KR20220084618A - 인공지능 기반 연체 예측 장치 및 방법 - Google Patents

인공지능 기반 연체 예측 장치 및 방법 Download PDF

Info

Publication number
KR20220084618A
KR20220084618A KR1020200174267A KR20200174267A KR20220084618A KR 20220084618 A KR20220084618 A KR 20220084618A KR 1020200174267 A KR1020200174267 A KR 1020200174267A KR 20200174267 A KR20200174267 A KR 20200174267A KR 20220084618 A KR20220084618 A KR 20220084618A
Authority
KR
South Korea
Prior art keywords
delinquency
borrower
subject
examination
artificial intelligence
Prior art date
Application number
KR1020200174267A
Other languages
English (en)
Inventor
이영호
유근용
심우인
엄재석
Original Assignee
주식회사 하나은행
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 주식회사 하나은행 filed Critical 주식회사 하나은행
Priority to KR1020200174267A priority Critical patent/KR20220084618A/ko
Publication of KR20220084618A publication Critical patent/KR20220084618A/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/03—Credit; Loans; Processing thereof
    • G06Q40/025—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0635—Risk analysis of enterprise or organisation activities

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Software Systems (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Accounting & Taxation (AREA)
  • Marketing (AREA)
  • Finance (AREA)
  • General Business, Economics & Management (AREA)
  • Game Theory and Decision Science (AREA)
  • Tourism & Hospitality (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Quality & Reliability (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Operations Research (AREA)
  • Educational Administration (AREA)
  • Technology Law (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)

Abstract

본 발명은 인공지능 기술에 관한 것으로서, 상세하게는 기업여신 심사정보를 학습하여 생성한 인공지능 기반 모델을 통해 차주의 연체 확률을 산출하여 차주의 연체 여부를 예측함으로써 여신 심사역의 의사결정을 지원할 수 있는 인공지능 기반 연체 예측 장치 및 방법에 관한 것이다. 이를 위해, 본 발명에 따른 인공지능 기반 연체 예측 방법은 인공지능 기반 연체 예측 장치에서 각 단계가 수행되는 인공지능 기반 연체 예측 방법으로서, 훈련 데이터에 속하는 차주(借主)의 설명변수 값 및 목적변수 값을 이용해 결정 트리(decision tree)를 구성하고 결정 트리의 마지막 노드(node)에서 전체 차주에 대한 연체 차주의 비율인 연체 확률을 산출하는 단계와, 테스트 데이터에 속하는 차주의 설명변수 값을 상기 결정 트리에 대입하여 각 차주의 연체 확률을 계산하고 각 차주의 목적변수 값과 비교하여 예측 실패를 최소화하는 연체 확률을 연체 판정 기준인 임계치로 설정하는 단계와, 심사대상 차주의 설명변수 값을 상기 결정 트리에 대입하여 심사대상 차주의 연체 확률을 계산하는 단계와, 상기 계산한 연체 확률과 상기 설정한 임계치를 비교하여 심사대상 차주의 연체 여부를 예측하는 단계를 포함한다.

