前言
第1章 数据思维与商业银行数字化转型
1.1 数据思维及其重要性
1.1.1 大家都在说的数据思维是什么
1.1.2 数据思维对企业精细化经营、创新、流程优化的作用
1.2 数据思维的表现形式
1.2.1 构建有效的监控体系和客观的评价标准
1.2.2 用合理的分析方法探究原因以及评价效果
1.2.3 综合运用统计学知识对业务经营效果进行预测
1.3 为什么商业银行数字化转型需要建立数据思维
1.3.1 商业银行数字化转型需要建立数据思维
1.3.2 大量银行正在应用数据思维改造自己的业务
1.4 如何建立数据思维
1.4.1 树立目标意识
1.4.2 养成基于数据下结论的习惯
1.4.3 熟悉银行常用的数据分析方法与场景
1.4.4 通过数据思维持续改善业务
1.4.5 掌握统计学思维
1.4.6 培养数据分析工作的热情与信心
1.4.7 掌握常见的数据分析工具
1.5 本章小结
第2章 通过数据指标洞悉业务运行状态
2.1 数据指标体系的定义、价值
2.1.1 数据指标体系的定义
2.1.2 数据指标体系的价值
2.1.3 数据指标的类型
2.1.4 银行业务中数据指标体系的应用价值
2.2 数据指标的设计方法
2.2.1 指标设计的过程与分类
2.2.2 指标的尺度特性
2.2.3 指标的时间特性
2.2.4 指标评价
2.2.5 银行业务中常见的数据指标
2.3 数据指标体系的构建
2.3.1 搭建数据指标体系
2.3.2 数据指标体系的评价
2.3.3 银行业务中常见的数据指标体系
2.4 数据指标构建相关工具
2.4.1 数据操作工具
2.4.2 数据仓库工具
2.4.3 商业智能工具
2.4.4 数据可视化工具
2.5 利用数据看板和管理经营驾驶舱了解业务的运行情况
2.5.1 数据看板
2.5.2 管理经营驾驶舱
2.6 本章小结
第3章 运用数据手段解决业务经营中的专项问题
3.1 运用指标体系发现业务中存在的异常
3.1.1 数据异动分析方法
3.1.2 通过业务规则发现数据中的异常
3.1.3 通过统计方法发现数据中的异常
3.1.4 通过机器学习方法发现数据中的异常
3.1.5 通过专家经验库发现数据中的异常
3.2 运用对比分析了解业务现状
3.2.1 对比分析法
3.2.2 平均分析法
3.2.3 综合评价分析法
3.2.4 同比热力图分析法
3.3 利用相关性分析业务现状
3.3.1 原因分析的方法框架
3.3.2 原因分析中的统计学知识
3.3.3 相关性分析与相关系数
3.3.4 图表相关分析（折线图及散点图）
3.3.5 协方差及协方差矩阵
3.4 利用因果分析与推断分析业务现状
3.4.1 随机实验
3.4.2 PSM
3.4.3 DID
3.4.4 Uplift
3.4.5 鱼骨图
3.4.65 W2H
3.4.7 双重机器学习
3.4.8 因果树
3.4.9 因果推断工具
3.5 利用归因分析分析业务现状
3.5.1 首次互动模型
3.5.2 末次互动模型
3.5.3 时间衰减归因模型
3.5.4 线性归因模型
3.5.5 末次非直接点击互动模型
3.6 基于数据分析报告总结业务原因
3.6.1 数据分析报告的结构
3.6.2 数据分析报告写作的核心方法
3.6.3 数据分析报告中可视化方法的运用
3.7 本章小结
第4章 基于数据进行科学决策
4.1 科学决策的概念与理论
4.1.1 科学决策的概念与流程
4.1.2 基于经验进行决策的缺陷
4.1.3 决策科学与数据科学
4.2 进行科学决策的步骤
4.2.1 明确应用场景，理解管理者思维逻辑
4.2.2 构建指标体系，明确运营状况的衡量尺度
4.2.3 明确各类业务分析模型
4.2.4 友好的功能设计，为决策者提供门户
4.2.5 注重对外展示，整体规划展示大屏
4.3 本章小结
第5章 基于数据挖掘方法实现数智化运营
5.1 数据挖掘的概念与应用
5.1.1 什么是数据挖掘
5.1.2 数据挖掘相关术语
5.1.3 数据挖掘过程概述
5.1.4 数据挖掘的核心方法——机器学习
5.1.5 数据挖掘在银行经营中的应用场景
5.2 数据挖掘典型任务之数据分类
5.2.1 数据分类任务的概念与典型应用场景
5.2.2 分类任务的整体实施流程
5.2.3 分类任务典型算法之决策树
5.2.4 分类任务典型算法之神经网络
5.2.5 分类任务典型算法之集成学习
5.2.6 分类任务在银行经营中的应用场景
5.3 数据挖掘典型任务之数值预测
5.3.1 数值预测任务的概念与典型应用场景
5.3.2 数值预测任务的整体实施流程
5.3.3 回归分析经典算法之线性回归
5.3.4 回归分析经典算法之非线性回归
5.3.5 回归分析经典算法之时间序列
5.3.6 回归分析经典算法之逻辑回归
5.3.7 数值预测任务在银行经营中的应用场景
5.4 数据挖掘典型任务之资源分配
展开
