全国近41%成年人从银行贷过款，为什么会有那么多人？
1.银行贷款手续简单，办理方便，也是国家管理下的正规贷款机构
2.消费的理念开始转变，由以前的“无债一身轻”到现在的“适度负债”,其次也是经济提高的一个表现
3.最后一个原因就是现在不管买房还是买车，人们都愿意向银行贷款，因为银行贷款比其他同类型的贷款机构利率低，利息也低，要求较低。
在央行10月15日公布的《中国普惠金融指标分析报告（2019年）》中，全国成年人在银行获得的贷款的比例为40.74%，农村占比的话是36.06%，这两个数据比较去年都是呈上升趋势的。
可以看得出来，我们国家大部分的成年人其实都有向银行贷款的经历。
为什么会有这么多人，我觉得还是说明人们对贷款这个业务的需求增高。
一个是因为人们消费意识的转变，以前经济不好的时候，我们会觉得负债是最可怕的事情，所谓的贷款都是，一旦碰上就等于家破人亡。
而现在的银行贷款，都是国家管理的正规机构，不会乱收取利息费，有一系列的法律规定，所以借贷人得到了保障，自然也就不排斥银行贷款了。
还有一个很大的原因就是现在人们面对买房，或者买车的时候，往往手头资金是不够的，这个时候就会选择银行贷款了，其他的贷款机构利息较高，而且有些贷款对贷款人有很多的限制，所以银行贷款也是这部分的首选方式之一。
最后一个原因就是人难免会有资金困难的时候，不可能随时都有一大笔资金应对困难的，所以会选择向银行贷款。
一个是银行贷款方便，手续简单，其次是机构正规，最后就是人们消费意识转变，适当负债是现在成年人常态了。
信用卡年轻消费群体数据分析和洞察报告
信用卡年轻消费群体数据分析和洞察报告
信用卡年轻人群，是消费金融的主流人群，针对他们的数据分析和洞察让我们信贷业务决策更科学。
数据分析和洞察报告背景
为什么会做这样的报告？我们调研主流金融机构，发现共同的诉求：关注客户质量，关注客群盈利，重点关注年轻消费群体。他们认为年轻人群是主流的市场消费人群。所以很多金融机构，他们的客群有很大的差异，同样是国有的银行，股份制的银行跟商业的银行，当给他们做数据分析的时候，他的客户年龄层次、消费水平、风险状况差异都比较大，但从客户主体来看普遍重点关注一些年轻消费群体。所以，我们重点对这部分群体做了数据分析。
谁是年轻消费群体
根据对不同金融机构数据分析项目的调研和实施经验，我们定义年轻消费群体：25周岁到35周岁的消费人群。这个群体是如何定义的呢？我们根据新浪整体的市场数据发现，信用卡的主流人群、活跃用户，70%是18到35岁的年轻人。同时，我们发现一个趋势，从2014年到2016年，年轻消费群体的绝对比重已经非常高了，并且在持续增长。而35岁以上的人群，活跃度在下降。那么为什么分水岭不是18岁而是25岁呢？我们发现25岁以下的人群，整体消费收入偏低，而25岁开始消费水平明显走高。
谁最爱透支
我们常听到：花明天的钱，圆今天的梦。甚至杭州的马云也说“年轻人要学会花明天的钱”。根据我们数据调研分析发现，虽然现在18~24岁的年轻人有较普遍的透支消费的习惯，但从统计结果显示，25~35岁的年轻人透支消费能力明显高于18~24岁的人群。我们分析原因，有两个方面。一是透支消费能力是以收入能力为基础的。数据显示，虽然18~35岁的人更习惯透支消费，但总体上是和收入正相关的。而从25岁开始，个人收入明显增加，远远超过18~24岁的群体。二是房贷、车贷等透支消费是年轻人的主要透支消费项。从调研来看，年轻人大多是在25到35岁这期间扛起房贷、车贷和奶粉贷的。
什么影响着年轻人的消费项
针对25~35岁的人群，我们做了二次分析。发现虽然都是信用消费，但是消费内容却不完全相同。我们发现25~29岁透支消费的人群，他们的房奴和孩奴比例高于普通人群2倍左右，所以我们认为是由于受到了房子和孩子的压力，所以25~29岁这部分年轻人透支消费比较高。到了30~35岁，相比25~29岁人群，孩奴比例有所下降，房奴、车奴比例依然高居不下，同时还新增了个人小微企业贷款。总结来看，中国人消费的观念还是比较传统的。那年轻消费群体为什么这么高的透支呢？其实主要是源于房子、车子、孩子等刚性需求。这些需求是生活的压力，是年轻人必须要做的事情。而不是我们传统认为的年轻人，手里没钱却要透支买奢侈品，消费高端服务。透支享受不是主流，因生活刚需压力而提前透支才是主流。30而立，现在的房价、物价很难让年轻人30而立了。而借助信用卡消费，让人到30，还有机会貌似“体面”地“而立”。
男女信用消费有什么不同
男人来自火星，女人来自金星。同时是年轻男女，信用消费有什么差别呢？他们各自都喜欢消费什么？
