《金融行業(yè)大數(shù)據(jù)風(fēng)控研究與實(shí)踐》

《金融行業(yè)大數(shù)據(jù)風(fēng)控研究與實(shí)踐》
-段方
某世界 100 強(qiáng)企業(yè)大數(shù)據(jù)/AI總設(shè)計(jì)師
教授 北京大學(xué)博士后
1 大數(shù)據(jù)的概念
1.1 大數(shù)據(jù)的概念和特點(diǎn)
1.1.1 概念
1.1.2 特點(diǎn)
1.1.3 數(shù)據(jù)維度的問(wèn)題
1.1.4 數(shù)據(jù)的“量化”
1.1.5 大數(shù)據(jù)與人工智能
1.2 金融大數(shù)據(jù)概念和特點(diǎn)
1.2.1 大數(shù)據(jù)成為金融科技的核心
1.2.2 風(fēng)險(xiǎn)控制是金融業(yè)的基礎(chǔ)
1.2.3 大數(shù)據(jù)改寫(xiě)了風(fēng)險(xiǎn)控制的方法
1.3 金融大數(shù)據(jù)的內(nèi)容
1.3.1 客戶基礎(chǔ)數(shù)據(jù)
1.3.2 客戶交易數(shù)據(jù)
1.3.3 客戶理財(cái)數(shù)據(jù)
1.3.4 客戶信用卡數(shù)據(jù)
1.3.5 客戶服務(wù)數(shù)據(jù)等
1.4 大數(shù)據(jù)的關(guān)鍵點(diǎn)
1.4.1 數(shù)據(jù)思維的建立
1.4.2 數(shù)據(jù)的收集和整理
1.4.3 數(shù)據(jù)應(yīng)用的突破點(diǎn)
1.4.4 技術(shù)驅(qū)動(dòng) or 應(yīng)用驅(qū)動(dòng)？
1.5 數(shù)據(jù)治理基礎(chǔ)
1.5.1 “垃圾進(jìn)、垃圾出 ”
1.5.2 數(shù)據(jù)治理的標(biāo)準(zhǔn)——DAMA
1.5.3 數(shù)據(jù)標(biāo)準(zhǔn)的定義
1.5.4 數(shù)據(jù)質(zhì)量的評(píng)估標(biāo)準(zhǔn)
1.5.5 數(shù)據(jù)治理的相關(guān)應(yīng)用
1.6 為什么是大數(shù)據(jù)風(fēng)控？
1.6.1 自然交給數(shù)學(xué)
1.6.2 大數(shù)據(jù)更寬、更深地洞察金融
1.6.3 風(fēng)控的“數(shù)據(jù)、算法、算力 ”
1.6.4 深度學(xué)習(xí)算法的價(jià)值
1.6.5 5G 物聯(lián)網(wǎng)數(shù)據(jù)的價(jià)值
1.7 大數(shù)據(jù)風(fēng)控的知識(shí)圖譜
1.7.1 知識(shí)圖譜的概念
1.7.2 知識(shí)圖譜的三要素
1.7.3 知識(shí)圖譜的形成
1.7.4 風(fēng)控知識(shí)圖譜的應(yīng)用
1.8 【案例】 PayPal 大數(shù)據(jù)風(fēng)控案例
2 大數(shù)據(jù)在金融領(lǐng)域中的應(yīng)用（可選）
2.1 大數(shù)據(jù)如何顛覆金融領(lǐng)域？
2.1.1 從 P2P 說(shuō)金融的本質(zhì)
2.1.2 銀行的挑戰(zhàn)
2.1.3 股市的挑戰(zhàn)
2.1.4 投資理財(cái)?shù)奶魬?zhàn)
2.1.5 人工智能切入的第一個(gè)領(lǐng)域？
2.2 從客戶征信開(kāi)始
2.2.1 客戶數(shù)據(jù)的多寡
2.2.2 客戶數(shù)據(jù)的“維度 ”
2.2.3 FICO 的緣起
2.2.4 客戶征信的意義
2.2.5 【案例】國(guó)內(nèi)客戶征信的案例——芝麻信用
