Fine Classing¶
2.1 개념과 목적¶
Fine Classing은 변수의 분포와 Bad Rate 패턴을 탐색하기 위한 초기 세밀 구간화다. 이 단계의 목적은 최적 구간을 찾는 것이 아니라, 데이터가 어떤 패턴을 갖고 있는지 파악하는 것이다.
Fine Classing의 역할
Fine Classing 결과를 보고 "어디서 Bad Rate가 꺾이는가", "이상치 구간이 있는가", "결측값 비중이 어느 정도인가"를 파악한다. 이 탐색 없이 바로 Coarse Classing을 시도하면 중요한 패턴을 놓칠 수 있다.
2.2 실행 단계¶
Fine Classing은 다음 순서로 수행한다.
Step 1 — 원시 데이터 분포 확인
히스토그램으로 변수의 전체 분포를 먼저 확인한다. 이 단계에서 Mass Point(특정 값에 데이터 집중), 극단값, 분포의 편향(Skewness) 여부를 파악한다. 분포를 보지 않고 구간화를 시작하면 비합리적인 Bin이 생긴다.
Step 2 — 특수값 사전 분리
Mass Point, 결측, 이상치를 먼저 별도 Bin으로 분리한다. 나머지 데이터에 대해서만 구간화를 수행한다. 분리 기준은 아래 특수값 처리 섹션을 참고한다.
Step 3 — 구간 수 결정 및 구간화 실행
나머지 데이터를 20~50개 구간으로 분할한다. 구간화 방법(등빈도/등간격)은 아래 구간 수 결정 방법 섹션에서 선택한다.
Step 4 — 구간별 통계량 산출
각 Bin에 대해 다음을 산출한다.
| 산출 항목 | 산출식 | 용도 |
|---|---|---|
| Good 건수, Bad 건수 | 직접 집계 | 모든 후속 계산의 기초 |
| Bad Rate | Bad / (Good + Bad) | 구간별 위험 수준 파악 |
| 구성비 | Bin 건수 / 전체 건수 | 샘플 충분성 확인 (≥ 5%) |
| WoE | \(\ln(\%Good_i / \%Bad_i)\) | 구간별 변별력 수치화 |
Step 5 — 패턴 확인 및 Coarse Classing 방향 결정
Bad Rate 꺾은선 + 구성비 막대 차트를 통해 패턴을 확인한다. 단조성이 꺾이는 지점, 급변하는 구간, 샘플 부족 구간을 식별하여 Coarse Classing에서 합병할 후보를 결정한다.
2.3 구간 수 결정 방법¶
Fine Classing의 구간 수는 통상 20~50개 수준으로 설정한다. 너무 적으면 패턴 탐색이 불충분하고, 너무 많으면 각 Bin의 샘플이 부족해 Bad Rate가 불안정해진다.
| 방법 | 정의 | 특징 | 권장 상황 |
|---|---|---|---|
| 분위수/등빈도 (Quantile / Equal Frequency) | 각 Bin에 동일한 관측치 수가 들어가도록 percentile 기반 분할 | Bin별 통계적 안정성 균일. 편향 분포·이상치에 강건 | 대부분의 상황에서 기본값 |
| 등간격 (Equal Width) | X 값의 범위를 균등 분할 | 직관적이나 편중 분포에 취약. 꼬리 구간에 빈 Bin 발생 | X가 균등 분포에 가까울 때 |
등빈도 vs 등간격 선택 기준
대부분의 재무 변수(매출액, 대출 잔액 등)는 오른쪽으로 길게 꼬리가 늘어지는 편향 분포를 보인다. 이런 변수에 등간격을 적용하면 상위 구간에 데이터가 거의 없는 빈 Bin이 다수 생긴다. 따라서 등빈도가 기본값이며, 등간격은 변수 분포가 균등에 가까운 경우에만 사용한다.
2.4 특수값 처리¶
| 특수값 유형 | 처리 방법 | 비고 |
|---|---|---|
| 결측 (Missing) | 별도 Missing Bin 생성 | 결측 패턴 자체가 신용 신호일 수 있음. WoE 별도 산출. |
| Mass Point (0값 등) | 단독 Bin으로 분리 | "매출액 = 0"처럼 경제적 의미가 다른 값은 반드시 분리. |
| 이상치 (Outlier) | 최상위·최하위 Bin에 병합 | Bin 경계로 자동 캡핑. WoE 왜곡 방지. |
| 음수값 | 업무 논리 검토 후 결정 | 음의 매출액 = 데이터 오류 가능성. 별도 Bin 또는 제거. |
Mass Point 처리 — 0값 집중 변수
"연체일수", "연체금액" 같은 변수는 전체 관측치의 70~90%가 0인 경우가 흔하다. 이 0값을 일반 Bin에 포함시키면 등빈도 구간화가 작동하지 않는다(대부분의 Bin이 동일한 값 0을 갖게 됨). 반드시 0값을 별도 Bin으로 먼저 분리하고, 나머지 양수값에 대해서만 등빈도를 적용한다. 0값 Bin은 "연체 경험 없음"이라는 독립적인 신용 신호를 담고 있으므로 별도 WoE를 산출해야 한다.
2.5 Fine Classing 결과 해석: 무엇을 봐야 하는가¶
| 확인 항목 | 기준 | 의미 |
|---|---|---|
| Bad Rate 패턴 | 단조증가 또는 단조감소 여부 | 단조성이 깨지는 구간 → Coarse Classing에서 합병 고려 |
| WoE 부호 전환점 | WoE가 음→양 또는 양→음으로 바뀌는 지점 | Coarse Classing의 자연스러운 Bin 경계 후보 |
| Bin별 샘플 수 | 각 Bin ≥ 전체의 5%, Bad 건수 ≥ 10건 | 미달 시 WoE 불안정 → 인접 Bin 합병 필요 |
| Delta WoE | 인접 Bin 간 WoE 차이 > 0.05 | 차이가 작으면 두 Bin의 구분 의미가 없음 → 합병 고려 |
구성비(막대, 좌축)와 불량률(꺾은선, 우축)을 한 화면에서 동시에 확인할 수 있다. 현실에서는 위 그림처럼 구성비가 작은 구간(빨간 막대, 5% 미만)에서 Bad Rate가 역전되는 경우가 빈번하다. 샘플이 적으면 불량률 추정이 불안정해지기 때문이다. 이런 역전 구간은 Coarse Classing에서 인접 Bin과 합병하여 안정적인 패턴을 확보해야 한다.
2.6 Fine Classing 완료 판단¶
Fine Classing은 "완벽한 구간"을 만드는 단계가 아니므로, 다음 조건이 충족되면 Coarse Classing으로 넘어간다.
- 특수값(결측, Mass Point, 이상치)이 별도 Bin으로 분리됨
- 대부분의 Bin에 Bad 건수 ≥ 10건 확보 (일부 미달은 Coarse 단계에서 합병)
- Bad Rate 차트에서 전반적인 추세(단조/U자/역U자)가 식별됨
- Coarse Classing에서 합병할 구간의 후보가 파악됨
완료 기준의 핵심
Fine Classing은 탐색 단계이므로, 완벽한 단조성이나 모든 Bin의 유의성을 이 단계에서 달성할 필요는 없다. "데이터 패턴을 이해했고, Coarse Classing 방향을 결정할 수 있다"면 충분하다.