在開始分析之前，我們需要了解貸款業務的流程，即每個用戶的購買和最終還款之間涉及的所有環節。壹般來說，網上貸款的流程可以總結如下:
通過用戶行為路徑分析，我們可以得到:
適用於分析和監控產品運營中的關鍵環節，找到薄弱環節，通過用戶引導或產品叠代進行優化，提高轉化效果。
選擇壹個子集，分別統計每天申請貸款和批準貸款的新用戶和老用戶的數量，然後計算新用戶的貸款利率。最後，合並函數用於拼接新用戶結果表和舊用戶結果表。結果如下:
接下來，我們需要了解每天的老用戶數量，以計算用戶的貸款償還率。在這裏，老用戶的定義是:#前壹天出借，第二天繼續借用的新用戶是老用戶#。對於存量老用戶，我們暫不考慮，只看前壹天借款的人第二天是否繼續借款，該筆借款視為老用戶的借款償還，因此我們取新用戶借款透視表前29天的數據+5月1的人員構成。
形成用戶路徑匯總表，計算每個節點的轉化率。
計算轉化漏鬥並計算匯總數據:
結果如下:
從結果來看，從PV到UV有很大的下降。正常情況下，壹個廣告可能會吸引大約10%-30%的用戶，但點擊量非常巨大，因此造成了這壹結果。
從整體來看，很明顯4%的註冊人數相對較低，這意味著許多用戶點擊，但註冊人數很少。是不是說明這個渠道有問題？我可以對比不同渠道的轉化漏鬥分析，看看是整個行業的轉化率低，還是單個渠道低，或者這個渠道的用戶群體不是我們想要的。
在消費金融公司，通過日常監測經常會發現某壹消費貸款產品的首超率在逐步提升。我們需要降低壹次通過率來減少產品造成的損失，同時通過率也不能太明顯。
分析目標:通過數據探索和分析，制定能夠有效降低壹次通過率的策略。
分析思路:因為我們要分析的策略在申請時會用來判斷客戶是否會逾期，所以策略分析的基本思路是將這些在申請時有首次表現的客戶的數據還原出來（這個還原是指提取客戶在申請時各個維度的數據，越多越好），然後利用這些數據找出可以區分好客戶和壞客戶的變量並制定策略。
可以得出整體壹次通過率為30.76%。
這裏使用的是單變量分析方法。單變量分析的主要目的是篩選出區分好壞較好的變量，以便制定策略。在小金公司的日常工作中，會有壹個團隊負責抓取變量和計算處理變量的數據。他們在不斷地獲取和處理許多可能對風險控制有幫助的數據並提供給我們的風險控制團隊，我們的風險控制人員需要從這數千個變量中找出可以控制逾期風險的變量，而不會錯誤地拒絕許多好客戶。
統計結果如下:
統計結果如下:
在變量分析之後，這時，我們將選擇更有效的變量，這涉及到壹個衡量變量是否有效的指標，即促進程度。壹般來說，就是在拒絕最差的那部分客戶後，衡量整體風險控制的改善效果。提升程度越高，變量就越能有效區分好客戶和壞客戶，錯誤拒絕好客戶的可能性就越小。如下，通過對所有變量的提升程度進行逆序排列，發現個人信用查詢總數和客戶信用評級的提升程度最高，分別達到1.93和1.71。
通過上壹步的單變量分析，我們篩選出了改善幅度最高的兩個變量:“信用查詢次數”和“信用評級”。如果這兩個變量最差的客戶被拒絕，對整體逾期的影響將是。這種影響意味著我們假設‘信用查詢總數》；3，265，438+03客戶= 265，438+0全部被拒後，剩余客戶逾期率較被拒前有所下降。最後，我們得到信用查詢數量減少了3.4%，信用評級減少了7.5%。
用戶在使用產品時有壹個用戶行為過程，不同時期用戶的表現可能有所不同。群體分析的主要目的是分析相似群體在壹段時間內的變化，核心是比較和分析同壹時期不同時間群體中用戶的行為差異，因此也稱為同時群體分析。
然後在金融風險控制領域，最常用的場景之壹是賬齡分析，用於監測用戶逾期率的變化。如下圖所示，M2和M3的逾期率相對較高，然後調整風險控制策略，然後進行分組分析，看策略是否有效。
結果如下:
這裏生成的新字段，orderperiod是用戶訂單的月份，cohortgroup根據每個用戶訂單的最早周期生成用戶組，它們是不同的。
接下來，按用戶組和月份字段分組:
結果如下:
在orderperiod字段中，我們可以看到2019-01對應的最早消費月份是2009-01，02，03，05，但2009-02，03，05對應的最早消費月份是相對而言的。
獲取:
因此:
請註意，上圖中的每壹列代表當月最早的消費組，cohortperiod代表1、2、3和4月中最早消費組的情況。例如，2019-01表示1月份中最早消費組的1、2、3和4月。
綜上所述:
對同壹生命周期階段的用戶進行垂直分析，可以比較相似群體隨時間的變化。從上圖可以看出，用戶留存率是隨著時間的推移而降低的。
同時，通過比較不同時間的同期組，我們可以看到留存率的表現有高有低。從上圖可以看出，它在2065438年2月下跌，然後在2065438年4月上漲。
可能是在2019-03的時候用戶活動導致了這樣的結果，從而驗證了活動改進取得了明顯的效果。