1.點擊下面按鈕復制微信號
點擊復制微信號
上海威才企業管理咨詢有限公司
微信咨詢&報名
本課程專注于金融行業的風控識別與風控預測模型，面向數據分析部等專門負責數據分析與建模的人士。
本課程的主要目的是，培養學員的大數據意識和大數據思維，掌握常用的數據分析方法和數據分析模型，并能夠用于對客戶行為作分析和預測，提升學員的數據分析綜合能力。
通過本課程的學習，達到如下目的：
1、 掌握數據分析和數據建模的基本過程和步驟
2、 掌握數據分析框架的搭建，及常用分析方法
3、 掌握業務的影響因素分析常用的方法
4、 掌握常用客戶行為預測模型，包括邏輯回歸、決策樹、神經網絡、判別分析等等，以及分類模型的優化
5、 掌握金融行業信用評分卡模型，構建信用評分模型
內容 2天 4天 核心數據思維 √ √ 數據分析過程 √ √ 用戶行為分析 √ √ 數據分析框架 √ √ 異常數據識別 √ √ 影響因素分析 √ √ 數據建?；A √ 客戶行為預測 √ 市場客戶細分 √ 信用卡評分模型 √ 數據建模實戰 √
課程收益 PROGRAM BENEFITS
問題：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、 大數據的本質
‐ 數據，是事物發展和變化過程中留下的痕跡
‐ 大數據不在于量大，而在于全（多維性）
‐ 業務導向還是技術導向
2、 大數據決策的底層邏輯（即四大核心價值）
‐ 探索業務規律，按規律來管理決策
案例：客流規律與排班及最佳營銷時機
案例：致命交通事故發生的時間規律
‐ 發現運營變化，定短板來運營決策
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
‐ 理清要素關系，找影響因素來決策
案例：情緒對于股市漲跌的影響
案例：為何升職反而會增加離職風險？
‐ 預測未來趨勢，通過預判進行決策
案例：海爾利用數據來預測空調故障，實現事前檢修
案例：保險公司的車險預測與個性化保費定價
3、 大數據決策的三個關鍵環節
‐ 業務數據化：將業務問題轉化為數據問題
‐ 數據信息化：提取數據中的業務規律信息
‐ 信息策略化：基于規律形成業務應對策略
案例：用數據來識別喜歡賺“差價”的營業員
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：要解決什么樣的業務問題
‐ 確定分析思路：分解業務問題，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
‐ 確定收集來源
‐ 確定收集方法
4、 步驟3：整理數據，確保數據質量
‐ 數據質量評估
‐ 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，尋找業務答案
‐ 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，解讀業務規律
‐ 選擇恰當的圖表
‐ 選擇合適的可視化工具
‐ 提煉業務含義
7、 步驟6：撰寫報告，形成業務策略
‐ 選擇報告種類
‐ 完整的報告結構
演練：產品精準營銷案例分析
‐ 如何搭建精準營銷分析框架
問題：數據分析方法的種類？分析方法的不同應用場景？
1、 業務分析的三個階段
‐ 現狀分析：通過企業運營指標來發現規律及短板
‐ 原因分析：查找數據相關性，探尋目標影響因素
‐ 預測分析：合理配置資源，預判業務未來的趨勢
2、 常用的數據分析方法種類
3、 統計分析基礎
4、 基本分析方法及其適用場景
‐ 對比分析（查看數據差距，發現事物變化）
演練：分析理財產品受歡迎情況及貢獻大小
演練：用戶消費水平差異分析，提取優質客戶特征
‐ 分布分析（查看數據分布，探索業務層次）
案例：銀行用戶的消費層次/消費檔次分析
演練：客戶年齡分布/收入分布分析
‐ 結構分析（查看指標構成，評估結構合理性）
案例：收入結構分析/成本結構分析
案例：動態結構分析
‐ 趨勢分析（查看變化趨勢，了解季節周期性）
案例：營業廳客流量規律與排班
案例：用戶活躍時間規律/產品銷量的淡旺季分析
演練：產品訂單的季節周期性規律
‐ 交叉分析（從多個維度的數據指標分析）
演練：不同客戶的產品偏好分析
演練：銀行用戶違約的影響因素分析
