금융 분야에서의 빅데이터 및 머신 러닝 서비스

Before Machine Learning

 • 예측 분석에 투자되는 비용대비 수익은 상대적으로 낮음

 • 위법행위 감지 매커니즘은 끊임없이 나타나는  
  위법 행위에 제대로 적응하기 어려움

 

After Machine Learning

 • 서비스 만족도 향상, 금융 상품 추천, 고객별 세그멘테이션 등
 영업 마케팅에 활용

 • 위법행위(Fraud)의 감지

 • 고도화된 신용평가 시스템

  •  

  • 서비스 만족도 향상, 금융 추천 등 영업 마케팅에 활용

    • 고객은 한정된 정보에서 현명한 판단을 하길 바랍니다. 현업에 종사하는 이들이 보기엔 엉뚱한 선택을 하고, 왜 그런 선택을 하게 됬는지 궁금한 일도 고객들에게는 당연한 선택일 수도 있습니다. 아는 만큼 보인다고, 고객들은 자신들의 선택에 대해 후회하고 서비스에 대해 불만을 가지게 됩니다. 고객의 행동 데이터를 수집하여(Big Data), 그들의 사고 영역 안팎의 정보를 이용해 패턴을 분석하면(Machine Learning) 고객들의 니즈를 보다 수월하게 만족시킬 수 있습니다.

      주요 사례로 First Tennessee 은행은 2년간 모은 데이터의 통계 분석 및 모델링을 통해 고객을 여러 단계로 분류하였습니다. 이 분류 자료를 토대로 마케팅 메일을 발송했습니다. 발송한 메일의 양은 줄였지만, 고객이 상품에 대해서 반응을 보이는 수치는 이전보다 늘어 났습니다.

  • 위법행위(Fraud)의 감지

    • 이상 거래 탐지 시스템(FDS : Fraud Detective System)은 대상 고객의 기존 거래 내역과 여태까지 발생한 이상 거래 정보의 학습을 통해 이루어집니다. 머신 러닝을 통해 자동 학습된 이상 거래 패턴은 새로운 방식의 위법 행위에 대해 빠르게 적응할 수 있어서 현재 진행 중인 거래의 위험도와 특정 거래의 발생 가능성을 예측하는데 큰 도움을 줄 수 있습니다.

      대표적인 사례로 BillGuard 사는 머신 러닝을 활용하여 고객의 신용카드 사용내역과 은행 계좌 이체 내용을 감시하고 의심스러운 청구와 거래 징후가 포착되면 고객에게 경보를 알려주는 서비스 제공하고 있습니다.

  • 고도화된 신용평가 시스템

    • 일반적으로 은행은 직장, 소득, 금융거래실적, 연체 기록 등 소수의 변수에 기초한 신용평가 모델을 적용했지만 빅 데이터를 통해서 수집 · 저장된 직장 정보, 인터넷 홈페이지 보유 수, 동호회 가입 정보, 범죄 기록, 핸드폰 번호 소유 기간, 소득 대비 지출 비율, SNS 친구 수, SNS 포스팅 주제, 대출 신청서 작성에 걸린 시간, 부수입 등 수 천 가지 변수를 이용한 데이터를 학습할 수 있어서 보다 고도화된 신용평가 시스템 구축이 가능합니다. 이런 사례에서 실시간으로 신용 평가를 하게 된다면, 신뢰도의 문제가 발생할 수 있기 때문에 일정 주기를 가지고 학습하게 됩니다.

 

 

 

© 2017 IMGURU, Inc. All rights reserved.

 
서울특별시 금천구 가산디지털 1로 128 STX-V 타워 502호
우편번호 : 08507  |  전화번호 : 070-4099-2022  |  이메일 : imguru@imgr.co.kr