之前和大家分享了銀行外呼資料分析與客戶精準營銷的案例，得到很多朋友正向的反饋，今天再次給大家帶來銀行業零售貸款營銷與風控平衡分析的案例，結構清晰，可直接複製套用，特地分析給大家！
01 需求痛點
對於信貸業務發展來說，營銷和風控都重要，沒有營銷就沒有發展，沒有風控就相當於開了一輛沒有制動的汽車，結果可想而知。
因此，正確處理好營銷和風控之間的關係，在業務營銷中融入風險防控，在控制好風險的前提下保證業務健康發展是當前區域性銀行所面臨的首要問題。
傳統的零售貸款營銷方式存在耗時耗力，收效極差的問題。風控規則如果設定的不當，不能做到風險可控的發展。為解決以上問題，作者進行了本次課題的分析研究。
02 分析思路
資料包括兩部分，一部分是基礎資料佔比統計情況，第二部分是銀行業零售貸款營銷與風控平衡分析情況，從現狀分析，營銷分析，風控分析這三個角度展開
分析主題拆解的具體情況如下圖：
利用多種分析方法對資料進行分析：
- 對比分析法：看資料整體大小、時間趨勢變化，不同維度對比
- 漏斗模型：看客戶結構，分析不同客群比例
- TOP分析：找到異常規則
……
根據分析指標對資料進行歸納總結
03 資料處理
資料處理分為五部分
第一部分、貸款資訊表、資料表和客戶經理關聯關係表三張表利用客戶號關聯合並。
第二部分、利用CONCATENATE,LEFT,MID,RIGHT函式轉換日期格式。
第三部分、利用貸款餘額變化趨勢（存量）舉例。將三個主表合併後的資料表過濾出本年資料，分別增加新增列本年各個月份，得出貸款餘額變化趨勢分析表，創造excel表月份，地區，將此表與貸款餘額變化趨勢分析表按月份欄位和機構分別合併彙總。
第四部分、將月份列轉行，與月份，機構分組合並後的資料表（貸款餘額變化趨勢（增量））合併，計算出增量貸款佔比，再與不良貸款餘額合併，計算出不良佔比。
第五部分、利用BI的if函式進行判斷取值，新增列信用卡額度評分，近一季度代發次數評分等，計算總分，再根據總分利用if函式判斷營銷物件。
04 完整分析過程
總體現狀分析
下圖為本次分析的整體現狀展示，本次現狀分析主要為全區各地市的貸款筆數、金額、各維度貸款金額及佔比、本年各月份存量貸款與新增貸款的趨勢、本年度不良貸款的趨勢、以及現有客戶的轉換情況，地市分析和各維度分析有聯動分析。
營銷分析
- 整體分析
透過邏輯迴歸模型分析發現：年齡在25到50歲之間、有穩定工資代發、有公積金、電子渠道交易頻率高、存款餘額在0到1000這部分客戶辦理貸款的可能性更大。透過評分卡模型對客戶進行評分，並將客戶根據分值分為優先營銷物件，一般營銷物件，非重點營銷物件。透過對優先營銷物件的精準營銷，本年貸款提升較快。
發現：
透過對營銷潛力的整體分析，將客戶的潛力值進行劃分，根據透過率的高低將其分為三個不同段的營銷物件，發現各機構還有較大的客戶潛力可以挖掘，其中銀川的客戶潛力最大，固原的客戶潛力最小，銀川的營銷量也較為出色。
結論：
結合三張圖分析，發現吳忠的客戶潛力和石嘴山差距不大，但其今年的出單客戶數較石嘴山有一定差距，固原現有客戶潛力不足。
建議：
透過上述分析，發現吳忠的營銷力度還有待提升，目前出單金額較石嘴山差距不大，但出單戶數較少，優先營銷物件也較為充足，可進一步加大該部分客戶的營銷。固原市現有客戶營銷潛力較小，可考慮發展新的客戶，做新客的拓展及營銷。
- 各維度分析
發現：
① 近半年來，純新增貸款佔比達40%，續辦業務中，續貸佔比達22%，借新還舊佔比達20%，剩餘其他佔比達18%。
② 透過年齡、性別、貸款餘額發現，年齡在30到50之間的客戶中男性的貸款餘額普遍比女性高。
③ 透過模型發現歸行率（存款/貸款）大於0.01、公積金大於1000、有代發的客戶更容易貸款。
結論：
問題① 從業務角度看，整體營銷效果良好，但其中續班業務裡有近20%的業務是借新還舊業務，相當於整體營銷成果需要打8折；
問題② 透過進一步資料分析，結合社會現象發現該部分客戶男性房貸壓力較大，貸款貢獻值較大；
問題③ 分析發現和行內業務往來較為頻繁穩定的客戶，有穩定工作、代發工資穩定、公積金繳存較好的客戶貸款可能性更大。
建議：
針對問題①建議，後續營銷活動中應嚴格控制續辦類業務，將營銷工作與KPI關聯，純新增業務提升KPI幅度大，從績效角度提升客戶經理營銷積極性。
針對問題②建議，可以考慮發放針對女性的其他型別貸款，挖掘該年齡段的女性客戶價值。
針對問題③建議，平時加大客戶與銀行間的互動頻率及互動範圍，並且加大對各種工作穩定單位的客戶開發與維護。
風控分析
在現狀分析-客戶結構中可以發現我行貸款人數佔比45%。不良佔比3%，說明我行還有55%客戶需要可以擴充套件，不良也略高，需進一步分析。
從風控角度來看，可以透過貸款透過率、逾期率來進行展開分析。
- 透過率
發現：
在左1圖中發現放款透過率最低在五月份，波差也在4%，繼續透過左2觀察，影響貸款是否透過的主要規則是年齡，繼續根據線索刨析左3圖 發現拒絕發款的年齡集中在18–25之間。
結論：
透過發現可以得出5月份透過率較低，進件客群出現了18–25區間的客戶拒絕率偏高的現象，說明此貸款產品不適合該年齡段客群。
建議：
在6月份應及時調整貸款產品投放客群，應精準投放25歲以上的客戶，客戶體驗也會有很好的提升。
- 逾期率
發現：
在左1圖中發現貸款逾期率最高在三月份，在8%，在左2中利用IV值演算法找出影響最大的變數，職業高達0.43 ，左3中發現其他職業的客戶逾期佔比最高。
結論：
在逾期客戶中其他其他職業佔比較高。是導致逾期率高的主要因素
建議：
透過上述資料分析，發現貸前風控規則裡的“職業”規則”其他“是導致逾期升高的主要原因。此時容易出現的一個錯誤決策是拒絕“其他”的進件；原因很簡單：這種決策會導致大量的申請被拒絕，對透過率的影響比較大；最優的策略調整方案思路是：從“壞客戶”中挑選出“最壞”的一批客戶，且這批客戶的佔比較少，然後加以拒絕。
本分析製作團隊為“鳳起黃河”，作品榮獲“2023第四屆FineBI資料分析大賽-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！
