在銀行等金融機構的信貸業務中，圍繞存量客戶的數據分析與價值挖掘，始終是客戶管理體系的核心思想。針對存量客戶群體的類型劃分與畫像描述，是實現客戶價值評估以及精準營銷的重要前提，也是業務創益增收的必要條件。

1、客戶分類與畫像場景

我們經常提到的客戶分類與客戶畫像，是數據分析任務比較熟悉的場景，二者本質上都是對存量客戶樣本的數據分析，但最明顯的區别是客戶分類結果重在“宏觀”上的群體類别，而客戶畫像結果旨在“微觀”上的特征描述。換一句話來講，客戶分類可以不需要細節總結，客戶畫像可以不考慮類型劃分。當然，客戶分類與客戶畫像的關系也非常密切，先“宏觀”分類再“微觀”畫像的應用思路，在實際業務場景中更為常見且效果更佳。在具體實踐過程中，客戶分類相比客戶畫像在實現方法上往往更為複雜，不是簡單的通過描述性統計分析便得到樣本分類，而是需要借助于相關業務指标或者模型算法。一種情況是結合實際業務理解，選取某個或多個維度指标作為分類依據，然後選取合适的阈值劃分類型；另一種情況是依靠機器學習模型來訓練完成，常見的主要為聚類模型算法，例如Kmeans、DBSCAN等。當客戶群體完成分類後，可以針對每類客戶群體，從某些業務解釋性較好的特征着手，通過簡單的描述統計值來刻畫出客戶分布的特點，這樣便實現客戶群體的畫像。這裡簡單舉個例子，假設有一批存量客戶數據，特征為年齡、婚姻狀況、教育程度、住房類型、月收入金額等字段，可以先通過Kmeans聚類模型對樣本進行聚類分析，例如定義聚類數量K=3，則可以得到3個客戶簇類，接着根據每個簇類樣本群體，依次統計客戶特征的均值與極值等，例如第1簇類群體，平均年齡為36歲，大多數已婚，教育程度平均學曆為大學本科，住房類型多數為自置有按揭，月收入平均約為2萬元等。這個分析與描述過程，可以認為是客戶分類與客戶畫像有效結合，在實際場景中有很多類似的場景應用。

2、實例樣本介紹與分析

為了便于大家對客戶分類與客戶畫像的進一步熟悉與理解，接下來我們圍繞具體的實例樣本數據，來完成客戶樣本數據的分類與畫像。本文選取的樣本數據包含10000條樣本與9個字段，部分數據樣例如圖1所示。其中，id為樣本客戶主鍵，income_type、city_level、consume_index、bankcard_count等為特征變量，label為客戶貸後逾期表現（1/0代表是否逾期），具體的特征字典如圖2所示。

編輯

添加圖片注釋，不超過 140 字（可選）

圖1 樣本數據樣例

​

編輯

添加圖片注釋，不超過 140 字（可選）

圖2 特征字典說明

由于字段income_type、city_level的取值類型為字符型，相關數值分布如圖3、圖4所示，此類特征在描述性統計過程中不便于數據分析，因此這裡采用label編碼方式将此類特征進行取值轉換，具體實現過程詳見知識星球代碼詳情。。在特征編碼過程中，結合特征在實際業務的理解，賦予取值的比較關系，例如特征income_type（月收入等級），取值L1/L2/L3代表月收入依次升高，在label轉化過程可以分别賦予1/2/3。

​

編輯

添加圖片注釋，不超過 140 字（可選）

圖3特征income_type分布

​

編輯

添加圖片注釋，不超過 140 字（可選）

圖4 特征city_level分布

3、客戶分類探索與實現

首先我們來對客戶群體進行分類，這裡不采用機器學習聚類算法來實現，而是通過某個業務解釋性較好且區分度較好的特征來劃分客戶類别。從特征字典表可以看出，貸前信用評分score在客戶綜合風險的衡量維度上，可以很好的量化出客戶之間的差異，從而在業務理解方面可實現客戶的有效分類，因此我們将根據特征score來進行分析。這裡需要注意的是，特征label（貸後逾期狀态）雖然能夠直接體現客戶的風險程度，但将客群僅分為好壞2個分類對客戶精細化管理的效果欠佳。在确定了客戶分類的特征指标score之後，接下來需要明确的重點是圍繞特征劃分區間的具體标準。由于特征score的含義是信用風險評分，且樣本觀測均有好壞表現的标簽label（0/1），因此可以通過不同分數區間的壞賬率大小來實現客群分類。為了更全面描述信用評分的數據分布趨勢，以及連續區間的壞賬率變化情況，我們通過特征分箱的思想，将連續型的信用評分進行離散化，具體實現過程詳見知識星球代碼詳情。，輸出結果如圖7所示。

