1、案例背景

Thera Bank是一家擁有不斷增長(zhǎng)客戶群的銀行，該銀行中的大多數(shù)客戶的存款規(guī)模是不一樣的。由于貸款業(yè)務(wù)的客戶數(shù)量很少，所以銀行希望有效地將存款用戶轉(zhuǎn)化為貸款用戶，以此擴(kuò)大貸款業(yè)務(wù)量基礎(chǔ)，并在此過(guò)程中，通過(guò)利息差賺取更多利潤(rùn)。

因此，該銀行去年為存款用戶但從未辦理個(gè)人貸款的用戶開(kāi)展了一項(xiàng)推廣活動(dòng)來(lái)促使其辦理個(gè)人貸款業(yè)務(wù)。已有部分客戶通過(guò)該活動(dòng)新辦理了個(gè)人貸款業(yè)務(wù)，零售營(yíng)銷部門(mén)希望能制定更好的策略來(lái)定位營(yíng)銷，以最小預(yù)算提升成功率。更準(zhǔn)確地說(shuō)，該部門(mén)希望能夠識(shí)別更有可能進(jìn)行貸款的潛在用戶，提高轉(zhuǎn)化成功率，降低營(yíng)銷費(fèi)用。

# 導(dǎo)入相關(guān)模塊
import pandas as pd
import numpy as np
import matplotlib.pypolt as plt
import seaborn as sns

# 連接mysql
import pymysql
pymysql.install_as_MySQLdb()
# create_engine用于初始化數(shù)據(jù)庫(kù)連接
from sqlalchemy import create_engine
engine=create_engine('mysql://用戶名:密碼@localhost:3306/數(shù)據(jù)庫(kù)?charset=gbk')

# 讀取數(shù)據(jù)
Bank_Personal_Loan=pd.read_sql_query('select * from Personal_Loan', con=engine)

2、理解數(shù)據(jù)

數(shù)據(jù)集共包含14個(gè)字段，各字段含義如下所示：

ID：編號(hào)
Age：年齡
Experience:工作經(jīng)驗(yàn)
Income:客戶年收入（單位：千美元）
ZipCode:家庭地址郵編
Family:客戶家庭規(guī)模
CCAvg:每月信用卡消費(fèi)額（單位：千美元）
Education:教育水平（1：本科；2：研究生；3：高級(jí)）
Mortgage:房屋抵押價(jià)值（如有）（單位：千美元）
Personal Loan：此客戶是否接受上一次活動(dòng)中提供的個(gè)人貸款（1：是；0：否）
Securities Account：是否有證券賬戶（1：是；0：否）
CD Account：是否有存款證明（1：是；0：否）
Online：是否開(kāi)通網(wǎng)上銀行（1：是；0：否）
Credit Card：是否擁有信用卡（1：是；0：否）

Bank_Personal_Loan.head()

Bank_Personal_Loan.info()

數(shù)據(jù)集包含5000條記錄，并無(wú)缺失、重復(fù)情況；對(duì)于某些數(shù)值型字段需要做數(shù)據(jù)類型的轉(zhuǎn)換

# 更改變量類型
Bank_Personal_Loan['Age']=Bank_Personal_Loan['Age'].astype('int')
Bank_Personal_Loan['Experience']=Bank_Personal_Loan['Experience'].astype('int')
Bank_Personal_Loan['Income']=Bank_Personal_Loan['Income'].astype('float')
Bank_Personal_Loan['ZIP Code']=Bank_Personal_Loan['ZIP Code'].astype('int')
Bank_Personal_Loan['Family']=Bank_Personal_Loan['Family'].astype('int')
Bank_Personal_Loan['CCAvg']=Bank_Personal_Loan['CCAvg'].astype('float')
Bank_Personal_Loan['Education']=Bank_Personal_Loan['Education'].astype('int')
Bank_Personal_Loan['Mortgage']=Bank_Personal_Loan['Mortgage'].astype('float')
Bank_Personal_Loan['Personal Loan']=Bank_Personal_Loan['Personal Loan'].astype('int')
Bank_Personal_Loan['Securities Account']=Bank_Personal_Loan['Securities Account'].astype('int')
Bank_Personal_Loan['CD Account']=Bank_Personal_Loan['CD Account'].astype('int')
Bank_Personal_Loan['Online']=Bank_Personal_Loan['Online'].astype('int')
Bank_Personal_Loan['CreditCard']=Bank_Personal_Loan['CreditCard'].astype('int')

Bank_Personal_Loan.describe()

發(fā)現(xiàn)experience最小值為負(fù)值，有異常數(shù)據(jù)

