贷款客户数据，Lending Club贷款数据分析数据分析一

1，Lending Club贷款数据分析数据分析一

接上篇针对数据集的各个方面进行简单数据分析。主要有先说结论：将逾期15天以上的贷款视为坏账，简化贷款质量可以看出，坏账仅有不到8%，但是实际上的金额也是比较惊人的。 2011年后，贷款总额每年都在飙升可以看出2012年后Lending Club飞速发展，客户飞速增加，虽然有波动，但总体再增加各行各业的人都有，居然是老师最多，管理者次之。工作年限越长越容易贷款吗，看来是了这里将年收入大致分为三个区间 20000以下的视为低年收入，20000-60000视为中等，高于60000的就是高收入人群大部分客户年收入都在20000以上中等人群坏账数量最多可以看出人们贷款主要是为了债务整合和信用卡偿还，债务整合就是借信用卡还其他信用卡，和信用卡偿还貌似没区别一半客户按揭，四成客户租房。有房子的不足10% 看来有不良记录的人很难申请贷款 LC在2012-2015飞速发展，能发的钱越来越多信用等级越低，贷款利率越高 DTI:每月还款占月收入的比例大部分的贷款客户的DTI在35%以下，说明还款压力不是很大一小部分客户DIT达到45%，存在风险后续特征工程中将以35%为分界分为两类在右侧看不见的地方还存在极小一部分，，基本属于风险很大的贷款 LC平台以短期贷款为主，但长期贷款比例也不低

Lending Club贷款数据分析数据分析一

2，拍拍贷业务数据分析

所提供数据来自拍拍贷真实业务数据，从2015-01-01到2017-01-30的所有信用标的10%sample样本。数据集包含LC.csv（标的特征表数据）。 1.用户分析 2.借贷相关业务分析 1. 导入数据 2.数据清洗 2.1完整性处理本数据无重复值，但是在gender/age/province/tags/comments KeyWords这几列中有部分缺失值，其中年龄的缺失值较多，数据不太具有代表性。 2.2全面性处理在4个表中，actionTime、oerderTime都是以时间戳形式存储，先将时间戳改为日期格式。 2.3唯一性处理 1.用户分析 1.1用户性别分析从借款用户群体看，男性居多，无论是用户数量还是借款金额都是是女性用户两倍，但在逾期数量上女性稍高于男性群体。 1.2用户年龄分析判断年龄区间值对年龄进行细化分组，观察 25-32岁用户数量最多，高达50.24%，为主要用户，另外也表明25-32岁这个年龄段经济压力最大 1.3 用户借款区间维度分析判断借款金额区间值观察金额分布情况拍拍贷借款人借款金额主要集中在100-10000元区间，超过10万元的大额借款不足1%。拍拍贷是小额贷款，针对的目标人群应该是一般白领以下人群。进一步分析100-10000的借款区间各类分布情况在100-10000借款区间内，49%是借款2000-5000，借款5000元及以下是72%，大部分人群借款在5000元及以下 1.4 用户初始信用等级分析初始评级主要集中在C、D评级，初始评级不高，可能是由于渠道认证信息不完善导致。 1.5 用户借款期限分析绝大多数用户借款期限在5-12月，可以看一看5-12月每个月的具体情况：借款期限为6个月和12个月较多，一方面这可能跟拍拍贷的借贷产品有关，另一方面也跟用户的习惯有关系 1.6 用户借款利率分析 96%用户借贷利率都在16%年利息上，50%的用户通过拍拍贷获得贷款的利息都在20%以上，小贷贷款只要还款金额能覆盖逾期坏账就是暴利 ** 2 借贷相关业务分析 ** ** 2.1 时间维度下的客户数量、放款金额、逾期率等 ** 随着用户量增长，总借款金额也随着上升，但是在16年11月后，借款金额增长放缓。平均借贷金额从15年8000-10000到16年3月逐渐稳定在4000元上下，在16年11月平均借贷金额缓慢下降。月度逾期率在15年12月后维持在15%，但在16年10月开始攀升，到17年1月份约为19%。 ** 2.2 逾期率分析 ** ** 2.2.1 逾期类型分析 ** 电商借款类型逾期率相对较高，应引起足够重视，关注电商客户经营状况以及造成逾期的具体原因。借款类型为APP闪电和普通，这两类占据逾期用户群体87%，应关注这两类客户使用资金的用途及资金去向。其他类型是一个特殊的群体，该类客户逾期量跟逾期率都是较高的，应关注该类用户群体深挖原因 ** 2.2.2 初始评级逾期率分析** 用户主要初始评级集中在CD两种类型，逾期率相对较高，应重点关注评级CD的客群，需要加以辅助手段，降低逾期率水平（一）用户维度分析 1、贷款客户男性居多，维护并抓住好男性客户群体 2、平台客户贷款年龄主要集中在25-32岁，可以针对该群体特征，有选择性的进行渠道推广，与此同时，应关注该类群体逾期率较高问题 3、借款金额范围应该5000元以下为主要产品，5000-10000为次要产品推广 4、应该重点关注初始信用等级为C和D的用户群体，降低这类客户的逾期率 5、用户偏好的借款期限在6个月和12个月，但是逾期率较高，9个月的借款量较少，但是逾期率偏低，可以推广三个季度的借贷产品。 6、拍拍贷借款利率多说超过20%，利率超过16%在96%以上（二）业务分析 1、随着用户量增长，总借款金额也随着上升，但是在16年11月后，借款金额增长放缓，逾期率却在上升，应加大了风控措施。 2、平均借贷金额从15年8000-10000到16年3月逐渐稳定在4000元上下，在16年11月平均借贷金额缓慢下降，应收缩借贷金额规模，提高甄别等级。 3、借款类型应可重点推广APP闪电和普通类型的借款，但是要提高风控水平。电商借款类型，要关注用户经营状况。 4、对初始信用评级在C、D的，应多拆出几个更新维度的信用评级，用于有针对性进行风控，降低逾期率。