2.3 大數(shù)據(jù)在銀行的應(yīng)用 2.3.1 銀行的數(shù)據(jù)種類(lèi)
2.3.2 銀行的客戶分析 客戶視圖
客戶欺詐分析 客戶分群
2.3.3 銀行的產(chǎn)品分析
對(duì)公產(chǎn)品 對(duì)私產(chǎn)品
其它產(chǎn)品
2.3.4 銀行的“ 困惑”
比特幣會(huì)顛覆什么？ 紙幣的“退縮 ”
銀行的本質(zhì)被顛覆
銀行業(yè)能靠“干爹”嗎？
2.4 大數(shù)據(jù)在股市的應(yīng)用
2.4.1 從黑石基金說(shuō)起
2.4.2 股票趨勢(shì)分析
2.4.3 公司風(fēng)險(xiǎn)評(píng)估
2.4.4 期貨市場(chǎng)可以預(yù)測(cè)嗎？
2.4.5 機(jī)器人炒股的“必然”
2.5 大數(shù)據(jù)在投資領(lǐng)域的應(yīng)用
2.5.1 天弘基金說(shuō)明了什么？
2.5.2 資本游戲里大數(shù)據(jù)的價(jià)值
2.5.3 房地產(chǎn)可以預(yù)測(cè)嗎？
2.6 大數(shù)據(jù)在保險(xiǎn)領(lǐng)域的應(yīng)用
2.6.1 保險(xiǎn)的本質(zhì)——計(jì)算
2.6.2 保險(xiǎn)的數(shù)據(jù)收集
2.6.3 保險(xiǎn)產(chǎn)品的測(cè)算——精算
2.6.4 保險(xiǎn)的數(shù)據(jù)依賴
2.7 【案例】大數(shù)據(jù)在金融領(lǐng)域中的應(yīng)用案例
3 大數(shù)據(jù)風(fēng)險(xiǎn)控制
3.1 風(fēng)險(xiǎn)的概念及范圍
3.1.1 概念（大數(shù)據(jù)+算法=風(fēng)控）
3.1.2 風(fēng)險(xiǎn)的定義和范圍
3.1.3 市場(chǎng)風(fēng)險(xiǎn)
3.1.4 信用風(fēng)險(xiǎn)
3.1.5 操作風(fēng)險(xiǎn)
3.1.6 其它風(fēng)險(xiǎn)等
3.2 大數(shù)據(jù)風(fēng)控的階段
3.2.1 貸前
3.2.2 貸中
3.2.3 貸后
3.3 大數(shù)據(jù)風(fēng)控內(nèi)容
3.3.1 大數(shù)據(jù)預(yù)警（對(duì)公、零售）
3.3.2 反欺詐
3.3.3 大數(shù)據(jù)征信報(bào)告
3.3.4 大數(shù)據(jù)貸前準(zhǔn)入
3.3.5 失聯(lián)修復(fù)
3.4 個(gè)人風(fēng)險(xiǎn)分析
3.4.1 客戶風(fēng)險(xiǎn)分類(lèi)
可疑
可信 高危
3.4.2 客戶識(shí)別內(nèi)容
你是你嗎？ 你是誰(shuí)？
你在哪里？
3.4.3 客戶生理識(shí)別
人臉識(shí)別
聲紋識(shí)別
客戶行為鑒權(quán)
3.4.4 客戶數(shù)據(jù)維度
資產(chǎn)
負(fù)債
消費(fèi)
收入等
3.4.5 客戶標(biāo)簽分析
消費(fèi)特征 性格特征
風(fēng)險(xiǎn)特征等
3.4.6 客戶征信分析
央行的征信 FICO 的意義 大數(shù)據(jù)征信
3.4.7 【例】附件-芝麻信用分的案例
3.4.8 Subtopic
3.5 機(jī)構(gòu)的風(fēng)險(xiǎn)控制
3.5.1 基本風(fēng)險(xiǎn)分析
3.5.2 擔(dān)保鏈分析
3.5.3 反洗錢(qián)分析等
3.6 供應(yīng)鏈金融風(fēng)險(xiǎn)控制
3.6.1 滲透到整個(gè)供應(yīng)鏈條
3.6.2 豐富的數(shù)據(jù)源
