k8凯发集团PYTHON数据分析与金融数字化转型精英训练营:未来的企业中不存在盲目执行的人,也不存在仅发号施令的人。传统企业中的管理者将逐渐转变为赋能者。将自身的知识赋能给流程决策系统,这样业务运营才可以实现智能化;将自身的知识赋能给组织,这样所在组织才可以良性发展,处于领先地位。在市场变革中只有勇于突破自身、勇于拓展,才可以立于不败之地。本次课程不仅是讲如何发现业务问题、整理数据、建立模型、编写报告、构建业务应用数字化解决方案。而是力图为金融从业者提供个人数字化转型的解决方案,转型成为组织内部数字化赋能者。
本课程是1+2的结构,前面的“1”是能力体系建设,包括数据化工作流程以及涉及的主要数字化工具,学习完本课程将可以全面掌握指标监控体系的设计和可视化、业务分析报告的编写、数据挖掘项目实施和报告的技能。后者的“2”是数字化应用领域,包括客群运营、风险管控。数字化能力是一个整体,两个方面的数据应用场景都需要涉及到该领域的数据业务洞察、数据产品研发、数据治理、商业洞察和在大数据系统上落地。
未来的企业中不存在盲目执行的人,也不存在仅发号施令的人。传统企业中的管理者将逐渐转变为赋能者。将自身的知识赋能给流程决策系统,这样业务运营才可以实现智能化;将自身的知识赋能给组织,这样所在组织可以良性发展,处于领先地位。在市场变革中只有勇于突破自身、勇于拓展,才可以立于不败之地。本次课程不仅是讲如何发现业务问题、整理数据、建立模型、编写报告、构建业务应用数字化解决方案。而是力图为金融从业者提供个人数字化转型的解决方案,转型成为组织内部数字化赋能者。
全球著名管理咨询公司麦肯锡报告指出,预计2020年中国将成为仅次于美国的全球规模第二大的零售银行市场,新形势下得零售者得天下。随着移动互联技术、大数据技术、人工智能技术的日益成熟和深度运用,未来银行将呈现“五化”:入口场景化、运营数字化、风控智能化、人才跨界化、服务普惠化。
本课程内容上,主要从“道”、“术”、“器”三个层面,分为;理论篇、实现篇和工具篇
1、理论篇,主要介绍从旧的4P理论到新的4P理论演变,以及数字化运营和数字化营销的理论和概念及其在银行业的实践; 2、实现篇,主要介绍三大策略:一是基于NES的客群运营监控、二是数字化的营销体系(模型、标签和CRM系统等)、三是数字化的营销闭环。 3、工具篇,着重通过案例,介绍具体算法在数字化运营中的应用。
本课程以当前国内崛起的消费金融,互联网金融为主要场景,介绍消费金融在贷前、贷中、贷后流程中信用风险管理中的数据应用,力图在深入实际场景的基础上为学员提供全面的数据驱动的风险管理知识,课程围绕信贷场景中贷前、贷中、贷后三个板块,通过介绍相关业务背景,结合实际的的风控需求,以讲解与案例的形式介绍数据分析、数据挖掘应用。
近年来随着金融风控案件的频发和监管部门政策的不断收紧,提升机构风控能力以降低内外部风险已成为众多银行和其他金融机构工作的的重中之重。作为新巴赛尔协议中三种风险之一,操作风险包含常见的反欺诈、反洗钱、反舞弊等场景。综合运用多种手段,针对这“三反”场景进行风险治理防控,成为当前众多金融机构开展工作的重要抓手。
在2天的课程中,首先会对操作风险的概念和常见子场景进行剖析,力求让学员对操作风险有清晰完整的认识。紧接着介绍为应对操作风险,应该建设怎样的防控体系,并从制度、人才、数据、技术等角度进行剖析。尤其在技术手段这个环节中,会就操作风险的机器学习建模面临的几大问题和解决方案进行重点介绍。在一天半的在实战案例环节,安排了反信用卡盗刷欺诈、反洗钱、反营销薅羊毛这三个典型的Python建模案例,力求通过案例强化风控建模常见流程、覆盖建模技术难点,切实提升学员的风控建模实战能力。
01章必要的开端--Python基础01-01Python编程基础知识:成为Python高手之前必备基础知识01-02Python编程基础知识:数据分析的武器库与分析工具Python介绍01-03Python编程基础知识:Python的基本数据类型和数据结构01-04Python编程基础知识:Python的程序控制01-05Python编程基础知识:Python的函数与模块01-06Python编程基础知识:Python日期和时间处理01-07Python编程基础知识:Python字符串处理与正则表达式01-08Python编程基础知识:Python异常处理和文件操作01-09Python编程基础知识:作业练习-基于Python的函数创建与商业实操文件操作02章数据人才必备技能--Python进行数据清洗02-01Numpy中的数据类型--ndarray数组的创建