[Team Project] 은행 고객데이터를 이용한 서비스 분석

• 프로젝트명: 은행 고객데이터를 이용한 서비스 분석
• 기간: 2024-05-17~24
• 활용 데이터: https://www.kaggle.com/datasets/khanmdsaifullahanjar/bank-user-dataset

Bank User Dataset

 

 

다량의 데이터가 있고, EDA 를 진행한 결과가 많이 나올 것으로 예상되는 은행 고객데이터를 선정하여 분석해보았다.

이번 프로젝트는 이상치 및 결측치를 제거하는 것과 다양한 시각화를 사용하여 보다 효과적으로 해당 데이터를 이해하기 편하도록 준비했다.

 

 

1. 개요

 

• 프로젝트 진행목표: 은행 대출 팀을 위한 고개 현황 보고서 작성
• 프로젝트 주제: 고객 금융 데이터 탐색과 대출 서비스 현황 파악

 

2. 데이터 수집 및 소개

• 데이터 수집: kaggle
• 데이터 소개:
  • 은행의 개인정보, 카드정보, 계좌정보, 투자정보, 대출정보 등이 포함된 고객 데이터
  • 27개의 Columns 와 50,000개의 rows 로 구성

 

3. 데이터 전처리

• 이상치 & 결측치 확인

data info 를 사용하여 전체적인 데이터 구조 파악

이상치 확인

# 4분기의 지표로 Customer_ID 별 연속되는 4개의 유사한 Data 가 존재하는 것을 확인
bank.groupby('Customer_ID')['Month'].nunique()

> Name: Month, Length: 12500, dtype: int64

 

< 각 컬럼 상황에 맞추어 이상치 및 결측치를 대체 >

 

① 데이터의 연속성을 가지고 있고, 수치화가 되어 있지 않은 컬럼

'Age', 'Occupation', 'Num_Bank_Accounts', 'Num_Credit_card', 'Interest_Rate', 'Num_of_Loan', 'Credit_Mix', 'Payment_of_Min_Amount', 'Total_EMI_per_month','Num_Credit_Inquiries'

# Age 컬럼 전처리( 언더바 제거 )
result=[]

for i in bank['Age']:
  if "_" in i:
    i = i.replace("_","")
  result.append(float(i))

bank['Age'] = result

## Age 컬럼 90 초과 및 -500 인 값 NaN으로 수정
result = []

for i in bank['Age']:
  if (i > 90) :
    result.append(np.nan)
  elif (i < 1) :
    result.append(np.nan)
  else:
    result.append(i)

bank['Age']=result

# NaN 값을 Customer_ID별로 NaN을 제외한 최빈값으로 대체
bank['Age'] = bank.groupby('Customer_ID')['Age'].transform(lambda x: x.fillna(x.mode()[0] if not x.mode().empty else np.nan))

 

# underbar(_) 제거 후 Customer_ID 의 최빈값으로 대체

# 나이 컬럼의 경우 시간이 지남에 따라 1세가 더 증가되는 경우도 있었으나 이후 연령별 segmentation 을 진행할 예정이었기 때문에 최빈값으로 대체 하였다

 

② 수치화가 되어 있지 않은 컬럼

'Outstanding_Debt', 'Annual_Income' 

# Annual_Income 컬럼 전처리( 언더바 제거 )
result= []

for i in bank['Annual_Income']:
  if "_" in i:
    i = i.replace("_","")
  result.append(float(i))

bank['Annual_Income'] = result

# underbar(_) 제거

 

③ 음수 및 이상치가 포함된 컬럼

'Delay_from_due_date', 'Changed_Credit_Limit', 'Num_of_Delayed_Payment'

#Changed_Credit_Limit 컬럼 언더바를 0으로 변경
bank['Changed_Credit_Limit'] = np.where(bank['Changed_Credit_Limit']=='_',0,bank['Changed_Credit_Limit'])

# 0으로 대체

 

④ 결측치가 있었던 컬럼

'Monthly_Inhand_Salary'

