課程簡介
金融科技的進步使得零售金融業(yè)務得以為廣大有需求的客戶提供風險匹配的個人信貸業(yè)務。但是即便這樣，信貸風控領域的模型開發(fā)和策略制定也是挑戰(zhàn)最大的。傳統(tǒng)的信貸風控主要靠資深從業(yè)人員依靠自身的經(jīng)驗設置的專家規(guī)則。隨著統(tǒng)計學、大數(shù)據(jù)、機器學習的發(fā)展，現(xiàn)代信用風控越來越偏向量化模型的手段來得以解決風控問題。
本課程使用真實場景下的信貸違約數(shù)據(jù)，從基礎的數(shù)據(jù)分析開始，一步步構建依賴邏輯回歸、XGBoost、神經(jīng)網(wǎng)絡模型等方法的風控模型體系。同時，本課程也會展示信貸風控領域中經(jīng)常面臨的挑戰(zhàn)和相應的解決方法。
目標收益
培訓對象
課程大綱
| 1、信用卡客戶之旅與模型體系構建 |
1.1信用卡客戶之旅與風險點識別 1.2客戶信息的數(shù)字化 1.3分類算法基本原理 1.4信用卡客戶之旅中模型體系的設定原理 |
| 2、精準營銷體系構建 |
2.1基于需求預測的兩階段精準營銷模型（涉及連續(xù)變量關系探索、變量聚類、變量重要性篩選）及實踐 2.2回歸與排序類模型開發(fā)與模型評估 2.3基于銀行產(chǎn)品訂購的推薦算法及實踐 2.4基于客戶畫像的精準營銷及實踐 2.5基于客戶關系網(wǎng)絡的營銷案例 *聽課基礎：統(tǒng)計檢驗、線性回歸、邏輯回歸、神經(jīng)網(wǎng)絡、k-means聚類 |
| 3、申請反欺詐模型（一） |
3.1申請反欺詐模型的業(yè)務理解與算法講解 3.2標簽缺失和非監(jiān)督算法：孤立森林、RNN、One-class-SVM 3.3不平衡數(shù)據(jù)問題的處理 3.4決策類模型開發(fā)與模型評估 *聽課基礎：邏輯回歸、神經(jīng)網(wǎng)絡、GBDT |
| 4、申請反欺詐模型（二） |
4.1申請反欺詐特征構建綜述-個人屬性、行為特征、知識圖譜 4.2算法基礎：復雜網(wǎng)絡中度的度量、標簽傳播算法 4.3算法基礎：特征降維、特征升維 4.4實踐案例 |
| 5、模型管理-以申請信用評分卡為例 |
5.1申請信用評分的業(yè)務理解與建模演示 5.2模型評估與生命周期管理、模型管理平臺講解 |
|
6、重要案例講解 |
6.1反薅羊毛案例講解 6.2反套現(xiàn)案例講解 6.3基于APP客戶行為的流失預警模型 |
|
1、信用卡客戶之旅與模型體系構建 1.1信用卡客戶之旅與風險點識別 1.2客戶信息的數(shù)字化 1.3分類算法基本原理 1.4信用卡客戶之旅中模型體系的設定原理 |
|
2、精準營銷體系構建 2.1基于需求預測的兩階段精準營銷模型（涉及連續(xù)變量關系探索、變量聚類、變量重要性篩選）及實踐 2.2回歸與排序類模型開發(fā)與模型評估 2.3基于銀行產(chǎn)品訂購的推薦算法及實踐 2.4基于客戶畫像的精準營銷及實踐 2.5基于客戶關系網(wǎng)絡的營銷案例 *聽課基礎：統(tǒng)計檢驗、線性回歸、邏輯回歸、神經(jīng)網(wǎng)絡、k-means聚類 |
|
3、申請反欺詐模型（一） 3.1申請反欺詐模型的業(yè)務理解與算法講解 3.2標簽缺失和非監(jiān)督算法：孤立森林、RNN、One-class-SVM 3.3不平衡數(shù)據(jù)問題的處理 3.4決策類模型開發(fā)與模型評估 *聽課基礎：邏輯回歸、神經(jīng)網(wǎng)絡、GBDT |
|
4、申請反欺詐模型（二） 4.1申請反欺詐特征構建綜述-個人屬性、行為特征、知識圖譜 4.2算法基礎：復雜網(wǎng)絡中度的度量、標簽傳播算法 4.3算法基礎：特征降維、特征升維 4.4實踐案例 |
|
5、模型管理-以申請信用評分卡為例 5.1申請信用評分的業(yè)務理解與建模演示 5.2模型評估與生命周期管理、模型管理平臺講解 |
|
6、重要案例講解 6.1反薅羊毛案例講解 6.2反套現(xiàn)案例講解 6.3基于APP客戶行為的流失預警模型 |
近期公開課推薦
