亚洲AⅤ自偷自拍视频_亚洲欧洲精品一区二区_中日韩AV丰满少妇无码_亚洲欧美日韩一区天堂

當(dāng)前位置: 首頁 > 內(nèi)訓(xùn)課程 > 課程內(nèi)容
廣告1
相關(guān)熱門公開課程更多 》
相關(guān)熱門內(nèi)訓(xùn)課程更多 》
相關(guān)最新下載資料

金融行業(yè)風(fēng)險(xiǎn)預(yù)測(cè)模型實(shí)戰(zhàn)

課程編號(hào):32135

課程價(jià)格:¥26000/天

課程時(shí)長:3 天

課程人氣:395

行業(yè)類別:銀行金融     

專業(yè)類別:管理技能 

授課講師:傅一航

  • 課程說明
  • 講師介紹
  • 選擇同類課
【培訓(xùn)對(duì)象】
風(fēng)險(xiǎn)控制部、業(yè)務(wù)支撐、網(wǎng)絡(luò)中心、IT系統(tǒng)部、數(shù)據(jù)分析部等對(duì)數(shù)據(jù)建模有較高要求的相關(guān)領(lǐng)域人員。

【培訓(xùn)收益】


第一部分:數(shù)據(jù)核心理念—數(shù)據(jù)思維篇
問題:什么是數(shù)據(jù)思維?大數(shù)據(jù)決策的底層邏輯以及決策依據(jù)是什么?
1、數(shù)字化五大技術(shù)戰(zhàn)略:ABCDI戰(zhàn)略
A:人工智能,目的是用機(jī)器模擬人類行為
B:區(qū)塊鏈,構(gòu)建不可篡改的分布記賬系統(tǒng)
C:云計(jì)算,搭建按需分配的計(jì)算資源平臺(tái)
D:大數(shù)據(jù),實(shí)現(xiàn)智能化的判斷和決策機(jī)制
I:物聯(lián)網(wǎng),實(shí)現(xiàn)萬物互聯(lián)通信的基礎(chǔ)架構(gòu)
2、大數(shù)據(jù)的本質(zhì)
數(shù)據(jù),是事物發(fā)展和變化過程中留下的痕跡
大數(shù)據(jù)不在于量大,而在于全(多維性)
業(yè)務(wù)導(dǎo)向還是技術(shù)導(dǎo)向
3、大數(shù)據(jù)決策的底層邏輯(即四大核心價(jià)值)
探索業(yè)務(wù)規(guī)律,按規(guī)律來管理決策
案例:客流規(guī)律與排班及最佳營銷時(shí)機(jī)
案例:致命交通事故發(fā)生的時(shí)間規(guī)律
發(fā)現(xiàn)運(yùn)營變化,定短板來運(yùn)營決策
案例:考核周期導(dǎo)致的員工月初懈怠
案例:工序信號(hào)異常監(jiān)測(cè)設(shè)備故障
理清要素關(guān)系,找影響因素來決策
案例:情緒對(duì)于股市漲跌的影響
案例:為何升職反而會(huì)增加離職風(fēng)險(xiǎn)?
預(yù)測(cè)未來趨勢(shì),通過預(yù)判進(jìn)行決策
案例:惠普預(yù)測(cè)員工離職風(fēng)險(xiǎn)及挽留
案例:保險(xiǎn)公司的車險(xiǎn)預(yù)測(cè)與個(gè)性化保費(fèi)定價(jià)
4、大數(shù)據(jù)決策的三個(gè)關(guān)鍵環(huán)節(jié)
業(yè)務(wù)數(shù)據(jù)化:將業(yè)務(wù)問題轉(zhuǎn)化為數(shù)據(jù)問題
數(shù)據(jù)信息化:提取數(shù)據(jù)中的業(yè)務(wù)規(guī)律信息
信息策略化:基于規(guī)律形成業(yè)務(wù)應(yīng)對(duì)策略
