1.點(diǎn)擊下面按鈕復(fù)制微信號(hào)
點(diǎn)擊復(fù)制微信號(hào)
上海威才企業(yè)管理咨詢有限公司
微信咨詢&報(bào)名
本課程專注于金融行業(yè)的風(fēng)控識(shí)別與風(fēng)控預(yù)測(cè)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(cè)，提升學(xué)員的數(shù)據(jù)分析綜合能力。
通過(guò)本課程的學(xué)習(xí)，達(dá)到如下目的：
1、 掌握數(shù)據(jù)分析和數(shù)據(jù)建模的基本過(guò)程和步驟
2、 掌握數(shù)據(jù)分析框架的搭建，及常用分析方法
3、 掌握業(yè)務(wù)的影響因素分析常用的方法
4、 掌握常用客戶行為預(yù)測(cè)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
5、 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
內(nèi)容 2天 4天 核心數(shù)據(jù)思維 √ √ 數(shù)據(jù)分析過(guò)程 √ √ 用戶行為分析 √ √ 數(shù)據(jù)分析框架 √ √ 異常數(shù)據(jù)識(shí)別 √ √ 影響因素分析 √ √ 數(shù)據(jù)建模基礎(chǔ) √ 客戶行為預(yù)測(cè) √ 市場(chǎng)客戶細(xì)分 √ 信用卡評(píng)分模型 √ 數(shù)據(jù)建模實(shí)戰(zhàn) √
課程收益 PROGRAM BENEFITS
問(wèn)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？
1、 大數(shù)據(jù)的本質(zhì)
‐ 數(shù)據(jù)，是事物發(fā)展和變化過(guò)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
2、 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(lái)管理決策
案例：客流規(guī)律與排班及最佳營(yíng)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(yíng)變化，定短板來(lái)運(yùn)營(yíng)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(cè)設(shè)備故障
‐ 理清要素關(guān)系，找影響因素來(lái)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(cè)未來(lái)趨勢(shì)，通過(guò)預(yù)判進(jìn)行決策
案例：海爾利用數(shù)據(jù)來(lái)預(yù)測(cè)空調(diào)故障，實(shí)現(xiàn)事前檢修
案例：保險(xiǎn)公司的車險(xiǎn)預(yù)測(cè)與個(gè)性化保費(fèi)定價(jià)
3、 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(wèn)題轉(zhuǎn)化為數(shù)據(jù)問(wèn)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(lái)識(shí)別喜歡賺“差價(jià)”的營(yíng)業(yè)員
1、 數(shù)據(jù)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(gòu)建分析框架
3、 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(lái)源
‐ 確定收集方法
4、 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
5、 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
6、 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
7、 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(yíng)銷案例分析
‐ 如何搭建精準(zhǔn)營(yíng)銷分析框架
問(wèn)題：數(shù)據(jù)分析方法的種類？分析方法的不同應(yīng)用場(chǎng)景？
1、 業(yè)務(wù)分析的三個(gè)階段
‐ 現(xiàn)狀分析：通過(guò)企業(yè)運(yùn)營(yíng)指標(biāo)來(lái)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(cè)分析：合理配置資源，預(yù)判業(yè)務(wù)未來(lái)的趨勢(shì)
2、 常用的數(shù)據(jù)分析方法種類
3、 統(tǒng)計(jì)分析基礎(chǔ)
4、 基本分析方法及其適用場(chǎng)景
‐ 對(duì)比分析（查看數(shù)據(jù)差距，發(fā)現(xiàn)事物變化）
演練：分析理財(cái)產(chǎn)品受歡迎情況及貢獻(xiàn)大小
演練：用戶消費(fèi)水平差異分析，提取優(yōu)質(zhì)客戶特征
‐ 分布分析（查看數(shù)據(jù)分布，探索業(yè)務(wù)層次）
案例：銀行用戶的消費(fèi)層次/消費(fèi)檔次分析
演練：客戶年齡分布/收入分布分析
‐ 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：收入結(jié)構(gòu)分析/成本結(jié)構(gòu)分析
案例：動(dòng)態(tài)結(jié)構(gòu)分析
‐ 趨勢(shì)分析（查看變化趨勢(shì)，了解季節(jié)周期性）
