金融行業(yè)風(fēng)險(xiǎn)預(yù)測模型實(shí)戰(zhàn)培訓(xùn)（2-3天）

金融行業(yè)風(fēng)險(xiǎn)預(yù)測模型實(shí)戰(zhàn)【課程目標(biāo)】
本課程專注于金融行業(yè)的風(fēng)控模型，面向數(shù)據(jù)分析部等專門負(fù)責(zé)數(shù)據(jù)分析與建模的人士。
本課程的主要目的是，培養(yǎng)學(xué)員的大數(shù)據(jù)意識(shí)和大數(shù)據(jù)思維，掌握常用的數(shù)據(jù)分析方法和數(shù)據(jù)分析模型，并能夠用于對(duì)客戶行為作分析和預(yù)測，提升學(xué)員的數(shù)據(jù)分析綜合能力。
通過本課程的學(xué)習(xí)，達(dá)到如下目的：
掌握數(shù)據(jù)分析和數(shù)據(jù)建模的基本過程和步驟
掌握客戶行為分析中常用的分析方法
掌握業(yè)務(wù)的影響因素分析常用的方法
掌握常用客戶行為預(yù)測模型，包括邏輯回歸、決策樹、神經(jīng)網(wǎng)絡(luò)、判別分析等等，以及分類模型的優(yōu)化
掌握金融行業(yè)信用評(píng)分卡模型，構(gòu)建信用評(píng)分模型
本課程突出數(shù)據(jù)挖掘的實(shí)際應(yīng)用，結(jié)合行業(yè)的典型應(yīng)用特點(diǎn)，從實(shí)際問題入手，引出相關(guān)知識(shí)，進(jìn)行大數(shù)據(jù)的收集與處理；探索數(shù)據(jù)之間的規(guī)律及關(guān)聯(lián)性，幫助學(xué)員掌握系統(tǒng)的數(shù)據(jù)預(yù)處理方法；介紹常用的模型，訓(xùn)練模型，并優(yōu)化模型，以達(dá)到最優(yōu)分析結(jié)果。
【授課時(shí)間】
2-3天時(shí)間（每天6個(gè)小時(shí)）
【授課對(duì)象】
風(fēng)險(xiǎn)控制部、業(yè)務(wù)支撐、網(wǎng)絡(luò)中心、IT系統(tǒng)部、數(shù)據(jù)分析部等對(duì)數(shù)據(jù)建模有較高要求的相關(guān)領(lǐng)域人員。
【學(xué)員要求】
每個(gè)學(xué)員自備一臺(tái)便攜機(jī)(必須)。
便攜機(jī)中事先安裝好Office Excel 2013版本及以上。
便攜機(jī)中事先安裝好IBM SPSS Statistics v24版本以上軟件。
注：講師可以提供試用版本軟件及分析數(shù)據(jù)源。
【授課方式】
理論精講 + 案例演練 + 實(shí)際業(yè)務(wù)問題分析 + SPSS實(shí)際操作
【課程大綱】
數(shù)據(jù)核心理念—數(shù)據(jù)思維篇
問題：什么是數(shù)據(jù)思維？大數(shù)據(jù)決策的底層邏輯以及決策依據(jù)是什么？
數(shù)字化五大技術(shù)戰(zhàn)略：ABCDI戰(zhàn)略
A：人工智能，目的是用機(jī)器模擬人類行為
B：區(qū)塊鏈，構(gòu)建不可篡改的分布記賬系統(tǒng)
C：云計(jì)算，搭建按需分配的計(jì)算資源平臺(tái)
D：大數(shù)據(jù)，實(shí)現(xiàn)智能化的判斷和決策機(jī)制
I：物聯(lián)網(wǎng)，實(shí)現(xiàn)萬物互聯(lián)通信的基礎(chǔ)架構(gòu)
大數(shù)據(jù)的本質(zhì)
數(shù)據(jù)，是事物發(fā)展和變化過程中留下的痕跡
大數(shù)據(jù)不在于量大，而在于全（多維性）
