Eternity
数据分析师
中粮可口可乐饮料有限公司 · 1年经验
日薪：
￥500/8h
地点：
成都 金牛
时间：
下班后周六周日
信用行为
0
接单数
0
评价数
0
收藏数
技术能力
熟练应用 Python 及其相关库（如 Pandas、Numpy、Matplotlib 等）。
熟悉数据分析全流程，熟练掌握各种数据分析常见工具。
熟练 Excel 函数应用（如:vlookup、sumif、countif 等）、Mysql 数据库语句、PowerBI 等工具进行数据分析及
可视化操作。
具备一定的数据挖掘能力，能够使用 SKlearn 等常见科学计算库进行分类、回归、聚类、降维、词向量分析等创
建数据模型，完成对数据的分析及预测。
熟悉数据分析全流程，熟练掌握各种数据分析常见工具。
熟练 Excel 函数应用（如:vlookup、sumif、countif 等）、Mysql 数据库语句、PowerBI 等工具进行数据分析及
可视化操作。
具备一定的数据挖掘能力，能够使用 SKlearn 等常见科学计算库进行分类、回归、聚类、降维、词向量分析等创
建数据模型，完成对数据的分析及预测。
项目经验
信用卡交易欺诈风险预测
项目背景：为了预测持卡人是否会发生信用卡被盗刷，通过利用信用卡的历史交易数据，进行机器学习，构建信用卡
反欺诈预测模型，提前发现客户信用卡被盗刷的事件。
工具：Python（Pandas、Numpy、Matplotlib、逻辑回归、随机森林、XGboost 模型、Bagging 算法）。
主要职责：
数据提取与清洗：获取用户信息数据，对数据基本情况、统计值等进行查看。
特征工程：（1）对这两列特征进行标准化处理;（2）查看特征值与因变量标签之间的关系以及对数据进行共线
性筛查;（3）对数据分类标签查看被盗刷与未被盗刷比例失衡情况，被盗刷占所有交易的 0.172％，因此采用
随机过采样方法平衡数据集。
模型和调优：选取逻辑回归、随机森林、XGboost 和 Bagging 算法进行交叉验证训练，对比模型效果，并使
用网络搜索找到相应的最优超参数。
模型迭代和评估：（1）将各模型对应的最优超参数带入对应模型中，并计算出准确率、精确率、召回率、
F1_score 和 AUC 曲线面积;（2）选出 AUC 面积值最大的两个模型（逻辑回归和 XGboost）再进行
VotingClassifier 集成学习。
项目成果：
该集成学习模型最终预测准确率、精确率、召回率都达到 90%以上，基于此模型对信用卡交易数据进行预
测能找出更多的信用卡被盗刷的持卡人，有助于平台对危险用户进行识别和处理，降低风险。
项目背景：为了预测持卡人是否会发生信用卡被盗刷，通过利用信用卡的历史交易数据，进行机器学习，构建信用卡
反欺诈预测模型，提前发现客户信用卡被盗刷的事件。
工具：Python（Pandas、Numpy、Matplotlib、逻辑回归、随机森林、XGboost 模型、Bagging 算法）。
主要职责：
数据提取与清洗：获取用户信息数据，对数据基本情况、统计值等进行查看。
特征工程：（1）对这两列特征进行标准化处理;（2）查看特征值与因变量标签之间的关系以及对数据进行共线
性筛查;（3）对数据分类标签查看被盗刷与未被盗刷比例失衡情况，被盗刷占所有交易的 0.172％，因此采用
随机过采样方法平衡数据集。
模型和调优：选取逻辑回归、随机森林、XGboost 和 Bagging 算法进行交叉验证训练，对比模型效果，并使
用网络搜索找到相应的最优超参数。
模型迭代和评估：（1）将各模型对应的最优超参数带入对应模型中，并计算出准确率、精确率、召回率、
F1_score 和 AUC 曲线面积;（2）选出 AUC 面积值最大的两个模型（逻辑回归和 XGboost）再进行
VotingClassifier 集成学习。
项目成果：
该集成学习模型最终预测准确率、精确率、召回率都达到 90%以上，基于此模型对信用卡交易数据进行预
测能找出更多的信用卡被盗刷的持卡人，有助于平台对危险用户进行识别和处理，降低风险。
Eternity
数据分析师 · 1年经验 · 中粮可口可乐饮料有限公司
0
累计接单
0
用户评价
0
被收藏
信用行为
0
接单数
0
评价数
0
收藏数
技术能力
熟练应用 Python 及其相关库（如 Pandas、Numpy、Matplotlib 等）。
熟悉数据分析全流程，熟练掌握各种数据分析常见工具。
熟练 Excel 函数应用（如:vlookup、sumif、countif 等）、Mysql 数据库语句、PowerBI 等工具进行数据分析及
