
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
PowerBI 累计曲线制作指南:从 DAX 度量到可视化落地 在业务数据分析中,“累计趋势” 是衡量业务进展的核心视角 —— 无论是 “ ...
2025-08-15Python 函数 return 多个数据:用法、实例与实战技巧 在 Python 编程中,函数是代码复用与逻辑封装的核心载体。多数场景下,我们 ...
2025-08-15CDA 数据分析师:引领商业数据分析体系构建,筑牢企业数据驱动根基 在数字化转型深化的今天,企业对数据的依赖已从 “零散分析” ...
2025-08-15随机森林中特征重要性(Feature Importance)排名解析 在机器学习领域,随机森林因其出色的预测性能和对高维数据的适应性,被广 ...
2025-08-14t 统计量为负数时的分布计算方法与解析 在统计学假设检验中,t 统计量是常用的重要指标,其分布特征直接影响着检验结果的判断。 ...
2025-08-14CDA 数据分析师与业务数据分析步骤 在当今数据驱动的商业世界中,数据分析已成为企业决策和发展的核心驱动力。CDA 数据分析师作 ...
2025-08-14前台流量与后台流量:数据链路中的双重镜像 在商业数据分析体系中,流量数据是洞察用户行为与系统效能的核心依据。前台流量与 ...
2025-08-13商业数据分析体系构建与 CDA 数据分析师的协同赋能 在企业数字化转型的浪潮中,商业数据分析已从 “可选工具” 升级为 “核 ...
2025-08-13解析 CDA 数据分析师:数据时代的价值挖掘者 在数字经济高速发展的今天,数据已成为企业核心资产,而将数据转化为商业价值的 ...
2025-08-13解析 response.text 与 response.content 的核心区别 在网络数据请求与处理的场景中,开发者经常需要从服务器返回的响应中提取数 ...
2025-08-12MySQL 统计连续每天数据:从业务需求到技术实现 在数据分析场景中,连续日期的数据统计是衡量业务连续性的重要手段 —— 无论是 ...
2025-08-12PyTorch 中 Shuffle 机制:数据打乱的艺术与实践 在深度学习模型训练过程中,数据的呈现顺序往往对模型性能有着微妙却关键的影响 ...
2025-08-12Pandas 多列条件筛选:从基础语法到实战应用 在数据分析工作中,基于多列条件筛选数据是高频需求。无论是提取满足特定业务规则的 ...
2025-08-12人工智能重塑 CDA 数据分析领域:从工具革新到能力重构 在数字经济浪潮与人工智能技术共振的 2025 年,数据分析行业正经历着前所 ...
2025-08-12游戏流水衰退率:计算方法与实践意义 在游戏行业中,流水(即游戏收入)是衡量一款游戏商业表现的核心指标之一。而游戏流水衰退 ...
2025-08-12CDA 一级:数据分析入门的基石 在当今数据驱动的时代,数据分析能力已成为职场中的一项重要技能。CDA(Certified Data Anal ...
2025-08-12破解游戏用户流失困局:从数据洞察到留存策略 在游戏行业竞争白热化的当下,用户流失率已成为衡量产品健康度的核心指标。一款游 ...
2025-08-11数据时代的黄金入场券:CDA 认证解锁职业新蓝海 一、万亿级市场需求下的数据分析人才缺口 在数字化转型浪潮中,数据已成为企业核 ...
2025-08-11DBeaver 实战:实现两个库表结构同步的高效路径 在数据库管理与开发工作中,保持不同环境(如开发库与生产库、主库与从库)的表 ...
2025-08-08t 检验与卡方检验:数据分析中的两大统计利器 在数据分析领域,统计检验是验证假设、挖掘数据规律的重要手段。其中,t 检验和卡 ...
2025-08-08