōu)參數
評估模型：進(jìn)行評估模型的質(zhì)量，判斷模型是否可用
優(yōu)化模型：如果評估結果不理想，則需要對模型進(jìn)行優(yōu)化
應用模型：如果評估結果滿(mǎn)足要求，則可應用模型于業(yè)務(wù)場(chǎng)景
2、數據挖掘常用的模型
定量預測模型：回歸預測、時(shí)序預測等
定性預測模型：邏輯回歸、決策樹(shù)、神經(jīng)網(wǎng)絡(luò )、支持向量機等
市場(chǎng)細分：聚類(lèi)、RFM、PCA等
產(chǎn)品推薦：關(guān)聯(lián)分析、協(xié)同過(guò)濾等
產(chǎn)品優(yōu)化：回歸、隨機效用等
產(chǎn)品定價(jià)：定價(jià)策略/最優(yōu)定價(jià)等
3、特征工程/特征選擇/變量降維
基于變量本身特征
基于相關(guān)性判斷
因子合并（PCA等）
IV值篩選（評分卡使用）
基于信息增益判斷（決策樹(shù)使用）
4、模型評估
模型質(zhì)量評估指標：R^2、正確率/查全率/查準率/特異性等
預測值評估指標：MAD、MSE/RMSE、MAPE、概率等
模型評估方法：留出法、K拆交叉驗證、自助法等
其它評估：過(guò)擬合評估、殘差檢驗
5、模型優(yōu)化
優(yōu)化模型：選擇新模型/修改模型
優(yōu)化數據：新增顯著(zhù)自變量
優(yōu)化公式：采用新的計算公式
集成思想：Bagging/Boosting/Stacking
6、常用預測模型介紹
時(shí)序預測模型
回歸預測模型
分類(lèi)預測模型
第六部分：影響因素分析—根因分析篇
問(wèn)題：如何選擇合適的屬性/特征來(lái)建模呢？選擇的依據是什么？比如價(jià)格是否可用于產(chǎn)品銷(xiāo)量預測？
1、數據預處理vs特征工程
2、特征工程處理內容
變量變換
變量派生
變量精簡(jiǎn)（特征選擇、因子合并）
類(lèi)型轉換
3、特征選擇常用方法
相關(guān)分析、方差分析、卡方檢驗
4、相關(guān)分析（衡量?jì)蓴祿妥兞康木€(xiàn)性相關(guān)性）
相關(guān)分析簡(jiǎn)介
相關(guān)分析的應用場(chǎng)景
相關(guān)分析的種類(lèi)
簡(jiǎn)單相關(guān)分析
偏相關(guān)分析
距離相關(guān)分析
相關(guān)系數的三種計算公式
Pearson相關(guān)系數
Spearman相關(guān)系數
Kendall相關(guān)系數
相關(guān)分析的假設檢驗
相關(guān)分析的四個(gè)基本步驟
演練：營(yíng)銷(xiāo)費用會(huì )影響銷(xiāo)售額嗎？影響程度如何量化？
演練：哪些因素與汽車(chē)銷(xiāo)量有相關(guān)性
演練：影響用戶(hù)消費水平的因素會(huì )有哪些
偏相關(guān)分析
偏相關(guān)原理：排除不可控因素后的兩變量的相關(guān)性
偏相關(guān)系數的計算公式
偏相關(guān)分析的適用場(chǎng)景
距離相關(guān)分析
5、方差分析（衡量類(lèi)別變量與數值變量間的相關(guān)性）
方差分析的應用場(chǎng)景
方差分析的三個(gè)種類(lèi)
單因素方差分析
多因素方差分析
協(xié)方差分析
單因素方差分析的原理
方差分析的四個(gè)步驟
解讀方差分析結果的兩個(gè)要點(diǎn)
