某农商行用户画像项目——用户画像分析部分

四、用户画像分析

依照属性、特征、偏好等用户标签架构，将用户信息进行标签化处理，建立银行统一的用户标签库。

4.1 用户维度

4.1.1 个人属性

# 基本信息
bairong_clean[['年龄','性别','籍贯','民族','国籍']].head()

# 身份信息
bairong_clean[['是否农户','最高学位','职务','输出身份证姓名一致检验']].head()

4.1.2 社会属性

# 公司
bairong_clean[['客户类型','公司类型','注册资本万元', '经营状态',
 '认缴金额万元', '企业(机构)类型', '注册资本(万元)', '企业状态']].dropna().head()

# 家庭
bairong_clean[['有无子女', '住房情况','家庭人数','婚姻状况']].dropna().head()

4.1.3 用户行为

# 贷款
bairong_clean[['计息周期', '贷款形式','产品名称','贷款期限_median','合同额度（元）_mean','贷款期限_sum']].dropna().head()

# 还款
bairong_clean[['还款来源', '担保方式','还款方式']].dropna().head()

# 逾期 （金额已对数化-log10）
data_clean[data_clean['逾期金额_median']>0][['逾期时长_median', '逾期金额_median', '逾期次数_median','逾期时长_sum']].dropna().head()

4.1.4 用户属性

# 潜在购买力
bairong_clean[['职业收入（元）_mean','储蓄卡过去16-18个月末可用余额','注册资本万元']].dropna().head()

# 用户实际价值
bairong_clean[['抵押物溢出价值_mean', '抵押物溢出比例_mean', '合同额度（元）_mean']].dropna().head(