案例：營(yíng)業(yè)廳客流量規(guī)律與排班
案例：用戶活躍時(shí)間規(guī)律/產(chǎn)品銷量的淡旺季分析
演練：產(chǎn)品訂單的季節(jié)周期性規(guī)律
‐ 交叉分析（從多個(gè)維度的數(shù)據(jù)指標(biāo)分析）
演練：不同客戶的產(chǎn)品偏好分析
演練：銀行用戶違約的影響因素分析
問(wèn)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(wèn)題？
1、 分析框架來(lái)源于業(yè)務(wù)模型
‐ 商業(yè)目標(biāo)（粗粒度）
‐ 分析維度/關(guān)鍵步驟
‐ 業(yè)務(wù)問(wèn)題（細(xì)粒度）
‐ 涉及數(shù)據(jù)/關(guān)鍵指標(biāo)
2、 常用的業(yè)務(wù)模型：PEST/5W2H/SWOT/PDCA/AARRR…
研討：結(jié)合公司業(yè)務(wù)情況，選取業(yè)務(wù)目標(biāo)，構(gòu)建系統(tǒng)的數(shù)據(jù)分析框架
1、 反欺詐識(shí)別的重點(diǎn)內(nèi)容
‐ 如何識(shí)別異常數(shù)據(jù)
‐ 如何查找影響因素
‐ 如何提取欺詐用戶的特征
‐ 如何預(yù)測(cè)用戶的欺詐行為
2、 異常數(shù)據(jù)的定義
3、 異常數(shù)據(jù)的檢測(cè)方法
‐ 基于統(tǒng)計(jì)法：標(biāo)準(zhǔn)差法、四分位距法、離群點(diǎn)檢測(cè)算法
‐ 基于機(jī)器學(xué)習(xí)：回歸、聚類等
4、 異常數(shù)據(jù)處理方法
演練：各種異常數(shù)據(jù)識(shí)別
問(wèn)題：如何做原因分析？比如價(jià)格是否可用于產(chǎn)品銷量？影響用戶違約的關(guān)鍵因素是什么？
1、 數(shù)據(jù)預(yù)處理vs特征工程
2、 特征選擇常用方法
‐ 相關(guān)分析、方差分析、卡方檢驗(yàn)
3、 相關(guān)分析（衡量?jī)蓴?shù)據(jù)型變量的線性相關(guān)性）
‐ 相關(guān)分析簡(jiǎn)介
‐ 相關(guān)分析的應(yīng)用場(chǎng)景
‐ 相關(guān)分析的種類
◢ 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(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(yíng)銷費(fèi)用會(huì)影響銷售額嗎？影響程度如何量化？
演練：哪些因素與產(chǎn)品銷量有顯著的相關(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(chǎng)景
4、 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(chǎng)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)
案例：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
‐ 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
案例：廣告形式、地區(qū)對(duì)銷售額的影響因素分析
演練：銷售員的性別、技能級(jí)別對(duì)銷量有影響嗎
‐ 協(xié)方差分析原理
‐ 協(xié)方差分析的適用場(chǎng)景
演練：排除用戶收入，其余哪些因素對(duì)銷量有顯著影響？
5、 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(chǎng)景
案例：產(chǎn)品類型對(duì)客戶流失的影響分析
案例：用戶學(xué)歷對(duì)產(chǎn)品類型偏好的影響分析
研討：行業(yè)/規(guī)模對(duì)風(fēng)控的影響分析
1、 預(yù)測(cè)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(lái)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(chǎng)景
2、 數(shù)據(jù)挖掘常用的模型
‐ 定量預(yù)測(cè)模型：回歸預(yù)測(cè)、時(shí)序預(yù)測(cè)等
‐ 定性預(yù)測(cè)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(chǎng)細(xì)分：聚類、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(jī)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(píng)分卡使用）
‐ 基于信息增益判斷（決策樹使用）
4、 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(cè)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(guò)擬合評(píng)估、殘差檢驗(yàn)
5、 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
6、 常用預(yù)測(cè)模型介紹：回歸、時(shí)序、分類
1、 分類模型概述及其應(yīng)用場(chǎng)景
2、 常見分類預(yù)測(cè)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
‐ 邏輯回歸分類的幾何意義
‐ 邏輯回歸的種類：二項(xiàng)、多項(xiàng)
‐ 如何解讀邏輯回歸方程
‐ 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(gòu)買某產(chǎn)品
