个人征信-2.pptxVIP

大数据下的个人征信; ; 1.国外个人征信发展概况 ;美国是自由市场模式，由市场化的征信公司来完成个人征信;美国征信运作模式;FICO评分模型;FICO评分模型;欧洲是政府主导模式，由中央银行主导建立征信体系;日本则介于两者之间，行业协会发挥了重要作用。; 2.国内个人征信发展概况 ;国内个人征信发展概况;八家个人征信公司;芝麻信用;传统信用评估与大数据信用评估比较; 3.个人征信评分模型详解 ;评分模型;信用卡业务问题;申请评分卡;数据挖掘的流程图;预测原理;;行为评分之数据准备 ? 构造衍生数据 ? 构造业务上有意义的衍生变量 ? 数据清洗 ? 数据库中常常包含遗漏、噪声 ? 变量选择 ? 存在冗余的变量和数据，选择有预测能力的变量 ? 变量转换 ? 有些挖掘算法对数据有特殊的要求，例如规范化 ? 消除多重共线;;;行为评分之建模;行为评分之评估与报告 ? 模型评估 ? 目的 ? 确认没有发生过度拟合-稳健性 ? 针对更近期群体，识别模型强度 ? 评估类型 ? 预留样本校验 ? 开发样本中随机留出的一部分 ? 跨时间校验 ? 用来自不同时期的群体测试模型的稳健性;;基于随机森林的信用违约预测;基于随机森林的信用违约预测;基于随机森林的信用违约预测;基于随机森林的信用违约预测;基于adSGL-logistic的信用评分模型;基于adSGL-logistic的信用评分模型;基于adSGL-logistic的信用评分模型;基于network-logistic的信用评分模型;基于network-logistic的信用评分模型; 4.我国个人征信市场前景 ;我国个人征信市场前景; 5.探讨个人征信存在的问题 及趋势 ;不同的征信评级机构的评级结果差异很大？哪个更可信呢？ 数据来源过于单一，缺乏正真的“多角度” 如何规范、统一呢？ 评分模型应该有一段测试、调整时间 评级机构参差不齐，信息被滥用，个人隐私如何保护？ ;发展趋势;可以用作个人征信产品设计的个人信息有以下八方面：;创业合作;书籍推荐;感谢大家的关注 感谢数据工匠