这是SAP标准教材，SD模块的信用管理。 LO645 Credit and Risk Management for Recievables

Corporate_Credit_Rating_using_Deep_Learning_with_Genetic_Algorithms Birk Carlenius

使用该数据可以做信用卡逾期风险预判分析

该资源是kaggle上由捷信集团提供的数据，我们可以通过数据来预测其客户的还款能力。 该资源是kaggle上由捷信集团提供的数据，我们可以通过数据来预测其客户的还款能力。

Google model search demo 中的 credit_default.xls 是个数据集

我们将会使用在信用评级建模中非常常用的德国信贷数据（German credit dataset）作为建模的数据集。德国信贷数据共有1000条数据，每条数据20个特征。这些特征包括AccountBalance（Checking账户余额）、Duration (Duration of Credit in month 借款期限）、Paymentstatus（还款记录）等。 其中比较难以理解的指标是Instalmentpercent，其代表着 Installment rate in percentage of disposable income （分期付款占可支配收入的百分比）。

记分卡：R，记分卡中的记分卡开发

信用卡欺诈检测数据

kaggle的电影数据，可用于数据分析

数据来自Kaggle的Give Me Some Credit，有15万条的样本数据，下图可以看到这份数据的大致情况。 数据属于个人消费类贷款，只考虑信用评分最终实施时能够使用到的数据应从如下一些方面获取数据： – 基本属性：包括了借款人当时的年龄。 – 偿债能力：包括了借款人的月收入、负债比率。 – 信用往来：两年内35-59天逾期次数、两年内60-89天逾期次数、两年内90 天或高于90天逾期的次数。 – 财产状况：包括了开放式信贷和贷款数量、不动产贷款或额度数量。 – 贷款属性：暂无。 – 其他因素：包括了借款人的家属数量（不包括本人在内）。 – 时间窗口：自变量的观察窗口为过去两年，因变量表现窗口为未来两年。