第一模块 风控策略
第一节 风控策略概要
一、多维度数据策略规则
1、社交及短信维度规则
2、移动设备维度规则
3、外部数据源规则
4、多维度评分卡规则
5、行为数据规则
二、风控审批策略的类别
1、经济能力维度(月收入、工资流水等信息)
2、app信息维度(贷款APP安装个数、短信命中高风险关键词)
3、基本信息维度(年龄、性别、工龄等信息)
4、信用历史(征信贷款信息、还款记录)
5、行为表现(活动轨迹、登陆时间、注册时间等信息)
二、风控基本量化指标
1、FPD（首期逾期）
2、CPD（当前逾期）
3、flow rate（迁徙率）
4、vintage（账龄分析）
第二节 数据主流获取方式
一、H5渠道
1、电脑端与移动端
2、微信公众号与小程序
二、API渠道
三、SDK渠道
四、数据的合规使用
第三节 数据分析常见场景及对应分析方法
一、三方数据源测评
1、SR（查得率）
2、CR（覆盖率）
3、ERR（误据率）
4、EDR（有效差异率）
5、IDR（无效差异率）
PS：以黑名单数据源测试为例
二、准入策略的制定
1、基础认证策略
2、贷前反欺诈策略
3、黑名单策略
4、特殊名单策略
5、信用风险策略
三、风控白名单
1、银行与金科公司联合建模
2、内部数据探索
3、外部数据匹配
四、规则阈值cutoff的设定
1、通过评分找到风险被低估的区间
2、评估拟拒绝人群收益风险比
五、D类调优与A类调优案例解析
六、信用多头策略
七、评分策略应用
第四节 策略规则VS数据模型
一、风险决策的架构
1、策略规则+评分模型
2、策略规则+模型规则
二、评分模型三大盲区
1、建模数据集VS实际贷款人
2、历史模型数据VS未来实际情况
3、目标变量界定VS实际商业目标
第二模块 数据建模与模型验证方法
第一节 风控模型概要
一、传统信用评分模型
二、大数据信用评分模型
第二节 评分模型搭建全流程
一、A、B、C三种广义评分模型
二、数据梳理和理解
三、数据探索分析
1、Proc Means
2、Proc Freq
3、ProcUnivariate
四、定义目标变量
1、Rollrate（滚动率）
2、Vintage（账龄分析）
五、样本设计及抽取策略
六、数据清洗
七、特征衍生
八、特征变量筛选
九、模型变量分箱
十、模型拟合
十一、模型预测概率校准
十二、模型违约概率误差校准
第三节 模型验证指标
一、ROC/AUC
1、sklearn函数分类模型评估
2、混淆矩阵
3、AUC判断标准
二、K-S值
1、计算KS的常见方法
2、当KS不佳时的优化方法
3、K-S值判别标准
三、GINI系数
四、PSI
五、AUKS
第三模块 一键式智能建模
第一节智能建模架构与智能建模过程
一、智能建模——预测模型
1、树相关模型
2、神经网络模型
3、回归模型
4、GBDT
二、数据预处理
1、缺失值、离群值
2、纠偏、平滑化
3、高基数处理、衍生变量
三、智能建模过程
1、自动识别变量类型
2、生成最佳决策树
3、机器学习模型迭代
4、由业务人员进行的策略管理
5、智能化策略部署
四、Sas建模流程VS智能建模流程
第二节智能建模案例解析
一、银行个人分期违约预测案例
二、银行小微企业信贷客户违约预测案例
第四模块 欺诈黑产与数字化反欺诈策略
第一节欺诈黑产市场现状
一、黑产数据
二、欺诈客群分布
第二节欺诈黑产产业链
一、三大类型欺诈链
二、信贷欺诈的主要方式
三、信贷常见五大欺诈行为
第三节黑产如何获取客户信息
一、拖库
二、撞库
三、洗库
第四节黑产工具与平台
一、黑产如何批量制造“真实”用户行为
二、黑产“真实客户”养成工具
三、黑产如何帮客户实现数据“整容”
第五节互联网贷款风控的命门——反欺诈
一、全面防范欺诈风险
二、反欺诈应用数据选择
三、反欺诈模型VS信用模型
四、反欺诈之手机设备指纹实施
五、如何构建全流程反欺诈风控系统
六、反欺诈工作落地实施方案
七、反欺诈方案调整解析
第六节三大金融场景反欺诈策略
一、互联网贷款欺诈参与方、欺诈行为及反欺诈策略
二、信用卡欺诈参与方、欺诈行为及反欺诈策略
三、电商分期欺诈参与方、欺诈行为及反欺诈策略
第五模块 互联网贷款不良催收策略与实践
第一节互联网贷款催收管理方法论
一、催收管理的核心竞争优势
二、确定金融机构的风险偏好
三、数据分析的策略艺术
四、自动化催收工具提高生产力
五、平衡催收策略对信贷规模及成本收益率的影响
第二节催收管理的生命周期
一、国际最佳实践中，催收各阶段原则与策略
二、催收管理时间轴
三、策略性催收的核心关注要点
四、催收的基本原则
第三节催收管理的体系架构
一、将催收设计成一个综合管理处置体系
二、催收及回款的组织架构
三、催收的流程、策略及差异化管理
第四节催收管理的策略实践
一、模型开发方法论——基于决策树模型的策略开发
二、策略设计方法论——结合数据驱动与评分卡
三、滚动率模型与冠军挑战者策略
四、智能催收机器人在催收中的应用
