本文主要分享作者整個分析作品的思路，具體的分析內容，大家可以看圖片瞭解，最後還把分析報告的工具分享給大家，感興趣的可以獲取。
最近有朋友向我諮詢銀行信貸業務的資料分析，就看了很多案例，剛好看到一個信用卡全生命週期分析的案例，做得很詳細又通俗易懂，基本上可以直接複製套用，所以特地分享給大家。
01 整體分析思路
這個分析案例整體按照信用卡全流程各階段的業務運營場景展開，主要有以下三個部分：貸前分析、貸中分析及貸後分析，具體分析內容如下圖所示：
02 資料採集與清洗
本作品資料來自某區域內多家銀行機構運營資料整合，展示部分均已脫敏；
作者根據實際業務需求，透過中臺標籤體系，整理信用卡各生命週期高頻指標，並作統計分析。模型核心指標如下圖：
03 各模組具體拆分
1. 貸前部分
這部分透過分析全行月進件規模、卡轉化率；制定進件、促活方針，及時發現獲客異常，並建立營銷人員KPI指標考核。分析並建立基本客戶畫像，確認營銷群體，降本增效。
具體分析思路如下：
1.1 進件分析
進件分析是對於進件相關資訊的採集分析及應用。它是透過對於進件渠道、進件質量以及後續轉化情況的分析，為銀行對獲客營銷行為提供建議。透過對於營銷人員的推廣業績進行排名分析，判斷各營銷人員的KPI達標情況，提高營銷積極性。
1.2 客戶畫像
客戶畫像是對全行客戶群體的深入瞭解和描述。它是透過對客戶的基礎資訊、風險、活躍、收益等方面的分析和整合，形成的對目標客戶群體的全面和準確的描述。透過對不同客戶群體進行分層劃分，以便企業可以更好地理解目標客戶並針對其需求和偏好制定更有效的營銷策略。
2. 貸中部分
信用卡的收入來源，主要是息費，例如取現利息、分期收入、違約金、年費等。如何能夠提高收入呢？首先需要保證髮卡規模，其次是活躍程度，最後要了解使用者的消費偏好與RFM屬性，及時開展營銷動作。這部分分析也如此展開。
具體分析思路如下：
2.1 髮卡情況
從多角度瞭解髮卡情況，嘗試尋找髮卡規律，最佳化髮卡現狀。
- 根據每年每月各卡種的髮卡量日曆圖，可以直觀發現髮卡薄弱月份及卡種，以便覆盤並在往後重點關注；
- 根據各分行發行卡種種類及卡量桑基圖，可以知曉各分行發行卡種比重，有助於針對性地開展推廣活動及政策；
- 根據各分行以往每季度髮卡量走勢圖，能夠看出各行髮卡業績完成情況。
2.2 啟用首刷&使用者轉化
促活是信用卡營銷的重頭之一，主要包括促啟用和促活躍。
促啟用：計算出髮卡到啟用的間隔天數、髮卡到首刷的間隔天數，繪製啟用首刷走勢圖，展示近期持卡人的開卡、首刷習慣，為何時向客戶推送促啟用提醒簡訊、策劃首刷活動等，提供參考依據。
促活躍：此處我們只關注持卡人從申請卡片到成為收入客戶過程的用卡週期，參考數字運營常用的3A3R策略模型，計算進件審批、核准髮卡、啟用、首刷、活躍、收入共六個環節的轉化率，針對轉化率較低的環節，著重設計營銷方案，突破現有瓶頸。
2.3 交易分佈
持卡人的取現行為，會直接帶來取現利息收入，而消費，也可能會進一步帶來分期收入，甚至過免息期後也會產生利息，因此刺激交易量、分析交易情況十分必要。
參考波士頓矩陣，我們針對消費類交易，繪製MCC類別的單筆消費金額-交易量的矩陣圖，橫縱軸警戒線均為均值線，MCC按大類、小類、具體MCC共三個層次支援鑽取，第一象限為交易量大且單筆金額高的交易，第二象限為交易量少且單筆金額高的交易，第三象限交易量少且單筆金額低，第四象限交易量大且單筆金額低。我們認為單筆金越高的交易越值得關注，而此基礎上交易量越高越好。
對消費類交易的交易金額及佔比，進行帕累託分析，觀察是否符合二八法則（很多情況下80%的結果由20%的變數產生），同時可以知曉誰是交易額最大的商戶。
另外對息費排名前十的分行，繪製柱形圖，比對主要息費佔比。
2.4 RFM模型分類
RFM模型是衡量客戶價值和客戶創造利益能力的重要工具和手段，作者抽取消費類交易，計算每個持卡人的RFM指標值，進行觀察分類，識別各類客戶的價值，據此制定個性化營銷方案。
