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...

check the file atached


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  respective 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; married; 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_current_job  years at the current 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_current_address  years at the current 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 brief 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)