KR20240066781A - 인공지능 기반의 개인 신용 대출 연체 예측 장치 및 그 방법 - Google Patents

인공지능 기반의 개인 신용 대출 연체 예측 장치 및 그 방법 Download PDF

Info

Publication number
KR20240066781A
KR20240066781A KR1020220147990A KR20220147990A KR20240066781A KR 20240066781 A KR20240066781 A KR 20240066781A KR 1020220147990 A KR1020220147990 A KR 1020220147990A KR 20220147990 A KR20220147990 A KR 20220147990A KR 20240066781 A KR20240066781 A KR 20240066781A
Authority
KR
South Korea
Prior art keywords
delinquency
borrower
probability
artificial intelligence
prediction
Prior art date
Application number
KR1020220147990A
Other languages
English (en)
Inventor
김용특
Original Assignee
디티에쓰아이 주식회사
Filing date
Publication date
Application filed by 디티에쓰아이 주식회사 filed Critical 디티에쓰아이 주식회사
Publication of KR20240066781A publication Critical patent/KR20240066781A/ko

Links

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
    • 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

Abstract

본 발명은 인공지능 기반의 개인 신용 대출 연체 예측 방법이 제공된다. 상기 방법은, 인공지능 기반의 개인 신용 대출 연체 예측 장치에서 각 단계가 수행되는 인공지능 기반의 개인 신용 대출 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 단계; 테스트 데이터에 속하는 차주의 설명변수 값을 상기 결정 트리에 대입하여 각 차주의 연체 확률을 계산하고 각차주의 목적변수 값과 비교하여 예측 실패를 최소화하는 연체 확률을 연체 판정 기준인 임계치로 설정하는 단계; 심사대상 차주의 설명변수 값을 상기 결정 트리에 대입하여 심사대상 차주의 연체 확률을 계산하는 단계; 및 상기 계산한 연체 확률과 상기 설정한 임계치를 비교하여 심사대상 차주의 연체 여부를 예측하는 단계를 포함할 수 있다.