# 將experience異常值修改為0
Bank_Personal_Loan.loc[Bank_Personal_Loan['Experience'] < 0, 'Experience']=0
Bank_Personal_Loan['Experience'].describe()

3、數(shù)據(jù)分析

整體思路：
一、去年銀行舉辦的推廣活動(dòng)效果如何
二、哪種類型的存款用戶轉(zhuǎn)化為貸款業(yè)務(wù)的潛在客戶可能性更大
三、隨著客戶年收入增長(zhǎng)，貸款情況如何變化
四、隨著客戶年齡增長(zhǎng)，貸款情況如何變化

# 活動(dòng)推廣結(jié)果分析
Bank_Personal_Loan.groupby(['Personal Loan']).size()

可以發(fā)現(xiàn)在這次推廣活動(dòng)之后，5000名客戶中有480名客戶辦理了個(gè)人貸款業(yè)務(wù)。由于該活動(dòng)是針對(duì)未辦理個(gè)人貸款業(yè)務(wù)的客戶開(kāi)展的，對(duì)比以往數(shù)據(jù)，個(gè)人貸款業(yè)務(wù)增長(zhǎng)近10%，說(shuō)明此次推廣活動(dòng)的效果還是不錯(cuò)的

# 探索其他變量與Personal Loan變量的關(guān)系
print(Bank_Personal_Loan.corr()['Personal Loan'])

# fig代表繪圖窗口(Figure)；axis代表這個(gè)繪圖窗口上的坐標(biāo)系(axis)
fig,axis=plt.subplots(figsize=(12,12))
# 繪制熱力圖，顏色越深，相關(guān)性越強(qiáng)
ax=sns.heatmap(Bank_Personal_Loan.corr(),annot=True,cmap='YlGnBu')
# bottom代表y軸下限，top表示y軸上限（有些matplotlib版本畫(huà)熱力圖上下邊框只顯示一半）
bottom,top=ax.get_ylim()
ax.set_ylim(bottom+0.5, top-0.5)

從圖中可以看出：
1、與開(kāi)通信貸業(yè)務(wù)強(qiáng)相關(guān)的變量有：年收入、信用卡消費(fèi)額以及是否有該銀行存單賬戶；
2、與開(kāi)通信貸業(yè)務(wù)弱相關(guān)的變量有：受教育程度、房屋抵押價(jià)值以及家庭人數(shù)；
3、家庭住址郵編、是否擁有證券賬戶、是否開(kāi)通網(wǎng)上銀行以及信用卡持有情況，這些因素并不會(huì)產(chǎn)生多少影響；
4、年齡、工作經(jīng)驗(yàn)雖然關(guān)系不大，但是它們屬于連續(xù)的數(shù)值變量，需要分析后再做觀察，注意是否有某一段存在特殊值；

1、定性變量與開(kāi)通貸款業(yè)務(wù)的關(guān)系

（對(duì)定性變量中是否有該銀行存款賬戶、受教育程度、家庭人數(shù)與是否開(kāi)通貸款業(yè)務(wù)的關(guān)系進(jìn)行探究）

1.1 是否有該銀行存款賬戶

print(Bank_Personal_Loan.groupby('CD Account')['Personal Loan'].agg([np.mean]))
sns.countplot(x="CD Account", data=Bank_Personal_Loan, hue="Personal Loan") # 計(jì)數(shù)圖

可以發(fā)現(xiàn)，擁有該銀行存款賬戶的客戶，其申請(qǐng)貸款業(yè)務(wù)的可能性是沒(méi)有開(kāi)通的6倍多，說(shuō)明開(kāi)立了存款賬戶的客戶將會(huì)是主要的目標(biāo)客戶，同時(shí)找到方法讓客戶開(kāi)立銀行存款賬戶也是一個(gè)提高貸款業(yè)務(wù)申請(qǐng)率的選項(xiàng)

1.2 教育水平

print(Bank_Personal_Loan.groupby('Education')['Personal Loan'].agg([np.mean, 'count']))
sns.catplot("Education", data=Bank_Personal_Loan, hue="Personal Loan",kind="count") # 分類估計(jì)圖，通過(guò)控制kind變量參數(shù)來(lái)設(shè)置不同的繪圖類型

學(xué)歷越高，辦理貸款業(yè)務(wù)的人數(shù)越多，說(shuō)明更高教育水平的客戶更能夠接受超前消費(fèi)的觀念，其貸款的意愿也會(huì)更高。因此，高學(xué)歷層次的客戶群體更有可能成為銀行貸款業(yè)務(wù)的潛在客戶

