金融刑事案例分析金融案例分析大赛优秀案例范文-刑事辩护律师

被告单位昆明泛亚等4家、被告人单九良等21人违反国家金融管理法律规定，变相吸收公众存款，其行为均已构成非法吸收公众存款罪；单九良、杨国红利用职,虚拟货币涉及的刑事案例分析近年来，“币圈”随着比特币等虚拟货币的高利润性而越扩越大，炒币这一行为也逐渐进入大众的视野。虚拟货币由于其匿名性和去中心化的特点，而被部分人员,比较常见的可能涉及刑事风险的金融中介类型包括银行业中的资金掮客、贷款中介，城投行业的城。希望《金融刑事案例分析》一文对您能有所帮助！

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。