Resumen del análisis de casos de financiación al consumo

Antes de iniciar el análisis, debemos comprender el proceso del negocio de préstamos, es decir, todos los vínculos involucrados para cada usuario desde la compra hasta el pago final. En términos generales, el proceso de préstamo en línea se puede resumir como:

A través del análisis de la ruta del comportamiento del usuario, podemos obtener:

Adecuado para analizar y monitorear enlaces clave en las operaciones del producto para encontrar puntos débiles. Los enlaces se pueden optimizar mediante la guía del usuario o la iteración del producto para mejorar el efecto de transformación.

Seleccione un subconjunto, cuente el número de usuarios nuevos y antiguos que solicitan préstamos y aprueban préstamos todos los días, y luego calcule la tasa de préstamo de los nuevos usuarios. Finalmente, use la función de combinación para unir la tabla de resultados del nuevo usuario con la tabla de resultados del usuario anterior. Los resultados son los siguientes:

A continuación, necesitamos saber el número de usuarios antiguos cada día para calcular la tasa de pago del préstamo del usuario. Aquí, la definición de usuario anterior es: #El nuevo usuario que pidió prestado el dinero el día anterior y continúa pidiéndolo prestado al día siguiente es el usuario anterior#. Para los usuarios antiguos existentes, no lo consideraremos por el momento. Solo miramos si la persona que pidió prestado el dinero el día anterior continúa pidiendo prestado al día siguiente. entonces tomamos los datos de los 29 días anteriores + 5 de la tabla dinámica de préstamos del nuevo usuario del mes 1.

Forme una tabla de resumen de rutas de usuario y calcule la tasa de conversión de cada nodo.

Calcule el embudo de conversión y calcule los datos resumidos:

Los resultados son los siguientes:

Según los resultados, hay una gran caída de PV a UV . En circunstancias normales, un anuncio puede atraer entre el 10% y el 30% de los usuarios, pero el número de clics es muy grande, lo que conduce a este resultado.

Desde una perspectiva general, es obvio que el 4% del número de usuarios registrados es relativamente bajo, lo que significa que los usuarios hacen muchos clics, pero el número de usuarios registrados es muy pequeño. ¿Esto significa que hay un problema con este canal? Puedo comparar el análisis del embudo de conversión de diferentes canales para ver si la tasa de conversión de toda la industria es baja, si es baja en un solo canal o si el grupo de usuarios de este canal no es el que queremos.

En las empresas de financiación al consumo, a menudo descubrimos, a través del seguimiento diario, que el tipo excedente único de un determinado producto de préstamo al consumo está aumentando gradualmente. Necesitamos reducir la tasa de primera aprobación para reducir la pérdida causada por el producto, y la tasa de aprobación no debería ser demasiado obvia.

Objetivo del análisis: a través de la exploración y el análisis de datos, desarrollar estrategias que puedan reducir eficazmente la tasa de primer paso.

Idea de análisis: debido a que la estrategia que queremos analizar se utilizará para determinar si el cliente estará atrasado en la solicitud, la idea básica del análisis de estrategia es restaurar los datos de estos clientes. con el desempeño por primera vez al presentar la solicitud (esta restauración se refiere a extraer datos de varias dimensiones cuando los clientes solicitan. Cuanto más, mejor), y luego usar estos datos para encontrar variables que puedan distinguir a los clientes buenos y malos y formular estrategias.

Se puede concluir que la tasa global de aprobación por primera vez es del 30,76%.

Aquí se utiliza el método de análisis univariado. El objetivo principal del análisis univariado es descartar variables que distinguen mejor entre lo bueno y lo malo para formular estrategias. En el trabajo diario de Xiaojin Company, habrá un equipo responsable de capturar variables y calcular y procesar los datos de las variables. Están adquiriendo y procesando constantemente una gran cantidad de datos que pueden ser útiles para el control de riesgos y proporcionándolos a nuestro equipo de control de riesgos. Nuestro personal de control de riesgos necesita descubrir a partir de estas miles de variables las variables que pueden controlar el riesgo vencido sin realizar el pago. error de rechazar a muchos buenos clientes.