# Monthly_Inhand_Salary	에 nan값을 평균값으로 변환 

def fill_mean(df, group_col, target_col):
    mean_val = df.groupby(group_col)[target_col].transform('mean')
    nan_ = df[target_col].isna()
    df[target_col].fillna(mean_val, inplace=True)
    filled_count = nan_.sum()
    return filled_count

fill_mean(bank,'Customer_ID','Monthly_Inhand_Salary')

# nan값인 'Monthly_Inhand_Salary'를 0으로 변경
bank['Monthly_Inhand_Salary'] = bank['Monthly_Inhand_Salary'].replace(np.NaN,0)

# Customer_ID 의 평균값으로 대체

# 월급 특성상 급여의 변화가 크지 않을 것이라고 예상하여 평균값으로 대체 하였다

# 평균값이 존재하지 않은 데이터는 0 으로 대체

 

⑤ 매달 1개월씩 증가하는 연속성을 가진 컬럼

'Credit_History_Age'

#“Credit_History_Age”

bank_CHA=bank[['Credit_History_Age']]

CHA_list = bank_CHA.values.tolist()


Hist_M = []

for i in sum(CHA_list, []) :
    if pd.isna(i) :
        Hist_M.append(0)
    else :
        str_CHA = i.strip().split(' ')
        re_list_CHA = [str_CHA[0], str_CHA[3]]
        L_CHA = list(map(int, re_list_CHA))
        M_sum = L_CHA[0]*12+L_CHA[1]
        Hist_M.append(M_sum)
        

Re_List = []

for idx, val in enumerate(Hist_M) :
    if val == 0 :
        if idx%4 == 0 :
            Re_List.append(Hist_M[idx+1]-1)
        else :
            Re_List.append(Hist_M[idx-1]+1)
    else :
        Re_List.append(val)


Hist_Age = []
for i in Re_List:
    years = i // 12
    months = i % 12
    Hist_Age.append([years, months])

List_to_DF = []
for idx,val in enumerate(Hist_Age) :
    ststring = str(val[0])+' Years and '+str(val[1])+' Months'
    List_to_DF.append(ststring)


bank['Credit_History_Age'] = List_to_DF

# 등차수열로 대체

# 4개월 간의 데이터가 반복적으로 나타나고 있었으며, 이 전 값에서 1달씩 더해주었다.

 

• 새로운 csv 파일 생성

해당 데이터 내에 결측치와 이상치가 다량 존재하였고,

위와 같이 전처리 후 데이터를 통합하여 새로운 csv 파일을 생성하고 EDA 를 진행하였다.

• EDA 를 위한 특정 컬럼 Segmentation
  • 연령별 - 10
  • 연간소득별 - 30k
  • 대출종류별 -  Unique 값 

  

4. 데이터 분석

 

• 현황분석

① 데이터 현황

 

 

# 직업별 고객수, 대출 종류별 갯수 비율, 대출별 직업 비율 간의 차이가 크게 나타나지 않는다.

# 대출상품 또한 골고루 판매된 것으로 확인된다.

# 나이 분포에 따른 그래프를 보아 주 고객층은 20~40대 인 것으로 확인된다.

# 분류되지 않은 대출상품에 관한 인원이 다량 존재하였다.

 

 

② Hitmap

 

# 미지불 채무액(Outstanding_Debt)기준

- 양의 상관관계: 

대출건수(Num_of_Loan), 이자율(Interest_Rate),

대출 마감 지연일(Delay_from_due_date), 신용조회건수(Num_credit_Inqueries)

> 미지불 채무액이 증가할 수록 증가

 

- 음의 상관관계:

계좌유지기간(Credit_History_Age)

> 미지불 채무액이 증가할 수록 감소

*양의 상관관계:

한 변수가 증가할 때 다른 변수도 같이 증가

*음의 상관관계:

한 변수가 증가할 때 다른 변수는 감소

# Numeric 컬럼 간의 상관관계:

미지불 채무(Outstanding_Debt)와 대출건수(Num_of_Loan)

두 컬럼 사이에서 0.638713 로 다른 컬럼들 중 가장 높은 양의 상관관계를 가지고 있다

• 시각화

① Age 컬럼을 사용한 시각화

# 연령대가 높아짐에 따라 이자율과 대출 지연건수가 낮아지는 경향이 있다.

> 저연령대의 고객층을 조금 더 신경써야될 것으로 보인다.