3.6.3 監(jiān)控的內(nèi)容和方法
3.7 基于團(tuán)伙風(fēng)險(xiǎn)控制
3.7.1 團(tuán)伙行為特征分析
3.7.2 團(tuán)伙欺詐
3.8 基于大數(shù)據(jù)的反洗錢(qián)監(jiān)控
3.8.1 洗錢(qián)的行為特征
3.8.2 基本原理
3.9 【案例】附件——大數(shù)據(jù)金融風(fēng)控案例
3.10 【案例】工商銀行的風(fēng)險(xiǎn)控制案例
4 消費(fèi)金融風(fēng)控舉例
4.1 概述
4.1.1 從薅羊毛說(shuō)起。。。
4.1.2 消費(fèi)金融涉及的范圍
4.1.3 Zestfinance 模式的特點(diǎn)
4.2 消費(fèi)金融業(yè)務(wù)模式
4.2.1 消費(fèi)者
4.2.2 消費(fèi)供給方
4.2.3 互聯(lián)網(wǎng)消費(fèi)金融服務(wù)平臺(tái)
4.2.4 資金供給方
4.3 消費(fèi)者畫(huà)像
4.3.1 身份信息
4.3.2 社交數(shù)據(jù)
4.3.3 認(rèn)證數(shù)據(jù)
4.3.4 消費(fèi)收支數(shù)據(jù)
4.3.5 行為數(shù)據(jù)
4.3.6 互金和銀行黑名單
4.3.7 設(shè)備相關(guān)數(shù)據(jù)等
4.4 全過(guò)程控制
4.4.1 貸前（準(zhǔn)入）
身份認(rèn)證
反欺詐模型和策略 風(fēng)險(xiǎn)評(píng)級(jí)
風(fēng)險(xiǎn)定價(jià)模型
4.4.2 貸中（監(jiān)控）
貸中復(fù)查策略
4.4.3 貸后（追償） 償還能力風(fēng)險(xiǎn)監(jiān)控 償還意愿風(fēng)險(xiǎn)監(jiān)控 4.5 欺詐風(fēng)險(xiǎn)大盤(pán)
4.5.1 整體風(fēng)險(xiǎn)趨勢(shì)
4.5.2 高中低風(fēng)險(xiǎn)比例統(tǒng)計(jì)
4.5.3 高風(fēng)險(xiǎn)地域分析
4.5.4 高風(fēng)險(xiǎn)場(chǎng)景分析
4.6 【案例】附件-消費(fèi)金融大數(shù)據(jù)風(fēng)險(xiǎn)控制
5 金融大數(shù)據(jù)的收集和整理
5.1 大數(shù)據(jù)的內(nèi)容和范圍
5.1.1 企業(yè)有哪些數(shù)據(jù)？
5.1.2 數(shù)據(jù)有哪些維度？
5.1.3 大數(shù)據(jù)的成本和價(jià)值平衡
5.2 大數(shù)據(jù)的收集
5.2.1 大數(shù)據(jù)的收集方法概述
5.2.2 能否實(shí)時(shí)收集數(shù)據(jù)？
5.2.3 數(shù)據(jù)的 ETL 過(guò)程
5.2.4 數(shù)據(jù)的管理制度
5.3 大數(shù)據(jù)的質(zhì)量管控
5.3.1 什么是數(shù)據(jù)質(zhì)量問(wèn)題？
5.3.2 60%工作量在數(shù)據(jù)質(zhì)量上？
5.3.3 數(shù)據(jù)質(zhì)量管控的方法
5.3.4 數(shù)據(jù)質(zhì)量能“零誤差”嗎？
5.4 大數(shù)據(jù)的存儲(chǔ)技術(shù)
5.4.1 從數(shù)據(jù)倉(cāng)庫(kù)開(kāi)始
5.4.2 HADOOP 改變了什么？
5.4.3 Excel 過(guò)時(shí)了嗎？
5.4.4 如何寫(xiě) SQL 語(yǔ)句？
5.5 大數(shù)據(jù)的安全思考
5.5.1 大數(shù)據(jù)的安全隱患
5.5.2 大數(shù)據(jù)的安全管控方法
