消費(fèi)金融案例

消費(fèi)金融案例

一、單變量分析——用戶首逾率增高問題
二坛缕、用戶群組分析——對相同生命周期階段的用戶進(jìn)行垂直分析
三、用戶行為路徑漏斗轉(zhuǎn)化分析

一、單變量分析——用戶首逾率增高

案例背景

日常監(jiān)控發(fā)現(xiàn)某款消費(fèi)貸產(chǎn)品首逾率有逐漸升高的趨勢居暖，需要把首逾率降下來以減少產(chǎn)品帶來的損失，同時(shí)通過率降幅不能太明顯藤肢。


分析目標(biāo)
  • 通過數(shù)據(jù)探查分析制定出可以有效降低首逾率的策略太闺。
分析思路
  • 策略分析時(shí)的基本思路就是還原這些有首逾表現(xiàn)的客戶在申請時(shí)的數(shù)據(jù)（這個(gè)還原是指提取出客戶在申請時(shí)點(diǎn)各個(gè)維度的數(shù)據(jù)，越多越好） 嘁圈，然后利用這些數(shù)據(jù)去找出能夠區(qū)分好壞客戶的變量省骂，制定策略蟀淮。
分析流程
  1. 首先確定分析目標(biāo)，制定出降低首逾率的風(fēng)控策略钞澳；
  2. 提取數(shù)據(jù)分析樣本怠惶，提取出更多維度的客戶數(shù)據(jù)，比如客戶年齡轧粟、地區(qū)策治、負(fù)債、月收入等等兰吟；
  3. 篩選有效變量通惫，通過計(jì)算提升度，來篩選出較優(yōu)的變量混蔼。
  4. 依據(jù)上一步擬定的策略履腋，模擬一下策略執(zhí)行后的首逾率降幅。

1拄丰、數(shù)據(jù)處理

import pandas as pd
import numpy as np
from sqlalchemy import create_engine
import matplotlib.pyplot as plt
%matplotlib inline
# 創(chuàng)建數(shù)據(jù)庫連接
engine = create_engine('mysql+pymysql://frogdata05:Frogdata!1321@localhost:3306/froghd')
sql_cmd = "select * from load_datas"
# 執(zhí)行sql語句府树，獲取數(shù)據(jù)
dt = pd.read_sql(sql=sql_cmd, con=engine)
# 查看數(shù)據(jù)
dt.head()

# 修改字段名
dt.rename(columns={
    "user_id":"用戶id",
    "age":"年齡",
    "occupation":"職業(yè)",
    "work_times":"工作時(shí)間",
    "credit_score":"芝麻信用分",
    "credit_level":"信用評級",
    "credit_check_times":"近半年征信查詢次數(shù)",
    "credit_card_use_rate":"信用卡額度使用率",
    "is_overdue":"是否逾期（1是，0否）"
},inplace=True)
dt.head()

# 查看數(shù)據(jù)維度
dt.shape

(56456, 9)

2料按、查看產(chǎn)品總體情況

# 查看逾期人數(shù)占比
dt['是否逾期（1是奄侠，0否）'].value_counts().plot.pie(autopct='%.2f%%', figsize=(4,4))

總體首逾率為：30.76%


3、篩選出有效變量

  • 單變量分析：主要目的是篩選出好壞區(qū)分度較好的變量以便制定策略载矿。

在消金公司的日常工作中垄潮，會有專門的數(shù)據(jù)團(tuán)隊(duì)，他們在不斷的去獲取加工很多可能對風(fēng)險(xiǎn)控制有幫助的數(shù)據(jù)闷盔，提供給風(fēng)控團(tuán)隊(duì)弯洗，而風(fēng)控人員就需要從這成千上萬個(gè)變量中探查出能夠控制逾期風(fēng)險(xiǎn)但同時(shí)又不會誤拒很多好客戶的變量；拿到數(shù)據(jù)的第一步就是針對每個(gè)變量單獨(dú)分析逢勾，查看其對逾期的影響牡整。

