零售金融：数据化用户经营方法、工具与实践
| 作者 |
| 雷健雄 王黎理 |
| 丛书名 |
| 出版社 |
| 机械工业出版社 |
| ISBN |
| 9787111641193 |
| 简要 |
| 简介 |
| 内容简介书籍经济管理学书籍 本书以如何更好地“了解你的用户”（KYC）为主轴，按照金融机构和用户形成关系的发展顺序及用户生命周期的时间顺序，详细解析了消费信贷业务在用户经营管理上想要取得成功的秘诀。本书详细阐述了数据驱动在了解用户、制定策略过程中的价值和应用，介绍了在信贷用户经营过程中用到的各类大数据分析方法、常用的机器学习算法、预测模型的开发及管理流程，还着重介绍了经营过程中各个阶段所涉及的策略开发及其背后的逻辑思维，包括潜在用户挖掘、用户开发策略、授信准入、风险定价、风险管理、反欺诈、额度管理、授权交易管理、用户促活、用户留存、用户交互、贷后催收、合规管理、反洗钱以及用户服务等。 本书贴近真实场景，兼具权威性与前瞻性，是广泛适用的普及读物，适合对大数据驱动业务感兴趣的企业高管、决策者、创业者、数据分析师、风险管理者、产品经理以及相关专业的学生等，还可以为中国日益兴起的互联网金融及直销银行的数据化运营提供借鉴。 |
| 目录 |
| 赞 誉 推荐序 序言一 序言二 致 谢 第1章 消费信贷行业的创新与数据驱动/1 1.1 消费信贷行业简述/1 1.2 大数据背景下消费信贷行业的创新/3 1.3 消费信贷业务要以用户经营为中心/6 1.4 KYC的重要性/9 1.5 大数据思维的本质/11 1.6 讨论：数据驱动文化的建立和组织架构设计/19 第2章 新用户获取及用户分群的策略设计/24 2.1 潜在用户挖掘：内部名单和外部名单/25 2.2 用户分群以及激活响应排序/26 2.3 新用户获取策略的设计和效果监控/36 2.4 新手礼包的设计与效果监控/40 2.5 用户分群的定性分析思路探讨/41 2.6 RFM用户分群分析方法/44 2.7 案例1：年轻持卡用户分群策略及效果分析/46 2.8 案例2：数据驱动App获取用户的新思路/49 第3章 用户准入和授信/53 3.1 授信数据来源/54 3.2 授信风险评估：申请评分卡/59 3.3 申请欺诈的识别/65 3.4 信用额度优化：授信及初始额度策略/67 3.5 差异化风险定价/68 3.6 观察期、表现期基本流程/69 3.7 FICO信用分介绍/71 3.8 案例：Python环境下的评分卡构建过程/73 第4章 存量用户的经营策略/82 4.1 存量用户生命周期管理的方法及划分依据/82 4.2 新用户成长期策略思路/86 4.3 成熟期用户的经营策略思路/88 4.4 衰退期用户的监控及对策/91 4.5 流失期用户的二次召回/93 4.6 存量用户的价值提升策略/95 4.7 存量用户的额度管理和定价策略/98 4.8 存量用户经营效果的监控/100 4.9 用户画像的构建及验证方法探讨/101 4.10 案例1：“母婴用户”标签预测模型的探索/105 4.11 案例2：账单分期用户的经营思路探究/111 第5章 用户生命价值的计量/118 5.1 用户生命价值体系框架概述/119 5.2 衡量用户当前价值/121 5.3 衡量用户潜在价值/137 5.4 结论/138 5.5 案例：信用卡用户生命价值的评估/139 第6章 贷中授权交易策略详解/141 6.1 授权交易的定义和决策范围/142 6.2 授权交易的具体策略/143 6.3 授权交易的额度设定/146 6.4 授权交易策略的验证/147 6.5 授权交易策略的部署/147 6.6 授权交易补充策略/147 6.7 案例：授权交易策略的冠军挑战赛/148 第7章 贷后催收的新思维/150 7.1 突破传统催收策略的逻辑思维/150 7.2 利用大数据分析让催收成为一种竞争优势/155 7.3 催收分析能力转型的要点及方向/156 7.4 案例：机器学习提升催收效率/157 第8章 数据挖掘与用户服务/161 8.1 大数据正在改变用户服务的不同方面/162 8.2 大数据技术的具体应用/163 8.3 案例：利用文本挖掘发现用户的真实需求和用户的态度/165 第9章 大数据提升反洗钱效率/169 9.1 反洗钱合规面临的问题/169 9.2 大数据，大挑战/170 9.3 大数据技术驱动变革/171 9.4 金融机构的实践/172 9.5 案例：用机器学习模型判断用户风险等级并解决样本数据不平衡问题/176 第10章 数据驱动的工具箱：数据挖掘和常用建模方法概述/182 10.1 数据分析能力的进阶/183 10.2 模型开发的基本流程/184 10.3 数据收集和假设检验/189 10.4 因子分析/主成分分析/196 10.5 决策树/205 10.6 随机森林算法/210 10.7 梯度提升决策树/215 10.8 贝叶斯分类/223 10.9 支持向量机/227 10.10 聚类分析/230 10.11 线性回归和逻辑回归/235 10.12 推荐算法/243 10.13 神经网络/248 10.14 社交网络分析/256 10.15 文本挖掘/259 10.16 讨论：模型的解释性VS.模型的准确性/268 第11章 模型的评审、验证和生命周期管理/276 11.1 模型管理的全流程/276 11.2 模型管理系统/277 11.3 模型风险等级/278 11.4 模型检查的时间点/279 11.5 模型验证数据库/279 11.6 模型文档/280 11.7 模型生命周期管理/281 11.8 讨论：模型验证团队的架构设计/282 第12章 大数据：用户忠诚度计划背后的秘密武器/283 12.1 引言/283 12.2 构建用户激励体系，陪伴用户成长/284 12.3 用户忠诚度的衡量方法及评价标准/289 12.4 案例：世界十大零售银行用户忠诚度计划简介/292 参考文献/300 |
有问题微信扫码联系