中國農(nóng)業(yè)銀行 零售業(yè)務(wù)大數(shù)據(jù)應(yīng)用及數(shù)字化風(fēng)險(xiǎn)防控實(shí)務(wù) ——風(fēng)控策略、智能數(shù)據(jù)建模及反欺詐實(shí)務(wù)

第一模塊  風(fēng)控策略

第一節(jié)  風(fēng)控策略概要

一、多維度數(shù)據(jù)策略規(guī)則

1、社交及短信維度規(guī)則

2、移動(dòng)設(shè)備維度規(guī)則

3、外部數(shù)據(jù)源規(guī)則

4、多維度評(píng)分卡規(guī)則

5、行為數(shù)據(jù)規(guī)則

二、風(fēng)控審批策略的類別

1、經(jīng)濟(jì)能力維度(月收入、工資流水等信息)

2、app信息維度(貸款APP安裝個(gè)數(shù)、短信命中高風(fēng)險(xiǎn)關(guān)鍵詞)

3、基本信息維度(年齡、性別、工齡等信息)

4、信用歷史(征信貸款信息、還款記錄)

5、行為表現(xiàn)(活動(dòng)軌跡、登陸時(shí)間、注冊(cè)時(shí)間等信息)

二、風(fēng)控基本量化指標(biāo)

1、FPD（首期逾期）

2、CPD（當(dāng)前逾期）

3、flow rate（遷徙率）

4、vintage（賬齡分析）

第二節(jié)  數(shù)據(jù)主流獲取方式

一、H5渠道

1、電腦端與移動(dòng)端

2、微信公眾號(hào)與小程序

二、API渠道

三、SDK渠道

四、數(shù)據(jù)的合規(guī)使用

第三節(jié)  數(shù)據(jù)分析常見場景及對(duì)應(yīng)分析方法

一、三方數(shù)據(jù)源測評(píng)

1、SR（查得率）

2、CR（覆蓋率）

3、ERR（誤據(jù)率）

4、EDR（有效差異率）

5、IDR（無效差異率）

PS：以黑名單數(shù)據(jù)源測試為例    

二、準(zhǔn)入策略的制定

1、基礎(chǔ)認(rèn)證策略

2、貸前反欺詐策略

3、黑名單策略

4、特殊名單策略

5、信用風(fēng)險(xiǎn)策略   

三、風(fēng)控白名單

1、銀行與金科公司聯(lián)合建模

2、內(nèi)部數(shù)據(jù)探索

3、外部數(shù)據(jù)匹配   

四、規(guī)則閾值cutoff的設(shè)定

1、通過評(píng)分找到風(fēng)險(xiǎn)被低估的區(qū)間

2、評(píng)估擬拒絕人群收益風(fēng)險(xiǎn)比

五、D類調(diào)優(yōu)與A類調(diào)優(yōu)案例解析

六、信用多頭策略    

七、評(píng)分策略應(yīng)用

第四節(jié)  策略規(guī)則VS數(shù)據(jù)模型

一、風(fēng)險(xiǎn)決策的架構(gòu)

1、策略規(guī)則+評(píng)分模型

2、策略規(guī)則+模型規(guī)則

二、評(píng)分模型三大盲區(qū)

1、建模數(shù)據(jù)集VS實(shí)際貸款人

2、歷史模型數(shù)據(jù)VS未來實(shí)際情況

3、目標(biāo)變量界定VS實(shí)際商業(yè)目標(biāo)

第二模塊  數(shù)據(jù)建模與模型驗(yàn)證方法

第一節(jié)  風(fēng)控模型概要

一、傳統(tǒng)信用評(píng)分模型

二、大數(shù)據(jù)信用評(píng)分模型

第二節(jié)  評(píng)分模型搭建全流程

一、A、B、C三種廣義評(píng)分模型

二、數(shù)據(jù)梳理和理解

三、數(shù)據(jù)探索分析

1、Proc Means

2、Proc Freq

3、Proc Univariate

四、定義目標(biāo)變量

1、Roll rate（滾動(dòng)率）

2、Vintage（賬齡分析）

五、樣本設(shè)計(jì)及抽取策略

六、數(shù)據(jù)清洗

七、特征衍生

八、特征變量篩選

九、模型變量分箱

十、模型擬合

十一、模型預(yù)測概率校準(zhǔn)

十二、模型違約概率誤差校準(zhǔn)

第三節(jié)  模型驗(yàn)證指標(biāo)

