머신 러닝이 금융 서비스 혁명을 이끄는 방법

머신러닝의 가능성은 자율주행 자동차부터 온라인에서 콘텐츠를 제공하는 미디어 및 마케팅 알고리즘에 이르기까지 삶의 여러 측면에 새로운 기회와 새로운 질문을 던지고 있습니다.

머신 러닝이 금융 서비스 혁명을 이끄는 방법

이러한 기술은 현재 금융 서비스 부문에서 모멘텀을 얻고 있으며, 특히 신용 위험 분석과 자금 세탁 및 사기와 같은 불법 행위 탐지를 포함한 응용 분야에서 가장 두드러지게 나타나고 있습니다.

지속적인 발전과 진화에 대한 인사이트

국제금융협회(IIF)에서는 일련의 설문조사를 통해 회원 금융 기관의 머신러닝 활용 현황을 분석했습니다. 2018년 3월과 2019년 8월에 실시한 설문조사에서는 신용 리스크 분야의 머신러닝 적용에 초점을 맞춰 그라디언트 부스팅과 랜덤 포레스트와 같은 기법의 지속적인 발전과 진화에 대한 인사이트를 제공했습니다. 최근 설문조사에 따르면 이러한 기법으로 파일럿 프로젝트를 실행하는 은행의 수가 20%에서 45%로 급격히 증가했습니다. 실제 업무에 머신러닝을 사용하는 은행의 수는 38%에서 42%로 소폭 증가에 그쳤지만, 이러한 모델의 정교함은 현저하게 높아졌습니다. 고객 세그먼트 전반에 걸쳐 적용 범위가 넓어졌다는 점 역시 중요한 성과입니다. 2018년 머신러닝은 주로 소매 포트폴리오의 신용 의사 결정에 사용되었으며, 도매 및 대기업 부문의 신용 모니터링에도 일부 적용되었습니다.

이는 은행이 소매 고객에 대한 기존의 정형 데이터 풀을 대규모로 보유하고 있는 반면, 대기업에는 자연어 처리를 적용할 수 있는 새로운 비정형 데이터 소스(예: 외부 뉴스 서비스 및 공급망 데이터)가 있는 일종의 이원적 분포를 나타냅니다. 하지만 이전에는 그 사이의 세그먼트에서 별다른 활동이 없었지만, 2019년에는 중소기업(SME) 포트폴리오에 대한 사용량이 급격히 증가하여 은행의 8%에서 40%로 증가했습니다.

신용 모니터링과 신용 악화에 대한 조기 경고

모든 고객 부문에서 신용 점수 및 의사 결정이 여전히 가장 두드러진 활용 분야이지만, 신용 모니터링과 신용 악화에 대한 조기 경고 신호도 크게 증가하여 응답자의 13%에서 57%로 증가했으며, 이를 실제 업무에 활용하고 있는 조사 대상 기업도 25%에 달했습니다. 주목할 만한 이니셔티브 중 하나는 다음 결제에 문제가 있을 수 있는 신용카드 고객을 식별하는 데 머신러닝을 사용하는 스코티아뱅크입니다. 그런 다음 이러한 고객에게 선제적으로 접근하여 대체 약정을 제안하기 위한 기초 자료로 사용되어 연체율을 10%까지 줄였습니다.

모델 정확도 향상, 데이터 결함 및 불일치 극복, 새로운 위험 세그먼트 또는 패턴 발견 등 머신러닝의 이점(예상 및 실현)은 수년에 걸쳐 안정적으로 입증되었습니다. 그러나 은행의 기술 지식과 친숙도가 높아짐에 따라 구현의 주요 과제에 대한 은행의 인식은 상당히 진화하여 더 많은 과제를 직면하고 파악하고 있습니다.

데이터 관리(특히 서로 다른 소스의 데이터를 단일 데이터 레이크로 가져오는 것), IT 인프라, 필요한 인재를 확보하기 위한 경쟁은 여전히 성공적인 구현을 위한 과제로 남아 있지만, 새로운 프로세스 사용에 대한 감독자의 이해와 동의가 더욱 강조되고 있습니다.

이는 은행의 기술 수준이 성숙해짐에 따라 규제 당국의 조사 수준도 함께 성숙해졌다는 사실을 반영하는 것입니다. 조사가 강화되면 은행이 혁신 과정에서 직면할 수 있는 어려움이 가중될 수 있지만, 감독자들이 올바른 질문을 할 수 있게 되었다는 사실은 환영할 만한 일이며 더 넓은 생태계 내에서 안전한 혁신의 미래를 위해 유익합니다.

머신러닝의 힘과 잠재적 영향력을 고려할 때, 머신러닝의 도입을 억제하거나 금융 부문의 혁신을 지연시키지 않으면서 고객을 보호하려면 업계와 감독 커뮤니티 간의 협력이 필요합니다. 새로운 혁신을 탐색하고 테스트하는 파일럿 프로젝트는 정책 입안자와 감독자의 격려가 필요하며, 2019년 설문조사에서 이러한 파일럿 프로젝트의 급격한 확대와 은행과 감독자 간의 상당한 참여가 확인된 것은 매우 고무적인 일입니다.