零售金融：数据化用户经营方法、工具与实践（全新未拆封）

图书标准信息

• 作者 雷健雄、王黎理 著
• 出版社 机械工业出版社
• 出版时间 2019-12
• ISBN 9787111641193
• 定价 69.00元

【内容简介】

本书里所讲的消费信贷产品，它服务的对象是消费者个人。因此，Know Your Customer--了解你的用户，是一切零售消费信贷业务的出发点和终结点。本书以如何更好地了解你的用户为主轴，按照金融机构和用户的关系发展顺序及用户生命周期的时间顺序，详细解析了零售消费信贷业务在用户经营管理上取得成功的秘诀。书中会详细阐述数据驱动在“了解你的用户”过程中的价值和应用，包括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，还会着重介绍经营过程中各个阶段所应用的策略背后的逻辑思维，包括潜在用户挖掘、新用户获取、授信准入、风险定价、风险管理、反欺诈、额度管理、交易授权管理、客户促活、客户留存、客户交互、贷后催收、合规管理、反洗钱以及用户服务等。

【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