1.3 家庭人數(shù)

print(Bank_Personal_Loan.groupby('Family')['Personal Loan'].agg([np.mean]))
sns.catplot("Family", data=Bank_Personal_Loan, hue="Personal Loan",kind="count")

單身人士與沒(méi)有孩子的家庭的貸款率都比較低，有孩子的家庭用戶相對(duì)而言更有意愿轉(zhuǎn)化為貸款用戶，特別是獨(dú)生子女家庭

2、定量變量與開(kāi)通貸款業(yè)務(wù)的關(guān)系

（對(duì)定量變量中年齡、收入、信用卡還款額以及房屋抵押貸款與是否開(kāi)通貸款業(yè)務(wù)的關(guān)系進(jìn)行探究）

2.1 年齡

print(Bank_Personal_Loan.groupby('Personal Loan')['Age'].agg([np.mean, 'count']))
sns.boxenplot(x="Personal Loan", y="Age", data=Bank_Personal_Loan)

# 對(duì)年齡分層
Bank_Personal_Loan['Age Bins'] = pd.qcut(Bank_Personal_Loan.Age, 6)
print(Bank_Personal_Loan.groupby('Age Bins')['Personal Loan'].agg([np.mean, 'count']))
Bank_Personal_Loan.groupby('Age Bins')['Personal Loan'].agg({'Loan Rate':np.mean}).plot()

綜合來(lái)看，各年齡階段的客戶貸款意愿都差別不大，相對(duì)來(lái)說(shuō)在32~39歲之間的客戶貸款意愿較強(qiáng)

2.2 收入

print(Bank_Personal_Loan.groupby('Personal Loan')['Income'].agg([np.mean, 'count']))
sns.boxenplot(x="Personal Loan", y="Income", data=Bank_Personal_Loan)

從平均水平來(lái)看，高收入人群的貸款意愿會(huì)比低收入的更高

# 對(duì)收入分層
Bank_Personal_Loan['Income Bins'] = pd.qcut(Bank_Personal_Loan.Income, 20)
print(Bank_Personal_Loan.groupby('Income Bins')['Personal Loan'].agg([np.mean, 'count']))
Bank_Personal_Loan.groupby('Income Bins')['Personal Loan'].agg({'Loan Rate':np.mean}).plot()

收入的單位是千美元?？梢园l(fā)現(xiàn)，當(dāng)年收入超過(guò)8.2萬(wàn)元時(shí)，貸款意愿會(huì)有5倍以上的上升；超過(guò)9.8萬(wàn)元，貸款意愿達(dá)到17%以上；超過(guò)17萬(wàn)元時(shí)，貸款意愿達(dá)到一半。這反映了高收入人群具有更高貸款意愿的趨勢(shì)，同時(shí)年收入在8.2萬(wàn)美元以上的客戶群體是主要的貸款活動(dòng)推廣對(duì)象。

2.3 房屋抵押價(jià)值

print(Bank_Personal_Loan.groupby('Personal Loan')['Mortgage'].agg([np.mean, 'count']))
sns.boxenplot(x="Personal Loan", y="Mortgage", data=Bank_Personal_Loan)

# 對(duì)房屋抵押價(jià)值進(jìn)行分層
Bank_Personal_Loan['Mortgage Bins'] = pd.cut(Bank_Personal_Loan.Mortgage, 10)
print(Bank_Personal_Loan.groupby('Mortgage Bins')['Personal Loan'].agg([np.mean, 'count']))
Bank_Personal_Loan.groupby('Mortgage Bins')['Personal Loan'].agg({'Loan print(Bank_Personal_Loan.groupby('Personal Loan')['Mortgage'].agg([np.mean, 'count']))
sns.boxenplot(x="Personal Loan", y="Mortgage", data=Bank_Personal_Loan) Rate':np.mean}).plot(figsize=(14,7))

房屋抵押價(jià)值的單位是千美元。當(dāng)?shù)盅簝r(jià)值大于19.05萬(wàn)美元時(shí)，貸款申請(qǐng)意愿有顯著提升?？傮w來(lái)看，房屋抵押價(jià)值越高，客戶的貸款申請(qǐng)意愿會(huì)更強(qiáng)烈

2.4 每月信用卡消費(fèi)額

print(Bank_Personal_Loan.groupby('Personal Loan')['CCAvg'].agg([np.mean, 'count']))
sns.boxenplot(x="Personal Loan", y="CCAvg", data=Bank_Personal_Loan)