02-02Numpy数组基础:索引、切片、变形、分裂02-03Numpy数组运算:通用函数02-04Numpy数组变形、拼接02-05Numpy数组计算:广播、聚合、比较和掩码、数组排序02-06Pandas对象简介:Series、Dataframe、Index02-07Pandas数据加载与存储02-08Pandas数值运算方法:通用函数、聚合函数、遍历02-09Panda层次化索引02-10Pandas数据处理:数据类型转换、缺失值处理、字符串转换02-11Pandas数据表的合并与连接02-12Pandas数据的累计与分组02-13高性能Pandas:query()、eval()实现高性能运算02-14Pandas数据规整化:清理、转换、合并、重塑02-15Pandas时间序列&金融数据处理02-16实战案例:基于pandas-SQL世界银行各国家发展指标及GDP变化趋势探索性分析02-17作业练习:USDA食品数据清洗02-18如何成为一名优秀的数据分析师02-19使用Python读取数据:CSV文件、JSON数据、XML数据02-20数据的获取与存储:数据的不平等性、真实性、可读性、清洁度等02-21数据探索:埃博拉病毒危机、列车安全数据、童工数据02-22数据清洗探索:找出要清洗的数据、数据格式化、找出离群值和不良数据、找出重复数据、模糊匹配、正则匹配等02-23数据清洗探索:标准化和脚本化(数据归一化和标准化、找到适合项目的数据清洗方法、数据清洗脚本化、用新数据测试)02-24数据探索和分析:数据探索(表函数探索、连接多个数据集、找出离群值、创建分组)02-25数据探索与分析:分离和聚焦数据、描述结论、书写报告文档02-26Pandas时间序列&金融数据处理02-27实战案例1:视频网站数据清洗整理和结论研究02-28实战案例2:教育领域学员学习质量数据化监控-清洗与可视化02-29实战案例3:基于数据清洗的知乎用户画像探索02-30作业练习:国外电商用户购买信息的数据处理与探索03章Python机器学习实战03-01Python机器学习实战-Part1:准备工作-开发环境配置03-02Python机器学习实战-Part1:机器学习基本概念和名词说明03-03Python机器学习实战-Part1:scikit-learn入门-Scikit-Learn库简介03-04Python机器学习实战-Part1:模型建立的基本思路03-05Python机器学习实战-Part1:KNN算法原理基础及实现03-06Python机器学习实战-Part1:模型优化-学习曲线Python机器学习实战-Part1:补充理论-距离类模型的相关讨论03-08Python机器学习实战-Part1:模型评价与总结03-09Python机器学习实战-Part1:决策树算法的基本原理03-10Python机器学习实战-Part1:决策树算法的scikit-learn实现03-11Python机器学习实战-Part1:分类模型的评估指标-混淆矩阵03-12Python机器学习实战-Part1:实战案例-泰坦尼克号幸存者的预测03-13Python机器学习实战-Part1:过拟合和欠拟合03-14Python机器学习实战-Part1:决策树算法的优点和缺点03-15Python机器学习实战-Part1:作业练习-IBM Waston Analytics员工离职核心因素挖掘与分析03-16Python机器学习实战-Part2:随机森林概述-集成算法概述Bagging vs Boosting03-17Python机器学习实战-Part2:随机森林分类器和回归器实现03-18Python机器学习实战-Part2:机器学习中调参的基本思想03-19Python机器学习实战-Part2:调参应用:随机森林在乳腺癌数据上的调参03-20Python机器学习实战-Part2:聚类算法概述03-21Python机器学习实战-Part2:KMeans算法的概述和理论基础03-22Python机器学习实战-Part2:Kmeans算法的scikit-learn实现03-23Python机器学习实战-Part2:Kmeans矢量化应用-降维03-24Python机器学习实战-Part2:关联规则算法概述-频繁项集的产生与关联发现03-25Python机器学习实战-Part2:Apriori算法原理-先验原理03-26Python机器学习实战-Part2:使用Apriori算法来发现频繁项集03-27Python机器学习实战-Part2:作业练习-使用聚类分析做客户画像