金融行業(yè)風(fēng)險(xiǎn)預(yù)測(cè)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(mén)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、 掌握客戶行為分析中常用的分析方法

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(shù)、神經(jīng)網(wǎng)絡(luò)、判別分析等等，以及分類(lèi)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

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(wèn)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】

1、 每個(gè)學(xué)員自備一臺(tái)便攜機(jī)(必須)。

2、 便攜機(jī)中事先安裝好Office Excel 2013版本及以上。

3、 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(wèn)題分析 + SPSS實(shí)際操作

【課程大綱】

第一部分： 數(shù)據(jù)核心理念—數(shù)據(jù)思維篇

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、 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(lèi)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(wàn)物互聯(lián)通信的基礎(chǔ)架構(gòu)

2、 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

3、 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(xiāo)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：惠普預(yù)測(cè)員工離職風(fēng)險(xiǎn)及挽留

案例：保險(xiǎn)公司的車(chē)險(xiǎn)預(yù)測(cè)與個(gè)性化保費(fèi)定價(jià)

4、 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

第二部分： 數(shù)據(jù)分析基礎(chǔ)—流程步驟篇

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(xiě)報(bào)告，形成業(yè)務(wù)策略

? 選擇報(bào)告種類(lèi)

? 完整的報(bào)告結(jié)構(gòu)

演練：產(chǎn)品精準(zhǔn)營(yíng)銷(xiāo)案例分析

? 如何搭建精準(zhǔn)營(yíng)銷(xiāo)分析框架

? 精準(zhǔn)營(yíng)銷(xiāo)分析的過(guò)程和步驟

第三部分： 用戶行為分析—統(tǒng)計(jì)方法篇

問(wèn)題：數(shù)據(jù)分析方法的種類(lèi)？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(lèi)

? 描述性分析法（對(duì)比/分組/結(jié)構(gòu)/趨勢(shì)/交叉…）

? 相關(guān)性分析法（相關(guān)/方差/卡方…）

? 預(yù)測(cè)性分析法（回歸/時(shí)序/決策樹(shù)/神經(jīng)網(wǎng)絡(luò)…）

? 專題性分析法（聚類(lèi)/關(guān)聯(lián)/RFM模型/…）

3、 統(tǒng)計(jì)分析基礎(chǔ)

? 統(tǒng)計(jì)分析兩大關(guān)鍵要素（類(lèi)別、指標(biāo)）

? 統(tǒng)計(jì)分析的操作模式（類(lèi)別à指標(biāo)）

? 統(tǒng)計(jì)分析三個(gè)操作步驟（統(tǒng)計(jì)、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(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

5、 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：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(lái)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(yíng)商的流量套餐劃分合理性的評(píng)估

演練：呼叫中心接聽(tīng)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(shì)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(xiāo)售規(guī)律

案例：手機(jī)銷(xiāo)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

第四部分： 用戶行為分析—分析框架篇

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、 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)專題分析：5W2H

? 競(jìng)品/競(jìng)爭(zhēng)分析：SWOT、波特五力

? 營(yíng)銷(xiāo)市場(chǎng)專題分析：4P/4C等

3、 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(jìng)品優(yōu)劣勢(shì)）

? 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(gòu)周期）

? WHERE：區(qū)域/渠道（區(qū)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(píng)估等）

? HOW MUCH：價(jià)格（費(fèi)用、成本、利潤(rùn)、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）

第五部分： 數(shù)據(jù)建?；A(chǔ)—流程步驟篇

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(shù)、神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)等

? 市場(chǎng)細(xì)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(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(shù)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

? 時(shí)序預(yù)測(cè)模型

? 回歸預(yù)測(cè)模型

? 分類(lèi)預(yù)測(cè)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(jù)是什么？比如價(jià)格是否可用于產(chǎn)品銷(xiāo)量預(yù)測(cè)？

1、 數(shù)據(jù)預(yù)處理vs特征工程

2、 特征工程處理內(nèi)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(zhuǎn)換

3、 特征選擇常用方法

? 相關(guān)分析、方差分析、卡方檢驗(yàn)

4、 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(lèi)