​

編輯

添加圖片注釋，不超過 140 字（可選）

圖7 評分離散化結果

對于上圖的評分分布，我們通過連續區間的數據表現可知，随着信用評分（score）的不斷升高，壞賬率（badrate）逐漸降低，具體分布如圖8所示，單調性趨勢較好，可以直接說明信用評分對用戶風險的區分度效果是比較好的。

​

編輯

添加圖片注釋，不超過 140 字（可選）

圖8 評分數據表現

根據評分score與壞賬badrate的分布趨勢，我們考慮将badrate較為接近的評分區間作為同一類别，同時結合區間樣本量大小，将占比較大者單獨成箱，占比較小着多箱合并。按照以上邏輯标準，圍繞上圖的客戶評分表現結果，這裡考慮将客戶群體劃分為6個類别，分别為:[382,434]、(434,460]、(460,486]、(486,513]、(513,539]、(539,644]。因此，客戶群體通過信用評分score細分為6類，這裡采用flag=1~6來表示，具體實現過程詳見知識星球代碼詳情。，客戶分類的頻數分布如圖10所示。

​

編輯

添加圖片注釋，不超過 140 字（可選）

圖10 客戶分類分布

4、客戶畫像方案與實現

根據客戶的信用風險程度高低，我們完成了客戶群體的有效分類，接下來圍繞每類客群的分布特征進行畫像描述。雖然實例樣本的特征包含8個，但字段score、label已作為客戶分類的依據，因此客戶畫像的描述性特征将選取其他6個字段。在實際場景中，若分析變量池的字段較多，必然會選取業務解釋性較強的部分特征來描述分析。樣本群體分布的可解釋性維度，可以優先考慮描述性統計值，例如頻數、占比、平均值、最大值、最小值等，不僅便于業務理解，而且易于特征描述，因此這裡通過此種方式來實現客戶畫像。為了快速得到各類客群的常見統計值，我們在Python環境中采用describe()函數來完成。針對某一類客群（以flag=1舉例）的具體實現過程為data[data['flag']=='1'].drop(columns=['score','label']).describe()，結果如圖11所示。為了将此客群與整體客群對比，我們輸出全量樣本的分布，具體如圖12所示。

​

編輯

添加圖片注釋，不超過 140 字（可選）

圖11客群1特征分布

​

編輯

添加圖片注釋，不超過 140 字（可選）

圖12 全量客群特征分布

針對上圖分析結果，我們重點分析count、mean、max、min等指标，這裡簡要描述下客群1（flag=1）的分布特點：客戶群體1的數量為819，占全量樣本的8.19%；平均月收入等級為L1；居住城市平均等級為B；消費能力整體系數為0.21，相比全量客群的平均系數（0.37）偏低；近12個月銀行卡轉賬次數平均為35次，也低全量客群情況（約46次）；近3個月航旅出行次數平均接近2次，明顯低于全量客群的平均4次；近6個月申請貸款失敗次數約為1次。這裡可以初步看出，客群1的整體消費能力一般，且航旅出行的偏好程度較低。對于其他類型客群，都可以按照以上分析思路來描述客戶畫像，以此來了解每類客戶的特點，為風險控制或精準營銷等策略提供客觀的信息參考。綜合以上内容介紹，我們圍繞一批存量客戶樣本，依次實現了客戶分類與客戶畫像，較好的分析描述出客群的分布特點。此外，本文實例的客戶分類，由于信用風險評分的量化，也可以理解為客戶分層，但分層是分類的一種情況，可以體現出客群之間的比較差異，但需要明确的是，客戶分類不一定要客戶分層，但客戶分層必然是客戶分類。例如，通過機器學習的無監督聚類算法得到的客戶分類，是一種非分層的客戶分類，而采用有監督多分類模型實現的客戶價值挖掘，則屬于客戶分層的情況。對于客戶群體的分類或分層需求，具體需要結合實際業務場景。針對本文介紹的客戶分類與客戶畫像，為了便于大家對此有進一步的理解與熟悉，本文額外附帶了與以上内容同步的Python代碼與樣本數據，供大家參考學習，詳情請移至知識星球查看相關内容。

​

編輯

添加圖片注釋，不超過 140 字（可選）

​

編輯切換為居中

添加圖片注釋，不超過 140 字（可選）

更多詳細内容，可關注：

​

編輯切換為居中

添加圖片注釋，不超過 140 字（可選）

....

~原創文章

更多精彩资讯请关注tft每日頭條，我们将持续为您更新最新资讯!