网贷数据资源哪里来的？

申请网贷时所说的大数据不好，大数据，网黑是什么

网贷大数据包含这几个信息：

一.线上，线下购物

通过线上线下的购物支付宝能够了解到你目前的居住地，以及你的生活轨迹，以及消费习惯，以及你的爱好等，你每一次用支付宝进行消费，他们都会有记录，你在哪里消费，消费的什么，久而久之属于你的一个地图模型就出来了，同时从你消费的店铺中可以推算出很多东西；比如你的爱好，你的生活习惯等等。

二：信用卡还款记录

简单的来说就是看你每个月是否按时还款，履约能力怎么样，是不是存在习惯性逾期，你信用卡额度的使用，然后是全额还款还是分期还款，随着你支付宝的使用时间越来越长，这些信息他都能给你推算出来。

三：余额，余额宝

从余额余额宝的使用情况他们也可以看出你的存款能力，有的人会选择存几万在里面享受余额宝的利息，也有的人一般都放几千块在里面供自己平时花销，当然也有人有钱不放在里面，或者想放，但是根本没有钱放在里面。包括你体现充值的记录，这些都会被支付宝记录，久而久之也是数据的一个重要组成部分。

四：资金往来

通过支付宝的转账，发红包，他都会储存记录，而且如果对方也是支付宝用户的话，他会根据你们的资金往来进行你们之间的关系分析，如果对方芝麻信用分很高，那么你跟他多多得往来资金，或者发发红包什么的对你有好处，如果对方的芝麻信用分数很低（这个很低不是说比你低就是很低，600算是及格线）甚至还有很多的负面记录，那么对你来说也不是一件好事。

五：生活服务

支付宝的生活服务项目很多，有社保公积金的查询，可以挂号，处理违章，这些都是他们了解你信息以及评估的重要标准，从这里能很直接的看出，你在哪个单位工作，你的工资多少，你的开的什么车，你开车的习惯好不好，你的身体怎么样等等一些列信息

网黑的意思：

网黑虽然指的也是信用黑户，但是网黑与征信黑贷款的主体有所不同。

网络贷款机构和银行在管理客户数据方面，往往不会互通有无，网贷平台多没有资格、也缺乏成本接入央行征信系统，但它们也需要风控网贷平台一起联合起来，将一些自家用户的逾期、骗贷、申请被拒等信息共享出来，形成了一个网贷大数据系统。在这个网贷大数据系统里，被分析为违约指数高、还款能力低的借款人，就被称为网黑。

对自身网贷数据仍有疑问的朋友，可以关注护信科技等平台，只要找到这家平台的微信，就能第一时间获取自己的网贷大数据信用报告。其中还可检测个人网贷黑名单指数，以及进行网贷大数据详细分析。

网贷大数据征信报告主要包括哪些内容？

大数据和征信是两码事，虽然大数据比较全面，但权威性不够。

通常网贷大数据里包含借贷记录，逾期信息，网黑风险指数，以及法院起诉记录，因为第三方网贷查询平台是对接网贷机构系统的，也就是说可以看见用户在网贷上有关的借贷信息。当然要是不逾期不还款的话也是会被记录的。所以最好是不要产生逾期行为，一不小心上的大数据可不光荣。关于网贷大数据可以通过微信里去找下：“快查信”，有三种数据指标，你可以根据自己的情况去选择。

一般在逾期过后，只要不超过规定的逾期时间内尽快还款的话，还是可以补足的，而且每个二到三个月网贷大数据就会更新一次更新过后的数据还会覆盖之前的原有的老数据，使自己的信用看起来就像刚刚借贷过的小白一样。

示例报告如下：

之前有过借贷行为的朋友，随着今年征信升级，大家要去确认下自己的信用风险，上征信的网贷平台去努力协商能还就还，尽量去沟通容易减免利息！对于那些征信报告上没记录的，可以另行处理！

