|
金融行业风险识别与风险预测模型实战 【课程目标】 本课程专注于金融行业的风控识别与风控预测模型，面向数据分析部等专门负责数据分析与建模的人士。 本课程的主要目的是，培养学员的大数据意识和大数据思维，掌握常用的数据分析方法和数据分析模型，并能够用于对客户行为作分析和预测，提升学员的数据分析综合能力。 通过本课程的学习，达到如下目的： 1、 掌握数据分析和数据建模的基本过程和步骤 2、 掌握数据分析框架的搭建，及常用分析方法 3、 掌握业务的影响因素分析常用的方法 4、 掌握常用客户行为预测模型，包括逻辑回归、决策树、神经网络、判别分析等等，以及分类模型的优化 5、 掌握金融行业信用评分卡模型，构建信用评分模型 本课程突出数据挖掘的实际应用，结合行业的典型应用特点，从实际问题入手，引出相关知识，进行大数据的收集与处理；探索数据之间的规律及关联性，帮助学员掌握系统的数据预处理方法；介绍常用的模型，训练模型，并优化模型，以达到最优分析结果。 【授课时间】 2-4天时间，或者根据培训需求选择组合（每天6个小时） | 内容 | | | | 核心数据思维 | | | | 数据分析过程 | | | | 用户行为分析 | | | | 数据分析框架 | | | | 异常数据识别 | | | | 影响因素分析 | | | | 数据建模基础 | | | | 客户行为预测 | | | | 市场客户细分 | | | | 信用卡评分模型 | | | | 数据建模实战 | | |
【授课对象】 风险控制部、业务支撑、网络中心、IT系统部、数据分析部等对数据建模有较高要求的相关领域人员。 【学员要求】 1、 每个学员自备一台便携机(必须)。 2、 便携机中事先安装好OfficeExcel 2016版本及以上。 3、 便携机中事先安装好IBMSPSS Statistics v24版本以上软件。 注：讲师可以提供试用版本软件及分析数据源。 【授课方式】 理论精讲 + 案例演练 + 实际业务问题分析 + SPSS实际操作 【课程大纲】 第一部分： 数据核心理念—数据思维篇问题：什么是数据思维？大数据决策的底层逻辑以及决策依据是什么？ 1、 大数据的本质 Ø 数据，是事物发展和变化过程中留下的痕迹 Ø 大数据不在于量大，而在于全（多维性） Ø 业务导向还是技术导向 2、 大数据决策的底层逻辑（即四大核心价值） Ø 探索业务规律，按规律来管理决策 案例：客流规律与排班及最佳营销时机 案例：致命交通事故发生的时间规律 Ø 发现运营变化，定短板来运营决策 案例：考核周期导致的员工月初懈怠 案例：工序信号异常监测设备故障 Ø 理清要素关系，找影响因素来决策 案例：情绪对于股市涨跌的影响 案例：为何升职反而会增加离职风险？ Ø 预测未来趋势，通过预判进行决策 案例：海尔利用数据来预测空调故障，实现事前检修 案例：保险公司的车险预测与个性化保费定价 3、 大数据决策的三个关键环节 Ø 业务数据化：将业务问题转化为数据问题 Ø 数据信息化：提取数据中的业务规律信息 Ø 信息策略化：基于规律形成业务应对策略 案例：用数据来识别喜欢赚“差价”的营业员 第二部分： 数据分析基础—流程步骤篇1、 数据分析的六步曲 2、 步骤1：明确目的，确定分析思路 Ø 确定分析目的：要解决什么样的业务问题 Ø 确定分析思路：分解业务问题，构建分析框架 3、 步骤2：收集数据，寻找分析素材 Ø 明确数据范围 Ø 确定收集来源 Ø 确定收集方法 4、 步骤3：整理数据，确保数据质量 Ø 