feedback

意见

反馈

back-to-up

回到

顶部

数据揭示一幅美国金融“差评”地图

NYCDSA

· Eric Moore

Eric Moore   11-02

“差评”是全世界互联网的"通用语言"及重要恶性交互方式之一。在金融大国美利坚的金融产品及服务市场上,差评已经不只是华尔街上流人士“社交吐槽”的风尚,更是民间百姓在后金融危机时代,与美国金融服务机构“良好”互动的通用手段。本期数据侠与纽约数据科学院合作专栏中,数据侠Eric就希望通过在Shiny应用建立的美国金服差评可视化项目,帮助到美国的金融机构,发现问题解决问题,成为服务好人民的好机构。

 

项目总览

品质管理是每个公司都要面对的难题。随着消费者数据的种类以及可获取性的提升,各家公司都需要面对一个新的课题:如何从数据中发掘出产品和服务中正在发生的问题。

在这个项目里,我会分析美国用户对他们使用的金融服务作出的“差评”数据。当一个用户对某个银行机构不满时,他可以向消费者金融保护局(CFPB, consumer financial protection bureau)在线提交投诉,除了会调查相关投诉外,CFPB还会公开这些投诉信息。

这个公开的数据库十分详细,提供了关于产品类型、具体投诉的问题(而且经常会保留投诉的内容)、金融机构的名称、投诉者邮编、投诉的解决结果(如果解决了)以及其他信息。简单说,它给我们提供了一个机会,来尝试如何将如此量级的消费体验数据进行可视化。有效的可视化也能帮助这些公司发现存在的问题。

数据可视化 

我的可视化项目仍在进行中,可以在点击此处查看shin project。这里我会先展示一些初步的可视化和发现。

一开始,我把这些“差评”加在一起进行分析。

从2012到2017年,每年提交的投诉从70290增长到了233099。第一张图显示,投诉内容的种类也变得越来越多:抵押贷款相关的投诉大大减少,而讨债和征信相关的抱怨成为最主流的。比如在2017年,征信相关的从2012年的2.33%涨至38.81%,与此同时,抵押贷款相关的则从2012年的53.07%降落至只有12.56%。

(图片说明:2012-2017年不同金融服务的产品比率)

 

接下来,我对美国各个州的情况进行了研究,以及分析了针对每种产品的投诉的严重性(也就是这些投诉得到及时处理的比例)。下面的矩形树图(Tree Map)中,上面展示的是总体的情况,下面的图是马塞诸塞州与全美2015年的情况。在我的Shiny应用里有更多州的比较。

(图片说明:2015年马塞诸塞州差评金融服务或产品的矩形树图)
(图片说明:2015年全美国差评金融服务或产品的矩形树图)

这些数据可以让我们更容易的比较不同州与整个国家的平均水平的不同。可以看出,尽管在全国,讨债的投诉很多无法及时解决(比例达到8.4%),但在2015年的马塞诸塞州,并没有这个问题(比例仅为4.9%)。

Shiny应用上有很好的交互功能。如果我们看2016年的情况,我们可以看到马塞诸塞州的问题。下图直观地显示了讨债问题如何变得更加严重。在所有得到及时解决的投诉中,2015年讨债类问题只占了4.9%,而2016年已经达到9.7%。

(图片说明:2016年马塞诸塞州差评金融服务或产品的矩形树图)
(图片说明:2016年全美国差评金融服务或产品的矩形树图)

上文的数据(进入Shiny应用查看)能够很好地展示了不同州和不同时间,“差评”情况的明显不同。除此之外,它也展示了在规模和严重程度上的区别。因为有些人会认为规模和严重度更加重要,所以对这些区别进行可视化展示很有帮助。对于解决问题来说,可能规模更加值得研究,因为在严重程度方面,大多数问题得到了及时的解决。所以可能有些人会更倾向于研究那些并不常见的领域,但这些领域的问题可能会更严重。这些可视化的图就展示了这些不同。

当我们选择了具体要研究的领域,比如某个特定的产品种类,我们就可以分析出这些问题究竟集中在哪些机构或地点。下面的热点图展示了不同机构和地理位置的“差评”的增长规律。横轴表示不同的州,纵轴是在所有州都有投诉记录的最大的19个机构。

可以看到金融机构Navient Solutions的投诉在多数的州都面临着投诉增长的问题。同时也展示了一些特定领域的增长:美国运通在缅因州,巴克莱在新罕布什尔州。在shiny应用里可以看到更多的州的信息。

更重要的是,你可以快速查看某一个机构在哪个地区出现最明显的投诉的增长,与其他机构相比,自己的哪类投诉最明显,并且可以查看地区性的问题。

总结

这组可视化展示了CFPB的数据中所显示的在机构、遇到的投诉种类等方面的不同。不过这组可视化最棒的地方还是体现在shiny应用上的交互功能,以及快速查询能力。

(以上内容编译自纽约数据科学院博客Exploring Data on Consumer Complaints,仅代表作者观点)

数据侠门派

Eric Moore是一位数据科学家和创造力思想者,Eric的综合技能涵盖使用因果推论统计模型的预测与计量经济学所需的机器学习技能。Eric毕业于沃顿商学院,获得应用经济学博士学位,并且是纽约数据科学院(New York City Data Science Academy)的研究员。

 

关于DT×NYCDSA

DT财经与纽约数据科学学院是战略合作伙伴。DT×NYCDSA 系合作开设的系列专栏。

加入数据侠

数据侠计划是由第一财经旗下DT财经发起的数据社群,包含数据侠专栏、数据侠实验室系列活动和数据侠联盟,旨在聚集大数据领域精英,共同挖掘数据价值。申请入群请添加微信公号dtcaijing003并备注“数据社群”,合作请联系datahero@dtcj.com。

 

 

 

 

分享这篇文章到