【2022BI数据分析大赛】信用卡用户贷款情况分析及贷后风险监管

一、选手简介

1、选手介绍

帆软社区用户名ALICE，目前就职于一家资产管理公司，主要针对银行个人消费贷款及汽车金融贷款进行贷后管理工作；个人对数据分析及可视化十分感兴趣，热衷于通过可视化将枯燥的数据变成一门会说话的艺术。

 

2、参赛初衷

和更多FineBI大神交流学习，进行数据可视化作品以及分析思维的激烈碰撞。

 

二、作品介绍

1、业务背景/需求痛点

• 简述业务背景：

随着信用卡市场规模的不断扩张，信用卡违约导致的不良资产规模也不断增多，提高不良资产回收成为银行经营任务的一项重要指标。

• 简述需求痛点

通过对信用卡用户的特征进行分析，提炼出高风险违约用户特点，尽可能降低贷款违约率、提高不良资产回收率，最终实现公司经营目标。

 

2、数据来源

数据来源：https://www.kaggle.com/pranati25/predict-loan-defaulters。

（注：由于数据保密性，故不能使用企业数据进行分析，此次分析数据从上述网址下载，数据较接近拟分析的主题，尽管数据时间较老，仍希望与大家分享分析思路及方法。）

具体数据表及相应指标含义如下：

 

3、分析思路

 

4、数据处理

（1）确定使用数据指标及统计口径

1. 数据清洗加工

梳理完各表之间的关联及所需要的字段后，开始对数据表进行清洗，并建立数据集。

第一步：使用loans表建立数据集【贷款信息表】，新增【贷款风险等级】列，即对loans表的还款状态分别进行赋值，便于增加仪表板可读性

第二步：通过disp表将loans表和clients表进行连接，将clients表中的用户性别、出生日期通过左合并方式连接到loans表

第三步：使用trans表建立新数据集【客户交易信息表】，由于trans表的金额列为带有特殊符号的文本格式，所以需对其进行修正，将文本值转化成数值，满足后期求和需要

第四步：为了计算各账户号的收入、支出及利息所得进行分组汇总，新增3列辅助列，即

【收入】：借贷类型="贷"的记录，金额保留，否则赋值为0

【支出】：借贷类型="借"的记录，金额保留，否则赋值为0

【利息所得】：交易特征="利息所得"的记录，金额保留，否则赋值为0

第五步：按照账户号进行分组汇总，并计算收支比

第六步：将处理后的trans表中的【利息所得】、【收支比】列通过左合并方式添加到loans表中，形成包含所有需使用字段的完整数据集【贷款信息表】

 

5、可视化报告

模块一、贷款基本情况：

1. 文本组件：展示各风险等级贷款笔数及贷款违约率
2. 饼图：展示各风险等级贷款用户占比

模块二、贷款违约率分析

1. 各性别贷款用户占比及违约率对比
2. 各年龄段贷款用户占比及违约率对比
3. 各还款期限用户占比及违约率对比
4. 不同月归还额用户占比及违约率对比

模块三、贷后风险监控及管理

基于前两个模块分析基础，通过筛选不同条件，及时跟踪满足条件的高风险用户，根据用户特征制定个性化还款追踪方式，达到降低违约风险的目的。

（2）通过分析得出的结论

通过观察贷款违约率分析模块：

发现：女性贷款用户占比及违约率均略高于男性用户；20岁以下贷款用户贷款占比低，但贷款违约率最高，贷款每月还款额在5000元以上用户占比最高，但违约率也最高，而每月还款额在1500元以下用户贷款违约率为0%。而女性用户中，20-30岁之间且每月还款额在5000元及以上用户违约率较高，男性用户中，30-40岁且每月还款额在4000-5000元之间用户违约率最高；20岁以下，每月还款额在3000-4000元之间用户违约率高达100%。

建议：20岁以下贷款用户，由于经济来源主要依靠父母，不适宜对其发放每月还款额较高的贷款；20-30岁女性，刚步入工作，具有较强的提前消费意识，但经济状况不稳定；30-40岁男性，工作状况较为稳定，但上有老下有小，生活成本高，以上两类用户贷款违约率较高，因此在对其发放每月还款金额4000元及以上的贷款时，需严格审核其信息特征、经济状况等、从源头上减少违约风险发生。

下一步措施：针对可疑类贷款及损失类贷款用户，应该从用户还款能力、还款态度等方面进一步分析，制定可行的客户催收方案，提高不良贷款的回收率；

针对关注类贷款用户，根据高风险违约用户画像，找出可能存在违约风险的用户，密切追踪其每月还款进度，通过电话短信等提醒方式督促还款，降低贷款违约率。

（3）最终结果呈现的页面布局

使用公共账号的选手

https://bisolutions.fanruan.com/webroot/decision/link/2HdP

 