問題：如何才能全面/系統地分析而不遺漏？如何分解和細化業務問題？
1、 分析框架來源于業務模型
‐ 商業目標（粗粒度）
‐ 分析維度/關鍵步驟
‐ 業務問題（細粒度）
‐ 涉及數據/關鍵指標
2、 常用的業務模型：PEST/5W2H/SWOT/PDCA/AARRR…
研討：結合公司業務情況，選取業務目標，構建系統的數據分析框架
1、 反欺詐識別的重點內容
‐ 如何識別異常數據
‐ 如何查找影響因素
‐ 如何提取欺詐用戶的特征
‐ 如何預測用戶的欺詐行為
2、 異常數據的定義
3、 異常數據的檢測方法
‐ 基于統計法：標準差法、四分位距法、離群點檢測算法
‐ 基于機器學習：回歸、聚類等
4、 異常數據處理方法
演練：各種異常數據識別
問題：如何做原因分析？比如價格是否可用于產品銷量？影響用戶違約的關鍵因素是什么？
1、 數據預處理vs特征工程
2、 特征選擇常用方法
‐ 相關分析、方差分析、卡方檢驗
3、 相關分析（衡量兩數據型變量的線性相關性）
‐ 相關分析簡介
‐ 相關分析的應用場景
‐ 相關分析的種類
◢ 簡單相關分析
◢ 偏相關分析
◢ 距離相關分析
‐ 相關系數的三種計算公式
◢ Pearson相關系數
◢ Spearman相關系數
◢ Kendall相關系數
‐ 相關分析的假設檢驗
‐ 相關分析的四個基本步驟
演練：營銷費用會影響銷售額嗎？影響程度如何量化？
演練：哪些因素與產品銷量有顯著的相關性
演練：影響用戶消費水平的因素會有哪些
‐ 偏相關分析
◢ 偏相關原理：排除不可控因素后的兩變量的相關性
◢ 偏相關系數的計算公式
◢ 偏相關分析的適用場景
4、 方差分析（衡量類別變量與數值變量間的相關性）
‐ 方差分析的應用場景
‐ 方差分析的三個種類
◢ 單因素方差分析
◢ 多因素方差分析
◢ 協方差分析
‐ 單因素方差分析的原理
‐ 方差分析的四個步驟
‐ 解讀方差分析結果的兩個要點
案例：擺放位置與銷量有關嗎
演練：客戶學歷對消費水平的影響分析
‐ 多因素方差分析原理
‐ 多因素方差分析的作用
‐ 多因素方差結果的解讀
案例：廣告形式、地區對銷售額的影響因素分析
演練：銷售員的性別、技能級別對銷量有影響嗎
‐ 協方差分析原理
‐ 協方差分析的適用場景
演練：排除用戶收入，其余哪些因素對銷量有顯著影響？
5、 列聯分析/卡方檢驗（兩類別變量的相關性分析）
‐ 交叉表與列聯表：計數值與期望值
‐ 卡方檢驗的原理
‐ 卡方檢驗的幾個計算公式
‐ 列聯表分析的適用場景
案例：產品類型對客戶流失的影響分析
案例：用戶學歷對產品類型偏好的影響分析
研討：行業/規模對風控的影響分析
1、 預測建模六步法
‐ 選擇模型：基于業務選擇恰當的數據模型
‐ 特征工程：選擇對目標變量有顯著影響的屬性來建模
‐ 訓練模型：采用合適的算法對模型進行訓練，尋找到最優參數
‐ 評估模型：進行評估模型的質量，判斷模型是否可用
‐ 優化模型：如果評估結果不理想，則需要對模型進行優化
‐ 應用模型：如果評估結果滿足要求，則可應用模型于業務場景
2、 數據挖掘常用的模型
‐ 定量預測模型：回歸預測、時序預測等
‐ 定性預測模型：邏輯回歸、決策樹、神經網絡、支持向量機等
‐ 市場細分：聚類、RFM、PCA等
‐ 產品推薦：關聯分析、協同過濾等
‐ 產品優化：回歸、隨機效用等
‐ 產品定價：定價策略/最優定價等
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（決策樹使用）
4、 模型評估
‐ 模型質量評估指標：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：過擬合評估、殘差檢驗
5、 模型優化
‐ 優化模型：選擇新模型/修改模型
‐ 優化數據：新增顯著自變量
‐ 優化公式：采用新的計算公式
‐ 集成思想：Bagging/Boosting/Stacking
6、 常用預測模型介紹：回歸、時序、分類
問題：如何評估客戶購買產品的可能性？如何預測客戶的購買行為？如何提取某類客戶的典型特征？如何向客戶精準推薦產品或業務？
1、 分類模型概述及其應用場景
2、 常見分類預測模型
3、 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、多項
‐ 如何解讀邏輯回歸方程
