KR102334923B1 - 인공지능을 이용한 대출 확대 가설 검정 시스템 및 이를 이용한 방법 - Google Patents

Abstract

인공지능을 이용한 대출 확대 가설 검정 시스템이 개시된다. 본 발명의 일 실시예에 따른 금융데이터를 기초로 구축된 인공지능을 이용한 대출 확대 가설 검정 시스템은 복수의 금융계좌별 부도 확률값을 산출하는 인공지능 분석부, 미리 지정된 기준으로 상기 복수의 금융계좌를 복수의 세그먼트로 분류하고, 상기 인공지능 분석부가 산출한 상기 복수의 금융계좌별 부도 확률값을 기초로 특정 세그먼트를 검정대상인 검정 세그먼트로 설정하는 검정 세그먼트 설정부, 상기 검정 세그먼트의 일부를 상기 대출 확대 가설 검정을 위한 실험군과 대조군을 확정하는 검정군 확정부 및 상기 실험군과 상기 대조군에 대해 상기 대출 확대 가설 검정을 수행하는 가설 검정부;를 포함한다.

Description

인공지능을 이용한 대출 확대 가설 검정 시스템 및 이를 이용한 방법{LOAN EXPANSION HYPOTHESIS TESTING SYSTEM USING ARTIFICIAL INTELLIGENCE AND METHOD USING THE SAME}

본 발명은 인공지능을 이용한 대출 확대 가설 검정 시스템 및 이를 이용한 방법에 관한 것이다. 더 구체적으로는, 복수의 금융계좌별 부도 확률값을 기초로 분류한 특정 금융계좌 집단에 대해, 상기 특정 집단의 표본을 이용해 대출 확대 시나리오 가설을 검정하는 인공지능을 이용한 대출 확대 가설 검정 시스템 및 이를 이용한 방법에 관한 것이다.

대출의 부도 위험이 현저히 낮다면, 조달 금리보다 대출 금리가 높은 경우, 대출 상품을 취급하는 금융 기관은 금리 차로 인한 수익이 항상 발생할 수 있다. 따라서, 금융 기관은 부도 위험이 낮은 특정 집단에 대해 대출을 확대하고자 하는 수요가 있다.

전통적으로 금융기관에서는 상품 설계, 대출 관리 등의 업무에 있어서, 정책적 의사결정과 설계한 대출 상품의 리스크 예측 관리는 사람에 의해 수행되었다. 그렇지만, 사람의 손으로 수행하는 예측으로는 예측 정확도가 높지 않았으며, 돌발적으로 발생하는 변수에 대한 대응도 기민하지 못한 문제가 있었다. 이 때문에, 전통적 예측을 통한 리스크 관리는 어느 정도 한계성을 보이는 상황이다.

한편, 금융 기관은 부도 위험이 낮은 고객 집단에는 대출을 확대하고자 하는 수요가 항상 존재한다. 대출에 대한 고객의 부도 위험이 현저히 낮고, 조달 금리보다 대출 금리가 높은 경우, 대출 상품을 취급하는 금융 기관은 금리 차로 인한 수익이 항상 발생하기 때문이다. 그러나 이러한 수요도 사람의 손으로 수행하는 전통적인 예측 시스템으로는 부도 위험이 낮은 고객 집단을 정확히 선별하기 어려웠다. 또한, 금융 기관은 전통적인 방법으로 부도 위험이 낮은 고객 집단을 더 정확히 선별하기 위해서는 그전보다 더 많은 인력을 투입하고 더 많은 재정을 소모해야 하는 문제점이 있다.

KR 10-1799395 B1 (2017. 11. 14.)

본 발명은 상술한 문제점을 해결하기 위한 것으로서, 금융 기관의 고객 중 대출 확대 대상 선정에 보다 신뢰성 높은 솔루션을 제공하고자 한다.

또한, 대출 확대 대상 집단에 대해서, 상기 집단 선정의 적절성을 확인할 수 있는 검정 시스템을 제공하고자 한다.

또한, 대출 확대 대상 집단에 대한 가상 대출 확대 정책 시뮬레이션 결과, 부정적인 결과가 예측될 경우, 해당 결과에 영향을 미치는 요인을 분석하는 검정 시스템을 제공하고자 한다.

