消費(fèi)金融案例分析

一炕贵、單變量分析——用戶首逾率增高問題
二、用戶群組分析——對(duì)相同生命周期階段的用戶進(jìn)行垂直分析
三亩钟、用戶行為路徑漏斗轉(zhuǎn)化分析

一清酥、單變量分析——用戶首逾率增高問題

單變量分析：
單變量分析的目的是焰轻，通過對(duì)數(shù)據(jù)的整理辱志、加工狞膘、組織和展示，并計(jì)算反應(yīng)數(shù)據(jù)的集中趨勢(shì)和離散程度的指標(biāo)已球，對(duì)變量分布的特征和規(guī)律進(jìn)行刻畫和描述智亮。不同類型的變量需要使用不同的方法和指標(biāo)。
單變量分析又稱“單變量統(tǒng)計(jì)分析”弃舒，就是在一個(gè)時(shí)間點(diǎn)上對(duì)某一變量所進(jìn)行的描述和統(tǒng)計(jì)棒坏，因而又可以分為單變量描述統(tǒng)計(jì)和單變量推論統(tǒng)計(jì)兩種方式坝冕。

1.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(shì)喂窟，需要把首逾率降下來以減少產(chǎn)品帶來的損失央串。


2.分析目標(biāo)及思路

● 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稳摄。
● 分析思路：分析的策略是在客戶申請(qǐng)時(shí)用來判斷客戶是否會(huì)逾期的條件饲宿，所以需要還原這些有首逾表現(xiàn)的客戶在申請(qǐng)時(shí)的數(shù)據(jù)瘫想，即提取出客戶在申請(qǐng)時(shí)點(diǎn)各個(gè)維度的數(shù)據(jù)国夜，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，從而制定策略筹裕。

3.數(shù)據(jù)加工

觀察原數(shù)據(jù)饶碘，并對(duì)列名進(jìn)行更改馒吴，方便理解豪治。最終所得數(shù)據(jù)（部分）如下：


用戶信息表

3.1 計(jì)算首逾率

# 計(jì)算總體首逾率 = 首逾客戶數(shù)/總申請(qǐng)客戶數(shù)
dt['是否逾期（1是负拟，0否）'].sum()/dt.shape[0]  #因?yàn)橛馄谑?掩浙，未逾期是0秸歧，所以求出來的和就是逾期的人數(shù)。

計(jì)算得到首逾率約為0.3076谬墙，屬于過高的情況拭抬。下面將采取單變量分析法造虎，從不同維度去分析算凿，尋找解決方法急但。

3.2 篩選出有效變量

3.2.1 征信查詢次數(shù)

# 定義一個(gè)信用評(píng)級(jí)分組的函數(shù)
# 定義一個(gè)征信分組的函數(shù)
def judge_zhengxin(nums):        
    try:                             
        nums=int(nums)
        if 0<= nums <3:
            return '1:[0,3)'
        elif  3<= nums <6:
            return '2:[3,6)'
        elif  6<= nums <12:
            return '3:[6,12)'
        elif  12<= 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)
# 分組統(tǒng)計(jì)各個(gè)分組的情況
# 區(qū)間用戶占比戒努、未逾期客戶數(shù)要另外計(jì)算
dt_info=dt.groupby('征信分組').agg({'用戶id':'count',
                                '是否逾期（1是镐躲，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)'})
# 區(qū)間用戶占比撒穷、未逾期客戶數(shù)要另外計(jì)算
dt_info['區(qū)間用戶占比']=dt_info['區(qū)間客戶數(shù)']/dt_info['區(qū)間客戶數(shù)'].sum()
dt_info['區(qū)間沒有逾期客戶數(shù)']=dt_info['區(qū)間客戶數(shù)'] - dt_info['區(qū)間逾期客戶數(shù)']
dt_info['區(qū)間首逾率']=dt_info['區(qū)間逾期客戶數(shù)']/dt_info['區(qū)間客戶數(shù)']
dt_info