Description

인공지능 기반 연체 예측 장치 및 방법{Apparatus and method for predicting loan arrears based on artificial intelligence}
본 발명은 인공지능 기술에 관한 것으로서, 상세하게는 기업여신 심사정보를 학습하여 생성한 인공지능 기반 모델을 통해 차주의 연체 확률을 산출하여 차주의 연체 여부를 예측함으로써 여신 심사역의 의사결정을 지원할 수 있는 인공지능 기반 연체 예측 장치 및 방법에 관한 것이다.
종래의 여신거래의 경우, 일반적으로 신용등급을 포함하는 고객의 신용도를 현재지표 기준으로 파악하여 여신거래를 행하고, 여신고객에 대한 사후관리를 행하는 것이 보통이었다.
특히 기업 여신의 경우 심사역의 여신 심사가 매우 중요하다. 기업여신 심사역은 여신 실행 전에 부실 가능성을 신속 정확하게 검토하여 고위험 차주를 선별해야 한다.
그러나 기업여신 심사 시점에 기업의 즉각적인 요청에 신속하게 대응하기 어렵고 여심 심사가 완료되더라도 연체 부실 가능성을 정확하게 파악하는 것은 쉬운 일이 아니다.
즉, 기업여신 심사역이 기업의 모든 정보를 전체적으로 파악하는 것은 쉬운 일이 아니며 발생 가능한 위험(Risk)을 사전에 파악하여 여신 심사에 반영하는 것은 더욱 어렵기 때문에 여신 실행 후 기업 부실로 인한 재무 손실이 빈번히 발생하게 된다.
한국공개특허 제10-2009-0001940호
본 발명은 상기와 같은 문제점을 해결하기 위해 창안된 것으로서, 본 발명의 목적은 기업 여신 실행 전에 연체 여부를 예측하여 기업 부실로 인한 재무 손실을 사전에 예방하는 것이다.
본 발명의 다른 목적은 기업여신 심사역에게 기업여신 심사에 필요한 다양한 시각적 정보를 제공하는 것이다.
이를 위해, 본 발명에 따른 인공지능 기반 연체 예측 방법은 인공지능 기반 연체 예측 장치에서 각 단계가 수행되는 인공지능 기반 연체 예측 방법으로서, 훈련 데이터에 속하는 차주(借主)의 설명변수 값 및 목적변수 값을 이용해 결정 트리(decision tree)를 구성하고 결정 트리의 마지막 노드(node)에서 전체 차주에 대한 연체 차주의 비율인 연체 확률을 산출하는 단계와, 테스트 데이터에 속하는 차주의 설명변수 값을 상기 결정 트리에 대입하여 각 차주의 연체 확률을 계산하고 각 차주의 목적변수 값과 비교하여 예측 실패를 최소화하는 연체 확률을 연체 판정 기준인 임계치로 설정하는 단계와, 심사대상 차주의 설명변수 값을 상기 결정 트리에 대입하여 심사대상 차주의 연체 확률을 계산하는 단계와, 상기 계산한 연체 확률과 상기 설정한 임계치를 비교하여 심사대상 차주의 연체 여부를 예측하는 단계를 포함한다.
본 발명에 따른 인공지능 기반 연체 예측 장치는 프로세서에 의해 수행되는 인공지능 기반 연체 예측 장치로서, 메모리에 포함된 컴퓨터 판독 가능한 명령들을 실행하도록 구성된 적어도 하나의 프로세서를 포함하여, 상기 적어도 하나의 프로세서는, 기업여신 심사정보 데이터베이스(DB)로부터 제공된 훈련 데이터에 속하는 차주(借主)의 설명변수 값 및 목적변수 값을 이용해 결정 트리(decision tree)를 구성하고 결정 트리의 마지막 노드(node)에서 전체 차주에 대한 연체 차주의 비율인 연체 확률을 산출하는 동작과, 상기 기업여신 심사정보 데이터베이스(DB)로부터 제공된 테스트 데이터에 속하는 차주의 설명변수 값을 상기 결정 트리에 대입하여 각 차주의 연체 확률을 계산하고 각 차주의 목적변수 값과 비교하여 예측 실패를 최소화하는 연체 확률을 연체 판정 기준인 임계치로 설정하는 동작과, 심사대상 차주의 설명변수 값을 상기 결정 트리에 대입하여 심사대상 차주의 연체 확률을 계산하는 동작과, 상기 계산한 연체 확률과 상기 설정한 임계치를 비교하여 심사대상 차주의 연체 여부를 예측하는 동작을 수행하는 것을 특징으로 한다.
본 발명에 따른 인공지능 기반 연체 예측 방법은 인공지능 기반 연체 예측 장치에서 각 단계가 수행되는 인공지능 기반 연체 예측 방법으로서, 심사대상 차주정보를 지도학습 기반의 결정 트리(decision tree)에 입력하여 심사대상 차주의 연체 확률을 계산하는 단계와, 상기 계산한 연체 확률을 상기 결정 트리에서 설정된 임계치와 비교하여 심사대상 차주의 연체 여부를 예측하는 단계와, 심사대상 차주에 대한 연체 예측 결과 및 실제 연체 발생 여부를 포함하는 통계정보에 근거한 연체 예측 시 실제 연체 발생률 또는 미연체 예측 시 실제 연체 발생률과 상기 계산된 연체 확률을 이용해 고위험 차주를 경고하기 위한 심사대상 차주의 예측 등급을 산출하는 단계를 포함한다.
