信用评分和数据挖掘MANG6054

课程内容：

本课程首先定义了数据中知识发现(KDD)的概念，该概念由三个步骤组成：数据预处理、数据挖掘和后处理。

接下来，课程深入探讨了数据挖掘步骤，并区分了两种类型的数据挖掘：描述性数据挖掘(如聚类、关联和序列规则)和预测性数据挖掘(如回归和分类)。

然后，课程说明了如何成功地使用KDD来开发信用评分应用程序，其目的是根据客户的特征来区分好客户和坏客户(违约者)。开发良好的信用评分模型的重要性将在《巴塞尔协议II》和《巴塞尔协议III》指导原则的背景下得到强调。理论概念将使用现实生活中的信用评分案例和SAS企业矿工软件来说明。

课程大纲：

1、基本内容：数据中的知识发现；KDD过程模型；描述性与预测性数据挖掘；信用评分(问题陈述、起源和目标)；巴塞尔协议II和III的规定；风险管理；消费者信用评分、行为评分、催收评分、破产预测；基于风险的定价(信贷产品的定制)；定制记分卡与通用记分卡；开发记分卡。

2、数据预处理：选择样本；分割；应用和行为评分所需的示例变量；过采样与欠采样；信用评分特征；申请表格特征；征信机构特征；拒绝推论；好与坏的定义；二元与三元分类(好、坏和不确定)；离群点检测；缺少值；名义变量与序数变量。

3、数据挖掘：分类的基本概念；分类技术(逻辑回归、决策树、神经网络)；过度拟合与一般化；输入选择(过滤器、包装器等)；设置截止时间；衡量记分卡绩效(ROC曲线、Lift、Gini等)。

4、后期处理：报告；策略曲线；利润计分；重新校准记分卡；跟踪记分卡。

学习成果：

• 知识和理解

完成本课程后，学生将能够展示对以下内容的理解：

1、KDD和数据挖掘开发记分卡的潜力。

• 特定学科的知识和研究技能

完成本课程后，学生将能够发展以下技能：

1、使用软件开发信用评分解决方案；

2、使用数据挖掘技术开发记分卡。

• 可转移和通用技能

完成本课程后，学生将能够发展以下技能：

1、批判性地分析实施记分卡时出现的实际困难；

2、了解对其他业务环境的潜在影响(如欺诈检测、CRM)。