我们根据您企业的业务目标和学员的个体需求量身打造

涵盖了323个主题课程以满足企业多样化需求

银行数据挖掘(风控)实操课程

产品思维

常国珍
常国珍 腾讯云最有价值专家
常国珍 腾讯云最有价值专家
  • 金融数据专家认证主席
  • 拥有15年金融和互联网行业数据科学、数据治理经验。专注于金融行业的数据战略规划、数据资产管理、数字化人才培养,客户智能、风险智能和运营智能的解决方案。
  • •作为企业数字化赋能辅导员,帮助企业建立数据管理体系,培养企业数字化文化,设计数据分析人员成长路径,辅导的企业主要是金融机构、互联网金融公司;
  • •作为数据科学工作者,服务过工行、建行、中行、邮储等十几家金融机构,为其设计客户生命周期价值提升方案和产品推荐系统、基于客户之旅的风险防控解决方案、内外部数字化风险管控解决方案,并提供数据服务平台、数据管理平台、AI平台规划和建设服务;
  • •作为数据分析图书作者,著有《Python数据科学:技术详解与商业实践》、《用商业案例学R语言数据挖掘》、《胸有成竹:数据分析的SASEG进阶》等畅销书,被评为电子工业出版社优秀图书作者;
  • •作为资深讲师,为金融、电信和零售企业进行过百余次培训,内容涉及数据治理、数据模型开发、数据分析与BI系统、数据挖掘、深度学习、知识图谱等;担任人民大学、对外经贸大学等高校外聘讲师。
  • 曾培训企业:人行征信、民生银行、光大银行、中信银行、江苏银行、泰康保险等金融或大型国企。

课程简介

本课程属于银行数据分析师进阶课程。

该系列课程针对数据挖掘中的8个难点,即明确任务范围、制定标签、确定取数逻辑、构建高相关性特征集、模型划分与标签补充、特征工程、构建最优模型与模型组合、模型评估等进行课程设计。并以风险和客户关系管理两个不同的场景分别组织案例,在真实数据(脱敏版本)的操练过程中掌握以上所有内容,使学员掌握配套提供的算法模板、特征模板和工程代码模板的使用。

本次课程是为信贷风险模型开发人员量身打造的课程,使学员快速掌握真实场景下的风控模型主干。其中初始信用评分卡的学习要点是标签定义、标签补缺、特征工程、模型评估;行为评分卡的学习要点是制定标签、基于交易数据构建高相关性特征集、神经网络算法;申请反欺诈模型学习要点是基于复杂网络构建高相关性特征集、XGBoost等组合算法;行为反欺诈模型学习要点是无监督标签补充、构建最优模型和模型选择。

课程学习环境要求:Windows或Linux环境,要求安装好Python3.6对应的Anaconda;电脑最小内存4G,磁盘空间10G。

适合人群

银行数据分析师、信贷风险模型开发人员。

1、可以熟练使用至少一门数据分析语言,并使用SQL进行数据处理;

2、具有使用假设检验和逻辑回归建模的经验。

课程收益

1、掌握使用Python进行模型开发的标准化全流程。

2、使学员使用Python编程工具根据提供的代码模板快速实现高质量的模型开发。

3、掌握有监督和无监督算法的前沿领域,为后续跟踪新算法打基础。

课程大纲

主题 授课内容
申请信用评分卡 1、业务理解-明确业务范围、标签定义
2、数据理解-酒窖分析法、明确取数逻辑、采集窗口、观察期时长制定
3、 数据准备-特征加工(缺失、异常、共线性、WOE)
4、建模-构建逐步逻辑回归
5、模型评估-ROC、KS、GINI
6、模型上线与监控-事前稳定性(PSI)检验、事后一致性检验
行为信用评分卡 1、业务理解-标签定义
2、数据理解-数据源分析
3、构建特征数据集-根据效用vs成分分析框架构建指标框架
4、数据准备
5、建模神经网络模型
6、额度调整模板
7、模型上线与监控
申请反欺诈模型 1、申请反欺诈概述-背景、业务范围划分、标签制定
2、复杂网络统计量的业务理解-节点的度、中心度、饱和度、连通子图、社区划分
3、构建联系人复杂网络
4、计算基于复杂网络特征
5、申请人网络可视化形态分析
6、构建预测模型
交易反欺诈模型 1、信用卡及消费贷款交易反欺诈简介
2、交易反欺诈检测方法简介
3、异常识别的算法基础-孤立森林、AutoRecoder
4、不平衡数据问题及调整样本法
5、非线性问题及组合模型-XGboost

课程支持

面授 直播

面授时长

1天

预约讲师授课