分析03-28Python机器学习实战-Part3:线Python机器学习实战-Part3:多元线性回归模型的构建03-30Python机器学习实战-Part3:回归类模型评估指标-精准性、拟合性03-31Python机器学习实战-Part3:多重共线性与岭回归、Lasso回归03-32Python机器学习实战-Part3:非线性问题及其处理方法03-33Python机器学习实战-Part3:多项式回归模型03-34Python机器学习实战-Part3:逻辑回归的概述-模型参数、sigmoid参数、逻辑回归的返回值解析03-35Python机器学习实战-Part3:逻辑回归的特点-模型拟合效果、计算速度、返回值的可解释性03-36Python机器学习实战-Part3:逻辑回归的构建与优化03-37Python机器学习实战-Part3:作业练习-零售业交叉销售模型建置03-38Python机器学习实战-Part4:SVM概述-SVM工作原理03-39Python机器学习实战-Part4:SVM模型构建-线性SVM和非线Python机器学习实战-Part4:ROC曲线Python机器学习实战-Part4:概率与阈值03-42Python机器学习实战-Part4:SVM概率预测评估-predict_proba、decision_function03-43Python机器学习实战-Part4:绘制SVM的ROC曲线Python机器学习实战-Part4:ROC曲线Python机器学习实战-Part4:利用ROC曲线Python机器学习实战-Part4:朴素贝叶斯概述03-47Python机器学习实战-Part4:朴素贝叶斯模型分类:高斯朴素贝叶斯、多项式朴素贝叶斯03-48Python机器学习实战-Part4:实战-运用朴素贝叶斯做文本分类03-50Python机器学习实战-Part4:作业练习-运用朴素贝叶斯做文本分类04章数据产品开发方法和工具04-01数据化业务工作流程:数字化工作的场景和流程04-02数据化业务工作流程:数字化工作的工具和保障机制04-03敏捷数据产品开发:工具和度量04-04敏捷数据产品开发:市场研究和调研方法04-05敏捷数据产品开发:数据产品流程(编写工作计划,产品愿景对齐,用户画像,需求分析工具,原型设计,技术方案设计,交付计划,最终报告展示)04-06敏捷数据产品开发:数据产品生命周期管理04-07银行指标体系建设:同业数据标准建设案例04-08银行指标体系建设:指标体系总体概述04-09银行指标体系建设:银行指标库设计(指标库,维度库和维度树,核心指标逐层分解法)04-10银行指标体系建设:指标的可视化展示04-11根因分析工具:定性分析法:内外部因素分析04-12根因分析工具:定量分析法(分群画像,漏斗洞察,留存分析)04-13根因分析工具:行为轨迹04-14数据挖掘应用工具:决策类模型(细分画像,获客营销,保留提升,信用评分)04-15数据挖掘应用工具:识别类模型(申请欺诈,违规识别)04-16数据挖掘应用工具:预测和最优化分析(趋势预测,运营优化)05章智能客群运营05-01智能客户运营理论:数字化运营理论-发现问题05-02智能客户运营理论:数字化营销理论-解决问题05-03智能客户运营理论:数字化运营和数字化营销一体化05-04智能客户运营实现体系:基于NES的客群运营监控05-05智能客户运营实现体系:数字化的营销体系(模型库、标签库和CRM系统等)05-06智能客户运营实现体系:数字化的营销闭环05-07聚类分析及其在银行中的应用:聚类分析05-08聚类分析及其在银行中的应用:K-means聚类05-09聚类分析及其在银行中的应用:层级聚类05-10聚类分析及其在银行中的应用:谱聚类05-11聚类分析及其在银行中的应用:聚类分析及其在银行中的实践05-12推荐算法及其在银行中的应用:关联规则算法05-13推荐算法及其在银行中的应用:协同过滤算法05-14推荐算法及其在银行中的应用:产品推荐应用05-15推荐算法及其在银行中的应用:银行产品推荐架构05-16社区发现算法在银行中的应用:图论基本概念和实现05-17社区发现算法在银行中的应用:社区发现算法05-18社区发现算法在银行中的应用:银行交易圈及其营销应用06章智能风险管控06-01综述部分:消费信贷全生命周期风险管理06-02综述部分:消费信贷常见产品及基本要素(消费信贷概念,消费信贷参与主体,常见消费信贷产品,产品风险点)06-03综述部分:ABC卡介绍(ABC评分卡介绍与特点,在消费信贷风险管理中的应用)06-04贷前、贷