在这个数据驱动的时代，金融数据分析已经成为了决策的关键，无论是在投资决策、风险管理，还是在市场营销等领域，都有着广泛的应用。为了帮助大家更好地理解和掌握金融数据分析，我们特别推出了CDA金融数据分析系列课程，希望能够帮助大家在金融数据分析的道路上，更加得心应手。
讲师介绍：常国珍老师
北京大学会计学博士，CDA数据科学研究院院长，中国大数据产业生态联盟专家委员会委员，DCMM-CDP批准讲师，腾讯云最有价值专家（TVP）。
曾任思特沃克（ThoughtWorks）中华区首席数据科学家，毕马威（KPMG）咨询大数据总监。
介绍如下：
具有20年金融、电信、互联网行业数据科学、数据治理咨询经验。资深量化精准营销和风控模型专家。
作为企业数字化赋能辅导员，帮助企业建立数据管理体系，培养金融企业数字化文化，设计数据分析人员成长路径。
著有《金融商业数据分析》、《金融商业算法建模》、《Python 数据科学：技术详解与商业实践》、《用商业案例学 R 语言数据挖掘》、《胸有成竹：数据分析的SASEG 进阶》等多本著作。
1、推出本套课程的背景
1.1 银行转型的驱动力与举措
在过去的几十年里，银行业经历了翻天覆地的变化。从传统的以业务为中心的模式，转变为现在以客户为中心的模式，这种转变的背后，是银行业对于市场环境变化的敏锐洞察和对于新技术、新模式的积极应用。
随着科技的快速发展，特别是互联网、大数据、人工智能等技术的广泛应用，银行业面临着前所未有的挑战，同时也拥有了前所未有的机遇。在这种背景下，塑造银行业格局的5大趋势和银行转型的7大举措如下：
1.2 数据分析能力概述
数据分析能力是企业和个人在当前信息化社会中获取竞争优势的关键因素。它可以帮助我们理解过去、预测未来，并在现在做出最佳决策。我们可以将数据分析的发展过程划分为三个阶段：“只看后视镜”、“向前向后看”和“自动驾驶”。
（1）“只看后视镜”阶段。
该阶段主要是通过建立经营分析指标体系进行业务的描述、诊断和预报，如基于历史数据，建立KPI价值树，对过去的经营业绩进行分析。
（2）“向前向后看”阶段。
该阶段开始结合运营管理指标体系、客户营销指标体系和风险合规指标体系进行业务的描述、诊断和预测，制定运营层面的优化策略。
（3）“自动驾驶”阶段。
该阶段开始使用复杂的算法和机器学习技术，以实现自动化的决策过程。在这个阶段，主要使用客户营销算法体系、风险合规算法体系和运营管理算法体系进行业务预测和流程优化。
总的来说，数据分析能力的发展就像从只看后视镜，到向前向后看，再到自动驾驶的过程。随着技术的进步和数据的增长，我们可以期待数据分析能力的继续提升，为我们的决策提供更深入、更准确的洞察。
在现代企业的运营管理中，日常运营指标与标签体系融合形成闭环进行不断迭代已经成为一种重要的策略。
1.3 EDIT 数字化工作模型
数据分析与EDIT（探索、诊断、指导和工具）数字化模型之间存在密切的关系。探索阶段主要是进行统计分析，即利用数据开展统计分析工作；诊断阶段和指导阶段主要是进行策略优化，即利用报表给出诊断分析报告；工具部分主要是利用数据工具进行算法建模（算法建模）和利用数据进行业务指导（数据工程）。
1.4 银行需要建立数据人才体系
银行在面临日益复杂的市场环境和竞争压力下，需要利用数据进行决策以提高效率和效果。因此，建立一套完善的数据人才体系变得至关重要。从岗位级别与岗位职责进行体系梳理如下：
2、课程内容
本次课程内容针对数据策略分析师和算法建模工程师进行设置，下面先进行各自的岗位职责与能力的介绍，再进行课纲的介绍。
2.1 能力体系
2.1.1 数据策略分析师（对应CDA1、2级）
负责客户运营、产品营销、渠道管理和风险管理等业务领域策略分析的人员，从事业务策略分析及优化等工作。通过梳理业务流程和指标，结合用户画像，使用统计分析工具开展根因分析，诊断业务运营中存在的问题，制定应对策略。通过统计分析模型，洞察客户需求，完善产品设计，同时不断改进模型，帮助企业更好地进行信息决策。其中涉及到的能力板块和流程如下：
（1）编程能力：SQL、Python、BI
（2）统计分析：
描述性统计
统计分析基础
回归模型
数据降维
时序分析
（3）业务分析
多维透视分析
指标应用与设计
用户标签设计与制作
用户画像原理
统计模型搭建
业务策略分析及优化
（4）商业分析
用户行为分析
商品定位策略分析
产品运营分析报告
风险管理分析报告
问题根因分析报告
2.1.2 算法建模工程师（对应CDA3级）
