《金融行業(yè)大數(shù)據(jù)風控研究與實踐》

《金融行業(yè)大數(shù)據(jù)風控研究與實踐》
-段方
某世界 100 強企業(yè)大數(shù)據(jù)/AI總設計師
教授 北京大學博士后
1 大數(shù)據(jù)的概念
1.1 大數(shù)據(jù)的概念和特點
1.1.1 概念
1.1.2 特點
1.1.3 數(shù)據(jù)維度的問題
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
1.2.1 大數(shù)據(jù)成為金融科技的核心
1.2.2 風險控制是金融業(yè)的基礎
1.2.3 大數(shù)據(jù)改寫了風險控制的方法
1.3 金融大數(shù)據(jù)的內(nèi)容
1.3.1 客戶基礎數(shù)據(jù)
1.3.2 客戶交易數(shù)據(jù)
1.3.3 客戶理財數(shù)據(jù)
1.3.4 客戶信用卡數(shù)據(jù)
1.3.5 客戶服務數(shù)據(jù)等
1.4 大數(shù)據(jù)的關(guān)鍵點
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)應用的突破點
1.4.4 技術(shù)驅(qū)動 or 應用驅(qū)動？
1.5 數(shù)據(jù)治理基礎
1.5.1 “垃圾進、垃圾出 ”
1.5.2 數(shù)據(jù)治理的標準——DAMA
1.5.3 數(shù)據(jù)標準的定義
1.5.4 數(shù)據(jù)質(zhì)量的評估標準
1.5.5 數(shù)據(jù)治理的相關(guān)應用
1.6 為什么是大數(shù)據(jù)風控？
1.6.1 自然交給數(shù)學
1.6.2 大數(shù)據(jù)更寬、更深地洞察金融
1.6.3 風控的“數(shù)據(jù)、算法、算力 ”
1.6.4 深度學習算法的價值
1.6.5 5G 物聯(lián)網(wǎng)數(shù)據(jù)的價值
1.7 大數(shù)據(jù)風控的知識圖譜
1.7.1 知識圖譜的概念
1.7.2 知識圖譜的三要素
1.7.3 知識圖譜的形成
1.7.4 風控知識圖譜的應用
1.8 【案例】 PayPal 大數(shù)據(jù)風控案例
2 大數(shù)據(jù)在金融領域中的應用（可選）
2.1 大數(shù)據(jù)如何顛覆金融領域？
2.1.1 從 P2P 說金融的本質(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?shù)奶魬?zhàn)
2.1.5 人工智能切入的第一個領域？
2.2 從客戶征信開始
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)在銀行的應用 2.3.1 銀行的數(shù)據(jù)種類
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
對公產(chǎn)品 對私產(chǎn)品
其它產(chǎn)品
2.3.4 銀行的“ 困惑”
比特幣會顛覆什么？ 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)在股市的應用
2.4.1 從黑石基金說起
2.4.2 股票趨勢分析
2.4.3 公司風險評估
2.4.4 期貨市場可以預測嗎？
2.4.5 機器人炒股的“必然”
2.5 大數(shù)據(jù)在投資領域的應用
2.5.1 天弘基金說明了什么？
2.5.2 資本游戲里大數(shù)據(jù)的價值
2.5.3 房地產(chǎn)可以預測嗎？
2.6 大數(shù)據(jù)在保險領域的應用
2.6.1 保險的本質(zhì)——計算
2.6.2 保險的數(shù)據(jù)收集
2.6.3 保險產(chǎn)品的測算——精算
2.6.4 保險的數(shù)據(jù)依賴
2.7 【案例】大數(shù)據(jù)在金融領域中的應用案例
3 大數(shù)據(jù)風險控制
3.1 風險的概念及范圍
3.1.1 概念（大數(shù)據(jù)+算法=風控）
3.1.2 風險的定義和范圍
3.1.3 市場風險
3.1.4 信用風險
3.1.5 操作風險
3.1.6 其它風險等
3.2 大數(shù)據(jù)風控的階段
3.2.1 貸前
3.2.2 貸中
3.2.3 貸后
3.3 大數(shù)據(jù)風控內(nèi)容
3.3.1 大數(shù)據(jù)預警（對公、零售）
3.3.2 反欺詐
3.3.3 大數(shù)據(jù)征信報告
3.3.4 大數(shù)據(jù)貸前準入
3.3.5 失聯(lián)修復
3.4 個人風險分析
3.4.1 客戶風險分類
可疑
可信 高危
3.4.2 客戶識別內(nèi)容
你是你嗎？ 你是誰？
你在哪里？
3.4.3 客戶生理識別
人臉識別
聲紋識別
客戶行為鑒權(quán)
3.4.4 客戶數(shù)據(jù)維度
