SAS金融數(shù)據(jù)挖掘與建模：系統(tǒng)方法與案例解析

定　價：￥59.00

作　者：	陳春寶徐筱剛田建中著
出版社：	機械工業(yè)出版社
叢編項：	SAS大學技術(shù)叢書
標　簽：	計算機/網(wǎng)絡數(shù)據(jù)庫數(shù)據(jù)庫理論

購買這本書可以去

ISBN：	9787111580478	出版時間：	2017-10-01	包裝：	平裝
開本：	16開	頁數(shù)：	208	字數(shù)：

內(nèi)容簡介

　　本書以客戶生命周期管理為主線，結(jié)合翔實的案例介紹具含金量的數(shù)據(jù)挖掘與建模方法，每個案例既自成體系又前后呼應。第1章介紹數(shù)據(jù)挖掘在客戶生命周期管理中的應用，對如何構(gòu)建客戶標簽體系和客戶畫像做了詳細介紹。第2章結(jié)合一個市場研究案例，介紹完整的客戶洞察分析過程，對對應分析、偏好分析、聯(lián)合分析等簡單好用的客戶研究方法做了完美闡釋。第3章結(jié)合信用卡客戶細分介紹完整的聚類過程，除快速、系統(tǒng)、兩步聚類算法外，詳細介紹實際分析過程中必不可少的數(shù)據(jù)預處理過程。第4章結(jié)合信用卡客戶精準營銷案例，介紹營銷響應模型的構(gòu)建、評估與應用，完整闡述模型的整個生命周期。第5章結(jié)合信用卡客戶流失預警與挽留案例，介紹客戶價值（數(shù)值）預測與流失傾向（事件）預測兩類問題的建模過程及組合應用。第6章結(jié)合信用卡客戶反欺詐案例，介紹目前常用的反欺詐方法，以及機器學習中集成算法的典范——隨機森林。

作者簡介

　　SAS公司介紹 SAS是全球大的軟件公司之一，是全球商業(yè)智能和分析軟件與服務領(lǐng)袖。自1976年成立以來，公司收入和利潤穩(wěn)步提高，憑借雄厚的資源，公司在產(chǎn)品開發(fā)和客戶支持方面不斷取得新的成功。全球120個國家的50，000多家客戶都在采用SAS解決方案，其中包括《財富》全球500強企業(yè)前100家企業(yè)中的93家。SAS一直向全球客戶提供 THE POWER TO KNOW 。經(jīng)營范圍是商業(yè)智能和分析軟件及解決方案、智能領(lǐng)域?qū)I(yè)咨詢服務、基于SAS解決方案的專業(yè)培訓和技術(shù)支持等。翟祥介紹中國人民大學統(tǒng)計學博士，現(xiàn)任教于北京林業(yè)大學統(tǒng)計系，副教授，兼任多家咨詢公司研究員，有扎實的統(tǒng)計理論知識，熟悉各種統(tǒng)計理論、模型和各種統(tǒng)計軟件系統(tǒng)，常年擔任SAS、spss等公司培訓講師。主要研究方向為統(tǒng)計學理論和數(shù)據(jù)挖掘，擔任國際知名的統(tǒng)計軟件公司sas的咨詢顧問和講師，同時，擔任咨詢公司埃森哲、IMS的顧問，國家開發(fā)銀行數(shù)據(jù)挖掘?qū)＜业?。主持專項課題4個，企業(yè)橫向課題若干。大量涉獵有關(guān)數(shù)據(jù)挖掘的知識，對現(xiàn)代數(shù)據(jù)挖掘技術(shù)有較深的了解，并有豐富實踐經(jīng)驗。熟悉金融學中常用的各種模型以及理論，包括各種機理模型和經(jīng)驗模型。對于金融數(shù)據(jù)的分析，有扎實的基礎(chǔ)知識，熟悉風險管理理論，通曉各種風險測量技術(shù)以及風險理論。通曉各種對于不同類型數(shù)據(jù)的統(tǒng)計模型，對于市場研究有比較豐富的經(jīng)驗，在抽樣技術(shù)、滿意度研究、廣告評估、消費偏好及相關(guān)營銷策劃的頗有心得。