所得結(jié)果如下：



不同征信分組客戶數(shù)占比

不同征信分組首逾率

由上圖可以看出：
● 約80.51%的用戶征信查詢次數(shù)在12次以上禽笑；
● 首逾率與征信查詢次數(shù)呈正相關(guān)的趨勢(shì)：隨著征信查詢次數(shù)的不斷增加佳镜，首逾率也呈現(xiàn)升高的趨勢(shì)蟀伸，且征信查詢次數(shù)超過21次時(shí)缅刽，首逾率此時(shí)達(dá)到最高，約為59.85%迟蜜。

3.2.2 信用評(píng)級(jí)分組
將信用評(píng)級(jí)劃分為5個(gè)分組：AA小泉、A微姊、BCD兢交、ERC笼痹、缺失凳干，并進(jìn)行聚合統(tǒng)計(jì)。

# 定義一個(gè)信用評(píng)級(jí)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'
# 添加一列‘信用評(píng)級(jí)分組’
dt['信用評(píng)級(jí)分組']=dt['信用評(píng)級(jí)'].apply(judge_pingji)
# 分組統(tǒng)計(jì)各個(gè)分組的情況
dt_info2=dt.groupby('信用評(píng)級(jí)分組').agg({
    '用戶id':'count',
    '是否逾期（1是涧团，0否）':'sum'}).reset_index().rename(columns={'用戶id':'區(qū)間客戶數(shù)',
                                                                 '是否逾期（1是泌绣，0否）':'區(qū)間逾期客戶數(shù)'})
# 區(qū)間用戶占比阿迈、未逾期客戶數(shù)要另外計(jì)算
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()
dt_info2['區(qū)間沒有逾期客戶數(shù)']=dt_info2['區(qū)間客戶數(shù)']-dt_info2['區(qū)間逾期客戶數(shù)']
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)']

所得結(jié)果如下：



不同信用評(píng)級(jí)分組客戶數(shù)占比

不同信用評(píng)級(jí)分組首逾率

● 除去缺失字段刊棕，客戶占比最高的是評(píng)級(jí)為BCD的用戶鞠绰，其次為ERC飒焦，整體用戶評(píng)級(jí)偏低牺荠；
● 首逾率與評(píng)級(jí)檔次呈正相關(guān)休雌，其中ERC評(píng)級(jí)用戶首逾率最高達(dá)到52.74%左右杈曲，其次為BCD評(píng)級(jí)用戶首逾率在36.27%胸懈。

3.2.2 計(jì)算提升度
進(jìn)行變量分析之后趣钱，這時(shí)我們就要從中篩選中較為有效的變量了首有，這里涉及到一個(gè)衡量變量是否有效的指標(biāo)，提升度卜壕。

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轴捎，對(duì)整體的風(fēng)險(xiǎn)控制的提升效果军掂。 提升度越高蝗锥，說明該變量可以更有效的區(qū)分好壞客戶，能夠更少的誤拒好客戶汇竭。

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。

例如：上表中征信總查詢次數(shù)的最壞分箱提升度就是（1923/17365）/(3213/56456)=11%/5.69%=1.93 提升度這個(gè)指標(biāo)一般來說都是用來一批變量分析里做相對(duì)比較两曼，很多時(shí)候都是在有限的變量里盡可能選提升度更高的變量來做策略悼凑。

分別計(jì)算征信總查詢次數(shù)和客戶信用評(píng)級(jí)的提升度：
征信總查詢次數(shù)提升度

# 計(jì)算征信總查詢次數(shù)最壞分箱的首逾客戶占總首逾客戶的比例户辫。
bad_rate=dt_info.iloc[dt_info['區(qū)間首逾率'].idxmax()]['區(qū)間逾期客戶數(shù)']/dt_info['區(qū)間逾期客戶數(shù)'].sum()
# 計(jì)算該分箱的區(qū)間客戶數(shù)占比
num_rate=dt_info.iloc[dt_info['區(qū)間首逾率'].idxmax()]['區(qū)間客戶數(shù)']/dt_info['區(qū)間客戶數(shù)'].sum()
# 計(jì)算提升度
bad_rate/num_rate

