在银行等金融机构的信贷业务中，围绕存量客户的数据分析与价值挖掘，始终是客户管理体系的核心思想。针对存量客户群体的类型划分与画像描述，是实现客户价值评估以及精准营销的重要前提，也是业务创益增收的必要条件。
1、客户分类与画像场景
2、实例样本介绍与分析
为了便于大家对客户分类与客户画像的进一步熟悉与理解，接下来我们围绕具体的实例样本数据，来完成客户样本数据的分类与画像。本文选取的样本数据包含10000条样本与9个字段，部分数据样例如图1所示。其中，id为样本客户主键，income_type、city_level、consume_index、bankcard_count等为特征变量，label为客户贷后逾期表现（1/0代表是否逾期），具体的特征字典如图2所示。
3、客户分类探索与实现
首先我们来对客户群体进行分类，这里不采用机器学习聚类算法来实现，而是通过某个业务解释性较好且区分度较好的特征来划分客户类别。从特征字典表可以看出，贷前信用评分score在客户综合风险的衡量维度上，可以很好的量化出客户之间的差异，从而在业务理解方面可实现客户的有效分类，因此我们将根据特征score来进行分析。这里需要注意的是，特征label（贷后逾期状态）虽然能够直接体现客户的风险程度，但将客群仅分为好坏2个分类对客户精细化管理的效果欠佳。在确定了客户分类的特征指标score之后，接下来需要明确的重点是围绕特征划分区间的具体标准。由于特征score的含义是信用风险评分，且样本观测均有好坏表现的标签label（0/1），因此可以通过不同分数区间的坏账率大小来实现客群分类。为了更全面描述信用评分的数据分布趋势，以及连续区间的坏账率变化情况，我们通过特征分箱的思想，将连续型的信用评分进行离散化，具体实现过程详见知识星球代码详情。，输出结果如图7所示。
编辑
添加图片注释，不超过140字（可选）
图7评分离散化结果
对于上图的评分分布，我们通过连续区间的数据表现可知，随着信用评分（score）的不断升高，坏账率（badrate）逐渐降低，具体分布如图8所示，单调性趋势较好，可以直接说明信用评分对用户风险的区分度效果是比较好的。
图8评分数据表现
根据评分score与坏账badrate的分布趋势，我们考虑将badrate较为接近的评分区间作为同一类别，同时结合区间样本量大小，将占比较大者单独成箱，占比较小着多箱合并。按照以上逻辑标准，围绕上图的客户评分表现结果，这里考虑将客户群体划分为6个类别，分别为:[382,434]、(434,460]、(460,486]、(486,513]、(513,539]、(539,644]。因此，客户群体通过信用评分score细分为6类，这里采用flag=1~6来表示，具体实现过程详见知识星球代码详情。，客户分类的频数分布如图10所示。