这篇文章从业务角度来解读之前下载的数据《Loan Data》，是在前两篇文章基础上的思考和分析。
首先对信贷业务基本名词概念进行解读：
逾期天数DPD（days past due）：已逾契约书约定缴款日的延滞天数，贷放型产品自缴款截止日（通常为次一关帐日）后第一天开始算。
逾期期数bucket：也叫逾期月数，逾期一期为M1，2期M2。缴款截止日与次一关帐日之间称为M0。
逾期阶段stage：分为前期、中期、后期和转呆账。一般将M1（1-29）列为前期，M2~M3（30~89）列为中期、M4（90+）以上列为后期，若已转呆账者则列入转呆账。
即期指标（coincidental）：计算延滞率时常用的两种方法之一，以当期各bucket延滞金额÷应收账款（AR）。
月底结算（month end）：month end报表主要在表达各月月底结算数据，适用于消费金融所有产品。
明确问题分析的主要指标：
①营运资金贷款率，指各项贷款平均余额与营运资金平均余额的比例;
②贷款周转率，指一定时期内，贷款累计收回额与贷款平均占用额的比例。
③不良贷款率，指一定时期内逾期、呆滞、呆账贷款与全部贷款占用额的比例;
④贷款利息收入率，指一定时期内贷款利息收入额与贷款平均占用额的比例;
⑤综合贷款合理率，指全部贷款平均占用额减去不合理贷款平均占用额之和，与全部贷款平均占用额的比例。
此外，还可用贷款销售率、贷款产值率、贷款利税率等指标来分析贷款的使用情况。
数据概况：
《Loan Data》共有500条数据，11个字段，包含的字段有：loan_ID（贷款ID）、loan_status(贷款状态)、Principal（贷款金额）、terms（贷款期限）、effective_date（开始时间）、due_date（到期时间）、paid_off_time（还款时间）、past_due_days（逾期天数）、age（年龄）、education（教育水平）、gender（性别）。
1、不同年龄层次对于贷款的需求情况，贷款的主要集中年龄层
首先查询年龄层分布情况，使用代码：
select max(age),min(age) from loan得出结果如下图：
可以明显看出，男性占客户群体中占比达八分之八十以上，贷款的最主要群体应该针对男性进行客户获取，但同时男性群体的逾期率要高于女性10%，也可以说比女性多了30%的逾期可能性，可以从更丰富的维度，去分析男性和女性逾期群体的特征，看能否增强风控降低逾期。
3、贷款人群中学历分布以及不同学历间的逾期率情况
代码：
SELECT education as '学历',COUNT(education)AS'人数', concat(round(count(education)*100/(SELECT count(*) FROM loan),2),'%') AS'占比', count(past_due_days)AS'逾期人数', concat(round(count(past_due_days)*100/count(education),2),'%')AS'逾期占比' FROM loan GROUP BY education得出信息情况：
学历为college、High School or Below占贷款人的绝大部分比例，Master or Above贷款人占比及其小，学历越高贷款需求越小，主要客户群体为本科以下学历人员。
从不同学历的逾期率情况看，除Master or Above其它三类并无太大差别，但Master or Above数据量太少可忽略不计，所以可以认为，学历高低对逾期情况并无太大影响。
4、贷款期限选择情况
代码：
SELECT terms AS'贷款期限',count(terms)AS'人数', concat(round(count(terms)*100/(select count(*) FROM loan),2),'%')AS'占比', count(past_due_days)AS'逾期人数', concat(round(count(past_due_days)*100/count(terms),2),'%')AS'逾期占比' FROM loan GROUP BY terms ORDER BY floor(terms) ASC得出信息情况：
在三种贷款期限中，贷款期限和人数成正相关。
总结：
从贷款规模的角度考虑：贷款客户群体可以更多的关注在受教育程度较低的中青年男性
从风控角度考虑：适当的多发展女性客户 |
QQ好友和群