資產(chǎn)
負債
消費
收入等
3.4.5 客戶標簽分析
消費特征 性格特征
風險特征等
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 機構(gòu)的風險控制
3.5.1 基本風險分析
3.5.2 擔保鏈分析
3.5.3 反洗錢分析等
3.6 供應鏈金融風險控制
3.6.1 滲透到整個供應鏈條
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 基于團伙風險控制
3.7.1 團伙行為特征分析
3.7.2 團伙欺詐
3.8 基于大數(shù)據(jù)的反洗錢監(jiān)控
3.8.1 洗錢的行為特征
3.8.2 基本原理
3.9 【案例】附件——大數(shù)據(jù)金融風控案例
3.10 【案例】工商銀行的風險控制案例
4 消費金融風控舉例
4.1 概述
4.1.1 從薅羊毛說起。。。
4.1.2 消費金融涉及的范圍
4.1.3 Zestfinance 模式的特點
4.2 消費金融業(yè)務模式
4.2.1 消費者
4.2.2 消費供給方
4.2.3 互聯(lián)網(wǎng)消費金融服務平臺
4.2.4 資金供給方
4.3 消費者畫像
4.3.1 身份信息
4.3.2 社交數(shù)據(jù)
4.3.3 認證數(shù)據(jù)
4.3.4 消費收支數(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 設備相關(guān)數(shù)據(jù)等
4.4 全過程控制
4.4.1 貸前（準入）
身份認證
反欺詐模型和策略 風險評級
風險定價模型
4.4.2 貸中（監(jiān)控）
貸中復查策略
4.4.3 貸后（追償） 償還能力風險監(jiān)控 償還意愿風險監(jiān)控 4.5 欺詐風險大盤
4.5.1 整體風險趨勢
4.5.2 高中低風險比例統(tǒng)計
4.5.3 高風險地域分析
4.5.4 高風險場景分析
4.6 【案例】附件-消費金融大數(shù)據(jù)風險控制
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 能否實時收集數(shù)據(jù)？
5.2.3 數(shù)據(jù)的 ETL 過程
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)的存儲技術(shù)
5.4.1 從數(shù)據(jù)倉庫開始
5.4.2 HADOOP 改變了什么？
5.4.3 Excel 過時了嗎？
5.4.4 如何寫 SQL 語句？
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)分析的價值
6.1.1 從數(shù)據(jù)中挖掘價值
6.1.2 用分析去說明“一切”
6.1.3 “ 四兩撥千斤”的意義
6.2 大數(shù)據(jù)風控的數(shù)據(jù)指標
6.2.1 精準率
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
6.4 OLAP 分析方法
6.4.1 多維報表開始
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)挖掘的過程
6.5.3 數(shù)據(jù)挖掘的算法介紹
關(guān)聯(lián)分析 聚類分析
分類分析等
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
6.6.3 人工智能的突破
6.6.4 人工智能算法介紹
深度學習
BP 神經(jīng)網(wǎng)絡 多層神經(jīng)網(wǎng)絡
6.6.5 ALPHAGO 改變了什么？
6.6.6 【案例】人工智能的應用案例
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 分析報告的編寫
6.8.1 如何設計報告提綱？
6.8.2 報告的故事線設置
6.8.3 報告的數(shù)據(jù)論據(jù)組織
6.8.4 報告的表現(xiàn)形式
6.8.5 報告的震撼性和吸引性
6.9 【案例】附件-某企業(yè)數(shù)據(jù)挖掘的應用案例匯編
7 機器學習算法基礎
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 SVM 算法
線性判別分析(Linear Discriminate Analysis ， LDA)
7.2.5 聚類算法
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
隨機森林算法 梯度推進機
7.3 【案例】附件-機器學習方法在金融行業(yè)應用舉例
7.3.1 社會關(guān)系網(wǎng)絡的模型
7.3.2 邏輯回歸算法建立評分卡
8 深度學習算法基礎
8.1 神經(jīng)網(wǎng)絡算法的演進歷史