最終結(jié)果為1.9458渔欢。

信用評(píng)級(jí)提升度

bad_rate2=dt_info2.iloc[dt_info2['區(qū)間首逾率'].idxmax()]['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[dt_info2['區(qū)間首逾率'].idxmax()]['區(qū)間客戶數(shù)']/dt_info2['區(qū)間客戶數(shù)'].sum()
bad_rate2/num_rate2

最終結(jié)果為1.7147奥额。

3.3 解決方案

在上文中访诱， 通過上一步的單變量分析，我們篩出了“征信查詢次數(shù)”棒拂、“信用評(píng)級(jí)”這兩個(gè)提升度最高的變量帚屉。所以選擇將其最壞分箱的人全部拒絕攻旦，計(jì)算提出后的首逾率降幅為多少生逸。（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’之后槽袄，剩下的客戶逾期率相比拒絕之前的逾期率降幅是多少）

# 對(duì)征信分組的數(shù)據(jù)
# 排除最壞分箱后的逾期客戶數(shù)
new_yuqi_nums=dt_info['區(qū)間逾期客戶數(shù)'].sum() - dt_info.iloc[dt_info['區(qū)間首逾率'].idxmax()]['區(qū)間逾期客戶數(shù)']
# 排除后的新逾期率
new_yuqi_rate=new_yuqi_nums/dt_info['區(qū)間客戶數(shù)'].sum()
new_yuqi_rate
# 原有的逾期率
old_yuqi_rate=dt_info['區(qū)間逾期客戶數(shù)'].sum()/dt_info['區(qū)間客戶數(shù)'].sum()
old_yuqi_rate
# 新的逾期率下降數(shù)值
old_yuqi_rate - new_yuqi_rate

# 對(duì)評(píng)級(jí)分組的數(shù)據(jù)
new_yuqi_nums2=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)']
# 排除后的新逾期率
new_yuqi_rate2=new_yuqi_nums2/dt_info2['區(qū)間客戶數(shù)'].sum()
# 原有的逾期率
old_yuqi_rate2=dt_info2['區(qū)間逾期客戶數(shù)'].sum()/dt_info2['區(qū)間客戶數(shù)'].sum()
# 新的逾期率下降數(shù)值
old_yuqi_rate2 - new_yuqi_rate2

最終結(jié)果分別為“征信查詢次數(shù)”：3.41%和“信用評(píng)級(jí)”：7.53%遍尺。
● 通過計(jì)算可得，通過拒絕最壞分組的客戶迂苛，得到的最終首逾率分別下降了3.41%和7.53%，證明該方法確實(shí)能起到降低首逾率的效果就漾。

二抑堡、用戶群組分析——對(duì)相同生命周期階段的用戶進(jìn)行垂直分析

群組分析法就是按某個(gè)特征對(duì)數(shù)據(jù)進(jìn)行分組夷野，通過分組比較，得出結(jié)論的方法。
群組分析的作用：
1.對(duì)處于相同生命周期階段的用戶進(jìn)行垂直分析骑丸，從而比較得出相似群體隨時(shí)間的變化通危。
2.通過比較不同的同期群，可以從總體上看到节芥，應(yīng)用的表現(xiàn)是否越來越好了头镊。從而驗(yàn)證產(chǎn)品改進(jìn)是否取得了效果相艇。