Description

인공지능 기반의 개인 신용 대출 연체 예측 장치 및 그 방법 {PREDICTING APPARATUS FOR LOAN ARREARS BASED ON ARTIFICIAL INTELLIGENCE AND METHOD THEREOF}
본 발명은 인공지능 기반의 개인 신용 대출 연체 예측 장치 및 그 방법 에 관한 것으로써, 특히 기업여신 심사정보를 학습하여 생성한 인공지능 기반 모델을 통해 차주의 연체 확률을 산출하여 차주의 연체 여부를 예측함으로써 여신 심사역의 의사결정을 지원할 수 있는, 인공지능 기반의 개인 신용 대출 연체 예측 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.
상기의 배경기술로서 설명된 사항들은 본 발명의 배경에 대한 이해 증진을 위한 것을 뿐, 이 기술분야에서 통상의 지식을 가진 자에게 이미 알려진 종래기술에 해당함을 인정하는 것으로 받아들여서는 안될 것이다.
대한민국 공개특허 제10-2009-0001940호
본 발명이 해결하고자 하는 과제는 인공지능 기반의 개인 신용 대출 연체 예측 방법을 제공하는 것이다.
본 발명이 해결하고자 하는 과제들은 이상에서 언급된 과제로 제한되지 않으며, 언급되지 않은 또 다른 과제들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.
상술한 과제를 해결하기 위한 본 발명의 일실시예에 따른 인공지능 기반의 개인 신용 대출 연체 예측 방법은, 인공지능 기반의 개인 신용 대출 연체 예측 장치에서 각 단계가 수행되는 인공지능 기반의 개인 신용 대출 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 단계; 테스트 데이터에 속하는 차주의 설명변수 값을 상기 결정 트리에 대입하여 각 차주의 연체 확률을 계산하고 각차주의 목적변수 값과 비교하여 예측 실패를 최소화하는 연체 확률을 연체 판정 기준인 임계치로 설정하는 단계; 심사대상 차주의 설명변수 값을 상기 결정 트리에 대입하여 심사대상 차주의 연체 확률을 계산하는 단계; 및 상기 계산한 연체 확률과 상기 설정한 임계치를 비교하여 심사대상 차주의 연체 여부를 예측하는 단계를 포함할 수 있다.
본 발명의 일실시예에 있어서, 상기 설명변수는 신용등급, 연체경험, 매출액감소, 조기경보등급 및 중점관리업종을 포함하고, 상기 목적변수는 실제 연체 여부로서 그 값은 연체 또는 정상일 수 있다.
본 발명의 일실시예에 있어서, 상기 심사대상 차주의 연체 여부를 예측하는 단계는 심사대상 차주의 예측 결과(연체 또는 정상), 연체 확률 및 연체 원인을 출력할 수 있다.
또한, 상술한 과제를 해결하기 위한 본 발명의 일실시예에 따른 인공지능 기반의 개인 신용 대출 연체 예측 장치는, 프로세서에 의해 수행되는 인공지능 기반의 개인 신용 대출 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 수행할 수 있다.
또한, 상술한 과제를 해결하기 위한 본 발명의 일실시예에 따른 인공지능 기반의 개인 신용 대출 연체 예측 방법은, 인공지능 기반의 개인 신용 대출 연체 예측 장치에서 각 단계가 수행되는 인공지능 기반의 개인 신용 대출 연체 예측 방법에 있어서, 심사대상 차주정보를 지도학습 기반의 결정 트리(decision tree)에 입력하여 심사대상 차주의 연체 확률을 계산하는 단계; 상기 계산한 연체 확률을 상기 결정 트리에서 설정된 임계치와 비교하여 심사대상 차주의 연체 여부를 예측하는 단계; 및 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 포함할 수 있다.
본 발명의 일실시예에 있어서, 상기 심사대상 차주의 연체 확률이 속하는 구간의 연체 발생률에 근거해 심사대상 차주의 상대적 위험 수준을 나타내는 리스크 분포를 출력하는 단계를 더 포함할 수 있다.
본 발명의 일실시예에 있어서, 상기 심사대상 차주에 대한 연체 예측 결과가 연체인 경우 상기 심사대상 차주의 연체 원인을 표시하여 출력하는 단계를 더 포함할 수 있다.
본 발명의 기타 구체적인 사항들은 상세한 설명 및 도면들에 포함되어 있다.
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 있다.
본 발명에 따르면, 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 있다.
본 발명의 효과들은 이상에서 언급된 효과로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.
도 1은 본 발명에 따른 인공지능 기반의 개인 신용 대출 연체 예측 장치를 나타낸 도면이다.
도 2는 본 발명에 따른 인공지능 기반의 개인 신용 대출 연체 예측 장치에 적용되는 인공지능 기반의 개인 신용 대출 연체 예측 모델을 학습하기 위한 학습 데이터를 나타낸 도면이다.
도 3은 본 발명에 따른 인공지능 기반의 개인 신용 대출 연체 예측 방법에서 연체 예측 모델을 생성하기 위한 과정을 나타낸 순서도이다.
도 4는 본 발명에 따른 인공지능 기반의 개인 신용 대출 연체 예측 방법에서 연체 예측 모델을 이용해 연체 예측 결과를 출력하는 과정을 나타낸 순서도이다.
도 5는 본 발명에 따른 인공지능 기반의 개인 신용 대출 연체 예측 방법에서 인공지능 기반 결정 트리를 생성하는 과정을 나타낸 도면이다.
도 6은 본 발명에 따른 인공지능 기반의 개인 신용 대출 연체 예측 방법에서 연체 판정 기준인 임계치를 설정하는 과정을 나타낸 도면이다.
도 7은 본 발명에 따른 인공지능 기반의 개인 신용 대출 연체 예측 방법에서 심사대상 차주에 대한 연체 예측 결과를 나타낸 도면이다.
도 8은 본 발명에 따른 인공지능 기반의 개인 신용 대출 연체 예측 방법에서 제공되는 추가 정보로서 예측 등급을 나타낸 도면이다.
도 9는 본 발명에 따른 인공지능 기반의 개인 신용 대출 연체 예측 방법에서 제공되는 추가 정보로서 차주 리스트 분포를 나타낸 도면이다.