案例:用數(shù)據(jù)來識(shí)別喜歡賺“差價(jià)”的營業(yè)員
第二部分:數(shù)據(jù)分析基礎(chǔ)—流程步驟篇
1、數(shù)據(jù)分析的六步曲
2、步驟1:明確目的,確定分析思路
確定分析目的:要解決什么樣的業(yè)務(wù)問題
確定分析思路:分解業(yè)務(wù)問題,構(gòu)建分析框架
3、步驟2:收集數(shù)據(jù),尋找分析素材
明確數(shù)據(jù)范圍
確定收集來源
確定收集方法
4、步驟3:整理數(shù)據(jù),確保數(shù)據(jù)質(zhì)量
數(shù)據(jù)質(zhì)量評(píng)估
數(shù)據(jù)清洗、數(shù)據(jù)處理和變量處理
探索性分析
5、步驟4:分析數(shù)據(jù),尋找業(yè)務(wù)答案
選擇合適的分析方法
構(gòu)建合適的分析模型
選擇合適的分析工具
6、步驟5:呈現(xiàn)數(shù),解讀業(yè)務(wù)規(guī)律
選擇恰當(dāng)?shù)膱D表
選擇合適的可視化工具
提煉業(yè)務(wù)含義
7、步驟6:撰寫報(bào)告,形成業(yè)務(wù)策略
選擇報(bào)告種類
完整的報(bào)告結(jié)構(gòu)
演練:產(chǎn)品精準(zhǔn)營銷案例分析
如何搭建精準(zhǔn)營銷分析框架
精準(zhǔn)營銷分析的過程和步驟
第三部分:用戶行為分析—統(tǒng)計(jì)方法篇
問題:數(shù)據(jù)分析方法的種類?分析方法的不同應(yīng)用場(chǎng)景?
1、業(yè)務(wù)分析的三個(gè)階段
現(xiàn)狀分析:通過企業(yè)運(yùn)營指標(biāo)來發(fā)現(xiàn)規(guī)律及短板
原因分析:查找數(shù)據(jù)相關(guān)性,探尋目標(biāo)影響因素
預(yù)測(cè)分析:合理配置資源,預(yù)判業(yè)務(wù)未來的趨勢(shì)
2、常用的數(shù)據(jù)分析方法種類
描述性分析法(對(duì)比/分組/結(jié)構(gòu)/趨勢(shì)/交叉…)
相關(guān)性分析法(相關(guān)/方差/卡方…)
預(yù)測(cè)性分析法(回歸/時(shí)序/決策樹/神經(jīng)網(wǎng)絡(luò)…)
專題性分析法(聚類/關(guān)聯(lián)/RFM模型/…)
3、統(tǒng)計(jì)分析基礎(chǔ)
統(tǒng)計(jì)分析兩大關(guān)鍵要素(類別、指標(biāo))
統(tǒng)計(jì)分析的操作模式(類別指標(biāo))
統(tǒng)計(jì)分析三個(gè)操作步驟(統(tǒng)計(jì)、畫圖、解讀)
透視表的三個(gè)組成部分
4、常用的描述性指標(biāo)
集中程度:均值、中位數(shù)、眾數(shù)
離散程度:極差、方差/標(biāo)準(zhǔn)差、IQR
分布形態(tài):偏度、峰度
5、基本分析方法及其適用場(chǎng)景
對(duì)比分析(查看數(shù)據(jù)差距,發(fā)現(xiàn)事物變化)
演練:尋找用戶的地域分布特征
演練:分析產(chǎn)品受歡迎情況及貢獻(xiàn)大小
演練:用數(shù)據(jù)來探索增量不增收困境的解決方案
分布分析(查看數(shù)據(jù)分布,探索業(yè)務(wù)層次)
演練:銀行用戶的消費(fèi)水平和消費(fèi)層次分析
演練:客戶年齡分布/收入分布分析
案例:通信運(yùn)營商的流量套餐劃分合理性的評(píng)估
演練:呼叫中心接聽電話效率分析(呼叫中心)
