拍贷“魔镜风控系统”从平均 拍贷“魔镜风控系统”从平均 拍贷“魔镜风控系统”从平均 拍贷“魔镜风控系统”从平均 拍贷“魔镜风控系统”从平均 拍贷“魔镜风控系统”从平均 拍贷“魔镜风控系统”从平均 拍贷“魔镜风控系统”从平均 400 个数据维度评估用户当前的信状态，给每借款 个数据维度评估用户当前的信状态，给每借款 个数据维度评估用户当前的信状态，给每借款 个数据维度评估用户当前的信状态，给每借款 个数据维度评估用户当前的信状态，给每借款 个数据维度评估用户当前的信状态，给每借款 个数据维度评估用户当前的信状态，给每借款 个数据维度评估用户当前的信状态，给每借款 个数据维度评估用户当前的信状态，给每借款 个数据维度评估用户当前的信状态，给每借款 人打出当前状态的 信用分，在此基础上再结合新发标息对于每个人打出当前状态的 信用分，在此基础上再结合新发标息对于每个人打出当前状态的 信用分，在此基础上再结合新发标息对于每个人打出当前状态的 信用分，在此基础上再结合新发标息对于每个人打出当前状态的 信用分，在此基础上再结合新发标息对于每个人打出当前状态的 信用分，在此基础上再结合新发标息对于每个人打出当前状态的 信用分，在此基础上再结合新发标息对于每个人打出当前状态的 信用分，在此基础上再结合新发标息对于每个人打出当前状态的 信用分，在此基础上再结合新发标息对于每个人打出当前状态的 信用分，在此基础上再结合新发标息对于每个人打出当前状态的 信用分，在此基础上再结合新发标息对于每个人打出当前状态的 信用分，在此基础上再结合新发标息对于每个人打出当前状态的 信用分，在此基础上再结合新发标息对于每个人打出当前状态的 信用分，在此基础上再结合新发标息对于每个人打出当前状态的 信用分，在此基础上再结合新发标息对于每个人打出当前状态的 信用分，在此基础上再结合新发标息对于每个人打出当前状态的 信用分，在此基础上再结合新发标息对于每个6个月内逾 个月内逾 期率的预测 ，为投资人提供关键决策依据。本次竞赛目标是根用户历史行数来期率的预测 ，为投资人提供关键决策依据。本次竞赛目标是根用户历史行数来期率的预测 ，为投资人提供关键决策依据。本次竞赛目标是根用户历史行数来期率的预测 ，为投资人提供关键决策依据。本次竞赛目标是根用户历史行数来期率的预测 ，为投资人提供关键决策依据。本次竞赛目标是根用户历史行数来期率的预测 ，为投资人提供关键决策依据。本次竞赛目标是根用户历史行数来期率的预测 ，为投资人提供关键决策依据。本次竞赛目标是根用户历史行数来期率的预测 ，为投资人提供关键决策依据。本次竞赛目标是根用户历史行数来期率的预测 ，为投资人提供关键决策依据。本次竞赛目标是根用户历史行数来期率的预测 ，为投资人提供关键决策依据。本次竞赛目标是根用户历史行数来期率的预测 ，为投资人提供关键决策依据。本次竞赛目标是根用户历史行数来期率的预测 ，为投资人提供关键决策依据。本次竞赛目标是根用户历史行数来期率的预测 ，为投资人提供关键决策依据。本次竞赛目标是根用户历史行数来期率的预测 ，为投资人提供关键决策依据。本次竞赛目标是根用户历史行数来期率的预测 ，为投资人提供关键决策依据。本次竞赛目标是根用户历史行数来期率的预测 ，为投资人提供关键决策依据。本次竞赛目标是根用户历史行数来期率的预测 ，为投资人提供关键决策依据。本次竞赛目标是根用户历史行数来期率的预测 ，为投资人提供关键决策依据。本次竞赛目标是根用户历史行数来期率的预测 ，为投资人提供关键决策依据。本次竞赛目标是根用户历史行数来用户在未来 用户在未来 用户在未来 6个月内是否会逾期还款的概率。 个月内是否会逾期还款的概率。 个月内是否会逾期还款的概率。 个月内是否会逾期还款的概率。 个月内是否会逾期还款的概率。 个月内是否会逾期还款的概率。 个月内是否会逾期还款的概率。 问题转换成 问题转换成 问题转换成 2分类问题，评估指标为 分类问题，评估指标为 分类问题，评估指标为 分类问题，评估指标为 分类问题，评估指标为 分类问题，评估指标为 分类问题，评估指标为 AUC ，从 Master Master Master，LogInfoLogInfo LogInfo ，UpdateInfo UpdateInfo UpdateInfo 表中构建 表中构建 特征，考虑评估指标为 特征，考虑评估指标为 特征，考虑评估指标为 特征，考虑评估指标为 特征，考虑评估指标为 AUC AUC，其本质是排序优化问题，所以我们在模型顶层融合也使用基于 ，其本质是排序优化问题所以我们在模型顶层融合也使用基于 ，其本质是排序优化问题所以我们在模型顶层融合也使用基于 ，其本质是排序优化问题所以我们在模型顶层融合也使用基于 ，其本质是排序优化问题所以我们在模型顶层融合也使用基于 ，其本质是排序优化问题所以我们在模型顶层融合也使用基于 ，其本质是排序优化问题所以我们在模型顶层融合也使用基于 ，其本质是排序优化问题所以我们在模型顶层融合也使用基于 ，其本质是排序优化问题所以我们在模型顶层融合也使用基于 ，其本质是排序优化问题所以我们在模型顶层融合也使用基于 ，其本质是排序优化问题所以我们在模型顶层融合也使用基于 ，其本质是排序优化问题所以我们在模型顶层融合也使用基于 ，其本质是排序优化问题所以我们在模型顶层融合也使用基于 ，其本质是排序优化问题所以我们在模型顶层融合也使用基于 ，其本质是排序优化问题所以我们在模型顶层融合也使用基于 排序优化的 排序优化的 排序优化的 RANK_AVG RANK_AVG RANK_AVG融合方法。 融合方法。

