贷款行业数据来源？

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

purp.o.s e ：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。

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。

2022上半年小微企业的贷款余额55.8万亿元，这数据说明了什么？

这个世界上每个人都在想方设法的挣钱，有的人是给别的老板打工进行挣钱，而有的人则是自己创业挣钱，不过不是每个人都有第一桶启动资金的，这个时候就需要像银行贷款才能实现自己的梦想，根据大数据显示，2022上半年小微企业的贷款余额55.8万亿元，这组数据说明了2个情况，第一创业的企业比较多，市场比较活跃；第二说明了各家贷款公司对于小微企业扶持力度很大，积极保障这些企业资金的审核和发放，这样整个市场才能盘活。

一、2022上半年小微企业的贷款余额55.8万亿元，这数据首先说明了很多人开始创业挣钱，市场经济发展的不错。

首先大家应该了解什么是小微企业，小微企业就是那种小企业，大多数是由个人创业注册的公司，所以一般资金力量比较薄弱，而如今小微企业的贷款余额将近55.8亿元，说明很多人开始创业挣钱，对于盘活市场经济，推动市场经济的发展有着重要作用。

二、其次这组数据也说明了各大贷款公司对于小微企业扶持力度很大，有利于其成长发展。

小微企业如果没有贷款公司的扶持，很可能因为一些原因而倒闭，这组数据也说明了各大贷款公司对于小微企业的扶持力度很大，尽可能的保障其发展下去，所以说这块工作做得也是比较到位的。

三、我国对于如何创新新的贷款模式，更好的帮助小微企业发展一直在探索创新。

虽然这组数据比较好看，可是仍然有些小微企业贷款比较困难，基本上他们没有什么可以抵押的东西，所以我国相关部门一直在探索新的抵押方式，比如用知识产权进行贷款等方式，让更多小微企业能够贷款到资金进行发展。

关于贷款行业数据和贷款行业数据来源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。