1.案例背景

當(dāng)我們?cè)谧鲇脩舴治鰰r(shí)纯陨，會(huì)遇到這樣的一個(gè)問題翼抠，一個(gè)用戶使用APP時(shí)阴颖，會(huì)留下一連串的使用數(shù)據(jù)，可能是一月份的購買了1次膘盖，二月份購買了2次尤误，三四月沒有購買损晤，五月份又購買了尤勋。也就是對(duì)于用戶來說他的數(shù)據(jù)是一個(gè)時(shí)間面數(shù)據(jù)茵宪，而且不同用戶的時(shí)間面是不相同的稀火，開始時(shí)間經(jīng)歷時(shí)間都不一樣，而如果我們分析的時(shí)候不考慮到這個(gè)因素而直接進(jìn)行分析篇裁，顯然是不夠合理的达布，因?yàn)樾掠脩艉屠嫌脩艚?jīng)歷的產(chǎn)品運(yùn)營情況是不一樣的黍聂。

那我們應(yīng)該如何處理呢身腻，這個(gè)時(shí)候就有一種分析方法，可以幫助我們?cè)跁r(shí)間軸上對(duì)齊用戶雕沉，這就是群組分析坡椒。

2. 分析目標(biāo)及思路

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

3. 數(shù)據(jù)加工

對(duì)數(shù)據(jù)進(jìn)行觀察，發(fā)現(xiàn)分析留存率只需要用到四個(gè)字段：
OrederId：訂單編號(hào)
OrderDate：訂單日期
UserId：用戶編號(hào)
TotalCharges：消費(fèi)金額

3.1 分組處理

# 生成一個(gè)新字段际插，用戶訂單月份(只要月份)
df['orderperiod']=df.orderdate.apply(lambda x:x.strftime('%Y-%m')) 
# 設(shè)置userid為索引
df.set_index('userid',inplace=True)
# 這里的level=0表示第一層索引即userid(因?yàn)榇藭r(shí)userid已經(jīng)被設(shè)置為索引)框弛，并且每次分組之后都會(huì)形成很多個(gè)dataframe
# 按照每個(gè)用戶的訂單的最早時(shí)期瑟枫，生成用戶群組
df["cohortgroup"]=df.groupby(level=0)['orderdate'].min().apply(lambda x:x.strftime('%Y-%m'))
# 重設(shè)索引
df.reset_index(inplace=True)
# 根據(jù)用戶群組和月份字段進(jìn)行分組
grouped=df.groupby(['cohortgroup','orderperiod'])  #1月份首次消費(fèi)用戶慷妙，在后續(xù)的1允悦、2、3猿挚、4、5月的相關(guān)消費(fèi)情況室埋，所以對(duì)兩列數(shù)據(jù)都要進(jìn)行分組伊约。

# 求每個(gè)用戶群下每一個(gè)月份的用戶數(shù)量屡律、訂單數(shù)量、購買金額
cohorts=grouped.agg({'userid':pd.Series.nunique,'orderid':pd.Series.nunique,'totalcharges':np.sum})  #因?yàn)橛卸鄠€(gè)dataframe搏讶，所以用nunique和np.sum

#列重命名
cohorts.rename(columns={'userid':'totalusers','orderid':'totalorders'},inplace=True)  #totalcharges無需重新命名
cohorts

orderperiod：用戶消費(fèi)月份
chortgroup：用戶最早消費(fèi)時(shí)間（出現(xiàn)的時(shí)間點(diǎn)）

3.2 計(jì)算留存率

# 把每個(gè)群組繼續(xù)購買的日期字段進(jìn)行改變媒惕。因?yàn)椴煌路莸目蛻舳饰担状蜗M(fèi)的月份也有不同（如2月份的客戶，首次消費(fèi)就是2月科盛，而不是1月）贞绵，所以重新編號(hào)幌墓。
def cohort_period(df):
    # 給首次購買日期進(jìn)行編號(hào)常侣，第二次購買為2胳施，第三次購買為3
    df["cohortperiod"] = np.arange(len(df)) + 1    #len(df)：有多少行。得到的結(jié)果命名為‘cohortperiod’焦辅。np.arange():列表函數(shù)筷登，得到一個(gè)列表前方。
    return df