3.1 征信查詢次數(shù)分組

# 定義一個(gè)征信分組的函數(shù)
def judge_zhengxin(nums):
    try:
        nums = int(nums)
        if 0<=nums and nums<3:
            return '1:[0,3)'
        elif 3<=nums and nums<6:
            return '2:[3,6)'
        elif 6<=nums and nums<12:
            return '3:[6,12)'
        elif 12<=nums and nums<21:
            return '4:[12,21)'
        elif 21<=nums:
            return '5:[21,無窮)'
    except Exception as e:
        return "6:缺失"
# 新建一個(gè)字段記錄分組信息
dt['征信分組']=dt['近半年征信查詢次數(shù)'].apply(judge_zhengxin)
dt.head()

# 分組統(tǒng)計(jì)各個(gè)分組的情況
dt_info = dt.groupby("征信分組").agg({
    "用戶id":'count',
    "是否逾期（1是，0否）":sum
}).reset_index().rename(columns={"用戶id":"區(qū)間客戶數(shù)",
                                "是否逾期（1是溺拱，0否）":"區(qū)間逾期客戶數(shù)"})
dt_info

# 計(jì)算區(qū)間用戶占比
dt_info2['區(qū)間用戶占比']=dt_info2["區(qū)間客戶數(shù)"]/dt_info2["區(qū)間客戶數(shù)"].sum()
# 計(jì)算區(qū)間首逾率
dt_info2["區(qū)間首逾率"]=dt_info2["區(qū)間逾期客戶數(shù)"]/dt_info2["區(qū)間客戶數(shù)"]
dt_info2

3.2 信用評級分組

# 定義一個(gè)征信分組的函數(shù)
def judge_pingji(level):
    if level=="A":
        return "A"
    elif level=="AA":
        return "AA"
    elif level in ("B","C","D"):
        return "BCD"
    elif level in ("E","HR","NC"):
        return "ERC"
    else:
        return "缺失"
# 新建一個(gè)字段記錄分組信息
dt['信用評級分組']=dt['信用評級'].apply(judge_pingji)
dt.head()

# 分組統(tǒng)計(jì)各個(gè)分組的情況
dt_info2 = dt.groupby("信用評級分組").agg({
    "用戶id":'count',
    "是否逾期（1是逃贝，0否）":sum
}).reset_index().rename(columns={"用戶id":"區(qū)間客戶數(shù)",
                                "是否逾期（1是，0否）":"區(qū)間逾期客戶數(shù)"})
dt_info2

# 計(jì)算區(qū)間用戶占比
dt_info2['區(qū)間用戶占比']=dt_info2["區(qū)間客戶數(shù)"]/dt_info2["區(qū)間客戶數(shù)"].sum()
# 計(jì)算區(qū)間首逾率
dt_info2["區(qū)間首逾率"]=dt_info2["區(qū)間逾期客戶數(shù)"]/dt_info2["區(qū)間客戶數(shù)"]
dt_info2

3.3年齡分組

bins=[0,25,30,35,40,45,50]
dt['工作時(shí)間分組']=pd.cut(dt['年齡'],bins=bins,right=True)
dt.head()

dt_info3=dt.groupby('工作時(shí)間分組').agg({'用戶id':'count',
                                        '是否逾期（1是迫摔，0否）':sum})
                                  .reset_index().rename(columns={'用戶id':'區(qū)間客戶數(shù)',
                                                                 '是否逾期（1是沐扳，0否）':'區(qū)間逾期客戶數(shù)'})
dt_info3

# 計(jì)算區(qū)間用戶占比
dt_info3['區(qū)間用戶占比']=dt_info3['區(qū)間客戶數(shù)']/dt_info3['區(qū)間客戶數(shù)'].sum()
# 區(qū)間首逾率
dt_info3['區(qū)間首逾率']=dt_info3['區(qū)間逾期客戶數(shù)']/dt_info3['區(qū)間客戶數(shù)']
dt_info3