結(jié)構(gòu)分析(查看指標(biāo)構(gòu)成,評(píng)估結(jié)構(gòu)合理性)
案例:增值業(yè)務(wù)收入結(jié)構(gòu)分析(通信)
案例:物流費(fèi)用成本結(jié)構(gòu)分析(物流)
案例:中移動(dòng)用戶群動(dòng)態(tài)結(jié)構(gòu)分析
演練:財(cái)務(wù)領(lǐng)域的結(jié)構(gòu)瀑布圖、財(cái)務(wù)收支的變化瀑布圖
趨勢(shì)分析(發(fā)現(xiàn)事物隨時(shí)間的變化規(guī)律)
案例:破解零售店銷售規(guī)律
案例:手機(jī)銷量的淡旺季分析
案例:微信用戶的活躍時(shí)間規(guī)律
演練:發(fā)現(xiàn)客流量的時(shí)間規(guī)律
交叉分析(從多個(gè)維度的數(shù)據(jù)指標(biāo)分析)
演練:用戶性別+地域分布分析
演練:不同客戶的產(chǎn)品偏好分析
演練:不同學(xué)歷用戶的套餐偏好分析
演練:銀行用戶的違約影響因素分析
第四部分:用戶行為分析—分析框架篇
問題:如何才能全面/系統(tǒng)地分析而不遺漏?如何分解和細(xì)化業(yè)務(wù)問題?
1、業(yè)務(wù)分析思路和分析框架來源于業(yè)務(wù)模型
2、常用的業(yè)務(wù)模型
外部環(huán)境分析:PEST
業(yè)務(wù)專題分析:5W2H
競(jìng)品/競(jìng)爭(zhēng)分析:SWOT、波特五力
營銷市場(chǎng)專題分析:4P/4C等
3、用戶行為分析(5W2H分析思路和框架)
WHY:原因(用戶需求、產(chǎn)品亮點(diǎn)、競(jìng)品優(yōu)劣勢(shì))
WHAT:產(chǎn)品(產(chǎn)品喜好、產(chǎn)品貢獻(xiàn)、產(chǎn)品功能、產(chǎn)品結(jié)構(gòu))
WHO:客戶(基本特征、消費(fèi)能力、產(chǎn)品偏好)
WHEN:時(shí)間(淡旺季、活躍時(shí)間、重購周期)
WHERE:區(qū)域/渠道(區(qū)域喜好、渠道偏好)
HOW:支付/促銷(支付方式、促銷方式有效性評(píng)估等)
HOW MUCH:價(jià)格(費(fèi)用、成本、利潤、收入結(jié)構(gòu)、價(jià)格偏好等)
案例討論:結(jié)合公司情況,搭建用戶消費(fèi)習(xí)慣的分析框架(5W2H)
第五部分:數(shù)據(jù)建?;A(chǔ)—流程步驟篇
1、預(yù)測(cè)建模六步法
選擇模型:基于業(yè)務(wù)選擇恰當(dāng)?shù)臄?shù)據(jù)模型
特征工程:選擇對(duì)目標(biāo)變量有顯著影響的屬性來建模
訓(xùn)練模型:采用合適的算法對(duì)模型進(jìn)行訓(xùn)練,尋找到最優(yōu)參數(shù)
評(píng)估模型:進(jìn)行評(píng)估模型的質(zhì)量,判斷模型是否可用
優(yōu)化模型:如果評(píng)估結(jié)果不理想,則需要對(duì)模型進(jìn)行優(yōu)化
應(yīng)用模型:如果評(píng)估結(jié)果滿足要求,則可應(yīng)用模型于業(yè)務(wù)場(chǎng)景
2、數(shù)據(jù)挖掘常用的模型
定量預(yù)測(cè)模型:回歸預(yù)測(cè)、時(shí)序預(yù)測(cè)等
定性預(yù)測(cè)模型:邏輯回歸、決策樹、神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)等
