互联网征信背景下提高不良资产催收效率的统计研究--以XX公司为例
| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第13-17页 |
| 1.1 研究背景 | 第13-14页 |
| 1.2 研究目的和意义 | 第14-15页 |
| 1.3 相关概念界定 | 第15-16页 |
| 1.3.1 互联网背景下征信的涵义 | 第15页 |
| 1.3.2 不良资产处置 | 第15页 |
| 1.3.3 不良资产催收效率 | 第15-16页 |
| 1.4 研究内容和方法 | 第16-17页 |
| 1.4.1 研究内容 | 第16页 |
| 1.4.2 研究方法 | 第16-17页 |
| 第2章 国内外互联网征信与不良资产处置的经验 | 第17-20页 |
| 2.1 互联网金融征信模型的研究 | 第17-18页 |
| 2.2 不良资产处置的研究 | 第18页 |
| 2.3 同类匹配模型的研究 | 第18-20页 |
| 2.3.1 国内滴滴打车匹配模型的研究 | 第18-19页 |
| 2.3.2 国内外卖行业的配送研究 | 第19-20页 |
| 第3章 委托方和催收公司的数据分析与研究 | 第20-45页 |
| 3.1 债务人数据维度构建 | 第20-21页 |
| 3.1.1 维度分类 | 第20页 |
| 3.1.2 回款率的定义 | 第20-21页 |
| 3.2 债务人指标各维度统计分析 | 第21-27页 |
| 3.2.1 债务人个人信息数据分析 | 第21-26页 |
| 3.2.2 债务人消费数据分析 | 第26-27页 |
| 3.3 债务人各指标之间的统计分析 | 第27-36页 |
| 3.3.1 债务人年龄与消费指标的关系 | 第27-30页 |
| 3.3.2 债务人性别与消费指标的关系 | 第30-31页 |
| 3.3.3 债务人户籍所在地与消费指标的关系 | 第31-35页 |
| 3.3.4 债务人回款率与贷款额度的关系 | 第35-36页 |
| 3.4 多维角度探索性分析 | 第36-42页 |
| 3.4.1 对委托案件的聚类分析 | 第36-37页 |
| 3.4.2 对回款率的回归分析 | 第37-38页 |
| 3.4.3 对回款率进行决策树分类预测 | 第38-42页 |
| 3.5 催收公司的分析 | 第42-45页 |
| 3.5.1 催收公司介绍 | 第42-43页 |
| 3.5.2 衡量催收公司的指标的构建 | 第43页 |
| 3.5.3 对不同催收公司指标的分析 | 第43页 |
| 3.5.4 对电催次数指标的分析 | 第43-45页 |
| 第4章 案件的匹配分析和模型的优化 | 第45-51页 |
| 4.1 委托案件与催收公司的匹配 | 第45-46页 |
| 4.1.1 匹配的概念和介绍 | 第45页 |
| 4.1.2 指标匹配分析 | 第45-46页 |
| 4.2 债务人回款率预测的模型优化 | 第46-51页 |
| 4.2.1 指标上的优化 | 第46-49页 |
| 4.2.2 模型选择的优化 | 第49-51页 |
| 第5章 结论和建议 | 第51-53页 |
| 5.1 主要结论 | 第51页 |
| 5.2 本文解决的关键问题 | 第51-52页 |
| 5.3 本文特色创新之处 | 第52页 |
| 5.4 不足及后续改进 | 第52-53页 |
| 参考文献 | 第53-55页 |
| 附录 | 第55-62页 |
| 附录一 | 第55-57页 |
| 附录二 | 第57-58页 |
| 附录三 | 第58-62页 |
| 致谢 | 第62-63页 |
