本文基于银行业“去运营化”的大背景展开。“去运营化”工作的开展是为了迎合当下高效运作的时代要求,将电子化、无纸化、自助化真正运用到实际工作中,带给客户更为新颖与便捷的服务体验。银行在运营管理方面的变更措施,目的都只有一个:形成更高效、更经济的运营模式,在这个过程中节约物料成本、运输成本、时间成本、人力成本。介于这样的时代背景,本文考虑运用管理模式转变中的风险管控问题,从银行对公账户这个切入点出发,运用数字化模型对其进行分类研究,将传统的“定性”的运营管控模式变为“定量”考量。本文运用决策树模型对银行对公账户的对账问题进行分类研究,选取运营工作开展中的各项账户属性作为变量。将训练集采用CART算法构建决策树模型,根据Gini系数最小原则,产生分类规则。在构建随机森林的时候考虑了过度拟合问题、样本非平衡问题。通过改变抽样方法和调整变量权重来改善模型。本文还定义了一个基于实证现实背景的损失代价系数,基于该系数构造了一个评估模型的效用统计量Q。在实证阶段,本文构建了四个随机森林,他们的关系是一步步推进的。首先是采用随机抽样的方式生成随机森林;再使用bagging抽样的方式生成第二个随机森林;第三个是通过调整变样权重生成的随机森林;第四个是在第三个的基础上又增加了损失代价的随机森林。通过混淆矩阵、ROC曲线以及效用统计量Q对这四个模型进行评价,最终得到一个效果良好的随机森林模型。本文的创新点总结如下:1、查看文献可以发现,现在数据挖掘在银行领域的运用一般局限于资产业务,实际运用到运营管理的研究还很少。但是基于现在的时代背景,如果要将“去运营化”真正实施到位,纯定性的考量指标是远远不够的,数据化的引入势在必行。本文就针对这一点开展研究。2、基于第一点原因的延伸,我们可以发现,随机森林算法在银行领域的运用大多局限在以下两个方面:一方面是对客户资产做分析,根据客户的属性特征来判别价值客户;另一方面是运用在贷款授信或者信用卡授信方面,通过客户特征给定授信额度。本文不同于以往研究的是:将针对运营数据进行分析,从运营维护角度出发,得出账户分类结果,提出相应的运维及监管意见。3、根据本文所研究问题的实际背景情况,一个大前提就是风险可控,因此模型结果中两类样本互相之间的误判代价是不同的。如果为了追求简化流程而将“不好”的账户归类为“好”的账户,导致企业对账失败或不对账,这样的做法是得不偿失的。为了解决这个问题,本文将误判代价引入到模型的构建中去。