이진분류를 통한 반려예측모델 구축

✅ 1. 문제 정의

• 입력(Input): 전표 데이터 (예: 적요, 금액, 계정과목, 날짜, 작성자 등)
• 출력(Output): 반려 여부 (반려/통과 → 이진 분류)

이 문제는 이진 분류(Binary Classification) 문제입니다.

---

✅ 2. 데이터 준비

🎯 타겟 변수 설정

• label = 1 : 반려됨 (결재반려, 재경반려)
• label = 0 : 정상 통과됨

🧾 입력 피처 예시

• 적요 (자연어 처리 필요)
• 금액 (숫자형)
• 계정코드, 거래처 (범주형)
• 입력일자 (날짜 → 요일/월/분기 등으로 파생 가능)
• 사용자 ID, 부서 ID (범주형)
• 반려 사유 (학습 시 제외하고, 추후 해석에만 사용 가능)

---

✅ 3. 전처리/특징 엔지니어링

• 적요: TF-IDF, BERT 임베딩, 혹은 SentenceTransformer 등으로 변환
• 범주형: One-hot / Target Encoding / Embedding
• 숫자형: 로그 변환 또는 정규화
• 날짜: 요일, 월, 분기 등으로 파생
• 희귀값 처리: 거래처/계정 등 너무 희귀한 카테고리는 묶기

---

✅ 4. 모델 구조 (선택지)

모델설명

XGBoost / LightGBM	Tabular 데이터에 강력, 해석력 좋음
Random Forest	baseline으로 안정적
딥러닝 (TabTransformer, TabNet)	딥러닝 접근을 원할 경우
BERT + Tabular	적요가 핵심 정보일 경우 적요는 BERT로 인코딩하고 나머지는 병합

---

✅ 5. 평가 지표

• 일반적인 정확도(accuracy)보다 중요한 건:
  • Recall (재현율): 반려될 걸 놓치면 안 되므로!
  • Precision (정밀도): 너무 많은 false positive도 문제
  • F1 score: 두 지표의 균형

---

✅ 6. 예측 결과 활용

• 예측값이 반려 확률이 높으면 자동 검인 안 하고, 사람이 검토
• 임계값(예: 0.85 이상 확신되면 자동검인) 조정 가능
• 검토 사유까지 제공하려면 SHAP 같은 설명 가능 AI 도구 활용

---

✅ 7. 모델 업데이트

• 사용자 피드백으로 반려 사유가 쌓이면 주기적으로 재학습
• 최근 트렌드를 반영하려면 최근 데이터에 더 가중치 주는 것도 고려

---

📌 요약

단계내용

문제 정의	반려 예측 (이진 분류)
데이터	적요, 계정, 금액 등 입력 → 반려 여부 레이블링
모델	XGBoost, BERT + Tabular, TabNet 등
활용	자동검인 여부 결정 + 사용자 알림