（金融）线上消费贷风控优化（单变量分析）与用户留存（同期群分析）项目——数据分析
2024-06-13 07:46:07
（金融）线上消费贷风控优化（单变量分析）与用户留存项目（同期群分析）——数据分析
一、首逾率单变量分析
案例背景：
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:
- 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。
申请类指标：
- 审批通过率： 审批通过人数/申请总人数
逾期类指标：
- 首逾率：首期逾期的合同数/首期到了应还款的总合同数
- Vintage-账龄：指公司尚未收回的应收账款的时间长度
- Vintage30+：每个申请月份在随后的月份逾期30+的贷款余额占该审批月份的放款额的比例。
- mob4vintage30+：某一月内贷款合同签署4个月后时，当前逾期超过30天的合同的未还金额/总放款合同金额。
import pandas as pd
import numpy as npimport sqlalchemy
1.0 数据读取
# 读取数据
engine = sqlalchemy.create_engine('mysql+pymysql://id:**********@xxx.xxx.xx.xx:3306/db')sql_cmd = 'select * from load_datas'# 执行sql语句，获取数据
dt=pd.read_sql(sql=sql_cmd,con=engine)
dt
| user_id | age | occupation | work_times | credit_score | credit_level | credit_check_times | credit_card_use_rate | is_overdue | |
|---|---|---|---|---|---|---|---|---|---|
| 0 | 1 | 22 | 个体户 | 45.0 | 650.0 | A | 23 | 0.00 | 0 |
| 1 | 2 | 28 | 职员 | 34.0 | 680.0 | A | 33 | 0.32 | 0 |
| 2 | 3 | 39 | 其他 | 113.0 | 530.0 | A | 32 | 0.05 | 0 |
| 3 | 4 | 24 | 职员 | 44.0 | 800.0 | A | 35 | 0.01 | 0 |
| 4 | 5 | 30 | 职员 | 82.0 | NaN | A | 28 | 0.00 | 0 |
| ... | ... | ... | ... | ... | ... | ... | ... | ... | ... |
| 56451 | 56452 | 40 | None | NaN | NaN | 缺失 | 缺失 | NaN | 0 |
| 56452 | 56453 | 21 | None | NaN | NaN | 缺失 | 缺失 | NaN | 0 |
| 56453 | 56454 | 43 | None | NaN | NaN | 缺失 | 缺失 | NaN | 0 |
| 56454 | 56455 | 20 | None | NaN | NaN | 缺失 | 缺失 | NaN | 0 |
| 56455 | 56456 | 33 | None | NaN | NaN | 缺失 | 缺失 | NaN | 1 |
56456 rows × 9 columns
dt.rename(columns={'user_id':'用户id','age':'年龄','occupation':'职业','work_times':'工作时间','credit_score':'芝麻信用分','credit_level':'信用评级','credit_check_times':'近半年征信查询次数','credit_card_use_rate':'信用卡额度使用率','is_overdue':'是否有逾期记录',
},inplace=True)
dt.head()
| 用户id | 年龄 | 职业 | 工作时间 | 芝麻信用分 | 信用评级 | 近半年征信查询次数 | 信用卡额度使用率 | 是否有逾期记录 | |
|---|---|---|---|---|---|---|---|---|---|
| 0 | 1 | 22 | 个体户 | 45.0 | 650.0 | A | 23 | 0.00 | 0 |
| 1 | 2 | 28 | 职员 | 34.0 | 680.0 | A | 33 | 0.32 | 0 |
| 2 | 3 | 39 | 其他 | 113.0 | 530.0 | A | 32 | 0.05 | 0 |
| 3 | 4 | 24 | 职员 | 44.0 | 800.0 | A | 35 | 0.01 | 0 |
| 4 | 5 | 30 | 职员 | 82.0 | NaN | A | 28 | 0.00 | 0 |
dt.shape
(56456, 9)
1.1统计总体逾期情况
# 计算总体首逾率 = 首逾客户数/总申请客户数
总体首逾率=dt.是否有逾期记录.sum()/dt.是否有逾期记录.count()
总体首逾率
0.307584667705824