또한, 금융상품 개발, 금융상품관리, 실행 및 계좌 관리 등의 의사결정과정에 있어서, 인공지능의 예측모델을 이용하여 더욱 정확한 의사결정이 이루어지게 하고자 한다.

또한, 복잡한 인공지능 기술을 습득하지 않더라도 금융상품 담당자가 쉽게 인공지능 기술을 통해 분석하고 예측한 결과를 시뮬레이션하여 금융상품전략에 실시간으로 반영하고자 한다.

본 발명의 해결 과제들은 이상에서 언급한 내용들로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.

본 발명의 일 실시예에 따른 금융데이터를 기초로 구축된 인공지능을 이용한 대출 확대 가설 검정 시스템은 금융데이터를 기초로 구축된 인공지능을 이용한 대출 확대 가설 검정 시스템으로서, 복수의 금융계좌별 부도 확률값을 산출하는 인공지능 분석부; 미리 지정된 기준으로 상기 복수의 금융계좌를 복수의 세그먼트로 분류하고, 상기 인공지능 분석부가 산출한 상기 복수의 금융계좌별 부도 확률값을 기초로 특정 세그먼트를 검정대상인 검정 세그먼트로 설정하는 검정 세그먼트 설정부; 상기 검정 세그먼트의 일부를 상기 대출 확대 가설 검정을 위한 실험군과 대조군을 확정하는 검정군 확정부; 및 상기 실험군과 상기 대조군에 대해 상기 대출 확대 가설 검정을 수행하는 가설 검정부;를 포함한다.

또한, 상기 인공지능 분석부는 상기 금융데이터를 기초로 기계학습(Machine Learning)을 이용하여 생성한 부도 예측 모델을 이용하여 상기 복수의 금융계좌별 부도 확률값을 산출할 수 있다.

또한, 상기 검정 세그먼트 설정부는 상기 복수의 세그먼트 중 상기 세그먼트의 평균 부도 확률값이 최소인 세그먼트를 상기 검정 세그먼트로 설정할 수 있다.

또한, 상기 검정 세그먼트 설정부는 상기 미리 지정된 기준은 상기 복수의 금융계좌별 부도 확률값을 기초로 각 상기 금융계좌별로 부여한 등급일 수 있다.

또한, 상기 검정 세그먼트 설정부는 상기 복수의 세그먼트 중 하나 이상의 세그먼트를 상기 세그먼트의 평균 부도 확률값이 낮은 순으로 상기 검정 세그먼트로 병합하며 설정하되, 상기 검정 세그먼트는 미리 지정된 계좌수에 근접하면 상기 병합을 중단할 수 있다.

또한, 상기 검정군 확정부는 상기 검정 세그먼트를 랜덤 샘플링을 통해 예비 실험군 및 예비 대조군을 설정하고 분포 검정으로 검정하여 상기 분포 검정을 통과한 것으로 판단하면 상기 실험군 및 상기 대조군으로 확정하고, 상기 분포 검정을 통과하지 못한 것으로 판단하면 상기 예비 실험군 및 상기 예비 대조군을 재샘플링하여 상기 분포 검정을 재수행할 수 있다.

또한, 상기 검정군 확정부는 상기 예비 실험군 및 상기 예비 대조군의 평균 부도 확률값 차이가 미리 정해진 값 이하이면 상기 분포 검정을 통과한 것으로 판단하고, 상기 예비 실험군 및 상기 예비 대조군의 평군 부도 확률값 차이가 미리 정해진 값 초과이면 상기 분포 검정을 통과하지 못한 것으로 판단할 수 있다.

또한, 상기 가설 검정부는, 상기 실험군의 미래 부도율이 상기 대조군의 미래 부도율의 미만일 것을 가설로, 상기 실험군의 미래 부도율이 상기 대조군의 미래 부도율의 이상일 것을 귀무가설로 설정하고, 상기 귀무가설을 검정하기 위해, 상기 실험군에게 대출 확대 시나리오를, 상기 대조군을 기존 대출 정책 유지 시나리오를 적용하여 상기 인공지능 분석부를 이용해 상기 실험군 및 상기 대조군에 포함된 상기 금융계좌별 미래 부도 확률값을 예측할 수 있다.

