【培訓(xùn)對象】
風(fēng)險控制部、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：云計算，搭建按需分配的計算資源平臺
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機(jī)
案例：致命交通事故發(fā)生的時間規(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：工序信號異常監(jiān)測設(shè)備故障
理清要素關(guān)系，找影響因素來決策
案例：情緒對于股市漲跌的影響
案例：為何升職反而會增加離職風(fēng)險？
預(yù)測未來趨勢，通過預(yù)判進(jìn)行決策
案例：惠普預(yù)測員工離職風(fēng)險及挽留
案例：保險公司的車險預(yù)測與個性化保費(fèi)定價
4、大數(shù)據(jù)決策的三個關(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)對策略
案例：用數(shù)據(jù)來識別喜歡賺“差價”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：撰寫報告，形成業(yè)務(wù)策略
選擇報告種類
完整的報告結(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)用場景？
1、業(yè)務(wù)分析的三個階段
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)測分析：合理配置資源，預(yù)判業(yè)務(wù)未來的趨勢
2、常用的數(shù)據(jù)分析方法種類
描述性分析法（對比/分組/結(jié)構(gòu)/趨勢/交叉…）
相關(guān)性分析法（相關(guān)/方差/卡方…）
預(yù)測性分析法（回歸/時序/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)計分析基礎(chǔ)
統(tǒng)計分析兩大關(guān)鍵要素（類別、指標(biāo)）
統(tǒng)計分析的操作模式（類別指標(biāo)）
統(tǒng)計分析三個操作步驟（統(tǒng)計、畫圖、解讀）
透視表的三個組成部分
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景
對比分析（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：中移動用戶群動態(tài)結(jié)構(gòu)分析
演練：財務(wù)領(lǐng)域的結(jié)構(gòu)瀑布圖、財務(wù)收支的變化瀑布圖
趨勢分析（發(fā)現(xiàn)事物隨時間的變化規(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：微信用戶的活躍時間規(guī)律
演練：發(fā)現(xiàn)客流量的時間規(guī)律
交叉分析（從多個維度的數(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
競品/競爭分析：SWOT、波特五力
營銷市場專題分析：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)、競品優(yōu)劣勢）
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：時間（淡旺季、活躍時間、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、促銷方式有效性評估等）
HOW MUCH：價格（費(fèi)用、成本、利潤、收入結(jié)構(gòu)、價格偏好等）
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：采用合適的算法對模型進(jìn)行訓(xùn)練，尋找到最優(yōu)參數(shù)
評估模型：進(jìn)行評估模型的質(zhì)量，判斷模型是否可用
優(yōu)化模型：如果評估結(jié)果不理想，則需要對模型進(jìn)行優(yōu)化
應(yīng)用模型：如果評估結(jié)果滿足要求，則可應(yīng)用模型于業(yè)務(wù)場景
2、數(shù)據(jù)挖掘常用的模型
定量預(yù)測模型：回歸預(yù)測、時序預(yù)測等
定性預(yù)測模型：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：定價策略/最優(yōu)定價等
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（評分卡使用）
基于信息增益判斷（決策樹使用）
4、模型評估
模型質(zhì)量評估指標(biāo)：R^2、正確率/查全率/查準(zhǔn)率/特異性等
預(yù)測值評估指標(biāo)：MAD、MSE/RMSE、MAPE、概率等
模型評估方法：留出法、K拆交叉驗(yàn)證、自助法等
其它評估：過擬合評估、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：采用新的計算公式
集成思想：Bagging/Boosting/Stacking
6、常用預(yù)測模型介紹
時序預(yù)測模型
回歸預(yù)測模型
分類預(yù)測模型
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？比如價格是否可用于產(chǎn)品銷量預(yù)測？
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)分析的四個基本步驟
演練：營銷費(fèi)用會影響銷售額嗎？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)的計算公式
偏相關(guān)分析的適用場景
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)用場景
方差分析的三個種類
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
方差分析的四個步驟
解讀方差分析結(jié)果的兩個要點(diǎn)
演練：擺放位置與銷量有關(guān)嗎
演練：客戶學(xué)歷對消費(fèi)水平的影響分析
演練：廣告和價格是影響終端銷量的關(guān)鍵因素嗎
演練：營業(yè)員的性別、技能級別對產(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)方差分析的適用場景
演練：排除產(chǎn)品價格，收入對銷量有影響嗎？
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：計數(shù)值與期望值
卡方檢驗(yàn)的原理
卡方檢驗(yàn)的幾個計算公式
列聯(lián)表分析的適用場景
案例：套餐類型對客戶流失的影響分析
案例：學(xué)歷對業(yè)務(wù)套餐偏好的影響分析
案例：行業(yè)/規(guī)模對風(fēng)控的影響分析
第七部分：客戶行為預(yù)測—分類模型篇
問題：如何評估客戶購買產(chǎn)品的可能性？如何預(yù)測客戶的購買行為？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)用場景
2、常見分類預(yù)測模型
3、邏輯回歸（LR）
邏輯回歸的適用場景
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：如何評估用戶是否會購買某產(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)測客戶行為？如何識別潛在客戶？
風(fēng)控：如何識別欠貸者的特征，以及預(yù)測欠貸概率？
客戶保有：如何識別流失客戶特征，以及預(yù)測客戶流失概率？
決策樹分類簡介
案例：美國零售商（Target）如何預(yù)測少女懷孕
演練：識別銀行欠貨風(fēng)險，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、分類錯誤
屬性劃分增益
如何分裂變量
多元劃分與二元劃分
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：識別拖欠銀行貨款者的特征，避免不良貨款
案例：識別電信詐騙者嘴臉，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
計算類別屬性的條件概率
估計連續(xù)屬性的條件概率
預(yù)測分類概率（計算概率）
拉普拉斯修正
案例：評估銀行用戶拖欠貨款的概率
第八部分：客戶行為預(yù)測—模型評估篇
1、模型的評估指標(biāo)
兩大矩陣：混淆矩陣，代價矩陣
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、模型的評估方法
原始評估法
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—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)建多個弱分類器
多個弱分類器組合投票，決定預(yù)測結(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、信用評分卡模型簡介
2、評分卡的關(guān)鍵問題
3、信用評分卡建立過程
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
屬性重要性評估
5、數(shù)據(jù)集轉(zhuǎn)化
連續(xù)屬性最優(yōu)分段
計算屬性取值的WOE
6、建立分類模型
訓(xùn)練邏輯回歸模型
評估模型
得到字段系數(shù)
7、計算屬性分值
計算補(bǔ)償與刻度值
計算各字段得分
生成評分卡
8、確定審批閾值
畫K-S曲線
計算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)險預(yù)測模型實(shí)戰(zhàn)
3、銀行信用卡評分模型實(shí)戰(zhàn)