一、ROC/AUC

1、sklearn函數(shù)分類模型評(píng)估

2、混淆矩陣

3、AUC判斷標(biāo)準(zhǔn)

二、K-S值

1、計(jì)算KS的常見方法

2、當(dāng)KS不佳時(shí)的優(yōu)化方法

3、K-S值判別標(biāo)準(zhǔn)

三、GINI系數(shù)

四、PSI

五、AUKS

第三模塊  一鍵式智能建模

第一節(jié)   智能建模架構(gòu)與智能建模過程

一、智能建模——預(yù)測模型

1、樹相關(guān)模型

2、神經(jīng)網(wǎng)絡(luò)模型

3、回歸模型

4、GBDT

二、數(shù)據(jù)預(yù)處理

1、缺失值、離群值

2、糾偏、平滑化

3、高基數(shù)處理、衍生變量

三、智能建模過程

1、自動(dòng)識(shí)別變量類型

2、生成最佳決策樹

3、機(jī)器學(xué)習(xí)模型迭代

4、由業(yè)務(wù)人員進(jìn)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

第二節(jié)   智能建模案例解析

一、銀行個(gè)人分期違約預(yù)測案例

二、銀行小微企業(yè)信貸客戶違約預(yù)測案例

第四模塊 欺詐黑產(chǎn)與數(shù)字化反欺詐策略

第一節(jié)   欺詐黑產(chǎn)市場現(xiàn)狀

一、黑產(chǎn)數(shù)據(jù)

二、欺詐客群分布

第二節(jié)   欺詐黑產(chǎn)產(chǎn)業(yè)鏈

一、三大類型欺詐鏈

二、信貸欺詐的主要方式

三、信貸常見五大欺詐行為

第三節(jié)   黑產(chǎn)如何獲取客戶信息

一、拖庫

二、撞庫

三、洗庫

第四節(jié)   黑產(chǎn)工具與平臺(tái)

一、黑產(chǎn)如何批量制造“真實(shí)”用戶行為

二、黑產(chǎn)“真實(shí)客戶”養(yǎng)成工具

三、黑產(chǎn)如何幫客戶實(shí)現(xiàn)數(shù)據(jù)“整容”

第五節(jié)   互聯(lián)網(wǎng)貸款風(fēng)控的命門——反欺詐 

一、全面防范欺詐風(fēng)險(xiǎn)

二、反欺詐應(yīng)用數(shù)據(jù)選擇

三、反欺詐模型VS信用模型

四、反欺詐之手機(jī)設(shè)備指紋實(shí)施

五、如何構(gòu)建全流程反欺詐風(fēng)控系統(tǒng)

六、反欺詐工作落地實(shí)施方案

七、反欺詐方案調(diào)整解析

第六節(jié)   三大金融場景反欺詐策略

一、互聯(lián)網(wǎng)貸款欺詐參與方、欺詐行為及反欺詐策略 

二、信用卡欺詐參與方、欺詐行為及反欺詐策略

三、電商分期欺詐參與方、欺詐行為及反欺詐策略

第五模塊  互聯(lián)網(wǎng)貸款不良催收策略與實(shí)踐

第一節(jié)   互聯(lián)網(wǎng)貸款催收管理方法論

一、催收管理的核心競爭優(yōu)勢(shì)

二、確定金融機(jī)構(gòu)的風(fēng)險(xiǎn)偏好

三、數(shù)據(jù)分析的策略藝術(shù)

四、自動(dòng)化催收工具提高生產(chǎn)力

五、平衡催收策略對(duì)信貸規(guī)模及成本收益率的影響

第二節(jié)   催收管理的生命周期

一、國際最佳實(shí)踐中，催收各階段原則與策略

二、催收管理時(shí)間軸

三、策略性催收的核心關(guān)注要點(diǎn)

四、催收的基本原則

第三節(jié)   催收管理的體系架構(gòu)

一、將催收設(shè)計(jì)成一個(gè)綜合管理處置體系

二、催收及回款的組織架構(gòu)

三、催收的流程、策略及差異化管理

第四節(jié)   催收管理的策略實(shí)踐

一、模型開發(fā)方法論——基于決策樹模型的策略開發(fā)

二、策略設(shè)計(jì)方法論——結(jié)合數(shù)據(jù)驅(qū)動(dòng)與評(píng)分卡

三、滾動(dòng)率模型與冠軍挑戰(zhàn)者策略

四、智能催收機(jī)器人在催收中的應(yīng)用