Currently, there is no unified model for the possibility of recovering debts from debt collection agencies, and bond evaluation is being conducted based on the subjective judgment of the individual of the collection agency. Based on the debt recovery prediction model, it is possible to establish and implement an allocation strategy, a customer-provided solution, and a commission payment system(the fee paid to the debt collectors). This study proposes three models for the debt recovery prediction with different advantages based on explanatory power and predictive power. First, Credit Scoring(CS), which has been commonly used in the financial sector for more than 60 years, It is suggested that it can also be applied to the development of a debt collection prediction model accepted by debt collection agencies and has excellent explanatory power. Second, the latest machine learning algorithm is used to increase predictive power, and the XAI (eXplainable AI) technique is used to supplement the explanatory power of the machine learning model. Third, a new model with explanatory power and improved predictive performance is presented by combining the variable conversion technique of the credit rating model (CS) and the machine learning model. It also shows a significant distinction between the recovery amount and recovery rate, which are the business goals of debt collection agencies.
현재 신용정보회사에서 미수채권의 회수 가능성에 대한 통일된 모형이 없고 추심원 개인의 주관적 판단에 의한 채권평가가 이루어지고 있다. 부실채권 회수 예측모형은 채권 배정 전략, 고객 접촉 전략 및 지급수수료 체계를 수립하는 데 중요한 기반이 된다. 본 연구에서는 설명력과 예측력을 기준으로 장점이 각기 다른 3가지의 미수채권 회수 예측모형을 제안한다. 첫째, 60년 이상 동안 금융분야에서 일반적으로 사용하고 있는 스코어카드기반 신용평가모형(Credit Scoring, CS)이 신용정보회사에서 수임한 채권회수 예측모형 개발에도 적용이 가능하고 설명력이 우수하다는 것을 제시한다. 둘째, 최신 머신러닝 알고리즘을 사용하여 예측력을 높이고, XAI(eXplainable AI)기법을 활용하여 머신러닝 모형의 설명력을 보완한다. 셋째, 신용평가모형(CS)의 변수변환 기법과 머신러닝 모형을 조합하여 설명력을 갖추되 예측성능을 높인 새로운 모형을 제시하고, 신용정보회사의 비즈니스 목표인 회수금액과 회수율을 유의미하게 구분하는 것을 보여준다.