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。

大数据观察:网贷人群分析

大数据观察:网贷人群分析

把大数据引入P2P网贷，会产生怎样的“化学反应”?关注P2P的又是什么样的人群?他们有着什么样的投资习惯?了解这些信息，你就掌握了开启P2P网贷行业的钥匙。

大数据服务提供商GEO集奥聚合近期通过数据挖掘的方式收集了2013年12月1日到31日期间北京、上海、广东、浙江、江苏5个地区429个P2P网贷网站的用户浏览数据，样本量达11906721个，分析了P2P平台上的贷款人人群和借款人人群属性、投资习惯等。

经对比分析，GEO集奥聚合得出以下结论：

特征1：陆金所网站的页面浏览量和独立访客两个指标均排名首位;

特征2：排名前三的P2P网站用户重合度较低，三三重合用户百分比仅为0.3%，表明目前P2P网站还未到互相争夺用户阶段;

特征3：用户主体为30-40岁中青年男性群体;其中商业人士居多，贷款用途多为淘宝经营;

特征4：最受P2P人群关注的投资类产品是股票，最受关注的贷款类产品是银行信贷，P2P人群与股票人群重合度最高;

特征5：P2P网站的交易量高峰在夜晚，浏览量则集中在上午和晚上;

特征6：用户的平均浏览时长近半小时，访问者对借出的关注明显高于借入;

特征7：P2P网站重视从搜索、财经类网站导流，贷款人引流词多为P2P网站品牌名称，借款人引流词中贷款类词汇占1/3;

特征8：贷款人最关注的商品是三星和苹果手机，借款人最关注服装鞋帽和华为手机;

特征9：贷款人最关注的奢侈品品牌是香奈儿，借款人最关注是迪奥;

特征10：微信是最受贷款人和借款人关注的社交平台。

特征数据解读：

特征1：陆金所目前是国内P2P网贷行业人气最高的平台。国资背景以及平安已有商誉为其聚集了越来越多的用户。可以说，陆金所是目前中国P2P网贷行业的标杆。

特征2：整个P2P网贷行业目前还处于增长期，行业整合尚未开始。随着近期越来越多的国资背景公司和互联网行业巨头开始进军P2P网贷，行业格局将会进一步改变。

特征3：使用贷款业务的人群的主要是个体经营户，而经营活动也主要通过线上渠道进行。可以看出目前网贷服务仍然存在一定的门槛：1)贷款者通常需要有一定的互联网使用技能;2)贷款者通常对于线上支付业务有一定程度体验和接受程度。因此，移动客户端支付的普及将会引入更多的网贷用户。

特征4：对股票的追捧说明了投资人对风险的承受能力。数据显示，使用P2P平台进行投资的人群对于风险的承受能力较高，追求收益的意愿较强。在股票收益低迷时期，P2P投资产品为投资者提供了比其它理财形式更高的收益率。但是，当股票市场回暖，P2P行业可能会出现流动性不足。

特征:6：对借出的较高关注度说明P2P平台用户投资需求高于借贷。

特征8：贷款人偏爱高端消费品说明贷款人消费能力较强劲，借款人消费能力较弱。

综述：

目前，P2P平台的用户总体中，有投资意愿的人群多于有借款需求的人群。这些用户有较强的投资意愿，也同时有较强的风险意识。因此，在对平台的关注对象选择时，他们倾向于关注公信力、声誉较高的品牌平台。P2P平台的投资者消费能力较强，对收益的追求倾向也较强。在股市回暖时，P2P行业的整体流动性及稳定性可能受到较大影响。此外，目前P2P平台对用户入口仍然存在一定门槛。移动支付方式的体验普及和认可度提升可能为P2P行业带来更多的用户。

对于网贷数据分析和网贷数据资源哪里来的的总结分享本篇到此就结束了，不知你从中学到你需要的知识点没 ？如果还想了解更多这方面的内容，记得收藏关注本站后续更新。