中风控模型:自动化信贷审批(自动化贷款审批基本框架)06-05贷前、贷中风控模型:贷款人识别(生物识别与身份验证技术,在审批流程中的应用)06-06贷前、贷中风控模型:信贷准入(监管性准入,政策性准入,黑名单性准入)06-07贷前、贷中风控模型:信贷规则(组合策略)06-08贷前、贷中风控模型:申请信用评分卡(业务理解,数据获取,构建模型)06-09贷前、贷中风控模型:授信定价(基于风险的差异化定价,定价策略)06-10贷前、贷中风控模型:申请阶段的数据监控(申请信息监控,策略监控,模型监控,贷款质量监控)06-11贷后风控模型:行为评分卡(业务理解,数据获取,构建模型)06-12贷后风控模型:额度管理(风险差异化的额度调整策略,续贷客户额度策略)06-13贷后风控模型:还款预警06-14催收策略模型:催收评分卡(业务理解,数据获取,构建模型)06-15催收策略模型:催收策略(基于催收评分卡的不同阶段的催收策略)06-16反欺诈模型:申请反欺诈模型(异常特征提取,复杂网络特征提取,构建识别模型)06-17反欺诈模型:交易反欺诈模型(问题和标签不平衡问题,构建识别模型)硬核服务朝九晚九全程跟班答疑助教线上服务时间由原先的上课期间答疑调整为课程持续期间答疑,包括中途休息时间;同时,每日答疑时间由原先的“朝九晚六”调整为“朝九晚九”,全面覆盖同学晚自习时间。一对一督学每个班级、每位同学、每月都会进行至少一次一对一辅导,询问同学学习状态、解决学员学习问题;同时,针对每个模块测试结果后10%的学员进行额外辅导,以确保学员能够跟上学习进度。定期直播串讲对于重难点知识和同学普遍反应的问题,助教将进行每周1-2次的晚自习串讲,串讲时常为2小时左右,且相关内容需要重新制作、有别于课程内容,帮助同学攻克重难点知识。有问必答助教线上服务要求有问必答,并能真正做到解决所有课程中遇到的问题。在原先每个班一个助教+一个班主任的配置下,调整为每个班2名助教+项目服务团队的模式,以确保快速、高质量的解决线上提问。
北京大学会计学博士,ThoughtWorks中国金融首席数据科学家,中国大数据产业生态联盟专家委员会委员,反洗钱模型专家
具有15年金融、互联网行业数据科学实施和咨询服务经验。曾任毕马威大数据咨询副总监、某消金公司数据部高级经理、百度大数据算法工程师。著有《Python数据科学:技术详解与商业实践》等三本数据科学图书。
“CDA数据分析师认证”是一套科学化,专业化,国际化的人才考核标准,共分为CDA LEVELⅠ ,LEVEL Ⅱ,LEVEL Ⅲ三个等级,涉及行业包括互联网、金融、咨询、电信、零售、医疗、旅游等,涉及岗位包括大数据、数据分析、市场、产品、运营、咨询、投资等。该标准符合当今全球数据科学技术潮流,可以为各行业企业和机构提供数据人才参照标准。
CDA LEVEL II企业数字化发展中必备的数据分析流程与技能面向范围产品、运营、营销等业务部门与研发、中台、技术类部门数据分析相关岗位在职者
考试报名CDA LEVEL III企业数字化发展中必备的高级数据分析方法与技术面向范围业务岗与技术岗从事数据分析、数据挖掘、机器学习等技术在职提升者
EXAMCDA认证报考开放化CDA认证LEVELⅠ 对于考生的学历、专业、技能等没有限制性报考条件,在与全球计算机化考试服务商Pearson VUE达成深度合作后LEVELⅠ更是随报随考机制。
CDA持证人自动纳入为CDA会员并享有系列特殊权益。证书皆绑定考生真实身份,可在CDA认证考试中心查询,证书确保唯一性与防伪性,持证人还可获得电子徽章,加入到Linkedin个人档案中。证书三年审核一次,保证持证人的实力与权益。
吸纳为CDA Institute、CDA数据分析师俱乐部会员,活动中具有优先报名参与权
A:课程分远程直播课和线上自由学习课程,远程班采取线上直播 + 录播视频 + 线上答疑,不受地域限制,录播视频及线上自由学习课程同学可以自主安排时间学习视频。
A:直播周末培训,共计9周,共18天,每天9:00-16:30,线周。
A: 首先,我们有一次免费学习的机会,如果还是学不会,授课老师会和学生面谈,发现问题所在,并让老师给出学习建议,查缺补漏,可以再跟着免费学一期。目前咱们还没有出现过这样的情况,对于学员来讲都是想尽快掌握技术能够运用到工作中。此外,课程均赠送全套录播视频,有效期2年,方便学员反复观看巩固,稳扎稳打学会全部课程。
A:参加课程学员可自愿参加CDA LEVEL II建模分析师等级考试,考试合格获得由经管之家颁发《CDA数据分析师证书》。同时可自愿申请工信部《数据分析师证书》-高级。