상술한 바와 같이, 본 발명에 따르면 인공지능 기반 모델을 통해 심사대상 차주정보를 분석하여 심사대상 차주의 연체 확률 및 연체 원인을 확인할 수 있어서 심사대상 차주의 연체 가능성 여부를 파악할 수 있기 때문에 기업 부실로 인한 은행의 재무 손실을 사전에 예방할 수 있는 효과가 있다.
또한, 본 발명은 심사대상 차주의 연체 여부를 예측한 결과 외에 심사대상 차주의 예측등급을 산출하여 고위험 차주에 대한 사전 경고를 제공하고, 차주의 리스크 분포를 출력하여 차주의 상대적 위험 수준을 알리고, 차주의 리스크 분류 항목(연체 요인)을 제공함으로써, 기업여신 심사역의 여신 심사 시 매우 효율적으로 의사결정을 지원할 수 있는 효과가 있다.
도 1은 본 발명에 따른 인공지능 기반 연체 예측 장치를 나타낸 도면.
도 2는 본 발명에 따른 인공지능 기반 연체 예측 장치에 적용되는 인공지능 기반 연체 예측 모델을 학습하기 위한 학습 데이터를 나타낸 도면.
도 3은 본 발명에 따른 인공지능 기반 연체 예측 방법에서 연체 예측 모델을 생성하기 위한 과정을 나타낸 순서도.
도 4는 본 발명에 따른 인공지능 기반 연체 예측 방법에서 연체 예측 모델을 이용해 연체 예측 결과를 출력하는 과정을 나타낸 순서도.
도 5는 본 발명에 따른 인공지능 기반 연체 예측 방법에서 인공지능 기반 결정 트리를 생성하는 과정을 나타낸 도면.
도 6은 본 발명에 따른 인공지능 기반 연체 예측 방법에서 연체 판정 기준인 임계치를 설정하는 과정을 나타낸 도면.
도 7은 본 발명에 따른 인공지능 기반 연체 예측 방법에서 심사대상 차주에 대한 연체 예측 결과를 나타낸 도면.
도 8은 본 발명에 따른 인공지능 기반 연체 예측 방법에서 제공되는 추가 정보로서 예측 등급을 나타낸 도면.
도 9는 본 발명에 따른 인공지능 기반 연체 예측 방법에서 제공되는 추가 정보로서 차주 리스트 분포를 나타낸 도면.
도 10은 본 발명에 따른 인공지능 기반 연체 예측 방법에서 제공되는 추가 정보로서 차주 연체 원인을 나타낸 도면.
아래에서는 첨부한 도면을 참고로 하여 본 발명의 실시예에 대하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다.
그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다.
그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
명세서 전체에서, 어떤 부분이 어떤 구성 요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성 요소를 제외하는 것이 아니라 다른 구성 요소를 더 포함할 수 있는 것을 의미한다.
또한, 명세서에 기재된 "……부", "…… 모듈" 의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어나 소프트웨어 또는 하드웨어 및 소프트웨어의 결합으로 구현될 수 있다.
이하, 도면을 참조로 하여 본 발명의 실시예에 따른 인공지능 기반 연체 예측 장치 및 방법에 대하여 상세히 설명한다.
도 1은 본 발명에 따른 인공지능 기반 연체 예측 장치를 나타낸 것이다.
도 1을 참조하면, 본 발명에 따른 인공지능(AI) 기반 연체 예측 장치(200)는 심사대상 차주정보를 입력받아 심사대상 차주의 연체 여부에 대한 예측결과 정보를 출력한다.
인공지능 기반 연체 예측 장치(200)는 퍼스널 컴퓨터(PC) 또는 서버 장치로 구성될 수 있으며, 내부에 있는 적어도 하나 이상의 프로세서에 의해 동작된다.
인공지능 기반 연체 예측 장치(200)에는 인공지능 기반 분석 모델(연체 예측 모델)이 적용되어 있어서, 내부의 프로세서는 심사대상 차주정보를 입력장치를 통해 입력받고 분석 모델을 통해 심사대상 차주정보를 분석하여 심사대상 차주의 연체 확률을 산출한다.
이를 위해 사전 학습된 분석 모델이 준비되어야 한다. 인공지능 기반 연체 예측 장치(200)는 기업여신 심사정보 데이터베이스(100)에 저장된 기업여신 심사정보를 이용해 인공지능 기반 분석 모델을 생성한다.
기업여신 심사정보는 전처리되어 학습 데이터로 사용된다. 학습 데이터의 70%에 해당하는 데이터 즉, 훈련 데이터는 분석 모델을 생성하는데 사용되고, 학습 데이터의 30%에 해당하는 데이터 즉, 테스트 데이터는 분석 모델을 테스트하여 분석 모델의 임계치를 설정하는데 사용된다.
도 2는 본 발명에 따른 인공지능 기반 연체 예측 장치에 적용되는 인공지능 기반 연체 예측 모델을 학습하기 위한 학습 데이터를 나타낸 것이다.