4、計(jì)算提升度

在進(jìn)行變量分析之后句占，這時(shí)我們就要從中篩選中較為有效的變量了沪摄，這里涉及到一個(gè)衡量變量是否有效的指標(biāo)，提升度。

  • 提升度：通俗的來說就是衡量拒絕最壞那一部分的客戶之后杨拐，對整體的風(fēng)險(xiǎn)控制的提升效果祈餐。提升度越高，說明該變量可以更有效的區(qū)分好壞客戶哄陶，能夠更少的誤拒好客戶昼弟。
  • 計(jì)算公式：提升度=最壞分箱的首逾客戶占總首逾客戶的比例 /該分箱的區(qū)間客戶數(shù)占比
dt_info
dt_info2
dt_info3
  • 最壞分箱：設(shè)定為首逾率最高的一組

4.1征信查詢次數(shù)提升度

# 獲取最大值所在行
index1_max=dt_info["區(qū)間首逾率"].idxmax()
# dt_info.iloc[dt_info["區(qū)間首逾率"].idxmax()]
bad_rate = dt_info.iloc[index1_max]["區(qū)間逾期客戶數(shù)"]/dt_info["區(qū)間逾期客戶數(shù)"].sum()
num_rate = dt_info.iloc[index1_max]["區(qū)間客戶數(shù)"]/dt_info["區(qū)間客戶數(shù)"].sum()
deg1=bad_rate/num_rate
print('征信查詢次數(shù)的提升度：{:.2f}'.format(deg1))

征信查詢次數(shù)的提升度：1.95

4.2信用評級的提升度

# 獲取最大值所在行
index2_max=dt_info2["區(qū)間首逾率"].idxmax()
bad_rate2 = dt_info2.iloc[index2_max]["區(qū)間逾期客戶數(shù)"]/dt_info2["區(qū)間逾期客戶數(shù)"].sum()
num_rate2 = dt_info2.iloc[index2_max]["區(qū)間客戶數(shù)"]/dt_info2["區(qū)間客戶數(shù)"].sum()
deg2=bad_rate2/num_rate2
print('信用評級的提升度：{:.2f}'.format(deg2))

信用評級的提升度：1.71

4.3年齡的提升度

# 年齡的提升度
# 獲取最大值所在行
index3_max=dt_info3["區(qū)間首逾率"].idxmax()
bad_rate3 = dt_info3.iloc[index3_max]["區(qū)間逾期客戶數(shù)"]/dt_info3["區(qū)間逾期客戶數(shù)"].sum()
num_rate3 = dt_info3.iloc[index3_max]["區(qū)間客戶數(shù)"]/dt_info3["區(qū)間客戶數(shù)"].sum()
deg3=bad_rate3/num_rate3
print('年齡的提升度：{:.2f}'.format(deg3))

年齡的提升度：1.08

4.4變量篩選

對比以上三個(gè)變量中，征信查詢次數(shù)的提升度最高

5奕筐、制定策略：

  • 通過上一步的單變量分析舱痘，我們篩出了’征信查詢次數(shù)’作為提升度最高的變量。現(xiàn)在我們看一下如果將這個(gè)個(gè)變量的最壞分箱的客戶都拒絕之后离赫，對整體逾期的影響芭逝。
  • 這個(gè)影響就是指假設(shè)我們將‘征信總查詢次數(shù)>=21的3213位客戶全部拒絕’之后，剩下的客戶逾期率相比拒絕之前的逾期率降幅是多少渊胸。
# 即假設(shè)我們設(shè)置征信查詢次數(shù)這個(gè)風(fēng)控指標(biāo)旬盯，并且把查詢次數(shù)21次以上的都拒絕掉
# 然后來看首逾率是多少，有降低多少
# 逾期率 = 逾期人數(shù) / 總?cè)藬?shù)
new_overdue_nums = dt_info2["區(qū)間逾期客戶數(shù)"].sum() - dt_info2.iloc[dt_info2["區(qū)間首逾率"].idxmax()]["區(qū)間逾期客戶數(shù)"]
new_overdue_rate = new_overdue_nums / dt_info[dt_info.index!=index1_max]['區(qū)間客戶數(shù)'].sum()

