chestnut
题目2 低资产客户提升预测
术语
- AUM：个人金融资产
提供数据
连续三个月月底时点的 资产
- 个人定期存款账户信息 IDV_TD
- 个人活期存款账户信息 IDV_DPSA
- 贷款账户信息 LOAN
- 国债账户信息 BOND
- 基金账户信息 FUND
- 贵金属账户信息 PREC_METAl
- 代理保险账户信息 AGET_INSR
- 第三方存管账户信息 THR_PTY_CSTD 客户
- 个人客户基本信息 IDV_CUST_BASIC 交易
- 交易信息 TR_DC 其他
- 汇率表 BASE_EXCG
- 客户标记 CUST_RESULT
数据清洗
客户表及客户标记表，count=38256，估计为全部客户数量 交易表count=3390450，据CUST_NO去重后count=36041 各资产表count依次为 - 个人定期存款账户信息 IDV_TD 3449/30989 - 个人活期存款账户信息 IDV_DPSA 38217/262572 - 贷款账户信息 LOAN 3905/23978 - 国债账户信息 BOND 231/1510 - 基金账户信息 FUND 4704/68377 - 贵金属账户信息 PREC_METAl 3021/10611 - 代理保险账户信息 AGET_INSR 2532/12045 - 第三方存管账户信息 THR_PTY_CSTD 6427/28977 具体信息见内网平台上的dataPreview.
数据表分类
大致分三类：资产、负债、交易。资产分存款和其他。
- 资产（存款）：对应IDV_TD、IDV_DPSA
- 资产（其他）：BOND、FUND、PREC_METAL、AGET_INSR、THR_PTY_CSTD
- 负债（贷款）：LOAN
- 交易：TR_DC
数据清洗和特征提取
目前想到比较简单的思路是，对各个表余额字段分别求和、其他有意义的字段求count（如账户数量/保单数量求count、贵金属品种/险种/基金产品类型求distinct count）。得到一个比较简单的以客户为维度的，每位客户一条的数据。
Reference
仅作学习整理
5th place solution
@Reference/5th
Tanzania Challenge移动金融潜在客户预测比赛第五名方案
data_process
@Reference/data_process
提供数据处理的若干种方法
Rong360
@Reference/Rong360
智慧**杯全国大数据创新应用大赛
Github链接 有两个文件比较大就没上传
- 利用Python进行数据分析.pdf
- 20170119_D.model
React
Typescript
Django
Laravel
Facebook
Microsoft
Google
Alibaba
D3
Tencent
