WoE: 정의·산출·해석¶
1.1 WoE란 무엇인가¶
직관적 이해
WoE는 "이 구간에 Good 고객이 얼마나 집중되어 있는가"를 log-odds 단위로 표현한 밀집도 지수다.
- WoE 양수(+) → Good 고객 집중 → 우량 구간 (신용 우수)
- WoE ≈ 0 → Good/Bad 분포 차이 없음 → 변별력 없음
- WoE 음수(−) → Bad 고객 집중 → 불량 구간 (신용 위험)
1.2 산출식¶
| 기호 | 정의 |
|---|---|
| \(n_{G,i}\) | Bin \(i\)에 속한 Good(정상) 건수 |
| \(n_{B,i}\) | Bin \(i\)에 속한 Bad(불량) 건수 |
| \(\%\text{Good}_i\) | \(n_{G,i}/N_G\) — 전체 Good 중 Bin \(i\) 비중 |
| \(\%\text{Bad}_i\) | \(n_{B,i}/N_B\) — 전체 Bad 중 Bin \(i\) 비중 |
WoE ≠ Bin 내 불량률
WoE는 Bin 내 불량률(\(n_{B,i}/n_i\))이 아니다. Bin 내 불량률은 해당 Bin의 표본 크기에 크게 영향을 받아 불안정하다. WoE는 "전체 Bad 집단 중 이 Bin의 비중 vs 전체 Good 집단 중 이 Bin의 비중"의 상대적 분포 차이를 비교함으로써 표본 크기 영향을 통제한다.
Divide by Zero 처리
특정 Bin에 Bad 또는 Good이 0건이면 WoE 산출 불가(\(\ln(0) = -\infty\)). Coarse Classing 시 각 Bin에 Bad 최소 10건 이상을 반드시 확보해야 한다. 불가피한 경우 0.5 보정(Smoothing)을 적용한다.
1.3 예시 계산 — 매출액 변수¶
전체 1,200건: Good 1,000건, Bad 200건 · 전체 불량률 = 200 / 1,200 = 16.7%
| Bin | 구간 | Good | Bad | 전체 | 구성비 | Bin 불량률 | %Good | %Bad | WoE |
|---|---|---|---|---|---|---|---|---|---|
| 1 | 1억 미만 | 50 | 60 | 110 | 9.2% | 54.5% | 5.0% | 30.0% | −1.79 |
| 2 | 1억~5억 | 150 | 50 | 200 | 16.7% | 25.0% | 15.0% | 25.0% | −0.51 |
| 3 | 5억~10억 | 200 | 40 | 240 | 20.0% | 16.7% | 20.0% | 20.0% | 0.00 |
| 4 | 10억~50억 | 350 | 30 | 380 | 31.7% | 7.9% | 35.0% | 15.0% | +0.85 |
| 5 | 50억 초과 | 250 | 20 | 270 | 22.5% | 7.4% | 25.0% | 10.0% | +0.92 |
| 합계 | 1,000 | 200 | 1,200 | 100% | 16.7% | 100% | 100% | — |
- 구성비: 전체 샘플 중 해당 Bin 비중. 각 Bin의 통계적 안정성 판단에 사용.
- Bin 불량률: 해당 Bin 내 Bad 비율. 전체 불량률(16.7%) 대비 위험도 판단.
- %Good / %Bad: WoE 산출에 실제로 사용되는 값. Bin 내 비율이 아님에 주의.
- WoE: \(\ln(\%\text{Good}/\%\text{Bad})\). 이 값이 로지스틱 회귀의 독립변수로 투입됨.
1.4 WoE 크기 해석 가이드¶
WoE의 절대값이 클수록 해당 Bin의 Good/Bad 분리가 강하다.
