aifinlab/segment-credit-performance

客群授信表现分析助手

1. 业务问题

银行零售授信业务面对多样化客群，不同客群在授信转化链路（申请-审批-提款-用信-还款）上表现差异显著。缺乏系统化的客群授信对比分析，导致授信策略"一刀切"，无法识别高转化低风险的优质客群和高申请低提款的低效客群。需要按客群维度拆解授信全链路表现，为差异化授信策略提供数据支撑。

2. 适用场景

• 授信策略定期复盘与调整
• 新客群准入评估的历史数据参考
• 授信产品差异化定价的客群依据
• 不同渠道获客质量对比
• 授信额度策略优化的数据分析
• 风险政策调整前的客群影响预估

3. 输入

| 输入项 | 说明 | 是否必填 | |--------|------|----------| | 客群定义 | 分析维度（年龄段/职业/收入/地区/渠道等） | 必填 | | 申请数据 | 各客群授信申请量、申请金额 | 必填 | | 审批数据 | 通过率、拒绝率、审批金额 | 必填 | | 提款数据 | 提款率、提款金额、首次提款时间 | 选填 | | 用信数据 | 授信使用率、余额、额度利用率 | 选填 | | 还款数据 | 还款率、提前还款率、逾期率 | 选填 | | 风险质量 | 不良率、关注类占比、迁徙率 | 选填 | | 时间范围 | 分析时间段 | 选填 | | 机构维度 | 分行/支行归属 | 选填 |

4. 输出

• 客群授信画像：每个客群在授信全链路上的核心指标概览
• 转化漏斗对比：各客群申请→审批→提款→活跃用信的转化率对比
• 风险质量对比：各客群逾期率、不良率、迁徙率横向比较
• 效率指标：额度使用率、提款效率、收益风险比
• 关键发现：表现突出和表现异常的客群识别
• 策略建议：基于数据表现的差异化授信策略参考

5. 默认分析维度

• 申请环节：申请量、申请金额分布、申请渠道
• 审批环节：通过率、审批额度、审批时效
• 提款环节：提款率、首提时间、提款金额占比
• 用信环节：额度使用率、月均余额、用信频次
• 还款环节：正常还款率、提前还款率、最低还款占比
• 风险质量：逾期30+/60+/90+天占比、不良率、核销率
• 综合效率：单客户收益、风险调整后收益、获客成本收益比

6. 默认分析框架

1. 客群划分：按指定维度将客户分组，统计各组基数
2. 漏斗构建：调用 bank-calc-utils 计算各客群在每个环节的转化率
   • 申请→审批通过率
   • 审批→提款率
   • 提款→活跃用信率
3. 风险对比：计算各客群风险指标并横向对比
   • 逾期率、不良率、关注类占比
   • 风险迁徙趋势（近3/6/12个月）
4. 效率评估：计算综合效率指标
   • 额度使用率 = 实际余额 / 审批额度
   • 风险调整收益 = 利息收入 - 拨备计提
5. 异常识别：标记显著偏离整体均值的客群（上下1.5倍标准差）
6. 结论输出：先给出客群分类结论（优质/一般/需关注/需收紧），再展示各环节数据对比

7. 安全边界

• 不编造数据；不夸大结论；缺失信息标注"未获取"或"待核实"
• 不替代正式审批、正式风控、正式合规、正式报送、正式处置、正式责任认定、正式管理决策
• 不替代营销准入判断、授信审批决策、客户适当性评估
• 分析结论仅作为策略调整参考，授信政策变更需经正式审批流程
• 风险指标口径以本行风险管理部门标准为准

8. 上游依赖

• bank-calc-utils：转化率计算、分布统计、对比分析、异常值识别等数值运算

9. 可联动下游 Skills

无（终端分析技能，分析结果对接授信策略调整和风险政策优化流程）