网贷平台数据分析？

20家网贷平台对接央行征信系统，监管再定调P2P仍以退为主

近日，P2P网贷平台洋钱罐宣布正式完成中国人民银行 征信 数据上传，全面接入央行征信系统。

平台表示，在接入央行征信系统之后，所有借款人的信用信息将全面、准确的报送到央行征信系统，并在征信报告中体现。

除洋钱罐外，近日有多家网贷平台陆续宣布正式接入央行征信系统。

多家P2P平台正式接入央行征信

据消金时代不完全统计，已有包括 人人贷 、恒易融、道口贷、首金网、PPmoney网贷、乾贷网等20家平台正式接入/正在对接央行征信系统。

（图注：来自公开信息， 道口贷、白菜金融为2月26日数据，凤凰智信为19年12月底数据，其余 为1月31日数据 ）

据统计，上述20家平台中，北京地区的平台有15家，上海地区有2家，广州、贵阳、杭州分别有1家，待收余额合计2295.05亿，约占P2P网贷行业在营平台待收总额的46.69%。

目前，20家平台中有12家已接入央行征信，6家正在对接中（包括1家获准接入），其中，玖富普惠、向前金服等平台公告正在对接央行征信系统，即将完成数据上传。 不久前宣布退出网贷业务转型小贷公司的积木盒子也表示，正积极对接征信系统，预期不久将完成。

此外，此前消息显示，宜人贷、 拍拍贷 旗下部分业务接入央行征信系统，合众e贷、 你我贷 等平台则通过第三方合作机构将借款数据对接至央行征信。

根据部分用户提供的截图，目前央行征信报告中已能查询到借款人在人人贷、洋钱罐等平台的借款记录。

另一用户的征信报告显示，其于51人品累计借款73500元，自2018年1月15日逾期，被列入恶意逃废债借款人名单，生效日期为2020年1月，处罚机构为浙江省互金整治办。

（图注：来自我爱卡）

自2019年9月监管层下发《关于加强P2P网贷领域征信体系建设的通知》要求，各地互联网金融风险专项整治工作领导小组、网贷风险专项整治工作领导小组组织辖内在营的P2P网贷机构接入金融信用信息基础数据库运行机构（央行征信系统）、百行征信等征信机构，P2P网贷行业掀起对接征信系统的热潮，如今经过行业数月的推进，终于取得实质性进展。

据媒体报道，2019年11月初，中国人民银行征信中心在北京举办了P2P网贷机构接入征信系统培训班。有数百家P2P平台参加并表达对接央行征信的意愿。

根据报道，对接央行征信的过程并不容易，需获得金融办、央行分中心等监管机构审批，并提交所有符合要求的历史存量数据、新增数据。另外，每家平台接入系统的测试期不同，并且需要2至3个月的接入测试。

若按照这一时长来计算，接下来的一段时期，将有一批网贷平台得以正式接入央行征信系统。

监管再定调，P2P仍以退为主

自2018年下半年雷潮以来，网贷行业加速出清，多项监管文件频出，给平台带来了诸多挑战。

2019年一整年，行业更是发生翻天覆地的变化，从年初的175号文、1号文，到4月初曝光的备案试点文件草案，再到11月底，83号文下发，要求引导部分符合条件的网贷机构转型为小贷公司，行业形势逐渐收紧，“清退”、“转型”两个关键词贯穿了整个2019年。

如今进入2020年，在疫情影响下，P2P清退/转型进度有所延迟，因此有观点认为，P2P整治可能会迎来转机。但就在近日，监管再度定调，P2P仍以退出为主。

银保监会普惠金融部主任李均锋在2月25日召开的通气会上提到，疫情不会改变P2P专项整治方向。他强调，“P2P专项整治，方向不变，节奏不变，继续坚定不移、彻底的执行。P2P以’退’的方向为主，整个专项整治政策没有改变。”

根据公开数据，目前网贷行业整治已取得显著成果。截至2019年12月底，网贷行业正常运营平台数量下降至343家，相比2018年底减少了732家，平均每月近60家平台退出。

进入2020年以来，积木盒子、微贷网等多家头部平台受疫情影响及强监管政策，选择退出网贷并转型小贷，还有51人品等平台暂停发放新标，人人聚财、投哪网启动退出工作。

网贷平台数据接入央行征信，一方面能够更清晰看到借款人历史借款情况，有效提升风控能力， 同时也将倒逼不符合监管要求的问题平台加速退出。

另一方面，在疫情之下，网贷平台 催收 受到影响，逾期率上升，对回款造成巨大压力。P2P网贷平台在此时正式启动央行征信系统对接，对曾经“有恃无恐”不依法履行还款义务的借款人形成有效威慑。即使在清退、转型的背景下，P2P业务模式发生变化，但 接入征信系统 将有效约束借款人，其 所产生的债务关系也依然有效。