数据质量评估 Ø 数据清洗、数据处理和变量处理 Ø 探索性分析 5、 步骤4：分析数据，寻找业务答案 Ø 选择合适的分析方法 Ø 构建合适的分析模型 Ø 选择合适的分析工具 6、 步骤5：呈现数，解读业务规律 Ø 选择恰当的图表 Ø 选择合适的可视化工具 Ø 提炼业务含义 7、 步骤6：撰写报告，形成业务策略 Ø 选择报告种类 Ø 完整的报告结构 演练：产品精准营销案例分析 Ø 如何搭建精准营销分析框架 第三部分： 用户行为分析—统计方法篇问题：数据分析方法的种类？分析方法的不同应用场景？ 1、 业务分析的三个阶段 Ø 现状分析：通过企业运营指标来发现规律及短板 Ø 原因分析：查找数据相关性，探寻目标影响因素 Ø 预测分析：合理配置资源，预判业务未来的趋势 2、 常用的数据分析方法种类 3、 统计分析基础 4、 基本分析方法及其适用场景 Ø 对比分析（查看数据差距，发现事物变化） 演练：分析理财产品受欢迎情况及贡献大小 演练：用户消费水平差异分析，提取优质客户特征 Ø 分布分析（查看数据分布，探索业务层次） 案例：银行用户的消费层次/消费档次分析 演练：客户年龄分布/收入分布分析 Ø 结构分析（查看指标构成，评估结构合理性） 案例：收入结构分析/成本结构分析 案例：动态结构分析 Ø 趋势分析（查看变化趋势，了解季节周期性） 案例：营业厅客流量规律与排班 案例：用户活跃时间规律/产品销量的淡旺季分析 演练：产品订单的季节周期性规律 Ø 交叉分析（从多个维度的数据指标分析） 演练：不同客户的产品偏好分析 演练：银行用户违约的影响因素分析 第四部分： 用户行为分析—分析框架篇问题：如何才能全面/系统地分析而不遗漏？如何分解和细化业务问题？ 1、 分析框架来源于业务模型 Ø 商业目标（粗粒度） Ø 分析维度/关键步骤 Ø 业务问题（细粒度） Ø 涉及数据/关键指标 2、 常用的业务模型：PEST/5W2H/SWOT/PDCA/AARRR… 研讨：结合公司业务情况，选取业务目标，构建系统的数据分析框架 第五部分： 用户风险识别—异常数据篇1、 反欺诈识别的重点内容 Ø 如何识别异常数据 Ø 如何查找影响因素 Ø 如何提取欺诈用户的特征 Ø 如何预测用户的欺诈行为 2、 异常数据的定义 3、 异常数据的检测方法 Ø 基于统计法：标准差法、四分位距法、离群点检测算法 Ø 基于机器学习：回归、聚类等 4、 异常数据处理方法 演练：各种异常数据识别 第六部分： 影响因素分析—根因分析篇问题：如何做原因分析？比如价格是否可用于产品销量？影响用户违约的关键因素是什么？ 1、 数据预处理vs特征工程 2、 特征选择常用方法 Ø 相关分析、方差分析、卡方检验 3、 相关分析（衡量两数据型变量的线性相关性） Ø 相关分析简介 Ø 相关分析的应用场景 Ø 相关分析的种类 ² 简单相关分析 ² 偏相关分析 ² 距离相关分析 Ø 相关系数的三种计算公式 ² Pearson相关系数 ² Spearman相关系数 ² Kendall相关系数 Ø 相关分析的假设检验 Ø 相关分析的四个基本步骤 演练：营销费用会影响销售额吗？影响程度如何量化？ 