5.5.3 是否能夠永遠(yuǎn)安全？
5.6 【案例】附件-大數(shù)據(jù)的收集和整理
6 大數(shù)據(jù)的分析方法
6.1 大數(shù)據(jù)分析的價(jià)值
6.1.1 從數(shù)據(jù)中挖掘價(jià)值
6.1.2 用分析去說(shuō)明“一切”
6.1.3 “ 四兩撥千斤”的意義
6.2 大數(shù)據(jù)風(fēng)控的數(shù)據(jù)指標(biāo)
6.2.1 精準(zhǔn)率
6.2.2 召回率
6.2.3 PR 曲線
6.2.4 ROC 曲線
6.2.5 提升度
6.2.6 KS 值等
6.3 大數(shù)據(jù)分析的方法
6.3.1 數(shù)據(jù)分析的形式
6.3.2 數(shù)據(jù)分析的方法
6.3.3 數(shù)據(jù)分析的難點(diǎn)
6.4 OLAP 分析方法
6.4.1 多維報(bào)表開(kāi)始
6.4.2 多維立方體
6.4.3 【案例】 OLAP 分析工具舉例
6.5 數(shù)據(jù)挖掘方法
6.5.1 什么是數(shù)據(jù)挖掘
6.5.2 數(shù)據(jù)挖掘的過(guò)程
6.5.3 數(shù)據(jù)挖掘的算法介紹
關(guān)聯(lián)分析 聚類(lèi)分析
分類(lèi)分析等
6.6 人工智能方法
6.6.1 人工智能為什么“火” 了？
6.6.2 人工智能的歷史演進(jìn)
6.6.3 人工智能的突破
6.6.4 人工智能算法介紹
深度學(xué)習(xí)
BP 神經(jīng)網(wǎng)絡(luò) 多層神經(jīng)網(wǎng)絡(luò)
6.6.5 ALPHAGO 改變了什么？
6.6.6 【案例】人工智能的應(yīng)用案例
6.7 大數(shù)據(jù)的可視化
6.7.1 大數(shù)據(jù)為何要可視化
6.7.2 大數(shù)據(jù)的“通俗易懂”
6.7.3 大數(shù)據(jù)的可視化工具
6.8 分析報(bào)告的編寫(xiě)
6.8.1 如何設(shè)計(jì)報(bào)告提綱？
6.8.2 報(bào)告的故事線設(shè)置
6.8.3 報(bào)告的數(shù)據(jù)論據(jù)組織
6.8.4 報(bào)告的表現(xiàn)形式
6.8.5 報(bào)告的震撼性和吸引性
6.9 【案例】附件-某企業(yè)數(shù)據(jù)挖掘的應(yīng)用案例匯編
7 機(jī)器學(xué)習(xí)算法基礎(chǔ)
7.1 多維分析方法
7.1.1 OLAP 分析
7.1.2 上鉆和下鉆
7.1.3 用 OLAP 分析問(wèn)題
7.2 分析算法
7.2.1 回歸算法
線性回歸
邏輯回歸
7.2.2 決策樹(shù)算法
C4.5 算法 CART 算法
7.2.3 貝葉斯算法
樸素貝葉斯算法
BBN（Bayesian Belief Network）算法
7.2.4 基于核的算法
支持向量機(jī) SVM 算法
線性判別分析(Linear Discriminate Analysis ， LDA)
7.2.5 聚類(lèi)算法
K-MEANS 算法
期望最大化算法(Expectation Maximization， ME)
7.2.6 關(guān)聯(lián)規(guī)則算法
Apriori 算法
7.2.7 降低維度算法
主成份分析(Principle Component Analysis， PCA)算法
偏最小二乘回歸(Partial Least Square Regression，PLS)算法
7.2.8 集成算法
隨機(jī)森林算法 梯度推進(jìn)機(jī)
7.3 【案例】附件-機(jī)器學(xué)習(xí)方法在金融行業(yè)應(yīng)用舉例