三、参赛总结

初识BI源于2020年，当时看到在一篇公众号推送的关于可视化的文章，大为震撼，没想到枯燥的数据可以以这种美观又直接的方式呈现出来，于是抱着感兴趣的态度尝试着自学。半年后，由于公司经营发展需要，采购了FineBI用作数据分析软件，由于有了之前的积累，加上FineBI的人性化设计，很快就做出了第一个项目运营分析，这个过程就相当于盖大楼，从打地基到大楼雏形构造到装修到完工，虽然繁杂但很有成就感。也因此突然就觉得Excel不香了。不过有一说一，数据分析最重要的是业务分析思维，FineBI最终只是数据分析的工具，可以实现数据自动化更新、数据共享共用以及可视化呈现的载体，但离开了业务思维，就相当于建的楼房失去了根基，而基于业务背景的分析，FineBI可以成为画龙点睛之笔，达到1+1>2的效果。

FineBI给我们提供了人性化的数据可视化平台，但是会和精通之间还有很长的路要走。除了懂业务、会分析，还需要有点设计能力、懂得色彩、图形的搭配，这样才能将FineBI打造成我们工作中的利器，成为职场制胜的法宝。

案例打卡：很不错的作品，虽然信用卡很普遍，但是我了解的不多，就报表而言，看起来很直观明了，加的有边框，呵呵。分析目的和思路都很清晰，色彩和细节还有提升空间，不错的作品，谢谢你的分享。

案例打卡：作品进行了贷款违约的性别、年龄、每月还款维度、贷款期限等角度分析，不清楚part2中各组件是否是严格的联动关系，个人点击查看后得出的结论可能和作者有点出入呢。另外，相较与贷后风险监督，个人认为贷前风险评估更为重要，作者可以考虑增加更多的贷前用户情况分析，如对已放贷客户群进行工作收入、名下资产、家庭经济情况等分析，从源头减少风险的发生。

案例打卡：整体布局很不错，有些地方留白有一些多，字体颜色有一些不突出的地方。经济水平气泡图有一些杂糅，可以适当放大或者是说明一下。如果在技术支持的条件下进行适当的预测以及检验的话会更好。

思路清晰，报告视觉上还是蛮好的，选用图表类型也比较合理，分析后给出一定建议

在点评之前，我想先说一下标题。按我的理解，part1是贷款账户里面的贷款账户余额情况（我没理解错的话应该是首次放款余额数吧），part2是不同维度下的违约率分布，part3是账户的一些信息。所以我认为分析上可能稍微浅一点，反而是展示多一点。而且大部分的图都是圆的（饼图、玫瑰图），是因为帖主对圆形的图有特别的喜好嘛？
整个作品看下来，感觉还是很完整的。大标题、小标题、图表和结论，该有的都有了。如果可以的话，可以在图表使用和业务理解这两个地方多下点功夫。
例如，饼图适合展示比例，但是如果再容纳更多的信息，就一定要使用文字了，但是用文字的效果显然比不上图。所以你看part2的第一张饼图里面，就包含了①性别②占比③违约率三个维度的信息了，有一些过载。如果这张图还不够明显的话，可以看第二张年龄维度的图，这里面有五个分类，每个分类又要放三个维度的信息，很明显就不够放了。而且，深蓝色的图和字都很不清晰，那是因为背景色就是深蓝色，再用深蓝色的字，效果是很差的。而且从各个饼图的配色来看，也没有统一的色调。在配色上面，帖主还要多下功夫。怎么表达多个维度的信息呢？可以考虑使用一下组合图，例如线图和柱图的组合，或者矩形和颜色图的组合，除了图的差别以外，我们表达不同维度的信息还包括——颜色、大小、位置等等。但是信息如果过载，图表就很满，例如part2的最后一张图，所有的点都叠加在一起了，请问这张图想表达什么意思呢？对每个账户的信息进行展示，那么就不要用气泡，而要用点的分布图；对大类信息聚合后的结果进行展示，反而用四象限的图，效果就不错。信息表达方式很多，每一种图表的使用场景都要非常熟悉才行。
最后多聊一点，Fine bi跟excel比，普及面还是后者比较大，而且fine bi还有很长的路要走，不过能多掌握一门工具，对于分析师而言，是一件锦上添花的事情。同行业还有很多很棒的作品，一起加油，一起学习吧！

另外这里有个错别字：part2不是patr2

案例打卡：金融方便的不是很懂，不过整体感觉布局的字体可以大一点，方便看。