old_overdue_nums = dt_info2["區(qū)間逾期客戶數(shù)"].sum()
old_overdue_rate = old_overdue_nums / dt_info2["區(qū)間客戶數(shù)"].sum()

print('原來逾期率是：{:.2%}'.format(old_overdue_rate))
print('新的逾期率是：{:.2%}'.format(new_overdue_rate))
print('-'*20)
print('新的策略逾期率比原來提升了：{:.2%}'.format(old_overdue_rate-new_overdue_rate))

原來逾期率是：30.76%
新的逾期率是：24.63%
--------------------
新的策略逾期率比原來提升了：6.13%

二翎猛、用戶群組分析——對相同生命周期階段的用戶進(jìn)行垂直分析

群組分析：
通過字面意思即可理解胖翰，群組分析法就是按某個(gè)特征對數(shù)據(jù)進(jìn)行分組，通過分組比較切厘，得出結(jié)論的方法萨咳。
簡單舉例：將用戶數(shù)據(jù)按性別特征，可以分組為男性和女性疫稿，將用戶注冊時(shí)間作為特征培他，按月份分組，可以分為1月遗座，2月舀凛，3月進(jìn)行環(huán)比比較，以及對他的留存率途蒋、活躍率猛遍、付費(fèi)率等進(jìn)行分析。

群組分析的作用：
1.對處于相同生命周期階段的用戶進(jìn)行垂直分析号坡，從而比較得出相似群體隨時(shí)間的變化懊烤。
2.通過比較不同的同期群，可以從總體上看到筋帖，應(yīng)用的表現(xiàn)是否越來越好了奸晴。從而驗(yàn)證產(chǎn)品改進(jìn)是否取得了效果冤馏。

1.案例目的

通過用戶的訂單消費(fèi)情況日麸，對比同一月份的新用戶留存率的變化趨勢，以及不同時(shí)間期的新用戶在同周期時(shí)的留存率情況

2.案例過程

  • 數(shù)據(jù)一共有7個(gè)字段

orderid：訂單編號
orderdate：訂單日期
userid：用戶編號
totalcharges：消費(fèi)金額
因?yàn)樵谶@里分析的是用戶留存率情況，其他字段暫時(shí)不需要

2.1 數(shù)據(jù)處理

需要從月份維度進(jìn)行分析代箭，先根據(jù)用戶訂單編號增加一個(gè)年月字段墩划，再選擇用戶最小消費(fèi)月份為首次消費(fèi)時(shí)間

# 增加年月字段
df['orderperiod'] = df.orderdate.apply(lambda x:x.strftime("%Y-%m"))
#  增加最早消費(fèi)時(shí)間
# 根據(jù)索引對齊，需先將orderid設(shè)置為索引列
df.set_index("userid",inplace = True)
df["chortgroup"] = df.groupby("userid").agg({"orderperiod":"min"})  #orderperiod：用戶消費(fèi)月份
df.reset_index(inplace = True)    # chortgroup：用戶最早消費(fèi)時(shí)間（出現(xiàn)的時(shí)間點(diǎn)）

2.2 按用戶按照最早消費(fèi)時(shí)間分組并編號

cohorts = df.groupby(['chortgroup','orderperiod',]).agg({'userid':pd.Series.nunique,'orderid':pd.Series.nunique,'totalcharges':'sum'})
cohorts.rename(columns={"userid":"totalusers",
                       "orderid":"totalorders"},inplace=True)
# 定義編號函數(shù)
def cohorts_period(x):
    x['cohortperiod'] = np.arange(len(x)) + 1
    return x
# 編號
#cohorts.groupby('chortgroup') 后 每一個(gè)小群組分別是以orderperiod為index的群組
cohorts = cohorts.groupby('chortgroup').apply(cohorts_period)  
cohorts = cohorts.reset_index().set_index(['chortgroup','cohortperiod'])  （出現(xiàn)的時(shí)間點(diǎn)）
cohorts
  • 上圖中嗡综，已經(jīng)按照用戶首月時(shí)間對隨后幾個(gè)月的消費(fèi)情況進(jìn)行了統(tǒng)計(jì)
  • 但其中可能是數(shù)據(jù)缺失的原因乙帮，消費(fèi)金額列出現(xiàn)為0的情況，但這并不影響我們對留存率的計(jì)算

