statcraft

* RJT 테이블 요건정의

 - RJT 테이블은 개인식별정보가 없으므로, 개발에 직접적으로 사용할 수는 없음

   (인구통계를 활용하는 컨셉으로 분석 후 모형개발에 활용함, ex) 세분화 키나 변수 도출시)

 - 총 9개의 변수로 구성되며, 신청금액, 신청일, 신청목적, 신용등급, 부채대수입비율, 우편번호, 주, 근속년수, 정책코드 등임

 - 거절자 특성을 확인하기 위해 해당 데이터 테이블의 변수들에 대해 분석을 시행함

i) 데이터 건수

 - 거절 데이터는 2007년 5월 부터이며, 월별 거절건수에 대한 시계열적 트렌트는 확인하기 어려움

   (월별 빈도분석 그래프로 확인)

 - 08년(2만 5천건), 09년(5만 7천건), 10년(11만 2천건), 11년(21만 8천건), 12년(33만 7천건), 13년(76만건), 14년(193만 2천건), 15년(285만 6천건)으로 거절자는 급격하게 증가함

   (해당 건수의 급격한 증가로 시계열적 트렌드는 확인이 어려운 것으로 판단됨)

 - 굳이 언급하면, 2월 차주가 다소 감소하며 이후 증가하다 7월 증가폭이 다소 크며, 8~9월은 일정함. 이후 11월 다소 감소하는 트렌드를 확인

 - 2013~2015에 해당하는 것만 활용하더라도 개발대상의 수는 충분할 것으로 판단됨(5,548,650건)

 - 모형개발에 사용할 데이터는 가장 최근의 데이터를 활용하는 것이 유리하므로, 14~15년 데이터(4,788,073건)를 개발 모집단으로 정의

 - 즉, 14~15년 데이터를 개발에 사용하고 16년 데이터를 통해 모형을 검증

ii) 상환금액대수입(월)

 - 음수(-0.01)인 차주가 08년 3월 부터 존재함.

 - 상환금액이 음수일 수 없으며, 월수입 또한 음수일 수 없으며, 0인 경우 해당비율은 산출될 수 없음

 - 음수인 차주 삭제후 건수는 4,323,738건임(2014년 1,698,415건, 2015년 2,625,323건)

 - 삭제된 46만 4천건에 대해서는 음수로 산출되는 원인을 파악해야 하나, 불가하므로 분석에서 제외함

이 중 신청금액, 신청일, 신청목적, 신용등급활용가능한 항목은 신청금액, 자금용도, 점수, 부채소진율, 근속년수, 기준시점
 - 승인차주수 대비 거절차주의 비중이 월등히 높음(이중 근속년수 1년미만이 가장 높음

)

i) 큰 구분항목으로는 자금용도, 점수, 근속년수 등임
 - 신청금액은 소진율과 복합하여 사용가능한지 파악필요
 - 자금용도는 텍스트마이닝으로 연관성 분석등을 사용할 수 있음(근속년수/스코어별)
 - 근속년수는 단순하게 1년미만, 5년 등이 빈도수가 높음(특히 1년미만)
 - 기준시점은 점차 증가하나 이와함께 활용할 변수가 없음
   (차주수는 각년의 2월까지 높아지다 낮아지는 계절성 존재함
    -> 승인건에 한해 계절성이 존재하는 지도 확인필요)

ii) score의 스케일링을 통한 등급/위험도 정의
 - 2013년 11월 05일 이전은 fk score이며, 이후는 vantage score임
   (vantage score의 경우 2.0인지 3.0인지에 따라 스케일 기준이 다름)
 - 분석대상은 11월 05일 이후 시점으로 선정함(loan 및 reject 모두 동일하게 적용)

iii) 신청금액과 소진율의 관계는 없음(피어슨 및 스피어만 모두 확인)
 - 비대면 중금리대출의 경우 소액으로 진행되므로 금액에 따른 근속년수 및 소진율의

관계를 찾을 수 없는게 상식적인 결과임
 - 상관관계는 없으나, 마이닝으로 관계를 확인할 수 있나?