| \(\lvert\text{WoE}\rvert\) 범위 | 분리 강도 | 실무 해석 |
|---|---|---|
| < 0.10 | 매우 약함 | Good/Bad 분포 거의 동일. 이 Bin은 변별력이 없으며, 인접 Bin과의 합병(Delta WoE < 0.05)을 검토 |
| 0.10 ~ 0.50 | 보통 | 실무적으로 유의미한 분리. 대부분의 Bin이 이 범위에 분포 |
| 0.50 ~ 1.00 | 강함 | Good/Bad가 뚜렷하게 갈림. 해당 변수가 모형에 상당한 기여를 할 가능성 높음 |
| > 1.00 | 매우 강함 | 극단적 분리. Tautology(동어반복)·Data Leakage 여부를 반드시 확인. 정상적인 Bin에서 이 수준이면 우수한 변수 |
비즈니스 담당자에게 WoE 설명하기
"WoE가 +0.85인 구간은, 전체 Good 고객 중 이 구간에 속하는 비율이 전체 Bad 고객 중 이 구간에 속하는 비율보다 약 2.3배(\(e^{0.85} \approx 2.34\)) 높다는 뜻입니다. 즉 이 구간에 속하면 우량 고객일 가능성이 높습니다."
일반적으로 \(e^{\text{WoE}}\)를 계산하여 "Good이 Bad 대비 몇 배 집중되어 있는가"로 설명하면 비전문가도 이해하기 쉽다.
1.5 0.5 스무딩(Smoothing) 수치 예시¶
Bad = 0인 Bin이 발생한 경우의 처리 과정을 수치로 보인다.
상황: 매출액 "100억 초과" 구간에 Good 300건, Bad 0건이 관측됨. 전체 Good = 1,000건, Bad = 200건.
스무딩 미적용 시:
0.5 스무딩 적용 시:
스무딩 적용 후에도 주의
WoE = +4.79는 비정상적으로 높은 값이다. Bad가 0인 Bin은 스무딩으로 WoE를 산출하더라도 통계적 신뢰성이 낮다. 이런 Bin은 인접 Bin과 합병하여 Bad 건수를 확보하는 것이 원칙이며, 합병이 불가능한 경우에만 스무딩을 최후 수단으로 사용한다.
1.6 동일 변수, 다른 Classing — WoE 비교¶
같은 매출액 변수라도 Classing 방법에 따라 WoE가 달라진다. 아래는 Bin 5개(Coarse) vs Bin 10개(Fine) 비교 예시다.
| 구간 | 5-Bin WoE | 10-Bin 해당 구간 | 10-Bin WoE |
|---|---|---|---|
| 1억 미만 | −1.79 | 5천만 미만 / 5천만~1억 | −2.10 / −1.45 |
| 1억~5억 | −0.51 | 1~2억 / 2~5억 | −0.68 / −0.35 |
| 5억~10억 | 0.00 | 5~7억 / 7~10억 | −0.08 / +0.09 |
시사점
Fine Classing(10-Bin)은 구간 내 패턴을 더 세밀하게 포착하지만, 각 Bin의 샘플이 줄어 WoE가 불안정해진다. Coarse Classing(5-Bin)은 안정성이 높지만 구간 내 이질성을 무시한다. Coarse Classing의 목적은 안정적이면서 단조적인 WoE를 확보하는 것이며, 이를 위해 Fine → Coarse 합병 과정을 거친다.
1.7 WoE 안정성의 핵심: Bin별 최소 Bad 건수¶
WoE는 \(\ln(\%\text{Good}_i / \%\text{Bad}_i)\)로 산출되므로, Bad 건수가 적은 Bin일수록 WoE 추정이 불안정해진다. 실무에서는 각 Bin에 Bad 최소 10~30건을 확보하는 것을 기본 규칙으로 적용한다.
| Bad 건수 | WoE 안정성 | 실무 판단 |
|---|---|---|
| 30건 이상 | 안정적 | 신뢰할 수 있는 WoE |
| 10~30건 | 주의 필요 | 인접 Bin 합병을 검토 |
| 10건 미만 | 불안정 | 반드시 인접 Bin과 합병 |
| 0건 | 산출 불가 | 합병 필수. 불가피 시 0.5 스무딩(1.5절 참고) |
왜 Bad 10건인가
Bad 건수가 적으면 관측 불량률 자체의 변동이 커서, WoE가 샘플에 따라 크게 흔들린다. 예를 들어 Bad 5건인 Bin에서 1건만 달라져도 불량률이 20% 변동하므로 WoE 차이가 크게 발생한다. 10건 이상이면 개별 관측치의 영향이 줄어들어 WoE가 안정화된다. 보수적인 기관에서는 30건을 기준으로 적용하기도 한다.