您好,欢迎来到诺达名师!
客服热线:18898361497

当前位置: 首页 > 战略管理 > 宏观形势 > 金融行业风险预测模型实战

傅一航

金融行业风险预测模型实战

傅一航 / 数据分析和数据挖掘讲师

课程价格: 具体课酬和讲师商量确定

常驻地: 深圳

预定该课 下载课纲

咨 / 询 / 热 / 线 18898361497

在线咨询

课程大纲

【课程目标】

本课程专注于金融行业的风控模型,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。

**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、 掌握客户行为分析中常用的分析方法

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**优分析结果。

【授课时间】

2-3天时间(每天6个小时)

【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Office Excel 2013版本及以上。

3、 便携机中事先安装好IBM SPSS 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】

**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、 数字化五大技术战略:ABCDI战略

Ø A:人工智能,目的是用机器模拟人类行为

Ø B:区块链,构建不可篡改的分布记账系统

Ø C:云计算,搭建按需分配的计算资源平台

Ø D:大数据,实现智能化的判断和决策机制

Ø I:物联网,实现万物互联通信的基础架构

2、 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

3、 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**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,**预判进行决策

案例:惠普预测员工离职风险及挽留

案例:保险公司的车险预测与个性化保费定价

4、 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

Ø 精准营销分析的过程和步骤

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:**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

Ø 描述性分析法(对比/分组/结构/趋势/交叉…)

Ø 相关性分析法(相关/方差/卡方…)

Ø 预测性分析法(回归/时序/决策树/神经网络…)

Ø 专题性分析法(聚类/关联/RFM模型/…)

3、 统计分析基础

Ø 统计分析两大关键要素(类别、指标)

Ø 统计分析的操作模式(类别à指标)

Ø 统计分析三个操作步骤(统计、画图、解读)

Ø 透视表的三个组成部分

4、 常用的描述性指标

Ø 集中程度:均值、中位数、众数

Ø 离散程度:极差、方差/标准差、IQR

Ø 分布形态:偏度、峰度

5、 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:寻找用户的地域分布特征

演练:分析产品受欢迎情况及贡献大小

演练:用数据来探索增量不增收困境的解决方案

Ø 分布分析(查看数据分布,探索业务层次)

演练:银行用户的消费水平和消费层次分析

演练:客户年龄分布/收入分布分析

案例:通信运营商的流量套餐划分合理性的评估

演练:呼叫中心接听电话效率分析(呼叫中心)

Ø 结构分析(查看指标构成,评估结构合理性)

案例:增值业务收入结构分析(通信)

案例:物流费用成本结构分析(物流)

案例:中移动用户群动态结构分析

演练:财务领域的结构瀑布图、财务收支的变化瀑布图

Ø 趋势分析(发现事物随时间的变化规律)

案例:破解零售店销售规律

案例:手机销量的淡旺季分析

案例:微信用户的活跃时间规律

演练:发现客流量的时间规律

Ø 交叉分析(从多个维度的数据指标分析)

演练:用户性别 地域分布分析

演练:不同客户的产品偏好分析

演练:不同学历用户的套餐偏好分析

演练:银行用户的违约影响因素分析

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、 业务分析思路和分析框架来源于业务模型

2、 常用的业务模型

Ø 外部环境分析:PEST

Ø 业务专题分析:5W2H

Ø 竞品/竞争分析:SWOT、波特五力

Ø 营销市场专题分析:4P/4C等

3、 用户行为分析(5W2H分析思路和框架)

Ø WHY:原因(用户需求、产品亮点、竞品优劣势)

Ø WHAT:产品(产品喜好、产品贡献、产品功能、产品结构)

Ø WHO:客户(基本特征、消费能力、产品偏好)

Ø WHEN:时间(淡旺季、活跃时间、重购周期)

Ø WHERE:区域/渠道(区域喜好、渠道偏好)

Ø HOW:支付/促销(支付方式、促销方式有效性评估等)

Ø HOW MUCH:价格(费用、成本、利润、收入结构、价格偏好等)

案例讨论:结合公司情况,搭建用户消费习惯的分析框架(5W2H)

第五部分: 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**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/**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

Ø 时序预测模型

Ø 回归预测模型

Ø 分类预测模型

第六部分: 影响因素分析—根因分析篇

问题:如何选择合适的属性/特征来建模呢?选择的依据是什么?比如价格是否可用于产品销量预测?