도 2를 참조하면, 학습 데이터는 설명변수(X)와 목적변수(Y)로 구성되어 있다. 설명변수는 신용등급, 연체경험, 매출액감소, 조기경보등급, 중점관리업종 등의 항목으로 구성되어 있고, 목적변수는 실제 연체 여부로서 그 값이 연체 또는 정상으로 구성되어 있다.
본 발명의 실시예에서 학습 데이터는 이전 여신심사가 완료된 1,427명의 차주에 대한 설명변수 및 목적변수로 구성되어 있다.
학습 데이터를 이용해 분석 모델의 학습이 완료되면, 인공지능 기반 연체 예측 장치(200)는 심사대상 차주정보를 입력받아 분석 모델을 이용해 예측결과 정보를 출력하고, 이를 기업여신 정보 데이터베이스(102)에 저장한다.
기업여신 정보 데이터베이스(102)에는 심사대상 차주정보, 예측결과 정보 및 실제 연체 여부 정보가 저장되며, 인공지능 기반 연체 예측 장치(200)는 기업여신 정보 데이터베이스(102)에 저장된 정보를 통계 처리하여 추가적인 정보를 제공할 수 있다.
도 3은 본 발명에 따른 인공지능 기반 연체 예측 방법에서 연체 예측 모델을 생성하기 위한 과정을 나타낸 것이다.
도 3을 참조하면, 먼저 전처리 과정을 통해 기업여신 심사정보를 가공하여 학습 데이터를 준비한다(S10). 가공 처리된 학습 데이터는 도 2에 도시된 바와 같이 차주별 설명변수 및 목적변수로 구성된다.
학습 데이터가 준비되면, 학습 데이터의 일부는 훈련 데이터로 사용하고 나머지는 테스트 데이터로 사용한다. 본 발명의 실시예에서는 1,427개의 학습 데이터를 준비하여, 그 중 70%인 1,000개를 훈련 데이터로 사용하고, 나머지 30%인 427개를 테스트 데이터로 사용한다.
훈련 데이터와 테스트 데이터가 분류되면, 훈련 데이터를 이용해 결정 트리(decision tree)를 생성한다(S20). 결정 트리는 지도학습 기반의 모델로서 입력된 변수들의 값에 의해 목표변수의 값을 예측하는 방법이다.
도 5는 본 발명에 따른 인공지능 기반 연체 예측 방법에서 인공지능 기반 결정 트리를 생성하는 과정을 나타낸 것이다.
도 5를 참조하면, 설명변수별로 고위험 및 저위험으로 차주를 분류하면서 결정 트리를 구성하고, 결정 트리의 마지막 노드(node)에서 전체 차주에 대한 연체 차주의 비율인 연체 확률을 계산함으로써 인공지능 기반 결정 트리를 완성한다.
도 5에서는 설명의 편의를 위해 당행 신용등급, 연체경험, 매출액감소 등 3개의 설명변수를 사용하여 1,000명의 차주에 대해 3개의 노드로 구성된 결정 트리를 생성하고 있으나, 이에 한정되는 것은 아니며 다양한 설명변수를 사용하여 4개 이상의 노드로 구성된 결정 트리를 생성할 수 있다.
이와 같이 결정 트리가 생성되면, 테스트 데이터를 이용해 연체 판정의 기준이 되는 임계치를 설정한다(S30).
즉, 테스트 데이터에 속하는 차주의 설명변수 값을 결정 트리에 대입하여 각 차주의 연체 확률을 계산하고 각 차주의 목적변수 값과 비교하여 예측 실패를 최소화하는 연체 확률을 연체 판정 기준인 임계치로 설정하게 된다.
도 6은 본 발명에 따른 인공지능 기반 연체 예측 방법에서 연체 판정 기준인 임계치를 설정하는 과정을 나타낸 것이다.
도 6을 참조하면, 테스트 데이터에 속하는 427명의 차주에 대한 연체 확률을 계산하고 임시 임계치를 설정해 차주의 연체 확률이 임시 임계치보다 높은 경우 연체로 판정한다. 이러한 연체 판정 결과를 실제 연체 여부와 비교하여 예측 실패 건수를 확인하고 이러한 과정을 반복하여 예측 실패가 최소화되는 임시 임계치를 연체 판정 기준으로 설정한다.
도 6에서, 임시 임계치 18.195% 미만 설정 영역에서 예측실패 건수가 49건이고, 임시 임계치 18.195% 초과 설정 영역에서 예측실패 건수가 48건인데 반해, 임시 임계치 18.39%에서 예측실패 건수가 19건으로 최소가 되므로, 임시 임계치 18.39%가 연체 판정 기준이 되는 임계치로 확정될 수 있다.
상술한 바와 같이, 지도학습 기반 결정 트리 구조와 임계치가 설정됨으로써 연체 예측 모델이 생성된다(S40).
도 4는 본 발명에 따른 인공지능 기반 연체 예측 방법에서 연체 예측 모델을 이용해 연체 예측 결과를 출력하는 과정을 나타낸 것이다.
도 4를 참조하면, 상기 생성된 연체 예측 모델에 심사대상 차주정보를 입력하게 되면(S50), 연체 예측 모델은 결정 트리 및 임계치에 근거해 심사대상 차주에 대한 연체 여부를 예측한 분석결과를 출력한다(S60).
연체 예측 모델은 분석결과로서 심사대상 차주의 연체 확률, 연체 예측 결과(연체 또는 정상), 연체 원인 등을 출력할 수 있다.
도 7은 본 발명에 따른 인공지능 기반 연체 예측 방법에서 심사대상 차주에 대한 연체 예측 결과를 나타낸 것이다.