2.3 計(jì)算用戶留存率

每個(gè)月的首月用戶數(shù)

cohort_group_size = cohorts["totalusers"].groupby(level=0).first()

chortgroup
2009-01    20
2009-02    28
2009-03    12
2009-04     8
Name: totalusers, dtype: int64

計(jì)算每月留存率

cohorts_liucun = cohorts["totalusers"].unstack(0).div(cohort_group_size,axis = 1).fillna(0)
cohorts_liucun

繪圖

# 繪圖
plt.rcParams["font.size"] = 14
plt.rcParams["font.sans-serif"] = ["SimHei"]
fig, ax = plt.subplots(1,figsize = (10,6),dpi = 80)
ax.plot(cohorts_liucun)
ax.set_xticks(range(1,13))
ax.set_title('留存率')
ax.grid(0.5)
ax.legend(cohorts_liucun.columns)
plt.show()

# 熱力圖
import seaborn as sns
sns.set(style="white")

plt.rcParams["font.size"] = 16
plt.rcParams["font.sans-serif"] = ["SimHei"]
plt.figure(figsize=(12,6))
plt.title("用戶留存率:熱力圖")
sns.heatmap(cohorts_liucun.T,mask=cohorts_liucun.T.isnull(),annot=True,fmt=".0%")
plt.show()
最后編輯于 ：
?著作權(quán)歸作者所有,轉(zhuǎn)載或內(nèi)容合作請聯(lián)系作者
禁止轉(zhuǎn)載极景，如需轉(zhuǎn)載請通過簡信或評論聯(lián)系作者察净。
  • 人面猴
    序言：七十年代末，一起剝皮案震驚了整個(gè)濱河市盼樟，隨后出現(xiàn)的幾起案子氢卡，更是在濱河造成了極大的恐慌，老刑警劉巖晨缴，帶你破解...
    沈念sama閱讀 211,348評論 6贊 491
  • 死咒
    序言：濱河連續(xù)發(fā)生了三起死亡事件译秦，死亡現(xiàn)場離奇詭異，居然都是意外死亡击碗，警方通過查閱死者的電腦和手機(jī)筑悴，發(fā)現(xiàn)死者居然都...
    沈念sama閱讀 90,122評論 2贊 385
  • 救了他兩次的神仙讓他今天三更去死
    文/潘曉璐 我一進(jìn)店門，熙熙樓的掌柜王于貴愁眉苦臉地迎上來稍途，“玉大人阁吝，你說我怎么就攤上這事⌒蹬模” “怎么了求摇？”我有些...
    開封第一講書人閱讀 156,936評論 0贊 347
  • 道士緝兇錄：失蹤的賣姜人
    文/不壞的土叔 我叫張陵，是天一觀的道長殊者。 經(jīng)常有香客問我与境，道長，這世上最難降的妖魔是什么猖吴？ 我笑而不...
    開封第一講書人閱讀 56,427評論 1贊 283
  • ?港島之戀（遺憾婚禮）
    正文 為了忘掉前任摔刁，我火速辦了婚禮，結(jié)果婚禮上海蔽，老公的妹妹穿的比我還像新娘共屈。我一直安慰自己，他們只是感情好党窜，可當(dāng)我...