# 注意的是apply后面?zhèn)魅氲氖且粋€(gè)個(gè)dataframe
cohorts = cohorts.groupby(level=0).apply(cohort_period)   # level=0表示第一層索引惠险，此時(shí)即'cohortgroup'班巩。對(duì)該分組下的每個(gè)月進(jìn)行編號(hào)嘶炭。
# 得到每個(gè)群組的用戶量旱物，重新設(shè)置索引
cohorts.reset_index(inplace=True)
# 將"cohortgroup","cohortperiod"兩列設(shè)為索引（level=0和level=1）宵呛。
cohorts.set_index(["cohortgroup","cohortperiod"],inplace=True)
# 得到每個(gè)群組的用戶量，就是第一天的用戶數(shù)據(jù)量户秤，用作留存率的分母
cohort_group_size = cohorts["totalusers"].groupby(level=0).first() 
# 計(jì)算每個(gè)群組的留存
cohorts["totalusers"].unstack(0).head()   # unstack(0)：對(duì)level=0的索引進(jìn)行unstack操作转砖。
# 計(jì)算留存
user_retention = cohorts["totalusers"].unstack(0).divide(cohort_group_size,axis=1).fillna(0)


3.3 總結(jié)和解決方案

● 整體用戶留存率偏低府蔗，在5月就已經(jīng)沒有用戶姓赤；
● 3仲吏、4月份的用戶生命周期較短裹唆，而1许帐、2月用戶生命周期相對(duì)較長成畦；
● 猜測(cè)可能1月羡鸥、2月有活動(dòng)惧浴，特別是1月份的衷旅，能夠讓用戶的留存較高柿顶，對(duì)于此類情況的產(chǎn)生需要想辦法增加用戶留存操软，比如持續(xù)推出新品、進(jìn)行短信營銷蝗羊、推出活動(dòng)等耀找。

三野芒、用戶行為路徑漏斗轉(zhuǎn)化分析

用戶行為路徑分析：用戶行為路徑分析是一種監(jiān)測(cè)用戶流向狞悲，從而統(tǒng)計(jì)產(chǎn)品使用深度的分析方法效诅。它主要根據(jù)每位用戶在App或網(wǎng)站中的點(diǎn)擊行為日志乱投，分析用戶在App或網(wǎng)站中各個(gè)模塊的流轉(zhuǎn)規(guī)律與特點(diǎn)，挖掘用戶的訪問或點(diǎn)擊模式顷编，進(jìn)而實(shí)現(xiàn)一些特定的業(yè)務(wù)用途戚炫，如App核心模塊的到達(dá)率提升、特定用戶群體的主流路徑提取與瀏覽特征刻畫媳纬，App產(chǎn)品設(shè)計(jì)的優(yōu)化與改版等双肤。

行為路徑分析有如下作用：
1.可視化用戶流向，對(duì)海量用戶的行為習(xí)慣形成宏觀了解钮惠。
2.定位影響轉(zhuǎn)化的主次因素茅糜，使產(chǎn)品的優(yōu)化與改進(jìn)有的放矢。

1. 案例背景及目的

案例基于網(wǎng)絡(luò)消費(fèi)貸款形式素挽，對(duì)消費(fèi)貸借款進(jìn)行復(fù)盤分析缩赛，增加用戶借貸率酥馍。

2. 數(shù)據(jù)加工

2.1 數(shù)據(jù)觀察及重命名

獲取原始表格每日信息表dt_flow、用戶信息表dt_check峦失，如下所示


每日信息表dt_flow

用戶信息表dt_check
# 對(duì)列名進(jìn)行重命名
dt_flow.rename(columns={'date':'日期',
                        'regist_cnt':'注冊(cè)數(shù)',
                        'regist_rate':'訪客注冊(cè)率',
                        'active_cnt':'激活數(shù)'
                        },inplace=True)

dt_check.rename(columns={'ID':'用戶ID',
                        'date':'申請(qǐng)日期',
                        'new_cus':'是否新用戶(1為是,0為否)',
                        'lending':'是否放貸(1為是,0為否)'
                        },inplace=True)

