【2023BI数据分析大赛】银行业零售贷款营销与风控平衡分析
一、选手简介
1、选手介绍
·团队名称：凤起黄河
·团队介绍：黄河之上，花开花落，云卷云舒，一支优秀的团队，注定是一道风景。“凤起黄河”正用自己的方式，演绎出别具一格的BI相对论。
冬神：集团军总司令，负责比赛整体规划、指导。
四金真人：集团军总指挥，一夫当关，万夫当开，我们本次大赛的直接负责人，从比赛的开始，策划、实施，一路引领、开山劈路。
菊菊童鞋：集团政委，最强大脑，为我们提供清晰的解决方案。
锋瑞童鞋：集团最佳sqlboy，效率之王，负责将大家的方案、归纳总结。
2、参赛初衷
希望通过参与比赛的形式，提升团队及个人的数据分析能力，学习BI工具的使用方法和技巧，后续在单位内部进行BI工具推广，以提升内部工作效率。
二、作品介绍
1、业务背景
在经济形势下滑以及疫情的冲击下，银行零售业务发展压力越来越大，特别是贷款业务更是成为了业务发展的重要瓶颈，怎么做好存量客群的挖潜，又怎么做到增量客群的拓展，是摆在每一家银行，甚至每一个客户经理面前的难题。要想解决这些难题，首先要全面准确的掌握存量客群现状，充分了解增量客群的购买潜力，以风险防控作为基石，做到有效营销、精准营销、可控营销，才能保证业务持续健康的良性发展。准确的数据分析就是以上方案的技术举措，通过多维分析掌握存量现状，通过建模预测做到精准赋能，通过风控诊断做到业务调优，以科学方法寻找营销转化与风险防控之间的平衡关系，通过分析迭代改进，探索突破业务发展瓶颈的有效途径，从而提升企业核心竞争力。
2、需求痛点
对于信贷业务发展来说，营销和风控都重要，没有营销就没有发展，没有风控就相当于开了一辆没有制动的汽车，结果可想而知。从形式上讲业务营销和风险控制是一堆矛盾体，但就其实质，二者则是银行在履行金融职能和开拓业务过程中一个问题的两个方面，正确处理好二者之间的关系，在业务营销中融入风险防控，在控制好风险的前提下保证业务健康发展是当前区域性银行所面临的首要问题。其次，传统的零售贷款营销方式存在耗时耗力，收效极差的问题。针对风控，随着线上贷款进件数量增大，风控规则如果设置的不当，不能做到风险可控的发展，那么对企业经营具有很大的影响，比如不良资产的上升，也会导致银行经济效益的下降。为解决以上问题，进行了本次课题的分析研究。
3、数据来源
基础数据均为自造数据，其中，客户级数据为10万、账户级数据为4.5万，具体表结构含义如下：
4、分析思路
4.1、基础数据统计
对基础数据在不同维度下的数据比例进行统计，具体情况如下图：
4.2、分析主题拆解
4.3、分析方法
对比分析法：看数据整体大小、时间趋势变化，不同维度对比
漏斗模型：看客户结构，分析不同客群比例
TOP分析：找到异常规则
散点分析：用于观测数据分布
特征分析：用于计算特征影响最大规则
逻辑回归：通过AI建模方式，采用逻辑回归方法，针对样本客户进行大量计算得出客户标签不同分箱的分值，用来进行客户潜力分的计算。
4.4、分析指标
指标名称
口径
贷款余额
客户借款总金额
不良余额
贷款状态包括次级、可疑、损失的客户借款总金额
贷款客户数
借款总客户数
不良客户数
贷款状态包括次级、可疑、损失的客户借款总客户数
通过率
贷款申请通过数/贷款申请总人数
逾期率
贷款逾期客户数/总贷款人数
波差
上月逾期率 - 当月逾期率
5、数据处理
数据说明：行内数据无法在互联网上进行分析，此次比赛数据模拟真实生产数据。
5.1、数据处理过程
将三张表利用客户号关联合并
利用CONCATENATE,LEFT,MID,RIGHT函数转换日期格式
利用贷款余额变化趋势（存量） 举例
将三个主表合并后的数据表过滤出本年数据，分别增加新增列本年各个月份，得出贷款余额变化趋势分析表，
创造excel表月份，地区，将此表与贷款余额变化趋势分析表按月份字段和机构分别合并汇总，
将月份列转行，与月份，机构分组合并后的数据表（贷款余额变化趋势（增量））合并，计算出增量贷款占比，再与不良贷款余额合并，计算出不良占比
利用BI的if函数进行判断取值，新增列信用卡额度评分，近一季度代发次数评分等，计算总分，再根据总分利用if函数判断营销对象
6、可视化报告
6.1、总体原型设计
在得知此次比赛后，团队经常加班开会讨论此次大赛的主题，每个小伙伴都提出自己的意见，我们的工作流程可见下图。
经过我们最后开会反复敲定，因为每一个BI图表都有自己的含义，我们最终确定了以下样式
6.2、总体分析
part1【总体现状分析】
下图为本次分析的整体现状展示，本次现状分析主要为全区各地市的贷款笔数、金额、各维度贷款金额及占比、本年各月份存量贷款与新增贷款的趋势、本年度不良贷款的趋势、以及现有客户的转换情况，地市分析和各维度分析有联动分析。
