Lending Club是美國的壹家P2P金融機構，主要是通過連接投資人和借款人來達成雙方的投資及融資需求，收入主要來源於交易手續費、服務費和管理費。自2007年起，Lending Club已經為上百萬客戶提供了貸款。2015年，平臺全年新設的貸款金額就已經達到了83.6億美元，遠遠超越行業第二的37億美元，優勢十分明顯。
Lending Club會對提交申請的借款人進行 資格審查 ，只有符合標準才能拿到借款：（1）FICO分數（根據Experian、TransUnion、Equifax三大征信局信用報告）要在660分以上（2） 債務收入比例 要低於40%（3） 征信報告 ：正在使用的循環賬戶不少於2戶、6個月內征信查詢次數小於5次、至少36個月的信用記錄。借款人通過初始信用審查後，Lending Club會再次通過評分模型對申請人進行評估，兩次的結果將會壹起輸入Model Rank中，最終得到壹個基礎風險子級。Lending Club會根據這個風險子級結合客戶貸款的金額和貸款期限得出最終子級。最終子級***有35個級別，分為A、B、C、D、E、F、G這7 個等級，每個等級又包含1、2、3、4、5 五個子級。最終子級的不同對應了不同的貸款利率， 子級等級越高，貸款利率則越低 。
根據Lending Club的分級流程，借款申請人越符合平臺資格審查的標準，最終的風險等級越高，借款所需的利率也越低。所以本文通過以下幾個問題，借助SQL對Lending Club 2018年第二季度的貸款數據進行分析，探究 平臺的審查條件是否合理 ：
1.哪個信用等級的還款意願最高？壞賬主要集中在哪個風險等級？
2.資產負債比率越低，還款能力是否越高？
3.6個月內征信查詢次數越少，還款意願是否越高？
4.過去2年內逾期30天以上的次數越少，還款意願是否越高？
5.還款能力是否與客戶貸款目的有關？
數據集來自： Lending Club
將數據導入SQLyong後，觀察數據特征：數據包括2018年Q2的貸款數據記錄，***130770多行，多達145個字段，本文只選取壹些 關鍵字段 作為分析：
loan_status ：貸款狀態（Fully paid-全額還款? Charged off-已註銷的壞賬? Current-當前? Default-違約不還? Late 31-120 days-逾期31-120天? In grace period-寬限期內? Late 16-30 days-逾期16-30天? Issued-已放款）
grade ：信用評級
dti ：資產負債比（負債總額/資產總額）*100%
inq_last 6mths ：近6個月查詢次數
delinq_2yrs ：近2年逾期30天以上次數
annual_inc ：年收入
emp_length ：工作年限
purpose ：貸款目的
1.修改表名
將表名修改為Lending Club貸款情況
2.選擇子集
由於原數據字段太多，所以只挑選了以上8個關鍵字段作為分析
3..列名重命名
為了方便分析，把字段名重命名為中文名：
方法壹：可通過SQL語句實現字段重命名
方法二：也可以直接在客戶端內雙擊字段名進行修改，因為字段較多，本文采用這種方法修改名字
4.刪除重復值
由於每行數據都是壹個客戶id，所以不存在重復值
5.處理缺失值
通過語句查詢發現資產負債比存在空值，本文不進行刪除，直接將null值作為壹類。依次查詢其他列沒有發現其他缺失值
1.哪個信用等級的還款意願最高？壞賬主要集中在哪個風險等級？
將還款情況分為還款正常和逾期還款，還款正常包括Fully Paid 、Current、In Grace Period，逾期還款包括Late (16-30 days)、Late (31-120 days）、Charged Off、Default
輸出結果：
由此可知信用等級A-C的放款人數最多，還款意願也最強，隨著信用等級變低，正常還款數量開始降低，壞賬率逐漸上升。
2.資產負債比率越低，還款能力是否越高？
觀察數據發現，資產負債比的區間為0,999，按照步長為10分為[0,10）、[10,20）、[20,30)、[30,40)、(≥40)五個區間，另外加上null值，***6個區間。
輸出結果：
由圖可知資產負債比與還款意願總體呈現反比趨勢。客戶的資產負債比越低，還款意願越強，在20%-30%區間內，還款占比最高，之後逐漸開始下降，逾期比例上升，還款能力降低。資產負債比為空值的客戶逾期還款率高達1.23%，需要對未填寫資產負債比的客戶進行放款控制。
3.6個月內征信查詢次數越少，還款意願是否越高？
輸出結果：
近6個月查詢次數與還款意願有壹定的聯系，普遍來說查詢次數越高，逾期還款的占比越大。但是查詢次數為4次時比較特殊，這壹次數下的逾期還款為0，可能為該季度的特例導致。總體來看，還款意願與查詢次數還是存在反比的關系。
4.過去2年內逾期30天以上的次數越少，還款意願是否越高？
輸出結果：
由圖可知當逾期次數在0-5次時，次數與逾期占比呈現正比關系，過去2年內逾期的次數越多，造成壞賬的比率就越大。但當次數超過5次時，正常還款占比都遠高於逾期還款占比。仔細分析逾期次數超過5次的具體數據可知，除了逾期超過7次的客戶有1次逾期還款，其他次數的逾期還款人數都為0，從而使得正常還款占比反而較高。也可能是Lending Club對於逾期次數太多的客戶控制了放款通過率。總體來說，當逾期次數在0-5次這個區間時，次數越小，還款意願會越高。
5.還款能力是否與客戶貸款目的有關？
輸出結果：
由圖可知，因為搬家、旅遊、醫療等情況下，逾期還款的占比遠遠高於其他情況，而因為自身債務或信用卡等問題造成的逾期比例反而不高，所以對於不同的情況需要采取不同的風險監控措施。
通過本文的分析，Lending Club制定的審查條件基本合理：
1. 信用等級越高，還款比率越高 。A-C信用等級區間內的放款人數最多，正常還款的數量也最多，隨著等級的降低，壞賬率開始上升。證明平臺的等級區間劃分的基本合理。
2.整體來看，客戶的 資產負債比越高，還款意願越低 ，特別是對於 未提供資產負債比 的客戶，逾期還款比例最大，所以需要 加強對這壹部分客戶的監管 ，督促客戶盡快提供相關信息，降低未來的貸款壞賬。
3.平臺對於近6個月內征信查詢次數需小於5次這壹規定比較合理。根據分析得知， 次數為0-4次時客戶的逾期比率很低 ；當次數為5次時，逾期占比大幅升高。
4.對於客戶 近2年內的逾期次數，如果次數在0-5次區間內，次數與還款意願成反比關系 ，平臺需要對次數較多的客戶加強管控，避免壞賬率上升。而對於 次數超過5次 的客戶，根據分析可知，這壹部分的客戶人數本身就較少，基本上都能夠做到正常還款，所以對於這壹區間的客戶，只要延 續以往的風控措施 即可。
5.本文還對 貸款目的 進行了分析，結果顯示對於未來有 旅遊、搬家或者醫療需要 的客戶，平臺需要多加關註，以降低未來壞賬率。