結(jié)束：課程總結(jié)與問題答疑。 

• 金融行業(yè)電話銷售進(jìn)階訓(xùn)練

   

  第一章 關(guān)于電銷，你要知道什么？一、電話營銷前景分析，讓員工看到希望1.電話營銷在中國的發(fā)展2.其它行業(yè)電話營銷的現(xiàn)狀分享3.電話營銷對人才的需求4.電話營銷行業(yè)對人性格的選擇5.電話營銷人員的H路職業(yè)規(guī)劃二、個人成長1.收入待遇2.晉升機(jī)會三、客戶購買心理分析詳細(xì)1.客戶性格與購買習(xí)慣2.顧客購買心理活動..

  ￥   元/ 天

  人氣：1257  

  

• 人工智能發(fā)展及在金融行業(yè)中的應(yīng)用

   

  人工智能發(fā)展及在金融行業(yè)的應(yīng)用 課程重點(diǎn)：人工智能產(chǎn)業(yè)相關(guān)概述 ..

  ￥   元/ 天

  人氣：1186  

  

• 金融行業(yè)數(shù)字化轉(zhuǎn)型第一課 ——Fin Tech2.0的思維轉(zhuǎn)化

   

  第一部分：轉(zhuǎn)型和趨勢9：30——11：301、數(shù)字化轉(zhuǎn)型概念—轉(zhuǎn)型驅(qū)動力和價值框架案例分析-某歐洲銀行數(shù)字化轉(zhuǎn)型2、銀行的趨勢-從1.0到4.03、Fin Tech的進(jìn)化-從1.0到2.0午餐與休息第二部分：挑戰(zhàn)和應(yīng)對13：30——16：304、銀行數(shù)字化轉(zhuǎn)型..

  ￥   元/ 天

  人氣：1202  

  

• 企業(yè)數(shù)字化轉(zhuǎn)型實(shí)戰(zhàn)

   

  項(xiàng)目全過程控制管理最佳實(shí)踐第一單元 什么是數(shù)字化轉(zhuǎn)型？1.數(shù)字化轉(zhuǎn)型的歷史背景u工業(yè)革命的歷史回顧u到底什么是工業(yè)4.0？ 第四次工業(yè)革命真的到來了嗎？u為什么說數(shù)字化轉(zhuǎn)型是企業(yè)發(fā)展的必然選擇？u工業(yè)互聯(lián)網(wǎng)和數(shù)字化轉(zhuǎn)型的關(guān)系2.數(shù)字化轉(zhuǎn)型的基本內(nèi)涵u數(shù)字化轉(zhuǎn)型的定義u數(shù)字化轉(zhuǎn)型的基本內(nèi)涵u數(shù)字化與傳統(tǒng)的信息化有..

  ￥   元/ 天

  人氣：2019  

  

• 電力數(shù)字化轉(zhuǎn)型實(shí)戰(zhàn)精要

   

  一、必然——數(shù)字化轉(zhuǎn)型是企業(yè)唯一出路1.數(shù)字化轉(zhuǎn)型為企業(yè)帶來的六大競爭力2.數(shù)字化技術(shù)如何改變傳統(tǒng)業(yè)務(wù)規(guī)則2.1.泛在連接、數(shù)據(jù)驅(qū)動、AI賦能、智能硬件，實(shí)現(xiàn)數(shù)據(jù)的感知、采集加工、使用。2.2.大數(shù)據(jù)和云計算，AR/VR，微服務(wù)賦予的實(shí)時全面無縫的數(shù)據(jù)采集和處理能力，數(shù)據(jù)知識化，知識軟件化，軟件可高效復(fù)用；2...

  ￥   元/ 天

  人氣：1651  

  

• 電力企業(yè)數(shù)字化轉(zhuǎn)型實(shí)戰(zhàn)精要

   

  一、必然——數(shù)字化轉(zhuǎn)型是企業(yè)唯一出路1.數(shù)字化轉(zhuǎn)型為企業(yè)帶來的六大競爭力1.1.基于數(shù)字技術(shù)設(shè)計更好的客戶體驗(yàn)，得到更多，更忠心的客戶1.2.基于數(shù)字化技術(shù)，鏈接科技創(chuàng)新和客戶體驗(yàn)，進(jìn)行快速產(chǎn)品和服務(wù)創(chuàng)新1.3.數(shù)字化技術(shù)賦能，企業(yè)可以精準(zhǔn)的運(yùn)營，得到速度，敏捷型，質(zhì)量和成本的競爭優(yōu)勢1.4.數(shù)字化技術(shù)賦能的超..

  ￥   元/ 天

  人氣：1903