经济下行,银行资产质量承压,信用卡类贷款首当其冲,不良率攀升显著。
为了更好地做好风险控制的同时,拓宽信用卡业务收入来源、优化信用卡收入结构、增强持卡人黏性,金融机构也在想方设法通过数据驱动业务增长,用户分析成为其中一种经营策略。关注“金科应用研院”,回复“CSDN”
领取“风控资料合集”
很多做策略分析的同学在做用户分析时,会被用户标签、用户画像、用户分群、用户分层这几个概念绕晕。一图以蔽之,这几个概念的关系如下:
用户标签
用户标签是基础,即数据层。是通过标签和指标两种数据方式,汇总各类数据,并对同一个用户不同数据源进行合并。
指标:连续型数据,即明细数据指标化,如“过往3个月逾期记录”、“近一个月的消费频次、消费金额记录”;
标签:分类型数据,将客户标签化,为客户打上不同的标签,比如用户的年龄、区域、学历等;
算法预测类标签:统计数据无法直接得出,需要借助于数据挖掘算法得出,例如用户价格敏感度标签,需要利用一系列的统计算法、机器学习预测算法得出。
有了丰富的指标和数据,我们才能更好地对用户进行量化描述。但值得注意的是,未经过分类整理的标签对业务的直接意义不大,需要与业务目标相组合,才能给出实际的意义。
用户画像
用户画像是底座。是用户标签的抽象概括,通过高度抽象聚合后的结果,一般应用于数据分析、辅助决策。
可以分为个体画像、群体画像。包含了用户的人本属性,如身份特征、行为特征、消费特征、心理特征、兴趣爱好、渠道属性。
用户画像其实就是对用户“打标签”,从对用户打标签的方式来看,一般分为三种类型:
1、统计类标签;
2、规则类标签;
3、机器学习挖掘类标签;
用到的算法包括:
1、决策树,是一种分类算法和回归算法,一个类似于流程图的树形结构,树内部的每一个节点代表的是对一个特征的测试,树的分支代表该特征的每一个测试结果,而树的每一个叶子节点代表一个类别。
2、线性回归算法,属于监督学习-回归类,是一种预测性的建模技术,主要是研究自变量和因变量的关系。
3、树回归算法,又称分类回归树,该算法既可以用于分类还可以用于回归。
4、K-means算法,也称为K-平均或者K-均值,是一种无监督学习方法,将相似的对象归到同一个簇中,是典型的基于距离的聚类算法。
用户分群
用户分群是方法。用户分群输入是标签,输出是用户集合。按照业务需求,把具备某种相同特性的客户归结在一起,再按照特定的条件选出目标用户,进行洞察分析查看用户特征。
客群划分可以基于单个数据维度划分,也可以基于多个数据维度复合划分。
单维度可以对同类客群特征做切面划分。举例:消费频次是衡量用卡消费的重要指标之一,某卡中心根据用户过去一年的消费行为,计算出过去一年的平均消费频次,以平均消费频次为界,划分客群,此后在高价值用户根据过去一年的消费频次和注册时间,又细分出三种客群类型:
复合维度分群,是卡中心在具体运营过程中,结合App产品属性、运营目标、数据完善程度等实际情况灵活应用的多个维度分群方法。
例如,可以按照客户持有贷款产品与贷记卡产品情况,对客户分类,并运用分析方法(AdaBoost、梯度提升树GBDT、XgBoost、LightGBM)进行分群预测。
用户分层
用户分层即特殊的分群方式。结合用户在产品上所处状态作为用户分层的依据。用户分层的参考指标只有一个,就是用户价值。常用的金字塔模型、RFM模型等都是依据用户价值高低进行分层的。
例如,某信用卡APP更关注平台用户的分期交易行为,通过RFM模型可有效拆分APP用户分期交易的价值高低,进而采取不同的运营策略。
把用户划分为8个群体,从高消费频次、高消费额、最近消费过的重要价值用户,到低消费频次、低消费额、很久未消费的一般挽留用户。
具体RFM模型内容可参考:《RFM模型在信贷风控的应用》
总结
随着互联网金融的发展需要,对于信贷产品、用户的精细化运营是未来的主要方向,而开展精细化运营的基础是对用户的理解。
一可以通过优化客群结构,挖掘优质客户,针对不同客群精细化运营,推荐相应的信贷产品、营销活动,促进用卡用户的消费。
二是针对不同客群,基于数据挖掘方法构建信用卡申请评分与行为评分,开发不同的风险监控模型及策略,通过优化信用卡风控体系、强化信用卡逾期催收等措施加强信用卡风险管理。
但在做用户客群分析时,应注意以下事项:
-
一切从问题出发,首先要看想解决的问题是什么?或者业务目标是什么?选择的维度要和业务目标高度关联;
-
维度不一定要很多,达到一定的效度就可以,要保证组间的差异足够显著;
-
用户分群、分层是手段,是工具,不是目的,对不同人群集合的分析和洞察才是目的。
本篇文章仅作为知识普及,如果你想了解用户分群在信贷领域的具体应用。
欢迎点赞,小编会根据点赞和分享在看数来判断大家的感兴趣程度,在以后的文章中以案例和实操的形式展现,为大家的工作和学习提供不一样的思路。