1.2 筛选出有效变量：
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。
拿到数据的第一步就是针对每个变量单独分析，查看其对逾期的影响。
1.2.1 征信查询次数分组
# 定义一个征信分组的函数
def group_check(n):try:n=int(n)if n>=0 and n<3:return '1:[0,3)'elif n>=3 and n<6:return '2:[3,6)'elif n>=6 and n<12:return '3:[6,12)'elif n>=12 and n<21:return '4:[12:21'elif n>=21:return '5:[21,+∞）'except Exception as e:return '6:缺失'
# 新建一个字段记录分组信息
dt['征信分组']=dt.近半年征信查询次数.apply(group_check)
dt.head()
| 用户id | 年龄 | 职业 | 工作时间 | 芝麻信用分 | 信用评级 | 近半年征信查询次数 | 信用卡额度使用率 | 是否有逾期记录 | 征信分组 | |
|---|---|---|---|---|---|---|---|---|---|---|
| 0 | 1 | 22 | 个体户 | 45.0 | 650.0 | A | 23 | 0.00 | 0 | 5:[21,+∞） |
| 1 | 2 | 28 | 职员 | 34.0 | 680.0 | A | 33 | 0.32 | 0 | 5:[21,+∞） |
| 2 | 3 | 39 | 其他 | 113.0 | 530.0 | A | 32 | 0.05 | 0 | 5:[21,+∞） |
| 3 | 4 | 24 | 职员 | 44.0 | 800.0 | A | 35 | 0.01 | 0 | 5:[21,+∞） |
| 4 | 5 | 30 | 职员 | 82.0 | NaN | A | 28 | 0.00 | 0 | 5:[21,+∞） |
# 分组统计各个分组的情况
# 区间用户占比、未逾期客户数要另外计算
dt_info=dt.groupby('征信分组').agg({'用户id':'count','是否有逾期记录':sum}).reset_index().rename(columns={'用户id':'区间客户数','是否有逾期记录':'区间逾期客户数'})
dt_info
| 征信分组 | 区间客户数 | 区间逾期客户数 | |
|---|---|---|---|
| 0 | 1:[0,3) | 14667 | 3352 |
| 1 | 2:[3,6) | 15469 | 4157 |
| 2 | 3:[6,12) | 15316 | 4786 |
| 3 | 4:[12:21 | 6577 | 2739 |
| 4 | 5:[21,+∞） | 3213 | 1923 |
| 5 | 6:缺失 | 1214 | 408 |
# 区间客户占比、未逾期客户数要另外计算
dt_info['区间未逾期客户数']=dt_info.区间客户数-dt_info.区间逾期客户数
dt_info['区间客户占比']=dt_info.区间客户数/dt_info.区间客户数.sum()
dt_info['区间首逾率']=dt_info.区间逾期客户数/dt_info.区间客户数
dt_info
| 征信分组 | 区间客户数 | 区间逾期客户数 | 区间未逾期客户数 | 区间客户占比 | 区间首逾率 | |
|---|---|---|---|---|---|---|
| 0 | 1:[0,3) | 14667 | 3352 | 11315 | 0.259795 | 0.228540 |
| 1 | 2:[3,6) | 15469 | 4157 | 11312 | 0.274001 | 0.268731 |
| 2 | 3:[6,12) | 15316 | 4786 | 10530 | 0.271291 | 0.312484 |
| 3 | 4:[12:21 | 6577 | 2739 | 3838 | 0.116498 | 0.416451 |
| 4 | 5:[21,+∞） | 3213 | 1923 | 1290 | 0.056912 | 0.598506 |
| 5 | 6:缺失 | 1214 | 408 | 806 | 0.021503 | 0.336079 |
1.2.2 信用评级分组
dt.信用评级.unique()
array(['A', 'AA', 'B', 'C', 'D', 'E', 'HR', 'NC', '缺失'], dtype=object)
# 定义一个征信分组的函数
def group_score(level):if level=='A':return 'A'elif level=='AA':return 'AA'elif level in ('B','C','D'):return 'BCD'elif level in ('E','HR','NC'):return 'ERC'else:return '缺失'
# 新建一个字段记录分组信息
dt['信用评级分组']=dt.信用评级.apply(group_score)
dt.head()
