互联网金融行业如今正面临来自信贷风险管理的巨大挑战。在高维度、大批量、多缺值、快更迭的互联网大数据环境下,往日的成熟模型正在快速失效,对预测模型的新需求却已纷至沓来。激烈的金融业务竞争,要求新的预测模型准确、稳定、快速、实用且能敏捷迭代,然而当前的信贷风控研究却多聚焦于算法或模型的改良上,业界亟需对可复用数据挖掘流程的优化研究。本文认为,上述互联网信贷业务和金融风控工作对违约预测的多维度实际需求,反映了业界对可行解而非最优解的期望,以及其对预测模型可快速迭代的新要求。为此,本文做了以下工作:首先,收集丰富的金融风控类论文和相关数据竞赛获奖方案,以此作为理论研究的基础材料;其次,根据对基础材料数据挖掘过程的环节拆分,归纳出传统数据挖掘流程在互联网信贷风险预测问题上的不足;再次,结合数据分析开发实务,提出了一种满意解:基于CRISP-DM衍生的专用于金融业务数据挖掘的改进型流程模型CRPSP-DM（Credit Risk Predict Standard Process for Data Mining）;而后,采用比对实验的方式演示和说明了CRPSP-DM流程的工作原理及与CRISP-DM流程的异同;最后,通过对多实验数据集的实验结果和论证分析,证明了CRPSP-DM模型作为快速高效的金融风控预测解决方案,除适用于互联网信贷数据集外,其提供的海量特征在面对其他数值型数据集时,亦能满足预测精度和敏捷开发的业务需求。本研究包含三点创新:1、方法创新。本文提出了一种高效的特征工程生成算法AGF,实现了33个AGF算法下的特征生成方法;2、流程模型创新。本文提出的CRPSPDM流程模型可适用于包含互联网金融数据集在内的多种数值型数据集的数据挖掘流程;3、研究角度创新。针对现有文献和学界成果进行分析和拆解,找到传统数据挖掘流程在互联网信贷风险预测问题的适用缺陷,结合敏捷开发和面向对象思想,提出针对问题的新挖掘流程,并在此基础上探索新流程在不同数据集的可用性。同时,本文研究为以下工作提供了贡献:1、为当前金融数据环境中的信贷违约预测提出了一种新的可行方案,用以适应数据集高维度、大数据量和正负样本失衡等问题;2、在保证较高精度的前提下,缩短了传统数据挖掘流程应用于金融风险预测问题时的开发周期;3、与基准算法模型GBM相比,使用CRPSP-DM流程开发的风险预测集成模型开发周期更短,特征有效性更高,鲁棒性更强。