왜 대안신용평가가 필요한가?
현재의 금융시스템과 한계점
개인이 금융사에 대출을 신청하면 금융사는 신용평가사에 요청하여 개인의 신용점수 및 과거 금융거래 이력을 조회하고 심사하여 대출 실행 여부를 판단합니다.
청년, 주부, 외국인 등 금융거래 이력이 불충분한 Thin Filer들은 상환능력이 있음에도 금융정보가 부족하여 저신용자로 평가받아 금융서비스가 제한되고 있습니다.
![](/html/_img/sub/sub0201_2-pc.jpg)
크레파스는 비정형 비금융 빅데이터를 이용한 차별적인 신용평가를 통해 금융사에게는 믿을만한 고객을, 금융서비스가 필요한 개인에게는
금융의 기회를 연결하여 확대된 금융서비스를 제안합니다.
![](/html/_img/sub/sub0201_1-pc.jpg)
360° 신용평가를 위하여 크레파스는 전통적 신용평가(CSS:Credit Scoring System)의 이해를 바탕으로, 동일 등급 내 상세 세그먼트를 실행할 수 있는 decision key로서의
대안신용평가 모델을 갖추기 위해 다양한 관점의 빅데이터를 활용합니다.
![](/html/_img/sub/sub0201_3-pc.jpg)
클라우드 기반의 비즈니스 서비스 STEPs를 통해
데이터 수집, 변수 생성, 예측력 높은 변수 선택, ML알고리즘 선정, 모델 검증에 대해서 실시간으로 데이터를 처리·제공합니다.
*STEPS : Scoring Technologies Enterprise Platform & Solutions
-
Feature Creation
모바일 및 소셜데이터로부터 고객의
“상환의지”를 파악하기 위한 관계/심리/
행동패턴 등을 대표하는 300여개의 변수생성 -
Data Preparation
앱/Web을 통해 데이터 수집 동의를 구한 후
수집권한부여와 함께 12,000여개 관점의
비정형데이터(Mobile, Email, SNS 등)를 수집 -
Feature Selection
Lasso Model과 Greedy Forward Selection의
반복적 Machine Learning을 통해
가장 예측력 높은 변수집합 선정 -
Feature Transformation
비선형 변환, 정규화, 의사결정나무 등을 통해
이상치 및 변수간의 상호작용 등을 파악하여
변수변환 및 파생변수 생성 -
Stability Diagnosis
개발한 모형의 안정성 진단을 위해 다섯개의
집단으로 무작위로 분리 후 교차검증 및
Out of Sample Test 실시 -
Modeling
수많은 반복 작업을 통해 해당 개발데이터에
가장 적합한 Machine Learning 알고리즘 선정