演練：擺放位置與銷(xiāo)量有關(guān)嗎
演練：客戶(hù)學(xué)歷對消費水平的影響分析
演練：廣告和價(jià)格是影響終端銷(xiāo)量的關(guān)鍵因素嗎
演練：營(yíng)業(yè)員的性別、技能級別對產(chǎn)品銷(xiāo)量有影響嗎
演練：尋找影響產(chǎn)品銷(xiāo)量的關(guān)鍵因素
多因素方差分析原理
多因素方差分析的作用
多因素方差結果的解讀
演練：廣告形式、地區對銷(xiāo)量的影響因素分析
協(xié)方差分析原理
協(xié)方差分析的適用場(chǎng)景
演練：排除產(chǎn)品價(jià)格，收入對銷(xiāo)量有影響嗎？
6、列聯(lián)分析/卡方檢驗（兩類(lèi)別變量的相關(guān)性分析）
交叉表與列聯(lián)表：計數值與期望值
卡方檢驗的原理
卡方檢驗的幾個(gè)計算公式
列聯(lián)表分析的適用場(chǎng)景
案例：套餐類(lèi)型對客戶(hù)流失的影響分析
案例：學(xué)歷對業(yè)務(wù)套餐偏好的影響分析
案例：行業(yè)/規模對風(fēng)控的影響分析
第七部分：客戶(hù)行為預測—分類(lèi)模型篇
問(wèn)題：如何評估客戶(hù)購買(mǎi)產(chǎn)品的可能性？如何預測客戶(hù)的購買(mǎi)行為？如何提取某類(lèi)客戶(hù)的典型特征？如何向客戶(hù)精準推薦產(chǎn)品或業(yè)務(wù)？
1、分類(lèi)模型概述及其應用場(chǎng)景
2、常見(jiàn)分類(lèi)預測模型
3、邏輯回歸（LR）
邏輯回歸的適用場(chǎng)景
邏輯回歸的模型原理
邏輯回歸分類(lèi)的幾何意義
邏輯回歸的種類(lèi)
二項邏輯回歸
多項邏輯回歸
如何解讀邏輯回歸方程
帶分類(lèi)自變量的邏輯回歸分析
多項邏輯回歸/多分類(lèi)邏輯回歸
案例：如何評估用戶(hù)是否會(huì )購買(mǎi)某產(chǎn)品（二項邏輯回歸）
案例：多品牌選擇模型分析（多項邏輯回歸）
4、分類(lèi)決策樹(shù)（DT）
問(wèn)題：如何預測客戶(hù)行為？如何識別潛在客戶(hù)？
風(fēng)控：如何識別欠貸者的特征，以及預測欠貸概率？
客戶(hù)保有：如何識別流失客戶(hù)特征，以及預測客戶(hù)流失概率？
決策樹(shù)分類(lèi)簡(jiǎn)介
案例：美國零售商（Target）如何預測少女懷孕
演練：識別銀行欠貨風(fēng)險，提取欠貸者的特征
決策樹(shù)分類(lèi)的幾何意義
構建決策樹(shù)的三個(gè)關(guān)鍵問(wèn)題
如何選擇最佳屬性來(lái)構建節點(diǎn)
如何分裂變量
修剪決策樹(shù)
選擇最優(yōu)屬性生長(cháng)
熵、基尼索引、分類(lèi)錯誤
屬性劃分增益
如何分裂變量
多元劃分與二元劃分
連續變量離散化（最優(yōu)分割點(diǎn)）
修剪決策樹(shù)
剪枝原則
預剪枝與后剪枝
構建決策樹(shù)的四個(gè)算法
C5.0、CHAID、CART、QUEST
各種算法的比較
如何選擇最優(yōu)分類(lèi)模型？
案例：商場(chǎng)用戶(hù)的典型特征提取
案例：客戶(hù)流失預警與客戶(hù)挽留
案例：識別拖欠銀行貨款者的特征，避免不良貨款
案例：識別電信詐騙者嘴臉，讓通信更安全
多分類(lèi)決策樹(shù)
案例：不同套餐用戶(hù)的典型特征