| 用户id | 年龄 | 职业 | 工作时间 | 芝麻信用分 | 信用评级 | 近半年征信查询次数 | 信用卡额度使用率 | 是否有逾期记录 | 征信分组 | 信用评级分组 | |
|---|---|---|---|---|---|---|---|---|---|---|---|
| 0 | 1 | 22 | 个体户 | 45.0 | 650.0 | A | 23 | 0.00 | 0 | 5:[21,+∞） | A |
| 1 | 2 | 28 | 职员 | 34.0 | 680.0 | A | 33 | 0.32 | 0 | 5:[21,+∞） | A |
| 2 | 3 | 39 | 其他 | 113.0 | 530.0 | A | 32 | 0.05 | 0 | 5:[21,+∞） | A |
| 3 | 4 | 24 | 职员 | 44.0 | 800.0 | A | 35 | 0.01 | 0 | 5:[21,+∞） | A |
| 4 | 5 | 30 | 职员 | 82.0 | NaN | A | 28 | 0.00 | 0 | 5:[21,+∞） | A |
# 分组统计各个分组的情况
# 区间用户占比、未逾期客户数要另外计算
dt_info2=dt.groupby('信用评级分组').agg({'用户id':'count','是否有逾期记录':sum}).reset_index().rename(columns={'用户id':'区间客户数','是否有逾期记录':'区间逾期客户数'})
dt_info2
| 信用评级分组 | 区间客户数 | 区间逾期客户数 | |
|---|---|---|---|
| 0 | A | 3369 | 851 |
| 1 | AA | 3784 | 640 |
| 2 | BCD | 16320 | 5920 |
| 3 | ERC | 8060 | 4251 |
| 4 | 缺失 | 24923 | 5703 |
# 区间用户占比、未逾期客户数要另外计算
dt_info2['区间未逾期客户数']=dt_info2.区间客户数-dt_info2.区间逾期客户数
dt_info2['区间客户占比']=dt_info2.区间客户数/dt_info2.区间客户数.sum()
dt_info2['区间首逾率']=dt_info2.区间逾期客户数/dt_info2.区间客户数
dt_info2
| 信用评级分组 | 区间客户数 | 区间逾期客户数 | 区间未逾期客户数 | 区间客户占比 | 区间首逾率 | |
|---|---|---|---|---|---|---|
| 0 | A | 3369 | 851 | 2518 | 0.059675 | 0.252597 |
| 1 | AA | 3784 | 640 | 3144 | 0.067026 | 0.169133 |
| 2 | BCD | 16320 | 5920 | 10400 | 0.289075 | 0.362745 |
| 3 | ERC | 8060 | 4251 | 3809 | 0.142766 | 0.527419 |
| 4 | 缺失 | 24923 | 5703 | 19220 | 0.441459 | 0.228825 |
1.3 计算提升度：
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。
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。
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。
# 获取最大值所在行，argmax 也可以，但是会有警告
dt_info.区间首逾率.idxmax()
4
# 计算各个指标的提升度
# 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
# 这里最坏分箱就是根据征信分组后，首逾率最高的一组
worst_rate=dt_info.loc[dt_info.区间首逾率.idxmax()]['区间逾期客户数']/dt_info.区间逾期客户数.sum()
num_rate=dt_info.loc[dt_info.区间首逾率.idxmax()]['区间客户数']/dt_info.区间客户数.sum()
worst_rate/num_rate
1.9458254325820934
dt_info2.区间首逾率.idxmax()
3
# 信用评级的提升度
# dt_info2.iloc[dt_info2["区间首逾率"].idxmax()]
worst_rate2=dt_info2.loc[dt_info2.区间首逾率.idxmax()]['区间逾期客户数']/dt_info2.区间逾期客户数.sum()
num_rate2=dt_info2.loc[dt_info2.区间首逾率.idxmax()]['区间客户数']/dt_info2.区间客户数.sum()
worst_rate2/num_rate2
1.7147127611157038
1.4 制定优化策略：
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。现在我们看一下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是多少。
