SAS金融数据挖掘与建模：系统方法与案例解析

图书标准信息

• 作者 陈春宝 徐筱刚 田建中 著
• 出版社 机械工业出版社
• 出版时间 2017-10
• 版次 1
• ISBN 9787111580478
• 定价 59.00元
• 装帧 平装
• 开本 16开
• 纸张 胶版纸
• 页数 208页
• 丛书 SAS大学技术丛书

【内容简介】

本书以客户生命周期管理为主线，结合翔实的案例介绍具含金量的数据挖掘与建模方法，每个案例既自成体系又前后呼应。第1章介绍数据挖掘在客户生命周期管理中的应用，对如何构建客户标签体系和客户画像做了详细介绍。第2章结合一个市场研究案例，介绍完整的客户洞察分析过程，对对应分析、偏好分析、联合分析等简单好用的客户研究方法做了完美阐释。第3章结合信用卡客户细分介绍完整的聚类过程，除快速、系统、两步聚类算法外，详细介绍实际分析过程中必不可少的数据预处理过程。第4章结合信用卡客户精准营销案例，介绍营销响应模型的构建、评估与应用，完整阐述模型的整个生命周期。第5章结合信用卡客户流失预警与挽留案例，介绍客户价值（数值）预测与流失倾向（事件）预测两类问题的建模过程及组合应用。第6章结合信用卡客户反欺诈案例，介绍目前常用的反欺诈方法，以及机器学习中集成算法的典范——随机森林。

【作者简介】

SAS公司介绍 

SAS是全球大的软件公司之一，是全球商业智能和分析软件与服务领袖。自1976年成立以来，公司收入和利润稳步提高，凭借雄厚的资源，公司在产品开发和客户支持方面不断取得新的成功。全球120个国家的50,000多家客户都在采用SAS解决方案，其中包括《财富》全球500强企业前100家企业中的93家。SAS一直向全球客户提供" THE POWER TO KNOW "。经营范围是商业智能和分析软件及解决方案、智能领域专业咨询服务、基于SAS解决方案的专业培训和技术支持等。 

翟祥介绍 

中国人民大学统计学博士，现任教于北京林业大学统计系，副教授，兼任多家咨询公司研究员，有扎实的统计理论知识，熟悉各种统计理论、模型和各种统计软件系统，常年担任SAS、spss等公司培训讲师。主要研究方向为统计学理论和数据挖掘，担任国际知名的统计软件公司sas的咨询顾问和讲师，同时，担任咨询公司埃森哲、IMS的顾问，国家开发银行数据挖掘专家等。主持专项课题4个，企业横向课题若干。 

大量涉猎有关数据挖掘的知识，对现代数据挖掘技术有较深的了解，并有丰富实践经验。 

熟悉金融学中常用的各种模型以及理论，包括各种机理模型和经验模型。对于金融数据的分析，有扎实的基础知识，熟悉风险管理理论，通晓各种风险测量技术以及风险理论。 

通晓各种对于不同类型数据的统计模型，对于市场研究有比较丰富的经验，在抽样技术、满意度研究、广告评估、消费偏好及相关营销策划的颇有心得。

【目录】

Contents?目　　录 

赞誉 

序 

前言 

第1章　金融数据挖掘与建模应用场景 1 

1.1　客户数据挖掘的价值 1 

1.2　金融客户生命周期及数据应用场景 3 

1.3　最具代表性的数据应用场景 7 

第2章　客户获取：信用卡客户欺诈评分案例 8 

2.1　案例背景 9 

2.2　数据准备与预处理 10 

2.2.1　数据源 10 

2.2.2　变量设计 11 

2.3　构建评分模型 13 

2.3.1　算法选择 13 

2.3.2　模型训练 14 

2.3.3　模型评估 16 

2.4　评分模型的应用 19 

2.5　小结 20 

第3章　客户提升：信用卡客户精准营销案例 21 

3.1　案例背景 21 

3.2　建模准备 21 

3.2.1　准备数据 22 

3.2.2　数据预处理 26 

3.2.3　过度抽样 27 

3.2.4　构造训练集及测试集 30 

3.3　数据清洗及变量粗筛 32 

3.3.1　连续变量与连续变量之间 33 

3.3.2　分类变量和分类变量之间 39 

3.3.3　分类变量和连续变量之间 43 

3.3.4　数据的错误及缺失值 47 

3.3.5　数据离群值 53 

3.3.6　重编码 59 

3.4　变量压缩与转换变量 61 

3.4.1　分类变量的水平数压缩 61 

3.4.2　连续变量聚类 65 

3.4.3　连续变量的分箱 77 

3.4.4　变量的转换 79 

3.5　模型训练 80 

3.5.1　关于Logistic回归 80 

3.5.2　变量筛选方法 81 

3.6　模型评估 88 

3.6.1　模型估计 88 

3.6.2　模型评估 89 

3.6.3　调整过度抽样 98 

3.6.4　收益矩阵 98 

3.6.5　模型转换为打分卡 100 

3.7　模型的部署及更新 100 

3.7.1　模型的部署 100 

3.7.2　模型的监测及更新 101 

3.8　本章小结 103 

第4章　客户成熟：银行零售客户渠道偏好细分案例 104 

4.1　案例背景 104 

4.2　聚类分析流程 105 

4.3　数据标准化 107 

4.3.1　标准化介绍 107 

4.3.2　标准化实现 110 

4.4　变量聚类 111 

4.4.1　变量聚类介绍 111 

4.4.2　变量聚类基本步骤 112 

4.4.3　SAS实现变量聚类 113 

4.5　变量降维与可视化 118 

4.5.1　图形化探索 118 

4.5.2　主成分分析法降维 120 

4.6　ACECLUS预处理过程 123 

4.6.1　ACECLUS介绍 123 

4.6.2　ACECLUS过程 123 

4.6.3　ACECLUS示例 123 

4.7　系统聚类分析 128 

4.7.1　系统聚类法 128 

4.7.2　样本与样本之间的度量 129 

4.7.3　距离定义与测量 129 

4.7.4　相关系数 131 

4.7.5　类与类之间的度量 131 

4.7.6　系统聚类法 139 

4.7.7　不同系统聚类法之间的比较 140 

4.7.8　类个数的确定 158 

4.8　快速聚类 159 

4.8.1　快速聚类法 159 

4.8.2　快速聚类法实现 160 

4.8.3　快速聚类法优缺点 161 

4.9　两步聚类法 161 

4.9.1　两步聚类法 161 

4.9.2　两步聚类法实现 161 

4.10　本章小结 167 

第5章　客户衰退：银行贷款违约预测案例 168 

5.1　案例背景 169 

5.2　维度分析 170 

5.3　建模分析 177 

5.4　业务应用 179 

5.5　小结 179 

第6章　客户挽留：信用卡客户流失管理案例 180 

6.1　案例背景 181 

6.2　数据准备 182 

6.2.1　设定目标变量 182 

6.2.2　设定时间窗 183 

6.2.3　设计预测变量 184 

6.2.4　准备数据宽表 185 

6.3　流失倾向预警：用Logistic回归构建响应率模型 186 

6.3.1　粗分类 187 

6.3.2　计算分组变量的WOE值和IV值 191 

6.3.3　共线性检验 194 

6.3.4　模型训练：显著性检验 195 

6.3.5　模型评估 196 

6.4　潜在客户价值预测：两阶段建模法 201 

6.4.1　阶段1概率预测 201 

6.4.2　阶段2 数值预测 201 

6.4.3　模型评估 203 

6.5　细分：差异化营销服务的基础 204 

6.6　小结 208