핀다 앱 사용자 대출 신청 여부 예측

2022 빅콘테스트 데이터분석리그 퓨처스 부문 — 핀다 실제 금융 데이터 기반 대출 신청 예측 및 고객 군집화 프로젝트.

개요

과학기술정보통신부·NIA 주최, 핀다(Finda) 주관의 2022 빅콘테스트 데이터분석리그 퓨처스 부문에 팀으로 참가했습니다. 핀다 앱 사용자의 신용 정보, 대출신청 이력, 앱 행동 로그를 바탕으로 대출 신청 가능성을 예측하는 이진 분류 문제와, 고객 군집화를 통한 개인화 서비스 메시지 제안이 두 축을 이루는 과제였습니다. 일반적으로 접하기 어려운 핀테크 기업의 실제 금융 데이터 약 1만 건을 다룬 경험이었습니다.

분석 관점 설정

대출 신청 여부는 단일 요인으로 결정되지 않습니다. 데이터 탐색을 통해 고객 상황, 고객 행동, 대출 상품 세 가지 관점으로 분석 프레임을 구성하고, 각 관점에서 유의미한 피처를 도출했습니다.

외부 데이터도 두 방향에서 수집했습니다. 코인 가격, 금리, 실업률, KOSPI 지수 등 거시 경제 지표와, 소비자심리지수 등 개인 의사결정에 영향을 주는 내부 심리 요인이 그것입니다. 단순 앱 로그 데이터만으로는 포착하기 어려운 맥락을 외부 정보로 보완하기 위한 선택이었습니다.

모델링: 대출 신청 예측 (F1 Score 최적화)

클래스 불균형 문제를 SMOTE와 비용 민감 학습으로 처리한 뒤, Logistic Regression, Random Forest, XGBoost, LightGBM, 신경망 모델을 비교 실험했습니다. 베이지안 최적화와 교차검증으로 하이퍼파라미터를 튜닝하고, 평가지표인 F1 Score 기준으로 최종 모델을 선정했습니다.

피처 중요도 분석을 통해 대출 신청 결정에 가장 큰 영향을 미치는 변수를 식별했고, 이를 서비스 메시지 전략 수립에도 연결했습니다.

고객 군집화 및 서비스 제안

수치형 고객 스펙 변수를 기반으로 K-Means 클러스터링을 적용해 5개 군집을 도출했습니다. 군집 특성을 분석한 결과 고객을 3개 층위로 구분할 수 있었고, 각 층위에 맞는 맞춤형 서비스 메시지를 제안했습니다.

  • 신규 고객: 핀다 주요 기능 튜토리얼 및 서비스 온보딩
  • 활성 고객: 클러스터 행동 패턴 기반 대출 상품 추천
  • 비활성 고객: 재방문 유도 및 금리 변화 알림 메시지

배운 것

공모전 데이터임에도 실제 금융 서비스에서 사용되는 데이터 구조를 다뤘다는 점에서, 모델 성능만큼이나 비즈니스 문제 정의와 결과의 해석 가능성이 중요하다는 것을 실감했습니다. 예측 모델과 군집화를 연결해 실제 서비스 전략까지 도출하는 흐름을 경험한 것이 이 프로젝트의 가장 큰 수확이었습니다.

기간: 2022년 8월 — 2022년 10월
대회: 2022 빅콘테스트 데이터분석리그 퓨처스 부문 (핀다 과제)
주최: 과학기술정보통신부 · NIA 한국지능정보사회진흥원
사용 도구: Python, pandas, scikit-learn, XGBoost, LightGBM, imbalanced-learn (SMOTE)