市場(chǎng)細(xì)分:聚類、RFM、PCA等
產(chǎn)品推薦:關(guān)聯(lián)分析、協(xié)同過濾等
產(chǎn)品優(yōu)化:回歸、隨機(jī)效用等
產(chǎn)品定價(jià):定價(jià)策略/最優(yōu)定價(jià)等
3、特征工程/特征選擇/變量降維
基于變量本身特征
基于相關(guān)性判斷
因子合并(PCA等)
IV值篩選(評(píng)分卡使用)
基于信息增益判斷(決策樹使用)
4、模型評(píng)估
模型質(zhì)量評(píng)估指標(biāo):R^2、正確率/查全率/查準(zhǔn)率/特異性等
預(yù)測(cè)值評(píng)估指標(biāo):MAD、MSE/RMSE、MAPE、概率等
模型評(píng)估方法:留出法、K拆交叉驗(yàn)證、自助法等
其它評(píng)估:過擬合評(píng)估、殘差檢驗(yàn)
5、模型優(yōu)化
優(yōu)化模型:選擇新模型/修改模型
優(yōu)化數(shù)據(jù):新增顯著自變量
優(yōu)化公式:采用新的計(jì)算公式
集成思想:Bagging/Boosting/Stacking
6、常用預(yù)測(cè)模型介紹
時(shí)序預(yù)測(cè)模型
回歸預(yù)測(cè)模型
分類預(yù)測(cè)模型
第六部分:影響因素分析—根因分析篇
問題:如何選擇合適的屬性/特征來建模呢?選擇的依據(jù)是什么?比如價(jià)格是否可用于產(chǎn)品銷量預(yù)測(cè)?
1、數(shù)據(jù)預(yù)處理vs特征工程
2、特征工程處理內(nèi)容
變量變換
變量派生
變量精簡(特征選擇、因子合并)
類型轉(zhuǎn)換
3、特征選擇常用方法
相關(guān)分析、方差分析、卡方檢驗(yàn)
4、相關(guān)分析(衡量兩數(shù)據(jù)型變量的線性相關(guān)性)
相關(guān)分析簡介
相關(guān)分析的應(yīng)用場(chǎng)景
相關(guān)分析的種類
簡單相關(guān)分析
偏相關(guān)分析
距離相關(guān)分析
相關(guān)系數(shù)的三種計(jì)算公式
Pearson相關(guān)系數(shù)
Spearman相關(guān)系數(shù)
Kendall相關(guān)系數(shù)
相關(guān)分析的假設(shè)檢驗(yàn)
相關(guān)分析的四個(gè)基本步驟
演練:營銷費(fèi)用會(huì)影響銷售額嗎?影響程度如何量化?
演練:哪些因素與汽車銷量有相關(guān)性
演練:影響用戶消費(fèi)水平的因素會(huì)有哪些
偏相關(guān)分析
偏相關(guān)原理:排除不可控因素后的兩變量的相關(guān)性
偏相關(guān)系數(shù)的計(jì)算公式
偏相關(guān)分析的適用場(chǎng)景
距離相關(guān)分析
5、方差分析(衡量類別變量與數(shù)值變量間的相關(guān)性)
方差分析的應(yīng)用場(chǎng)景
方差分析的三個(gè)種類
單因素方差分析
多因素方差分析
協(xié)方差分析
單因素方差分析的原理
方差分析的四個(gè)步驟
解讀方差分析結(jié)果的兩個(gè)要點(diǎn)
演練:擺放位置與銷量有關(guān)嗎
演練:客戶學(xué)歷對(duì)消費(fèi)水平的影響分析
演練:廣告和價(jià)格是影響終端銷量的關(guān)鍵因素嗎
演練:營業(yè)員的性別、技能級(jí)別對(duì)產(chǎn)品銷量有影響嗎
演練:尋找影響產(chǎn)品銷量的關(guān)鍵因素
