京公网安备 11010802034615号
经营许可证编号:京B2-20210330
大数据透析P2P平台跑路真正原因_数据分析师培训
跑路,P2P平台难以摆脱的梦魇,到底是“道德败坏”还是“大势所趋”?只是揣测是不行的,与真相帝拿起显微镜,透析一下P2P平台跑路的真正原因。
一、借款人态度
真相帝通过对接近50位真实借款人(限于时间和资源有限)的调研,类型大致可以分为下面几类:
1.无所谓,只要借款人能拿到借款,透露也没什么关系,有真实的实体经营,真实的资料,你来实地考察还能给他打打广告,但这只占6%的比例。
2.可以公开,但不涉及隐私,也就是说借款资料什么的完全可以公开,但只要不涉及借款人的联系方式,不知道借款人是谁就可以,这类人群比重将近66%。
3.完全不公开,他们的理念是借款人只是和投资人发生了借贷关系,没必要把他借贷的事情搞的全世界都知道。此类型占到28%。
4.自融平台不加讨论,不真实,更没有透明可言。
由上面数据得出结论。相对来说只要是真实借款人,只要不涉及自己私人信息。借款信息的披露他们是持无所谓状态,他们要的只是能借款,解决自己的问题。
二、平台借款信息的披露
1.20%的平台对于借款用户的信息是完全对外公布的。
2.50%的平台对于借款用户的信息是没有对外公布的。
3.20%的平台是资料不全,或解释没有放上去,资料公司是有的。
4.10%的平台有资料,但填充假的可以。甚至评估15万的车能贷款20万。
真相帝调研了将近100家平台,信息公布完整的多数为上市公司参股平台,以及真正有心做好P2P业务的平台,占20%。其他多为公布不完全或者不公布,不排除排名前10的平台,信息为什么不公布,投资人可以发挥无限的想象力。作者不做评论与猜想。
三、投资人对于借款信息的态度
真相帝对于投资人的调研结果真的是啼笑皆非,下面看看你们属于那一种。
1.跟风型:看到身边人投资了就去投资,不管项目利率的高低,不管项目的真实性,死跟,对项目真实性和透明完全没有概念。
2.盲目崇拜型:对于那种数一数二的平台,盲目的崇拜投资,无谓时间长短,无谓项目利率高低,无谓项目的真实与否,信平台得永生,管有没有资料呢。
3.迷茫型:身边有个同事,问真相帝哪个平台安全,真相帝随口说了句HL可以,然后,然后就砸了2万买进一个年化8%的标,而且是长期一次性。
4.电脑文盲型:听说哪个平台可以,然后一次性全部投资,真相帝问为什么,答案是自己不会操作电脑,请人操作,自己学起来麻烦。
5.投机型:这类人有丰富的投资经验,只限于新平台捞一把就走的,属于玩心理战术,对于平台透明不透明关系不大。
6.业内投资人:精通各种玩法,活跃于多个中型平台,他们大多求稳,会考究平台实力,项目真实,资料透明与否。
投资人的比重真相帝不说,估计大家心理有数。第1、2、3、4类占人群比例的77%,剩下23%才是第5和第6类。
大家可以看的出来。除了投机者和业内投资人对于项目有个最起码的认识外,其他人群完全没有投资的风险意识,好像项目的透明度和自己没有关系。
这只是一组数据,但是可以推衍出太多的问题。有人曾说过,透明度是平台与投资人的博弈,可在真相帝看来不是,压根就没出现过博,何来博弈之说。也有人说过,平台强势,投资人弱势,可笔者看来,不是投资人弱势,是他们不懂如何强势,不管多强的平台,资金链失衡,它还怎么活?
平台不公开借款人相关借款资料,投资人要求了吗?不要一味只说平台如何,改不改是平台的事,要不要求是你们的事,金子在自己手里难道还没有主动权?
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在使用Excel透视表进行数据汇总分析时,我们常遇到“需通过两个字段相乘得到关键指标”的场景——比如“单价×数量=金额”“销量 ...
2025-11-14在测试环境搭建、数据验证等场景中,经常需要将UAT(用户验收测试)环境的表数据同步到SIT(系统集成测试)环境,且两者表结构完 ...
2025-11-14在数据驱动的企业中,常有这样的困境:分析师提交的“万字数据报告”被束之高阁,而一张简洁的“复购率趋势图+核心策略标注”却 ...
2025-11-14在实证研究中,层次回归分析是探究“不同变量组对因变量的增量解释力”的核心方法——通过分步骤引入自变量(如先引入人口统计学 ...
2025-11-13在实时数据分析、实时业务监控等场景中,“数据新鲜度”直接决定业务价值——当电商平台需要实时统计秒杀订单量、金融系统需要实 ...
2025-11-13在数据量爆炸式增长的今天,企业对数据分析的需求已从“有没有”升级为“好不好”——不少团队陷入“数据堆砌却无洞察”“分析结 ...
2025-11-13在主成分分析(PCA)、因子分析等降维方法中,“成分得分系数矩阵” 与 “载荷矩阵” 是两个高频出现但极易混淆的核心矩阵 —— ...
2025-11-12大数据早已不是单纯的技术概念,而是渗透各行业的核心生产力。但同样是拥抱大数据,零售企业的推荐系统、制造企业的设备维护、金 ...
2025-11-12在数据驱动的时代,“数据分析” 已成为企业决策的核心支撑,但很多人对其认知仍停留在 “用 Excel 做报表”“写 SQL 查数据” ...
2025-11-12金融统计不是单纯的 “数据计算”,而是贯穿金融业务全流程的 “风险量化工具”—— 从信贷审批中的客户风险评估,到投资组合的 ...
2025-11-11这个问题很有实战价值,mtcars 数据集是多元线性回归的经典案例,通过它能清晰展现 “多变量影响分析” 的核心逻辑。核心结论是 ...
2025-11-11在数据驱动成为企业核心竞争力的今天,“不知道要什么数据”“分析结果用不上” 是企业的普遍困境 —— 业务部门说 “要提升销量 ...
2025-11-11在大模型(如 Transformer、CNN、多层感知机)的结构设计中,“每层神经元个数” 是决定模型性能与效率的关键参数 —— 个数过少 ...
2025-11-10形成购买决策的四个核心推动力的是:内在需求驱动、产品价值感知、社会环境影响、场景便捷性—— 它们从 “为什么买”“值得买吗 ...
2025-11-10在数字经济时代,“数字化转型” 已从企业的 “可选动作” 变为 “生存必需”。然而,多数企业的转型仍停留在 “上线系统、收集 ...
2025-11-10在数据分析与建模中,“显性特征”(如用户年龄、订单金额、商品类别)是直接可获取的基础数据,但真正驱动业务突破的往往是 “ ...
2025-11-07在大模型(LLM)商业化落地过程中,“结果稳定性” 是比 “单次输出质量” 更关键的指标 —— 对客服对话而言,相同问题需给出一 ...
2025-11-07在数据驱动与合规监管双重压力下,企业数据安全已从 “技术防护” 升级为 “战略刚需”—— 既要应对《个人信息保护法》《数据安 ...
2025-11-07在机器学习领域,“分类模型” 是解决 “类别预测” 问题的核心工具 —— 从 “垃圾邮件识别(是 / 否)” 到 “疾病诊断(良性 ...
2025-11-06在数据分析中,面对 “性别与购物偏好”“年龄段与消费频次”“职业与 APP 使用习惯” 这类成对的分类变量,我们常常需要回答: ...
2025-11-06