专门从事数据挖掘的技术人员，一般在数据部、风险管理部等中后台部门从事算法模型工作。熟悉各类数据挖掘算法。可以进行深层次的客户识别、画像，以满足营销和风险控制方面的需要。其中涉及到的能力板块和流程如下：
（1）策略优化
知识图谱
CPC策略
（2）算法知识
分类模型、聚类模型
回归模型、推荐系统
集成算法、流程挖掘
（3）特征工程
数据接入
特征构建（数据降维与数据升维）
自然语言处理
（4）主题建模
精准营销建模
信用风险评分卡模型
监管与合规（“三反”）算法模型
2.2 课纲设置
2.2.1 本套课程初级（数据分析）课程大纲（奋斗者价格299元）
课程链接：
https://edu.cda.cn/goods/show/3480?targetId=5847&preview=0
01数据科学基础与EDIT数字化模型
1.1数据科学基本概念
数据科学工作范式
数据科学知识领域
1.2 EDIT模型概述
业务探查阶段（E）
根因分析阶段（D）
业务优化阶段（I）
技术和工具（T）
02业务探查阶段
2.1数据处理
SQL单表操作
表的纵向链接与SQL实现
表的横向链接与SQL实现
拆分列与堆叠列
数据清洗
2.2指标计算与数据可视化
指标体系
多维分析
业务数据可视化及分析故事线
03根因分析阶段
3.1数据采集与处理
调查研究方法
调查抽样
3.2宏观业务分析方法
业务矩阵分析法（主成分分析与因子分析方法）
用户感知分析法（对应分析和多维分析）
3.3微观业务分析方法
用户标签
用户画像
3.4产生客户洞察
验证业务直觉（假设检验与三大统计检验）
客户价值分析与线性回归
客户倾向性分析与逻辑回归
3.5宏观业务预报
趋势分解法
04业务优化阶段
4.1分群方法
用户分群简介（四种分群技术）
系统聚类算法
K-means算法
4.2运营策略
05金融数据治理及数据标准管理规范
5.1《银行业金融机构数据治理指引》
5.2《JR-T 0105-2014银行数据标准定义规范》
5.3《JR-T 0137-2017银行经营管理指标数据元标准》
2.2.2 本套课程高级（算法建模）课程大纲（奋斗者价格299元）
课程链接：
https://edu.cda.cn/goods/show/3481?targetId=5848&preview=0
01金融商业算法建模基础知识
1.1数据分析基本概念
企业中数据分析的层级
数据分析对象与成果
1.2数据挖掘基本概念
数据挖掘方法分类
数据挖掘方法论
数据挖掘建模框架
02客户决策类模型
2.1 客户价值预测常用算法
统计学假设检验
线性回归参数估计与模型检验
线性回归最优模型选择
2.2 营销响应预测常用算法
逻辑回归参数估计
判别模型与排序模型的评估指标
分类变量的处理
2.3 细分画像常用算法
用户画像与用户标签
连续变量降维算法
层次聚类法
k-Means聚类法
2.4 交叉销售常用算法
关联规则
序贯模型
03问题识别类模型
3.1 申请反欺诈建模常用算法
决策树与组合算法
最近邻域法和朴素贝叶斯法
支持向量机
神经网络
3.2 违规行为识别建模常用算法
孤立森林
局部异常因子
04优化分析类模型
4.1 预测技术
效应分解法
ARIMA算法
长短期记忆模型
4.2 运筹优化
线性规划
整数规划
二次规划
4.3 流程挖掘
流程发现
流程监控
流程遵循
05模型评估与监控
5.1 前端监控
业务指标
评分分布稳定性
特征分布稳定性
5.2 后端指标
评分正确性
变量有效性
06算法工程化
6.1 项目工程结构
项目工程结构
6.2 数据工程代码
代码可读性
数据处理性能
3、福利介绍
1、报名初级课程，即“金融商业数据分析（Python、MySQL和PowerBI）” 课程的前369名同学送纸质版《金融商业数据分析：基于 Python 和 SAS 》教材。
2、报名任意一门课程的同学，均送对应教材的电子版和代码。
3、初级课程为期八周的陪伴式学习。
4、为期3个月的群内答疑。
初级课程学习周期8周，安排3次作业答疑：
第一、二周作业（作业讲解定在2月3日晚8点）
作业1：保险理赔额度的影响因素分析
进度要求：学习完成Python编程基础
第三周作业（作业讲解定在2月3日晚8点）
作业2：信用卡用户价值提升分析
第四周作业（作业讲解定在2月25日晚8点）
作业3：理财产品客群分析
第五、六周作业（作业讲解定在2月25日晚8点）
作业4：客户流失预警模型与业务策略优化
作业5：信用卡业务总量预测模型
第七周作业（作业讲解定在3月10日晚8点）
作业6：企业生命周期划分
第八周作业（作业讲解定在3月10日晚8点）
结业作业-作业7：构建信用评分卡
了解更多内容，请扫码