도 7을 참조하면, 차주 A와 차주 B에 대한 연체 예측 결과를 보여 주고 있다. 차주 A의 연체 확률은 8.75%로서 임계치 18.39%보다 낮기 때문에 연체 예측 결과는 "정상"으로 출력되었고, 차주 B의 연체 확률은 41.25%로서 임계치보다 높기 때문에 연체 예측 결과는 "연체"로 출력되었다.
이와 같이 본 발명에 따른 인공지능 기반 연체 예측 장치는 연체 예측 모델을 통해 연체 예측 결과를 출력하는 한편 통계 기반의 추가적인 정보를 제공한다(S70).
도 8은 본 발명에 따른 인공지능 기반 연체 예측 방법에서 제공되는 추가 정보로서 예측 등급을 나타낸 것이다.
도 8을 참조하면, 심사대상 차주의 예측 결과(연체 또는 정상)와 함께 기 저장된 통계정보에 근거해 심사대상 차주가 속하는 유형에서 미연체 예측 시 실제 연체 발생률 및 연체 예측 시 실제 연체 발생률을 제공할 수 있다. 심사대상 차주인 기업은 외감, 비외감, 소호 등 여러 유형으로 분류될 수 있다.
도 8에 도시된 바와 같이, 차주 A는 비외감 2에 속하는 기업으로서, 연체 확률이 68.20%이고, 비외감 2에 속하는 차주가 미연체 예측 판정을 받았을 때 연체발생률이 2.71%, 연체 예측 판정을 받았을 때 연체발생률이 54.95%라는 것을 확인할 수 있다. 여기서 연체발생률은 실제로 연체가 발생한 비율을 의미한다.
차주 A는 연체 확률이 68.2%이므로 연체 예측 판정을 받았고, 연체 대비 1.24배로서 연체 예측 차주 중에서 고위험군에 속하기 때문에 예측 등급은 "경고"로 표시되어 있다. 여기서 연체 대비는 연체 예측 시의 연체 발생률에 대한 연체 확률의 비율을 말한다.
즉, 심사대상 차주의 연체 확률 및 연체 예측 시 연체 발생률 또는 미연체 예측 시 연체 발생률에 근거해 심사대상 차주의 예측 등급을 산출할 수 있다.
이와 같이, 연체 확률에 따른 연체 예측 결과 외에 심사대상 차주의 예측 등급을 제공함으로써 기업여신 심사역에게 고위험 차주를 사전 경고할 수 있다.
도 9는 본 발명에 따른 인공지능 기반 연체 예측 방법에서 제공되는 추가 정보로서 차주 리스트 분포를 나타낸 것이다.
도 9를 참조하면, 심사대상 차주의 예측결과(연체 또는 정상)와 함께 기 저장된 통계정보에 근거해 심사대상 차주가 속하는 유형에서 심사대상 차주의 연체 확률이 속하는 구간의 연체 발생률을 제공할 수 있다.
차주 A는 연체 확률이 68.2%이므로 7구간에 속하며 7구간의 연체 발생률은 73.68%임을 알 수 있다. 또한, 차주 A가 속하는 7구간의 연체 발생률은 1구간의 연체 발생률보다 30.8배로서 차주 A의 연체 위험(risk)이 1구간 대비 30.8배 높다는 것을 확인할 수 있고, 차주 리스크 분포가 상위 29.9%에 위치한다는 것을 확인할 수 있다.
즉, 심사대상 차주의 연체 확률이 속하는 구간의 연체 발생률에 근거해 리스크를 비교하고 차주 리스크 분포를 확인함으로써 심사대상 차주의 상대적 위험 수준을 파악할 수 있다.
도 10은 본 발명에 따른 인공지능 기반 연체 예측 방법에서 제공되는 추가 정보로서 차주 연체 원인을 나타낸 것이다.
도 10을 참조하면, 심사대상 차주의 예측결과(연체 또는 정상)와 함께 기 저장된 통계정보에 근거해 심사대상 차주가 속하는 유형에서 발생하는 연체 원인 중에서 심사대상 차주의 연체 원인을 선별하여 표시할 수 있다.
도 10에 도시된 바와 같이, 심사대상 차주 A가 속하는 비외감 2 유형에 속하는 기업의 주요 연체 원인으로는 당행 신용등급, 차입금 의존도, 이자보상비율, 차입금 EBITDA 비율, 당행 연체(1년내), 중점관리산업 등이 있는데, 이 중에서 차주 A의 연체 원인 즉, 리스크 요인이 차입금 의존도, 이자보상비율, 당행 연체(1년내) 등의 3가지라는 것을 확인할 수 있다.
이와 같이, 연체 예측 결과가 "연체"로 판정되었을 때 기업여신 심사역이 그 연체의 원인까지 구체적으로 확인함으로써 여신심사 시 차주에 대해 더욱 종합적이고 입체적인 검토가 가능할 수 있다.
이상에서 설명한 본 발명의 실시예는 장치 및 방법을 통해서만 구현이 되는 것은 아니며, 본 발명의 실시예의 구성에 대응하는 기능을 실현하는 프로그램 또는 그 프로그램이 기록된 기록 매체를 통해 구현될 수도 있다.
또한, 본 발명의 실시예에 대하여 상세하게 설명하였지만 본 발명의 권리범위는 이에 한정되는 것은 아니고 다음의 청구범위에서 정의하고 있는 본 발명의 기본 개념을 이용한 당업자의 여러 변형 및 개량 형태 또한 본 발명의 권리범위에 속하는 것이다.
100: 기업여신 심사정보 DB 102: 기업여신 정보 DB
200: AI 연체 예측 장치

