㈠ 消費金融案例分析總結
本文目錄如下：
在開始分析之前，我們需要先理清楚貸款業務的流程，也就是每個用戶從進件到最終還款之間所涉及到的所有環節。一般情況下，網貸的流程可以概述為以下形式：
通過用戶行為路徑分析，我們可以得到：
它適用於對產品運營中的關鍵環節進行分析、監控，找到其中薄弱的環節，通過用戶引導或者產品迭代來優化，提升轉化效果。
選取子集，將新用戶和老用戶分開統計每天申請貸款人數和審批放貸人數，然後計算新用戶放貸率。最後使用merge函數將新用戶結果表和老用戶結果表拼接。結果如下：
接下來，計算用戶復借率，需要知道每天的老用戶數目，這里的老用戶定義是：#前一天的放款的新用戶第二天繼續借款就是老用戶#，對存量老用戶我們暫時不考慮，就看前一天貸款的人第二天是否還繼續貸款，貸款的就認為是老用戶復借，所以取新用戶放貸透視表的前29天數據+5月1日的人構成老客戶數量，我物枝們看這些客戶是否還繼續貸款。
組成一張用戶路徑總表，計算各節點轉化率。
計算轉化漏斗,計算匯總數據:
結果如下：
從結果來看，從PV到UV有一個很大幅度的下降，正常來講，一個廣告投放可能也就吸引10%-30%左右用戶，但是點擊量是非常巨大的數量，所以帆纖造成這樣的結果。
從整體環節來看，很明顯注冊數量4%是比較低的，這說明很多用戶去點擊了，但是注冊人數很少，是不是說明這個渠道有問題？我可以再通過不同渠道的轉化漏斗分析再做對比，來看到底是整個行業的轉化率偏低，還是單個渠道偏低，或者這個渠道用戶群體不是我們想要的。
在消費金融公司里，經常會通過日常監控發現某款消費貸產品首逾率有逐漸升高的趨勢，我們需要把首逾率降下來以減少產品帶來的損失，同時通過率降幅不能太明顯。
分析目標：通過數據探查分析制定出可以有效降低首逾率的策略。
分析思路：因為我們所要分析的策略時將要在客戶申請時用來判斷客戶是否會逾期的條件，所以策略分析時的基本思路就是還原這些有首逾表現的客戶在申請時的數據（這個還原是指提取出客戶在申請時點各個維度的數據，越多越好） ，然後利用這些數據去找出能夠區分好壞客戶的變數，制定策略。
可以得到，總體首逾率30.76%。
這里用到單變數分析的方法，單變數分析的主要目的是篩選出好壞區分度較好的變數以便制定策略。在消金公司的日常工作中，會有專門負責爬取變數和計算加工變數數據的團隊，他們在不斷的去獲取加工很多可能對風險控制有幫助的數據提供給我們風控團隊，而我們風控人員就需要從這成千上萬個變數中探查出能夠控制逾期風險但同時又不會誤拒很多好客戶的變數。
統計結果如下：
統計結果如下：
在進行變數分析之後，這時我們就要從中篩選中較為有效的變數了，這里涉及到一個衡量變數是否有效的指標，提升度。通俗的來說就是衡量拒絕最壞那一部分的客戶之後，對整體的風險控制的提升效果。 提升度越高，說明該變數可以更有效的區分好壞客戶，能夠更少的誤拒好客戶。如下，通過對所有變數的提升度進行倒序排列，發現個人徵信總查詢次數和客戶信用評級的提升度最高，達到1.93和1.71。
通過上一步罩轎敏的單變數分析，我們篩出了』徵信查詢次數』、『信用評級』這兩個提升度最高的變數。如果將這兩個變數的最壞分箱的客戶都拒絕之後，對整體逾期的影響。 這個影響就是指假設我們將『徵信總查詢次數>=21的3213位客戶全部拒絕』之後，剩下的客戶逾期率相比拒絕之前的逾期率降幅，最後，我們得到徵信查詢次數分組降幅3.4%，信用評級分組降幅7.5%。
用戶在產品使用中都有一個用戶行為流程，不同時期的用戶表現情況可能不一樣，群組分析的主要目的是分析相似群體隨時間的變化，核心就是對比、分析不同時間群組的用戶，在相同周期下的行為差異， 所以也稱同期群分析。
那麼在金融風控領域，最常用的一個場景就是賬齡分析，用來監測用戶的逾期率變化狀況。如下圖， M2、M3的逾期率比較高，隨後調整了風控策略，然後進行群組分析看策略是否有效。
結果如下：
這里生成的新欄位，orderperiod為用戶訂單月份，cohortgroup是按照每個用戶的訂單的最早時期，生成用戶群組，兩者是不一樣的。
接下來，根據用戶群組和月份欄位進行分組：
結果如下：
這里的orderperiod欄位，我們可以看出2019-01對應的最早消費月份是2009-01,02,03,05，但是2009-02對應的卻是最早消費月份2009-02,03,05，相對比來說，2009-02的第一個月份是在2月份，所以就會出現不對齊的現象，對於這個問題，我們可以orderperiod進行編號來解決：
得到：
結果得到：
注意，上圖中每個column代表最早在當月的消費群組，cohortperiod表示最早消費群組在第1,2,3,4月的情況，比如2019-01月表示最早在1月消費群組的第1,2,3,4月的情況。
總結來看：
對處於相同生命周期階段的用戶進行垂直分析，從而比較得出相似群體隨時間的變化，上圖可以看到用戶留存率隨著時間推移在下降。
同時，通過比較不同時間的同期群，可以看出留存率的表現忽高忽低，上圖可以看到2019-02月走低後2019-04月又走高，
可能在2019-03月的時候做了用戶活動導致了這樣的結果，從而驗證活動改進取得了明顯效果。