‐ 多項邏輯回歸/多分類邏輯回歸
案例：多品牌選擇模型分析（多項邏輯回歸）
4、 分類決策樹（DT）
問題：如何預測客戶行為？如何識別潛在客戶？
風控：如何識別欠貸者的特征，以及預測欠貸概率？
客戶保有：如何識別流失客戶特征，以及預測客戶流失概率？
‐ 決策樹分類簡介
演練：識別銀行欠貨風險，提取欠貸者的特征
‐ 決策樹分類的幾何意義
‐ 構建決策樹的三個關鍵問題
◢ 如何選擇最佳屬性來構建節點：熵/基尼系數、信息增益
◢ 如何分裂變量：多元/二元劃分、最優切割點
◢ 修剪決策樹：剪枝原則、預剪枝與后剪枝
‐ 構建決策樹的四個算法
‐ 如何選擇最優分類模型？
案例：商場用戶的典型特征提取
案例：客戶流失預警與客戶挽留
案例：識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：識別不同理財客戶的典型特征，實現精準推薦
‐ 決策樹模型的保存與應用
5、 人工神經網絡（ANN）
‐ 神經網絡的結構
‐ 神經網絡基本原理
‐ 神經網絡分類的幾何意義
‐ 神經網絡的建立步驟及實現算法
‐ 神經網絡的關鍵問題
案例：評估銀行用戶拖欠貨款的概率
6、 支持向量機（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：特征空間的轉換
‐ 維災難與核函數
1、模型的評估指標
‐ 兩大矩陣：混淆矩陣，代價矩陣
‐ 六大指標：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、模型的評估方法
‐ 留出法（Hold-Out）
‐ 交叉驗證法（k-fold cross validation）
‐ 自助采樣法（Bootstrapping）
1、模型的優化思路
2、集成算法基本原理
‐ 單獨構建多個弱分類器
‐ 多個弱分類器組合投票，決定預測結果
3、集成方法的種類：Bagging、Boosting、Stacking
4、Bagging集成：隨機森林RF
‐ 數據/屬性重抽樣
‐ 決策依據：少數服從多數
5、Boosting集成：AdaBoost模型
‐ 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
6、高級模型介紹與實現
‐ GBDT梯度提升決策樹
‐ XGBoost
‐ LightGBM
問題：我們的客戶有幾類？各類特征是什么？如何實現客戶細分，開發符合細分市場的新產品？如何提取客戶特征，從而對產品進行市場定位？
1、 市場細分的常用方法
‐ 有指導細分
‐ 無指導細分
2、 聚類分析
‐ 如何更好的了解客戶群體和市場細分？
‐ 如何識別客戶群體特征？
‐ 如何確定客戶要分成多少適當的類別？
‐ 聚類方法原理介紹
‐ 聚類方法作用及其適用場景
‐ 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（系統聚類）：發現多個類別
‐ 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、 客戶細分與PCA分析法
‐ PCA主成分分析的原理
‐ PCA分析法的適用場景
演練：利用PCA對客戶群進行細分
1、 信用評分卡模型簡介
2、 評分卡的關鍵問題
3、 信用評分卡建立過程
‐ 篩選重要屬性
‐ 數據集轉化
‐ 建立分類模型
‐ 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
‐ 連續屬性最優分段
‐ 計算屬性取值的WOE
6、 建立分類模型
‐ 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K-S曲線
‐ 計算K-S值
‐ 獲取最優閾值
案例：構建銀行小額貸款的用戶信用模型
1、電信業客戶流失預警和客戶挽留模型實戰
2、銀行欠貸風險預測模型實戰
3、銀行信用卡評分模型實戰
結束：課程總結與問題答疑。
聯系電話：4006-900-901
微信咨詢：威才客服
企業郵箱：shwczx@shwczx.com
深耕中國制造業
助力企業轉型
2021年度咨詢客戶數
資深實戰導師
客戶滿意度
續單和轉介紹
咨詢熱線
星期一至星期五 8:00~20:30 (添加微信注明來意）