대출상환 의사결정분석

소개글

대출상환 의사결정분석에 대한 보고서 자료입니다.

목차

목 차
Ⅰ. 서론

Ⅱ. 데이터 마이닝의 의의
1. 데이터 마이닝과 데이터베이스의 정의
2. SAS Enterprise miner 의 기본 개념
3. 모형구조 방법

Ⅲ. 연구자료 및 연구 방법
1. 연구 자료
2. 연구 방법

Ⅳ. 분석 결과
1. Mutiplot node
2. tree node

Ⅴ. 결론

Ⅵ. 참고문헌

본문내용

자의 50% 이상이 미상환자 임을 알수 있다. 이 그래프를 통하여 수입대비 부채비율이 24%~40% 사이가 가장 많은 분포를 이루고 있음을 알수 있다.
금융 거래회수에 대한 그래프로서 1.5회부터 49.5회 까지 매우 넓게 분포되어 있음을 알수 있다. 미응답자는 200명 여명이고 10. 5회이상~13.5회미만부터 25.5회 미만 까지가 매우 집중적으로 높은 수치를 보여주고 있다.
연체 회수에 대한 그래프로 연체회수가 0인 부분이 매우 높게 나와 있다. 이 표를 통하여 대부분의 사람들이 대출금을 잘 연체하지는 않는 다는 걸 알수 있다.
직업에 대한 그래프 다. other(2383명)가 가장 많았고 그 다음으로 전문직(1276) -> 사무직(948) -> 매니져(767) -> Self(193) ->sales(109) 순으로 대출을 받았다는 것을 알수 있다. (미응답 = 279)
대출 금액에 대한 그래프 다. 7500~25500 부분에 집중되어 있으므로 많은 사람들이 이 부분 정도의 금액을 대출 받았음을 알수 있다. 은행 에서는 이 부분에 대한 고객을 집중 관리할 필요가 있다.
근무 연수에 대한 그래프 이다. 근무년수가 1년도 안된사람부터 최고 40.5년 까지 나타나 있다. 0년~1.5년 미만이 가장 많이 대출을 한 것으로 나타나 있다. 이 값과 대출 이유를 비교하게 될 경우 직장초년생이 주로 대출을 받는 이유에 대해서 도출해 낼수 있다.
현재의 자산가치에 대한 그래프 이다. 75000 부문이 가장 높으므로 45000이상 75000 이하에 가장 많은 사람이 분포 되어 있음을 알수 있다.
신용조사 회수에 관한 그래프로써 신용조사를 한번도 받지 않은 사람이 가장 많은 것으로 나타났다. 이 표를 볼때 은행은 신용조사 회수가 적은 사람들에게 대출을 많이 해준것을 알수 있다.
모기지 담보 금액에 대한 그래프이다.
37500 이상~52500 미만 부문이 가장 높게 나타나 있다. 모기지 변수와 대출이유에 대한 변수의 관계에 대하여 분석 할 경우 집을 구매할려고 집을 저당잡힌 사람에 대해 도출해 낼수 있다.
부실거래회수(파산 등) 에 대한 그래프다. 대부분의 사람들이 부실거래회수가 없었다는 걸 알수 있다. 그러나 부실 거래회수가 4회~10회 까지 매우 적은 인원 이지만 이들이 대출금을 미상환 했다는 것을 알수 있다.
부실 거래 회수가 많으면 많을 수록 대출을 해주지 말아야 한다.
2. Tree Node
- 의사결정나무(Decision Tree)는 의사결정규칙(Decision Rule)을 나무구조로 도표화하여 분류와 예측을 수행하는 분석 방법이다. 이 분석을 통하여 대출금을 가장 잘 상환 할 것 같은 집단을 도출해 내 보도록 하겠다.
