貸款公司的用戶畫像

⑴ 鵬元徵信是個什麼東東

鵬元徵信是專門開展個人及企業徵信、個人及企業評分、徵信系統設計開發、軟體設計開發和中小企業信用風險控制等業務的專業徵信機構。

鵬元徵信有限公司成立於2005年4月8日，是一家在全國范圍內專門從事個人和企業徵信服務的專業徵信機構。2012年8月，國家發展改革委同意鵬元徵信有限公司電子商務信用信息共享及評價服務試點項目列為國家電子商務試點。

一般經營項目是：企業及個人徵信及評估、資料庫服務、計算機軟體開發及銷售，與徵信有關的金融服務（以上不含限制項目）。

許可經營項目是：信息服務業務（僅限互聯網信息服務業務）。

鵬元徵信提供的個人及企業徵信產品及服務有：

個人及企業信用報告類產品、身份認證類產品、評分類產品、信息核查類產品、統計指數類產品、自動徵信類產品、互聯網服務類產品等，並為不同的領域提供整體的防身份欺詐風險解決方案、信用卡風險防範解決方案、信貸風險防範解決方案、互聯網金融風險防範解決方案、貸後風險跟蹤預警解決方案等。

(1)貸款公司的用戶畫像擴展閱讀：

鵬元徵信系統：

該公司開發的鵬元徵信系統自2002年建成投入使用以來，為客戶提供7×24小時不間斷自動查詢服務，已安全、穩定運行了12年，現年提供各類信用報告超過7000多萬份。 目前，鵬元徵信系統主要用戶包括：政府、銀行、小額貸款公司、公用事業單位、電商平台等機構。

系統在政府獎項評定、人事落戶、銀行信用卡發放、貸款審批、電話開戶、求職招聘、投資擔保、典當融資等領域得到了廣泛使用，為防範和化解社會信用風險、推進誠信社會的建立起到積極作用。

⑵ 海爾雲貸公司都有哪些業務

海爾雲貸注冊於2014年，全稱重慶海爾小額信貸有限公司。其主要投資方為招商資本和海爾集團。但具體來說，它隸屬於海爾金融控股，海爾金融控股是海爾集團的金融平台，是以投資銀行模式為導向的產業金融。海爾雲貸公司採用“技術+平台”的雙驅動發展模式，致力於為客戶提供個性化的金融解決方案，業務范圍廣泛。

另一方面，海爾雲貸在金融科技方面的研發和實力也可為企業的轉型提供強大的支持。在金融科技方面，海爾雲貸憑借自建智能設備，打造了一套智能平台，可為企業提供從用戶畫像、場景識別、用戶行為分析、風險控制等一系列科技服務，幫助互聯網金融從業者解決業務痛點。 包括數據服務、信貸服務、徵信服務等多種業務模塊，不僅具有金融服務的功能，也可用於金融業務的場景化，更能有效解決用戶的資金需求。

⑶ 拍拍貸用戶及還款數據分析案例

首先我們來分析一下LC.csv數據集，LC (Loan Characteristics) 表為標的特徵表，每支標一條記錄。共有21個欄位，包括一個主鍵（listingid）、7個標的特徵和13個成交當時的借款人信息，全部為成交當時可以獲得的信息。信息的維度比較廣，大致可以分為基本信息，認證信息，信用信息，借款信息。

