隨著我國經濟發(fā)展進入新常態(tài),國內金融信貸行業(yè)發(fā)展迅速,許多金融信貸服務逐步推廣到大眾生活當中,個人信貸業(yè)務已經風生水起,加上互聯(lián)網金融的不斷發(fā)展,個人信用消費越來越普遍,信貸行業(yè)用戶畫像模型與逾期識別模型的建立已經是一種迫切需求。本文首先針對基礎樣本數(shù)據(jù)的變量類型提出了變量細分的想法,得到了變量細分的十一個維度,并在傳統(tǒng)RFM價值評價模型基礎上建立了以信貸用戶消費能力、用戶粘性和還貸意愿這三個維度的綜合評價指標體系。基于變量細分維度與綜合評價指標體系我們建立了用戶畫像模型,其中包括了用戶細分畫像與用戶漏斗畫像。對于用戶細分畫像,我們使用綜合評價指標體系在消費能力、用戶粘性、還貸意愿這三個維度細分了信貸領域的用戶群,針對性的評價了每類用戶群的價值并提出了相應的資源配置策略。對于用戶漏斗畫像,我們基于變量細分維度后得到的十一個維度使用用戶漏斗算法,得到了高逾期占比用戶群體并捕獲了高逾期占比用戶群的行為路徑。在構建完用戶畫像模型后,我們著力于構建逾期識別集成算法模型。首先基于變量細分的思想與相關機器學習算法,完成了對基礎樣本數(shù)據(jù)的打分、降維,得到了新的兩類樣本數(shù)據(jù),全量特征打分數(shù)據(jù)與細分維度打分數(shù)據(jù),研究了不同樣本數(shù)據(jù)對隨機森林集成算法預測精度的影響。再基于兩種不同樣本、五種不同的集成算法,通過對測試集、交叉驗證集、學習曲線與若干評價指標的評估選擇了最優(yōu)的Stacking集成算法,提供了精準、穩(wěn)定、科學的逾期風險識別模型。本文構建用戶畫像模型是為了更好的服務于業(yè)務,構建集成算法模型是為了更好的服務于逾期風險識別精度。
【學位單位】：安徽師范大學
【學位級別】：碩士
【學位年份】：2019
【中圖分類】：F832.4;TP18
【部分圖文】：

中心所屬的類。）所得到的 K 類聚類結果，重新計算新的 K 個類中心，再重復步驟（2）復步驟（3），直到滿足迭代次數(shù)或損失函數(shù)收斂 算法使用的損失函數(shù)：( )21ik kii x cf x x x= = 價指標體系的用戶細分體系主要指從消費能力、用戶粘性和還貸意愿度決定了我們對用戶的畫像是三維立體的，而來說，消費能力、用戶粘性和還貸意愿分別占符合每個坐標軸有正負的客觀事實，這樣我們就為八類，具備較好的細分效果。如圖 3-1 所示

s 聚類算法達到用戶分群的目的。按使用機器學習算法的順序分卡算法使用評分卡算法。評分卡算法的主要工作是得到全體特征打打分數(shù)據(jù)、得到還貸意愿得分。體特征打分數(shù)據(jù)據(jù)預處理的樣本數(shù)據(jù)，首先進行特征分箱處理，這里我們采使用 2.3.1 的公式（2-5）與公式（2-6），計算出每個特征的箱結果計算后的 WOE 值替換原始樣本數(shù)據(jù)，得到 WOE 編碼碼數(shù)據(jù)為樣本，使用Logistic回歸擬合WOE編碼數(shù)據(jù)，得到一，依據(jù) Logistic 回歸的回歸系數(shù)、截距項及 WOE 值，使用 公式（2-8），可以對每個樣本計算信用評分，此時 Logistic 回。實現(xiàn)這一整套操作的算法叫做評分卡算法。全量用戶信用：

漏斗算法的召回率最終保持在 82.37%，精確率達到 94。在得到這種效果的同時，我們還“顯示”的通過特征及到這種結果。這是其他算法無法做到的，我們在把“黑箱高的精確度，這是不容易的，也是具有較大業(yè)務價值的。 4-10 轉換成易于理解的漏斗圖，如圖 4-5 所示，
【參考文獻】

相關期刊論文 前8條

1 杜云生;;基于客戶消費數(shù)據(jù)的信用卡持卡人細分研究[J];金融理論與實踐;2014年09期

2 賀昌政;孔力;;基于CLV要素的信用卡客戶細分模型[J];統(tǒng)計與決策;2013年11期

3 孫耀;;基于數(shù)據(jù)挖掘的客戶價值評價研究[J];現(xiàn)代商業(yè);2011年32期

4 陳光會;;基于BP網絡的客戶價值分析[J];統(tǒng)計與決策;2011年08期

5 鐘雁;郭雨松;;數(shù)據(jù)挖掘技術在鐵路貨運客戶細分中的應用[J];北京交通大學學報;2008年03期

6 趙曉煜;黃小原;;基于數(shù)據(jù)挖掘的客戶價值預測方法[J];東北大學學報;2006年12期

7 黃亦瀟,邵培基,李菁菁;基于客戶價值的客戶分類方法研究[J];預測;2004年03期

8 王光宏,蔣平;數(shù)據(jù)挖掘綜述[J];同濟大學學報(自然科學版);2004年02期

本文編號：2841462