自本月月初疫情全面放开后，身边的朋友基本都阳了一遍，希望正在浏览本篇文章的读者您是还没阳过的幸运儿。另外，今天也是冬至了，祝各位读者身边健康，远离羊群！
最近我们分享了信贷业务年终总结系列的前2篇文章：信贷产品年终总结之客群特征画像（12月13日），信贷产品年终总结之贷中行为分析（12月19日），今天我们将再次续集，来介绍“信贷产品年终总结之贷后逾期分析”。作为信贷风控重要环节的贷后模块，用户逾期分析是一项非常核心的体系内容，是风控规则挖掘、催收策略制定、不良资产处置等版块的必要工作。因此，围绕贷后用户的逾期数据分析，在实际场景中不仅对客户管理体系发挥着关键作用，而且对整体业务发展具有决定性意义。
针对存量用户数据的贷后逾期分析，根据场景需求可以展开不同角度的研究，例如确定好坏目标的账龄与滚动率分析、信贷用户风险五级分类的划分、逾期不良资产规模的量化等。本文主要是围绕信贷周期结束的用户群体数据，通过分析来刻画描述用户群体的逾期行为表现，以了解不同客群的逾期规模与特征差异。在具体内容的介绍过程中，我们将结合实例样本数据来展开分析，从而客观呈现样本用户逾期表现的数据分布。

1、实例样本数据
本文选取的实例样本数据，来自于客户还款信息明细表，共包含87405条样本与10个字段，部分数据样例如图1所示，每条样本观测代表某客户某一分期的还款详情，各特征字段的标签含义分别为：apply_id（客户订单号）、loan_date（放款日期）、loan_amount（放款金额）、contract_amount（合同金额）、period_type（分期类型）、period_num（产品期数）、repay_date（应还日期）、repay_amount（应还金额）、paid_amount（已还金额）、clear_date（结清日期）。本样本数据的放款时间窗口（loan_date）为20200401_{20201230，且应还时间窗口（repay_date）为20200430}20211229，假设当前分析时点为20220101，说明当前样本的所有用户均已结束信贷周期，也就是分期账单已无未到时间的应还日期，无论按时还款还是逾期违约，在待分析时间点不存在未到还款日的情况。
​
图1 样本数据样例

针对产品放款日期（loan_date）与分期类型（period_type），我们从整体上来了解下当前客群在不同月份与不同期数的规模分布，包括用户数量、放款金融的具体数据，其中放款月份（loan_month）从放款日期（loan_date）来提取，具体实现详见知识星球代码详情，输出的数据结果如图3所示，对应可视化分布如图4所示。
​
图3 放款月份数据分布

​
图4 放款月份可视化

由上图结果可知，从放款月份202004到202012，放款用户数量与放款金额规模的变化趋势大体是一致的，说明各月份的件均金额是比较接近的。其中，202010月份的放款数量与放款总额均是最大值，其占比分别为18.0598%、17.9554%；202005月份的放款数量与放款总额均是最大值，其占比分别为2.33106%、2.5306%；除了月份202004、202005外，从202006到202012期间，各月的放款业务量整体表现较为平稳。
我们接下来对产品不同分期类型（period_type）的数据规模进行描述，具体实现过程详见知识星球代码详情，输出的数据结果如图6所示，放款金额的可视化分布如图7所示。由图数据可知，当前产品分期形式包括6、9、12共3种类型，其中6期所占比重规模明显最多，用户数量与放款总额分别为82.6073%、85.601%，而9期相应维度的体量表现最少。
​
图6 分期类型数据分布
​

图7 分期类型可视化

2、逾期天数分析
由于各用户均有多笔分期账单（6或9或12），且各期的还款行为表现可能也有一定差异，具体可体现为提前还款、正常还款、逾期已还、逾期未还、未到还款日，其中逾期已还、逾期未还这2种状态都会有逾期天数的表现，区别在于一个已是静态固定（逾期已还），而另一个仍然动态变化（逾期未还）。结合本文主题内容在于逾期数据表现，因此我们重点来分析用户还款历史的逾期程度，以及相应维度的细节特征描述。在汇总客户层的逾期表现之前，我们需要分别得到各账单层的逾期天数overdue_day，具体实现过程如图8所示。这里简单描述下逾期天数的加工逻辑，对于分期账单金额已结清的用户，逾期天数(overdue_day)=结清日期(clear_date)-应还日期(repay_date)；对于分期账单金额未结清的用户，逾期天数(overdue_day)=分析时点(20220101)-应还日期(repay_date)。
​
图8 逾期天数加工

当得到逾期天数overdue_day后，可以根据此指标是否大于0来判断历史是否有过逾期，当overdue_day>0时说明当前账单有逾期，以overdue_state=1来表示；当overdue_day<=0时说明当前账单无逾期，以overdue_state=0来表示。这里需要注意的是，有逾期并不代表一定没有还款，实际情况会包含逾期已还、逾期未还这2种还款状态。
每个分期账单的逾期天数overdue_day、逾期状态overdue_state确定之后，接下来我们便可以进一步梳理用户所有账单的逾期总次数、最高逾期天数等指标。由于用户账单类型存在6/9/12期的区分，这里为了更好的量化对比逾期次数分布，我们按照产品分期类型6/9/12依次进行分析，此处以样本最多的6期用户群体为例，对用户的逾期表现展开进一步分析。我们先来了解下客户层分期账单的逾期总次数，具体实现过程详见知识星球代码详情，对6期类型的逾期次数取值范围0～6，来同步输出相应的频数分布如图10所示，同时以可视化形式展示如图11所示。

