cda

全国校区

您的位置:首页 > 课程列表 > PYTHON数据分析与金融数字化转型精英训练营

PYTHON数据分析与金融数字化转型精英训练营

PYTHON数据分析与金融数字化转型精英训练营

难度系数:

课程系列:CDA金融数据人才系列


周期: 14周

11800

立即报名 咨询老师

PYTHON数据分析与金融数字化转型精英训练营

 姓名:

 电话:

 邮箱:

   备注:

邀请码:

提交信息
  • WHAT 课程简介

    未来的企业中不存在盲目执行的人,也不存在仅发号施令的人。传统企业中的管理者将逐渐转变为赋能者。将自身的知识赋能给流程决策系统,这样业务运营才可以实现智能化;将自身的知识赋能给组织,这样所在组织才可以良性发展,处于领先地位。在市场变革中只有勇于突破自身、勇于拓展,才可以立于不败之地。本次课程不仅是讲如何发现业务问题、整理数据、建立模型、编写报告、构建业务应用数字化解决方案。而是力图为金融从业者提供个人数字化转型的解决方案,转型成为组织内部数字化赋能者。
    本课程是1+2的结构,前面的“1”是能力体系建设,包括数据化工作流程以及涉及的主要数字化工具,学习完本课程将可以全面掌握指标监控体系的设计和可视化、业务分析报告的编写、数据挖掘项目实施和报告的技能。后者的“2”是数字化应用领域,包括客群运营、风险管控。数字化能力是一个整体,两个方面的数据应用场景都需要涉及到该领域的数据业务洞察、数据产品研发、数据治理、商业洞察和在大数据系统上落地。
  • WHY 学习目标

    为立志零基础转型金融领域数据化人才提供快捷高效学习内容;
    为数据应用产品经理提供能力提升路径和工作模版;
    为算法工程师提供算法与业务结合的工作路径和大数据架构设计;
    为业务人员开拓业务洞察视野和标准化的建模路线图;
    为有志于从事金融大数据的人员提供定位指导和学习路线图。
  • WHO 学习对象和基础

    对金融行业感兴趣的高年级学生或从业者;
    最好有CDA一级基础,或掌握统计分析、逻辑回归等基础理论;
    熟悉Python编程基础,或提前学习赠送的自学视频。



课程案例,项目特训

点击图片任何区域可放大

智能信用风控

本课程以当前国内崛起的消费金融,互联网金融为主要场景,介绍消费金融在贷前、贷中、贷后流程中信用风险管理中的数据应用,力图在深入实际场景的基础上为学员提供全面的数据驱动的风险管理知识,课程围绕信贷场景中贷前、贷中、贷后三个板块,通过介绍相关业务背景,结合实际的的风控需求,以讲解与案例的形式介绍数据分析、数据挖掘应用。
第一部分重点介绍常见消费类贷款产品要素,风险点,智能自动化审批基本框架,数据驱动的贷款准入、规则的制定,申请信用评分卡的构建及基于风险差异化的授信定价。第二部分介绍履约客户的管理,包括行为评分模型的构建以及相应额度策略的制定。第三部分介绍催收环节中催收评分卡的建立与催收策略的制定。
点击图片任何区域可放大

总体课程简介

未来的企业中不存在盲目执行的人,也不存在仅发号施令的人。传统企业中的管理者将逐渐转变为赋能者。将自身的知识赋能给流程决策系统,这样业务运营才可以实现智能化;将自身的知识赋能给组织,这样所在组织可以良性发展,处于领先地位。在市场变革中只有勇于突破自身、勇于拓展,才可以立于不败之地。本次课程不仅是讲如何发现业务问题、整理数据、建立模型、编写报告、构建业务应用数字化解决方案。而是力图为金融从业者提供个人数字化转型的解决方案,转型成为组织内部数字化赋能者。
点击图片任何区域可放大