基本信息：年齡、性別；

認證信息：手機認證、戶口認證、視頻認證、徵信認證、淘寶認證；

信用信息：初始評級、歷史正常還款期數、歷史逾期還款期數；

借款信息：歷史成功借款金額、歷史成功借款次數、借款金額、借款期限、借款成功日期

對於LC數據集我們提出以下四個問題：

1. 用戶畫像 ，包含使用平台貸款業務的用戶的性別比例，學歷水平，是否為舊有用戶，年齡分布等信息。

2. 資金儲備 ，每日借款金額大概多少？波動有多大？從而公司每日需准備多少資金可以保證不會出現資金短缺？

3. 用戶逾期率 ，借款人的初始評級、借款類型、性別、年齡等特徵對於逾期還款的概率有無顯著影響？哪些群體逾期還款率明顯較高？

4. 借款利率 ，哪些群體更願意接受較高的借款利率？

對數據進行清洗

依次檢查重復值、缺失值的處理，一致化以及異常值，數據集很乾凈。

1.分析用戶畫像（性別、學歷、年齡、是否首標）

按『性別』、『年齡』、『是否首標』、『學歷認證』欄位對『借款金額』進行加總，用餅圖或柱狀圖將結果可視化

結論：

1.男性客戶的貢獻的貸款金額佔到了69%，可能的原因是男性更傾向於提前消費且貸款金額較大。

2.非首標的金額佔比達到66%，說明用戶傾向於多次使用，產品粘性較高。

3.大專以下學歷的貸款金額更多，但是由於可能有很多用戶並未認證學歷，所以數據存在出入。

4.年齡段在25-30歲之間的借款金額最多，而20-35歲的人群佔比超過75%，是該產品的主力消費人群。

2.分析資金儲備

每日的借款金額大概多少？波動有多大？公司每日需要准備多少資金可以保證不會出現資金短缺？

結論：

1.每日貸款金額呈現的是一個往上的趨勢,但是每天的波動較大。

2.每月貸款分析結論：從2015年1月到2017年1月，月度貸款金額呈現上升趨勢，上升速度隨著時間增快。

3.2017年1月每日的借款金額達到5204664元，標准差為2203394，根據3σ原則，想使每日借款金額充足的概率達到99.9%，則每日公式賬上需准備5204664+2203394×3=11814846元。

3.分析逾期還款率（借款人的初始評級、借款類型、性別、年齡、借款金額等特徵）

逾期還款率 = 歷史逾期還款期數/（歷史逾期還款期數+歷史正常還款期數）

結論：

1.初始評級對於貸款者的還款能力有比較好的預測作用，EF兩級反轉可能是因為樣本數量較少，ABCD四個等級的平均逾期還款率都比較小，而EF兩級明顯增大，故公司對於這兩類貸款者要謹慎對待。

2.年齡對於逾期率的分布較為平均，25-30歲的年輕人可以重點關注。

3.APP閃電的逾期還款率明顯低於其他三種，故公司可以多考慮與「APP閃電」借款類型的合作。

4.女性的逾期率高於男性，可能是由於生活中男性收入較女性高造成的。

5.借款金額在2000以下的逾期還款率最低，2000-3000之間的最高。可以多考慮小額貸款降低逾期風險。

4.分析借款利率（借款人的初始評級、借款類型、性別、年齡、借款金額等特徵）

哪些客戶群體更願意接受較高的借款利率？

結論：

1.年齡對於借款利率的分布較為平均，差異性很小。

2.初始評級的平均借款利率由小到大排列為ABCDFDE。

3.電商的借款利率明顯低於其他三種。

4.女性所能接受的借款利率低於男性。

5.借款金額對於借款利率的分布較為平均，差異性很小。

對於以上四個問題綜合分析LC數據集：

1、「男性」、「回頭客」、「中青年」是拍拍貸用戶群體的主要特徵。

2、每日公司賬上需准備7,283,728元，方可保證出現當日出借金額不足的可能性小於0.1%。

3、「初始評級」為D的群體，借款利率與E，F大致相當，但其逾期還款率卻只有E，F群體的三分之一，相同的收益水平下風險大大降低，應多發展評級為D的客戶或提高其貸款額度。

4、通過「app閃電」貸款的逾期還款率遠低於其他項，約為其他借款類型的三分之一至四分之一，而平均借款利率卻和其他項相差不大，證明「app閃電」是該公司優質的合作方，其所引流來得客戶質量很高，「拍拍貸」應與「app閃電」繼續加深合作。

5、「電商」中的貸款客戶，收益率水平明顯較低，逾期率卻不低，在該群體中的貸款收益小，風險大。

6、從性別上看，男性群體貸款利率較高，逾期風險較小，相較女性一定程度上是更為優質的客戶，但並不明顯。

基於LCLP.csv 數據，分析用戶的還款習慣（提前一次性全部還款 、部分提前還款以及逾期還款）的金額佔比。

將數據集按借款金額分組，並按還款狀態和還款日期分成四種還款情況並進行統計：

（1）一次性全部還款：其還款狀態標記為『已提前還清該標全部欠款』；

（2）部分提前還款：其還款狀態標記為』已正常還款』，並且當期的還款日期早於到期日期；

（3）正常還款：其還款狀態標記為』已正常還款』，並且當期的還款日期即為到期日期；

（4）逾期還款：還款狀態標記為『未還款』，『已逾期還款』或者『已部分還款』。

用百分堆積柱狀圖展示在不同年齡段（15 -20 ，20 -25 ，25 -30 ， 30-35 ，35 -40 ，40+ ）,不同性別（ 男、女），不同初始評級（A-F），不同借款類型、不同借款金額（1-1000，1000 -2000，2000-3000，3000+）、不同期數（1-24）的走勢。

在根據借款金額分組中，得到結果如下：

A組（0-2000）：總金額2.85千萬。（1）一次性全部還款：佔比 10.20%；（2）部分提前還款：佔比60.95%；（3）正常還款：佔比 16.23%； （4）逾期還款：佔比 12.61%。

