贷款客户人群画像？

人群画像分析怎么做

人群画像分析的方法：

1、时间点：店铺的订单主要在什么时候段产生？目标顾客最佳购物时间点，上午？下午？还是晚上或者凌晨？老客一般多久回购一次？每个月里哪几天购物的顾客会变多？会不会和发工资、假期、工作特点有关系？

2、地点：购买商品的人主要地区分布情况如何？一线城市还是二线城市？南方还是北方？各大省份情况如何？各市的情况情况如何？不同地区的人购买商品时有没有什么一致的喜好？如服装类商家，南方的人体型偏小，买衣服是也是小号衣服买的较多，可以去调取下店铺数据看看，将各个省份地区都对比一下，如果店铺大部分的顾客都是同一个地区的，就尽量根据这个地区的特点来选款，多准备一些受到主要购买地区人群喜爱的SKU。

3、什么人：购买你产品的人是什么样的？年纪多大？是男性还是女性？是学生还是上班族？消费水平情况如何？普遍收入情况如何？这群人有什么特点，比如说，上班族的公司职员，十一点以后网购的数量就会减少，而上午十点左右反而是他们的购物高峰期；学生党则正好相反，大部分在十一点以后还十分活跃的购物，上午十一点以前购物欲望反而不算太高。

4、什么样的物品：我们能给买家提供什么样的商品？这些商品能否满足他们的购物需求？售后服务是否良好？将目标用户细分，针对他们的特点来分析他们的主要需求，再看我们的商品在除了主要功能之外，有没有针对特定群体进行过优化，满足他们的额外需求。

5、购买目的：造成这个原因是怎么样的？顾客购买商品时的目的是怎样的？卖得好的商品究竟哪一个优点最吸引买家。下一次这个成功的点你就可以利用，同行的道理，如果效果不好，你也要分析为什么？

6、分析原由：在分析买家人群画像行为的时候，我们有一点需要注意：就是这群人他们会如何去做，他们会先加入购物车还是直接付款？他们是喜欢用白条还是信用卡？他们喜欢购买打折的产品吗？这是你做人群画像分析的时候要去思考和分析的。

7、定价：主要买家群体的消费水平是怎样的？他们每个月能承受多少的购物花费？平均一般喜欢购买什么价位的产品？购买的数量是多少？一个月会购买几次东西？

数据分析的本质其实就是通过透析买家的心理，定位买家的需求去，进行整体的方向性调整，在有市场需求的情况下才会去做的更好。

贷款逾期用户画像分析

觉得可以的话，点个赞呀！

数据来自拍拍贷真实业务数据。拍拍贷是美国纽交所上市公司。成立于2007年6月遵从金融本质，以数据为基石，用创新技术为用户提供最便捷可得的借款撮合服务，拍拍贷平台借款端服务包括面向广大个人用户的通用性借款和其他借款。

主要关注的是标当前状态，都不存在空值

删除106个重复值

（2）异常值处理

对指标分析的时候逐个进行处理分析，这边观察的是标状态是否存在异常值

对于0的通过观察可知都是正常还款中的

本部分分析主要目的是：根据几个维度的数据构建逾期用户画像

这部分主要关注的是是否逾期，做定性分析，因此创建一个新的数据

用户基本信息

（1）性别

贷款中男、女分别占65.08%和34.92%。

男逾期占比为3.79%，女逾期占比为3.11%。从逾期占比情况来看，男逾期占比高于女22%。因此在后续分析中将男、女进行分开分析。

（2）年龄

年龄分布最小18岁，最大65岁，平均年龄29.35岁

从图中可知，逾期人员年龄分布与整体年龄、男女性年龄分布相似。因此在这边考虑对年龄进行统一划分处理：18-23,24-29,30-35,36-41,42-47,48-53,54-59,60-65

男性不同年龄段逾期占比：

男性逾期率高的年龄段为54-59，逾期占比为7.9%，其次是42-47、18-23、36-41（均高于平均值）。

由于54-59岁的男性逾期率非常高，因此在这边做进一步观察：

54-59岁男性中，所有用户借款利率在18%及以上，借款类型属于普通或者其他，83%的用户借款期限为12个月，91%的借款金额在7000及以上，初级评分为B、C、D类。

女性不同年龄段逾期占比：

女性逾期占比较高的年龄段是：48-53，其次是36-41，42-47，30-35均高于平均值。

（3）初级评级——逾期占比

女性初始评级逾期占比：

女性最高位E类，其次是D、C（均超过平均值）

同样由于E类人群中逾期占比非常高，在这也做进一步观察

观察知，这类人群：

男性初始评级逾期占比：

男性最高是E类，其次是F、D、G、A类均高于平均值

进一步观察E类

各初始评级中年龄段分布情况相似

从初始评级与逾期占比的情况来看，初始评级在一定程度上能够衡量逾期占比情况，像AA、AAA类的逾期占比都比较低。

（1）借款类型

借款类型中普通和其他类占了近72%。

女性用户借款类型为电商类的逾期占比最高，其次是APP闪电类，这可能和女性用户网购频率高、数目大有关。可以进一步通过挖掘这些用户的网购习惯进行分析。

男性用户借款类型为APP闪电类的逾期占比最高，其次是其他类，这可能和男性用户玩游戏，对游戏充值有关。

（2）借款期限

男：

女：

男、女借款期限为24个月的逾期占比最高。进一步观察借款期限为24个月的用户，发现这批用户

（3）借款金额

将借款金额按人数平均分成四个区间，分别是：100-3000/3001-4170/4170-7000/7000+

女性

男性

男女性借款金额来看，100-3000的低金额借款的逾期占比都比较高。

总结论1：逾期占比分布最高的男性用户普遍的标签为：

总结论2：逾期占比分布最高的女性用户普遍的标签为：

总结论3：

人群画像分析从哪几个方面入手

人群画像分析从如下几个方面入手：

1.人群社会属性分析

从年龄、性别、地域、教育背景、职业、收入、婚姻状况、身高体重等基本信息，以上属性分析之后，可以得出目标人群的大致框架，但这远远不够，以上的信息只能提供帮助。

2.消费行为特征分析

基于特定的产品来分析，找出消费者在购买前会有哪些需要考虑的主要因素，并对各种影响因素进行分析，从中分析出主要的购买考虑因素。

3.社交触媒数据分析

根据日常使用频率较高的信息资讯和社交娱乐平台，分析用户社交相关数据，包括圈子、兴趣喜好、互动行为等，可直接帮助品牌确定目标人群聚集的媒体渠道，根据不同的渠道平台制作不同风格的广告内容。

现代交互设计之父 Alan Cooper 很早就提出了 Persona 的概念：Persona 是真实用户的虚拟代表，是建立在一系列真实数据之上的目标用户模型，用于产品需求挖掘与交互设计。

通过调研和问卷去了解用户，根据他们的目标、行为和观点的差异，将他们区分为不同的类型，然后从每种类型中抽取出典型特征，赋予名字、照片、人口统计学要素、场景等描述，就形成了一个 Persona 。Persona 就是最早对用户画像的定义，随着时代的发展，用户画像早已不再局限于早期的这些维度，但用户画像的核心依然是真实用户的虚拟化表示。

关于房屋贷款人群的画像和贷款客户人群画像的介绍本篇到此就结束了，不知道你从中找到你需要的信息了吗 ？如果你还想了解更多这方面的信息，记得收藏关注本站。