개발 파이프라인¶
7.1 전체 흐름¶
CSS 모형 개발은 크게 요건 정의 → 데이터 준비 → 변수 선정 → 모델링 → 스코어링 → 검증의 흐름으로 진행된다.
요건 정의 (모집단·Target·Segment) → 데이터 준비 (수집·추출·가공) → 변수 선정 (Classing·WoE/IV) → 모델링 (Logistic Regression) → 스코어링 (PDO·Scaling·Grading) → 검증 (PSI·AR·K-S)
아래에서 각 단계가 무엇을 하는 것인지, 왜 필요한지, 어떤 산출물이 나오는지를 살펴본다. 각 단계의 상세 방법론은 해당 Part에서 다룬다.
7.2 각 단계 Overview¶
① 요건 정의 — 개요 (본 섹션)
모형 개발의 출발점이다. 누구를 대상으로(모집단), 무엇을 예측할 것인지(Target), 어떤 기간을 볼 것인지(성과 기간)를 확정한다. 필요 시 상품·고객군별로 세부 모형(Segment)을 분리한다.
산출물: Bad/Good/Indeterminate 정의서, 성과 기간 기준, 모형 Segment 설계
② 데이터 준비
정보 영역별(고객 인적사항, 여신·수신 실적, 카드 이용, CB 외부 정보 등)로 데이터를 수집·추출한다. 원천 데이터를 검증·정제한 뒤, 모형에 투입할 수 있는 형태의 후보 변수(Feature)를 생성한다. 이 단계에서 변수의 가감승제, 기간별 집계, 합성 변수 생성 등의 가공이 이루어진다.
산출물: 분석 항목 리스트 (수십~수백 개의 후보 변수)
③ 변수 범주화(Classing) — Classing
연속형 변수를 구간으로 나누고(Fine Classing), 유사한 불량률 패턴의 구간을 합치며(Coarse Classing), 최종적으로 정수 값을 부여(Recoding)하는 과정이다. 이 단계를 통해 각 변수의 불량률 패턴과 단변량 예측력을 1차적으로 파악한다.
산출물: 변수별 Classing 테이블 (구간, 건수, 불량률, IV, K-S 등)
④ 변수 변별력 평가(WoE / IV) — WoE/IV
Classing된 각 구간에 WoE(Weight of Evidence) 값을 부여하여 변수를 변환한다. WoE는 각 구간이 Good과 Bad를 얼마나 잘 구분하는지를 나타내는 지표이며, 이를 구간별로 합산한 IV(Information Value)로 변수 전체의 예측력을 정량 평가한다. IV가 기준치 이하인 변수는 이 단계에서 탈락시킨다.
산출물: 변수별 WoE 테이블, IV 기반 변수 스크리닝 결과
⑤ 모형 적합(Logistic Regression) — 이론 · 단변량 로지스틱 회귀
선별된 후보 변수들을 로지스틱 회귀(Logistic Regression)에 투입하여 최종 변수를 선택하고 계수(β)를 추정한다. 정보 영역별로 부분 회귀(Partial Logistic Regression)를 먼저 수행한 뒤, 전체 영역을 통합하여 최종 모형을 적합시킨다. 이 과정에서 다중공선성 제거, 계수 부호 검정, 업무적 타당성 검토가 병행된다.
산출물: 최종 변수 목록, 회귀계수(Estimate), 모형 적합 결과(Wald 검정, p-value 등)
⑥ 평점화·등급화 — 모델링 · 스코어카드
추정된 회귀계수를 PDO(Point to Double Odds) 체계를 이용해 점수(Score)로 변환하여 평점표(Scorecard)를 구성한다. 세부 모형이 여러 개인 경우 평점 통합(Scaling)을 수행하고, 최종적으로 점수를 등급(Grade)으로 구간화한다. 점수가 높을수록 우량하도록 설계하는 것이 일반적이다.
산출물: 평점표(항목별 배점), 등급 체계(등급별 평점 구간, 불량률, 구성비)
⑦ 모형 검증 — 모델링 · 스코어카드
개발된 모형이 실무에서 안정적으로 작동하는지를 검증한다. 크게 두 가지 관점에서 평가한다.
- 안정성 검증: 개발 시점과 검증 시점 간 점수 분포 변화가 작은지 확인한다 (PSI, CAR 등).
- 변별력 검증: 모형이 Good과 Bad를 얼마나 잘 구분하는지 평가한다 (AUROC, AR, K-S, IV 등). 등급별 불량률 서열화(SDR)가 유지되는지도 확인한다.
산출물: 모형 검증 보고서 (Front-end / Back-end Report)
반복적 프로세스
위 흐름은 선형적으로 한 번에 끝나는 것이 아니다. 모형 적합 결과에 따라 변수 범주화를 다시 조정하거나, 검증 결과가 기준에 미달하면 변수 선택부터 재수행하는 등 여러 차례의 반복(iteration)이 일반적이다.
7.3 본 가이드북과의 매핑 요약¶
| 단계 | 가이드북 | 핵심 키워드 |
|---|---|---|
| ① 요건 정의 | 개요 | CSS 정의, 모형 분류, Target, Segment, Vintage, Roll Rate |
| ② 이론 | 이론 | Logit, Sigmoid, MLE, Odds |
| ③ 변수 선정 — Classing | Classing | Fine/Coarse Classing, Recoding |
| ④ 변수 선정 — WoE/IV | WoE/IV | Weight of Evidence, Information Value |
| ⑤ 변수 선정 — 단변량 로지스틱 회귀 | 단변량 로지스틱 회귀 | Partial LR, 다중공선성, 유의성 검정 |
| ⑥ 모델링 · 스코어카드 | Full Model | 다변량 회귀, PDO, Scaling, Grading, PSI, AUROC |
| 부록 | 부록 | WoE vs Dummy, Stepwise, 통계 검정 |
학습 가이드
개요에서 전체 구조를 살펴본 뒤, 이론에서 수학적 기반을 학습하고, 변수 선정 → 모델링 → 스코어카드 순서로 실제 개발 절차를 따라가는 것을 권장한다. 각 섹션은 독립적으로 참조할 수 있도록 구성되어 있으나, 처음 학습하는 경우 순서대로 읽는 것이 효과적이다.