위에 표에서 녹색 박스가 대출 상환자에 대한 것이고 빨간 박스가 미상환자에 대한 것이다. 전체 인원중에서 80.1%가 대출을 상환 하였고, 나머지 19.9%가 미상환 하였다. 이 들 중에서 소득대비 부채 비율이 44.8% 미만인 사람이 그 이상 보다 상환률이 높은 것으로 나타났으며 44.8% 미만인 사람 들 중에는 미상환자가 7% 상환자가 93% 였다. 이들중에 자산가치가 491495.5 미만인 사람이 그 이상인 사람보다 상환률이 높은 것으로 나타났는데 이들 중에 6.4% 가 미상환자 였고 93.6%가 상환자 였다. 다시 또 이들 중 연체회수가 5.5회 미만인 사람들이 그 이상인 사람들 보다 상환률이 높게 나타났으며 미상환률은 6.2%, 상환률은 93.8%로 나타났다. 좌측 트리는 소득대비부채 비율이 44.8% 이상인 사람들 중 35.9% 만이 상환하였고 64.1%는 미상환 하였다는 것을 보여주고 있다. 그 다음으로는 연체회수가 0.5 미만인 경우 46.7% 가 상환하였고 53.3%가 미상환 하였다. 그 밑으로 거래일수가 178일 미만인 경우가 178 이상일 경우 보다 미상환인 경우가 더 높았는데 178일 미만인 경우 65.1% 미상환 하였고, 반대로 178 이상일 경우에는 69.3%가 상환 하였다.
Ⅳ. 결론
- 위 분석을 통하여 은행은 부채 비율이 44.8% 미만이면서 자산가치가 491495.5 미만이고 연체회수가 5.5회 미만인 사람들에게 대출을 해주는게 대출금을 회수하는데 더 좋을 것이고 미상환 리스크를 낮출수 있을 것이라는 결론을 도출 할수 있었다. 또한 소득대비부채비율이 높으면 높을수록 상환 비율이 낮다는 것을 이 분석을 통하여 증명 할수 있었다.
- 한 계 : 위에 두 분석은 각각의 변수들의 상관관계에 의한 분석을 할수 없다. 예를 들어 집을 저당잡힌 사람이 그 대출금으로 다시 집을 구매 하려 하는 수가 얼마나 되고 이들의 상환률이 얼마나 되는가? 와 같은 결과에 대해서 도출해 낼수 없다. 은행이 리스크를 줄이기 위해서는 변수들간의 상관관계에 의해서 더욱 세분화된 결과를 도출 할 필요가 있다.
그 밖에 변수 값에서도 아쉬운 점이 있었는데 자산가치에 대한 변수에 경우 자산 구성이 부동산, 현금, 증권 등 여러 가지가 있는데 그 비중이나 종류에 대한것이 추가적으로 있었다면 자산 종류와 그 비중에 따라 대출 상환 비율을 도출해 내어 상환 가능성에 대해서 예측이 더욱 정확 할수 있을 것이다.
- 앞으로 은행이 대출상환 의사결정 과정에 있어서 고객에 대한 자료를 더욱 세분화 하고 결측치를 줄여야 하며, 특히 변수들간에 상관관계를 통하여 고객들에 대한 예측력을 높이는 동시에 미상환 리스크를 줄여 나갈수 있어야 하며, 이를 통하여 은행의 수익률을 높일 수 있어야 할 것이다.
Ⅵ. 참고문헌
데이터 마이닝 Cook book - 『 Olivia parr rud 』지음, 『이영섭』 옮김
SAS 통계분석 - 『김충련』
종합 SAS 통계분석 - 『천대윤』
www.SAS.com/korea
SAS를 활용한 통계의 이해와 분석 - 『김주목』,『박지원』, 『강상길』
기초 SAS와 통계분석 -『오창혁』
SAS라는 통계상자 - 『김충련』
데이터마이닝 모델링과 사례 - 『허명회』
SAS 통계탐험대 - 『이성철』
데이터 마이닝의 이해와 활용 - 『고재문』
회귀분석 입문 - 『이우리』
SAS 기초 - 『권세혁』
계량경제실증분석 - 『송일호』
경영통계 - 『윤재곤』

키워드

Hmeq,   대출상환의사결정분석,   데이터마이닝,   Enterpriseminer