1.4.1 依据征信查询次数优化风控策略
# 即假设我们设置征信查询次数这个风控指标，并且把查询次数21次以上的都拒绝掉
# 然后来看首逾率是多少，有降低多少
# 逾期率 = 逾期人数 / 总人数
check_new_yuqi_kehu=dt_info.区间逾期客户数.sum()-dt_info.loc[dt_info.区间首逾率.idxmax()]['区间逾期客户数']
check_new_yuqi_rate=check_new_yuqi_kehu/dt_info.区间客户数.sum()
check_new_yuqi_rate
0.27352274337537197
check_old_yuqi_rate=dt_info.区间逾期客户数.sum()/dt_info.区间客户数.sum()
check_old_yuqi_rate
0.307584667705824
# 新的逾期率下降了 3.41%
check_optimiz=check_new_yuqi_rate-check_old_yuqi_rate
check_optimiz
-0.03406192433045202
1.4.2 依据芝麻信用分优化风控策略
# 即假设我们设置征芝麻信用分这个风控指标，并且把芝麻信用评级为ERC的人群都拒绝掉
# 然后来看首逾率是多少，有降低多少
# 逾期率 = 逾期人数 / 总人数
score_new_yuqi_kehu=dt_info2.区间逾期客户数.sum()-dt_info2.loc[dt_info2.区间首逾率.idxmax()]['区间逾期客户数']
score_new_yuqi_rate=score_new_yuqi_kehu/dt_info2.区间客户数.sum()
score_new_yuqi_rate
0.23228709083179822
score_old_yuqi_rate=dt_info2.区间逾期客户数.sum()/dt_info2.区间客户数.sum()
score_old_yuqi_rate
0.307584667705824
# 新的逾期率下降了 7.52%
score_optimiz=score_new_yuqi_rate-score_old_yuqi_rate
score_optimiz
-0.07529757687402577
二、用户留存率的同期群分析
什么是同期群分析：
- 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。
同期群分析的作用： - 对处于相同生命周期阶段的用户进行垂直分析（横向比较），从而比较得出相似群体随时间的变化（下图可以看到客单价随着时间推移在逐渐降低）。
- 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。（下图可以看到客单价在逐渐提高）
2.0 读取数据
engine=sqlalchemy.create_engine('mysql+pymysql://frogdata05:Frogdata!1321@localhost:3306/froghd')
# 执行sql语句，获取数据
sql_cmd='select * from groups_data '
df=pd.read_sql(sql=sql_cmd,con=engine)
#数据显示有用户的OrederId、OrderDate、UserId、TotalCharges(我们只会用到这四个)，
#其他的字段没有用
df[['orderid','orderdate','userid','totalcharges']].head()
| orderid | orderdate | userid | totalcharges | |
|---|---|---|---|---|
| 0 | 262 | 2009-01-11 | 12 | 50.67 |
| 1 | 278 | 2009-01-12 | 13 | 26.60 |
| 2 | 294 | 2009-01-13 | 14 | 38.71 |
| 3 | 301 | 2009-01-14 | 15 | 53.38 |
| 4 | 302 | 2009-01-15 | 16 | 14.28 |
# 生成一个新字段，用户订单月份
df['order_month']=df.orderdate.apply(lambda x:x.strftime('%Y-%m'))
df.head()
| orderid | orderdate | userid | totalcharges | commonld | pupld | pickupdate | order_month | |
|---|---|---|---|---|---|---|---|---|
| 0 | 262 | 2009-01-11 | 12 | 50.67 | TRQKD | 2.0 | 2009-01-12 | 2009-01 |
| 1 | 278 | 2009-01-12 | 13 | 26.60 | 4HH2S | 3.0 | 2009-01-20 | 2009-01 |
| 2 | 294 | 2009-01-13 | 14 | 38.71 | 3TRDC | 2.0 | 2009-02-04 | 2009-01 |