決策樹(shù)模型的保存與應用
5、人工神經(jīng)網(wǎng)絡(luò )（ANN）
神經(jīng)網(wǎng)絡(luò )概述
神經(jīng)網(wǎng)絡(luò )基本原理
神經(jīng)網(wǎng)絡(luò )的結構
神經(jīng)網(wǎng)絡(luò )分類(lèi)的幾何意義
神經(jīng)網(wǎng)絡(luò )的建立步驟
神經(jīng)網(wǎng)絡(luò )的關(guān)鍵問(wèn)題
BP反向傳播網(wǎng)絡(luò )（MLP）
徑向基網(wǎng)絡(luò )（RBF）
案例：評估銀行用戶(hù)拖欠貨款的概率
6、判別分析（DA）
判別分析原理
判別分析種類(lèi)
Fisher線(xiàn)性判別分析
案例：MBA學(xué)生錄取判別分析
案例：上市公司類(lèi)別評估
7、最近鄰分類(lèi)（KNN）
KNN模型的基本原理
KNN分類(lèi)的幾何意義
K近鄰的關(guān)鍵問(wèn)題
8、支持向量機（SVM）
SVM基本原理
線(xiàn)性可分問(wèn)題：最大邊界超平面
線(xiàn)性不可分問(wèn)題：特征空間的轉換
維災難與核函數
9、貝葉斯分類(lèi)（NBN）
貝葉斯分類(lèi)原理
計算類(lèi)別屬性的條件概率
估計連續屬性的條件概率
預測分類(lèi)概率（計算概率）
拉普拉斯修正
案例：評估銀行用戶(hù)拖欠貨款的概率
第八部分：客戶(hù)行為預測—模型評估篇
1、模型的評估指標
兩大矩陣：混淆矩陣，代價(jià)矩陣
六大指標：Acc,P,R,Spec,F1,lift
三條曲線(xiàn)：
ROC曲線(xiàn)和AUC
PR曲線(xiàn)和BEP
KS曲線(xiàn)和KS值
2、模型的評估方法
原始評估法
留出法（Hold-Out）
交叉驗證法（k-fold cross validation）
自助采樣法（Bootstrapping）
第九部分：客戶(hù)行為預測—集成優(yōu)化篇
1、模型的優(yōu)化思路
2、集成算法基本原理
單獨構建多個(gè)弱分類(lèi)器
多個(gè)弱分類(lèi)器組合投票，決定預測結果
3、集成方法的種類(lèi)
Bagging
Boosting
Stacking
4、Bagging集成
數據/屬性重抽樣
決策依據：少數服從多數
典型模型：隨機森林RF
5、Boosting集成
基于誤分數據建模
樣本選擇權重更新公式
決策依據：加權投票
典型模型：AdaBoost模型
第十部分：銀行客戶(hù)信用卡模型
1、信用評分卡模型簡(jiǎn)介
2、評分卡的關(guān)鍵問(wèn)題
3、信用評分卡建立過(guò)程
篩選重要屬性
數據集轉化
建立分類(lèi)模型
計算屬性分值
確定審批閾值
4、篩選重要屬性
屬性分段
基本概念：WOE、IV
屬性重要性評估
5、數據集轉化
連續屬性最優(yōu)分段
計算屬性取值的WOE
6、建立分類(lèi)模型
訓練邏輯回歸模型
評估模型
得到字段系數
7、計算屬性分值
計算補償與刻度值
計算各字段得分
生成評分卡
8、確定審批閾值
畫(huà)K-S曲線(xiàn)
計算K-S值
獲取最優(yōu)閾值
案例：構建銀行小額貸款的用戶(hù)信用模型
第十一部分：數據建模實(shí)戰篇
1、電信業(yè)客戶(hù)流失預警和客戶(hù)挽留模型實(shí)戰
2、銀行欠貸風(fēng)險預測模型實(shí)戰
3、銀行信用卡評分模型實(shí)戰