業(yè)務(wù)導(dǎo)向還是技術(shù)導(dǎo)向
大數(shù)據(jù)決策的底層邏輯（即四大核心價(jià)值）
探索業(yè)務(wù)規(guī)律，按規(guī)律來管理決策
案例：客流規(guī)律與排班及最佳營銷時(shí)機(jī)
案例：致命交通事故發(fā)生的時(shí)間規(guī)律
發(fā)現(xiàn)運(yùn)營變化，定短板來運(yùn)營決策
案例：考核周期導(dǎo)致的員工月初懈怠
案例：工序信號(hào)異常監(jiān)測設(shè)備故障
理清要素關(guān)系，找影響因素來決策
案例：情緒對(duì)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(xiǎn)？
預(yù)測未來趨勢，通過預(yù)判進(jìn)行決策
案例：惠普預(yù)測員工離職風(fēng)險(xiǎn)及挽留
案例：保險(xiǎn)公司的車險(xiǎn)預(yù)測與個(gè)性化保費(fèi)定價(jià)
大數(shù)據(jù)決策的三個(gè)關(guān)鍵環(huán)節(jié)
業(yè)務(wù)數(shù)據(jù)化：將業(yè)務(wù)問題轉(zhuǎn)化為數(shù)據(jù)問題
數(shù)據(jù)信息化：提取數(shù)據(jù)中的業(yè)務(wù)規(guī)律信息
信息策略化：基于規(guī)律形成業(yè)務(wù)應(yīng)對(duì)策略
案例：用數(shù)據(jù)來識(shí)別喜歡賺“差價(jià)”的營業(yè)員
數(shù)據(jù)分析基礎(chǔ)—流程步驟篇
數(shù)據(jù)分析的六步曲
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)問題
確定分析思路：分解業(yè)務(wù)問題，構(gòu)建分析框架
步驟2：收集數(shù)據(jù)，尋找分析素材
明確數(shù)據(jù)范圍
確定收集來源
確定收集方法
步驟3：整理數(shù)據(jù)，確保數(shù)據(jù)質(zhì)量
數(shù)據(jù)質(zhì)量評(píng)估
數(shù)據(jù)清洗、數(shù)據(jù)處理和變量處理
探索性分析
步驟4：分析數(shù)據(jù)，尋找業(yè)務(wù)答案
選擇合適的分析方法
構(gòu)建合適的分析模型
選擇合適的分析工具
步驟5：呈現(xiàn)數(shù)，解讀業(yè)務(wù)規(guī)律
選擇恰當(dāng)?shù)膱D表
選擇合適的可視化工具
提煉業(yè)務(wù)含義
步驟6：撰寫報(bào)告，形成業(yè)務(wù)策略
選擇報(bào)告種類
完整的報(bào)告結(jié)構(gòu)
演練：產(chǎn)品精準(zhǔn)營銷案例分析
如何搭建精準(zhǔn)營銷分析框架
精準(zhǔn)營銷分析的過程和步驟
用戶行為分析—統(tǒng)計(jì)方法篇
問題：數(shù)據(jù)分析方法的種類？分析方法的不同應(yīng)用場景？
業(yè)務(wù)分析的三個(gè)階段
現(xiàn)狀分析：通過企業(yè)運(yùn)營指標(biāo)來發(fā)現(xiàn)規(guī)律及短板
原因分析：查找數(shù)據(jù)相關(guān)性，探尋目標(biāo)影響因素
預(yù)測分析：合理配置資源，預(yù)判業(yè)務(wù)未來的趨勢
常用的數(shù)據(jù)分析方法種類
描述性分析法（對(duì)比/分組/結(jié)構(gòu)/趨勢/交叉…）
相關(guān)性分析法（相關(guān)/方差/卡方…）