演练：哪些因素与产品销量有显著的相关性 演练：影响用户消费水平的因素会有哪些 Ø 偏相关分析 ² 偏相关原理：排除不可控因素后的两变量的相关性 ² 偏相关系数的计算公式 ² 偏相关分析的适用场景 4、 方差分析（衡量类别变量与数值变量间的相关性） Ø 方差分析的应用场景 Ø 方差分析的三个种类 ² 单因素方差分析 ² 多因素方差分析 ² 协方差分析 Ø 单因素方差分析的原理 Ø 方差分析的四个步骤 Ø 解读方差分析结果的两个要点 案例：摆放位置与销量有关吗 演练：客户学历对消费水平的影响分析 Ø 多因素方差分析原理 Ø 多因素方差分析的作用 Ø 多因素方差结果的解读 案例：广告形式、地区对销售额的影响因素分析 演练：销售员的性别、技能级别对销量有影响吗 Ø 协方差分析原理 Ø 协方差分析的适用场景 演练：排除用户收入，其余哪些因素对销量有显著影响？ 5、 列联分析/卡方检验（两类别变量的相关性分析） Ø 交叉表与列联表：计数值与期望值 Ø 卡方检验的原理 Ø 卡方检验的几个计算公式 Ø 列联表分析的适用场景 案例：产品类型对客户流失的影响分析 案例：用户学历对产品类型偏好的影响分析 研讨：行业/规模对风控的影响分析 第七部分： 数据建模基础—流程步骤篇1、 预测建模六步法 Ø 选择模型：基于业务选择恰当的数据模型 Ø 特征工程：选择对目标变量有显著影响的属性来建模 Ø 训练模型：采用合适的算法对模型进行训练，寻找到最优参数 Ø 评估模型：进行评估模型的质量，判断模型是否可用 Ø 优化模型：如果评估结果不理想，则需要对模型进行优化 Ø 应用模型：如果评估结果满足要求，则可应用模型于业务场景 2、 数据挖掘常用的模型 Ø 定量预测模型：回归预测、时序预测等 Ø 定性预测模型：逻辑回归、决策树、神经网络、支持向量机等 Ø 市场细分：聚类、RFM、PCA等 Ø 产品推荐：关联分析、协同过滤等 Ø 产品优化：回归、随机效用等 Ø 产品定价：定价策略/最优定价等 3、 特征工程/特征选择/变量降维 Ø 基于变量本身特征 Ø 基于相关性判断 Ø 因子合并（PCA等） Ø IV值筛选（评分卡使用） Ø 基于信息增益判断（决策树使用） 4、 模型评估 Ø 模型质量评估指标：R^2、正确率/查全率/查准率/特异性等 Ø 预测值评估指标：MAD、MSE/RMSE、MAPE、概率等 Ø 模型评估方法：留出法、K拆交叉验证、自助法等 Ø 其它评估：过拟合评估、残差检验 5、 模型优化 Ø 优化模型：选择新模型/修改模型 Ø 优化数据：新增显著自变量 Ø 优化公式：采用新的计算公式 Ø 集成思想：Bagging/Boosting/Stacking 6、 常用预测模型介绍：回归、时序、分类 第八部分： 客户行为预测—分类模型篇问题：如何评估客户购买产品的可能性？如何预测客户的购买行为？如何提取某类客户的典型特征？如何向客户精准推荐产品或业务？ 1、 分类模型概述及其应用场景 2、 常见分类预测模型 3、 逻辑回归（LR） Ø 逻辑回归的适用场景 Ø 逻辑回归的模型原理 Ø 逻辑回归分类的几何意义 Ø 逻辑回归的种类：二项、多项 Ø 如何解读逻辑回归方程 Ø 带分类自变量的逻辑回归分析 Ø 多项逻辑回归/多分类逻辑回归 案例：如何评估用户是否会购买某产品 案例：多品牌选择模型分析（多项逻辑回归） 4、 分类决策树（DT） 问题：如何预测客户行为？如何识别潜在客户？ 风控：如何识别欠贷者的特征，以及预测欠贷概率？ 客户保有：如何识别流失客户特征，以及预测客户流失概率？ Ø 决策树分类简介 演练：识别银行欠货风险，提取欠贷者的特征 Ø 决策树分类的几何意义 Ø 构建决策树的三个关键问题 ² 如何选择最佳属性来构建节点：熵/基尼系数、信息增益 ² 如何分裂变量：多元/二元划分、最优切割点 ² 修剪决策树：剪枝原则、预剪枝与后剪枝 Ø 构建决策树的四个算法 Ø 如何选择最优分类模型？ 