拍拍贷业务数据分析

3，Lending Club贷款数据分析

可视化报告见：报告全文 Lending Club是美国的一家P2P金融机构，主要是通过连接投资人和借款人来达成双方的投资及融资需求，收入主要来源于交易手续费、服务费和管理费。自2007年起，Lending Club已经为上百万客户提供了贷款。2015年，平台全年新设的贷款金额就已经达到了83.6亿美元，远远超越行业第二的37亿美元，优势十分明显。 Lending Club会对提交申请的借款人进行资格审查，只有符合标准才能拿到借款：（1）FICO分数（根据Experian、TransUnion、Equifax三大征信局信用报告）要在660分以上（2）债务收入比例要低于40%（3）征信报告：正在使用的循环账户不少于2户、6个月内征信查询次数小于5次、至少36个月的信用记录。借款人通过初始信用审查后，Lending Club会再次通过评分模型对申请人进行评估，两次的结果将会一起输入Model Rank中，最终得到一个基础风险子级。Lending Club会根据这个风险子级结合客户贷款的金额和贷款期限得出最终子级。最终子级共有35个级别，分为A、B、C、D、E、F、G这7 个等级，每个等级又包含1、2、3、4、5 五个子级。最终子级的不同对应了不同的贷款利率，子级等级越高，贷款利率则越低。根据Lending Club的分级流程，借款申请人越符合平台资格审查的标准，最终的风险等级越高，借款所需的利率也越低。所以本文通过以下几个问题，借助SQL对Lending Club 2018年第二季度的贷款数据进行分析，探究平台的审查条件是否合理： 1.哪个信用等级的还款意愿最高？坏账主要集中在哪个风险等级？ 2.资产负债比率越低，还款能力是否越高？ 3.6个月内征信查询次数越少，还款意愿是否越高？ 4.过去2年内逾期30天以上的次数越少，还款意愿是否越高？ 5.还款能力是否与客户贷款目的有关？数据集来自： Lending Club 将数据导入SQLyong后，观察数据特征：数据包括2018年Q2的贷款数据记录，共130770多行，多达145个字段，本文只选取一些关键字段作为分析： loan_status ：贷款状态（Fully paid-全额还款 Charged off-已注销的坏账 Current-当前 Default-违约不还 Late 31-120 days-逾期31-120天 In grace period-宽限期内 Late 16-30 days-逾期16-30天 Issued-已放款） grade ：信用评级 dti ：资产负债比（负债总额/资产总额）*100% inq_last 6mths ：近6个月查询次数 delinq_2yrs ：近2年逾期30天以上次数 annual_inc ：年收入 emp_length ：工作年限 purpose ：贷款目的 1.修改表名将表名修改为Lending Club贷款情况 2.选择子集由于原数据字段太多，所以只挑选了以上8个关键字段作为分析 3..列名重命名为了方便分析，把字段名重命名为中文名：方法一：可通过SQL语句实现字段重命名方法二：也可以直接在客户端内双击字段名进行修改，因为字段较多，本文采用这种方法修改名字 4.删除重复值由于每行数据都是一个客户id，所以不存在重复值 5.处理缺失值通过语句查询发现资产负债比存在空值，本文不进行删除，直接将null值作为一类。