银行客户贷款行为数据挖掘与分析_银行资金流向数据挖掘-CSDN博客

本文链接：https://blog.csdn.net/qq_57417926/article/details/143137874

#1024程序员节 | 征文#

在新时代下，消费者的需求结构、内容与方式发生巨大改变，企业要想获取更多竞争优势，需要借助大数据技术持续创新。本文分析了传统商业银行面临的挑战，并基于knn、逻辑回归、人工神经网络三种算法，对银行客户的贷款需求进行分析。最后，使用KMeans聚类算法进行客群分析，绘制出雷达图、t-SNE散点图、柱状图，多方面展现客户贷款行为。

前言

1、研究背景

银行主要业务包括:资产业务、负债业务、中间业务。其中资产业务主要是指贷款业务，并且它也是银行目前主要的收入来源。同时，随着互联网金融的兴起，一些客户向线上交易方式转移，国有银行的垄断地位开始动摇，其原因主要是这些互联网金融机构利用大数据、云计算、区块链、人工智能、物联网等技术，将其应用在很多应用场景中，包括智能投研、智能投顾、智能客服、智能营销、智能风控、银行云等，这些技术的作用不只是扩大客户的融资需求，还可以用于风险控制、项目评估等方面，达到利益与风险相均衡的状态。为扭转这一局面，传统银行业开始转型升级，与互联网领域融合，优化盈利模式。

2、影响客户贷款需求的因素

⑴客户基本信息

分析贷款客户的年龄、婚姻状况、教育水平、职业等特征，针对这些客户的特征进行分类，对每一类客户群体做出不同的营销方案。

如图1-1、1-2所示，从年龄上分析，进入银行办理业务的客户年龄大多集中在25-65岁之间，而具有贷款需求的客户的年龄分布与之相一致，同时，贷款客户占银行客户总人数的16.03%，说明贷款业务有很大的市场潜力，可以通过一些措施来激发客户的贷款需求。

import matplotlib.pyplot as plt
#设置字体
plt.rcParams['font.sans-serif'] = 'SimHei'
plt.hist(o_data.loc[o_data['loan']=='yes','age'].values,color='red',label='y',range=(10,80),alpha=0.1)
plt.hist(o_data.loc[o_data['loan']=='no','age'].values,color='green',label='n',range=(10,80),alpha=0.1)
plt.xlabel('年龄')
plt.ylabel('人数')
plt.title('银行客户的年龄分布')
plt.legend(['y','n'])
plt.show()

图1-1 银行客户的年龄分布图

u,c=np.unique(np.array(data['loan']).astype(np.str),return_counts=True,axis=0)
#种类对应的个数
num=list(c)
#设置字体
plt.rcParams['font.sans-serif'] = 'SimHei'
plt.pie(num,labels=['no', 'yes'],autopct='%1.2f%%') #绘制饼图，百分比保留小数点后两位
plt.title('贷款百分比饼图')
plt.show()

图1-2 贷款百分比饼图

如图1-3所示，从职业上分析，银行客户的职业大多集中在蓝领、银行人员、服务业从事人员、技术人员，而职业为蓝领的客户贷款可能性最大。

图1-3 银行客户的职业分布图

如图1-4所示，从受教育水平上分析，大部分银行客户的受教育水平处在中等、高等教育水平，有一小部分客户的受教育水平未知。

import seaborn as sns
from matplotlib import pyplot as plt
#教育水平
fig, ax = plt.subplots(figsize=(8,6))
ax = sns.countplot(x=data.education,hue=data.loan,palette="Set1")

图1-4 客户受教育水平的分布图

如图1-5所示，从婚姻状况上分析，各种情况的人数占比都差不多，其中，已婚和离婚的客户人数较多。

dataY=data.loc[data['loan']=='yes',:]
a=round(dataY.loc[dataY['marital']=='single','marital'].count()/data.loc[data['marital']=='single','marital'].count(),2)
b=round(dataY.loc[dataY['marital']=='married','marital'].count()/data.loc[data['marital']=='married','marital'].count(),2)
c=round(dataY.loc[dataY['marital']=='divorced','marital'].count()/data.loc[data['marital']=='divorced','marital'].count(),2)
print(a,b,c)
l=[0.13,0.17,0.18]

plt.bar(['single', 'married', 'divorced'],l)
plt.xlabel('婚姻状况')
plt.ylabel('贷款人数/总人数')
plt.title('银行贷款客户的婚姻状况分布')
plt.rcParams['font.sans-serif'] = 'SimHei'
plt.show()