하이앤드 BNPL, 테크 제품 구독, 고관여 상품(보험, 여행 등), 청년 소액상품 할부, 월세보증금 등에 적용되었거나 연결하고 있습니다.
가명결합은 지정된 기관들이 수행 가능한데, 크레파스는 가명결합 기관은 아닙니다. 수집 정보는 세션에서 말씀드렸던 것 처럼 다양하고 앞으로도 확대 예정이며, 동의받은 고객정보는 가명결합이 아닌 실명 데이터인데, 이에 대해서는 접목하여 활용할 수 있습니다.
가능하고 필요한 영역입니다. 모형 자체 보다는, 모형들과 룰 들을 포함한 의사결정 최적화 부분에 더 유용할 수 있습니다.
전통적 신용평가의 오리지널 기술과, 대안신용평가의 오리지널 기술을 내재화 하였습니다. (기술합작, 파트너십 등을 통함)
세션중에 답 드렸었어요. 추가적으로 크레파스는 데이터의 종류와 형태, 그리고 찾아내고자 하는 가치에 따라 다양한 기법들을 적용하고 있습니다.
국내 P2P 업체에서 청년대출의 신용평가를 위해 적용하였고, 그 외 보험, 저축은행, 캐피탈 등에서 신규 고객 유입시 거절을 적게 하거나 이상거래 가능성을 탐지하는 등의 용도로 적용 또는 서비스 연결중입니다
쇼핑몰이 신용으로 판매(=후불제, 할부..)하는 경우에 활용도가 높을 것으로 생각합니다.
설명이 중요한 경우에는 해석 가능한 ML 방법 등을 선택하는 것이 필요하겠고, 성능 자체가 중요하다면 특정 허용 범위를 정하여, 그 범위 내에서는 알고리즘의 장점을 활용하는 것도 괜찮은 것 같습니다.
조금 애매한 질문이기는 한데, ^^ 고객사 공급 시스템이 지속활용되거나 내재화 되는 등의 성과를 도출하고 있습니다.
모바일 정보 기준 1초 이내에 전체 신청자의 99%를 처리하여 스코어를 제공할 수 있고, 통신사 데이터의 경우 0.4초의 반응시간을 유지하고 있습니다.
크레파스도 SK 등 다양한 기업과 협력하고 있습니다. 다만 차이점은, 하나금융은 SK그룹의 데이터를 추가 활용하여 내부 심사기준을 업그레이드 하는 것이고, 크레파스는 SK그룹의 데이터를 활용하여 금융사, 스타트업 등 제3자가 심사에 활용할 수 있도록 신용평가 서비스를 제공하는 것입니다. 신한카드와는 과기정통부 과제로 내외국인 신용평가 해소를 위한 모형 개발 프로젝트를 함께 수행하여 목표한 성과를 달성했습니다.
부족한 데이터 부분을 추정할 수 있는 여러 방법론들이 있는데, 그렇더라도 충분한 데이터에 비할 바는 되지 못합니다. 그래서 모두를 평가해야 하는 금융신용평가의 경우에는 결측이 많은 데이터를 사용하지 못하는 경우가 많습니다. 그런데 대안정보의 활용은 ‘추가정보 제공자를 우대’하는 것입니다. 마치 은행 창구에서 상담받을 때 추가 소득원, 장학금 수령정보 등을 추가 제출하면 참고하여 판단하는 것과 같습니다. Positive 한 방향으로의 활용을 통해 부작용을 최소화 하기위해 노력합니다
조금 다른 영역인데, 실제로 경기변동 인덱스를 적용하여 같은 점수라도 달라진 우,불량 비율을 적용하여 심사기준을 변경하기도 합니다. Economic Impact Index 등을 참고해 보시면 좋을 듯 합니다.
아직 답변이 없습니다
대안신용평가의 목적은 불량인 착한사람에게 더 기회를 주는 것이 아닌, 실제로는 우량인데 믿어줄 근거가 없어 어쩔 수 없이 고금리 외에는 대안이 없는 시람들에게 중금리 금융의 기회를 주는 것입니다. 물론 미래의 부실 가능성을 기준으로 심사승인 전략을 적용하기에 승인율이 높아지면 연체율도 높아질 수 있는 가능성이 있습니다만, 이것은 다른 필터링 기준이나 조기경보 기능 등을 함께 활용하며 대처하도록 노력하고 있습니다.
대안신용평가 뿐 아니라, 금융신용평가에서도 유의해야 할 중요한 부분을 말씀하셨습니다. 기본적으로는 데이터 활용시의 규제와 윤리 등으로 가이드 하게 되지만, 다양한 정보를 활용하여 니치마켓을 찾아내고 초개인화된 상품을 설계하여 만족한 고객을 창출하는 사례가 늘어나다 보면, 단지 연체율만을 낮추기 위한 방향으로의 무리한 모형 발전의 효용성은 낮아지며 정제될 수 있을 것으로 생각합니다. 하지만 선제적으로도, 올바른 알고리즘을 만들도록 늘 노력하겠습니다
1천만원 이하의 대출 심사에 가장 유의하다고 생각하고, 그 이상이면 불이행 뿐 아니라 상환능력 등이 종합적으로 평가되어야 합니다. 크레파스는 특히 청년, 외국인 및 비정규직 소득자 등, 기존 금융신용평가로는 중금리를 이용하지 못하던 분들에게 공급할 수 있는 중금리 금융상품이 많이 출현할 수 있도록 돕고자 합니다. 궁극적으로는 초 개인화된 금융상품을 오퍼할 수 있는 AI 심사역을 만들어, 수지타산이 맞지 않아 포기되었던 시장에도 필요한 금융이 상시 공급될 수 있도록 노력하고 있습니다.
모형의 정확성은 K-S, Divergence, ROC 등의 지표로 살펴볼 수 있을텐데, 실제로는 같은 데이터set으로 만든 모델간의 비교에만 유용한 편입니다. 따라서 모형 자체의 비교가 아닌, 해당 모형을 적용했을 때 심사 결과의 비교를 통해 간접 확인하게 되는데, 동일한 수준의 연체율이라면 승인율을 높이고 동일한 수준의 승인을 한다면 연체율을 낮춘 검증된 사례들이 있습니다. (통상 20~30% 리스크를 개선하고, 승인율은 대폭 향상) 개인정보를 활용하는 과정에서 보다 유연하게 내외부 정보의 결합 활용을 할 수 있도록 위수탁 업무 기준 등이 정리되고 완화되면 효용성이 더 커질 수 있을 것 같은데, 현재 금융당국에서도 해당건에 대해 규제 완화를 논의하고 있는 중으로 알고 있습니다.
네, 맞습니다. 그런데 개인으로 부터 획득할 수 있는 유의미한 정보가 기업 정보 처럼 각각의 의미가 명확하지 않은 경우가 많아서, 동일한 정보를 보고 판단한다면 어떤 판단을 하는 것이 더 나은 의사결정인지를 데이터와 통계, 확률 등에 의해 판단하게 됩니다. (금융신용평가, 대안평가 모두 유사합니다) 다만 대안평가에서는 고급통계기법과 ML, 딥러닝 등을 좀 더 활용하여, 그 오류를 좀 더 잡아내기 위해 노력하고 있습니다.
마이데이터 사업은 아니고, 고객이 직접 제공하거나, 고객이 동의에 의해 제휴 파트너사로 부터 제공받는 형식으로 진행합니다.