평점표 모형 개요
로지스틱 회귀: 신용평점의 뼈대를 세우다
강의 목표:
평점표 모형의 핵심 방법론인 로지스틱 회귀(Logistic Regression)의 원리를 이해한다.
로지스틱 회귀 모형의 특징(단순성, 안정성, 설명 가능성)을 파악한다.
실제 은행, 카드사 등 금융 업권별 평점표 예시를 통해 모형의 활용 사례를 분석한다.
어제는 금융회사 자체 신용평가 시스템인 CSS에 대해 알아보았습니다. CSS는 다시 ASS와 BSS로 나뉘고, 이 모형을 만드는 방법론은 크게 평점표 모형과 머신러닝 모형으로 나뉜다고 말씀드렸죠. 오늘은 이 중 가장 전통적이고 안정적인 방식인 평점표 모형에 대해 깊이 파고들어 보겠습니다. 평점표 모형의 핵심은 바로 **'로지스틱 회귀'**입니다.
1. 평점표 모형의 핵심: 로지스틱 회귀(Logistic Regression)
정의: 특정 사건(예: 부도)이 발생할 확률을 예측하는 통계적 분석 기법입니다.
원리: '오즈(Odds)'라는 개념을 사용합니다. 오즈는 특정 사건이 일어날 확률과 일어나지 않을 확률의 비율을 나타내죠. 로지스틱 회귀는 이 오즈를 변환하여, 여러 변수(나이, 소득, 연체 이력 등)가 부도 확률에 미치는 영향을 계산합니다.
특징:
단순하고 안정적: 모형의 구조가 간단하여 이해하고 수정하기 쉽습니다.
설명 가능: 어떤 항목(변수)이 신용평점에 얼마나 영향을 주는지 명확하게 설명할 수 있습니다. 예를 들어, "연체일수가 길수록 점수가 낮아집니다"라고 명확히 설명할 수 있습니다. 이 때문에 고객 민원 응대에 매우 유리합니다.
2. 금융 업권별 평점표 예시 분석 각 금융 업권은 고객 특성에 맞게 다른 평점표를 사용합니다.
✅ 요약 포인트
-
은행: 직업 및 자산 기반의 신뢰성 중심
-
카드사: 소비 패턴 + 연체 이력 중심
-
캐피탈/저축은행/대부업: 부채 구조와 다중채무 위험도 평가에 집중
-
업권별로 신용평가 항목이 상이하므로, 고객 입장에선 자신의 금융거래 유형에 따라 전략적 관리가 필요합니다.
3. 재미있는 이야기:
점수 배점의 의미 평점표를 보면 각 항목에 점수가 매겨져 있습니다.
예를 들어, '은행업권 대출 총 건수'가 1건일 때 41점, 2건 이상일 때 0점인 식이죠.
이 점수는 로지스틱 회귀를 통해 계산된 값으로, 해당 항목이 부도 위험을 예측하는 데 얼마나 중요한지를 나타냅니다.
점수가 높을수록 신용평점에 긍정적인 영향을 준다는 뜻이죠.
금융회사는 이렇게 계산된 점수를 바탕으로 고객의 신용 점수를 산출합니다.
4. 평점표 모형의 한계와 머신러닝의 등장
평점표 모형은 안정성과 설명력이 뛰어나지만, 수많은 변수를 활용하기 어렵다는 한계가 있습니다.
금융 환경이 복잡해지면서 더 많은 데이터를 활용하여 예측력을 높여야 할 필요성이 커졌고, 이것이 바로 다음 시간에 배울 머신러닝(Machine Learning) 모형이 등장한 배경입니다.
오늘의 핵심 요약
평점표 모형은 로지스틱 회귀를 사용하여 부도 확률을 예측한다.
모형의 가장 큰 장점은 모형의 안정성과 설명이 가능하다는 점이다.
각 금융 업권은 고객 특성에 맞는 다양한 평점표를 활용한다.
평점표 모형의 한계를 극복하기 위해 머신러닝 모형이 등장하고 있다.
토론 주제 "여러분은 고객에게 '왜 이런 신용 점수가 나왔는지' 설명해야 하는 상황이라고 가정해 봅시다. 평점표 모형과 머신러닝 모형 중 어떤 모형이 더 효과적일까요? 그 이유는 무엇입니까?"
