陈春宝、徐筱刚、田建中著的《SAS金融数据挖掘与建模(系统方法与案例解析)/SAS大学技术丛书》是一部从实战角度讲解如何利用SAS对金融数据进行挖掘与建模的专著，由SAS大学授权撰写，是SAS大学的指定参考书，也是“SAS大学技术丛书”的靠前本书。

陈春宝，上海交通大学工业工程博士，现任职于某商业银行，担任大数据专家。在银行、信用卡、医药与电信等行业拥有十年数据挖掘与建模经验，工作跨大数据、营销、风控、运营等多个领域，擅长诊断各类业务问题，应用商业和大数据手段获得创新性的解决方案并有效实施。曾担任美国管理科学协会咨询顾问、交通银行信用卡中心数据分析经理、上海交大工程硕士企业导师。著有《大数据与机器学习：实践方法与行业案例》一书，在SCI&El索引期刊发表论文10余篇。
徐筱刚，上海某金融机构不错数据分析师，具有深厚的数理统计与应用数据分析专业背景，8年数据分析与挖掘从业经验，曾就职于零售企业、咨询公司等，独立或带团队完成零售、电信、金融等多个大型数据挖掘项目。
田建中，北京师范大学管理学硕士，先后在电信业、银行业从事数据仓库建设、数据建模咨询等工作，对数据挖掘在营销中的应用有深入研究，拥有10多年的SAS开发经验。曾就职于河北移动、美商天睿有限公司，现就职于某大型商业银行大数据管理部，从事数据挖掘、业务用例研究及营销体系建设等工作。

赞誉
序
前言
章 金融数据挖掘与建模应用场景
1.1 客户数据挖掘的价值
1.2 金融客户生命周期及数据应用场景
1.3 具代表性的数据应用场景
第2章 客户获取：信用卡客户欺诈评分案例
2.1 案例背景
2.2 数据准备与预处理
2.2.1 数据源
2.2.2 变量设计
2.3 构建评分模型
2.3.1 算法选择
2.3.2 模型训练
2.3.3 模型评估
2.4 评分模型的应用
2.5 小结
第3章 客户提升：信用卡客户精准营销案例
3.1 案例背景
3.2 建模准备
3.2.1 准备数据
3.2.2 数据预处理
3.2.3 过度抽样
3.2.4 构造训练集及测试集
3.3 数据清洗及变量粗筛
3.3.1 连续变量与连续变量之间
3.3.2 分类变量和分类变量之间
3.3.3 分类变量和连续变量之间
3.3.4 数据的错误及缺失值
3.3.5 数据离群值
3.3.6 重编码
3.4 变量压缩与转换变量
3.4.1 分类变量的水平数压缩
3.4.2 连续变量聚类
3.4.3 连续变量的分箱
3.4.4 变量的转换
3.5 模型训练
3.5.1 关于Logistic回归
3.5.2 变量筛选方法
3.6 模型评估
3.6.1 模型估计
3.6.2 模型评估
3.6.3 调整过度抽样
3.6.4 收益矩阵
3.6.5 模型转换为打分卡
3.7 模型的部署及更新
3.7.1 模型的部署
3.7.2 模型的监测及更新
3.8 本章小结
第4章 客户成熟：银行零售客户渠道偏好细分案例
4.1 案例背景
4.2 聚类分析流程
4.3 数据标准化
4.3.1 标准化介绍
4.3.2 标准化实现
4.4 变量聚类
4.4.1 变量聚类介绍
4.4.2 变量聚类基本步骤
4.4.3 SAS实现变量聚类
4.5 变量降维与可视化
4.5.1 图形化探索
4.5.2 主成分分析法降维
4.6 ACECLUS预处理过程
4.6.1 ACECLUS介绍
4.6.2 ACECLUS过程
4.6.3 ACECLUS示例
4.7 系统聚类分析
4.7.1 系统聚类法
4.7.2 样本与样本之间的度量
4.7.3 距离定义与测量
4.7.4 相关系数
4.7.5 类与类之间的度量
4.7.6 系统聚类法
4.7.7 不同系统聚类法之间的比较
4.7.8 类个数的确定
4.8 快速聚类
4.8.1 快速聚类法
4.8.2 快速聚类法实现
4.8.3 快速聚类法优缺点
4.9 两步聚类法
4.9.1 两步聚类法
4.9.2 两步聚类法实现
4.10 本章小结
第5章 客户衰退：银行贷款违约预测案例
5.1 案例背景
5.2 维度分析
5.3 建模分析
5.4 业务应用
5.5 小结
第6章 客户挽留：信用卡客户流失管理案例
6.1 案例背景
6.2 数据准备
6.2.1 设定目标变量
6.2.2 设定时间窗
6.2.3 设计预测变量
6.2.4 准备数据宽表
6.3 流失倾向预警：用Logistic回归构建响应率模型
6.3.1 粗分类
6.3.2 计算分组变量的WOE值和IV值
6.3.3 共线性检验
6.3.4 模型训练：显著性检验
6.3.5 模型评估
6.4 潜在客户价值预测：两阶段建模法
6.4.1 阶段1概率预测
6.4.2 阶段2数值预测
6.4.3 模型评估
6.5 细分：差异化营销服务的基础
6.6 小结