圖書目錄

Contents?目　　錄
贊譽
序
前言
第1章　金融數(shù)據(jù)挖掘與建模應用場景 1
1.1　客戶數(shù)據(jù)挖掘的價值 1
1.2　金融客戶生命周期及數(shù)據(jù)應用場景 3
1.3　最具代表性的數(shù)據(jù)應用場景 7
第2章　客戶獲?。盒庞每蛻羝墼p評分案例 8
2.1　案例背景 9
2.2　數(shù)據(jù)準備與預處理 10
2.2.1　數(shù)據(jù)源 10
2.2.2　變量設計 11
2.3　構(gòu)建評分模型 13
2.3.1　算法選擇 13
2.3.2　模型訓練 14
2.3.3　模型評估 16
2.4　評分模型的應用 19
2.5　小結(jié) 20
第3章　客戶提升：信用卡客戶精準營銷案例 21
3.1　案例背景 21
3.2　建模準備 21
3.2.1　準備數(shù)據(jù) 22
3.2.2　數(shù)據(jù)預處理 26
3.2.3　過度抽樣 27
3.2.4　構(gòu)造訓練集及測試集 30
3.3　數(shù)據(jù)清洗及變量粗篩 32
3.3.1　連續(xù)變量與連續(xù)變量之間 33
3.3.2　分類變量和分類變量之間 39
3.3.3　分類變量和連續(xù)變量之間 43
3.3.4　數(shù)據(jù)的錯誤及缺失值 47
3.3.5　數(shù)據(jù)離群值 53
3.3.6　重編碼 59
3.4　變量壓縮與轉(zhuǎn)換變量 61
3.4.1　分類變量的水平數(shù)壓縮 61
3.4.2　連續(xù)變量聚類 65
3.4.3　連續(xù)變量的分箱 77
3.4.4　變量的轉(zhuǎn)換 79
3.5　模型訓練 80
3.5.1　關(guān)于Logistic回歸 80
3.5.2　變量篩選方法 81
3.6　模型評估 88
3.6.1　模型估計 88
3.6.2　模型評估 89
3.6.3　調(diào)整過度抽樣 98
3.6.4　收益矩陣 98
3.6.5　模型轉(zhuǎn)換為打分卡 100
3.7　模型的部署及更新 100
3.7.1　模型的部署 100
3.7.2　模型的監(jiān)測及更新 101
3.8　本章小結(jié) 103
第4章　客戶成熟：銀行零售客戶渠道偏好細分案例 104
4.1　案例背景 104
4.2　聚類分析流程 105
4.3　數(shù)據(jù)標準化 107
4.3.1　標準化介紹 107
4.3.2　標準化實現(xiàn) 110
4.4　變量聚類 111
4.4.1　變量聚類介紹 111
4.4.2　變量聚類基本步驟 112
4.4.3　SAS實現(xiàn)變量聚類 113
4.5　變量降維與可視化 118
4.5.1　圖形化探索 118
4.5.2　主成分分析法降維 120
4.6　ACECLUS預處理過程 123
4.6.1　ACECLUS介紹 123
4.6.2　ACECLUS過程 123
4.6.3　ACECLUS示例 123
4.7　系統(tǒng)聚類分析 128
4.7.1　系統(tǒng)聚類法 128
4.7.2　樣本與樣本之間的度量 129
4.7.3　距離定義與測量 129
4.7.4　相關(guān)系數(shù) 131
4.7.5　類與類之間的度量 131
4.7.6　系統(tǒng)聚類法 139
4.7.7　不同系統(tǒng)聚類法之間的比較 140
4.7.8　類個數(shù)的確定 158
4.8　快速聚類 159
4.8.1　快速聚類法 159
4.8.2　快速聚類法實現(xiàn) 160
4.8.3　快速聚類法優(yōu)缺點 161
4.9　兩步聚類法 161
4.9.1　兩步聚類法 161
4.9.2　兩步聚類法實現(xiàn) 161
4.10　本章小結(jié) 167
第5章　客戶衰退：銀行貸款違約預測案例 168
5.1　案例背景 169
5.2　維度分析 170
5.3　建模分析 177
5.4　業(yè)務應用 179
5.5　小結(jié) 179
第6章　客戶挽留：信用卡客戶流失管理案例 180
6.1　案例背景 181
6.2　數(shù)據(jù)準備 182
6.2.1　設定目標變量 182
6.2.2　設定時間窗 183
6.2.3　設計預測變量 184
6.2.4　準備數(shù)據(jù)寬表 185
6.3　流失傾向預警：用Logistic回歸構(gòu)建響應率模型 186
6.3.1　粗分類 187
6.3.2　計算分組變量的WOE值和IV值 191
6.3.3　共線性檢驗 194
6.3.4　模型訓練：顯著性檢驗 195
6.3.5　模型評估 196
6.4　潛在客戶價值預測：兩階段建模法 201
6.4.1　階段1概率預測 201
6.4.2　階段2 數(shù)值預測 201
6.4.3　模型評估 203
6.5　細分：差異化營銷服務的基礎(chǔ) 204
6.6　小結(jié) 208