8.1.1 傳統(tǒng)的神經(jīng)網(wǎng)絡算法
8.1.2 神經(jīng)網(wǎng)絡算法的特點
8.1.3 神經(jīng)網(wǎng)絡算法的瓶頸點
8.2 神經(jīng)網(wǎng)絡的算法原理
8.2.1 神經(jīng)元的原理
8.2.2 神經(jīng)網(wǎng)絡的原理
8.2.3 神經(jīng)網(wǎng)絡的 BP 算法
8.3 多層神經(jīng)網(wǎng)絡算法
8.3.1 單層神經(jīng)網(wǎng)絡
8.3.2 兩層神經(jīng)網(wǎng)絡
8.3.3 多層神經(jīng)網(wǎng)絡——深度學習
8.4 深度學習算法
8.4.1 卷積神經(jīng)網(wǎng)絡 CNN
8.4.2 循環(huán)神經(jīng)網(wǎng)絡 RNN
8.4.3 深度神經(jīng)網(wǎng)絡 DNN
8.5 【案例】深度學習的應用案例
8.5.1 深度學習用于圖像識別
8.5.2 深度學習用于語音識別
8.5.3 深度學習用于語言翻譯
9 TensorFlow 等框架
9.1 人工智能的學習框架
9.1.1 開源的概念
9.1.2 學習框架的歷程
9.1.3 caffe 等學習框架介紹
9.2 TensorFlow 框架內(nèi)容
9.2.1 編程模型簡介
9.2.2 自編碼器介紹
9.2.3 多層感知機介紹
9.3 TensorFlow 開發(fā)工具
9.3.1 jupyter
9.3.2 公開的數(shù)據(jù)集
9.3.3 語音識別等案例
9.3.4 【例】某企業(yè)的 AI 平臺架構(gòu)介紹
9.4 TensorFlow 支持的算法
9.4.1 支持卷積神經(jīng)網(wǎng)絡算法
9.4.2 支持循環(huán)神經(jīng)網(wǎng)絡算法
9.4.3 支持深度強化學習算法
9.5 TensorFlow 的應用案例
9.5.1 Python 語言的編程
9.5.2 Python 實現(xiàn) TensorFlow
9.5.3 具體的案例
9.6 【案例】附件-基于 TensorFlow 開源框架風險分析案例
10 大數(shù)據(jù)風控具體案例剖析
10.1 大數(shù)據(jù)風控的特點
10.1.1 全量風控——從抽樣數(shù)據(jù)到全量數(shù)據(jù)
10.1.2 全覆蓋風控——覆蓋企業(yè)經(jīng)營的每個毛孔 10.1.3 風控提供數(shù)據(jù)的準確性——多維度驗證
10.2 風控大數(shù)據(jù)應用特點
10.2.1 更多的數(shù)據(jù)、更細的觀察力
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
10.2.4 突出數(shù)據(jù)異常點識別
10.2.5 依賴計算能力和數(shù)據(jù)范圍
10.3 大數(shù)據(jù)風控的過程
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 基于風控內(nèi)容的大數(shù)據(jù)分析
10.4.1 經(jīng)營風控 貸款企業(yè)的風控
生產(chǎn)效益評估 生產(chǎn)效率評估 貸款用途評估 技術(shù)工藝風控
產(chǎn)品故障率的分析 工作流程評估
資源利用風控
水電等費用對比分析 人力效率評估
成本風控
成本組成分析
營銷成本分析
存貨資金風控
物資的庫存分析
貨物廢品率分析
產(chǎn)品銷售風控
廣告效果量化評估 產(chǎn)品銷售分析
10.4.2 管理風控
管理職能風控
風控各個職能部門的工作
如何 量化相關(guān) KPI
如何監(jiān)督 KPI 執(zhí)行情況 如何設置 KPI
10.5 風險管控
10.5.1 貸款風險 貸款對象分析
貸款風險分析
10.5.2 營銷風險 市場風險分析
營銷人員風險分析 10.5.3 財務風險 投資風險
10.5.4 經(jīng)營風險
內(nèi)部控制風險
10.5.5 人員風險
人員越權(quán)異常分析
如何防止“蒼蠅犯大案 ”？
10.5.6 新產(chǎn)品開發(fā)鳳霞
市場風險分析 營銷風險分析
10.5.7 信息系統(tǒng)風險
漏洞掃描分析 攻擊測試風險
10.6 大數(shù)據(jù)精細風控的方法
10.6.1 風控數(shù)據(jù)探針
10.6.2 風控檢測規(guī)則設置
10.6.3 異常監(jiān)控告警
10.7 關(guān)聯(lián)性風控方法
10.7.1 關(guān)聯(lián)分析
10.7.2 風控數(shù)據(jù)間的關(guān)聯(lián)分析 10.8 基于風控構(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)營風險
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