智能客群运营

全球著名管理咨询公司麦肯锡报告指出,预计2020年中国将成为仅次于美国的全球规模第二大的零售银行市场,新形势下得零售者得天下。随着移动互联技术、大数据技术、人工智能技术的日益成熟和深度运用,未来银行将呈现“五化”:入口场景化、运营数字化、风控智能化、人才跨界化、服务普惠化。
因此,本课程目标上:主要针对运营数字化,实现智慧客群运营管理,从如何发现问题到如何解决问题。
本课程内容上,主要从“道”、“术”、“器”三个层面,分为;理论篇、实现篇和工具篇
1、理论篇,主要介绍从旧的4P理论到新的4P理论演变,以及数字化运营和数字化营销的理论和概念及其在银行业的实践; 2、实现篇,主要介绍三大策略:一是基于NES的客群运营监控、二是数字化的营销体系(模型、标签和CRM系统等)、三是数字化的营销闭环。 3、工具篇,着重通过案例,介绍具体算法在数字化运营中的应用。
一是介绍聚类算法及其在客群细分中的应用;
二是介绍协同过滤算法及其产品推荐中的应用;
三是介绍社区发现及其交易圈在银行营销中的应用。
点击图片任何区域可放大

智能操作风控

近年来随着金融风控案件的频发和监管部门政策的不断收紧,提升机构风控能力以降低内外部风险已成为众多银行和其他金融机构工作的的重中之重。作为新巴赛尔协议中三种风险之一,操作风险包含常见的反欺诈、反洗钱、反舞弊等场景。综合运用多种手段,针对这“三反”场景进行风险治理防控,成为当前众多金融机构开展工作的重要抓手。
在2天的课程中,首先会对操作风险的概念和常见子场景进行剖析,力求让学员对操作风险有清晰完整的认识。紧接着介绍为应对操作风险,应该建设怎样的防控体系,并从制度、人才、数据、技术等角度进行剖析。尤其在技术手段这个环节中,会就操作风险的机器学习建模面临的几大问题和解决方案进行重点介绍。在一天半的在实战案例环节,安排了反信用卡盗刷欺诈、反洗钱、反营销薅羊毛这三个典型的Python建模案例,力求通过案例强化风控建模常见流程、覆盖建模技术难点,切实提升学员的风控建模实战能力。

01必要的开端--Python基础

01-01Python编程基础知识:成为Python高手之前必备基础知识
01-02Python编程基础知识:数据分析的武器库与分析工具Python介绍
01-03Python编程基础知识:Python的基本数据类型和数据结构
01-04Python编程基础知识:Python的程序控制
01-05Python编程基础知识:Python的函数与模块
01-06Python编程基础知识:Python日期和时间处理
01-07Python编程基础知识:Python字符串处理与正则表达式
01-08Python编程基础知识:Python异常处理和文件操作
01-09Python编程基础知识:作业练习-基于Python的函数创建与商业实操文件操作

02数据人才必备技能--Python进行数据清洗

02-01Numpy中的数据类型--ndarray数组的创建
02-02Numpy数组基础:索引、切片、变形、分裂
02-03Numpy数组运算:通用函数
02-04Numpy数组变形、拼接
02-05Numpy数组计算:广播、聚合、比较和掩码、数组排序
02-06Pandas对象简介:Series、Dataframe、Index
02-07Pandas数据加载与存储
02-08Pandas数值运算方法:通用函数、聚合函数、遍历
02-09Panda层次化索引
02-10Pandas数据处理:数据类型转换、缺失值处理、字符串转换
02-11Pandas数据表的合并与连接
02-12Pandas数据的累计与分组
02-13高性能Pandas:query()、eval()实现高性能运算
02-14Pandas数据规整化:清理、转换、合并、重塑
02-15Pandas时间序列&金融数据处理
02-16实战案例:基于pandas-SQL世界银行各国家发展指标及GDP变化趋势探索性分析
02-17作业练习:USDA食品数据清洗
02-18如何成为一名优秀的数据分析师
02-19使用Python读取数据:CSV文件、JSON数据、XML数据
02-20数据的获取与存储:数据的不平等性、真实性、可读性、清洁度等
02-21数据探索:埃博拉病毒危机、列车安全数据、童工数据
02-22数据清洗探索:找出要清洗的数据、数据格式化、找出离群值和不良数据、找出重复数据、模糊匹配、正则匹配等
02-23数据清洗探索:标准化和脚本化(数据归一化和标准化、找到适合项目的数据清洗方法、数据清洗脚本化、用新数据测试)
02-24数据探索和分析:数据探索(表函数探索、连接多个数据集、找出离群值、创建分组)
02-25数据探索与分析:分离和聚焦数据、描述结论、书写报告文档
02-26Pandas时间序列&金融数据处理
02-27实战案例1:视频网站数据清洗整理和结论研究
02-28实战案例2:教育领域学员学习质量数据化监控-清洗与可视化
02-29实战案例3:基于数据清洗的知乎用户画像探索
02-30作业练习:国外电商用户购买信息的数据处理与探索