預(yù)測性分析法（回歸/時(shí)序/決策樹/神經(jīng)網(wǎng)絡(luò)…）
專題性分析法（聚類/關(guān)聯(lián)/RFM模型/…）
統(tǒng)計(jì)分析基礎(chǔ)
統(tǒng)計(jì)分析兩大關(guān)鍵要素（類別、指標(biāo)）
統(tǒng)計(jì)分析的操作模式（類別指標(biāo)）
統(tǒng)計(jì)分析三個(gè)操作步驟（統(tǒng)計(jì)、畫圖、解讀）
透視表的三個(gè)組成部分
常用的描述性指標(biāo)
集中程度：均值、中位數(shù)、眾數(shù)
離散程度：極差、方差/標(biāo)準(zhǔn)差、IQR
分布形態(tài)：偏度、峰度
基本分析方法及其適用場景
對(duì)比分析（查看數(shù)據(jù)差距，發(fā)現(xiàn)事物變化）
演練：尋找用戶的地域分布特征
演練：分析產(chǎn)品受歡迎情況及貢獻(xiàn)大小
演練：用數(shù)據(jù)來探索增量不增收困境的解決方案
分布分析（查看數(shù)據(jù)分布，探索業(yè)務(wù)層次）
演練：銀行用戶的消費(fèi)水平和消費(fèi)層次分析
演練：客戶年齡分布/收入分布分析
案例：通信運(yùn)營商的流量套餐劃分合理性的評(píng)估
演練：呼叫中心接聽電話效率分析（呼叫中心）
結(jié)構(gòu)分析（查看指標(biāo)構(gòu)成，評(píng)估結(jié)構(gòu)合理性）
案例：增值業(yè)務(wù)收入結(jié)構(gòu)分析（通信）
案例：物流費(fèi)用成本結(jié)構(gòu)分析（物流）
案例：中移動(dòng)用戶群動(dòng)態(tài)結(jié)構(gòu)分析
演練：財(cái)務(wù)領(lǐng)域的結(jié)構(gòu)瀑布圖、財(cái)務(wù)收支的變化瀑布圖
趨勢分析（發(fā)現(xiàn)事物隨時(shí)間的變化規(guī)律）
案例：破解零售店銷售規(guī)律
案例：手機(jī)銷量的淡旺季分析
案例：微信用戶的活躍時(shí)間規(guī)律
演練：發(fā)現(xiàn)客流量的時(shí)間規(guī)律
交叉分析（從多個(gè)維度的數(shù)據(jù)指標(biāo)分析）
演練：用戶性別+地域分布分析
演練：不同客戶的產(chǎn)品偏好分析
演練：不同學(xué)歷用戶的套餐偏好分析
演練：銀行用戶的違約影響因素分析
用戶行為分析—分析框架篇
問題：如何才能全面/系統(tǒng)地分析而不遺漏？如何分解和細(xì)化業(yè)務(wù)問題？
業(yè)務(wù)分析思路和分析框架來源于業(yè)務(wù)模型
常用的業(yè)務(wù)模型
外部環(huán)境分析：PEST
業(yè)務(wù)專題分析：5W2H
競品/競爭分析：SWOT、波特五力
營銷市場專題分析：4P/4C等
用戶行為分析（5W2H分析思路和框架）
WHY：原因（用戶需求、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(xiàn)、產(chǎn)品功能、產(chǎn)品結(jié)構(gòu)）
WHO：客戶（基本特征、消費(fèi)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(qū)域/渠道（區(qū)域喜好、渠道偏好）
HOW：支付/促銷（支付方式、促銷方式有效性評(píng)估等）
HOW MUCH：價(jià)格（費(fèi)用、成本、利潤、收入結(jié)構(gòu)、價(jià)格偏好等）
案例討論：結(jié)合公司情況，搭建用戶消費(fèi)習(xí)慣的分析框架（5W2H）數(shù)據(jù)建?；A(chǔ)—流程步驟篇