大部分沒(méi)有申請(qǐng)貸款的客戶，信用卡消費(fèi)額的均值在1.7K美元左右，而申請(qǐng)貸款的客戶信用款消費(fèi)額均值達(dá)到了3.9K美元，是前者的2倍有多

# 對(duì)信用卡消費(fèi)額進(jìn)行分層
Bank_Personal_Loan['CCAvg Bins'] = pd.qcut(Bank_Personal_Loan.CCAvg, 20)
print(Bank_Personal_Loan.groupby('CCAvg Bins')['Personal Loan'].agg([np.mean, 'count']))
Bank_Personal_Loan.groupby('CCAvg Bins')['Personal Loan'].agg({'Loan Rate':np.mean}).plot()

大概在每月消費(fèi)額為2.8千美元時(shí)，申請(qǐng)貸款率會(huì)增大4倍；超過(guò)6千美元時(shí)，申請(qǐng)貸款率會(huì)回落到31%左右，但整體來(lái)看，高消費(fèi)客戶群體的貸款意愿相對(duì)還是很強(qiáng)烈的
因此，每月消費(fèi)額在2.8千美元以上的客戶是重點(diǎn)營(yíng)銷客戶

4、結(jié)論

1、這次推廣活動(dòng)讓個(gè)人貸款業(yè)務(wù)增長(zhǎng)近10%，說(shuō)明此次推廣活動(dòng)的效果還是不錯(cuò)的
2、對(duì)于開(kāi)通了銀行存款賬戶的用戶需要加強(qiáng)營(yíng)銷力度，他們的貸款意愿相對(duì)于沒(méi)有開(kāi)通銀行存款賬戶的客戶群體要更加強(qiáng)烈
3、高學(xué)歷層次的客戶群體更有可能成為銀行貸款業(yè)務(wù)的潛在客戶
4、家庭人口較多的家庭貸款意愿較強(qiáng)，尤其是獨(dú)生子女家庭
5、年齡區(qū)間在30-40歲的客戶相對(duì)貸款意愿更強(qiáng)
6、高收入人群具有更高的貸款意愿，同時(shí)年收入在8.2萬(wàn)美元以上的客戶群體是主要的貸款活動(dòng)推廣對(duì)象
7、當(dāng)房屋抵押值大于19.05萬(wàn)美元時(shí)，客戶申請(qǐng)貸款的意愿有明顯的提升
8、每月信用卡消費(fèi)額在2.8千美元以上的客戶，其貸款申請(qǐng)的意愿會(huì)有顯著的提升

色偷偷精品伊人,欧洲久久精品,欧美综合婷婷骚逼,国产AV主播,国产最新探花在线,九色在线视频一区,伊人大交九欧美,1769亚洲,黄色成人av

銀行貸款拉新活動(dòng)分析

銀行貸款拉新活動(dòng)分析

1、案例背景

2、理解數(shù)據(jù)

3、數(shù)據(jù)分析

1、定性變量與開(kāi)通貸款業(yè)務(wù)的關(guān)系

1.1 是否有該銀行存款賬戶

1.2 教育水平

1.3 家庭人數(shù)

2、定量變量與開(kāi)通貸款業(yè)務(wù)的關(guān)系

2.1 年齡

2.2 收入

2.3 房屋抵押價(jià)值

2.4 每月信用卡消費(fèi)額

4、結(jié)論

友情鏈接更多精彩內(nèi)容

色偷偷精品伊人,欧洲久久精品,欧美综合婷婷骚逼,国产AV主播,国产最新探花在线,九色在线视频一区,伊人大交九 欧美,1769亚洲,黄色成人av

銀行貸款拉新活動(dòng)分析

1、案例背景

2、理解數(shù)據(jù)

3、數(shù)據(jù)分析

1、定性變量與開(kāi)通貸款業(yè)務(wù)的關(guān)系

1.1 是否有該銀行存款賬戶

1.2 教育水平

1.3 家庭人數(shù)

2、定量變量與開(kāi)通貸款業(yè)務(wù)的關(guān)系

2.1 年齡

2.2 收入

2.3 房屋抵押價(jià)值

2.4 每月信用卡消費(fèi)額

4、結(jié)論

友情鏈接更多精彩內(nèi)容

色偷偷精品伊人,欧洲久久精品,欧美综合婷婷骚逼,国产AV主播,国产最新探花在线,九色在线视频一区,伊人大交九欧美,1769亚洲,黄色成人av

1、案例背景

3、數(shù)據(jù)分析

1、定性變量與開(kāi)通貸款業(yè)務(wù)的關(guān)系

2、定量變量與開(kāi)通貸款業(yè)務(wù)的關(guān)系