03Python机器学习实战

03-01Python机器学习实战-Part1:准备工作-开发环境配置
03-02Python机器学习实战-Part1:机器学习基本概念和名词说明
03-03Python机器学习实战-Part1:scikit-learn入门-Scikit-Learn库简介
03-04Python机器学习实战-Part1:模型建立的基本思路
03-05Python机器学习实战-Part1:KNN算法原理基础及实现
03-06Python机器学习实战-Part1:模型优化-学习曲线和交叉验证
03-07Python机器学习实战-Part1:补充理论-距离类模型的相关讨论
03-08Python机器学习实战-Part1:模型评价与总结
03-09Python机器学习实战-Part1:决策树算法的基本原理
03-10Python机器学习实战-Part1:决策树算法的scikit-learn实现
03-11Python机器学习实战-Part1:分类模型的评估指标-混淆矩阵
03-12Python机器学习实战-Part1:实战案例-泰坦尼克号幸存者的预测
03-13Python机器学习实战-Part1:过拟合和欠拟合
03-14Python机器学习实战-Part1:决策树算法的优点和缺点
03-15Python机器学习实战-Part1:作业练习-IBM Waston Analytics员工离职核心因素挖掘与分析
03-16Python机器学习实战-Part2:随机森林概述-集成算法概述Bagging vs Boosting
03-17Python机器学习实战-Part2:随机森林分类器和回归器实现
03-18Python机器学习实战-Part2:机器学习中调参的基本思想
03-19Python机器学习实战-Part2:调参应用:随机森林在乳腺癌数据上的调参
03-20Python机器学习实战-Part2:聚类算法概述
03-21Python机器学习实战-Part2:KMeans算法的概述和理论基础
03-22Python机器学习实战-Part2:Kmeans算法的scikit-learn实现
03-23Python机器学习实战-Part2:Kmeans矢量化应用-降维
03-24Python机器学习实战-Part2:关联规则算法概述-频繁项集的产生与关联发现
03-25Python机器学习实战-Part2:Apriori算法原理-先验原理
03-26Python机器学习实战-Part2:使用Apriori算法来发现频繁项集
03-27Python机器学习实战-Part2:作业练习-使用聚类分析做客户画像分析
03-28Python机器学习实战-Part3:线性回归概述
03-29Python机器学习实战-Part3:多元线性回归模型的构建
03-30Python机器学习实战-Part3:回归类模型评估指标-精准性、拟合性
03-31Python机器学习实战-Part3:多重共线性与岭回归、Lasso回归
03-32Python机器学习实战-Part3:非线性问题及其处理方法
03-33Python机器学习实战-Part3:多项式回归模型
03-34Python机器学习实战-Part3:逻辑回归的概述-模型参数、sigmoid参数、逻辑回归的返回值解析
03-35Python机器学习实战-Part3:逻辑回归的特点-模型拟合效果、计算速度、返回值的可解释性
03-36Python机器学习实战-Part3:逻辑回归的构建与优化
03-37Python机器学习实战-Part3:作业练习-零售业交叉销售模型建置
03-38Python机器学习实战-Part4:SVM概述-SVM工作原理
03-39Python机器学习实战-Part4:SVM模型构建-线性SVM和非线性SVM
03-40Python机器学习实战-Part4:ROC曲线及相关问题
03-41Python机器学习实战-Part4:概率与阈值
03-42Python机器学习实战-Part4:SVM概率预测评估-predict_proba、decision_function
03-43Python机器学习实战-Part4:绘制SVM的ROC曲线
03-44Python机器学习实战-Part4:ROC曲线与AUC曲线
03-45Python机器学习实战-Part4:利用ROC曲线找出最佳阈值
03-46Python机器学习实战-Part4:朴素贝叶斯概述
03-47Python机器学习实战-Part4:朴素贝叶斯模型分类:高斯朴素贝叶斯、多项式朴素贝叶斯
03-48Python机器学习实战-Part4:实战-运用朴素贝叶斯做文本分类
03-50Python机器学习实战-Part4:作业练习-运用朴素贝叶斯做文本分类