通过鼠标点击各维度分析饼图又有进一步的下钻分析
下面将对各维度的分析进行详细介绍。
part1.1地区维度贷款结构分析：通过图表看出，银川地区贷款规模约占总贷款规模的39.6%，剩余其他地区贷款规模占61.4%；
part1.2职业维度贷款结构分析：农民客户贷款占比22.1%，个体商人客户贷款占比12.4%，工人客户贷款占比14.2%，其他职业客户贷款占比33.9%；剩余职业客户贷款占比17.4%，针对贷款占比较高的农户贷款进行透视分析，发现整体呈增长趋势；
part1.3年龄维度贷款结构分析：21-30岁区间客户贷款占比14.9%，31-40岁区间客户贷款占比28.4%，41-50岁区间客户贷款占比24.0%，51-60岁区间客户贷款占比23.4%，剩余年龄区间客户贷款占比9.3%，针对31-40岁年龄段客户贷款进行透视分析，发现整体处于平稳情况；
part1.4利率维度贷款结构分析：3.4以下利率贷款占比34.0%，3.4-3.6区间利率贷款占比40.1%，剩余区间利率贷款占比25.9%；
part1.5期限维度贷款结构分析：10年期以上贷款占比40.5%，1期以内贷款占比19.3%，1-2年期贷款占比27.0%，剩余其他期限贷款占比13.2%；
part1.6贷款余额变化趋势：今年来，每月新增贷款占比都在逐月增加，四月分新增贷款占比最大，五月分新增贷款占比下降。
part1.7客户结构分析：总客户数100000人，存款客户数为100000人、占比100%，贷款客户数为45000人，占比45%，不良客户数为1387人，占比3.08%
part1.8不良贷款趋势分析：本年不良贷款余额有下降趋势，其中三月下降较为明显，后期不良有所提升，但整体提升幅度不大，在可控范围内。
part2【营销分析】
part2.1【营销整体分析】
随着各行业数字化转型的发展，数据成为了各行业不可忽视的资产，数据的分析应用也成为近年来的发展重点。在现有数据分析的基础上，对未来发展进行预测是本次工作的主要目标。此次分析针对个人贷款现有数据的分析，预测可能办理贷款的客户，对之进行精准营销，并做进一步跟踪调整。
通过逻辑回归模型分析发现：年龄在25到50岁之间、有稳定工资代发、有公积金、电子渠道交易频率高、存款余额在0到1000这部分客户办理贷款的可能性更大。通过评分卡模型对客户进行评分，并将客户根据分值分为优先营销对象，一般营销对象，非重点营销对象。通过对优先营销对象的精准营销，本年贷款提升较快。
【发现】：通过对营销潜力的整体分析，将客户的潜力值进行划分，根据通过率的高低将其分为三个不同段的营销对象，发现各机构还有较大的客户潜力可以挖掘，其中银川的客户潜力最大，固原的客户潜力最小，银川的营销量也较为出色。
【结论】：结合三张图分析，发现吴忠的客户潜力和石嘴山差距不大，但其今年的出单客户数较石嘴山有一定差距，固原现有客户潜力不足。
【建议】：通过上述分析，发现吴忠的营销力度还有待提升，目前出单金额较石嘴山差距不大，但出单户数较少，优先营销对象也较为充足，可进一步加大该部分客户的营销。固原市现有客户营销潜力较小，可考虑发展新的客户，做新客的拓展及营销。
part2.2【各维度分析】
在总体分析、整体把控的基础上进一步进行维度细化分析，将客户各维度营销潜力做进一步分析，发现新的价值，创造新的财富。
【发现】：
①对本年发放贷款通过多个维度进一步分析。通过业务类型维度分析发现，近半年来，纯新增贷款占比达40%，续办业务中，续贷占比达22%，借新还旧占比达20%，剩余其他占比达18%。
②通过年龄、性别、贷款余额发现，年龄在30到50之间的客户中男性的贷款余额普遍比女性高。
③通过模型发现归行率（存款/贷款）大于0.01、公积金大于1000、有代发的客户更容易贷款
【结论】：问题①从业务角度看，整体营销效果良好，但其中续班业务里有近20%的业务是借新还旧业务，相当于整体营销成果需要打8折；问题②通过进一步数据分析，结合社会现象发现该部分客户男性房贷压力较大，贷款贡献值较大；问题③分析发现和行内业务往来较为频繁稳定的客户，有稳定工作、代发工资稳定、公积金缴存较好的客户贷款可能性更大。
【建议】：针对问题①建议，后续营销活动中应严格控制续办类业务，将营销工作与KPI关联，纯新增业务提升KPI幅度大，从绩效角度提升客户经理营销积极性。针对问题②建议，可以考虑发放针对女性的其他类型贷款，挖掘该年龄段的女性客户价值。针对问题③建议，平时加大客户与银行间的交互频率及交互范围，并且加大对各种工作稳定单位的客户开发与维护。
part3【风控分析】
