왜 Classing(구간화)인가¶
1.1 연속형 변수를 그대로 쓸 수 없는 이유¶
로지스틱 회귀는 \(\ln\!\left(\frac{p}{1-p}\right)\)와 \(x\) 사이의 선형 관계를 가정한다. 연속형 변수를 그대로 투입하면 이 선형 가정을 위반하게 되므로, Classing + WoE 변환은 로지스틱 회귀 기반 스코어카드에서 필수적인 전처리다.
그러나 Classing의 가치는 로지스틱 회귀에 국한되지 않는다. ML 모형(XGBoost, LightGBM 등)은 비선형을 자체적으로 포착하므로 Classing이 모형 적합의 필수 요건은 아니지만, 실무에서는 변수 탐색·검증 도구로서 모형 방법론과 무관하게 활용된다 — 구간별 구성비와 불량률 패턴 확인, 단변량 KS/AR/IV 산출, 시점별 PSI를 통한 안정성 검증이 그것이다.
신용 변수들은 불량률과의 관계가 단순 선형이 아닌 경우가 존재한다. 실무에서 자주 등장하는 비선형 패턴 세 가지를 살펴보자.
패턴 1 — 단조감소 + 포화 구간 (실무 최다 등장)¶
예시: 기업 영업이익률
- 영업이익률 < 0% (적자): 불량률 매우 높음 (예: 18%)
- 0% ~ 5%: 불량률 급격히 감소 (예: 9%)
- 5% ~ 15%: 불량률 완만히 감소 (예: 4%)
- 15% 이상: 불량률 수렴·안정 (예: 2% 수준에서 plateau)
왜 Classing이 필요한가: 연속형으로 쓰면 0%→5% 구간의 급격한 변화와 15% 이상의 포화(saturation) 구간을 선형 계수 하나로 표현할 수 없다. 구간화를 통해 각 구간에 독립적인 WoE가 부여되어 이 비선형 관계가 자연스럽게 흡수된다.
패턴 2 — 단절(Cliff): 임계값에서 불량률 급변¶
예시: 최근 6개월 연체 경험 건수
- 0건 (전체의 약 98%): 불량률 낮음 (예: 2%)
- 1건 (약 1.2%): 불량률 급등 (예: 15%)
- 2건 이상 (약 0.8%): 불량률 폭등 (예: 35%+)
왜 Classing이 필요한가: 0건→1건 사이에서 불량률이 급등하는 단절은 선형 계수 하나로 표현할 수 없다. 또한 98%가 0건에 집중된 Mass Point 특성이 있어, 연속형 그대로 투입하면 소수의 연체 경험자 정보가 희석된다. 구간화를 통해 0건/1건/2건 이상을 분리하면 이 극단적 차이를 모형에 반영할 수 있다.
패턴 3 — U자형 (비단조, 양방향 위험)¶
예시: 신용카드 이용률 (한도 대비 사용 비율)
- 0% (미사용): 신용 활동 없음 → 리스크 판단 어려움, 불량률 높음
- 20~60%: 건전한 신용 활동 → 불량률 가장 낮음
- 90~100%+: 자금 압박 징후 → 불량률 다시 상승
연속형 \(x\)로는 이 U자형 패턴을 포착할 수 없다. Classing을 통해 구간별로 Bad Rate를 직접 측정해야 한다.
실무 주의
U자형 변수는 WoE 단조성 조건을 만족할 수 없어 추가 처리가 필요하다. 보통 0% 구간을 Mass Point Bin으로 분리한 후 나머지에 단조 binning을 적용한다. 모형 심의 시 추가 설명이 필요하므로, 패턴 1·2처럼 단조 처리 가능한 변수를 실무에서는 우선 활용하는 편이다.
1.2 Classing이 해결하는 4가지 문제¶
| 문제 | 연속형 X 직접 사용 | Classing + WoE 변환 |
|---|---|---|
| 비선형 관계 | 선형 가정 위반, 패턴 포착 불가 | 구간별 Bad Rate로 자연스럽게 흡수 |
| 이상치 (Outlier) | 회귀계수 심각하게 왜곡 | 최상위·최하위 Bin으로 자동 캡핑 |
| 단위 이질성 | 변수 간 스케일 혼재 | WoE로 모두 log-odds 단위 통일 |
| 결측값 | 별도 imputation 필요 | Missing 전용 Bin으로 자연스럽게 처리 |
CB사 실무: NICE 기업신용평가 — 재무비율 구간화
NICE평가정보의 기업신용등급 모형은 재무 평가 요소(안정성·수익성·활동성·성장성·규모·현금흐름)에 대해 구간화 변환하여 사용한다. 특히 영업이익률, 부채비율 등은 위 패턴 1(단조감소 + 포화)과 패턴 2(Cliff)가 전형적으로 나타나는 변수로, Classing 없이는 모형 적합이 어렵다.