7.3.1 社會(huì)關(guān)系網(wǎng)絡(luò)的模型
7.3.2 邏輯回歸算法建立評(píng)分卡
8 深度學(xué)習(xí)算法基礎(chǔ)
8.1 神經(jīng)網(wǎng)絡(luò)算法的演進(jìn)歷史
8.1.1 傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)算法
8.1.2 神經(jīng)網(wǎng)絡(luò)算法的特點(diǎn)
8.1.3 神經(jīng)網(wǎng)絡(luò)算法的瓶頸點(diǎn)
8.2 神經(jīng)網(wǎng)絡(luò)的算法原理
8.2.1 神經(jīng)元的原理
8.2.2 神經(jīng)網(wǎng)絡(luò)的原理
8.2.3 神經(jīng)網(wǎng)絡(luò)的 BP 算法
8.3 多層神經(jīng)網(wǎng)絡(luò)算法
8.3.1 單層神經(jīng)網(wǎng)絡(luò)
8.3.2 兩層神經(jīng)網(wǎng)絡(luò)
8.3.3 多層神經(jīng)網(wǎng)絡(luò)——深度學(xué)習(xí)
8.4 深度學(xué)習(xí)算法
8.4.1 卷積神經(jīng)網(wǎng)絡(luò) CNN
8.4.2 循環(huán)神經(jīng)網(wǎng)絡(luò) RNN
8.4.3 深度神經(jīng)網(wǎng)絡(luò) DNN
8.5 【案例】深度學(xué)習(xí)的應(yīng)用案例
8.5.1 深度學(xué)習(xí)用于圖像識(shí)別
8.5.2 深度學(xué)習(xí)用于語(yǔ)音識(shí)別
8.5.3 深度學(xué)習(xí)用于語(yǔ)言翻譯
9 TensorFlow 等框架
9.1 人工智能的學(xué)習(xí)框架
9.1.1 開(kāi)源的概念
9.1.2 學(xué)習(xí)框架的歷程
9.1.3 caffe 等學(xué)習(xí)框架介紹
9.2 TensorFlow 框架內(nèi)容
9.2.1 編程模型簡(jiǎn)介
9.2.2 自編碼器介紹
9.2.3 多層感知機(jī)介紹
9.3 TensorFlow 開(kāi)發(fā)工具
9.3.1 jupyter
9.3.2 公開(kāi)的數(shù)據(jù)集
9.3.3 語(yǔ)音識(shí)別等案例
9.3.4 【例】某企業(yè)的 AI 平臺(tái)架構(gòu)介紹
9.4 TensorFlow 支持的算法
9.4.1 支持卷積神經(jīng)網(wǎng)絡(luò)算法
9.4.2 支持循環(huán)神經(jīng)網(wǎng)絡(luò)算法
9.4.3 支持深度強(qiáng)化學(xué)習(xí)算法
9.5 TensorFlow 的應(yīng)用案例
9.5.1 Python 語(yǔ)言的編程
9.5.2 Python 實(shí)現(xiàn) TensorFlow
9.5.3 具體的案例
9.6 【案例】附件-基于 TensorFlow 開(kāi)源框架風(fēng)險(xiǎn)分析案例
10 大數(shù)據(jù)風(fēng)控具體案例剖析
10.1 大數(shù)據(jù)風(fēng)控的特點(diǎn)
10.1.1 全量風(fēng)控——從抽樣數(shù)據(jù)到全量數(shù)據(jù)
10.1.2 全覆蓋風(fēng)控——覆蓋企業(yè)經(jīng)營(yíng)的每個(gè)毛孔 10.1.3 風(fēng)控提供數(shù)據(jù)的準(zhǔn)確性——多維度驗(yàn)證
10.2 風(fēng)控大數(shù)據(jù)應(yīng)用特點(diǎn)
10.2.1 更多的數(shù)據(jù)、更細(xì)的觀察力
