Increasing competition in business and newly emerging information technology have led to the development of concepts that focus on nurturing the relationship with customers. The challenge of achieving a good relationship with customers is based on service which is individualized for each customer’s preference, and this naturally requires obtaining “customer information” and developing information-based business strategies. The quality of customer information is a very important factor for developing such customer-related strategies. ‘Completeness’ is one of the fundamental data quality components. Incomplete data can yield biased analysis results and undermine the accuracy of predictive models for customer behavior, which may lead to inappropriate decision-making processes and the development of wrong marketing or risk strategies. This study is organized in two parts and investigates the incomplete data problem and suggests a methodology to improve the prediction performance of customer behavior in two customer-related strategies: Customer Relation Management (CRM) in Part I and Credit Risk Management in Part II.
In Part I, we examine the incomplete data problem caused by missing values. To solve the problem, we suggest a novel approach to integrate multiple-imputation (MI) and bootstrap-imputation methods into the conventional methodology. Two experimental works are applied to real cases in electronic customer relationship management (e-CRM) domain. The first predicts the customer purchase likelihood in an online shopping mall with missing covariates and the second builds a collaborative filtering system in the case of missing target values. According to the results, the MI-based predictive models perform better than the traditional approach in both of the case studies, especially in the dataset with a high missing rate compared to the one with a low missing rate. Bootstrap-based approaches also produce better results than the traditional approach. However, the bootstrap-based approach requires longer computing time than the MI-based one, indicating that the latter is more recommendable in the application domain where prompt response is required.
In Part II, we consider the incomplete data problem caused by censored information in a credit scoring system. Censoring of information arises whenever the duration of the study (observation period) is limited in time. Credit scoring systems are designed to answer the question, “How likely is a credit applicant to default by a given time in the future?” In the standard approaches, a customer is classified as ‘bad’ if one shows poor performance just before the end of the fixed observation period. In such an approach, performance just after the end of the period does not matter. However, the whole process of credit granting and repayment is now perceived as more dynamic than static. This arbitrary division may lead to robust scoring systems. Credit risk models that disregard this point will miss some systematic and time-varying factors, and hence be unstable, potentially resulting in the misallocation of credit.
This paper looks at the extensions of the survival analysis model to analyze personal credit risk. Survival analysis has mainly been used in the clinical domain, which can handle the above issues. The proposed method can give a prediction of ‘time’ as well as ‘probability’ of personal default. We develop a survival-based credit risk model and assess the relative importance of different variables in predicting default. Standard binary classifying models are also developed for assessing a new way in the context of classifying power. These models are applied to personal credit card accounts dataset. According to the experiment results, survival-based credit risk modeling is a useful alternative and a complement in view of personal credit risk. The survival-based credit scoring approach can also give us a timing value when customers default, unlike the traditional approaches. “When” estimates will give a forecast of the default levels as a function of time, which is useful in debt provisioning and associated activities. However, it is difficult to conclude that the survival-based approach is always better than a binary approach. Depending on the situation faced by a financial institution, a model with a positive prediction tendency could be preferred, and sometimes the opposite situation will occur. So, an important topic for future research that has not been discussed in this study is to develop a balanced scorecard in both marketing and risk strategies through using the different outcomes generated from the different modeling approaches.
비즈니스 경쟁이 심화되고, 정보의 발달 및 네트워크 중심의 사회가 됨에 따라 각 기업에 있어서 고객의 중요성에 대한 인지는 더욱 커지고 있다. 고객중심의 전략을 성공적으로 수행하기 위해서는 무엇보다 고객에 대한 정확한 이해와 이를 바탕으로 한 기업의 전략수립이 요구되는데, 고객에 대한 정확하고 충실한 정보는 이를 위한 기본 토대 중 하나이다. 정보의 품질 측면에서 고려해야 하는 여러가지 이슈가 있는데, 근본적인 고려사항 중 하나가 사용하는 정보의 완전성 (completeness)에 관한 것이다. 고객에 대한 중요성과 더불어 다양한 고객정보와 고객행동 예측모형을 이용한 의사결정 지원시스템 활용이 증대될 수록, 불완전한 정보로 인한 편의된(biased) 결과와 이에 기반한 모형의 예측력 저하는 결국 기업의 고객전략 의사결정을 부적절한 방향으로 유도할 수도 있기 때문이다.
