그래프 인텔리전스로 고객 신용 평가 패러다임 바꾸기
누군가 집을 사기 위해 대출을 하기 위해 은행에 왔습니다.
은행은 채무 불이행의 위험을 피하기 위해, 대출자의 신용 점수, 대출&상환 내역, 연 수입, 자산 등을 참조해서, 대출 승인 여부와 금액을 결정합니다.
하지만, 금융 상품 이용 경험이 매우 적은 고객이라면 어떻게 해야 할까요?
혹시 우량 고객을 놓쳐 수익 기회를 잃을 수도 있지 않을까요?
이 문제를 슈퍼앱 데이터와 그래프 머신러닝으로 접근한 사례[1]를 소개합니다.
※ 슈퍼앱: 메시지, 배달, 게임, 결제, 송금 등 다양한 서비스와 금융 거래를 제공하는 플랫폼으로, 카카오톡, 위챗(WeChat), 그랩(Grab) 등이 대표적
그래프 내 이웃의 행동과 네트워크 중심성을 활용해 고객의 신용도를 평가할 수 있습니다
배경
전통적인 고객 신용 평가의 한계
전통적인 신용 점수 시스템은 주로 개인의 금융 이력(신용 한도, 대출 이력, 상환 내역, 신용조회회사 점수 등)에 기반합니다. 그러므로, 기존 금융 상품을 이용한 경험이 없는 사람들은 신용 평가에서 배제되는 구조적 한계가 있습니다.
또한 고객의 전체적인 금융 이력 데이터를 수집하고 관리하기 위해서는 비용이 많이 들고, 접근 가능성도 낮습니다. 특히 개발도상국에서는 이러한 데이터가 제대로 기록되지 않거나 공유되지 않는 가능성도 존재합니다.
주요 아이디어
슈퍼앱 그래프 데이터를 활용한 대체 신용 평가
이 연구에서는 이러한 문제 해결을 위해 '슈퍼앱'을 주목했습니다.
슈퍼앱은 금융 이력에서 포착할 수 없지만 신용 평가에 도움이 되는 다양한 정보를 제공합니다.[2]
금융 활동 이력: 충전(입금), 결제, 송금 등
소비 패턴: 이용 서비스/업종, 결제 금액, 결제 지역 등
네트워크 기반 정보: 고객 간 P2P 송금, 고객-서비스 제공자 간 거래 관계 등
결론적으로 슈퍼앱 사용자 간의 상호작용 데이터를 통해, 기존 금융 이력 부족 문제를 해결할 수 있는 대체 신용 점수 방법을 제안합니다.
솔루션
1단계. 고객 간 그래프/네트워크 구성 및 분석
먼저, 다음과 같이 5 종류의 네트워크를 구성하였습니다.
그리고, 네트워크 분석을 통해 다음과 같은 정보를 얻었습니다.
연결 정도(Degree)
고유벡터 중심성(Eigenvector Centrality)
페이지랭크 중심성(Pagerank Centrality)
커뮤니티(Louvain Community)
이웃 평균 변수
2단계. 예측 모델 생성
슈퍼앱에 저장된 고객 특성 149개와 1단계에서 얻은 그래프 기반 특성 11개를 학습하여, 고객의 채무 불이행 위험을 평가할 수 있는 모델을 생성합니다.
<예측 모델 학습 데이터 예시>
※ 고객 특성: 노란색 / 그래프 기반 특성: 하늘색
3단계. 예측 모델별 비용 절감 효과 산출
이 연구에서는 채무 불이행 위험 예측이 개선될 경우, 실제 비즈니스에서 어느 정도의 비용을 아낄 수 있는지를 평가했습니다.[3] 즉, 아래와 같이 잘못된 분류가 발생했을 때 생기는 손실 비용을 고려한 다음, 각 모델이 이를 얼마나 줄였는지를 절감 효과(절감액)로 계산한 것입니다.
불량 고객을 우량 고객으로 잘못 판단해 대출 → 손실
우량 고객을 거절함 → 수익 기회 손실
결론
그래프 분석으로 예측 정확도 향상과 비용 절감 효과 확인
1) 예측 정확성
결론적으로, 기본 모델(고객 특성만 학습) 대비 그래프 기반 특성을 함께 사용한 모델의 성능이 전반적으로 높게 나타났습니다.
특히, 5 종류의 모든 네트워크를 반영한 모델(MIX)의 성능이 가장 높게 나타났고, 유사 카드 상품 이용(BIN) 관계 특성을 학습한 모델이 그 뒤를 이었습니다.
<모델별 성능 평가 결과>
특히, 모델의 정확도 향상에 영향을 준 변수가 무엇인지 알 수 있는 변수 중요도(Feature Importance)를 보면, 다음의 그래프 특성이 채무 불이행을 예측하는데 긍정적인 영향을 준 것을 확인할 수 있었습니다.
BIN 네트워크의 페이지랭크 중심성
이웃 평균 변수: 이웃의 결제 실패, 신용카드 취소율 등
2) 비용 절감 효과
모든 네트워크를 반영한 모델(MIX)를 비즈니스에 도입한다면, 약 5.5%의 비용을 절감할 수 있다는 점을 확인하였습니다.
금융 분야에서 고객의 신용을 평가하는 것은 언제나 중요한 과제였습니다.
하지만, 전통적인 신용 평가 방식은 금융 활용 이력이 적은 고객을 평가에서 배제하는 구조적인 한계를 가집니다.
슈퍼앱과 같은 새로운 온라인 금융/결제 플랫폼의 고객 행동 및 네트워크 데이터를 활용하면, 사용자의 사회적 관계와 소비 행동을 바탕으로 새로운 형태의 신용 평가가 가능해집니다. 이는 금융 포용성(financial inclusion)을 확대하는 핵심 도구가 될 수 있습니다.
(주) 사이람
1660-4230 | netminer@cyram.com
References
[1] Roa, L., Rodriguez-Rey, A., Correa-Vansen, A., & Valencia Arboleda, C. (2021). Supporting financial inclusion with graph machine learning and super-app alternative data. arXiv preprint arXiv:2102.09974. https://arxiv.org/abs/2102.09974
[2] Luisa Roa, Alejandro Correa-Bahnsen, Gabriel Suarez, Fernando Cort´esTejada, Marıa A Luque, and Cristi´an Bravo. Super-app behavioral patterns in credit risk models: Financial, statistical and regulatory implications. Expert Systems with Applications, 169:114486, 2021.
[3] Alejandro Correa Bahnsen, Djamila Aouada, and Bjorn Ottersten. Example-Dependent Cost-Sensitive Logistic Regression for Credit Scoring.In 2014 13th International Conference on Machine Learning and Applications, pages 263–269, Detroit, USA, 2014. IEEE.