 

② Credit_Mix 컬럼을 사용한 시각화

# 비례 관계를 가진 컬럼:

계좌 유지 기간(Credtit_History_Age)

> 높아질수록 신용도가 높다.

 

# 반비례 관계를 가진 컬럼:

보유계좌갯수(Num_Bank_Accounts), 이자율(Interest_Rate),

대출마감지연일(Delaty_from_due_date), 보유카드갯수(Num_credit_Card),

대출건수(Num_of_Loan), 대출마감지연건수(Num_of_Delayed_Payment)

> 높아질 수록 신용도가 낮다.

 

③ Outstanding_Debt 컬럼을 사용한 시각화

# 이자율(Interate_rate)과 대출건수(Num_of_Loan)가 높을 수록 미지불 채무 금액이 높다. 

# 계좌유지기간(Credit_History_Age)이 높을 수록 미지불 채무 금액이 낮다.

 

* 신용도와 미지불채무액의 관계

# 신용도가 낮을수록 큰 금액의 채무를 갖고 있다.

- 미국 은행 시스템 상 본인이 사용할 수 있는 한도 내에서 적절하게 사용할 경우 신용도가 상승한다.

- 사용자들이 잘 사용하고 있는 것으로 파악된다.

 

 

④ Outstanding_Debt 의 회귀분석

* 회귀분석이란?

원인과 결과가 서로 연속되는 개념으로 이해하는 것이다.

독립변수로 종속변수(목표변수)를 예측하는 것

 

# ols 모델명을 사용하였다.

# 다만, 모델의 적합도가 높지 않아 유의미하지 않은 모델일 수 있다.

 

# P>|t| (유의확률) : 0.05

# 오차범위 5% 내외인 컬럼들은 유의미하다.

 - 컬럼:

신용도(Credit_Mix_Num), 계좌유지기간(Credit_History_Age_Num),

대출건수(Num_of_Loan), 대출 마감 지연 건수(Num_of_Delayed_Payment)

 

 

 5. 결론

• 직업군별의 부채 금액차가 크지 않다
  • 데이터 분포가 대부분 비슷한 것으로 보여 데이터가 올바른지에 대한 의심도 필요하다.
• 모든 종류의 대출이 골고루 판매되었다.
  • 신용도에 따라 특화된 대출 상품을 구상하면 좋을 것으로 보인다.
• 신용도 산정 기준으로 채무, 대출 지연 건수 등을 잘 이용하고 있다.
  • 연령대가 낮을 수록 채무와 대출 지연 건수가 많으며 신용도가 낮다.
• 저연령 고객층에 대한 리스크 관리가 필요하다.

 

6. 회고

• 기간
  • 테이블 내에 특정 한 해의 4분기의 데이터만이 존재했기 때문에 비교 대조군으로 데이터를 나눌 수 없었는 아쉬움이 있다.
• 컬럼 정보 설명 부족
  • 해당 컬럼이 의미하는 바가 명확하지 않아 EDA 진행 시 데이터를 이해하는데 어려움이 있었다.
• 다량의 이상치 & 결측치
  • 이상치 및 결측치가 많아 컬럼에 맞는 대체 값을 찾아 전처리 진행에 많은 시간이 투자되었다.
• 도메인 지식 부족
  • 미국의 소득 분위 기준 구간에 대한 정보 부재로 해당 데이터 내에 있는 연간소득으로만 세그먼트를 진행하였다.
  • 금융 관련 지식이 부족하여 다양한 방법으로 관계를 추출하는데 어려움을 겪었다.

 

 

---

KPT 회고

https://lyj-01.tistory.com/159