正版包邮 SAS金融数据挖掘与建模:系统方法与案例解析 数据库 金融统计 统计分析 应用软件 金融客户 数据挖掘 机工社.

书名:SAS金融数据挖掘与建模：系统方法与案例解析

定价：59.(咨询特价)

作者:陈春宝 徐筱刚 田建中 著

出版社：机械工业出版社

出版日期：2017-(咨询特价)

ISBN(咨询特价)

字数：

页码：208

版次：1

装帧：平装

开本：16开

商品重量：

Contents@目 录 n
赞誉 n
序 n
前言 n
第1章 金融数据挖掘与建模应用场景 1 n
1.1 客户数据挖掘的价值 1 n
1.2 金融客户周期及数据应用场景 3 n
1.3 代表性的数据应用场景 7 n
第2章 客户获取：信用卡客户欺诈评分案例 8 n
2.1 案例背景 9 n
2.2 数据准备与预处理 10 n
2.2.1 数据源 10 n
2.2.2 变量设计 11 n
2.3 构建评分模型 13 n
2.3.1 算法选择 13 n
2.3.2 模型训练 14 n
2.3.3 模型评估 16 n
2.4 评分模型的应用 19 n
2.5 小结 20 n
第3章 客户提升：信用卡客户精准营销案例 21 n
3.1 案例背景 21 n
3.2 建模准备 21 n
3.2.1 准备数据 22 n
3.2.2 数据预处理 26 n
3.2.3 过度抽样 27 n
3.2.4 构造训练集及测试集 30 n
3.3 数据清洗及变量粗筛 32 n
3.3.1 连续变量与连续变量之间 33 n
3.3.2 分类变量和分类变量之间 39 n
3.3.3 分类变量和连续变量之间 43 n
3.3.4 数据的错误及缺失值 47 n
3.3.5 数据离群值 53 n
3.3.6 重编码 59 n
3.4 变量压缩与转换变量 61 n
3.4.1 分类变量的水平数压缩 61 n
3.4.2 连续变量聚类 65 n
3.4.3 连续变量的分箱 77 n
3.4.4 变量的转换 79 n
3.5 模型训练 80 n
3.5.1 关于Logistic回归 80 n
3.5.2 变量筛选方法 81 n
3.6 模型评估 88 n
3.6.1 模型估计 88 n
3.6.2 模型评估 89 n
3.6.3 调整过度抽样 98 n
3.6.4 收益矩阵 98 n
3.6.5 模型转换为打分卡 100 n
3.7 模型的部署及更新 100 n
3.7.1 模型的部署 100 n
3.7.2 模型的监测及更新 101 n
3.8 本章小结 103 n
第4章 客户成熟：银行客户渠道偏好细分案例 104 n
4.1 案例背景 104 n
4.2 聚类分析流程 105 n
4.3 数据标准化 107 n
4.3.1 标准化介绍 107 n
4.3.2 标准化实现 110 n
4.4 变量聚类 111 n
4.4.1 变量聚类介绍 111 n
4.4.2 变量聚类基本步骤 112 n
4.4.3 SAS实现变量聚类 113 n
4.5 变量降维与可视化 118 n
4.5.1 图形化探索 118 n
4.5.2 主成分分析法降维 120 n
4.6 ACECLUS预处理过程 123 n
4.6.1 ACECLUS介绍 123 n
4.6.2 ACECLUS过程 123 n
4.6.3 ACECLUS示例 123 n
4.7 系统聚类分析 128 n
4.7.1 系统聚类法 128 n
4.7.2 样本与样本之间的度量 129 n
4.7.3 距离定义与测量 129 n
4.7.4 相关系数 131 n
4.7.5 类与类之间的度量 131 n
4.7.6 系统聚类法 139 n
4.7.7 不同系统聚类法之间的比较 140 n
4.7.8 类个数的确定 158 n
4.8 快速聚类 159 n
4.8.1 快速聚类法 159 n
4.8.2 快速聚类法实现 160 n
4.8.3 快速聚类法优缺点 161 n
4.9 两步聚类法 161 n
4.9.1 两步聚类法 161 n
4.9.2 两步聚类法实现 161 n
4.10 本章小结 167 n
第5章 客户衰退：银行贷款违约预测案例 168 n
5.1 案例背景 169 n
5.2 维度分析 170 n
5.3 建模分析 177 n
5.4 业务应用 179 n
5.5 小结 179 n
第6章 客户挽留：信用卡客户流失管理案例 180 n
6.1 案例背景 181 n
6.2 数据准备 182 n
6.2.1 设定目标变量 182 n
6.2.2 设定时间窗 183 n
6.2.3 设计预测变量 184 n
6.2.4 准备数据宽表 185 n
6.3 流失倾向预警：用Logistic回归构建响应率模型 186 n
6.3.1 粗分类 187 n
6.3.2 计算分组变量的WOE值和IV值 191 n
6.3.3 共线性检验 194 n
6.3.4 模型训练：显著性检验 195 n
6.3.5 模型评估 196 n
6.4 潜在客户价值预测：两阶段建模法 201 n
6.4.1 阶段1概率预测 201 n
6.4.2 阶段2 数值预测 201 n
6.4.3 模型评估 203 n
6.5 细分：差异化营销服务的基础 204 n
6.6 小结 208

本书以客户周期管理为主线，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——森林。

SAS公司介绍 n
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。 n
翟祥介绍 n
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。 n
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。 n
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。 n
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。