merchants_bank 消费金融场景下的用户购买预测 A榜： 53名 线上 0.86871 B榜： 48名 线上 0.86027 特征分析： 一. 个人属性与信用卡消费数据：包含80000名信用卡客户的个人属性与信用卡消费数据，其中包含枚举型特征和数值型特征，均已转为数值并进行了脱敏和标准化处理。 （无缺失，待具体分析） 二. app操作行为日志：上述信用卡客户中，部分已绑定掌上生活app的客户，在近一个月时间窗口内的所有点击行为日志。（有缺失） 其中，点击模块名称均为数字编码（形如231-145-18），代表了点击模块的三个级别（如饭票-代金券-门店详情） 三. 标注数据：包括客户号及标签。其中，标签数据为用户是否会在未来一周，购买掌上生活app上的优惠券。

merchants_bank_src 特征:信用卡消费数据+点击模块 问题一:用户操作日志只有一部分没有 解决方法:填充数据(根据已经知道的用户操作日志数据建立模型,用模型去预测预测没有日志的用户的操作日志) 问题二:样本不平均(0和1不平衡,0多) 解决方法:向下采样 问题三:特征过少 解决方法:特征交叉(几个特征结合) 问题四:特征增加后进行特征选择 方法:计算每个特征的信息熵

消费金融

用户购买消费金融场景中的预测 参加2018年招行金融预测比赛 1，从数据预处理，到特征工程，到模型预测均在py文件中； 2，单模型0.860； 3，最终通过融合进入决赛； 4，成绩不够好，望大佬们莫嘲笑。