多因素方差分析原理
多因素方差分析的作用
多因素方差結(jié)果的解讀
演練:廣告形式、地區(qū)對(duì)銷量的影響因素分析
協(xié)方差分析原理
協(xié)方差分析的適用場(chǎng)景
演練:排除產(chǎn)品價(jià)格,收入對(duì)銷量有影響嗎?
6、列聯(lián)分析/卡方檢驗(yàn)(兩類別變量的相關(guān)性分析)
交叉表與列聯(lián)表:計(jì)數(shù)值與期望值
卡方檢驗(yàn)的原理
卡方檢驗(yàn)的幾個(gè)計(jì)算公式
列聯(lián)表分析的適用場(chǎng)景
案例:套餐類型對(duì)客戶流失的影響分析
案例:學(xué)歷對(duì)業(yè)務(wù)套餐偏好的影響分析
案例:行業(yè)/規(guī)模對(duì)風(fēng)控的影響分析
第七部分:客戶行為預(yù)測(cè)—分類模型篇
問題:如何評(píng)估客戶購買產(chǎn)品的可能性?如何預(yù)測(cè)客戶的購買行為?如何提取某類客戶的典型特征?如何向客戶精準(zhǔn)推薦產(chǎn)品或業(yè)務(wù)?
1、分類模型概述及其應(yīng)用場(chǎng)景
2、常見分類預(yù)測(cè)模型
3、邏輯回歸(LR)
邏輯回歸的適用場(chǎng)景
邏輯回歸的模型原理
邏輯回歸分類的幾何意義
邏輯回歸的種類
二項(xiàng)邏輯回歸
多項(xiàng)邏輯回歸
如何解讀邏輯回歸方程
帶分類自變量的邏輯回歸分析
多項(xiàng)邏輯回歸/多分類邏輯回歸
案例:如何評(píng)估用戶是否會(huì)購買某產(chǎn)品(二項(xiàng)邏輯回歸)
案例:多品牌選擇模型分析(多項(xiàng)邏輯回歸)
4、分類決策樹(DT)
問題:如何預(yù)測(cè)客戶行為?如何識(shí)別潛在客戶?
風(fēng)控:如何識(shí)別欠貸者的特征,以及預(yù)測(cè)欠貸概率?
客戶保有:如何識(shí)別流失客戶特征,以及預(yù)測(cè)客戶流失概率?
決策樹分類簡介
案例:美國零售商(Target)如何預(yù)測(cè)少女懷孕
演練:識(shí)別銀行欠貨風(fēng)險(xiǎn),提取欠貸者的特征
決策樹分類的幾何意義
構(gòu)建決策樹的三個(gè)關(guān)鍵問題
如何選擇最佳屬性來構(gòu)建節(jié)點(diǎn)
如何分裂變量
修剪決策樹
選擇最優(yōu)屬性生長
熵、基尼索引、分類錯(cuò)誤
屬性劃分增益
如何分裂變量
多元?jiǎng)澐峙c二元?jiǎng)澐?br /> 連續(xù)變量離散化(最優(yōu)分割點(diǎn))
修剪決策樹
剪枝原則
預(yù)剪枝與后剪枝
構(gòu)建決策樹的四個(gè)算法
C5.0、CHAID、CART、QUEST
各種算法的比較
如何選擇最優(yōu)分類模型?
案例:商場(chǎng)用戶的典型特征提取
案例:客戶流失預(yù)警與客戶挽留
案例:識(shí)別拖欠銀行貨款者的特征,避免不良貨款
案例:識(shí)別電信詐騙者嘴臉,讓通信更安全
多分類決策樹
案例:不同套餐用戶的典型特征
決策樹模型的保存與應(yīng)用
5、人工神經(jīng)網(wǎng)絡(luò)(ANN)
神經(jīng)網(wǎng)絡(luò)概述
神經(jīng)網(wǎng)絡(luò)基本原理
神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)
神經(jīng)網(wǎng)絡(luò)分類的幾何意義
神經(jīng)網(wǎng)絡(luò)的建立步驟