10.2.2 物聯(lián)網(wǎng)數(shù)據(jù)的貸后跟蹤分析
10.2.3 不同維度的數(shù)據(jù)交叉檢驗(yàn)
10.2.4 突出數(shù)據(jù)異常點(diǎn)識(shí)別
10.2.5 依賴計(jì)算能力和數(shù)據(jù)范圍
10.3 大數(shù)據(jù)風(fēng)控的過(guò)程
10.3.1 收集收集 10.3.2 數(shù)據(jù)清洗 10.3.3 數(shù)據(jù)建模 10.3.4 算法選擇 10.3.5 算法使用 10.3.6 算法調(diào)優(yōu)
10.4 基于風(fēng)控內(nèi)容的大數(shù)據(jù)分析
10.4.1 經(jīng)營(yíng)風(fēng)控 貸款企業(yè)的風(fēng)控
生產(chǎn)效益評(píng)估 生產(chǎn)效率評(píng)估 貸款用途評(píng)估 技術(shù)工藝風(fēng)控
產(chǎn)品故障率的分析 工作流程評(píng)估
資源利用風(fēng)控
水電等費(fèi)用對(duì)比分析 人力效率評(píng)估
成本風(fēng)控
成本組成分析
營(yíng)銷(xiāo)成本分析
存貨資金風(fēng)控
物資的庫(kù)存分析
貨物廢品率分析
產(chǎn)品銷(xiāo)售風(fēng)控
廣告效果量化評(píng)估 產(chǎn)品銷(xiāo)售分析
10.4.2 管理風(fēng)控
管理職能風(fēng)控
風(fēng)控各個(gè)職能部門(mén)的工作
如何 量化相關(guān) KPI
如何監(jiān)督 KPI 執(zhí)行情況 如何設(shè)置 KPI
10.5 風(fēng)險(xiǎn)管控
10.5.1 貸款風(fēng)險(xiǎn) 貸款對(duì)象分析
貸款風(fēng)險(xiǎn)分析
10.5.2 營(yíng)銷(xiāo)風(fēng)險(xiǎn) 市場(chǎng)風(fēng)險(xiǎn)分析
營(yíng)銷(xiāo)人員風(fēng)險(xiǎn)分析 10.5.3 財(cái)務(wù)風(fēng)險(xiǎn) 投資風(fēng)險(xiǎn)
10.5.4 經(jīng)營(yíng)風(fēng)險(xiǎn)
內(nèi)部控制風(fēng)險(xiǎn)
10.5.5 人員風(fēng)險(xiǎn)
人員越權(quán)異常分析
如何防止“蒼蠅犯大案 ”？
10.5.6 新產(chǎn)品開(kāi)發(fā)鳳霞
市場(chǎng)風(fēng)險(xiǎn)分析 營(yíng)銷(xiāo)風(fēng)險(xiǎn)分析
10.5.7 信息系統(tǒng)風(fēng)險(xiǎn)
漏洞掃描分析 攻擊測(cè)試風(fēng)險(xiǎn)
10.6 大數(shù)據(jù)精細(xì)風(fēng)控的方法
10.6.1 風(fēng)控?cái)?shù)據(jù)探針
10.6.2 風(fēng)控檢測(cè)規(guī)則設(shè)置
10.6.3 異常監(jiān)控告警
10.7 關(guān)聯(lián)性風(fēng)控方法
10.7.1 關(guān)聯(lián)分析
10.7.2 風(fēng)控?cái)?shù)據(jù)間的關(guān)聯(lián)分析 10.8 基于風(fēng)控構(gòu)建“免疫系統(tǒng) ” 10.8.1 用大數(shù)據(jù)杜絕僥幸心理 10.8.2 數(shù)據(jù)分析管理漏洞
10.8.3 數(shù)據(jù)分析經(jīng)營(yíng)風(fēng)險(xiǎn)
10.9 【案例】操作違規(guī)大數(shù)據(jù)分析案例
11 總結(jié)

段方老師的其它課程