Los resultados estadísticos son los siguientes:

Los resultados estadísticos son los siguientes:

Después del análisis de variables, en este momento, seleccionaremos variables más efectivas, que implica un Un indicador de si una variable es efectiva, el grado de mejora. En términos generales, se trata de medir el efecto de mejora del control general del riesgo después de rechazar a los peores clientes. Cuanto mayor sea el nivel de mejora, más eficaz será la variable para distinguir a los buenos clientes de los malos y menos probable será que un buen cliente sea rechazado por error. De la siguiente manera, al ordenar los grados de mejora de todas las variables en orden inverso, se encuentra que el número total de consultas de crédito personal y la calificación crediticia de los clientes tienen los grados de mejora más altos, alcanzando 1,93 y 1,71 respectivamente.

A través del análisis univariante del paso anterior, seleccionamos las dos variables con mayor grado de mejora: "Número de consultas crediticias" y "Calificación crediticia". Si se rechaza al cliente con la peor de estas dos variables, el impacto en la morosidad general será. Este impacto significa que asumimos que 'Número total de consultas de crédito > 3,265,438+03 clientes = 265,438+0 Después de todos los rechazos, la tasa de morosidad de los clientes restantes disminuirá en comparación con antes del rechazo. Lo que terminamos fue una caída del 3,4% en el volumen de consultas crediticias y una caída del 7,5% en las calificaciones crediticias.

Los usuarios tienen un proceso de comportamiento de usuario en el proceso de uso de productos, y el rendimiento de los usuarios puede ser diferente en diferentes períodos. El objetivo principal del análisis de grupo es analizar los cambios en grupos similares a lo largo del tiempo. El núcleo es comparar y analizar las diferencias de comportamiento de los usuarios del grupo en diferentes momentos durante el mismo período, por lo que también se le llama análisis de grupo simultáneo.

En el ámbito del control de riesgos financieros, uno de los escenarios más utilizados es el análisis de antigüedad de cuentas, que se utiliza para monitorear los cambios en las tasas de morosidad de los usuarios. Como se muestra en la figura siguiente, las tasas de morosidad de M2 ​​y M3 son relativamente altas. Luego ajuste la estrategia de control de riesgos y realice un análisis grupal para ver si la estrategia es efectiva.

Los resultados son los siguientes:

Los nuevos campos generados aquí, período de pedido es el mes en el que el usuario realizó un pedido y grupo de cohorte es un grupo de usuarios generado en función del período más antiguo. cuando cada usuario realizó un pedido Los dos son iguales.

A continuación, agrupamos por grupos de usuarios y campos de mes:

Los resultados son los siguientes:

En el campo periodo de pedido podemos ver los primeros correspondientes a 2019 -01 Los meses de consumo son 2009-01, 02, 03 y 05, pero los primeros meses de consumo correspondientes a 2009-02, 03 y 05 son relativos.

Obtener:

Por lo tanto:

Tenga en cuenta que cada columna en la figura anterior representa el grupo de consumo más temprano del mes, y el período de cohorte representa el consumo más temprano en enero. , febrero, marzo y abril situación del grupo. Por ejemplo, 2019-01 representa enero, febrero, marzo y abril para los primeros grupos de consumidores en enero.

En resumen:

Realice un análisis vertical de los usuarios en la misma etapa del ciclo de vida para comparar los cambios en grupos similares a lo largo del tiempo. Como se puede ver en la figura anterior, la retención de usuarios. la tasa disminuye con el tiempo de.

Al mismo tiempo, al comparar los mismos grupos del período en diferentes momentos, podemos ver que la tasa de retención es alta y baja. Como se puede ver en el gráfico anterior, cayó en febrero de 2065438 y volvió a subir en abril de 2065438.

Es posible que las actividades de los usuarios en 2019-03 condujeran a tales resultados, verificando así que las mejoras de la actividad han logrado resultados obvios.