| 3 | 301 | 2009-01-14 | 15 | 53.38 | NGAZJ | 2.0 | 2009-02-09 | 2009-01 |
| 4 | 302 | 2009-01-15 | 16 | 14.28 | FFYHD | 2.0 | 2009-02-09 | 2009-01 |
2.1构建用户群组并聚合总用户数、总订单数
# 设置userid为索引
df.set_index('userid',inplace= True)
# 这里的level=0表示第一层索引即userid，并且每次分组之后都会形成很多个dataframe
# 按照每个用户的订单的最早时期，生成用户群组
df['cohort_group']=df.groupby(level=0)['orderdate'].min().apply(lambda x:x.strftime('%Y-%m'))
df.reset_index(inplace=True)
df.head()
| userid | orderid | orderdate | totalcharges | commonld | pupld | pickupdate | order_month | cohort_group | |
|---|---|---|---|---|---|---|---|---|---|
| 0 | 12 | 262 | 2009-01-11 | 50.67 | TRQKD | 2.0 | 2009-01-12 | 2009-01 | 2009-01 |
| 1 | 13 | 278 | 2009-01-12 | 26.60 | 4HH2S | 3.0 | 2009-01-20 | 2009-01 | 2009-01 |
| 2 | 14 | 294 | 2009-01-13 | 38.71 | 3TRDC | 2.0 | 2009-02-04 | 2009-01 | 2009-01 |
| 3 | 15 | 301 | 2009-01-14 | 53.38 | NGAZJ | 2.0 | 2009-02-09 | 2009-01 | 2009-01 |
| 4 | 16 | 302 | 2009-01-15 | 14.28 | FFYHD | 2.0 | 2009-02-09 | 2009-01 | 2009-01 |
# 根据用户群组和月份字段进行分组
group_month=df.groupby(['cohort_group','order_month'])
# 求每个用户群下每一个月份的用户数量、订单数量、购买金额
cohorts=group_month.agg({'userid':pd.Series.nunique,'orderid':pd.Series.nunique,'totalcharges':sum})
cohorts
# 重命名
cohorts.rename(columns={'userid':'totaluser','orderid':'totalorders'},inplace=True)
cohorts.head()
| totaluser | totalorders | totalcharges | ||
|---|---|---|---|---|
| cohort_group | order_month | |||
| 2009-01 | 2009-01 | 20 | 21 | 326.44 |
| 2009-02 | 10 | 10 | 0.00 | |
| 2009-03 | 8 | 11 | 0.00 | |
| 2009-05 | 4 | 4 | 0.00 | |
| 2009-02 | 2009-02 | 28 | 28 | 0.00 |
2.2 对每个用户群组重新编号，并统计各群组用户总数
# 把每个群组继续购买的日期字段进行改变
def cohort_period(df):# 给首次购买日期进行编号，第二次购买为2，第三次购买为3df['cohort_period']=np.arange(len(df))+1return df
# 注意的是apply后面传入的是一个个dataframe
cohorts=cohorts.groupby(level=0).apply(cohort_period)
cohorts.head()
# level=0表示第一级索引
| totaluser | totalorders | totalcharges | cohort_period | ||
|---|---|---|---|---|---|
| cohort_group | order_month | ||||
| 2009-01 | 2009-01 | 20 | 21 | 326.44 | 1 |
| 2009-02 | 10 | 10 | 0.00 | 2 | |
| 2009-03 | 8 | 11 | 0.00 | 3 | |
| 2009-05 | 4 | 4 | 0.00 | 4 | |
| 2009-02 | 2009-02 | 28 | 28 | 0.00 | 1 |
# 得到每个群组的用户量
# 重新设置索引
cohorts.reset_index(inplace=True)
cohorts.set_index(['cohort_group','cohort_period'],inplace=True)
cohorts.head()