依次查询其他列没有发现其他缺失值 1.哪个信用等级的还款意愿最高？坏账主要集中在哪个风险等级？将还款情况分为还款正常和逾期还款，还款正常包括Fully Paid 、Current、In Grace Period，逾期还款包括Late (16-30 days)、Late (31-120 days）、Charged Off、Default 输出结果：由此可知信用等级A-C的放款人数最多，还款意愿也最强，随着信用等级变低，正常还款数量开始降低，坏账率逐渐上升。 2.资产负债比率越低，还款能力是否越高？观察数据发现，资产负债比的区间为【0,999】，按照步长为10分为[0,10）、[10,20）、[20,30)、[30,40)、(≥40)五个区间，另外加上null值，共6个区间。输出结果：由图可知资产负债比与还款意愿总体呈现反比趋势。客户的资产负债比越低，还款意愿越强，在20%-30%区间内，还款占比最高，之后逐渐开始下降，逾期比例上升，还款能力降低。资产负债比为空值的客户逾期还款率高达1.23%，需要对未填写资产负债比的客户进行放款控制。 3.6个月内征信查询次数越少，还款意愿是否越高？输出结果：近6个月查询次数与还款意愿有一定的联系，普遍来说查询次数越高，逾期还款的占比越大。但是查询次数为4次时比较特殊，这一次数下的逾期还款为0，可能为该季度的特例导致。总体来看，还款意愿与查询次数还是存在反比的关系。 4.过去2年内逾期30天以上的次数越少，还款意愿是否越高？输出结果：由图可知当逾期次数在0-5次时，次数与逾期占比呈现正比关系，过去2年内逾期的次数越多，造成坏账的比率就越大。但当次数超过5次时，正常还款占比都远高于逾期还款占比。仔细分析逾期次数超过5次的具体数据可知，除了逾期超过7次的客户有1次逾期还款，其他次数的逾期还款人数都为0，从而使得正常还款占比反而较高。也可能是Lending Club对于逾期次数太多的客户控制了放款通过率。总体来说，当逾期次数在0-5次这个区间时，次数越小，还款意愿会越高。 5.还款能力是否与客户贷款目的有关？输出结果：由图可知，因为搬家、旅游、医疗等情况下，逾期还款的占比远远高于其他情况，而因为自身债务或信用卡等问题造成的逾期比例反而不高，所以对于不同的情况需要采取不同的风险监控措施。通过本文的分析，Lending Club制定的审查条件基本合理： 1. 信用等级越高，还款比率越高。A-C信用等级区间内的放款人数最多，正常还款的数量也最多，随着等级的降低，坏账率开始上升。证明平台的等级区间划分的基本合理。 2.整体来看，客户的资产负债比越高，还款意愿越低，特别是对于未提供资产负债比的客户，逾期还款比例最大，所以需要加强对这一部分客户的监管，督促客户尽快提供相关信息，降低未来的贷款坏账。 3.平台对于近6个月内征信查询次数需小于5次这一规定比较合理。根据分析得知，次数为0-4次时客户的逾期比率很低；当次数为5次时，逾期占比大幅升高。 4.对于客户近2年内的逾期次数，如果次数在0-5次区间内，次数与还款意愿成反比关系，平台需要对次数较多的客户加强管控，避免坏账率上升。而对于次数超过5次的客户，根据分析可知，这一部分的客户人数本身就较少，基本上都能够做到正常还款，所以对于这一区间的客户，只要延续以往的风控措施即可。 5.本文还对贷款目的进行了分析，结果显示对于未来有旅游、搬家或者医疗需要的客户，平台需要多加关注，以降低未来坏账率。

Lending Club贷款数据分析