神經(jīng)網(wǎng)絡(luò)的關(guān)鍵問題
BP反向傳播網(wǎng)絡(luò)(MLP)
徑向基網(wǎng)絡(luò)(RBF)
案例:評(píng)估銀行用戶拖欠貨款的概率
6、判別分析(DA)
判別分析原理
判別分析種類
Fisher線性判別分析
案例:MBA學(xué)生錄取判別分析
案例:上市公司類別評(píng)估
7、最近鄰分類(KNN)
KNN模型的基本原理
KNN分類的幾何意義
K近鄰的關(guān)鍵問題
8、支持向量機(jī)(SVM)
SVM基本原理
線性可分問題:最大邊界超平面
線性不可分問題:特征空間的轉(zhuǎn)換
維災(zāi)難與核函數(shù)
9、貝葉斯分類(NBN)
貝葉斯分類原理
計(jì)算類別屬性的條件概率
估計(jì)連續(xù)屬性的條件概率
預(yù)測(cè)分類概率(計(jì)算概率)
拉普拉斯修正
案例:評(píng)估銀行用戶拖欠貨款的概率
第八部分:客戶行為預(yù)測(cè)—模型評(píng)估篇
1、模型的評(píng)估指標(biāo)
兩大矩陣:混淆矩陣,代價(jià)矩陣
六大指標(biāo):Acc,P,R,Spec,F1,lift
三條曲線:
ROC曲線和AUC
PR曲線和BEP
KS曲線和KS值
2、模型的評(píng)估方法
原始評(píng)估法
留出法(Hold-Out)
交叉驗(yàn)證法(k-fold cross validation)
自助采樣法(Bootstrapping)
第九部分:客戶行為預(yù)測(cè)—集成優(yōu)化篇
1、模型的優(yōu)化思路
2、集成算法基本原理
單獨(dú)構(gòu)建多個(gè)弱分類器
多個(gè)弱分類器組合投票,決定預(yù)測(cè)結(jié)果
3、集成方法的種類
Bagging
Boosting
Stacking
4、Bagging集成
數(shù)據(jù)/屬性重抽樣
決策依據(jù):少數(shù)服從多數(shù)
典型模型:隨機(jī)森林RF
5、Boosting集成
基于誤分?jǐn)?shù)據(jù)建模
樣本選擇權(quán)重更新公式
決策依據(jù):加權(quán)投票
典型模型:AdaBoost模型
第十部分:銀行客戶信用卡模型
1、信用評(píng)分卡模型簡介
2、評(píng)分卡的關(guān)鍵問題
3、信用評(píng)分卡建立過程
篩選重要屬性
數(shù)據(jù)集轉(zhuǎn)化
建立分類模型
計(jì)算屬性分值
確定審批閾值
4、篩選重要屬性
屬性分段
基本概念:WOE、IV
屬性重要性評(píng)估
5、數(shù)據(jù)集轉(zhuǎn)化
連續(xù)屬性最優(yōu)分段
計(jì)算屬性取值的WOE
6、建立分類模型
訓(xùn)練邏輯回歸模型
評(píng)估模型
得到字段系數(shù)
7、計(jì)算屬性分值
計(jì)算補(bǔ)償與刻度值
計(jì)算各字段得分
生成評(píng)分卡
8、確定審批閾值
畫K-S曲線
計(jì)算K-S值
獲取最優(yōu)閾值
案例:構(gòu)建銀行小額貸款的用戶信用模型
第十一部分:數(shù)據(jù)建模實(shí)戰(zhàn)篇
1、電信業(yè)客戶流失預(yù)警和客戶挽留模型實(shí)戰(zhàn)
2、銀行欠貸風(fēng)險(xiǎn)預(yù)測(cè)模型實(shí)戰(zhàn)
3、銀行信用卡評(píng)分模型實(shí)戰(zhàn)

結(jié)束:課程總結(jié)與問題答疑。 

咨詢電話:
0571-86155444
咨詢熱線:
  • 微信:13857108608
聯(lián)系我們