또한, 상기 대출 확대 시나리오는 상기 금융계좌별에 대한 대출 금액 한도 확대, 이자율 축소, 신규 대출 허용 중 하나 이상인 것이며, 상기 대출 정책 유지 시나리오는 상기 금융계좌별에 대해 적용되는 대출 금액 한도, 이자율 및 신규 대출 금지를 계속적으로 유지할 수 있다.

또한, 상기 가설 검정부는 상기 실험군의 미래 평균 부도 확률값이 상기 대조군의 미래 평균 부도 확률값 미만이면, 상기 귀무가설을 기각하는 것으로 판단하고, 상기 대조군이 포함된 상기 검정 세그먼트 전체 금융계좌에 대해 상기 대출 확대 시나리오를 동일하게 적용하여 상기 인공지능 분석부를 이용해 대출 품질을 측정할 수 있다.

또한, 상기 가설 검정부는 상기 실험군의 미래 평균 부도 확률값이 상기 대조군의 미래 평균 부도 확률값 미만이면, 상기 귀무가설을 기각하는 것으로 판단하고, 상기 검정군 확정부를 통해 상기 실험군 내에서 제2 실험군과 제2 대조군을 추출하며, 상기 제2 실험군의 미래 부도율이 상기 제2 대조군의 미래 부도율보다 낮을 것으로 제2 가설로, 상기 제2 실험군의 미래 부도율이 상기 제2 대조군의 미래 부도율의 이상일 것을 제2 귀무가설로 설정하고, 상기 제2 귀무가설을 검정하기 위해, 상기 제2 실험군에는 상기 대출 확대 시나리오보다 대출 확대 범위를 확장한 제2 대출 확대 시나리오를, 상기 제2 대조군에는 기존의 대출 확대 시나리오를 적용하여 상기 인공지능 분석부를 이용해 상기 제2 실험군 및 상기 제2 대조군의 상기 금융계좌별 미래 부도 확률값을 예측할 수 있다.

또한, 상기 가설 검증부는, 상기 실험군의 미래 평균 부도 확률값이 상기 대조군의 미래 평균 부도 확률값 이상이면, 상기 귀무가설을 채택하는 것으로 판단하고, 상기 인공지능 분석부를 통해 상기 실험군의 미래 평균 부도율 악화의 주요 요인을 도출하고, 도출된 상기 주요 요인이 포함된 상기 하나 이상의 금융계좌를 제외하고 상기 대출 확대 검정 시스템의 대출 확대 검정을 재수행할 수 있다.

또한, 상기 인공지능 분석부는, 상기 복수의 금융계좌별 금융데이터를 기초로 기계학습(Machine Learning)을 통하여 부도 예측 모델을 생성하는 금융모델 생성부; 금융상품의 품질을 측정하기 위해, 상기 금융상품에 포함되는 복수의 금융계좌를 관리하는 계좌 관리부; 상기 부도 예측 모델을 이용해 상기 계좌관리부에 포함된 상기 복수의 금융계좌별 부도 확률값을 산출하는 부도확률값 산출부; 상기 부도확률값 산출부가 산출한 상기 복수의 금융계좌별 부도 확률값을 기초로 상기 금융상품의 품질을 산출하는 품질 측정부; 및 산출된 상기 금융상품의 품질에 영향을 미치는 상기 금융계좌의 주요 요인을 분석하는 요인 분석부;를 포함하고, 상기 요인분석부의 결과에 따라, 상기 계좌관리부는 상기 금융상품에 포함되는 계좌를 선별할 수 있다.