可视化操作。
具备一定的数据挖掘能力，能够使用 SKlearn 等常见科学计算库进行分类、回归、聚类、降维、词向量分析等创
建数据模型，完成对数据的分析及预测。
熟悉数据分析全流程，熟练掌握各种数据分析常见工具。
熟练 Excel 函数应用（如:vlookup、sumif、countif 等）、Mysql 数据库语句、PowerBI 等工具进行数据分析及
可视化操作。
具备一定的数据挖掘能力，能够使用 SKlearn 等常见科学计算库进行分类、回归、聚类、降维、词向量分析等创
建数据模型，完成对数据的分析及预测。
项目经验
信用卡交易欺诈风险预测
项目背景：为了预测持卡人是否会发生信用卡被盗刷，通过利用信用卡的历史交易数据，进行机器学习，构建信用卡
反欺诈预测模型，提前发现客户信用卡被盗刷的事件。
工具：Python（Pandas、Numpy、Matplotlib、逻辑回归、随机森林、XGboost 模型、Bagging 算法）。
主要职责：
数据提取与清洗：获取用户信息数据，对数据基本情况、统计值等进行查看。
特征工程：（1）对这两列特征进行标准化处理;（2）查看特征值与因变量标签之间的关系以及对数据进行共线
性筛查;（3）对数据分类标签查看被盗刷与未被盗刷比例失衡情况，被盗刷占所有交易的 0.172％，因此采用
随机过采样方法平衡数据集。
模型和调优：选取逻辑回归、随机森林、XGboost 和 Bagging 算法进行交叉验证训练，对比模型效果，并使
用网络搜索找到相应的最优超参数。
模型迭代和评估：（1）将各模型对应的最优超参数带入对应模型中，并计算出准确率、精确率、召回率、
F1_score 和 AUC 曲线面积;（2）选出 AUC 面积值最大的两个模型（逻辑回归和 XGboost）再进行
VotingClassifier 集成学习。
项目成果：
该集成学习模型最终预测准确率、精确率、召回率都达到 90%以上，基于此模型对信用卡交易数据进行预
测能找出更多的信用卡被盗刷的持卡人，有助于平台对危险用户进行识别和处理，降低风险。
项目背景：为了预测持卡人是否会发生信用卡被盗刷，通过利用信用卡的历史交易数据，进行机器学习，构建信用卡
反欺诈预测模型，提前发现客户信用卡被盗刷的事件。
工具：Python（Pandas、Numpy、Matplotlib、逻辑回归、随机森林、XGboost 模型、Bagging 算法）。
主要职责：
数据提取与清洗：获取用户信息数据，对数据基本情况、统计值等进行查看。
特征工程：（1）对这两列特征进行标准化处理;（2）查看特征值与因变量标签之间的关系以及对数据进行共线
性筛查;（3）对数据分类标签查看被盗刷与未被盗刷比例失衡情况，被盗刷占所有交易的 0.172％，因此采用
随机过采样方法平衡数据集。
模型和调优：选取逻辑回归、随机森林、XGboost 和 Bagging 算法进行交叉验证训练，对比模型效果，并使
用网络搜索找到相应的最优超参数。
模型迭代和评估：（1）将各模型对应的最优超参数带入对应模型中，并计算出准确率、精确率、召回率、
F1_score 和 AUC 曲线面积;（2）选出 AUC 面积值最大的两个模型（逻辑回归和 XGboost）再进行
VotingClassifier 集成学习。
项目成果：
该集成学习模型最终预测准确率、精确率、召回率都达到 90%以上，基于此模型对信用卡交易数据进行预
测能找出更多的信用卡被盗刷的持卡人，有助于平台对危险用户进行识别和处理，降低风险。
案例展示
客户群体分析、信用卡交易欺诈风险
项目介绍：根据某电商平台最近一年的销售数据，基于 RFM（Recency， Frequency， Monetary）模型，对客 户行为和价值进行深入分析，以优化市场营销策略和提升客户满意度。 主要职责： 使用 Python 和 SQL 从电商平台的数据库中提取和清洗大规
客户群体分析、信用卡交易欺诈风险
项目介绍：根据某电商平台最近一年的销售数据，基于 RFM（Recency， Frequency， Monetary）模型，对客 户行为和价值进行深入分析，以优化市场营销策略和提升客户满意度。 主要职责： 使用 Python 和 SQL 从电商平台的数据库中提取和清洗大规
客户群体分析、信用卡交易欺诈风险
项目介绍：根据某电商平台最近一年的销售数据，基于 RFM（Recency， Frequency， Monetary）模型，对客 户行为和价值进行深入分析，以优化市场营销策略和提升客户满意度。 主要职责： 使用 Python 和 SQL 从电商平台的数据库中提取和清洗大规
立即沟通
