狗熊會精品案例 | 天啦嚕！單憑這幾條，就能知道你的信用卡會逾期多久
原創 狗熊會 水媽
進入移動互聯金融時代，持卡人的消費、還款等使用行為已經成為個人徵信的重要依據之一。逾期還款會給持卡人留下不良信用記錄，會對持卡人今後的貸款等行為的順利進行造成不利影響。
那麼，什麼樣的人容易發生信用卡逾期行為呢？哪些因素會影響逾期行為的嚴重程度？本案例收集了信用卡逾期行為的相關數據，嘗試建立統計模型探究持卡人逾期行為的影響因素，並對逾期狀態開展預測。
本案例所使用數據來自某銀行的信用卡用戶逾期相關數據，共包含8371條記錄。將用戶最近的逾期狀態作為因變數，將用戶的個人特徵和行為特徵作為自變數。
因變數逾期狀態包含了8種逾期情況，屬於定序數據（ordinal data）。可以看出，頻數最高的是沒有逾期，其次是逾期31到60天，而逾期90天以上的行為較少。
接下來，考慮性別、有無住房貸款等自變數與逾期狀態之間的關聯。
- 在整體人群中，男性居多，但男女比例在各逾期狀態差別不明顯；
- 在整體人群中，無住房貸款佔比更大，但有房貸的比例在各逾期狀態差別不明顯；
在信用卡使用率方面，從平均水平上看，沒有逾期行為的人群，信用卡使用率比逾期人群低，而有逾期行為人群的信用卡使用率並沒有明顯規律；在信用卡額度方面，從平均水平上看，信用卡額度較低的人群，更加傾向於逾期。
綜上，本案例認為信用卡的使用率、額度和歷史逾期行為都很可能會影響逾期行為的發生與否。
本案例中，若直接使用定序回歸模型進行建模，預測效果較差，無逾期行為和逾期30天以內無法顯著地區分，因此分為兩步建模更好：
第一步：0-1回歸，預測是否有逾期行為；
第二步：定序回歸，預測逾期行為嚴重程度。
由於篇幅限制，這裡僅展現定序回歸的建模結果。對全部建模過程和結果感興趣的讀者，可以點擊本文下方的「閱讀原文」購買案例報告。針對逾期人群（即因變數取值>0的樣本），對所有變數建立定序回歸模型。
可以看到，在控制其他因素不變的情況下：
- 男性人群逾期程度比女性人群更嚴重；
- 信用卡使用越頻繁，逾期行為越嚴重；
- 信用卡額度越低，逾期行為越嚴重；
- 存在歷史逾期行為的人群，更容易發生逾期行為；
- 存在開戶行為的人群，更容易發生逾期行為；
- 有無房貸對是否發生逾期行為的影響並不顯著。
在本案例中，逾期行為嚴重程度的定序回歸的預測效果差。可能的原因有：（1）自變數較少，缺少對逾期行為嚴重程度的深入理解；（2）定序回歸對於臨界值估計的欠缺導致預測效果較差；（3）因變數中嚴重逾期行為和逾期行為本身沒有顯著差異。
狗熊會簡介：
致力於數據產業的高端智庫。狗熊會幫助合作夥伴制定數據戰略，培養數據人才，研究數據業務，發現數據價值，推動產業進步！
狗熊會使命：
聚數據英才，助產業振興！
狗熊會關注數據科學基礎教育，希望通過生產優質的數據科學教育內容，提供卓越的研究、實踐、就業機會，幫助相關專業 的老師、同學、從業者充分享受數據分析的快樂，促進個人職業的終身幸福與成長。
狗熊會認為優質的數據科學教育一定不能脫離數據產業實踐。
推薦閱讀：