我们针对这个问题做了数据分析，把年轻人分成了男女做差异化分析。男人、女人真是两个星球的人，他们偏好的消费的类型品类是几乎完全不一样的。我们先把年轻的男性分成三个年龄层次，18~24岁，25~29岁，30~35岁。我们会发现数码、科技是他们永恒的主题，无论是小鲜肉到大叔都是喜欢数码电子类的产品。20来岁的到25岁的电脑，然后到30岁的也是有一些电脑办公的IT类的。所以时钟围绕着数码的主题，不同年龄段有一些差异。18到24岁是自己玩数码，到了25~29岁挣钱买办公用数码，并开始关注财经类的东西，30~35岁开始养家，关注家居数码、母婴数码。
女孩子就相对简单，就是美美美。从少女到青年到，化妆美容是永恒不变的主题。但是少女的时候还看看游戏、动漫，到青年的时候开始关注教育和时尚，到30岁也开始关注母婴。据我们统计，30岁时，母婴消费开占据女性信用消费第一名，女人对小孩子的关注首次全面超过了自己。所以我们发现女性是围绕着美的主题，不断的阶段有不同的侧重点。这块在信用卡传统金融方面做的很前卫，针对女性有女性卡，商城、唯品会等都有一些优惠卡，这些都可以有效抓住女性眼球。
对于电影、音乐、八卦的娱乐明星、饭票、餐饮，这也是年轻人最关注的主题，所以现在一些流量、视频网站的会员还是很受欢迎，这些品类我们也发现一般只是关注，但大额的消费不在这些产品中。其实，无论是消费金融还是信用卡，整个费用分期才是收入来源的大头，我们看一看到底哪些年轻人群有信贷需求，哪些人有更大的信贷需求，我们如何把他们的吸引过来，通过什么样的权益可以吸引过来。
银行最爱借谁钱
总体来说，针对消费信用贷款，银行最爱借钱给风险低的客户群。那么，哪些客户群信贷风险低呢？为什么这些客户群信贷风险低呢？如何识别这些客户群呢？
首先，年龄划分，25~35岁是银行消费信贷业务的最爱。这些人群普遍因为消费习惯和购房、购车等刚性需求，存在长期大额信用贷款的巨大需求。同时，因为这些人群收入相对较高，有固定收入来源，并且一般收入会持续增加，拖延还贷和放弃还贷的可能性较低，信贷风险较低。当然，18~24岁的人群消费信贷的需求最高，但是因为收入较低且不稳定，他们风险最高，所以消费信贷业务并不青睐他们。所以说，经济能力较强，消费透支需求高，并且信贷风险较低是这部分人群的显著特点。
其次，性别划分。银行是重女轻男的，尽管男性需求更大，银行更偏好女性。男性持卡人的比例比申请人低了40%，而女性持卡人比申请人高出48%。但数据显示，年轻男性的失信风险是女性的1.3倍数。金融机构都希望说找一些白领女性，因为风险低。
再次，身份划分。18~24岁的一大批信用卡申请者不是学生就是工作不稳定人群，这部分信贷需求最高，但银行最不爱。所以学生和工作不稳定者，必然难以从银行取得信用贷款。小微企业主需求是高的，但是风险也高，这是银行不喜欢的。欣慰的是，车主人群显示出了独特的优势。车主人群信贷需求是很高，是无车人群的信贷需求的1.3倍，但是风险却是低了65%，所以这个人群是银行非常喜欢的。房主也是传统金融机构非常喜欢得人群，申请信贷的时候都要求有房有车有公积金。有房的车信贷需求是很低的，无房的信贷需求占了80%，而有房只占了20%。有房人群虽然信贷需求比较少，但因风险很低，所以银行还是非常喜欢。
最后
25岁到35岁财富积累这个太重要了，25岁到35岁也是只能安心透支消费的阶段。房子、车子、孩子，让年轻人成为信用消费的市长中流砥柱，也让年轻人成为了金融机构的最爱。那么对于我们不同的金融机构，针对不同信贷用户的需求，我们如何用不同的产品方案来满足？所以这也给我们一个思考，就是我们到底要定位哪种人群，那我们应该拿出什么权益和活动吸引需要的人群。或许，信用卡年轻消费群体数据分析和洞察报告是一份值得信赖的参考
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。
贷款逾期用户画像分析
觉得可以的话，点个赞呀！
数据来拍贷真实业务数据。拍拍贷是美国纽交所上市公司。成立于2007年6月遵从金融本质，以数据为基石，用创新技术为用户提供最便捷可得的借款撮合服务，拍拍贷平台借款端服务包括面向广大个人用户的通用性借款和其他借款。
主要关注的是标当前状态，都不存在空值
删除106个重复值
（2）异常值处理
对指标分析的时候逐个进行处理分析，这边观察的是标状态是否存在异常值
对于0的通过观察可知都是正常还款中的
本部分分析主要目的是：根据几个维度的数据构建逾期用户画像
这部分主要关注的是是否逾期，做定性分析，因此创建一个新的数据
用户基本信息
（1）性别
贷款中男、女分别占65.08%和34.92%。
男逾期占比为3.79%，女逾期占比为3.11%。从逾期占比情况来看，男逾期占比高于女22%。因此在后续分析中将男、女进行分开分析。
（2）年龄
年龄分布最小18岁，最大65岁，平均年龄29.35岁