| order_month | totaluser | totalorders | totalcharges | ||
|---|---|---|---|---|---|
| cohort_group | cohort_period | ||||
| 2009-01 | 1 | 2009-01 | 20 | 21 | 326.44 |
| 2 | 2009-02 | 10 | 10 | 0.00 | |
| 3 | 2009-03 | 8 | 11 | 0.00 | |
| 4 | 2009-05 | 4 | 4 | 0.00 | |
| 2009-02 | 1 | 2009-02 | 28 | 28 | 0.00 |
# 得到每个群组的用户量，就是第一天的用户数据量，用作留存率的分母
cohort_group_size=cohorts['totaluser'].groupby(level=0).first()
cohort_group_size.head()
cohort_group
2009-01 20
2009-02 28
2009-03 12
2009-04 8
Name: totaluser, dtype: int64
2.3 统计留存率
# 计算每个群组的留存
# unstack 是把行索引index转化为列column，https://www.jianshu.com/p/5ab1019836c9
cohorts_v=cohorts['totaluser'].unstack(0)
cohorts_v
| cohort_group | 2009-01 | 2009-02 | 2009-03 | 2009-04 |
|---|---|---|---|---|
| cohort_period | ||||
| 1 | 20.0 | 28.0 | 12.0 | 8.0 |
| 2 | 10.0 | 5.0 | 6.0 | 5.0 |
| 3 | 8.0 | 4.0 | NaN | NaN |
| 4 | 4.0 | NaN | NaN | NaN |
# 计算留存
user_retention=cohorts_v/cohort_group_size
user_retention
| cohort_group | 2009-01 | 2009-02 | 2009-03 | 2009-04 |
|---|---|---|---|---|
| cohort_period | ||||
| 1 | 1.0 | 1.000000 | 1.0 | 1.000 |
| 2 | 0.5 | 0.178571 | 0.5 | 0.625 |
| 3 | 0.4 | 0.142857 | NaN | NaN |
| 4 | 0.2 | NaN | NaN | NaN |
2.4绘图展示
# 折线图展示
import matplotlib.pyplot as plt
import matplotlib as mpl
pd.set_option('max_column',50)
mpl.rcParams['lines.linewidth']=2
%matplotlib inline
user_retention[['2009-01','2009-02','2009-03']].plot(figsize=(6,4))
plt.title('user retention')
plt.xticks(np.arange(1,13,1))
plt.xlim(1,12)
plt.ylabel('%of cohort')
Text(0, 0.5, '%of cohort')
# 热力图展示
import seaborn as sns
sns.set(style='whitegrid')plt.figure(figsize=(10,5))
plt.title('heat map:user_retention')
sns.heatmap(user_retention.T,mask=user_retention.T.isnull(),annot=True,annot_kws={'color':'tan','weight':'bold'},fmt='.2%')
<matplotlib.axes._subplots.AxesSubplot at 0x7f05ae875c90>
（金融）线上消费贷风控优化（单变量分析）与用户留存（同期群分析）项目——数据分析相关推荐
- 2021年11月线上消费信贷市场用户洞察：头部效应明显，绿色金融成新风口
根据易观千帆数据显示,2021年11月,中国线上消费信贷市场用户活跃人数达到5697万人.尽管消费需求的下降叠加部分消费场景趋严致使近半年来活跃人数走低,但环比看已出现回升迹象,从7月份的-7.7%恢 ...
- 【好文推荐】供应链金融线上化的逻辑与趋势
供应链金融线上化的动力机制 客户批量化.业务零售化是供应链金融线上化的驱动力 从客户角度看,供应链金融的客户群体跨越大中小企业,以大型客户为切入点,实际服务于中小微企业.供应链金融是透过核心企业的供应 ...
- 微信店铺小程序，让线上消费更加智慧化
随着移动互联网的迅勐发展,线上消费已经成为人们生活中不可或缺的一部分.微信作为国内最大的社交应用程序,已经成为人们线上交流.消费的首选平台.微信店铺小程序的出现,为商家提供了一种更加智慧化的线上消费方 ...