04数据产品开发方法和工具

04-01数据化业务工作流程:数字化工作的场景和流程
04-02数据化业务工作流程:数字化工作的工具和保障机制
04-03敏捷数据产品开发:工具和度量
04-04敏捷数据产品开发:市场研究和调研方法
04-05敏捷数据产品开发:数据产品流程(编写工作计划,产品愿景对齐,用户画像,需求分析工具,原型设计,技术方案设计,交付计划,最终报告展示)
04-06敏捷数据产品开发:数据产品生命周期管理
04-07银行指标体系建设:同业数据标准建设案例
04-08银行指标体系建设:指标体系总体概述
04-09银行指标体系建设:银行指标库设计(指标库,维度库和维度树,核心指标逐层分解法)
04-10银行指标体系建设:指标的可视化展示
04-11根因分析工具:定性分析法:内外部因素分析
04-12根因分析工具:定量分析法(分群画像,漏斗洞察,留存分析)
04-13根因分析工具:行为轨迹
04-14数据挖掘应用工具:决策类模型(细分画像,获客营销,保留提升,信用评分)
04-15数据挖掘应用工具:识别类模型(申请欺诈,违规识别)
04-16数据挖掘应用工具:预测和最优化分析(趋势预测,运营优化)

05智能客群运营

05-01智能客户运营理论:数字化运营理论-发现问题
05-02智能客户运营理论:数字化营销理论-解决问题
05-03智能客户运营理论:数字化运营和数字化营销一体化
05-04智能客户运营实现体系:基于NES的客群运营监控
05-05智能客户运营实现体系:数字化的营销体系(模型库、标签库和CRM系统等)
05-06智能客户运营实现体系:数字化的营销闭环
05-07聚类分析及其在银行中的应用:聚类分析
05-08聚类分析及其在银行中的应用:K-means聚类
05-09聚类分析及其在银行中的应用:层级聚类
05-10聚类分析及其在银行中的应用:谱聚类
05-11聚类分析及其在银行中的应用:聚类分析及其在银行中的实践
05-12推荐算法及其在银行中的应用:关联规则算法
05-13推荐算法及其在银行中的应用:协同过滤算法
05-14推荐算法及其在银行中的应用:产品推荐应用
05-15推荐算法及其在银行中的应用:银行产品推荐架构
05-16社区发现算法在银行中的应用:图论基本概念和实现
05-17社区发现算法在银行中的应用:社区发现算法
05-18社区发现算法在银行中的应用:银行交易圈及其营销应用