2.5 VINTAGE分析
VINTAGE賬齡分析法以賬齡（賬戶已開戶月份）、開戶日期為維度，分析信用卡全週期使用情況；其優勢在於使用了控制變數法，剔除開戶時長對用卡行為的影響，將相同用卡時長的客戶視為一個組，分析一簇客戶在開戶後第幾個月存在不同用卡行為的高峰，找尋大樣本量下客戶的用卡習慣，對用卡營銷活動有著重大的參考價值。
本次VINTAGE分析將從消費實動率 — — 反映平均用卡高峰期；戶均分期、分期滲透率 — — 反映平均分期意向高峰期，兩個角度去解讀客戶用卡習慣，分別代表著用卡規模、用卡收入兩個核心維度。
3. 貸後部分
這部分主要進行全行信用卡逾期狀態分析，擬定風險管控計劃及催收計劃，降低不良率。
具體分析思路如下：
3.1 分期分攤業務分析
當前已請款分期在下一個賬期開始按照分期期數逐筆分攤。但對於處於正常分期分攤的各類分期，缺少未來分期分攤資料的測算因此在分期情況次日按照分期期數、分期情況日期、賬單日、賬期的等分期關鍵資訊，進行未來本金及息費分攤測算。透過測算，將每期分攤資訊，包括當期分攤本金、當期分攤費用、當期分期剩餘本金、當期剩餘費用、分期剩餘期數等主要資訊測算出來，為後續分體提供資料基礎。
- 透過儀表板中選擇分期請款日期及分期分攤日期，可以快速獲取所選日期分期請款及指定時間區間分期分攤情況，直接展示已請款分期總本金及總費用在未來時間段的本金分攤金額及費用分攤金額，瞭解本金分攤回款及應收費用產出情況。
- 透過面積圖可以清晰看到總本金及對應已分攤本金剩餘情況，及總費用及對應已分攤費用剩餘分攤情況。
- 透過分析分期期數分佈熱力圖，可以直觀的觀察每種型別期數在未來分攤的情況，為分期產品計劃制定提供參考。
3.2 賬單分期分析
針對已做賬單分期的賬戶進行賬單影響因素分析，追蹤近半年的賬單及消費金額變化情況，為後續賬單分期營銷活動提供決策參考。
- 透過分析當期所有已請款賬單分期資料，結合時間線性分析，可以直觀發現，在近半年連續平穩賬單分期的趨勢下，最近一期賬單金額或消費金額有明細漲幅，也可認為客戶近一期賬單在連續半年內有顯示大額消費場景，具有賬單分期潛力。
- 透過分析已請款賬單分期賬戶最近一期賬單及消費金額的目標增長變化率X。針對該目標變化率，分析最近歧義賬單且結合最後還款日基礎上，分析單個賬戶賬單情況。
- 結合分析賬單分期距離最後還款日或賬單日天數，可為後續賬單分期提醒或賬單分期營銷提供參考，即在哪些日期投放賬單還款或營銷提醒收益最大。
3.3 逾期情況分析
透過分析逾期情況，為貸後資產管理提供參考。按照逾期戶數及逾期金額分析全行各類逾期資產佔比，直觀瞭解不良資產在總資產的分佈情況。
按照時間序列分析逾期MOB1、MOB2、MOB3、MOB4、MOB5、MOB6+的逾期情況，可以瞭解當前逾期資產變化情況，為後續不良資產管理及貸後催收提供決策參考。
3.4 五行形態遷徙
採用五級形態遷徙矩陣分析年初五級形態至當前資料的變化情況，一般五級分類定義如下：
- 正常：貸款期間正常還本付息
- 關注：連續違約期數1–3次；貸款本金或利息逾期60天以內
- 次級：連續違約期數4–6次；貸款本金或利息逾期60–90天
- 可疑：連續違約期數>=7次；貸款本金或利息逾期90–180天
- 損失：具備（一）、（二）、（三）所列損失標準，或者貸款本金或利息逾期180天以上
遷移率（Flow Rate）：觀察前期逾期金額落入下一期的機率，一般縮寫為(C-M1、M1-M2……M4-M5)，例如M2-M3=當月進入M3的增量貸款餘額/上月末M2的存量貸款餘額。
結合矩形圖陣分析各個五級分類的變化情況，計算各個形態的遷移率，分析不同資產最佳化或者惡化的變化趨勢。
本分析製作報告團隊為“科技為賬戶增值”，作品榮獲“2023第四屆FineBI資料分析大賽的最具業務價值獎”，點選連結，體驗分析工具FineBI。
☞☞☞更多資訊，點擊關注臉書，與軟妹一同開啓數據之旅，迎接商業智慧新時代！