2 簡(jiǎn)單相關(guān)分析

2 偏相關(guān)分析

2 距離相關(guān)分析

? 相關(guān)系數(shù)的三種計(jì)算公式

2 Pearson相關(guān)系數(shù)

2 Spearman相關(guān)系數(shù)

2 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(xiāo)費(fèi)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：影響用戶消費(fèi)水平的因素會(huì)有哪些

? 偏相關(guān)分析

2 偏相關(guān)原理：排除不可控因素后的兩變量的相關(guān)性

2 偏相關(guān)系數(shù)的計(jì)算公式

2 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(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(lèi)

2 單因素方差分析

2 多因素方差分析

2 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(xiāo)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(xiāo)量的關(guān)鍵因素嗎

演練：營(yíng)業(yè)員的性別、技能級(jí)別對(duì)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(jié)果的解讀

演練：廣告形式、地區(qū)對(duì)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(duì)銷(xiāo)量有影響嗎？

6、 列聯(lián)分析/卡方檢驗(yàn)（兩類(lèi)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：套餐類(lèi)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

第七部分： 客戶行為預(yù)測(cè)—分類(lèi)模型篇

問(wèn)題：如何評(píng)估客戶購(gòu)買(mǎi)產(chǎn)品的可能性？如何預(yù)測(cè)客戶的購(gòu)買(mǎi)行為？如何提取某類(lèi)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)？

1、 分類(lèi)模型概述及其應(yīng)用場(chǎng)景

2、 常見(jiàn)分類(lèi)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(lèi)的幾何意義

? 邏輯回歸的種類(lèi)

2 二項(xiàng)邏輯回歸

2 多項(xiàng)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(xiàng)邏輯回歸/多分類(lèi)邏輯回歸

案例：如何評(píng)估用戶是否會(huì)購(gòu)買(mǎi)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）

4、 分類(lèi)決策樹(shù)（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(shù)分類(lèi)簡(jiǎn)介

案例：美國(guó)零售商（Target）如何預(yù)測(cè)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(shù)分類(lèi)的幾何意義

? 構(gòu)建決策樹(shù)的三個(gè)關(guān)鍵問(wèn)題

2 如何選擇最佳屬性來(lái)構(gòu)建節(jié)點(diǎn)

2 如何分裂變量

2 修剪決策樹(shù)

? 選擇最優(yōu)屬性生長(zhǎng)

2 熵、基尼索引、分類(lèi)錯(cuò)誤

2 屬性劃分增益

? 如何分裂變量

2 多元?jiǎng)澐峙c二元?jiǎng)澐?/span>

2 連續(xù)變量離散化（最優(yōu)分割點(diǎn)）

? 修剪決策樹(shù)

2 剪枝原則

2 預(yù)剪枝與后剪枝

? 構(gòu)建決策樹(shù)的四個(gè)算法

2 C5.0、CHAID、CART、QUEST

2 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(lèi)決策樹(shù)

案例：不同套餐用戶的典型特征

? 決策樹(shù)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)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(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(píng)估銀行用戶拖欠貨款的概率

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(píng)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(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)

9、 貝葉斯分類(lèi)（NBN）

? 貝葉斯分類(lèi)原理

? 計(jì)算類(lèi)別屬性的條件概率

? 估計(jì)連續(xù)屬性的條件概率

? 預(yù)測(cè)分類(lèi)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

第八部分： 客戶行為預(yù)測(cè)—模型評(píng)估篇

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：

2 ROC曲線和AUC

2 PR曲線和BEP

2 KS曲線和KS值

2、 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）

第九部分： 客戶行為預(yù)測(cè)—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(dú)構(gòu)建多個(gè)弱分類(lèi)器

? 多個(gè)弱分類(lèi)器組合投票，決定預(yù)測(cè)結(jié)果

3、 集成方法的種類(lèi)

? Bagging

? Boosting

? Stacking

4、 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

5、 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

第十部分： 銀行客戶信用卡模型

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(lèi)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(lèi)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(huà)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

第十一部分： 數(shù)據(jù)建模實(shí)戰(zhàn)篇

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。