    《金融现金贷用户数据分析和用户画像》课程用python代码对LendingClub平台贷款数据分析和用户画像，针对银行，消费金融，现金贷等场景，教会学员用python实现金融信贷申请用户数据分析。项目采用lendingclub 12万多条真实信贷数据，包括用户年收入，贷款总额，分期金额，分期数量，职称，住房情况等几十个维度。通过课程学习，我们发现2019年四季度时候，美国多头借贷情况非常严重，为全球系统性金融危机埋下种子。

2018年我国消费金融市场规模约8.45万亿元，预计2020年将达12万亿元，行业前景广阔。 2018-2019年，消费金融项目数量渐增，热度不减，但长尾明显，资本向头部项目集中。 目前从整体来看，消费金融市场竞争格局较为分散，尚未形成垄断局面。在传统银行、持牌消费金融、互联网消费金融领域均有领先的优势企业出现，各具特色，各有所长。 大数据分析、人工智能、物联网和区块链等金融科技的应用正在颠覆金融行业价值链。目前较为成熟的是大数据分析和人工智能，用以解决消费金融领域存在于贷前、贷中和贷后流程中的诸多痛点问题。 随着国内金融行业监管收紧，消费金融领域历经多年规范与洗牌，利润空间收窄，对客户需求和风险点识别要求更加精准，智能风控将成为消费金融发展的关键。

采集频次方面，不带支付功能的APP为每次10秒，带有支付功能的APP为每次1秒统计周期： 2016年1月至2017年9月指标说明：DAU---日活跃用户量MAU

互联网消费金融全文共5页，当前为第1页。互联网消费金融全文共5页，当前为第1页。互联网消费金融——呼叫中心解决方案 互联网消费金融全文共5页，当前为第1页。 互联网消费金融全文共5页，当前为第1页。 导语：随着时代的发展，消费金融异军突起，今年的两会上国家在政策上也提出"要在全国开展消费金融公司试点，鼓励金融机构创新消费信贷产品。"并且新技术云计算、大数据的应用，为互联网消费金融提供了技术支持，但是在这种机遇下金融企业要想成为行业领头羊却并非易事 呼叫中心行业概况 扮演的角色 1、电销：消费金融企业一般会建立自己的网站或者APP等，通过各种手段吸引用户注册，然后企业通过电话进行销售 2、信审：企业通过电话进行客户的信用审查 3、催收：通过各种手段催促债务人按期还款、逾期还款等 4、客服：客户服务就是品牌，用专业的客户服务提升品牌价值 面临的挑战 1、人员效率挑战 互联网消费金融全文共5页，当前为第2页。互联网消费金融全文共5页，当前为第2页。在一线城市中，一个标准的呼叫中心大概配置人员200——300人之间，一年的综合运营成本估算一年需要200——300万元，其中80%的的成本都在人员

序号,分类,品牌名,成立/发布日期,公司全称 1,行业巨头,京东白条,41671,京东集团 2,,阿里花呗,41974,阿里巴巴集团 3,,国美消费金融（筹）,2015年,国美控股集团 4,,万达消费金融（筹）,2015年,万达集团 5,,平安消费金融,42186,平普惠金融 6,,百度有钱,42095,百度公司 7,行业巨头（金融牌照）,北银消费金融,40878,北银消费金融有限公司 8,,兴业消费金融,41974,兴业消费金融有限公司 9,,湖北消费金融,42095,湖北消费金融股份有限公司 10,,苏宁消费金融,42125,苏宁消费金融有限公司 11,,海尔消费金融,41974,海尔消费金融有限公司 12,,中银消费金融,40330,中银消费金融有限公司 13,,招联消费金融,42064,招联消费金融有限公司 14,,锦程消费金融,40238,四川锦程消费金融有限责任公司 15,,捷信消费金融,41275,捷信消费金融有限公司 16,,马上消费金融,42156,马上消费金融股份有限公司 17,大学生分期,分期乐,41487,深圳市分期乐网络科技有限公司 18,,名校贷,41548