图10 用户逾期次数分布（6期）
​
图11 用户逾期次数可视化（6期）

由以上结果可知，对于分期类型为6期的用户群体，历史账单未出现过逾期的用户数量为5218，对应占比为49.5772%；逾期1次的用户占比为12.057%；逾期2~6次各情况的占比均为7.5%左右。从业务场景上理解，随着逾期次数的增加，用户群体的风险程度也会较大程度升高。按照以上对6期用户群体分析的原理逻辑，我们可以同理得到分期为9和12对应的逾期次数分布，具体结果分别如图12、13所示，相关代码详见本文附件。
​
图12 用户逾期次数分布（9期）

​
图13 用户逾期次数分布（12期）

3、逾期等级分析
通过以上逾期次数的维度分析，虽然能够直观反映用户的整体风险情况，但每个分期订单的逾期天数可以进一步体现用户的风险特征，尤其是以客户层描述的最高逾期天数，在实际场景中有着非常重要的参考意义，下面我们便来分析下各用户的最大逾期天数，即统计出每个用户在历史分期订单中逾期天数的最大值，我们仍以6期用户群体为例，具体实现过程如图14所示。
​
图14 用户最大逾期天数（6期）

通过以上过程可以得到客户层最大逾期天数overdue_max，由于本文样例数据的最早应还款日期repay_date（20200430）距当前分析时点current_date（20220101）有600多天，因此样本用户最大逾期天数的取值范围较大。为了便于进一步分析，我们通过最大逾期天数来衍生加工最高逾期等级Mn（M0/M1/M2/M3等），具体加工逻辑为：M0（未逾期）、M1（逾期1_{30天）、M2（逾期31}60天）、M3（逾期61_{90天）、M4（逾期91}120天）、M5（逾期121_{150天）、M6（逾期151}180天）、M7+（逾期180天以上）。按照以上分析逻辑，针对6期用户群体的具体分析过程详见知识星球代码详情，得到的数据分布结果如图16所示。
​
图16 用户逾期等级分布（6期）

由以上结果可知，针对6期用户群体的历史还款表现，从未有过逾期的用户数量为5218，占比为49.5772%；历史逾期程度达到M1（1~30天）的用户数量为2348，占比为22.3088%；历史逾期程度达到M2/M3/M4/M5/M6的用户占比均不足1%；历史逾期程度达到M7+（180天以上）的用户群体数量为2866，占比为27.2304%，这类用户的风险程度很高。对于9期与12期用户群体，按照以上同样逻辑可以得到相应的分布结果，分别如图17、18所示。
​
图17 用户逾期等级分布（9期）

​
图18 用户逾期等级分布（12期）

4、逾期金额分析
以上对逾期天数、逾期次数、逾期等级等维度的分析，都是从用户数量来量化分析的，但针对同样逾期等级的用户，逾期金额大小是有差异的，而在实际业务场景中，从资金利益的角度来讲，我们还需要同步了解逾期金额的规模。围绕不同分期（6/9/12）的用户群体，逾期未还金额的分析过程具体详见知识星球代码详情，汇总相应数据结果如图20所示。
​
图20 逾期未还金额规模

由以上结果可知，本例存量用户的逾期待还总金额规模为14883169.81，其中6期类型用户占主要群体，逾期金额为12343231.5，对应占比为82.934%，9期与12期的规模占比分别为4.623%、12.443%。
在熟悉了整体逾期待还金额情况后，接下来我们以6期用户群体为例，来从不同月份（loan_month）的时间维度来进一步了解下逾期金额分布，同时将用户数量、逾期本金等明细数据同步进行展示，具体实现过程详见知识星球代码详情，输出的数据分布结果如图22所示。
​
图22 不同月份逾期金额明细（6期）

由以上结果可知，6期用户群体在放款时间窗口202004~202012的各个月份均有业务体量，且都存在一定程度的逾期情况。其中，202010月份的逾期用户数量、逾期金额规模，相比其他月份数据表现较高，对应占比分别为21.7885%、20.2513%；202012月份的逾期用户数量及其金额大小，在所有月份是表现最低的，占比仅有1%稍多，当然这与当月6期放款数量较少情况是直接相关的。按照图21的实现逻辑，我们可以同理得到9期与12期的不同月份逾期分布，具体如图23、24所示。
​
图23 不同月份逾期金额明细（9期）
​

图24 不同月份逾期金额明细（12期）

通过上图分布结果可知，6期与12期的分期类型，从202011月份才开始实行，由于本例样本数据的放款时间窗为2022年，因此对于6期和12期用户仅有2个月的数据表现，且在202012月份的逾期用户数量与逾期金额大小，相应占比均达到了90%以上。
综合以上内容，我们围绕实例样本数据，依次从逾期天数、逾期次数、逾期等级、逾期金额等维度，对用户群体的历史贷后数据完成了全方位探索与分析，得到了用户在不同分层角度下的逾期行为表现。同时，根据不同逾期月份（202004~202012）、不同分期类型（6/9/12），对各类用户的特征数据进行了细化描述，全面概括了贷后整体逾期表现的分布情况。为了便于大家对以上内容的进一步理解与熟悉，本文额外附带了更详细的Python代码与样本数据，详情请移至知识星球查看相关内容。

…

~原创文章