【数智洞察|精彩回顾】 王老师全面解读数据建模，带您进入新的风控领域！

应学员的强烈要求，华南首个针对企业信控实战的建模课程，作为信控数字化转型的重要关键，数智洞察于2021年12月17日在深圳举办了《企业信用风险管理数据建模》公开课。

课程站在企业风控岗位的角度，告知了学员在企业实战层面中，如何构建数据风险模型评估客户，以及如何检验模型有效性确保评估结果可靠可信。

本次课程是王志刚老师梳理了以往的多个企业信用风险数据建模项目经验，用相对易懂的方式，向学员们分享了现时流行的企业数据建模基础知识与技术应用，阐释了企业信用风险管理数据建模的“各重要要素”，包括“模型的发展历程以及作用”、“各基本模型技术的概念”、“涉及哪些基本算法”、“如何检验评价一个模型的好坏”等问题。

重要知识回顾

1. 信用评估技术，历经的5个历史阶段：

“主观判断”﹥“分析模板”﹥“评分卡”﹥“评估模型”﹥“智能算法”

王老师：目前“智能算法”已成为信用风控评估的发展趋势，并指出运用“智能算法”得到的统计模型，可用于在账户管理阶段增加利润减少损失，对于决策至关重要。

2. 信控基础模型技术概念方面和专有名词解释及用途，例如“KNN(K-Nearest Neighbours)K值”、“shapelets”、“CNN”、“RNN”、“DTW”、“AUC”等。

王老师：每种技术都有着自己独特的作用，我们不仅需要了解，还需要掌握它，才能在建模中很好地运用。

3. 大数据模型共有6个层次的运用，13种不同的统计算法。典型算法模型有：聚类、预测模型家族、决策树、时间序列分析、运筹学算法、关联规则算法、网络分析算法、文本分析、生存分析等。

王老师：大数据信控模型的博大精深，我们需要了解这些模型的具体内容，对大数据有一个较为全面的认知，才能最终选择合适的模型在企业中应用。

4. 企业在构建信用风险数据模型的过程中，主要有7个步骤。我们一般选用可解释的建模方法——逻辑回归。

王老师就企业信控建模的每一步骤展开了详细教学，分享了在建模过程中的关键点和注意事项，帮助学员少走弯路。

5. 模型建立后，如何评估模型的有效性，让老板放心，让销售信赖？模型检验方式包括：K-S值方法、混淆矩阵、ROC和AUC模型效能指标、PSI模型稳定型指标等。

王老师分享了不同模型检验的方式方法是如何表达的，我们可接受的能效范围在哪里，方便学员未来进行模型测试和验收。

学员反馈