도 10은 본 발명에 따른 인공지능 기반의 개인 신용 대출 연체 예측 방법에서 제공되는 추가 정보로서 차주 연체 원인을 나타낸 도면이다.
본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나, 본 발명은 이하에서 개시되는 실시예들에 제한되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하고, 본 발명이 속하는 기술 분야의 통상의 기술자에게 본 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다.
본 명세서에서 사용된 용어는 실시예들을 설명하기 위한 것이며 본 발명을 제한하고자 하는 것은 아니다. 본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함한다. 명세서에서 사용되는 "포함한다(comprises)" 및/또는 "포함하는(comprising)"은 언급된 구성요소 외에 하나 이상의 다른 구성요소의 존재 또는 추가를 배제하지 않는다. 명세서 전체에 걸쳐 동일한 도면 부호는 동일한 구성 요소를 지칭하며, "및/또는"은 언급된 구성요소들의 각각 및 하나 이상의 모든 조합을 포함한다. 비록 "제1", "제2" 등이 다양한 구성요소들을 서술하기 위해서 사용되나, 이들 구성요소들은 이들 용어에 의해 제한되지 않음은 물론이다. 이들 용어들은 단지 하나의 구성요소를 다른 구성요소와 구별하기 위하여 사용하는 것이다. 따라서, 이하에서 언급되는 제1 구성요소는 본 발명의 기술적 사상 내에서 제2 구성요소일 수도 있음은 물론이다.
다른 정의가 없다면, 본 명세서에서 사용되는 모든 용어(기술 및 과학적 용어를 포함)는 본 발명이 속하는 기술분야의 통상의 기술자에게 공통적으로 이해될 수 있는 의미로 사용될 수 있을 것이다. 또한, 일반적으로 사용되는 사전에 정의되어 있는 용어들은 명백하게 특별히 정의되어 있지 않는 한 이상적으로 또는 과도하게 해석되지 않는다.
이하, 도면을 참조로 하여 본 발명의 실시예에 따른 인공지능 기반의 개인 신용 대출 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 기반의 개인 신용 대출 연체 예측 장치(200)는 퍼스널 컴퓨터(PC) 또는 서버 장치로 구성될 수 있으며, 내부에 있는 적어도 하나 이상의 프로세서에 의해 동작된다.
인공지능 기반의 개인 신용 대출 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 기반의 개인 신용 대출 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 기반의 개인 신용 대출 연체 예측 장치에 적용되는 인공지능 기반의 개인 신용 대출 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 기반의 개인 신용 대출 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 기반의 개인 신용 대출 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 기반의 개인 신용 대출 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). 가공처리된 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 기반의 개인 신용 대출 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 기반의 개인 신용 대출 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 기반의 개인 신용 대출 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 기반의 개인 신용 대출 연체 예측 방법에서 심사대상 차주에 대한 연체 예측 결과를 나타낸 것이다.
도 7을 참조하면, 차주 A와 차주 B에 대한 연체 예측 결과를 보여주고 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 기반의 개인 신용 대출 연체 예측 장치는 연체 예측 모델을 통해 연체 예측 결과를 출력하는 한편 통계 기반의 추가적인 정보를 제공한다(S70).
도 8은 본 발명에 따른 인공지능 기반의 개인 신용 대출 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 기반의 개인 신용 대출 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 기반의 개인 신용 대출 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) 등 의 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.
본 발명의 실시예와 관련하여 설명된 방법 또는 알고리즘의 단계들은 하드웨어로 직접 구현되거나, 하드웨어에 의해 실행되는 소프트웨어 모듈로 구현되거나, 또는 이들의 결합에 의해 구현될 수 있다. 소프트웨어 모듈은 RAM(Random Access Memory), ROM(Read Only Memory), EPROM(Erasable Programmable ROM), EEPROM(Electrically Erasable Programmable ROM), 플래시 메모리(Flash Memory), 하드 디스크, 착탈형 디스크, CD-ROM 또는 본 발명이 속하는 기술 분야에서 잘 알려진 임의의 형태의 컴퓨터 판독가능 기록매체에 상주할 수도 있다.
이상, 첨부된 도면을 참조로 하여 본 발명의 실시예를 설명하였지만, 본 발명이 속하는 기술분야의 통상의 기술자는 본 발명이 그 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있을 것이다. 그러므로, 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며, 제한적이 아닌 것으로 이해해야만 한다.
100 : 기업여신 심사정보 DB
102 : 기업여신 정보 DB
200 : AI 연체 예측 장치