預(yù)測建模六步法
選擇模型：基于業(yè)務(wù)選擇恰當(dāng)?shù)臄?shù)據(jù)模型
特征工程：選擇對(duì)目標(biāo)變量有顯著影響的屬性來建模
訓(xùn)練模型：采用合適的算法對(duì)模型進(jìn)行訓(xùn)練，尋找到最優(yōu)參數(shù)
評(píng)估模型：進(jìn)行評(píng)估模型的質(zhì)量，判斷模型是否可用
優(yōu)化模型：如果評(píng)估結(jié)果不理想，則需要對(duì)模型進(jìn)行優(yōu)化
應(yīng)用模型：如果評(píng)估結(jié)果滿足要求，則可應(yīng)用模型于業(yè)務(wù)場景
數(shù)據(jù)挖掘常用的模型
定量預(yù)測模型：回歸預(yù)測、時(shí)序預(yù)測等
定性預(yù)測模型：邏輯回歸、決策樹、神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)等
市場細(xì)分：聚類、RFM、PCA等
產(chǎn)品推薦：關(guān)聯(lián)分析、協(xié)同過濾等
產(chǎn)品優(yōu)化：回歸、隨機(jī)效用等
產(chǎn)品定價(jià)：定價(jià)策略/最優(yōu)定價(jià)等
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(píng)分卡使用）
基于信息增益判斷（決策樹使用）
模型評(píng)估
模型質(zhì)量評(píng)估指標(biāo)：R^2、正確率/查全率/查準(zhǔn)率/特異性等
預(yù)測值評(píng)估指標(biāo)：MAD、MSE/RMSE、MAPE、概率等
模型評(píng)估方法：留出法、K拆交叉驗(yàn)證、自助法等
其它評(píng)估：過擬合評(píng)估、殘差檢驗(yàn)
模型優(yōu)化
優(yōu)化模型：選擇新模型/修改模型
優(yōu)化數(shù)據(jù)：新增顯著自變量
優(yōu)化公式：采用新的計(jì)算公式
集成思想：Bagging/Boosting/Stacking
常用預(yù)測模型介紹
時(shí)序預(yù)測模型
回歸預(yù)測模型
分類預(yù)測模型
影響因素分析—根因分析篇
問題：如何選擇合適的屬性/特征來建模呢？選擇的依據(jù)是什么？比如價(jià)格是否可用于產(chǎn)品銷量預(yù)測？
數(shù)據(jù)預(yù)處理vs特征工程
特征工程處理內(nèi)容
變量變換
變量派生
變量精簡（特征選擇、因子合并）
類型轉(zhuǎn)換
特征選擇常用方法
相關(guān)分析、方差分析、卡方檢驗(yàn)
相關(guān)分析（衡量兩數(shù)據(jù)型變量的線性相關(guān)性）
相關(guān)分析簡介
相關(guān)分析的應(yīng)用場景
相關(guān)分析的種類
簡單相關(guān)分析
偏相關(guān)分析
距離相關(guān)分析
相關(guān)系數(shù)的三種計(jì)算公式
Pearson相關(guān)系數(shù)
Spearman相關(guān)系數(shù)
Kendall相關(guān)系數(shù)
相關(guān)分析的假設(shè)檢驗(yàn)
相關(guān)分析的四個(gè)基本步驟
演練：營銷費(fèi)用會(huì)影響銷售額嗎？影響程度如何量化？
演練：哪些因素與汽車銷量有相關(guān)性
演練：影響用戶消費(fèi)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(shù)的計(jì)算公式