06 智能风险管控

06-01综述部分:消费信贷全生命周期风险管理
06-02综述部分:消费信贷常见产品及基本要素(消费信贷概念,消费信贷参与主体,常见消费信贷产品,产品风险点)
06-03综述部分:ABC卡介绍(ABC评分卡介绍与特点,在消费信贷风险管理中的应用)
06-04贷前、贷中风控模型:自动化信贷审批(自动化贷款审批基本框架)
06-05贷前、贷中风控模型:贷款人识别(生物识别与身份验证技术,在审批流程中的应用)
06-06贷前、贷中风控模型:信贷准入(监管性准入,政策性准入,黑名单性准入)
06-07贷前、贷中风控模型:信贷规则(组合策略)
06-08贷前、贷中风控模型:申请信用评分卡(业务理解,数据获取,构建模型)
06-09贷前、贷中风控模型:授信定价(基于风险的差异化定价,定价策略)
06-10贷前、贷中风控模型:申请阶段的数据监控(申请信息监控,策略监控,模型监控,贷款质量监控)
06-11贷后风控模型:行为评分卡(业务理解,数据获取,构建模型)
06-12贷后风控模型:额度管理(风险差异化的额度调整策略,续贷客户额度策略)
06-13贷后风控模型:还款预警
06-14催收策略模型:催收评分卡(业务理解,数据获取,构建模型)
06-15催收策略模型:催收策略(基于催收评分卡的不同阶段的催收策略)
06-16反欺诈模型:申请反欺诈模型(异常特征提取,复杂网络特征提取,构建识别模型)
06-17反欺诈模型:交易反欺诈模型(问题和标签不平衡问题,构建识别模型)

硬核服务

  • 朝九晚九全程跟班答疑

    助教线上服务时间由原先的上课期间答疑调整为课程持续期间答疑,包括中途休息时间;同时,每日答疑时间由原先的“朝九晚六”调整为“朝九晚九”,全面覆盖同学晚自习时间。
  • 一对一督学

    每个班级、每位同学、每月都会进行至少一次一对一辅导,询问同学学习状态、解决学员学习问题;同时,针对每个模块测试结果后10%的学员进行额外辅导,以确保学员能够跟上学习进度。
  • 定期直播串讲

    对于重难点知识和同学普遍反应的问题,助教将进行每周1-2次的晚自习串讲,串讲时常为2小时左右,且相关内容需要重新制作、有别于课程内容,帮助同学攻克重难点知识。
  • 五分钟内有问必答

    助教线上服务要求5分钟内有问必答,并能真正做到解决所有课程中遇到的问题。在原先每个班一个助教+一个班主任的配置下,调整为每个班2名助教+项目服务团队的模式,以确保快速、高质量的解决线上提问。
  • 出勤率和进度监督

    在课程持续期间,助教还需实时统计学员出勤情况,监督课堂纪律,跟进学习进度。除正常答疑外,服务团队会与班级同学保持沟通、给予正确指引,从而营造积极学习氛围。
  • 作业与测试

    在远程授课期间,每个课程会安排相关课后作业,确保同学课下能够进行适当练习,提升同学实时参与感、保证当日学习效果。除了作业,服务团队还会组织学员进行阶段性测试,以考试性质为主,主要考察学员对本阶段知识掌握程度。

来自业界的数据领袖团队

  • 常老师

    北京大学会计学博士,ThoughtWorks中国金融首席数据科学家,中国大数据产业生态联盟专家委员会委员,反洗钱模型专家

    具有15年金融、互联网行业数据科学实施和咨询服务经验。曾任毕马威大数据咨询副总监、某消金公司数据部高级经理、百度大数据算法工程师。著有《Python数据科学:技术详解与商业实践》等三本数据科学图书。
  • 叶老师

    东北大学基础数学专业,硕士研究生

    近8年来,一直从事金融、电信行业数据架构、数据治理和数据分析挖掘方面工作。现任北京捷报金峰数据技术有限公司产品&技术总监,主要负责公司数据治理解决方案的建设、数据治理配套平台的研发,以及银行业数据治理应用场景的研究,该项目在17年获得北京市创新项目资金资助。
  • 曾老师

    华中师范大学管理科学与工程硕士

    拥有5年金融场景下风控数据分析,风控模型经验。对互联网金融、消费金融领域中的消费分期,小微贷款,汽车金融的风险管理中的数据分析、数据挖掘,人工智能应用有深入了解与实践。曾主讲CDA的多门数据挖掘课程,有丰富的授课经验。
  • 彭老师

    CDA数据科学研究院Python课程讲师,AI教育项目部数据分析师

    拥有5年的金融行业数据分析、数据挖掘经验。曾任中国民生银行事业部项目经理、产品经理,投资理财公司高级数据咨询顾问。荣获:美国花旗银行副总裁及摩根大通投资部总经理亲笔推介信。
  • 张老师

