데이터마이닝을 통해 얻은 연체예측 규칙을 이용한 대출심사기준 개선 방안에 관한 연구

Abstract

금융기관들은 더욱 치열해 지고 있는 업체간의 경쟁에서 이기기 위하여 질 높은 서비스, 기존 고객의 이탈방지, 정확한 신용평가를 통한 위험요소를 줄인 자금의 대여, 새로운 신상품의 개발 등에 데이터분석 결과를 활용하려는 노력이 점차 증가되고 있다. 할부금융거래에서 개별 고객에 대한 우량고객과 불량고객의 판별 및 고객 신용등급의 관리에 많은 노력과 연구를 해오고 있다. 특히, 신용예측은 불량채권 발생률을 미연에 감소시켜 궁극적으로 할부 금융회사의 수익을 증대시키는 역할을 수행하므로 그 중요성이 매우크다. 따라서 대출자산 포트폴리오가 위험에 노출되는 정도를 줄이고 잠재적 위험 고객을 사전에 판별하여 연체 가능 고객과 연체 경험이 있는 잠재적 위험 고객을 선별하여 관리할 수 있는 전략과 시스템 구축으로 대출포트폴리오 손실을 최소화 할 필요가 있다. 본 논문에서는 기존의 할부금융회사에서 적용되고 있는 대출심사기준에 대하여 연체율을 기존보다 더 낮추는 방향을 데이터마이닝을 통한 연체 예측모형으로 심사기준 개선 방안을 찾고자 한다. 따라서 본 연구에서는 기존의 신용평가모형으로 신용연체예측에 많이 사용되고 있는 의사결정나무 C5.0과 신경망 분석의 데이터마이닝 기법들을 통해 연체예측 규칙과 연체에 영향을 미치는 중요한 변수에 대해서 찾아내고 규칙들과 변수들로 하여금 규칙을 더 조합하고 변수의 조건을 추가하여 연체건을 더 많이 찾아내는 새로운 규칙을 생성한다. 생성된 규칙들을 기존의 대출심사 시스템에 적용하여 다음 대출심사시에는 생성된 연체발생규칙에 적용되는 대출건은 제한하여 연체건을 줄여 대출심사기준을 개선하는데 의의가 있다. 기존연구와의 차이점은 마이닝을 통하여 만들어진 예측모형을 비교하고 분석하는 것이 아니라 예측모형에서 얻은 예측규칙들을 실제 심사기준 로직에 적용한다는 점이다.; To survive in intensively competitive environment, financial institutions gradually increase to utilize results of data analysis of past loan data in developing of new products, reducing risk elements through high quality services, prevention customer attrition, and acurate credit rating. In the installment financing transactions, many efforts and researches have been performed to distinguish good customers and bad customers for individual customers and to control the credit rating of customers. Especially, since credit prediction is essential to reduce the incidence of bad debts before its happening, it becomes more important to increase uprofits of the installment financing companies. Therefore, to minimize the loss of loan portfolio, it is necessary tob build strategies and to implement related information systems capable of selecting and controlling the customers who are possible to be overdue or potentially dangerous. For the loan screening criteria being applied in the existing installment financing companies, this study aims to provide a rule improvement method for the screening criteria by using the data mining prediction models on overdue loans data. The method pursues fto find directions of lowering the rate of arrears less than that against existing cases. Thus, in this study, the rules of predicting overdue loans and the important variables affecting overdue loans were being found through the decision tree algorithm C5.0 and artificial neural networks which have been frequently used for the prediction of credit rating. The new rules are generated by combining the rules and conditions of the variables which are identified by the data mining algorithms. Using real loan approval data set of a Korean credit card company, we showed the generated rules are capable to find out more cases of overdue loans. The contribution of this study is that the loan screening criteria can be improved at the time of next loan screening by diminishing cases of possibly overdue loans through limiting those loan cases which will be fell under the created rules from the existing loan screening systems. The main differences of this study from other previous studies is that, it does not try to compare predition models made by different data mining algorithms, but it try to apply the preditions rules obtained from data mining algorithms at the actual logic for loan screening criteria.