2.2 計(jì)算每日申請(qǐng)貸款人數(shù)卓练、審批貸款人數(shù)、放貸率

# 選取子集顽悼，將新用戶和老用戶分開統(tǒng)計(jì)每天申請(qǐng)貸款人數(shù)和審批放貸人數(shù)，然后計(jì)算新用戶放貸率木羹。
# 將新老用戶分組
dt_check_1=dt_check[dt_check['是否新用戶(1為是,0為否)']==1]  # 新用戶
dt_check_0=dt_check[dt_check['是否新用戶(1為是,0為否)']==0]  # 老用戶
#對(duì)新用戶數(shù)據(jù)透視計(jì)算放貸率。
pt_1=pd.pivot_table(data=dt_check_1,index='申請(qǐng)日期',values='是否放貸(1為是,0為否)',aggfunc=[np.sum,'count'])
# 刪除指定的索引/列級(jí)別的數(shù)據(jù)脐瑰。
pt_1.columns=pt_1.columns.droplevel(0)  
# 改列名中剩。由于此時(shí)列名一樣，所以直接采用pt_1.columns來賦值郊愧，不用rename眠寿。
pt_1.columns=['新用戶放貸數(shù)','新用戶申請(qǐng)數(shù)']
# 增加一列為：新用戶放貸率
pt_1['新用戶放貸率']=pt_1['新用戶放貸數(shù)']/pt_1['新用戶申請(qǐng)數(shù)']
#重置索引
pt_1 = pt_1.reset_index()
pt_1

得到新用戶表：


新用戶

同理例嘱，也可以得到老用戶表：


老用戶

總體上來看，老用戶的平均放貸率比新用戶要高出許多雀彼。

2.3 計(jì)算老用戶復(fù)借率

老用戶定義：前一天的放款的新用戶第二天繼續(xù)借款就是老用戶。

對(duì)存量老用戶我們暫時(shí)不考慮实柠，就看前一天貸款的人第二天是否還繼續(xù)貸款，貸款的就認(rèn)為是老用戶復(fù)借

取新用戶放貸透視表的5月前29天數(shù)據(jù)+4月30日的人（分析5月1日-5月30日的復(fù)借率）構(gòu)成老客戶數(shù)量蟹漓，我們看這些客戶是否還繼續(xù)貸款膜钓。

# 先得到當(dāng)月前29天的數(shù)據(jù)夫壁，得到的數(shù)據(jù)為list
old = list(pt_1["新用戶放貸數(shù)"])[0:29]
# 4月30日有24個(gè)人梅肤，添加到old數(shù)據(jù)中
old.insert(0,24)
# 設(shè)置數(shù)據(jù) data（字典）
data={'申請(qǐng)日期':list(pt_1["申請(qǐng)日期"]),'老客戶數(shù)':old} 
# 將data數(shù)據(jù)轉(zhuǎn)換為DataFrame表格
dt_old=pd.DataFrame(data)
# 將老用戶數(shù)據(jù)pt_0和dt_old拼接為一張表
pt_0_m=pd.merge(pt_0,dt_old,on=['申請(qǐng)日期'],how='left')
pt_0_m['老客戶復(fù)借率']=pt_0_m['老用戶申請(qǐng)數(shù)']/pt_0_m['老客戶數(shù)']
pt_0_m.head()

得到復(fù)借率表和走勢(shì)圖：


復(fù)借率

走勢(shì)圖

● 從整體上看，5月復(fù)借率走勢(shì)起伏不定炒辉，推測(cè)在復(fù)借率較高的時(shí)間段可能是因?yàn)闋I銷活動(dòng)的影響；
● 平均復(fù)借率約為34.72%缝裤。