Claims (7)

  1. 인공지능 기반의 개인 신용 대출 연체 예측 장치에서 각 단계가 수행되는 인공지능 기반의 개인 신용 대출 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 단계;
    테스트 데이터에 속하는 차주의 설명변수 값을 상기 결정 트리에 대입하여 각 차주의 연체 확률을 계산하고 각차주의 목적변수 값과 비교하여 예측 실패를 최소화하는 연체 확률을 연체 판정 기준인 임계치로 설정하는 단계;
    심사대상 차주의 설명변수 값을 상기 결정 트리에 대입하여 심사대상 차주의 연체 확률을 계산하는 단계; 및
    상기 계산한 연체 확률과 상기 설정한 임계치를 비교하여 심사대상 차주의 연체 여부를 예측하는 단계를 포함하는, 인공지능 기반의 개인 신용 대출 연체 예측 방법.
  2. 제1항에 있어서,
    상기 설명변수는 신용등급, 연체경험, 매출액감소, 조기경보등급 및 중점관리업종을 포함하고,
    상기 목적변수는 실제 연체 여부로서 그 값은 연체 또는 정상인, 인공지능 기반의 개인 신용 대출 연체 예측 방법.
  3. 제1항에 있어서,
    상기 심사대상 차주의 연체 여부를 예측하는 단계는 심사대상 차주의 예측 결과(연체 또는 정상), 연체 확률 및 연체 원인을 출력하는, 인공지능 기반의 개인 신용 대출 연체 예측 방법.
  4. 프로세서에 의해 수행되는 인공지능 기반의 개인 신용 대출 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, 인공지능 기반의 개인 신용 대출 연체 예측 장치.
  5. 인공지능 기반의 개인 신용 대출 연체 예측 장치에서 각 단계가 수행되는 인공지능 기반의 개인 신용 대출 연체 예측 방법에 있어서,
    심사대상 차주정보를 지도학습 기반의 결정 트리(decision tree)에 입력하여 심사대상 차주의 연체 확률을 계산하는 단계;
    상기 계산한 연체 확률을 상기 결정 트리에서 설정된 임계치와 비교하여 심사대상 차주의 연체 여부를 예측하는 단계; 및
    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 기반의 개인 신용 대출 연체 예측 방법.
  6. 제5항에 있어서,
    상기 심사대상 차주의 연체 확률이 속하는 구간의 연체 발생률에 근거해 심사대상 차주의 상대적 위험 수준을 나타내는 리스크 분포를 출력하는 단계를 더 포함하는, 인공지능 기반의 개인 신용 대출 연체 예측 방법.
  7. 제5항에 있어서,
    상기 심사대상 차주에 대한 연체 예측 결과가 연체인 경우 상기 심사대상 차주의 연체 원인을 표시하여 출력하는 단계를 더 포함하는, 인공지능 기반의 개인 신용 대출 연체 예측 방법.
KR1020220147990A 2022-11-08 인공지능 기반의 개인 신용 대출 연체 예측 장치 및 그 방법 KR20240066781A (ko)

Publications (1)

Publication Number Publication Date
KR20240066781A true KR20240066781A (ko) 2024-05-16

Family

ID=

Similar Documents

Publication Publication Date Title
Neves et al. An approach to decision‐making analysis for implementation of structural health monitoring in bridges
Al-Saleh et al. Prediction of financial distress for commercial banks in Kuwait
Cascarino et al. Explainable artificial intelligence: interpreting default forecasting models based on machine learning
CN117010914A (zh) 风险团伙的识别方法、装置、计算机设备及存储介质
KR100524649B1 (ko) 정보 자산의 위험 분석 시스템
Loterman et al. A proposed framework for backtesting loss given default models
CN117575804A (zh) 一种货物资产风险分析方法、系统及介质
Nguyen et al. Using neutral network in predicting corporate failure
US20220148114A1 (en) Methods and systems for implementing and monitoring process safety management
KR20220084618A (ko) 인공지능 기반 연체 예측 장치 및 방법
CN112819262A (zh) 存储器、工艺管道检维修决策方法、装置和设备
GB2583176A (en) Prediction device, prediction program, and prediction method for predicting human judgments
KR20240066781A (ko) 인공지능 기반의 개인 신용 대출 연체 예측 장치 및 그 방법
US20220050763A1 (en) Detecting regime change in time series data to manage a technology platform
KR102499182B1 (ko) 인공지능을 이용한 가계대출 사기/부실 상시감사지원시스템
Tsukahara et al. Validation of default probability models: A stress testing approach
De Luca et al. Financial distress pre-warning indicators: a case study on Italian listed companies
Yip Business failure prediction: a case-based reasoning approach
CN114092216A (zh) 企业信贷评级方法、装置、计算机设备和存储介质
KR102499183B1 (ko) 인공지능을 이용한 기업대출 사기/사기의심 상시감사지원시스템
CA3036543A1 (en) Methods and systems for implementing and monitoring process safety management
Yeh et al. Predicting failure of P2P lending platforms through machine learning: The case in China
Beretta Custodio et al. Decision tree tool for auditors’ going concern assessment in Spain
García Trend of financial ratios in the business failure process
Shen et al. Modelling the predictive performance of credit scoring