華夏銀行網(wǎng)絡(luò)金融部一鍵式智能數(shù)據(jù)建模課綱

第一節(jié) 傳統(tǒng)人工數(shù)據(jù)建模

一、 數(shù)據(jù)建模背景

1、二戰(zhàn)后，消費(fèi)信貸產(chǎn)業(yè)在歐美蓬勃發(fā)展

2、數(shù)據(jù)庫(kù)、數(shù)理統(tǒng)計(jì)和計(jì)算機(jī)技術(shù)大發(fā)展

3、歐美社會(huì)征信體系的形成和不斷健全

二、三個(gè)歷史階段

1、以客戶分類為核心的信用分析技術(shù)

2、以預(yù)測(cè)模型為核心的信用評(píng)分模型

3、以決策模型為核心的信用評(píng)分模型

三、數(shù)據(jù)模型類型

1、按模型預(yù)測(cè)的未來表現(xiàn)

2、按模型的數(shù)據(jù)來源

3、按模型的實(shí)證化

4、按模型的對(duì)象

四、SCORECARD建模方法論

—— S = SAMPLING         數(shù)據(jù)選取與抽樣

—— C = CLEANSING       數(shù)據(jù)檢測(cè)、數(shù)據(jù)清洗、數(shù)據(jù)鏈接與合并

—— O = OPTIMIZATION   數(shù)據(jù)優(yōu)化處理過程，包括客戶分群(SEGMENTATION）、變量分析與加工、粗分組等

—— R = REGRESSION       利用統(tǒng)計(jì)學(xué)回歸技術(shù)構(gòu)建模型

—— E = EQUALIZATION    將模型轉(zhuǎn)化為評(píng)分卡形式

—— C = ConFIRMATION    評(píng)分卡評(píng)估與確認(rèn)

—— A = ADMINISTRATION  評(píng)分卡實(shí)施上線與管理，包括指定管理人，記錄評(píng)分卡使用情況等

—— R = REVIEW             評(píng)分卡跟蹤驗(yàn)證

—— D = documentATION  整理記錄，完成項(xiàng)目技術(shù)文檔

五、評(píng)分卡六大開發(fā)步驟

1、量化評(píng)分卡定義（A卡B卡C卡）

2、量化評(píng)分卡與專家評(píng)分卡

3、區(qū)別量化評(píng)分卡流程開發(fā)步驟

4、淺談驗(yàn)證評(píng)分卡指標(biāo)

5、評(píng)分卡衡量指標(biāo)-ks值

6、專家評(píng)分卡流程開發(fā)步驟

第二節(jié)  銀行數(shù)據(jù)建模工作的主要矛盾

一、數(shù)據(jù)存在問題多而解決方法較少

1、 目標(biāo)變量與數(shù)值變量非線性相關(guān)

2、 存在大量缺失值

3、 數(shù)據(jù)來源復(fù)雜多樣

4、 存在異常值

5、 大量高基數(shù)分類變量

二、人員素質(zhì)要求高而資源配置不足

1、 建模人員，須具備IT技能、數(shù)據(jù)分析能力以及專業(yè)知識(shí)

2、 建模人員招聘及相關(guān)成本很高

3、 模型使用需要完整的底層架構(gòu)人員技術(shù)支持

三、建模周期特別長(zhǎng)而生命周期過短

1、 完整建模周期一般耗時(shí)數(shù)月

2、 模型的有效生命不超過半年

四、各類建模需求多而建模能力偏弱

1、 所有部門均有建模需求

2、 不同部門建模需求迥異

3、 同一部門在不同地區(qū)的差異化需求

4、 模型開發(fā)、使用及驗(yàn)證需求各不相同

第三節(jié)  數(shù)據(jù)建模問題根源與解決方法

一、 手工建模過程（AUC值95%）

1、 數(shù)據(jù)輸入（時(shí)間不確定）

2、 建模數(shù)據(jù)預(yù)處理（3-5周）

3、 模型設(shè)計(jì)（2-3周）

4、 建模（2-3周）

5、 模型表現(xiàn)（1-2周）

6、 模型輸出

二、 問題根源

1、 專家全程參與手工建模

2、 對(duì)專家綜合技能要求很高

3、 手工建模耗時(shí)過長(zhǎng)

三、 如何解決

1、 使用智能建模工具

2、 非專家也能建模

3、 建模效果有保障

4、 建模效率大提升

四、 具體做法

1、 智能建模極大提升建模效率

2、 降低建模門檻，讓業(yè)務(wù)用戶主導(dǎo)分析過程

3、 有效抓住業(yè)務(wù)價(jià)值最大化時(shí)間窗口

第四節(jié)  智能建模架構(gòu)與智能建模過程

一、 智能建模——預(yù)測(cè)模型

1、 樹相關(guān)模型

2、 神經(jīng)網(wǎng)絡(luò)模型

3、 回歸模型

4、 GBDT

二、 數(shù)據(jù)預(yù)處理

1、 缺失值、離群值

2、 糾偏、平滑化

3、 高基數(shù)處理、衍生變量

三、 智能建模過程

1、 自動(dòng)識(shí)別變量類型

2、 生成最佳決策樹

3、 機(jī)器學(xué)習(xí)模型迭代

4、 由業(yè)務(wù)人員進(jìn)行的策略管理

5、 智能化策略部署

四、 Sas建模流程VS智能建模流程

1、 數(shù)據(jù)情況

2、 建模效率

3、 模型效果

4、 人員要求

第五節(jié)  智能建模案例解析

一、 銀行個(gè)人分期違約預(yù)測(cè)案例

1、 傳統(tǒng)個(gè)人分期違約預(yù)測(cè)的問題

2、 智能建模工具的應(yīng)用與數(shù)據(jù)表現(xiàn)

3、 幫助銀行實(shí)現(xiàn)收益最大化

二、 銀行小微企業(yè)信貸客戶違約預(yù)測(cè)案例

1、 傳統(tǒng)信貸客戶違約預(yù)測(cè)的問題

2、 智能建模工具的應(yīng)用與數(shù)據(jù)表現(xiàn)

3、 幫助銀行提升風(fēng)險(xiǎn)防控能力

三、 銀行營(yíng)銷場(chǎng)景下模型應(yīng)用案例

1、 交叉銷售模型

2、 客戶價(jià)值提升模型

3、 產(chǎn)品響應(yīng)預(yù)測(cè)模型

4、 客戶細(xì)分模型

5、 客戶流失預(yù)警模型