偏相關(guān)分析的適用場景
距離相關(guān)分析
方差分析（衡量類別變量與數(shù)值變量間的相關(guān)性）
方差分析的應(yīng)用場景
方差分析的三個(gè)種類
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(jié)果的兩個(gè)要點(diǎn)
演練：擺放位置與銷量有關(guān)嗎
演練：客戶學(xué)歷對(duì)消費(fèi)水平的影響分析
演練：廣告和價(jià)格是影響終端銷量的關(guān)鍵因素嗎
演練：營業(yè)員的性別、技能級(jí)別對(duì)產(chǎn)品銷量有影響嗎
演練：尋找影響產(chǎn)品銷量的關(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(jié)果的解讀
演練：廣告形式、地區(qū)對(duì)銷量的影響因素分析
協(xié)方差分析原理
協(xié)方差分析的適用場景
演練：排除產(chǎn)品價(jià)格，收入對(duì)銷量有影響嗎？
列聯(lián)分析/卡方檢驗(yàn)（兩類別變量的相關(guān)性分析）
交叉表與列聯(lián)表：計(jì)數(shù)值與期望值
卡方檢驗(yàn)的原理
卡方檢驗(yàn)的幾個(gè)計(jì)算公式
列聯(lián)表分析的適用場景
案例：套餐類型對(duì)客戶流失的影響分析
案例：學(xué)歷對(duì)業(yè)務(wù)套餐偏好的影響分析
案例：行業(yè)/規(guī)模對(duì)風(fēng)控的影響分析
客戶行為預(yù)測—分類模型篇
問題：如何評(píng)估客戶購買產(chǎn)品的可能性？如何預(yù)測客戶的購買行為？如何提取某類客戶的典型特征？如何向客戶精準(zhǔn)推薦產(chǎn)品或業(yè)務(wù)？分類模型概述及其應(yīng)用場景
常見分類預(yù)測模型
邏輯回歸（LR）
邏輯回歸的適用場景
邏輯回歸的模型原理
邏輯回歸分類的幾何意義
邏輯回歸的種類
二項(xiàng)邏輯回歸
多項(xiàng)邏輯回歸
如何解讀邏輯回歸方程
帶分類自變量的邏輯回歸分析
多項(xiàng)邏輯回歸/多分類邏輯回歸
案例：如何評(píng)估用戶是否會(huì)購買某產(chǎn)品（二項(xiàng)邏輯回歸）
案例：多品牌選擇模型分析（多項(xiàng)邏輯回歸）
分類決策樹（DT）
問題：如何預(yù)測客戶行為？如何識(shí)別潛在客戶？
風(fēng)控：如何識(shí)別欠貸者的特征，以及預(yù)測欠貸概率？
客戶保有：如何識(shí)別流失客戶特征，以及預(yù)測客戶流失概率？
決策樹分類簡介
案例：美國零售商（Target）如何預(yù)測少女懷孕
演練：識(shí)別銀行欠貨風(fēng)險(xiǎn)，提取欠貸者的特征
決策樹分類的幾何意義
構(gòu)建決策樹的三個(gè)關(guān)鍵問題
如何選擇最佳屬性來構(gòu)建節(jié)點(diǎn)
如何分裂變量
修剪決策樹
選擇最優(yōu)屬性生長
熵、基尼索引、分類錯(cuò)誤
屬性劃分增益
如何分裂變量
多元?jiǎng)澐峙c二元?jiǎng)澐?br /> 連續(xù)變量離散化（最優(yōu)分割點(diǎn)）
修剪決策樹
剪枝原則
預(yù)剪枝與后剪枝
構(gòu)建決策樹的四個(gè)算法
C5.0、CHAID、CART、QUEST
各種算法的比較
如何選擇最優(yōu)分類模型？
案例：商場用戶的典型特征提取
案例：客戶流失預(yù)警與客戶挽留
案例：識(shí)別拖欠銀行貨款者的特征，避免不良貨款
案例：識(shí)別電信詐騙者嘴臉，讓通信更安全
多分類決策樹