从图中可知，逾期人员年龄分布与整体年龄、男女性年龄分布相似。因此在这边考虑对年龄进行统一划分处理：18-23,24-29,30-35,36-41,42-47,48-53,54-59,60-65
男性不同年龄段逾期占比：
男性逾期率高的年龄段为54-59，逾期占比为7.9%，其次是42-47、18-23、36-41（均高于平均值）。
由于54-59岁的男性逾期率非常高，因此在这边做进一步观察：
54-59岁男性中，所有用户借款利率在18%及以上，借款类型属于普通或者其他，83%的用户借款期限为12个月，91%的借款金额在7000及以上，初级评分为B、C、D类。
女性不同年龄段逾期占比：
女性逾期占比较高的年龄段是：48-53，其次是36-41，42-47，30-35均高于平均值。
（3）初级评级——逾期占比
女性初始评级逾期占比：
女性最高位E类，其次是D、C（均超过平均值）
同样由于E类人群中逾期占比非常高，在这也做进一步观察
观察知，这类人群：
男性初始评级逾期占比：
男性最高是E类，其次是F、D、G、A类均高于平均值
进一步观察E类
各初始评级中年龄段分布情况相似
从初始评级与逾期占比的情况来看，初始评级在一定程度上能够衡量逾期占比情况，像AA、AAA类的逾期占比都比较低。
（1）借款类型
借款类型中普通和其他类占了近72%。
女性用户借款类型为电商类的逾期占比最高，其次是APP闪电类，这可能和女性用户网购频率高、数目大有关。可以进一步通过挖掘这些用户的网购习惯进行分析。
男性用户借款类型为APP闪电类的逾期占比最高，其次是其他类，这可能和男性用户玩游戏，对游戏充值有关。
（2）借款期限
男：
女：
男、女借款期限为24个月的逾期占比最高。进一步观察借款期限为24个月的用户，发现这批用户
（3）借款金额
将借款金额按人数平均分成四个区间，分别是：100-3000/3001-4170/4170-7000/7000
女性
男性
男女性借款金额来看，100-3000的低金额借款的逾期占比都比较高。
总结论1：逾期占比分布最高的男性用户普遍的标签为：
总结论2：逾期占比分布最高的女性用户普遍的标签为：
总结论3：
LendingClub贷款数据分析
可视化报告见：报告全文
LendingClub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，LendingClub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。
LendingClub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，LendingClub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ModelRank中，最终得到一个基础风险子级。LendingClub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LendingClub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LendingClub2018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：LendingClub
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（Fullypaid-全额还款 Chargedoff-已注销的坏账 Current-当前 Default-违约不还 Late31-120days-逾期31-120天 Ingraceperiod-宽限期内 Late16-30days-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_last6mths：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LendingClub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FullyPaid、Current、InGracePeriod，逾期还款包括Late(16-30days)、Late(31-120days）、ChargedOff、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LendingClub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，LendingClub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