整体而言，在当前监管环境下，P2P网贷行业的空间和机会逐渐缩小，但其所经历的漫长旅程给今后的金融行业带来了诸多经验、教训，也期待行业参与者在洗牌后找到更多的发展机会。

网贷大数据征信查询方式有哪些？

可以先查询当地的人民银行网点，再携带相关资料和证件去打印。

资料：企业法定代表人本人身份证件、企业的注册登记证件，以机构信用代码证、企业贷款卡或组织机构代码证、公章等证件。

如果是委托别人帮忙打印，委托人除了需要提供上述的材料外，还需要准备本人身份证件，以及《企业法定代表人授权委托证明书》。此回答由有钱花提供，有钱花是度小满金融旗下信贷平台，度小满金融将切实把国家支持小微企业渡过难关的号召落到实处，全面支持小微生产经营，大多数小微业主选择有钱花，满足小微经营周转需求。据悉，度小满金融的信贷用户中，有七成是小微企业主。截至目前，度小满金融携手数十家金融合作伙伴，累计为小微企业主发放数千亿元贷款，资金周转就找度小满金融，大品牌更安心。  

查个人网贷大数据去哪？

你好，支付宝大数据只能查支付宝自己的小贷业务，对于其他的大数据就查不出来了，需要专业的机构来查询。

现在我们国家一共有三种数据库。

央行征信，网贷数据库，云网速查。

央行征信只统计正规网贷的借款数据信息。

网贷数据库一般统计不上征信的网贷，基本上不上征信的网贷都会上传到网贷数据库。

云网速查统计一些P2P网贷平台的借款数据信息。

央行征信只统计正规网贷的借款数据信息。

普遍来说，如果想要查询网贷数据报告，那么只需要查询网贷数据与央行征信即可。

一、央行的征信查询，需要自己带上本人身份证件，去当地营业网点自助查询机查询，当场出具个人信用报告。

二、查询网贷数据就相对简单了比如徽，信找云网速查就可以快速获取报告，能够查看到用户的申请次数，网贷数据，网黑指数分，命中风险提示，法院起诉信息，仲裁案件信息，失信人信息等数据。还能知道网贷逾期详情，包括逾期天数、逾期金问额以及逾期平台等。

希望能帮到你

美国网贷平台Prosper贷款数据分析

本文主要描述了如何用Python对数据集进行评估，整理，清洗。

完成这一过程后，再通过Tableau对问题 “Prosper违约客户具有哪些特点” 进行探索，分析和可视化。

最后，用随机森林算法对2009年7月后数据进行建模分析，并对仍在进行中的贷款进行违约与否的预测。

Prosper是美国第一家P2P借贷平台。此数据集来源于Udacity上的Prosper 2005~2014年的贷款数据。本文希望能通过对已完成贷款的分析，判断出什么类型的客户更容易违约，并预测还未完成的贷款是否会违约。

原始数据集共包含81个变量，113937条数据，下面对部分重要变量进行说明，其他变量含义可参考 变量词典 。

首先加载库和数据。

然后用df.describe()，df.info()观察数据。

此次主要分析1.什么类型的借款人更容易违约。 2.预测未完成的贷款是否会发生违约。所以去掉无关列。

从2009年7月开始，Prosper调整了对客户的评估方式，此次我们只对2009-07-01后的贷款进行分析。

去掉意义重复列：

Prosper对于新客户的评分和老客户有所区别，此次仅针对新客户数据进行分析。

首先查看下，各变量数据缺失情况。

平台把借款状态分为12种:Cancelled(取消)、Chargedoff(冲销，投资人有损失)、Completed(正常完成，投资人无损失)、Current(贷款还款中)、Defaulted(坏账，投资人有损失)、FinalPaymentInProgress(最后还款中，投资人无损失)、Past Due(逾期还款，投资人无损失)。

本文依据交易是仍在进行中还是已关闭,以及已关闭交易中投资人有无损失将所有数据分成以下三组：

Current(包含Current,Past Due)、

Defaulted(包含Defaulted,Chargedoff)、

Completed(包含Completed,FinalPaymentInProgress)。

为了便于后续分析计算，再将“Completed”改为1，“Defaulted”改为0。

已完成的贷款的违约率为defaulted_ratio_finished =26.07%

此数据集有多个特征体现了贷款用户的信用情况。其中，信用等级(ProsperRating)是Prosper根据自身模型建立，是用于确定贷款利率的主要依据，而信用评分(CreditScore)则是由官方信用评级机构提供。