- 【干货】奢侈品线上消费圈层洞察-阿里妈妈.pdf（附下载链接）
大家好,我是文文(微信号:sscbg2020),今天给大家分享阿里妈妈于2021年2月份发布的<奢侈品线上消费圈层洞察.pdf>,关注奢侈品的伙伴们别错过了. 本报告共31页,包含如下三大 ...
- 京东开通数字人民币“硬件钱包”线上消费功能
伴随着2022京东年货节火热进行,近期京东App又增加了新的特色支付方式,用户可以在京东体验使用数字人民币"硬件钱包"贴一贴支付,京东也成为了全国首个支持数字人民币"硬件 ...
- 【报告分享】2020情趣用品线上消费趋势报告.pdf（附下载链接）
大家好,我是文文(微信号:sscbg2020),今天给大家分享CBNData发布的报告<2020情趣用品线上消费趋势报告.pdf>,有"性"趣的伙伴们别错过了哦-本报告 ...
- 面试官：说一下你们线上JVM是如何优化的？一不小心聊了2个小时！！
面试官:说一下你们线上JVM是如何优化的?一不小心聊了2个小时!! 说一JVM的内存模型是什么样子的?什么时候对象可以被收回?常见的垃圾回收器算法有哪些,各有什么优劣?什么时候对象会进入老年代?什么是 ...
- 京东大数据研究院首席数据官刘晖：聚焦银发经济，2019中老年线上消费趋势！
12月19日,AgeClub在北京成功举行第二届中国老年产业商业创新大会.会议邀请到京东大数据研究院首席数据官刘晖分享<聚焦银发经济-2019中老年线上消费趋势报告>,通过大数据全面呈现出 ...
- 京东首席数据官刘晖：聚焦银发经济，中老年线上消费趋势！
12月19日,AgeClub在北京成功举行第二届中国老年产业商业创新大会.会议邀请到京东大数据研究院首席数据官刘晖分享<聚焦银发经济-2019中老年线上消费趋势报告>,通过大数据全面呈现出 ...
最新文章
- Action4D：人群和杂物中的在线动作识别：CVPR209论文阅读
- linux jdk配置环境变量
- IOS开发(九)：场景
- 品茗论道说广播(Broadcast内部机制讲解)
- dos查看java环境变量_dos命令的识别及环境变量的设置实例
- python芙蓉数用abs函数_Python调用OpenCV阈值化
- 2台电脑一根网线传文件_黑龙江工程专用网线报价,黑电源线配件厂家
- parentNode，parentElement,offsetParent
- C++11for(auto iter : container)auto简介
- 非常实用的aix 6.1系统安装的教程
- 大数据毕设/课设 - 基于大数据的通用可视化模板
- APISpace 标准中文电码查询API
- SheetJS xlsx js库入门使用
- 兜兜转转还是往前了一小步
- python合并视频（mp4+mp3）
- Alpine linux 小内存版,Alpine Linux系统-Alpine Linux系统【轻量级Linux】下载v3.11.0 最新版-西西软件下载...
- 全志H3-NanoPi开发板SDK之一总体概述
- 03709马原第三章考点总结
- 56 道高频 JavaScript 与 ES6+ 的面试题及答案
- ctrl+a快捷键失灵情况
热门文章
- 给女朋友道歉的java代码_情人节写给女朋友Java Swing代码程序
- 2.flashFTP连接centos7，开启FTP服务
- linux如何安装卸载.bin文件
- LaTeX中三种列举的形式：itemize，enumerate，description
- 推荐系统之LFM算法详解
- 【路由器设置※tplink路由器设置方法和详细图解※】
- Temp\gradleOut\launcher\build\outputs\bundle\release\launcher.aab does not exist
- Java 中堆和栈有什么区别？
- DNSPod十问权大师晁阳飞：AI机器人写的小说，版权算谁的？
- c语言runtime error,Runtime Error通常是什么原因的？程序在这！