在现状分析-客户结构【漏斗分析】中可以发现我行贷款人数占比45%。不良占比3%，说明我行还有55%客户需要可以扩展，不良也略高，需进一步分析。
从风控角度来看，可以通过贷款通过率、逾期率来进行展开分析。
part3.1【风控分析-通过率】
数据选取：202205月份数据
【发现】：在左1图中发现放款通过率最低在五月份，波差也在4%，继续通过左2观察，影响贷款是否通过的主要规则是年龄，继续根据线索刨析左3图 发现拒绝发款的年龄集中在18-25之间。
【结论】：通过发现可以得出5月份通过率较低，进件客群出现了18-25区间的客户拒绝率偏高的现象，说明此贷款产品不适合该年龄段客群。
【建议：】在6月份应及时调整贷款产品投放客群，应精准投放25岁以上的客户，客户体验也会有很好的提升
part3.2【风控分析-逾期率】
数据选取：202203月份数据
【发现】：在左1图中发现贷款逾期率最高在三月份，在8%，在左2中利用IV值算法找出影响最大的变量，职业高达0.43 ，左3中发现其他职业的客户逾期占比最高。
【结论】：在逾期客户中其他其他职业占比较高。是导致逾期率高的主要因素
【建议】：通过上述数据分析，发现贷前风控规则里的“职业”规则”其他“是导致逾期升高的主要原因。此时容易出现的一个错误决策是拒绝“其他”的进件；原因很简单：这种决策会导致大量的申请被拒绝，对通过率的影响比较大；最优的策略调整方案思路是：从“坏客户”中挑选出“最坏”的一批客户，且这批客户的占比较少，然后加以拒绝。
6.3、总体结论及最终成果物展示
part1【总体结论】
对于我们金融机构而言，“客户七分在选，三分在管”，信贷的风险大小、利润高低在于从选择客户开始。从part1现状分析来看、营销与风控之间有一个平衡称，他们之间相生相克，掌握不好造成资产质量下降，客户流失严重。我们从地区、利率、职业、年龄等纬度来分析客群，资产的质量都不太一样，比如在part2营销分析得出，年龄在30到50之间的客户中男性的贷款余额普遍比女性高，在part3风控分析中得出18-25的贷款拒绝率较高。这个时候为管理者，从营销决策、风控制定上提供了更有力的依据，可以集中精力精准营销30-50的男性客户，这样风险与利润得到有效平衡。
part2【最终成果物】
三、参赛总结
1、FineBI工具
【特点】：
1.BI数据处理不需要写sql，可以进行基本的数据清洗，处理性能感觉优于sql;
2.使用更加方便，分析数据更加便捷，有很多适合业务的分析功能及函数；
3.数据合并，包括图表钻取，联动，跳转等更加便捷简单准确，直接点击连接字段即可；
4.多图联动极其便捷，直接点击相同字段赋予联动效果即可；
5.基本不用写sql，数据可以直接在数据里面处理好，合并过滤等都非常方便；
6.操作简单易上手，分析功能更加强大，不懂it的业务人员 也可以轻松上手；
【不足】：
1.没有办法单独将文本组件和图片组件加边框背景，只能在仪表板样式里单独设置
2.组件没有具体的拖拽距离，只能根据组件间隔调整；
3.没有单元格这一概念，没法合并一些需求合并的单元格，图中营销等级和背景示意色需要合并，却没办法
【思考】
通过信息的采集/收集，整合，处理，提炼，得到相应的结论，使得我们能够更清晰的认知事物，从而为决策提供帮助，使得做出的决策更明智。我认为数据分析不再是一个职位，一个工作，而是一个思考的方式，在日常生活中都可以运用数据分析的思维去解决工作生活中所遇到的问题。
2、参赛总结
经过这次参赛，对BI这一块有了更深的理解，从刚开始的小白，到略懂一二，成就感满满。看了其他选手的一些优秀作品，使我们团队耳目一新，从刚开始的无从下手到茅塞顿开。主办方举办比赛的最终目的是使我们相互了解，相互成长。也让我们团队对于帆软BI的功能的完整性、数据的多样性，操作的便捷性有了更深层次的了解。对于参赛总结我们每个童鞋都有话说：
四金真人：从比赛开始时的忐忑，到总体规划时的快感，再到成果完成时的满足，全程下来，我好像突破了自己的封印，当你深入其中时，你会感受到无限的变化，以前我可能是个搬运工，但是以后我应该是个创造者，无限可能。
菊菊童鞋：比赛过程中通过和团队成员思想的碰撞，发现了很多不一样的协作方式；在此过程中有了更进一步的提升，也认识到了自己的不足。从主题的确定到结果的呈现每一步都不可松懈。每一步看似不起眼的细节推敲最终都会是精彩结果不可缺少的点缀。此次比赛让我对责任、细节、协作有了更深层次的认知。
锋瑞童鞋：此次比赛负责风控分析这一块，经过这一次比赛，自己的数据洞察力还需要提升，好的BI分析师，不仅具备一定洞察力也需要一定的业务知识才可以让别人对自己的数据有信服力。