B組（2000-3000）：總金額 7千萬。（1）一次性全部還款：佔比 10.21%；（2）部分提前還款：佔比54.96%；（3）正常還款：佔比 20.40%； （4）逾期還款：佔比 14.43%。

C組（3000-4000）：總金額 10千萬。（1）一次性全部還款：佔比 14.87%；（2）部分提前還款：佔比50.96%；（3）正常還款：佔比 21.90%； （4）逾期還款：佔比 12.26%。

D組（4000-5000）：總金額 7.22千萬。（1）一次性全部還：佔比 14.68%；（2）部分提前還款：佔比50.70%；（3）正常還款：佔比 22.78%； （4）逾期還款：佔比 11.85%。

E組（5000-6000）：總金額 5.11千萬。（1）一次性全部還款：佔比 15.70%；（2）部分提前還款：佔比50.30%；（3）正常還款：佔比 23.24%； （4）逾期還款：佔比 10.76%。

F組（6000+）：總金額 26.92千萬。（1）一次性全部還款：佔比 11.69%；（2）部分提前還款：佔比39.38%；（3）正常還款：佔比 39.79%； （4）逾期還款：佔比 9.15%。

從對借款金額分組的統計結果以及上圖結果中可以看出：

（1）借款總額6000元以上最多，3000-4000其次，說明3000-4000元的借款金額是最多的。

（2）逾期風險在各金額組表現比較平均，其中2000-3000最大，6000+最小。

（3）隨著標的金額增加，部分提前還款的總金額比例在減少，正常還款的總金額比例在增加。

在年齡分組中，得到結果如下：

A組（15-20歲）：總金額0.13千萬。（1）一次性全部還款：佔比 10.44%；（2）部分提前還款：佔比62.90%；（3）正常還款：佔比 13.11%； （4）逾期還款：佔比 13.55%。

B組（20-25歲）：總金額 8.60千萬。（1）一次性全部還款：佔比 13.43%；（2）部分提前還款：佔比53.2%；（3）正常還款：佔比 20.05%； （4）逾期還款：佔比 13.32%。

C組（25-30歲）：總金額 20.34千萬。（1）一次性全部還款：佔比 14.00%；（2）部分提前還款：佔比47.67%；（3）正常還款：佔比 26.69%； （4）逾期還款：佔比 11.64%。

D組（30-35歲）：總金額 14.94千萬。（1）一次性全部還款：佔比 12.36%；（2）部分提前還款：佔比43.92%；（3）正常還款：佔比 33.82%； （4）逾期還款：佔比 9.88%。

E組（35-40歲）：總金額 8.00千萬。（1）一次性全部還款：佔比 10.81%；（2）部分提前還款：佔比44.39%；（3）正常還款：佔比 34.67%； （4）逾期還款：佔比 10.13%。

F組（40歲+）：總金額 7.03千萬。（1）一次性全部還款：佔比 10.88%；（2）部分提前還款：佔比42.85%；（3）正常還款：佔比 37.21%； （4）逾期還款：佔比 9.06%。

從對年齡分組的統計結果以及上圖結果中可以看出：

（1）拍拍貸的客戶群體中25-30歲年齡組的貸款金額最高，15-20歲最低；

（2）各年齡組的還款習慣大體一致，從金額上來說，部分提前還款和正常還款是最常用的方式；

（3）逾期還款風險最高的年齡組為15-20歲組；

（4）25-30歲年齡組一次性提前還款的金額佔比最高。

在男女性別組中，得到結果如下：

男性：總還款金額 43.19千萬。（1）一次性全部還款佔比 13.16%；（2）部分提前還款佔比45.78%；（3）正常還款佔比 30.09%； （4）逾期還款佔比10.97%。

女性：總還款金額 15.85千萬。（1）一次性全部還款佔比 11.42%；（2）部分提前還款佔比48.64%；（3）正常還款佔比29.11%； （4）逾期還款佔比10.83%。

從對男女性別組的統計結果以及上圖結果中可以看出：

（1）拍拍貸男性客戶的貸款金額約為女性客戶的2.7倍；

（2）男性及女性的還款習慣大體上比較一致，從金額上來說，部分提前還款>正常還款>一次性提前還款>逾期還款；

（3）男性客戶一次性提前還款的金額佔比較女性為高；

（4）女性逾期還款的風險略低於男性；

（5）女性部分提前還款的金額佔比略大於男性。

在初始評級分組中，得到結果如下：

A級：總金額2.43千萬。（1）一次性全部還款：佔比 10.95%；（2）部分提前還款：佔比42.54%；（3）正常還款：佔比 39.73%； （4）逾期還款：佔比 6.78%。

