IS6052 ‐ Descriptive and Predictive Analytics    2022‐2023 Individual CA Project      Due Date: Thursday December 8th  Submit your project report as a single pdf file on Canvas      Loan Appr...

IS6052 ‐ Descriptive and Predictive Analytics 
 
2022‐2023 Individual CA Project 
 
 
Due Date: Thursday December 8th 
Submit your project report as a single pdf file on Canvas 
 
 
Loan Appraisal for FNB Bank 
You are a credit analyst working for FNB Bank. Your responsibilities include analysing the loan 
applications and making recommendations to management, based upon your findings, to help them 
make data‐driven decisions on lending.  
“Loan.csv” file includes data on 40,000 FNB customers that were granted a loan in the past and the 
espective outcome, i.e. whether they were identified as “write‐offs” or “not write‐offs”. 
Using this data, analyse the new loan applications whose data are provided in “NewApplications.csv” 
and try to predict whether each new applicant will repay the requested loan if it is approved. 
 
Data available: 
1. Gender  M=male; F=female 
2. Age  an integer parameter   
3. marital_status  widowed; ma
ied; single; divorced   
4. education  basic; highsch; univ; postgrad   
5. nb_depend_child  number of dependent children (0,1,2,3)   
6. employ_status  employment status (full_time; part_time; unemployed; self_employ; retired) 
7. yrs_cu
ent_job  years at the cu
ent employment 
8. yrs_employed  total number of years employed so far   
9. net_income  an integer parameter 
10. spouse_work  yes; no   
11. spouse_income  if the spouse works, what is his/her income? 
12. residential_status  home owner (owner); tenant; home owner with a mortgage (owner_morg); 
living with parents (w_parents)   
13. yrs_cu
ent_address  years at the cu
ent address  
14. loan_amount  an integer parameter   
15. loan_purpose  debt consolidation (debt_consol); wedding; home improvement (home_improv); 
vehicle; holidays; other 
16. loan_length  the duration of the loan   
17. collateral  yes; no 
18. writeoff  yes; no 
 
SAT-Dell2019
Cross-Out
SAT-Dell2019
Typewritten Text
Monday December 19th
 
Your report should contain: 
 
1. an investigation of the data and a summary of your descriptive analyses; (18 pts) 
2. a discussion on the pros and cons of the prediction methods that can be used to address FNB's loan 
appraisal problem; (6 pts) 
3. a 
ief description (and the assumptions made, if any) of how selected prediction methods are 
applied; (7 pts) 
4. R codes developed; (12 pts) 
5. an evaluation of the results obtained by each prediction method tried on the data; (20 pts) 
6. a comparative analysis of the results; (20 pts) 
7. your final recommendation to FNB on which customers should be granted loan; (10 pts) 
8. a discussion on any additional data that you think would be useful, if collected, to make better 
predictions in the future. (7 pts)