    CDA数据科学研究院Python课程讲师,AI教育项目部数据挖掘工程师

    拥有两年数据分析、光电行业可靠度研发经验,拥有专利1项。擅长数据清洗、数据挖掘及机器学习算法的Python实现,有丰富的网络爬虫实战经验及授课经验。
权威 经管之家CDA LEVEL Ⅲ数据科学家认证证书,行业顶尖人才认证,已获得IBM大数据大学,中国电信,苏宁,德勤,猎聘,CDMS等企业的认可。
专业 CDA认证是根据商业数据分析专业岗位设立的一套体系化、科学化、正规化的人才标准。全国统考、专家命题、评分公平、流程严格,更具含金量。
权益 持证人享有系列特殊权益。证书皆绑定考生真实身份,可在CDA官网查询,确保唯一性与防伪性。证书三年审核一次,保证持证人的实力与权益。

认证介绍:
CDA数据分析师认证”是一套专业化,科学化,国际化,系统化的人才考核标准,分为CDA LEVELⅠ ,LEVEL Ⅱ,LEVEL Ⅲ,涉及金融、电商、医疗、互联网、电信等行业大数据及数据分析从业者所需要具备的技能,符合当今全球大数据及数据分析技术潮流,为各界企业、机构提供数据分析人才参照标准。经管之家为中国区CDA数据分析师认证考试唯一主办机构,于每年6月与12月底在全国范围举办线下数据分析师考试,通过考试者可获得CDA数据分析师认证证书。
CDA持证人福利
1.可吸纳为CDA Institute、中国数据分析师(CDA)俱乐部会员,活动中具有优先报名参与权。
2.可优先获得CDA内部就业及职业发展推荐。
3.免费参与CDA举办的中国数据分析师行业峰会、大数据峰会、研讨会等各项活动,Level Ⅱ与Level III持证人享受特权位置。
4.可申请加入CDA数据分析项目组,参与项目合作(提供项目给持证人演练)。
5.CDA Level Ⅰ持证人免费享受Peixun.net会员服务6个月(价值588 RMB),Level Ⅱ与Level III持证人免费享受peixun.net会员服务1年 (价值998 RMB);
6.其他特权皆以各类活动公告为主。
进入考试报名系统
  • Q: 在这门课程中会学习到什么?

    A: 本次课程不仅是讲如何处理数据、建立模型、编写报告、构建业务应用数字化解决方案。而是力图为金融从业者提供个人数字化转型的解决方案,转型成为组织内部数字化赋能者。
  • Q:上课形式是怎么样的?

    A:课程分远程直播课和线上自由学习课程,远程班采取线上直播 + 录播视频 + 线上答疑,不受地域限制,录播视频及线上自由学习课程同学可以自主安排时间学习视频。
  • Q: 学员课下如何与老师进行互动?

    A: CDA课程每期都会建立QQ群和微信群,工作日有老师和助教负责答疑;同时学员可以在讨论区以帖子的形式向老师提问,老师会在工作日的48小时内回复。
  • Q:上课时间是怎么安排的?

    A:直播周末培训,共计9周,共18天,每天9:00-16:30,线上自由学习5周。
  • Q:如果学不会怎么办?

    A: 首先,我们有一次免费学习的机会,如果还是学不会,授课老师会和学生面谈,发现问题所在,并让老师给出学习建议,查缺补漏,可以再跟着免费学一期。目前咱们还没有出现过这样的情况,对于学员来讲都是想尽快掌握技术能够运用到工作中。此外,课程均赠送全套录播视频,有效期2年,方便学员反复观看巩固,稳扎稳打学会全部课程。
  • Q: 完成课程后,可以获得证书吗?

    A:参加课程学员可自愿参加CDA LEVEL II建模分析师等级考试,考试合格获得由经管之家颁发《CDA数据分析师证书》。同时可自愿申请工信部《数据分析师证书》-高级。

OK