• english
  • contact us

Logo

title_img

아이콘

  • home
  • Service
  • 솔루션
  • 모델링
       




MBPA는 Scorecard 개발방법론이 집적된 Predictive Modeling 도구입니다.
MBPA는 높은 예측력과 활용성이 우수한 Scorecard 개발을 지원합니다.
또한 Scorecard 뿐만 아니라 다양한 데이터 마이닝 알고리즘(Neural Network, Decision Tree)을 제공합니다.




- 데이터 추출
  DATA Reader와 Writer를 통해서 외부에 있는 데이터를 불러들여오거나 내보내기를 할 수 있습니다.
지원되는 데이터 파일 형식은 csv, txt, JDBC 지원 RBDMS,SAS데이터 등 입니다.

- 데이터 탐색
  Split 마다 scorecard를 생성, “divergence”를 계산하여 good tree 후보를 생성합니다.
생성된 tree간의 genetic algorithm 진화방법에 따라 cross over 및 mutation 과정을 걸쳐 best tree를 생성합니다.

- 변수 생성
  모형 개발에 과정에서 변수들을 추가로 생성할 필요가 있을 수 있습니다(예, 변수간 비율,  %계산, 변수간 합 등) Java를
사용하여 파생 변수 생성이 용이하게 지원합니다.

- Binning
  Binning은 변수 값의 범위를 특정구간으로 나누어 설정하는 과정입니다.
예측변수와 스코어 사이에서 나타나는 비선형적인 Pattern을 binning 과정을 통하여 탐지하며 결과적으로 예측력이 우수한
모형이 개발 가능합니다.

- 유의변수 선정
  변수 중에서 예측력이 높은 변수를 선택하여 모형을 개발합니다.
MBPA는 자동으로 모델에 포함될 유의 변수들을 선택하여 줍니다. 특성항목 선택을 위해 Divergence와 Information Value,
Marginal Contribution, Cross Restriction 와 같은 척도를 고려하여 모형에 포함될 변수를 선택합니다.

- Engineering
  알고리즘에 의하여 제시된 모형결과가 현업 전문가의 예상과 빗나갈 경우, 전문가는 본인의 경험치를 모형에 반영할 수 있어야
합니다. Range restriction, In weight 과정을 거쳐 전문가 의견이 반영될 수 있습니다.

- Scaling
  사용자가 편하게 (user friendly) 인지할 수 있기 위하여 산출된 weight 를 정수화하는 과정입니다.



- Reason code
  MBPA에서는 결과(예, 혐의 지수가 높다, 부실채권 가능성이 높다) 가 나오게 된 주요 원인을 제공하는 Reason Code 기능을
제공합니다.
예시) 거절을 해야 하는 사유 중에 “연령이 너무 어려서 (<23)” 인 경우가 약 20% 등 거절 주요원인에 대한 분석이 가능합니다.

- 모형 검증
  R Squared, RMSE, K-S, Gain Plot, Lift Plot 등의 통계학적 기법을 통해 우/불량의 분포와 분리 정도를 그래프로 확인하여
모델의 적합성을 검증합니다.

- 모형 Deployment
  Model Builder에서 구축된 모형은 데이터베이스내에서의 scoring 작업을 위한 PMML(XML), 운영계 시스템 이식을 위한
Java, C-code 생성이 가능합니다. 추가로 룰 관리 시스템과의 직접 연계가 가능합니다.




Model Builder는 모델의 디자인과 배치 과정을 통합시키기 때문에 시간과 경비, 그리고 전통적인 컴퓨터 프로그래머에 의해서
작업됨으로써 종종 발생했던 에러를 감소시킬 수 있습니다. Model Builder의 구조화된 배치 환경은 매우 유연하여 일관적인
모델링과 반복적 업무의 자동화를 증진시키고 광범위한 데이터, 분석기법, 모델링 전략을 다룰 수 있습니다. Model Builder는
FICO 전문가에 의해 사용되는 선진 분석툴로서 데이터 기반의 의사결정을 위한 모델 개발 및 프로그래머에게 전례 없는 강력한
기능을 제공합니다.