番茄知識星球平台上周開始推出信貸業務年終總結的系列文章，首篇主題為客戶特征畫像，并已在平台釋出（12月13日），感興趣童鞋可前翻查閱。作為系列專題的續集，本篇将圍繞信貸存量資料為大家帶來第二個主題“貸中行為分析”，其核心内容是根據某信貸業務客群的曆史還款明細資料，來分析彙總不同客戶群體在還款周期内的行為表現，進而了解貸中客戶群體的整體業務狀況，以及各類客戶的分布特點。
1、執行個體樣本介紹
在介紹本文主題相關内容時，我們仍然以執行個體模拟資料與python代碼實操相結合，全面了解并實踐整個資料分析過程。本文選取的執行個體樣本資料，來自于客戶還款資訊明細表，共包含136224條樣本與11個字段，每條樣本觀測代表某客戶某一分期的還款詳情，包括放款日期、放款金額、合同金額、産品期數、應還日期、結清日期、應還金額、已還金額、待還金額等詳細字段，部分資料樣例如圖1所示，具體特征字典如圖2所示。其中，字段apply_id為樣本主鍵，同一客戶訂單号下包含多條分期還款明細資料，以樣本apply_id=15357394149為例，由于對應産品期數（periods_num）為6，則此客戶共有6條樣本資料，分别展現從1至6每期的還款狀态與行為表現。
圖1 樣本資料樣例
圖2 特征字典詳情
2、整體業務情況
針對以上樣本資料，我們先來了解下資料的整體情況，包括日期視窗、客戶數量、期數類型、額度範圍、應收總額、已還總額、待還總額等，具體實作過程詳見知識星球代碼詳情，輸出結果如圖4所示。
圖4 整體情況名額
根據以上分析名額結果，可以大體了解到業務的基本情況，産品分期包含3種類型，額度範圍為100012000，在時間視窗2020040120201230内，共放款12741筆，放款總金額為73144600，本金與利息形成的合同總金額為84589667。此外，對于應還總金額，理論上與合同總金額一緻，但由于實際場景中會存在優惠券抵扣等情況，使得應還總金額低于合同總金額。
由于放款月份（loan_date）、放款額度（loan_amount）、産品期數（period_num）等次元均為業務分析的重要名額，是以我們在實際場景中有必要對其展開進一步的細化分析，進而了解不同放款月份、不同放款額度、不同産品期數次元下的訂單數量、放款金額、還款金額等分布情況。這裡我們以訂單數量名額為例，首先來了解下各個放款月份（loan_date）的分布表現，具體分析過程詳見知識星球代碼詳情，相應結果如圖6所示。
圖6 放款月份的訂單分布
針對放款額度（loan_amount）的分析，由于授信額度的取值較多，為了便于資料彙總與結果展現，可以将其轉換為額度區間來進行分析，本例以額度差1000為間隔，将各個單一額度取值以額度區間形式表示，具體實作過程詳見知識星球代碼詳情，輸出分布結果如圖8所示。
圖8 放款額度的訂單分布
通過以上結果可知，目前産品的放款額度主要集中在[6000,7000)、[8000,9000)、[3000,5000)區間，以[6000,7000)的占比最高（32.2659%）。下面我們再來了解下産品期數（period_num）的類型分布，具體分析過程如圖9所示，輸出分布結果如圖10所示，可見6期訂單形式占主要類型，數量占比（82.6073%）明顯高于9、12期類型。
圖10 産品期數的訂單分布
3、訂單分期狀态
以上分析過程是針對業務整體情況的了解，而對于客戶貸中期間的分期還款表現，是本文需要研究的重點内容，接下來我們将圍繞客戶不同還款周期的資料表現，來探究不同還款狀态的詳細名額分布。對于還款狀态的類型劃分，這裡需要重點根據應還日期（repay_date）、結清日期（clear_date）來進行分析，同時還需參考一個目前分析日期，以判斷客戶相應訂單的還款狀态，具體分為以下幾種類型：
（1）提前還款：結清日期<應還日期（結清日期不為空）
（2）正常還款：結清日期=應還日期
（3）逾期已還：結清日期>應還日期
（4）逾期未還：目前日期>=應還日期（結清日期為空）
（5）未到還款日：目前日期<應還日期（結清日期為空）
本文樣例資料的應還日期（repay_date）最晚日期為20211229，我們若以時間視窗2022年來分析，所有使用者的分期訂單均已到還款日，也就是不存在以上“未到還款日”的狀态，是以我們将按照其餘4種還款狀态（提前還款、正常還款、逾期已還、逾期未還）來分析所有分期訂單資料，具體實作過程詳見知識星球代碼詳情。