Claims (19)

  1. 인공지능 기반 연체 예측 장치에서 각 단계가 수행되는 인공지능 기반 연체 예측 방법에 있어서,
    훈련 데이터에 속하는 차주(借主)의 설명변수 값 및 목적변수 값을 이용해 결정 트리(decision tree)를 구성하고 결정 트리의 마지막 노드(node)에서 전체 차주에 대한 연체 차주의 비율인 연체 확률을 산출하는 단계와,
    테스트 데이터에 속하는 차주의 설명변수 값을 상기 결정 트리에 대입하여 각 차주의 연체 확률을 계산하고 각 차주의 목적변수 값과 비교하여 예측 실패를 최소화하는 연체 확률을 연체 판정 기준인 임계치로 설정하는 단계와,
    심사대상 차주의 설명변수 값을 상기 결정 트리에 대입하여 심사대상 차주의 연체 확률을 계산하는 단계와,
    상기 계산한 연체 확률과 상기 설정한 임계치를 비교하여 심사대상 차주의 연체 여부를 예측하는 단계를 포함하는 인공지능 기반 연체 예측 방법.
  2. 제1항에 있어서,
    상기 설명변수는 신용등급, 연체경험, 매출액감소, 조기경보등급 및 중점관리업종을 포함하는 것을 특징으로 하는 인공지능 기반 연체 예측 방법.
  3. 제1항에 있어서,
    상기 목적변수는 실제 연체 여부로서 그 값은 연체 또는 정상인 것을 특징으로 하는 인공지능 기반 연체 예측 방법.
  4. 제1항에 있어서,
    상기 심사대상 차주의 연체 여부를 예측하는 단계는 심사대상 차주의 예측 결과(연체 또는 정상), 연체 확률 및 연체 원인을 출력하는 것을 특징으로 하는 인공지능 기반 연체 예측 방법.
  5. 제4항에 있어서,
    심사대상 차주의 예측결과(연체 또는 정상)와 함께 기 저장된 통계정보에 근거해 심사대상 차주가 속하는 유형에서 미연체 예측 시 실제 연체 발생률과 연체 예측 시 실제 연체 발생률을 제공하는 단계를 더 포함하는 것을 특징으로 하는 인공지능 기반 연체 예측 방법.
  6. 제5항에 있어서,
    심사대상 차주의 연체 확률 및 상기 연체 예측 시 실제 연체 발생률 또는 상기 미연체 예측 시 실제 연체 발생률에 근거해 심사대상 차주의 예측 등급을 산출하는 단계를 더 포함하는 것을 특징으로 하는 인공지능 기반 연체 예측 방법.
  7. 제4항에 있어서,
    심사대상 차주의 예측결과(연체 또는 정상)와 함께 기 저장된 통계정보에 근거해 심사대상 차주가 속하는 유형에서 심사대상 차주의 연체 확률이 속하는 구간의 연체 발생률을 제공하는 단계를 더 포함하는 것을 특징으로 하는 인공지능 기반 연체 예측 방법.
  8. 제7항에 있어서,
    상기 심사대상 차주의 연체 확률이 속하는 구간의 연체 발생률에 근거해 심사대상 차주의 상대적 위험 수준을 나타내는 리스크 분포를 제공하는 단계를 더 포함하는 것을 특징으로 하는 인공지능 기반 연체 예측 방법.
  9. 제4항에 있어서,
    심사대상 차주의 예측결과(연체 또는 정상)와 함께 기 저장된 통계정보에 근거해 심사대상 차주가 속하는 유형에서 발생하는 연체 원인 중에서 심사대상 차주의 연체 원인을 표시하여 제공하는 단계를 더 포함하는 것을 특징으로 하는 인공지능 기반 연체 예측 방법.
  10. 프로세서에 의해 수행되는 인공지능 기반 연체 예측 장치에 있어서,
    메모리에 포함된 컴퓨터 판독 가능한 명령들을 실행하도록 구성된 적어도 하나의 프로세서를 포함하여,
    상기 적어도 하나의 프로세서는,
    기업여신 심사정보 데이터베이스(DB)로부터 제공된 훈련 데이터에 속하는 차주(借主)의 설명변수 값 및 목적변수 값을 이용해 결정 트리(decision tree)를 구성하고 결정 트리의 마지막 노드(node)에서 전체 차주에 대한 연체 차주의 비율인 연체 확률을 산출하는 동작과,
    상기 기업여신 심사정보 데이터베이스(DB)로부터 제공된 테스트 데이터에 속하는 차주의 설명변수 값을 상기 결정 트리에 대입하여 각 차주의 연체 확률을 계산하고 각 차주의 목적변수 값과 비교하여 예측 실패를 최소화하는 연체 확률을 연체 판정 기준인 임계치로 설정하는 동작과,
