银行贷款案例分析范文？

商业银行贷款案例分析

1 ：固定资产没有。负债过高，资不抵债 ，担保人没有足够的偿还能力。不会给他贷款

2：王某虽没有房子，但收入较为稳定，虽然负债颇高，但是担保人有足够的能力偿还 ，可以贷款

消费金融案例分析总结

本文目录如下：

在开始分析之前，我们需要先理清楚贷款业务的流程，也就是每个用户从进件到最终还款之间所涉及到的所有环节。一般情况下，网贷的流程可以概述为以下形式：

通过用户行为路径分析，我们可以得到：

它适用于对产品运营中的关键环节进行分析、监控，找到其中薄弱的环节，通过用户引导或者产品迭代来优化，提升转化效果。

选取子集，将新用户和老用户分开统计每天申请贷款人数和审批放贷人数，然后计算新用户放贷率。最后使用merge函数将新用户结果表和老用户结果表拼接。结果如下：

接下来，计算用户复借率，需要知道每天的老用户数目，这里的老用户定义是：#前一天的放款的新用户第二天继续借款就是老用户#，对存量老用户我们暂时不考虑，就看前一天贷款的人第二天是否还继续贷款，贷款的就认为是老用户复借，所以取新用户放贷透视表的前29天数据+5月1日的人构成老客户数量，我们看这些客户是否还继续贷款。

组成一张用户路径总表，计算各节点转化率。

计算转化漏斗,计算汇总数据:

结果如下：

从结果来看，从PV到UV有一个很大幅度的下降，正常来讲，一个广告投放可能也就吸引10%-30%左右用户，但是点击量是非常巨大的数量，所以造成这样的结果。

从整体环节来看，很明显注册数量4%是比较低的，这说明很多用户去点击了，但是注册人数很少，是不是说明这个渠道有问题？我可以再通过不同渠道的转化漏斗分析再做对比，来看到底是整个行业的转化率偏低，还是单个渠道偏低，或者这个渠道用户群体不是我们想要的。

在消费金融公司里，经常会通过日常监控发现某款消费贷产品首逾率有逐渐升高的趋势，我们需要把首逾率降下来以减少产品带来的损失，同时通过率降幅不能太明显。

分析目标：通过数据探查分析制定出可以有效降低首逾率的策略。

分析思路：因为我们所要分析的策略时将要在客户申请时用来判断客户是否会逾期的条件，所以策略分析时的基本思路就是还原这些有首逾表现的客户在申请时的数据（这个还原是指提取出客户在申请时点各个维度的数据，越多越好） ，然后利用这些数据去找出能够区分好坏客户的变量，制定策略。

可以得到，总体首逾率30.76%。

这里用到单变量分析的方法，单变量分析的主要目的是筛选出好坏区分度较好的变量以便制定策略。在消金公司的日常工作中，会有专门负责爬取变量和计算加工变量数据的团队，他们在不断的去获取加工很多可能对风险控制有帮助的数据提供给我们风控团队，而我们风控人员就需要从这成千上万个变量中探查出能够控制逾期风险但同时又不会误拒很多好客户的变量。

统计结果如下：

统计结果如下：

在进行变量分析之后，这时我们就要从中筛选中较为有效的变量了，这里涉及到一个衡量变量是否有效的指标，提升度。通俗的来说就是衡量拒绝最坏那一部分的客户之后，对整体的风险控制的提升效果。 提升度越高，说明该变量可以更有效的区分好坏客户，能够更少的误拒好客户。如下，通过对所有变量的提升度进行倒序排列，发现个人征信总查询次数和客户信用评级的提升度最高，达到1.93和1.71。

通过上一步的单变量分析，我们筛出了’征信查询次数’、‘信用评级’这两个提升度最高的变量。如果将这两个变量的最坏分箱的客户都拒绝之后，对整体逾期的影响。 这个影响就是指假设我们将‘征信总查询次数=21的3213位客户全部拒绝’之后，剩下的客户逾期率相比拒绝之前的逾期率降幅，最后，我们得到征信查询次数分组降幅3.4%，信用评级分组降幅7.5%。

用户在产品使用中都有一个用户行为流程，不同时期的用户表现情况可能不一样，群组分析的主要目的是分析相似群体随时间的变化，核心就是对比、分析不同时间群组的用户，在相同周期下的行为差异， 所以也称同期群分析。

那么在金融风控领域，最常用的一个场景就是账龄分析，用来监测用户的逾期率变化状况。如下图， M2、M3的逾期率比较高，随后调整了风控策略，然后进行群组分析看策略是否有效。