B級：總金額 12.98千萬。（1）一次性全部還款：佔比 7.68%；（2）部分提前還款：佔比37.45%；（3）正常還款：佔比 47.65%； （4）逾期還款：佔比 7.22%。

C級：總金額 29.27千萬。（1）一次性全部還款：佔比 14.19%；（2）部分提前還款：佔比49.92%；（3）正常還款：佔比 25.00%； （4）逾期還款：佔比 10.89%。

D級：總金額 13.14千萬。（1）一次性全部還款：佔比 14.59%；（2）部分提前還款：佔比49.27%；（3）正常還款：佔比 21.85%； （4）逾期還款：佔比 14.29%。

E級：總金額 1.08千萬。（1）一次性全部還款：佔比 13.21%；（2）部分提前還款：佔比40.97%；（3）正常還款：佔比 22.91%； （4）逾期還款：佔比 22.91%。

F級：總金額 0.15千萬。（1）一次性全部還款：佔比 10.75%；（2）部分提前還款：佔比41.24%；（3）正常還款：佔比 20.68%； （4）逾期還款：佔比 27.33%。

從對初始評級分組的統計結果可以看出：

（1）B級客戶借款總額最多，佔到了大約50%的金額。B、C、D級客戶是借款的主力軍。

（2）提前一次性還款的佔比相對比較平均，其中D級最大為14.59%。

（3）逾期風險隨著級別而呈總體增加趨勢，F級客戶的逾期佔比達到了27.33%。

（4）部分提前和正常還款還是佔到了大多數。

（5）總的來說，初始評級具有重要的參考意義。

在借款類型分組中，得到結果如下：

電商：總金額8.57千萬。（1）一次性全部還款：佔比 4.22%；（2）部分提前還款：佔比26.93%；（3）正常還款：佔比 62.07%； （4）逾期還款：佔比 6.78%。

APP閃電：總金額 7.45千萬。（1）一次性全部還款：佔比 8.96%；（2）部分提前還款：佔比61.13%；（3）正常還款：佔比 18.68%； （4）逾期還款：佔比11.24%。

普通：總金額 23.47千萬。（1）一次性全部還款：佔比 17.16%；（2）部分提前還款：佔比45.09%；（3）正常還款：佔比 26.10%； （4）逾期還款：佔比 11.65%。

其他：總金額 19.56千萬。（1）一次性全部還款：佔比 12.46%；（2）部分提前還款：佔比51.33%；（3）正常還款：佔比 24.43%； （4）逾期還款：佔比 11.78%。

從對借款類型分組的統計結果可以看出：

（1）普通借款類型的借款金額總數最大，其次是其他，電商和APP閃電差不多。

（2）逾期風險電商最低，為6.78%。其他三種類型差不多。

（3）部分提前和正常還款還是佔到了大多數。值得注意的是除了電商，其他三種類型的部分提前還款都佔比很大。

從對期數分組的統計結果可以看出：

（1）借款金額是隨著期數增加呈現出下降的趨勢。

（2）不同的還款行為在不同的借款期限下的表現差異比較大，部分提前還款和正常還款是最常用的方式；

（3）逾期風險隨著借款期限變長而呈總體增加趨勢，期限為20個月的逾期金額佔比為最高，達到了57.30%；

（4）期限為13個月的提前一次性還款佔比最高，達到了16.77%。

（5）借款期限太長的樣本數量太少，不能排除偶然性。

在不同等級（A-F）、不同借款期數（1-24）和不同借款金額（0-2000，2000-3000，3000-4000，4000-5000，5000-6000，6000+）等，隨逾期天數增加而呈現的走勢。

1）x軸為逾期天數，y軸為金額催收回款率，不同參數對應不同曲線；

2）催收回款的定義為逾期90天之內的逾期還款。

不同等級（A-F）隨逾期天數催收還款率的走勢大致相同，也就是大部分人都在逾期十天之內還款，說明他們有可能忘記還款；特別是在4、5天的還款的人數和金額最多。

不同借款期數（1-24）的金額收回款率隨逾期天數的趨勢沒有明顯的規律。在12期及之前大部分人都在逾期十天之內還款，特別是在4、5天的還款的人數和金額最多。 但是13之後呈現出10天之後回款率的依然很大。也有可能是因為數據量導致異常值凸顯，但是也說明了借款期數長的回款率不夠穩定。

對不同借款金額對於進入催收回款率影響較大，借款金額越多，逾期的可能性就越大。

LCIS數據提供了該客戶投資的從2015年1月1日起成交的所有標。包括投標記錄和還款狀況。請計算並畫出該投資人從2016年9月開始到2017年2月，每月月底的累計收益曲線。

調用draw()函數，可以對任一用戶的數據畫出累積收益曲線。