2.4 計(jì)算各節(jié)點(diǎn)路徑轉(zhuǎn)化率并繪圖

# pd.merge連接平臺(tái)流量表姆吭，組成一張用戶路徑總表检眯，計(jì)算各節(jié)點(diǎn)轉(zhuǎn)化率昂灵。(所有表格連接起來
dt=pd.merge(dt_flow,pt_1,how='left',left_on='日期',right_on='申請(qǐng)日期')
dt_1=pd.merge(dt,pt_0_m,how='left',left_on='日期',right_on='申請(qǐng)日期')
dt_1=dt_1.drop(['申請(qǐng)日期_x','申請(qǐng)日期_y'],axis=1)

#計(jì)算轉(zhuǎn)化漏斗管削。 計(jì)算匯總數(shù)據(jù)
# 刪除‘日期’列。（因?yàn)閷儆谌掌谛蛿?shù)據(jù)茸俭，計(jì)算時(shí)會(huì)報(bào)錯(cuò)）
dt_2=dt_1.drop('日期',axis=1)
#匯總求和  
dt_2.loc['Row_sum'] = dt_2.apply(lambda x: x.sum()) 
# 將 "Row_sum"這一行這些列的數(shù)據(jù)取出來
dt_3 = dt_2[dt_2.index == "Row_sum"][["PV","UV","注冊(cè)數(shù)","激活數(shù)","新用戶申請(qǐng)數(shù)","新用戶放貸數(shù)"]]  
dt_3_s = pd.DataFrame(dt_3.stack()).reset_index().iloc[:,[1,2]]
dt_3_s.columns = ["指標(biāo)","匯總"]

得到指標(biāo)匯總圖和漏斗圖：


指標(biāo)匯總圖

漏斗圖

由上圖可知：
● 轉(zhuǎn)換率在 UV → 注冊(cè)的轉(zhuǎn)換率很低居砖，需要采取針對(duì)性營銷措施解決循集；
● 最終放貸成功率很低，可以優(yōu)化繼續(xù)模型镶柱，在保證資金安全的情況下提高放貸率范咨。