본 논문에서는 고객행동 예측모형 분야에서 발생할 수 있는 불완전한 정보 문제를 두가지 관점에서 살펴보고, 이를 개선할 수 있는 방법론을 제시하고자 한다. 먼저 논문의 Part I 에서는 고객관계관리(Customer Relationship Management)에서 자주 사용되는 고객구매행동 예측 모형 및 추천시스템에 있어서 결측값(missing value)으로 인해 생기는 불완전한 정보 (incomplete data)의 문제점을 지적하였다. 이를 개선하는 방법으로 기존의 모형에 다중대치(multiple-imputation)와 붓스트랩대치 (bootstrap-imputation) 방법론 등을 적용하는 것을 제안하고, 그 결과를 비교 분석하였다.
실제 인터넷 쇼핑사이트와 영화추천시스템의 데이터를 이용하여 실험한 결과, 예측성과 측면에 있어 두 방법 모두 기존의 방법론보다 다소 개선된 결과를 보였으며, 특히 결측율이 높을 수록 그 개선의 정도는 큰 것으로 나타났다. 한편, 붓스트랩을 이용한 방법이 다중대치보다 예측성과 측면에서는 다소 우수하나 계산시간이 많이 걸린다는 단점이 있어, 다중대치를 이용한 방법이 실제적으로는 보다 효과적일 것이다.
논문의 Part II 에서는 신용위험관리(Credit Risk Management)에 있어 주로 사용되는 신용평점모형 (credit scoring system)을 개발하는데 중도절단된 정보(censored information)로 인한 문제를 다루었다. 이는 앞서 결측값으로 인한 불완전 정보와는 또다른 관점에서 정보의 완전성을 위반하는 경우로, 제한된 관찰시점으로 인해 측정된 고객의 행동 정보가 부분적인 정보만을 가진 경우이다. 신용평점에 있어서 이러한 불완전한 정보는 고객의 위험을 과소평가할 수 도 있어, 채무불이행(default)이 될 가능성이 높은 고객을 그렇지 않은 고객으로 판별할 수도 있게 된다. 본 연구에서는 이러한 데이터상의 제약점을 극복하기 위해, 중도절단된 정보와 시간의 개념을 포함할 수 있는 생존분석(Survival analysis) 방법론에 기반한 신용평점 모형을 개발하고, 이를 정적인 접근방법(static approach)을 이용하는 기존의 신용평점모형의 결과와 비교하였다.
본 연구에서는 실제 국내 카드회사의 고객 및 거래정보를 활용하여 실험하였다. 실험 결과, 중단절단된 정보를 포함하는 제안 모형의 경우, 기존의 방법보다 ‘Negative Case’ 즉, 채무불이행자(Bad)에 대한 예측 관점에서는 좀 더 우수한 것으로 나타났으나 전반적으로 제안모형과 기존모형들의 예측성과가 비슷한 결과를 보였다. 한편, 제안 모형의 경우, 채무불이행의 ‘확률(probability)’ 뿐만아니라 ‘시점(when)’에 대한 정보도 제공할 수 있으므로 금융기관의 개인 신용위험관리 전략수립 등에 보다 유용한 방법론이 될 수 있을 것으로 기대한다.
한편, 카드산업을 비롯한 금융업종에 있어서 마케팅 또는 위험관리 어느 한 측면 만을 강조해서는 고객관계 강화를 통한 수익증대라는 궁극적인 목표 달성으로 연결되지 않는다. 본 연구에서 제안한 방법 등을 토대로 마케팅과 위험관리 양 측면을 균형있게 유지할 수 있는 스코어카드 및 활용방법 개발이 향후 연구의 방향이 될 수 있을 것이다.