通過以上過程可以得到所有分期訂單的還款狀态詳情，包括不同狀态的訂單數量、應還金額的描述分布結果，具體如圖12、圖13所示，可見在所有客戶的全量分期訂單中，從訂單數量與應還金額2個次元分析，“正常還款”與“提前還款”2種類型均占1/3左右，此外約有18.71%數量占比的“逾期未還”訂單，對應金額大小占比約為17.65%。
圖12 訂單狀态數量分布
圖13 訂單狀态金額分布
4、客戶還款情況
針對所有分期訂單的還款狀态分析（提前還款、正常還款、逾期已還、逾期未還），雖然可以便于了解各期訂單層的還款詳情，但在實際場景中以客戶層的分析總結，是我們最終需要擷取的結果。是以，圍繞前邊各期訂單還款狀态的實作，我們來進一步将存量客群劃分為以下幾種類型：
（1）全部已還：分期訂單還款狀态均為還款（提前還款/正常還款/逾期已還）；
（2）部分還款：分期訂單還款狀态存在逾期未還，但不全為逾期未還；
（3）全部未還：分期訂單還款狀态均為逾期未還。
對于客戶3種還款情況的區分，具體實作過程如圖14所示，輸出各類型的頻數分布如圖15所示，相應的可視化分布如圖16所示，可知全部已還的客戶數量為9180，約占全量客群的72.05%；存在逾期還款的客戶數量為3561（部分還款2946+全部未還615），占比約為27.95%。
圖15 客戶還款類型分布
圖16 客戶還款類型可視化
5、客戶細化分層
對于“全部已還”、“部分還款”、“全部未還”這3種還款情況的客戶層分析，一方面可以客觀獲知客群還款的表現差異，另一方面也可以側面了解客戶的風險程度或營銷價值，即風險從低到高（或價值從高到低）的順序為全部已還、部分還款、全部未還。同時，針對“全部已還”與“部分還款”的客群，根據每期訂單還款狀态的不同，還可以将客戶進一步細化。其中，“全部已還”客群的分期訂單由于包含提前還款、正常還款、逾期已還3種情形，且好壞比較可以歸納為提前還款>正常還款>逾期已還。是以，對于還款情況為“全部已還”的客戶，“逾期已還”的分期訂單數量越多，對應客戶的風險程度越高，也可以了解為“提前還款”與“正常還款”的分期訂單數量越多，客戶的風險程度越低，這也是根據本執行個體資料對客戶細化分層的主要思想。
按照以上“全部已還”客群的細化邏輯，同樣包含多種分期還款狀态的“部分還款”客戶，結合訂單數量分布最終可以形成多種組合情況，而在實踐場景中為了便于資料分析，可以考慮根據“已還款”與“未還款”2種狀态的分期數量來細化客戶，其中“已還款”包括提前還款、正常還款、逾期已還，“未還款”即逾期未還。此外，對于“全部未還”的客戶群體，由于各個分期訂單均為“逾期未還”情形，自然沒有細化可能。
圍繞以上客戶細化分層的原理邏輯，我們選取“全部已還”的客群作為樣例來進行分析，由于同一還款情況的客戶還存在分期數量的差異（6/9/12），這裡我們以6期客群來擴充描述。在客戶分層的參考次元上，由于“逾期已還”可以直接反映客戶的風險程度，是以對于“全部已還”且同為6期類型的客群，“逾期已還”的訂單數量越多，較大程度說明客戶的風險越高。根據客戶逾期已還（overdue_pay）訂單數量的取值範圍06，可以依次賦予等級AG，具體實作過程詳見知識星球代碼詳情，輸出的頻數統計結果如圖18所示，對應可視化分布如圖19所示，可以直覺了解到A等級客戶為主要群體，客群占比約為67.7135%，代表全部分期訂單均為正常還款或提前還款。
圖18 全部已還客戶細化
圖19 全部已還可視化
對于“全部已還”的9期或12期客戶，以及“部分還款”的6/9/12期客戶，若實作客戶細化分層，均可按照以上邏輯來完成，這不僅便于了解客群不同還款狀态的分布情況，而且有助于客戶群體的風險與營銷管理。
綜合以上内容，我們圍繞信貸産品業務的客戶還款表現，結合具體的執行個體樣本資料，詳細分析了客群從整體到局部的分布特點，重點對于分期訂單的不同還款狀态（提前還款、正常還款、逾期已還、逾期未還），以及客戶綜合訂單的不同還款情況（全部已還、部分還款、全部未還），進行了較具體的特征描述與業務概況，這對信貸業務的年終總結有較好的參考意義。為了便于大家對客戶還款行為分析的進一步了解與熟悉，本文額外附帶了與以上内容同步的python代碼與樣本資料，供大家參考學習，詳情請移至知識星球檢視相關内容。
…
~原創文章