㈠ 消费金融案例分析总结
本文目录如下：
在开始分析之前，我们需要先理清楚贷款业务的流程，也就是每个用户从进件到最终还款之间所涉及到的所有环节。一般情况下，网贷的流程可以概述为以下形式：
通过用户行为路径分析，我们可以得到：
它适用于对产品运营中的关键环节进行分析、监控，找到其中薄弱的环节，通过用户引导或者产品迭代来优化，提升转化效果。
选取子集，将新用户和老用户分开统计每天申请贷款人数和审批放贷人数，然后计算新用户放贷率。最后使用merge函数将新用户结果表和老用户结果表拼接。结果如下：
接下来，计算用户复借率，需要知道每天的老用户数目，这里的老用户定义是：#前一天的放款的新用户第二天继续借款就是老用户#，对存量老用户我们暂时不考虑，就看前一天贷款的人第二天是否还继续贷款，贷款的就认为是老用户复借，所以取新用户放贷透视表的前29天数据+5月1日的人构成老客户数量，我物枝们看这些客户是否还继续贷款。
组成一张用户路径总表，计算各节点转化率。
计算转化漏斗,计算汇总数据:
结果如下：
从结果来看，从PV到UV有一个很大幅度的下降，正常来讲，一个广告投放可能也就吸引10%-30%左右用户，但是点击量是非常巨大的数量，所以帆纤造成这样的结果。
从整体环节来看，很明显注册数量4%是比较低的，这说明很多用户去点击了，但是注册人数很少，是不是说明这个渠道有问题？我可以再通过不同渠道的转化漏斗分析再做对比，来看到底是整个行业的转化率偏低，还是单个渠道偏低，或者这个渠道用户群体不是我们想要的。
在消费金融公司里，经常会通过日常监控发现某款消费贷产品首逾率有逐渐升高的趋势，我们需要把首逾率降下来以减少产品带来的损失，同时通过率降幅不能太明显。
分析目标：通过数据探查分析制定出可以有效降低首逾率的策略。
分析思路：因为我们所要分析的策略时将要在客户申请时用来判断客户是否会逾期的条件，所以策略分析时的基本思路就是还原这些有首逾表现的客户在申请时的数据（这个还原是指提取出客户在申请时点各个维度的数据，越多越好） ，然后利用这些数据去找出能够区分好坏客户的变量，制定策略。
可以得到，总体首逾率30.76%。
这里用到单变量分析的方法，单变量分析的主要目的是筛选出好坏区分度较好的变量以便制定策略。在消金公司的日常工作中，会有专门负责爬取变量和计算加工变量数据的团队，他们在不断的去获取加工很多可能对风险控制有帮助的数据提供给我们风控团队，而我们风控人员就需要从这成千上万个变量中探查出能够控制逾期风险但同时又不会误拒很多好客户的变量。
统计结果如下：
统计结果如下：
在进行变量分析之后，这时我们就要从中筛选中较为有效的变量了，这里涉及到一个衡量变量是否有效的指标，提升度。通俗的来说就是衡量拒绝最坏那一部分的客户之后，对整体的风险控制的提升效果。 提升度越高，说明该变量可以更有效的区分好坏客户，能够更少的误拒好客户。如下，通过对所有变量的提升度进行倒序排列，发现个人征信总查询次数和客户信用评级的提升度最高，达到1.93和1.71。
通过上一步罩轿敏的单变量分析，我们筛出了’征信查询次数’、‘信用评级’这两个提升度最高的变量。如果将这两个变量的最坏分箱的客户都拒绝之后，对整体逾期的影响。 这个影响就是指假设我们将‘征信总查询次数>=21的3213位客户全部拒绝’之后，剩下的客户逾期率相比拒绝之前的逾期率降幅，最后，我们得到征信查询次数分组降幅3.4%，信用评级分组降幅7.5%。
用户在产品使用中都有一个用户行为流程，不同时期的用户表现情况可能不一样，群组分析的主要目的是分析相似群体随时间的变化，核心就是对比、分析不同时间群组的用户，在相同周期下的行为差异， 所以也称同期群分析。
那么在金融风控领域，最常用的一个场景就是账龄分析，用来监测用户的逾期率变化状况。如下图， M2、M3的逾期率比较高，随后调整了风控策略，然后进行群组分析看策略是否有效。
结果如下：
这里生成的新字段，orderperiod为用户订单月份，cohortgroup是按照每个用户的订单的最早时期，生成用户群组，两者是不一样的。
接下来，根据用户群组和月份字段进行分组：
结果如下：
这里的orderperiod字段，我们可以看出2019-01对应的最早消费月份是2009-01,02,03,05，但是2009-02对应的却是最早消费月份2009-02,03,05，相对比来说，2009-02的第一个月份是在2月份，所以就会出现不对齐的现象，对于这个问题，我们可以orderperiod进行编号来解决：
得到：
结果得到：
注意，上图中每个column代表最早在当月的消费群组，cohortperiod表示最早消费群组在第1,2,3,4月的情况，比如2019-01月表示最早在1月消费群组的第1,2,3,4月的情况。
总结来看：
对处于相同生命周期阶段的用户进行垂直分析，从而比较得出相似群体随时间的变化，上图可以看到用户留存率随着时间推移在下降。
同时，通过比较不同时间的同期群，可以看出留存率的表现忽高忽低，上图可以看到2019-02月走低后2019-04月又走高，
可能在2019-03月的时候做了用户活动导致了这样的结果，从而验证活动改进取得了明显效果。