華夏銀行網絡金融部一鍵式智能數據建模課綱

第一節 傳統人工數據建模

一、 數據建模背景

1、二戰后，消費信貸產業在歐美蓬勃發展

2、數據庫、數理統計和計算機技術大發展

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

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、數據模型類型

1、按模型預測的未來表現

2、按模型的數據來源

3、按模型的實證化

4、按模型的對象

四、SCORECARD建模方法論

—— S = SAMPLING         數據選取與抽樣

—— C = CLEANSING       數據檢測、數據清洗、數據鏈接與合并

—— O = OPTIMIZATION   數據優化處理過程，包括客戶分群(SEGMENTATION）、變量分析與加工、粗分組等

—— R = REGRESSION       利用統計學回歸技術構建模型

—— E = EQUALIZATION    將模型轉化為評分卡形式

—— 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，完成項目技術文檔

五、評分卡六大開發步驟

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、區別量化評分卡流程開發步驟

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步驟

第二節  銀行數據建模工作的主要矛盾

一、數據存在問題多而解決方法較少

1、 目標變量與數值變量非線性相關

2、 存在大量缺失值

3、 數據來源復雜多樣

4、 存在異常值

5、 大量高基數分類變量

二、人員素質要求高而資源配置不足

1、 建模人員，須具備IT技能、數據分析能力以及專業知識

2、 建模人員招聘及相關成本很高

3、 模型使用需要完整的底層架構人員技術支持

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的差異化需求

4、 模型開發、使用及驗證需求各不相同

第三節  數據建模問題根源與解決方法

一、 手工建模過程（AUC值95%）

1、 數據輸入（時間不確定）

2、 建模數據預處理（3-5周）

3、 模型設計（2-3周）

4、 建模（2-3周）

5、 模型表現（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，讓業務用戶主導分析過程

3、 有效抓住業務價值最大化時間窗口

第四節  智能建模架構與智能建模過程

一、 智能建模——預測模型

1、 樹相關模型

2、 神經網絡模型

3、 回歸模型

4、 GBDT

二、 數據預處理

1、 缺失值、離群值

2、 糾偏、平滑化

3、 高基數處理、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、 數據情況

2、 建模效率

3、 模型效果

4、 人員要求

第五節  智能建模案例解析

一、 銀行個人分期違約預測案例

1、 傳統個人分期違約預測的問題

2、 智能建模工具的應用與數據表現

3、 幫助銀行實現收益最大化

二、 銀行小微企業信貸客戶違約預測案例

1、 傳統信貸客戶違約預測的問題

2、 智能建模工具的應用與數據表現

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、 產品響應預測模型

4、 客戶細分模型

5、 客戶流失預警模型