案例：多品牌選擇模型分析（多項(xiàng)邏輯回歸）
4、 分類決策樹（DT）
問(wèn)題：如何預(yù)測(cè)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(cè)欠貸概率？
客戶保有：如何識(shí)別流失客戶特征，以及預(yù)測(cè)客戶流失概率？
‐ 決策樹分類簡(jiǎn)介
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(wèn)題
◢ 如何選擇最佳屬性來(lái)構(gòu)建節(jié)點(diǎn)：熵/基尼系數(shù)、信息增益
◢ 如何分裂變量：多元/二元?jiǎng)澐帧⒆顑?yōu)切割點(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
‐ 如何選擇最優(yōu)分類模型？
案例：商場(chǎng)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
‐ 多分類決策樹
案例：識(shí)別不同理財(cái)客戶的典型特征，實(shí)現(xiàn)精準(zhǔn)推薦
‐ 決策樹模型的保存與應(yīng)用
5、 人工神經(jīng)網(wǎng)絡(luò)（ANN）
‐ 神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)
‐ 神經(jīng)網(wǎng)絡(luò)基本原理
‐ 神經(jīng)網(wǎng)絡(luò)分類的幾何意義
‐ 神經(jīng)網(wǎng)絡(luò)的建立步驟及實(shí)現(xiàn)算法
‐ 神經(jīng)網(wǎng)絡(luò)的關(guān)鍵問(wèn)題
案例：評(píng)估銀行用戶拖欠貨款的概率
6、 支持向量機(jī)（SVM）
‐ SVM基本原理
‐ 線性可分問(wèn)題：最大邊界超平面
‐ 線性不可分問(wèn)題：特征空間的轉(zhuǎn)換
‐ 維災(zāi)難與核函數(shù)
1、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
2、模型的評(píng)估方法
‐ 留出法（Hold-Out）
‐ 交叉驗(yàn)證法（k-fold cross validation）
‐ 自助采樣法（Bootstrapping）
1、模型的優(yōu)化思路
2、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(cè)結(jié)果
3、集成方法的種類：Bagging、Boosting、Stacking
4、Bagging集成：隨機(jī)森林RF
‐ 數(shù)據(jù)/屬性重抽樣
‐ 決策依據(jù)：少數(shù)服從多數(shù)
5、Boosting集成：AdaBoost模型
‐ 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
6、高級(jí)模型介紹與實(shí)現(xiàn)
‐ GBDT梯度提升決策樹
‐ XGBoost
‐ LightGBM
問(wèn)題：我們的客戶有幾類？各類特征是什么？如何實(shí)現(xiàn)客戶細(xì)分，開發(fā)符合細(xì)分市場(chǎng)的新產(chǎn)品？如何提取客戶特征，從而對(duì)產(chǎn)品進(jìn)行市場(chǎng)定位？
1、 市場(chǎng)細(xì)分的常用方法
‐ 有指導(dǎo)細(xì)分
‐ 無(wú)指導(dǎo)細(xì)分
2、 聚類分析
‐ 如何更好的了解客戶群體和市場(chǎng)細(xì)分？
‐ 如何識(shí)別客戶群體特征？
‐ 如何確定客戶要分成多少適當(dāng)?shù)念悇e？
‐ 聚類方法原理介紹
‐ 聚類方法作用及其適用場(chǎng)景
‐ 聚類分析的種類
◢ K均值聚類
◢ 層次聚類
◢ 兩步聚類
‐ K均值聚類（快速聚類）
‐ 層次聚類（系統(tǒng)聚類）：發(fā)現(xiàn)多個(gè)類別
‐ 兩步聚類
演練：劃分合適的客戶群，提取不同客戶群的典型特征
3、 客戶細(xì)分與PCA分析法
‐ PCA主成分分析的原理
‐ PCA分析法的適用場(chǎng)景
演練：利用PCA對(duì)客戶群進(jìn)行細(xì)分
1、 信用評(píng)分卡模型簡(jiǎn)介
2、 評(píng)分卡的關(guān)鍵問(wèn)題
3、 信用評(píng)分卡建立過(guò)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
4、 篩選重要屬性
‐ 屬性分段
‐ 基本概念：WOE、IV
‐ 屬性重要性評(píng)估
5、 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
6、 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)
7、 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
8、 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
1、電信業(yè)客戶流失預(yù)警和客戶挽留模型實(shí)戰(zhàn)
2、銀行欠貸風(fēng)險(xiǎn)預(yù)測(cè)模型實(shí)戰(zhàn)
3、銀行信用卡評(píng)分模型實(shí)戰(zhàn)
結(jié)束：課程總結(jié)與問(wèn)題答疑。
聯(lián)系電話：4006-900-901
微信咨詢：威才客服
企業(yè)郵箱：shwczx@shwczx.com
深耕中國(guó)制造業(yè)
助力企業(yè)轉(zhuǎn)型
2021年度咨詢客戶數(shù)
資深實(shí)戰(zhàn)導(dǎo)師
客戶滿意度
續(xù)單和轉(zhuǎn)介紹
咨詢熱線
星期一至星期五 8:00~20:30 (添加微信注明來(lái)意）