2)不良贷款率与年龄段、性别之间相关性分析以及按年龄段、性别的放贷比例 年龄段、性别的放贷比例 数据可视化结果: 由图中得出: 年龄段在42-50岁的范围内,不良贷款率最高达6.88%,35-42不良率也有6.36%的比率,而不良率最高42-50岁年龄段,对应放贷比例则是7.16%,35-42岁年龄段范围内,对应放贷比例是17%,不良贷...
2)不良贷款率与年龄段、性别之间相关性分析以及按年龄段、性别的放贷比例 年龄段、性别的放贷比例 数据可视化结果: 由图中得出: 年龄段在42-50岁的范围内,不良贷款率最高达6.88%,35-42不良率也有6.36%的比率,而不良率最高42-50岁年龄段,对应放贷比例则是7.16%,35-42岁年龄段范围内,对应放贷比例是17%,不良贷...
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。 三、结论——构建用户画像 总结论1:逾期占比分布最高的男性用户普遍的标签为: 年龄段为54-59岁; 初始评级为E类; 借款类型为APP闪电; 借款期限为24个月; 借款金额区间在3000元及以下; 总结论2:逾期占比分布最高的女性用户普遍的标签为: 年龄段...
2)不良贷款率与年龄段、性别之间相关性分析以及按年龄段、性别的放贷比例 年龄段、性别的放贷比例 数据可视化结果: 由图中得出: 年龄段在42-50岁的范围内,不良贷款率最高达6.88%,35-42不良率也有6.36%的比率,而不良率最高42-50岁年龄段,对应放贷比例则是7.16%,35-42岁年龄段范围内,对应放贷比例是17%,不良贷...
逾期用户画像及不良贷款率是金融行业中常见的构建分析问题之一。逾期用户画像指的迁徙是通过对逾期用户的发放个人信息、还款行为以及其他相关因素进行分析,以了解逾期用户的领域特征和规律。而不良贷款率则是指银行或其他金融机构在贷款过程中出现违约、逾期等不良情况的意见比例。下面将从两个方面对逾期用户画像及不良贷款...
逾期用户画像指的迁徙是通过对逾期用户的发放个人信息、还款行为以及其他相关因素进行分析,以了解逾期用户的领域特征和规律。而不良贷款率则是指银行或其他金融机构在贷款过程中出现违约、逾期等不良情况的意见比例。下面将从两个方面对逾期用户画像及不良贷款率进行分析。首先,逾期用户画像分析可以从个人信息、借贷行为等...
基于以上信息,我从用户画像以及不良贷款率两个业务指标出发,按照以下思路进行分析。 选择以下16个维度对数据进行分析:借款金额、借款期限、借款利率、初始评级、借款类型、是否首标、年龄、性别、手机认证、户口认证、视频认证、学历认证、征信认证、淘宝认证、标当前逾期天数、待还本金。
设计和实现不超过信息,我从用户画像包括不良贷款率两个业务指标出发,遵循200元以内思路通过分析。 你选以上16个维度对数据通过分析:借款金额、借款期限、借款利率、精灵召唤评级、借款类型、有无首标、年龄、性别、手机认证、户口认证、视频认证、学历认证、征信认证、淘宝认证、标当前逾期天数、待还本金。
设计和实现不超过信息,我从用户画像包括不良贷款率两个业务指标出发,遵循200元以内思路通过分析。 你选以上16个维度对数据通过分析:借款金额、借款期限、借款利率、精灵召唤评级、借款类型、有无首标、年龄、性别、手机认证、户口认证、视频认证、学历认证、征信认证、淘宝认证、标当前逾期天数、待还本金。
从分析结果可以看出,逾期比例的差异在是否完成学历认证中也不是很明显。当然,完成学历认证的用户逾期比例稍小。 逾期用户肖像分析用户行为属性,包括淘宝认证、户籍认证、手机认证、视频认证、信用调查认证、是否第一次贷款分配。 1)淘宝认证逾期分布 2)逾期户口认证比例分布 ...