由图5-1可以看到，随着信用等级(ProsperRating)的不断升高，违约率呈现明显的下降趋势。

而在信用评分（CreditScore）中，低分段(640-700)，违约率处于比较高的位置，且没有太大变化。大于720的部分，随着信用评分的升高，违约率明显下降。

说明整体而言，借款人的信用水平越高，违约可能性越低。

在不同年收入(IncomeRange)中，Not employed的借款人，违约率最高，随着收入增加，违约率不断降低。

在不同贷款状态下(Status)，违约用户的整体月收入(MonthlyIncome)明显低于未违约用户。

根据图5-4的左图，违约用户与未违约用户的整体负债收入比差异不大。

再根据负债收入比（DebtToIncome）的四分位点，将所有数据分成数据量接近的四组。从图5-4的右图可以看到低比例（负债收入比0-0.12）与中等比例（0.12-0.19）的违约率都较低。较高比例（0.19-0.29）的违约率略高于前面二者。但高比例（大于0.29）的用户违约率显著升高。

根据银行卡额度透支率(BankcardUtilization)的四分位点，将数据分成 '未使用'，'较低透支(0,0.3]'，'中等透支(0.3,0.7]'， '较高透支(0.7,1]'，'严重透支（1,5]'五组。

可以看到，严重透支的借款人，违约率最高。

其次是未使用的用户，这也是为什么金融机构对于“白户”会格外关注的原因。

近半年征信查询次数（InquiriesLast6Months）可以反应出借款人近期向金融机构申请借款的频繁程度，间接体现了借款人近期的资金状况。

图5-6中，绿线表示不同查询次数下的借款笔数。可以看到，绝大部分在7次以下。

而在查询次数0-7区间内，违约率随着查询次数的增加而升高。

当前逾期(CurrentDelinquencies)可以很好的反应出借款人的信用情况。

由图5-7，可以看到大部分借款人的当前逾期在2次以内。而在0-6的区间内，违约率随当前逾期数的增加而升高。

为了避免某些数量极少的分类对违约率排序的影响，首先筛选出借款笔数在30以上的分类。

由图5-8可以看到，数量最多的是1- Debt Consolidation（债务整合）。

而违约率最高的依次是15- Medical/Dental(医疗),13-Household Expenses(家庭开支),3-Business（商业），均高于30%。

根据贷款金额（LoanAmount）的四分位点，将数据分为数量接近的四组。比较有意思的是，中等借款(3100,4750)的违约率最高，而高额借款（大于8500）的违约率反而最低。

这很可能是因为能申请到高额借款的用户，各方面条件都不错，从而降低了违约率。

由图5-11可以看到，在0-30区间内，随着持续时间的增长，违约率逐渐降低，而这一区间也包含了一半左右的数据。

当持续时间继续增长，违约率看不出有明显变化规律。

在不同地区之间，违约率也存在比较明显的差异。LA,SD等城市，违约率较高。UT,CO等城市，违约率较低。

整体而言，有房产的借款人，违约率要明显低于无房产的借款人。

导入相关库。

将数据中的字符串变量，均转换为数字。

按照测试集30%，训练集70%的比例划分数据集，并使用随机森林算法，建立模型。

该模型测试集预测准确率为：accuracy=73.99%

对于随机森林算法，可以查看在这个模型中，每个特征的重要程度。

如图6-2所示，StatedMonthlyIncome和EmploymentStatusDuration两个特征最为重要。

根据此模型，对目前仍在进行中的贷款进行违约与否的预测。

仍在进行中的贷款违约率为defaulted_ratio_predict =3.64%

本文详细描述了对于Prosper贷款数据，从数据探索到建立模型，并进行预测的完整过程。

发现月收入（StatedMonthlyIncome）以及受雇佣状态持续时间(EmploymentStatusDuration)对是否会违约的影响程度最大。主要是因为这二者是体现借款人稳定性的重要因素。

而在模型建立方面，还可以调整此模型的参数，来进行改进从而提高准确率，也可以尝试使用其他算法，如逻辑回归等，建立新的模型进行比较。

关于网贷平台数据和网贷平台数据分析的介绍本篇到此就结束了，不知道你从中找到你需要的信息了吗 ？如果你还想了解更多这方面的信息，记得收藏关注本站。