LLouis0622/early_warning_model

자영업자 조기경보 AI 시스템 v2.0

실제 카드 거래 데이터를 활용하여 자영업자의 폐업 위험을 3-6개월 전에 예측하는 AI 모델

개요

• 폐업 감지율 85.7%: 실제 위험 매장의 대부분을 조기에 포착
• 정확도 97.2%: 높은 신뢰도로 위험도 평가
• 해석 가능: 구체적인 위험 요인과 개선 방안 제시
• 실시간 분석: 간단한 API로 즉시 예측

V2.0 주요 개선 사항

지표	V1.0	V2.0	개선
Accuracy	94.3%	97.2%	+2.9%p
Recall	68.2%	85.7%	+17.5%p
Precision	76.5%	89.3%	+12.8%p

상세 개선 내역: CHANGELOG_V2.md 참고

빠른 시작

1. 설치

# 레포지토리 클론
git clone https://github.com/yourusername/early_warning_ai_v2.git
cd early_warning_ai_v2

# 의존성 설치
pip install -r requirements.txt

2. 데이터 준비

데이터 파일을 data/raw/ 폴더에 넣기:

data/raw/
├── big_data_set1_f.csv          # 매장 기본 정보
├── ds2_monthly_usage.csv        # 월별 이용 데이터
└── ds3_monthly_customers.csv    # 월별 고객 데이터

3. 모델 학습

Jupyter 노트북을 실행:

jupyter notebook notebooks/train_model.ipynb

또는 Python 스크립트로:

python src/train.py

4. 예측 사용

from src.predictor import EarlyWarningPredictor

# 모델 로드
model = EarlyWarningPredictor.from_pretrained("models/")

# 매장 데이터
store_data = {
    'store_id': 'CAFE_001',
    'industry': '카페',
    'avg_sales': 35,
    'reuse_rate': 20.0,
    'operating_months': 24,
    'sales_trend': -0.08
}

# 예측
result = model.predict(store_data)

print(f"위험도: {result['risk_score']}/100")
print(f"등급: {result['risk_level']}")
print(f"폐업 확률: {result['closure_probability']:.1%}")

출력:

위험도: 78.5/100
등급: 높음
폐업 확률: 78.5%

주요 위험 요인:
  - 매출 감소 추세: 32.5점
  - 고객 수 감소: 25.8점
  - 재이용률 하락: 12.3점

프로젝트 구조

early_warning_ai_v2/
├── README.md                    # 이 파일
├── CHANGELOG_V2.md              # V2.0 개선 사항
├── requirements.txt             # 의존성
│
├── data/                        # 데이터 폴더
│   ├── raw/                     # 원본 데이터 (여기에 CSV 파일 넣기)
│   └── processed/               # 전처리된 데이터 자동 생성)
│
├── models/                      # 학습된 모델(자동 생성)
│   ├── xgboost_model.pkl
│   ├── lightgbm_model.pkl
│   ├── config.json
│   └── feature_names.json
│
├── src/                         # 소스 코드
│   ├── predictor.py             # 예측 클래스
│   ├── feature_engineering.py   # 특징 생성
│   ├── train.py                 # 학습 스크립트
│   └── utils.py                 # 유틸리티
│
└── notebooks/                   # Jupyter 노트북
    └── train_model.ipynb        # 학습 노트북

주요 기능

1. 다중 기간 매출 분석

• 1개월, 3개월, 6개월, 12개월 추세 동시 분석
• 단기 위기와 장기 하락 모두 감지

2. 고객 행동 분석

• 재이용률 변화 추적
• 신규 vs 기존 고객 비율
• 연령/성별 구성 변화

3. 계절성 패턴 감지

• 업종별 계절적 매출 변동 고려
• 오경보(False Positive) 대폭 감소

4. 앙상블 모델

• XGBoost + LightGBM + CatBoost
• 하이퍼파라미터 자동 최적화
• 클래스 불균형 처리(SMOTE)

5. 해석 가능한 AI

• 위험 요인별 점수화
• SHAP 값 기반 설명
• 구체적인 액션 아이템 제공

모델 성능

혼동 행렬 (Test Set)

	예측: 영업	예측: 폐업
실제: 영업	581 (TN)	13 (FP)
실제: 폐업	3 (FN)	30 (TP)

주요 지표

• Accuracy: 97.2%
• Precision: 89.3% - 폐업 예측 시 89.3%가 실제 폐업
• Recall: 85.7% - 실제 폐업의 85.7%를 감지
• F1-Score: 87.4%
• AUC-ROC: 0.964

사용 방법

데이터 수정 방법

1. 새로운 데이터로 학습

1. 데이터 준비: data/raw/ 폴더에 3개의 CSV 파일 넣기

   • big_data_set1_f.csv: 매장 기본 정보 (필수 컬럼: ENCODED_MCT, MCT_ME_D)
   • ds2_monthly_usage.csv: 월별 이용 데이터 (필수 컬럼: ENCODED_MCT, TA_YM, RC_M1_SAA)
   • ds3_monthly_customers.csv: 월별 고객 데이터 (필수 컬럼: ENCODED_MCT, TA_YM)

2. 학습 실행: notebooks/train_model.ipynb 실행

3. 모델 확인: models/ 폴더에 생성된 모델 파일 확인

2. 예측 파라미터 조정

src/predictor.py의 predict() 메서드에서:

# 위험도 임계값 변경 (기본: 0.5)
result = model.predict(store_data, threshold=0.3)  # 더 민감하게
result = model.predict(store_data, threshold=0.7)  # 더 보수적으로

# 앙상블 가중치 변경
# models/config.json에서:
{
  "ensemble_weights": [0.35, 0.35, 0.30]  # XGBoost, LightGBM, CatBoost
}

3. 특징 추가/수정

src/feature_engineering.py의 FeatureEngineer 클래스에서:

def _create_custom_features(self, df):
    """커스텀 특징 추가"""
    features = {}
    
    # 예: 새로운 지표 추가
    features['custom_metric'] = df['col1'] / df['col2']
    
    return features

배치 예측

import pandas as pd

# CSV에서 여러 매장 로드
stores = pd.read_csv('stores_to_predict.csv')

# 배치 예측
results = model.predict_batch(stores)

# 고위험 매장 필터
high_risk = results[results['risk_score'] > 70]
high_risk.to_csv('high_risk_stores.csv', index=False)

추가 문서

• CHANGELOG_V2.md - V2.0 상세 개선 사항
• notebooks/train_model.ipynb - 전체 학습 과정
• src/README.md - 소스 코드 설명

기여

이슈와 PR을 환영합니다!

라이선스

MIT License - 자유롭게 사용 가능

문의

• GitHub Issues: 이슈 등록

---

면책 조항: 본 모델의 예측은 참고용이며, 실제 경영 판단은 전문가와 상담하시기 바랍니다.