结果如下：

这里生成的新字段，orderperiod为用户订单月份，cohortgroup是按照每个用户的订单的最早时期，生成用户群组，两者是不一样的。

接下来，根据用户群组和月份字段进行分组：

结果如下：

这里的orderperiod字段，我们可以看出2019-01对应的最早消费月份是2009-01,02,03,05，但是2009-02对应的却是最早消费月份2009-02,03,05，相对比来说，2009-02的第一个月份是在2月份，所以就会出现不对齐的现象，对于这个问题，我们可以orderperiod进行编号来解决：

得到：

结果得到：

注意，上图中每个column代表最早在当月的消费群组，cohortperiod表示最早消费群组在第1,2,3,4月的情况，比如2019-01月表示最早在1月消费群组的第1,2,3,4月的情况。

总结来看：

对处于相同生命周期阶段的用户进行垂直分析，从而比较得出相似群体随时间的变化，上图可以看到用户留存率随着时间推移在下降。

同时，通过比较不同时间的同期群，可以看出留存率的表现忽高忽低，上图可以看到2019-02月走低后2019-04月又走高，

可能在2019-03月的时候做了用户活动导致了这样的结果，从而验证活动改进取得了明显效果。

金融法作业 案例分析

（1）不能。

《商业银行法》规定商业银行不得向企业投资。

（2）能发放抵押贷款。

《商业银行法》禁止向关系人发放信用贷款，并不禁止向关系人发放担保贷款。只是发放担保贷款的条件不得优于其他借款人同类贷款的条件。

（3）不合法。《商业银行法》关于资产负债比例管理的规定，对同一借款人的贷款余额与商业银行资本余额的比例不得超过10%，该商业银行向房地产开发公司发放2亿元人民币贷款超过“当月资本余额为17.9亿元人民币”的10%。

（4）正确。因为该商业银行巨额贷款无法收回，可能发生信用危机，在此情况下人民银行可以对该银行实行接管。

消费金融案例分析

一、单变量分析——用户首逾率增高问题

二、用户群组分析——对相同生命周期阶段的用户进行垂直分析

三、用户行为路径漏斗转化分析

单变量分析：

单变量分析的目的是，通过对数据的整理、加工、组织和展示，并计算反应数据的集中趋势和离散程度的指标，对变量分布的特征和规律进行刻画和描述。不同类型的变量需要使用不同的方法和指标。

单变量分析又称“单变量统计分析”，就是在一个时间点上对某一变量所进行的描述和统计，因而又可以分为单变量描述统计和单变量推论统计两种方式。

日常监控发现某款消费贷产品首逾率有逐渐升高的趋势，需要把首逾率降下来以减少产品带来的损失。

● 分析目标：通过数据探查分析制定出可以有效降低首逾率的策略。

● 分析思路：分析的策略是在客户申请时用来判断客户是否会逾期的条件，所以需要还原这些有首逾表现的客户在申请时的数据，即提取出客户在申请时点各个维度的数据，然后利用这些数据去找出能够区分好坏客户的变量，从而制定策略。

观察原数据，并对列名进行更改，方便理解。最终所得数据（部分）如下：

计算得到首逾率约为0.3076，属于过高的情况。下面将采取单变量分析法，从不同维度去分析，寻找解决方法。

3.2.1 征信查询次数

所得结果如下：

由上图可以看出：

● 约80.51%的用户征信查询次数在12次以上；

● 首逾率与征信查询次数呈正相关的趋势：随着征信查询次数的不断增加，首逾率也呈现升高的趋势，且征信查询次数超过21次时，首逾率此时达到最高，约为59.85%。

3.2.2 信用评级分组

将信用评级划分为5个分组：AA、A、BCD、ERC、缺失，并进行聚合统计。

所得结果如下：

● 除去缺失字段，客户占比最高的是评级为BCD的用户，其次为ERC，整体用户评级偏低；

● 首逾率与评级档次呈正相关，其中ERC评级用户首逾率最高达到52.74%左右，其次为BCD评级用户首逾率在36.27%。

3.2.2 计算提升度

进行变量分析之后，这时我们就要从中筛选中较为有效的变量了，这里涉及到一个衡量变量是否有效的指标，提升度。

提升度：通俗的来说就是衡量拒绝最坏那一部分的客户之后，对整体的风险控制的提升效果。 提升度越高，说明该变量可以更有效的区分好坏客户，能够更少的误拒好客户。

计算公式：提升度=最坏分箱的首逾客户占总首逾客户的比例 /该分箱的区间客户数占比。

例如：上表中征信总查询次数的最坏分箱提升度就是（1923/17365）/(3213/56456)=11%/5.69%=1.93 提升度这个指标一般来说都是用来一批变量分析里做相对比较，很多时候都是在有限的变量里尽可能选提升度更高的变量来做策略。