案例：不同套餐用戶的典型特征
決策樹模型的保存與應(yīng)用
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(jié)構(gòu)
神經(jīng)網(wǎng)絡(luò)分類的幾何意義
神經(jīng)網(wǎng)絡(luò)的建立步驟
神經(jīng)網(wǎng)絡(luò)的關(guān)鍵問題
BP反向傳播網(wǎng)絡(luò)（MLP）
徑向基網(wǎng)絡(luò)（RBF）
案例：評(píng)估銀行用戶拖欠貨款的概率
判別分析（DA）
判別分析原理
判別分析種類
Fisher線性判別分析
案例：MBA學(xué)生錄取判別分析
案例：上市公司類別評(píng)估
最近鄰分類（KNN）
KNN模型的基本原理
KNN分類的幾何意義
K近鄰的關(guān)鍵問題
支持向量機(jī)（SVM）
SVM基本原理
線性可分問題：最大邊界超平面
線性不可分問題：特征空間的轉(zhuǎn)換
維災(zāi)難與核函數(shù)
貝葉斯分類（NBN）
貝葉斯分類原理
計(jì)算類別屬性的條件概率
估計(jì)連續(xù)屬性的條件概率
預(yù)測分類概率（計(jì)算概率）
拉普拉斯修正
案例：評(píng)估銀行用戶拖欠貨款的概率
客戶行為預(yù)測—模型評(píng)估篇
模型的評(píng)估指標(biāo)
兩大矩陣：混淆矩陣，代價(jià)矩陣
六大指標(biāo)：Acc,P,R,Spec,F1,lift
三條曲線：
ROC曲線和AUC
PR曲線和BEP
KS曲線和KS值
模型的評(píng)估方法
原始評(píng)估法
留出法（Hold-Out）
交叉驗(yàn)證法（k-fold cross validation）
自助采樣法（Bootstrapping）
客戶行為預(yù)測—集成優(yōu)化篇
模型的優(yōu)化思路
集成算法基本原理
單獨(dú)構(gòu)建多個(gè)弱分類器
多個(gè)弱分類器組合投票，決定預(yù)測結(jié)果
集成方法的種類
Bagging
Boosting
Stacking
Bagging集成
數(shù)據(jù)/屬性重抽樣
決策依據(jù)：少數(shù)服從多數(shù)
典型模型：隨機(jī)森林RF
Boosting集成
基于誤分?jǐn)?shù)據(jù)建模
樣本選擇權(quán)重更新公式
決策依據(jù)：加權(quán)投票
典型模型：AdaBoost模型
銀行客戶信用卡模型
信用評(píng)分卡模型簡介
評(píng)分卡的關(guān)鍵問題
信用評(píng)分卡建立過程
篩選重要屬性
數(shù)據(jù)集轉(zhuǎn)化
建立分類模型
計(jì)算屬性分值
確定審批閾值
篩選重要屬性
屬性分段
基本概念：WOE、IV
屬性重要性評(píng)估
數(shù)據(jù)集轉(zhuǎn)化
連續(xù)屬性最優(yōu)分段
計(jì)算屬性取值的WOE
建立分類模型
訓(xùn)練邏輯回歸模型
評(píng)估模型
得到字段系數(shù)
計(jì)算屬性分值
計(jì)算補(bǔ)償與刻度值
計(jì)算各字段得分
生成評(píng)分卡
確定審批閾值
畫K-S曲線
計(jì)算K-S值
獲取最優(yōu)閾值
案例：構(gòu)建銀行小額貸款的用戶信用模型
數(shù)據(jù)建模實(shí)戰(zhàn)篇
電信業(yè)客戶流失預(yù)警和客戶挽留模型實(shí)戰(zhàn)
銀行欠貸風(fēng)險(xiǎn)預(yù)測模型實(shí)戰(zhàn)
銀行信用卡評(píng)分模型實(shí)戰(zhàn)
結(jié)束：課程總結(jié)與問題答疑。

傅一航老師的其它課程