    심사대상 차주의 설명변수 값을 상기 결정 트리에 대입하여 심사대상 차주의 연체 확률을 계산하는 동작과,
    상기 계산한 연체 확률과 상기 설정한 임계치를 비교하여 심사대상 차주의 연체 여부를 예측하는 동작을 수행하는 것을 특징으로 하는 인공지능 기반 연체 예측 장치.
  11. 제10항에 있어서,
    상기 적어도 하나의 프로세서는 입력장치를 통해 심사대상 차주의 설명변수 값을 포함하는 심사대상 차주정보를 입력받아 심사대상 차주의 예측 결과(연체 또는 정상), 연체 확률 및 연체 원인을 출력하는 것을 특징으로 하는 인공지능 기반 연체 예측 장치.
  12. 제11항에 있어서,
    상기 적어도 하나의 프로세서는 기 저장된 통계정보에 근거해 심사대상 차주가 속하는 유형에서 미연체 예측 시 실제 연체 발생률과 연체 예측 시 실제 연체 발생률을 출력하는 것을 특징으로 하는 인공지능 기반 연체 예측 장치.
  13. 제12항에 있어서,
    상기 적어도 하나의 프로세서는 심사대상 차주의 연체 확률 및 상기 연체 예측 시 실제 연체 발생률 또는 상기 미연체 예측 시 실제 연체 발생률에 근거해 심사대상 차주의 예측 등급을 산출하는 것을 특징으로 하는 인공지능 기반 연체 예측 장치.
  14. 제11항에 있어서,
    상기 적어도 하나의 프로세서는 기 저장된 통계정보에 근거해 심사대상 차주가 속하는 유형에서 심사대상 차주의 연체 확률이 속하는 구간의 연체 발생률을 출력하는 것을 특징으로 하는 인공지능 기반 연체 예측 장치.
  15. 제14항에 있어서,
    상기 적어도 하나의 프로세서는 상기 심사대상 차주의 연체 확률이 속하는 구간의 연체 발생률에 근거해 심사대상 차주의 상대적 위험 수준을 나타내는 리스크 분포를 출력하는 것을 특징으로 하는 인공지능 기반 연체 예측 장치.
  16. 제11항에 있어서,
    상기 적어도 하나의 프로세서는 기 저장된 통계정보에 근거해 심사대상 차주가 속하는 유형에서 발생하는 연체 원인 중에서 심사대상 차주의 연체 원인을 표시하여 출력하는 것을 특징으로 하는 인공지능 기반 연체 예측 장치.
  17. 인공지능 기반 연체 예측 장치에서 각 단계가 수행되는 인공지능 기반 연체 예측 방법에 있어서,
    심사대상 차주정보를 지도학습 기반의 결정 트리(decision tree)에 입력하여 심사대상 차주의 연체 확률을 계산하는 단계와,
    상기 계산한 연체 확률을 상기 결정 트리에서 설정된 임계치와 비교하여 심사대상 차주의 연체 여부를 예측하는 단계와,
    심사대상 차주에 대한 연체 예측 결과 및 실제 연체 발생 여부를 포함하는 통계정보에 근거한 연체 예측 시 실제 연체 발생률 또는 미연체 예측 시 실제 연체 발생률과 상기 계산된 연체 확률을 이용해 고위험 차주를 경고하기 위한 심사대상 차주의 예측 등급을 산출하는 단계를 포함하는 인공지능 기반 연체 예측 방법.
  18. 제17항에 있어서,
    상기 심사대상 차주의 연체 확률이 속하는 구간의 연체 발생률에 근거해 심사대상 차주의 상대적 위험 수준을 나타내는 리스크 분포를 출력하는 단계를 더 포함하는 것을 특징으로 하는 인공지능 기반 연체 예측 방법.
  19. 제17항에 있어서,
    상기 심사대상 차주에 대한 연체 예측 결과가 연체인 경우 상기 심사대상 차주의 연체 원인을 표시하여 출력하는 단계를 더 포함하는 것을 특징으로 하는 인공지능 기반 연체 예측 방법.
KR1020200174267A 2020-12-14 2020-12-14 인공지능 기반 연체 예측 장치 및 방법 KR20220084618A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200174267A KR20220084618A (ko) 2020-12-14 2020-12-14 인공지능 기반 연체 예측 장치 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200174267A KR20220084618A (ko) 2020-12-14 2020-12-14 인공지능 기반 연체 예측 장치 및 방법