    茶點(diǎn)故事閱讀 65,467評論 6贊 385
  • 惡毒庶女頂嫁案：這布局不是一般人想出來的
    文/花漫 我一把揭開白布拗引。 她就那樣靜靜地躺著，像睡著了一般幌衣。 火紅的嫁衣襯著肌膚如雪矾削。 梳的紋絲不亂的頭發(fā)上壤玫，一...
    開封第一講書人閱讀 49,785評論 1贊 290
  • 城市分裂傳說
    那天，我揣著相機(jī)與錄音哼凯，去河邊找鬼欲间。 笑死，一個(gè)胖子當(dāng)著我的面吹牛断部，可吹牛的內(nèi)容都是我干的猎贴。 我是一名探鬼主播，決...
    沈念sama閱讀 38,931評論 3贊 406
  • 雙鴛鴦連環(huán)套：你想象不到人心有多黑
    文/蒼蘭香墨 我猛地睜開眼蝴光，長吁一口氣：“原來是場噩夢啊……” “哼她渴！你這毒婦竟也來了？” 一聲冷哼從身側(cè)響起蔑祟，我...
    開封第一講書人閱讀 37,696評論 0贊 266
  • 萬榮殺人案實(shí)錄
    序言：老撾萬榮一對情侶失蹤惹骂，失蹤者是張志新（化名）和其女友劉穎，沒想到半個(gè)月后做瞪，有當(dāng)?shù)厝嗽跇淞掷锇l(fā)現(xiàn)了一具尸體对粪，經(jīng)...
    沈念sama閱讀 44,141評論 1贊 303
  • ?護(hù)林員之死
    正文 獨(dú)居荒郊野嶺守林人離奇死亡，尸身上長有42處帶血的膿包…… 初始之章·張勛 以下內(nèi)容為張勛視角 年9月15日...
    茶點(diǎn)故事閱讀 36,483評論 2贊 327
  • ?白月光啟示錄
    正文 我和宋清朗相戀三年装蓬，在試婚紗的時(shí)候發(fā)現(xiàn)自己被綠了著拭。 大學(xué)時(shí)的朋友給我發(fā)了我未婚夫和他白月光在一起吃飯的照片。...
    茶點(diǎn)故事閱讀 38,625評論 1贊 340
  • 活死人
    序言：一個(gè)原本活蹦亂跳的男人離奇死亡牍帚，死狀恐怖儡遮，靈堂內(nèi)的尸體忽然破棺而出，到底是詐尸還是另有隱情暗赶，我是刑警寧澤鄙币，帶...
    沈念sama閱讀 34,291評論 4贊 329
  • ?日本核電站爆炸內(nèi)幕
    正文 年R本政府宣布，位于F島的核電站蹂随，受9級特大地震影響十嘿，放射性物質(zhì)發(fā)生泄漏。R本人自食惡果不足惜岳锁，卻給世界環(huán)境...
    茶點(diǎn)故事閱讀 39,892評論 3贊 312
  • 男人毒藥：我在死后第九天來索命
    文/蒙蒙 一绩衷、第九天 我趴在偏房一處隱蔽的房頂上張望。 院中可真熱鬧激率，春花似錦咳燕、人聲如沸。這莊子的主人今日做“春日...
    開封第一講書人閱讀 30,741評論 0贊 21
  • 一樁弒父案招盲，背后竟有這般陰謀
    文/蒼蘭香墨 我抬頭看了看天上的太陽。三九已至嘉冒，卻和暖如春曹货，著一層夾襖步出監(jiān)牢的瞬間咆繁，已是汗流浹背。 一陣腳步聲響...
    開封第一講書人閱讀 31,977評論 1贊 265
  • 情欲美人皮
    我被黑心中介騙來泰國打工控乾， 沒想到剛下飛機(jī)就差點(diǎn)兒被人妖公主榨干…… 1. 我叫王不留，地道東北人娜遵。 一個(gè)月前我還...
    沈念sama閱讀 46,324評論 2贊 360
  • 代替公主和親
    正文 我出身青樓蜕衡，卻偏偏與公主長得像，于是被迫代替她去往敵國和親设拟。 傳聞我的和親對象是個(gè)殘疾皇子慨仿，可洞房花燭夜當(dāng)晚...
    茶點(diǎn)故事閱讀 43,492評論 2贊 348