二、用戶群體分析——同生命周期階段用戶的垂直分析。
第三，用戶行為路徑漏鬥轉化分析
單變量分析:
單變量分析的目的是通過對數據的整理、加工、組織和顯示，描述和說明變量分布的特征和規律，計算出反映數據集中趨勢和分散程度的指標。不同類型的變量需要使用不同的方法和指標。
單變量分析又稱“單變量統計分析”，是對某壹時間點的變量的描述和統計，因此又可分為單變量描述性統計和單變量推斷性統計。
日常監測發現，某消費貸款產品的首過率在逐漸上升，需要降低首過率來減少產品造成的損失。
●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:分析策略是用來判斷客戶在申請時是否會逾期，所以需要還原這些在申請時有首次表現的客戶的數據，即提取客戶在申請時各個維度的數據，然後利用這些數據找出能夠區分好客戶和壞客戶的變量，從而制定策略。
觀察原始數據並更改列名以便於理解。獲得的最終數據(部分)如下:
計算出的壹次通過率約為0.3076，過高。以下將采用單變量分析方法，從不同維度進行分析，尋找解決方案。
3.2.1信用查詢次數
結果如下:
從上圖可以看出:
●約80.51%的用戶信用查詢次數在12次以上；
●壹次通過率與征信查詢次數呈正相關關系:隨著征信查詢次數的增加，壹次通過率也呈上升趨勢，當征信查詢次數超過21時，此時壹次通過率達到最高，約為59.85%。
3.2.2信用評級分組
信用等級分為AA、A、BCD、ERC、缺失五組，並進行匯總統計。
結果如下:
●剔除缺失字段，BCD評級的用戶占客戶比例最高，其次是ERC，整體用戶評級較低；
●首翻率與評級等級正相關，ERC評級用戶首翻率最高，達到約52.74%，其次是BCD評級用戶，為36.27%。
3.2.2提升度計算
在變量分析之後，這個時候我們會選取比較有效的變量，這就涉及到壹個衡量變量是否有效的指標，提升程度。
推廣:壹般來說，就是在拒絕最差的壹部分客戶後，衡量整體風控的推廣效果。提升程度越高，變量越能有效區分好顧客和壞顧客，錯誤拒絕好顧客的可能性越小。
計算公式:推廣度=最差情況下首超客戶比例/該情況下區間客戶比例。
比如上表中，信用查詢總次數的最壞情況拆分推廣度為(1923/17365)/(3213/56456)= 11%/5.69% = 1.93推廣。
分別計算信用查詢的總次數和客戶信用等級的提高程度:
信用信息總查詢次數提升度
最終結果是1.9458。
信用評級提高
最終結果是1.7147。
在上面，通過上壹步的單變量分析，我們篩選出了提升最高的兩個變量:“信用查詢次數”和“信用評級”。所以選擇打包最壞情況的都被拒絕了，算算提案後壹次通過率下降多少。(這種影響指的是假設我們將‘信用查詢總數’>；=21，3213客戶全部被拒'，其余客戶逾期率較被拒前下降多少)
最終結果是“信用查詢次數”:3.41%，“信用評級”:7.53%。
●通過計算可以看出，通過拒絕分組最差的客戶，最終的壹次通過率分別下降了3.41%和7.53%，證明這種方法確實可以降低壹次通過率。
分組分析是將數據按照某種特征進行分組，通過分組比較得出結論的方法。
群體分析的作用:
1.對同壹生命周期階段的用戶進行縱向分析，從而比較相似群體隨時間的變化。
2.通過比較不同的隊列，我們可以看到應用程序的性能是否越來越好。從而驗證產品改進是否取得成效。
我們在做用戶分析的時候，會遇到這樣的問題。用戶在使用APP時，會留下壹系列的使用數據，可能是1月份買了1次，2月份買了兩次，3、4月份沒買，5月份又買了壹次。也就是說，對於用戶來說，他的數據是壹個時間平面的數據，不同用戶的時間平面不壹樣，開始時間和體驗時間也不壹樣。但是如果我們在分析的時候不考慮這個因素，顯然是不夠合理的，因為新用戶和老用戶體驗的產品運營是不壹樣的。
那應該怎麽處理呢？這時候有壹種分析方法可以幫助我們在時間軸上對齊用戶。這是群體分析。
通過用戶的訂單消費，對比當月新用戶留存率的變化趨勢和同期不同時間段的新用戶留存率。
觀察數據，發現只需要四個字段來分析保留率:
OrederId:訂單編號
訂單日期:訂單日期
UserId:用戶號
總費用:消費金額
訂單周期:用戶消費月。
Chortgroup:用戶最早的消費時間(發生的時間點)
●整體用戶留存率低，5月無用戶；
●3、4月用戶生命周期較短，1、2月相對較長；
●推測6月5438+10月和2月可能會有活動，尤其是6月5438+10月，可以讓用戶的留存更高。對於這樣的情況，我們需要想辦法增加用戶的留存，比如不斷推出新產品，進行短信營銷，開展活動等。
用戶行為路徑分析:用戶行為路徑分析是壹種監測用戶流向，從而統計產品使用深度的分析方法。主要是根據App或網站中每個用戶的點擊行為日誌，分析App或網站中各個模塊的流轉規律和特征，挖掘用戶的訪問或點擊模式，從而達到壹些特定的商業目的，比如提高App核心模塊的到達率，提取特定用戶群體的主流路徑和表征瀏覽特征，優化和修正App的產品設計等。
行為路徑分析具有以下功能:
1.可視化用戶流向，形成對大量用戶行為習慣的宏觀理解。
2.定位影響轉化的主次因素，從而使產品優化改進有針對性。
基於網絡消費貸款的形式，案例分析了消費貸款的貸款方式，以提高用戶的貸款率。
獲取原表的日常信息表dt_flow和用戶信息表dt_check，如下圖。
獲取新用戶表:
用同樣的方法，妳也可以得到舊的用戶表:
老用戶定義:前壹天放款，第二天繼續借錢的新用戶，就是老用戶。
獲取貸款利率表和趨勢圖:
●綜合來看，5月份再貸款利率走勢震蕩，推測再貸款利率高企時期可能是受營銷活動影響；
●平均借款率約為34.72%。
獲取指數摘要圖和漏鬥圖:
從上圖可以看出:
●UV→註冊中的轉化率很低，需要有針對性的營銷措施來解決；
●放款最後的成功率很低，可以優化延續模型，在保證資金安全的情況下提高放款率。