?著作權(quán)歸作者所有,轉(zhuǎn)載或內(nèi)容合作請(qǐng)聯(lián)系作者
  • 人面猴
    序言：七十年代末评也，一起剝皮案震驚了整個(gè)濱河市，隨后出現(xiàn)的幾起案子，更是在濱河造成了極大的恐慌邮弹，老刑警劉巖盟劫，帶你破解...
    沈念sama閱讀 216,496評(píng)論 6贊 501
  • 死咒
    序言：濱河連續(xù)發(fā)生了三起死亡事件影所，死亡現(xiàn)場(chǎng)離奇詭異听盖，居然都是意外死亡仓坞，警方通過查閱死者的電腦和手機(jī)毛雇，發(fā)現(xiàn)死者居然都...
    沈念sama閱讀 92,407評(píng)論 3贊 392
  • 救了他兩次的神仙讓他今天三更去死
    文/潘曉璐 我一進(jìn)店門荔棉，熙熙樓的掌柜王于貴愁眉苦臉地迎上來，“玉大人，你說我怎么就攤上這事养篓∷龋” “怎么了挂捻？”我有些...
    開封第一講書人閱讀 162,632評(píng)論 0贊 353
  • 道士緝兇錄：失蹤的賣姜人
    文/不壞的土叔 我叫張陵耿导，是天一觀的道長。 經(jīng)常有香客問我，道長，這世上最難降的妖魔是什么？ 我笑而不...
    開封第一講書人閱讀 58,180評(píng)論 1贊 292
  • ?港島之戀（遺憾婚禮）
    正文 為了忘掉前任，我火速辦了婚禮巴刻，結(jié)果婚禮上，老公的妹妹穿的比我還像新娘。我一直安慰自己，他們只是感情好，可當(dāng)我...
    茶點(diǎn)故事閱讀 67,198評(píng)論 6贊 388
  • 惡毒庶女頂嫁案：這布局不是一般人想出來的
    文/花漫 我一把揭開白布色冀。 她就那樣靜靜地躺著伶氢，像睡著了一般。 火紅的嫁衣襯著肌膚如雪。 梳的紋絲不亂的頭發(fā)上，一...
    開封第一講書人閱讀 51,165評(píng)論 1贊 299
  • 城市分裂傳說
    那天丢郊，我揣著相機(jī)與錄音架诞，去河邊找鬼沾谓。 笑死，一個(gè)胖子當(dāng)著我的面吹牛，可吹牛的內(nèi)容都是我干的燃异。 我是一名探鬼主播仅颇，決...
    沈念sama閱讀 40,052評(píng)論 3贊 418
  • 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，長吁一口氣：“原來是場(chǎng)噩夢(mèng)啊……” “哼！你這毒婦竟也來了？” 一聲冷哼從身側(cè)響起，我...
    開封第一講書人閱讀 38,910評(píng)論 0贊 274
  • 萬榮殺人案實(shí)錄
    序言：老撾萬榮一對(duì)情侶失蹤皆尔，失蹤者是張志新（化名）和其女友劉穎，沒想到半個(gè)月后，有當(dāng)?shù)厝嗽跇淞掷锇l(fā)現(xiàn)了一具尸體，經(jīng)...
    沈念sama閱讀 45,324評(píng)論 1贊 310
  • ?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 37,542評(píng)論 2贊 332
  • ?白月光啟示錄
    正文 我和宋清朗相戀三年，在試婚紗的時(shí)候發(fā)現(xiàn)自己被綠了。 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 39,711評(píng)論 1贊 348
  • 活死人
    序言：一個(gè)原本活蹦亂跳的男人離奇死亡，死狀恐怖募寨，靈堂內(nèi)的尸體忽然破棺而出恰画，到底是詐尸還是另有隱情，我是刑警寧澤树瞭，帶...
    沈念sama閱讀 35,424評(píng)論 5贊 343
  • ?日本核電站爆炸內(nèi)幕
    正文 年R本政府宣布爷抓，位于F島的核電站陈莽，受9級(jí)特大地震影響忌栅，放射性物質(zhì)發(fā)生泄漏车酣。R本人自食惡果不足惜钱烟，卻給世界環(huán)境...
    茶點(diǎn)故事閱讀 41,017評(píng)論 3贊 326
  • 男人毒藥：我在死后第九天來索命
    文/蒙蒙 一般哼、第九天 我趴在偏房一處隱蔽的房頂上張望。 院中可真熱鬧蒸眠，春花似錦淘捡、人聲如沸案淋。這莊子的主人今日做“春日...
    開封第一講書人閱讀 31,668評(píng)論 0贊 22
  • 一樁弒父案，背后竟有這般陰謀
    文/蒼蘭香墨 我抬頭看了看天上的太陽女嘲。三九已至完慧，卻和暖如春谋旦，著一層夾襖步出監(jiān)牢的瞬間，已是汗流浹背屈尼。 一陣腳步聲響...
    開封第一講書人閱讀 32,823評(píng)論 1贊 269
  • 情欲美人皮
    我被黑心中介騙來泰國打工册着， 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，地道東北人脾歧。 一個(gè)月前我還...
    沈念sama閱讀 47,722評(píng)論 2贊 368
  • 代替公主和親
    正文 我出身青樓甲捏，卻偏偏與公主長得像，于是被迫代替她去往敵國和親鞭执。 傳聞我的和親對(duì)象是個(gè)殘疾皇子司顿，可洞房花燭夜當(dāng)晚...
    茶點(diǎn)故事閱讀 44,611評(píng)論 2贊 353