分别计算征信总查询次数和客户信用评级的提升度：

征信总查询次数提升度

最终结果为1.9458。

信用评级提升度

最终结果为1.7147。

在上文中， 通过上一步的单变量分析，我们筛出了“征信查询次数”、“信用评级”这两个提升度最高的变量。所以选择将其最坏分箱的人全部拒绝，计算提出后的首逾率降幅为多少。（这个影响就是指假设我们将‘征信总查询次数=21的3213位客户全部拒绝’之后，剩下的客户逾期率相比拒绝之前的逾期率降幅是多少）

最终结果分别为“征信查询次数”：3.41%和“信用评级”：7.53%。

● 通过计算可得，通过拒绝最坏分组的客户，得到的最终首逾率分别下降了3.41%和7.53%，证明该方法确实能起到降低首逾率的效果。

群组分析法就是按某个特征对数据进行分组，通过分组比较，得出结论的方法。

群组分析的作用：

1.对处于相同生命周期阶段的用户进行垂直分析，从而比较得出相似群体随时间的变化。

2.通过比较不同的同期群，可以从总体上看到，应用的表现是否越来越好了。从而验证产品改进是否取得了效果。

当我们在做用户分析时，会遇到这样的一个问题，一个用户使用APP时，会留下一连串的使用数据，可能是一月份的购买了1次，二月份购买了2次，三四月没有购买，五月份又购买了。也就是对于用户来说他的数据是一个时间面数据，而且不同用户的时间面是不相同的，开始时间经历时间都不一样，而如果我们分析的时候不考虑到这个因素而直接进行分析，显然是不够合理的，因为新用户和老用户经历的产品运营情况是不一样的。

那我们应该如何处理呢，这个时候就有一种分析方法，可以帮助我们在时间轴上对齐用户，这就是群组分析。

通过用户的订单消费情况，对比同一月份的新用户留存率的变化趋势，以及不同时间期的新用户在同周期时的留存率情况

对数据进行观察，发现分析留存率只需要用到四个字段：

OrederId：订单编号

OrderDate：订单日期

UserId：用户编号

TotalCharges：消费金额

orderperiod：用户消费月份

chortgroup：用户最早消费时间（出现的时间点）

● 整体用户留存率偏低，在5月就已经没有用户；

● 3、4月份的用户生命周期较短，而1、2月用户生命周期相对较长；

● 猜测可能1月、2月有活动，特别是1月份的，能够让用户的留存较高，对于此类情况的产生需要想办法增加用户留存，比如持续推出新品、进行短信营销、推出活动等。

用户行为路径分析：用户行为路径分析是一种监测用户流向，从而统计产品使用深度的分析方法。它主要根据每位用户在App或网站中的点击行为日志，分析用户在App或网站中各个模块的流转规律与特点，挖掘用户的访问或点击模式，进而实现一些特定的业务用途，如App核心模块的到达率提升、特定用户群体的主流路径提取与浏览特征刻画，App产品设计的优化与改版等。

行为路径分析有如下作用：

1.可视化用户流向，对海量用户的行为习惯形成宏观了解。

2.定位影响转化的主次因素，使产品的优化与改进有的放矢。

案例基于网络消费贷款形式，对消费贷借款进行复盘分析，增加用户借贷率。

获取原始表格每日信息表dt_flow、用户信息表dt_check，如下所示

得到新用户表：

同理，也可以得到老用户表：

老用户定义：前一天的放款的新用户第二天继续借款就是老用户。

得到复借率表和走势图：

● 从整体上看，5月复借率走势起伏不定，推测在复借率较高的时间段可能是因为营销活动的影响；

● 平均复借率约为34.72%。

得到指标汇总图和漏斗图：

由上图可知：

● 转换率在 UV → 注册的转换率很低，需要采取针对性营销措施解决；

● 最终放贷成功率很低，可以优化继续模型，在保证资金安全的情况下提高放贷率。

对于金融知识讲解贷款案例分析和银行贷款案例分析范文的总结分享本篇到此就结束了，不知你从中学到你需要的知识点没 ？如果还想了解更多这方面的内容，记得收藏关注本站后续更新。