結束：課程總結與問(wèn)題答疑。 

• 金融行業(yè)電話(huà)銷(xiāo)售進(jìn)階訓練

   

  第一章 關(guān)于電銷(xiāo)，你要知道什么？一、電話(huà)營(yíng)銷(xiāo)前景分析，讓員工看到希望1.電話(huà)營(yíng)銷(xiāo)在中國的發(fā)展2.其它行業(yè)電話(huà)營(yíng)銷(xiāo)的現狀分享3.電話(huà)營(yíng)銷(xiāo)對人才的需求4.電話(huà)營(yíng)銷(xiāo)行業(yè)對人性格的選擇5.電話(huà)營(yíng)銷(xiāo)人員的H路職業(yè)規劃二、個(gè)人成長(cháng)1.收入待遇2.晉升機會(huì )三、客戶(hù)購買(mǎi)心理分析詳細1.客戶(hù)性格與購買(mǎi)習慣2.顧客購買(mǎi)心理活動(dòng)..

  ￥   元/ 天

  人氣：1305  

  

• 人工智能發(fā)展及在金融行業(yè)中的應用

   

  人工智能發(fā)展及在金融行業(yè)的應用 課程重點(diǎn)：人工智能產(chǎn)業(yè)相關(guān)概述 ..

  ￥   元/ 天

  人氣：1248  

  

• 金融行業(yè)數字化轉型第一課 ——Fin Tech2.0的思維轉化

   

  第一部分：轉型和趨勢9：30——11：301、數字化轉型概念—轉型驅動(dòng)力和價(jià)值框架案例分析-某歐洲銀行數字化轉型2、銀行的趨勢-從1.0到4.03、Fin Tech的進(jìn)化-從1.0到2.0午餐與休息第二部分：挑戰和應對13：30——16：304、銀行數字化轉型..

  ￥   元/ 天

  人氣：1246  

  

• 企業(yè)數字化轉型實(shí)戰

   

  項目全過(guò)程控制管理最佳實(shí)踐第一單元 什么是數字化轉型？1.數字化轉型的歷史背景u工業(yè)革命的歷史回顧u到底什么是工業(yè)4.0？ 第四次工業(yè)革命真的到來(lái)了嗎？u為什么說(shuō)數字化轉型是企業(yè)發(fā)展的必然選擇？u工業(yè)互聯(lián)網(wǎng)和數字化轉型的關(guān)系2.數字化轉型的基本內涵u數字化轉型的定義u數字化轉型的基本內涵u數字化與傳統的信息化有..

  ￥   元/ 天

  人氣：2122  

  

• 電力數字化轉型實(shí)戰精要

   

  一、必然——數字化轉型是企業(yè)唯一出路1.數字化轉型為企業(yè)帶來(lái)的六大競爭力2.數字化技術(shù)如何改變傳統業(yè)務(wù)規則2.1.泛在連接、數據驅動(dòng)、AI賦能、智能硬件，實(shí)現數據的感知、采集加工、使用。2.2.大數據和云計算，AR/VR，微服務(wù)賦予的實(shí)時(shí)全面無(wú)縫的數據采集和處理能力，數據知識化，知識軟件化，軟件可高效復用；2...

  ￥   元/ 天

  人氣：1705  

  

• 電力企業(yè)數字化轉型實(shí)戰精要

   

  一、必然——數字化轉型是企業(yè)唯一出路1.數字化轉型為企業(yè)帶來(lái)的六大競爭力1.1.基于數字技術(shù)設計更好的客戶(hù)體驗，得到更多，更忠心的客戶(hù)1.2.基于數字化技術(shù)，鏈接科技創(chuàng )新和客戶(hù)體驗，進(jìn)行快速產(chǎn)品和服務(wù)創(chuàng )新1.3.數字化技術(shù)賦能，企業(yè)可以精準的運營(yíng)，得到速度，敏捷型，質(zhì)量和成本的競爭優(yōu)勢1.4.數字化技術(shù)賦能的超..

  ￥   元/ 天

  人氣：1964