案例：商场用户的典型特征提取 案例：客户流失预警与客户挽留 案例：识别拖欠银行货款者的特征，避免不良货款 Ø 多分类决策树 案例：识别不同理财客户的典型特征，实现精准推荐 Ø 决策树模型的保存与应用 5、 人工神经网络（ANN） Ø 神经网络的结构 Ø 神经网络基本原理 Ø 神经网络分类的几何意义 Ø 神经网络的建立步骤及实现算法 Ø 神经网络的关键问题 案例：评估银行用户拖欠货款的概率 6、 支持向量机（SVM） Ø SVM基本原理 Ø 线性可分问题：最大边界超平面 Ø 线性不可分问题：特征空间的转换 Ø 维灾难与核函数 第九部分： 客户行为预测—模型评估篇1、模型的评估指标 Ø 两大矩阵：混淆矩阵，代价矩阵 Ø 六大指标：Acc,P,R,Spec,F1,lift Ø 三条曲线： ² ROC曲线和AUC ² PR曲线和BEP ² KS曲线和KS值 2、模型的评估方法 Ø 留出法（Hold-Out） Ø 交叉验证法（k-fold cross validation） Ø 自助采样法（Bootstrapping） 第十部分： 客户行为预测—集成优化篇1、模型的优化思路 2、集成算法基本原理 Ø 单独构建多个弱分类器 Ø 多个弱分类器组合投票，决定预测结果 3、集成方法的种类：Bagging、Boosting、Stacking 4、Bagging集成：随机森林RF Ø 数据/属性重抽样 Ø 决策依据：少数服从多数 5、Boosting集成：AdaBoost模型 Ø 基于误分数据建模 Ø 样本选择权重更新公式 Ø 决策依据：加权投票 6、高级模型介绍与实现 Ø GBDT梯度提升决策树 Ø XGBoost Ø LightGBM 第十一部分： 市场细分模型—聚类模型篇问题：我们的客户有几类？各类特征是什么？如何实现客户细分，开发符合细分市场的新产品？如何提取客户特征，从而对产品进行市场定位？ 1、 市场细分的常用方法 Ø 有指导细分 Ø 无指导细分 2、 聚类分析 Ø 如何更好的了解客户群体和市场细分？ Ø 如何识别客户群体特征？ Ø 如何确定客户要分成多少适当的类别？ Ø 聚类方法原理介绍 Ø 聚类方法作用及其适用场景 Ø 聚类分析的种类 ² K均值聚类 ² 层次聚类 ² 两步聚类 Ø K均值聚类（快速聚类） Ø 层次聚类（系统聚类）：发现多个类别 Ø 两步聚类 演练：划分合适的客户群，提取不同客户群的典型特征 3、 客户细分与PCA分析法 Ø PCA主成分分析的原理 Ø PCA分析法的适用场景 演练：利用PCA对客户群进行细分 第十二部分： 银行客户信用卡模型1、 信用评分卡模型简介 2、 评分卡的关键问题 3、 信用评分卡建立过程 Ø 筛选重要属性 Ø 数据集转化 Ø 建立分类模型 Ø 计算属性分值 Ø 确定审批阈值 4、 筛选重要属性 Ø 属性分段 Ø 基本概念：WOE、IV Ø 属性重要性评估 5、 数据集转化 Ø 连续属性最优分段 Ø 计算属性取值的WOE 6、 建立分类模型 Ø 训练逻辑回归模型 Ø 评估模型 Ø 得到字段系数 7、 计算属性分值 Ø 计算补偿与刻度值 Ø 计算各字段得分 Ø 生成评分卡 8、 确定审批阈值 Ø 画K-S曲线 Ø 计算K-S值 Ø 获取最优阈值 案例：构建银行小额贷款的用户信用模型 第十三部分： 数据建模实战篇1、电信业客户流失预警和客户挽留模型实战 2、银行欠贷风险预测模型实战 3、银行信用卡评分模型实战 结束：课程总结与问题答疑。 | 
