華夏銀行網(wǎng)絡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，消費信貸產(chǎn)業(yè)在歐美蓬勃發(fā)展

2、數(shù)據(jù)庫、數(shù)理統(tǒng)計和計算機技術(shù)大發(fā)展

3、歐美社會征信體系的形成和不斷健全

二、三個歷史階段

1、以客戶分類為核心的信用分析技術(shù)

2、以預測模型為核心的信用評分模型

3、以決策模型為核心的信用評分模型

三、數(shù)據(jù)模型類型

1、按模型預測的未來表現(xiàn)

2、按模型的數(shù)據(jù)來源

3、按模型的實證化

4、按模型的對象

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、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)計學回歸技術(shù)構(gòu)建模型

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

—— C = ConFIRMATION    評分卡評估與確認

—— A = ADMINISTRATION  評分卡實施上線與管理，包括指定管理人，記錄評分卡使用情況等

—— R = REVIEW             評分卡跟蹤驗證

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

五、評分卡六大開發(fā)步驟

1、量化評分卡定義（A卡B卡C卡）

2、量化評分卡與專家評分卡

3、區(qū)別量化評分卡流程開發(fā)步驟

4、淺談驗證評分卡指標

5、評分卡衡量指標-ks值

6、專家評分卡流程開發(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

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、建模周期特別長而生命周期過短

1、 完整建模周期一般耗時數(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（時間不確定）

2、 建模數(shù)據(jù)預處理（3-5周）

3、 模型設(shè)計（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、 對專家綜合技能要求很高

3、 手工建模耗時過長

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)務用戶主導分析過程

3、 有效抓住業(yè)務價值最大化時間窗口

第四節(jié)  智能建模架構(gòu)與智能建模過程

一、 智能建模——預測模型

1、 樹相關(guān)模型

2、 神經(jīng)網(wǎng)絡模型

3、 回歸模型

4、 GBDT

二、 數(shù)據(jù)預處理

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、 自動識別變量類型

2、 生成最佳決策樹

3、 機器學習模型迭代

4、 由業(yè)務人員進行的策略管理

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、 銀行個人分期違約預測案例

1、 傳統(tǒng)個人分期違約預測的問題

2、 智能建模工具的應用與數(shù)據(jù)表現(xiàn)

3、 幫助銀行實現(xiàn)收益最大化

二、 銀行小微企業(yè)信貸客戶違約預測案例

1、 傳統(tǒng)信貸客戶違約預測的問題

2、 智能建模工具的應用與數(shù)據(jù)表現(xiàn)

3、 幫助銀行提升風險防控能力

三、 銀行營銷場景下模型應用案例

1、 交叉銷售模型

2、 客戶價值提升模型

3、 產(chǎn)品響應預測模型

4、 客戶細分模型

5、 客戶流失預警模型