Publications (1)

Publication Number Publication Date
KR20220084618A true KR20220084618A (ko) 2022-06-21

Family

ID=82221475

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200174267A KR20220084618A (ko) 2020-12-14 2020-12-14 인공지능 기반 연체 예측 장치 및 방법

Country Status (1)

Country Link
KR (1) KR20220084618A (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102545232B1 (ko) * 2023-02-24 2023-06-20 주식회사 앤톡 오픈 데이터를 활용한 대안적 방식의 신용평가정보 제공 장치 및 방법

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20090001940A (ko) 2007-05-29 2009-01-09 주식회사 신한은행 부실여신 거래 기업의 사전 선정 방법 및 시스템과 이를위한 기록매체

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20090001940A (ko) 2007-05-29 2009-01-09 주식회사 신한은행 부실여신 거래 기업의 사전 선정 방법 및 시스템과 이를위한 기록매체

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102545232B1 (ko) * 2023-02-24 2023-06-20 주식회사 앤톡 오픈 데이터를 활용한 대안적 방식의 신용평가정보 제공 장치 및 방법
KR102588210B1 (ko) * 2023-02-24 2023-10-12 주식회사 앤톡 오픈 데이터에 대한 통계적 검정 적용을 통한 대안적 신용 평가 방법 및 장치

Similar Documents

Publication Publication Date Title
US11379773B2 (en) Method and system for risk measurement and modeling
Yandri et al. Evaluation model for the implementation of information technology service management using fuzzy ITIL
US7844641B1 (en) Quality management in a data-processing environment
US20200202268A1 (en) Utilizing artificial intelligence to predict risk and compliance actionable insights, predict remediation incidents, and accelerate a remediation process
US20190220787A1 (en) Data quality analysis tool
US20070174094A1 (en) Evaluating a subrogation potential of an insurance claim
JP6783002B2 (ja) 企業の債務不履行予測システム及びその動作方法
KR102013768B1 (ko) 룰 기반 보험 인수심사처리 시스템 및 그 방법
US20150178647A1 (en) Method and system for project risk identification and assessment
US20170270546A1 (en) Service churn model
US20210056213A1 (en) Quantifiying privacy impact
KR101851367B1 (ko) 신용도를 평가하는 방법, 장치 및 컴퓨터 판독 가능한 기록 매체
Urunkar et al. Fraud detection and analysis for insurance claim using machine learning
KR20220084618A (ko) 인공지능 기반 연체 예측 장치 및 방법
US20220148114A1 (en) Methods and systems for implementing and monitoring process safety management
Seyedhoseini et al. Two-pillar risk management (TPRM): a generic project risk management process
KR102499181B1 (ko) 인공지능을 이용한 대출 상시감사지원시스템
CA3170618A1 (en) Data processing method and device
KR102499182B1 (ko) 인공지능을 이용한 가계대출 사기/부실 상시감사지원시스템
KR20240066781A (ko) 인공지능 기반의 개인 신용 대출 연체 예측 장치 및 그 방법
CN115018625A (zh) 征信融合报告生成方法、装置、设备及存储介质
Martin et al. A Case Study on Designing Evaluations of ML Explanations with Simulated User Studies
GB2583176A (en) Prediction device, prediction program, and prediction method for predicting human judgments
Flores-Jimeno et al. Analysing business failure processes
CA3036543A1 (en) Methods and systems for implementing and monitoring process safety management

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E601 Decision to refuse application