[제 2회 빅데이터 토크콘서트] 신용카드 연체자 예측 서비스

문제정의

정량적 리서치

• 신용카드 및 체크카드 이용액은 전년대비 12.1% 증가 (107조 5,600억원)
• 신용카드 누적 발급 개수는 1억 2,471만개로 5.5% 증가
• 2023년 3월 기준 5대 카드사 연체율은 평균 1.37%로, 2022년도 대비 0.33% 증가
• 핀테크 '후불결제' 서비스 연체율 급증: 네이버페이(1.26%→2.7%), 토스(3.48%→5%), 카카오페이(0.09%→0.51%)
• 3대 핀테크사의 누적 가입자 수는 266만명, 총 채권은 445억원, 연체 채권은 19억원

정성적 리서치

• 연체 발생 주요 원인:
  • 지급 능력 과신으로 인한 '씀씀이' 증가
  • 소비 금액을 제대로 가늠하지 못함
  • 결제 통장 잔액 부족에 대한 인지 부족
  • 특정 월 지출 증가로 인한 무리한 카드 사용
• 연체 위험성에 대한 사용자 인식 부족:
  • "큰 금액도 아니고 20만원 정도 모자란거 며칠 더 연체되도 상관 없을줄 알았다"
  • "어쩌다 한번 돈 부족했을 뿐인데, 이렇게까지 대가가 클 줄은 몰랐다"
• 연체 후에도 최대 5년까지 남는 연체 기록과 신용등급 하락으로 인한 장기적 불이익

가설설정 및 검증

문제 해결을 위한 가설

기존 카드사 서비스는 연체 발생 후 사후 대책(리볼빙, 단기카드대출, 결제연기 등)에 초점을 맞추고 있으나, 이는 소비자 입장에서 임시방편에 불과함. 연체 발생 이전에 사전 예측 및 관리가 필요하다는 가설 수립.

제안한 대안

AI 모델 기반 신용카드 대금 연체 예측 서비스 개발:

1. Stage 1: 거래내역 & 고객 데모 데이터 활용 연체 위험 고객 판별
   • 고객 메타정보 및 카드 사용 내역 분석
   • 트리 기반 머신러닝 모델 활용(정형 데이터 처리에 효과적)
   • 연체 위험이 높은 고객 사전 탐지
2. Stage 2: 연체 위험 고객의 향후 소비량 예측
   • 시계열 예측 모델을 활용한 향후 카드 사용량 예측
   • 사용 패턴 분석 및 주의 알림 제공

결과물

• 카드 사용자 연체 예측 모델 개발 (CatBoost 기반)
  • LogLoss: 0.6666
  • Accuracy: 0.7379
  • F-score: 0.7379
  • ROC-AUC: 0.7968
• 주요 예측 변수 도출: ID, 직업 유형(occyp_type), 카드 발급 시점(begin_month), 교육 수준(edu_type), 소득 유형(income_type) 등
• 대회 결과: LogLoss 0.66596으로 경쟁력 있는 성능 달성

임펙트

성과

1. 정확한 연체 위험 예측: 0.74의 정확도와 0.80에 가까운 ROC-AUC 점수로 신뢰할 수 있는 예측 모델 개발
2. 사전 관리 시스템 구축: 연체 발생 전 위험 고객을 탐지하고 맞춤형 알림 제공 가능
3. 소비 패턴 분석: 시계열 데이터 기반으로 소비 패턴을 분석하여 고객의 자기인식 향상

기대효과

1. 추가 지출 자제 유도: 예상 결제금액과 연체 위험 알림을 통해 불필요한 추가 지출 방지
2. 신중한 소비 결정: 소비 패턴 분석 결과 제공으로 예산 조절 및 계획적 소비 유도
3. 신용 점수 향상: 연체 예방을 통한 고객의 신용 점수 보호 및 금전적 안정성 제고
4. 카드사 연체율 감소: 사전 예측 및 관리를 통한 전체적인 연체율 감소 효과