1、 数据预处理vs特征工程

2、 特征工程处理内容

Ø 变量变换

Ø 变量派生

Ø 变量精简(特征选择、因子合并)

Ø 类型转换

3、 特征选择常用方法

Ø 相关分析、方差分析、卡方检验

4、 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:哪些因素与汽车销量有相关性

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

Ø 距离相关分析

5、 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

演练: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

演练:广告和价格是影响终端销量的关键因素吗

演练:营业员的性别、技能级别对产品销量有影响吗

演练:寻找影响产品销量的关键因素

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

演练:广告形式、地区对销量的影响因素分析

Ø 协方差分析原理

Ø 协方差分析的适用场景

演练:排除产品价格,收入对销量有影响吗?

6、 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:套餐类型对客户流失的影响分析

案例:学历对业务套餐偏好的影响分析

案例:行业/规模对风控的影响分析

第七部分: 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

² 二项逻辑回归

² 多项逻辑回归

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(二项逻辑回归)

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

案例:美国零售商(Target)如何预测少女怀孕

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**属性来构建节点

² 如何分裂变量

² 修剪决策树

Ø 选择**优属性生长

² 熵、基尼索引、分类错误

² 属性划分增益

Ø 如何分裂变量

² 多元划分与二元划分

² 连续变量离散化(**优分割点)

Ø 修剪决策树

² 剪枝原则

² 预剪枝与后剪枝

Ø 构建决策树的四个算法

² C5.0、CHAID、CART、QUEST

² 各种算法的比较

Ø 如何选择**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

案例:识别电信诈骗者嘴脸,让通信更安全

Ø 多分类决策树

案例:不同套餐用户的典型特征

Ø 决策树模型的保存与应用

5、 人工神经网络(ANN)

Ø 神经网络概述

Ø 神经网络基本原理

Ø 神经网络的结构

Ø 神经网络分类的几何意义

Ø 神经网络的建立步骤

Ø 神经网络的关键问题

Ø BP反向传播网络(MLP)

Ø 径向基网络(RBF)

案例:评估银行用户拖欠货款的概率

6、 判别分析(DA)

Ø 判别分析原理

Ø 判别分析种类

Ø Fisher线性判别分析

案例:MBA学生录取判别分析

案例:上市公司类别评估

7、 **近邻分类(KNN)

Ø KNN模型的基本原理

Ø KNN分类的几何意义

Ø K近邻的关键问题

8、 支持向量机(SVM)

Ø SVM基本原理

Ø 线性可分问题:**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

9、 贝叶斯分类(NBN)

Ø 贝叶斯分类原理

Ø 计算类别属性的条件概率

Ø 估计连续属性的条件概率

Ø 预测分类概率(计算概率)

Ø 拉普拉斯修正

案例:评估银行用户拖欠货款的概率

第八部分: 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 原始评估法

Ø 留出法(Hold-Out)

Ø 交叉验证法(k-fold cross validation)

Ø 自助采样法(Bootstrapping)

第九部分: 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

Ø Bagging

Ø Boosting

Ø Stacking

4、 Bagging集成

Ø 数据/属性重抽样

Ø 决策依据:少数服从多数

Ø 典型模型:随机森林RF

5、 Boosting集成

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

Ø 典型模型:AdaBoost模型

第十部分: 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**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**优阈值

案例:构建银行小额贷款的用户信用模型

第十一部分: 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。

上一篇: 大数据分析与挖掘综合能力提升实战 下一篇:大数据分析综合能力提升实战

下载课纲

X
""