또한, 상기 가설 검정부는 상기 실험군의 미래 평균 부도 확률값이 상기 대조군의 미래 평균 부도 확률값 이상이면, 상기 귀무가설을 채택하는 것으로 판단하고, 상기 검정군 확정부를 통해 상기 실험군 내에서 제2 실험군과 제2 대조군을 추출하며, 상기 제2 실험군의 미래 부도율이 상기 제2 대조군의 미래 부도율보다 낮을 것으로 제2 가설로 채택하고, 상기 제2 실험군의 미래 부도율이 상기 제2 대조군의 미래 부도율의 이상일 것을 제2 귀무가설로 설정하며, 상기 제2 귀무가설을 검정하기 위해, 상기 제2 실험군에는 상기 대출 확대 시나리오보다 대출 확대 범위를 축소한 제2 대출 확대 시나리오를, 상기 제2 대조군에는 기존의 대출 확대 시나리오를 적용하여 상기 인공지능 분석부를 이용해 상기 제2 실험군 및 상기 제2 대조군의 상기 금융계좌별 미래 부도 확률값을 예측할 수 있다.

본 발명의 일 실시예에 따른 금융데이터를 기초로 구축된 인공지능을 이용한 대출 확대 가설 검정 방법은, 복수의 금융계좌별 부도 확률값을 산출하는 인공지능 분석 단계; 미리 지정된 기준으로 상기 복수의 금융계좌를 복수의 세그먼트로 분류하고, 상기 인공지능 분석 단계에서 산출한 상기 복수의 금융계좌별 부도 확률값을 기초로 특정 세그먼트를 검정대상인 검정 세그먼트로 설정하는 검정 세그먼트 설정 단계; 상기 검정 세그먼트의 일부를 상기 대출 확대 가설 검정을 위한 실험군과 대조군을 확정하는 검정군 확정 단계; 및 상기 실험군과 상기 대조군에 대해 상기 대출 확대 가설 검정을 수행하는 가설 검정 단계;를 포함할 수 있다.

또한, 상기 인공지능 분석 단계는 상기 금융데이터를 기초로 기계학습(Machine Learning)을 이용하여 생성한 부도 예측 모델을 이용하여 상기 복수의 금융계좌별 부도 확률값을 산출할 수 있다.

또한, 상기 검정 세그먼트 설정 단계는 상기 복수의 세그먼트 중 상기 세그먼트의 평균 부도 확률값이 최소인 세그먼트를 상기 검정 세그먼트로 설정할 수 있다.

또한, 상기 가설 검정 단계는 상기 실험군의 미래 부도율이 상기 대조군의 미래 부도율의 미만일 것을 가설로, 상기 실험군의 미래 부도율이 상기 대조군의 미래 부도율의 이상일 것을 귀무가설로 설정하고, 상기 귀무가설을 검정하기 위해, 상기 실험군에게 대출 확대 시나리오를, 상기 대조군을 기존 대출 정책 유지 시나리오를 적용하여 상기 인공지능 분석 단계를 재수행하여 상기 실험군 및 상기 대조군에 포함된 상기 금융계좌별 미래 부도 확률값을 예측할 수 있다.

또한, 상기 가설 검정 단계는 상기 실험군의 미래 평균 부도 확률값이 상기 대조군의 미래 평균 부도 확률값 미만이면, 상기 귀무가설을 기각하는 것으로 판단하고, 상기 대조군이 포함된 상기 검정 세그먼트 전체 금융계좌에 대해 상기 대출 확대 시나리오를 동일하게 적용하여 상기 인공지능 분석 단계를 재수행하여 대출 품질을 측정할 수 있다.

또한, 상기 가설 검증 단계는 상기 실험군의 미래 평균 부도 확률값이 상기 대조군의 미래 평균 부도 확률값 이상이면, 상기 귀무가설을 채택하는 것으로 판단하고, 상기 실험군의 미래 평균 부도율 악화의 주요 요인을 도출하고, 도출된 상기 주요 요인이 포함된 상기 하나 이상의 금융계좌를 제외하고 상기 대출 확대 검정 방법의 대출 확대 검정을 재수행할 수 있다.

본 발명은 일 실시예에 따른 인공지능을 이용한 대출 확대 가설 검정 시스템 및 이를 이용한 방법은 금융 기관의 고객 중 대출 확대 대상 선정에 보다 신뢰성 높은 솔루션을 제공할 수 있다.

또한, 대출 확대 대상 집단에 대해서, 상기 집단 선정의 적절성을 확인할 수 있다.

또한, 대출 확대 대상 집단에 대한 가상 대출 확대 정책 시뮬레이션 결과, 부정적인 결과가 예측될 경우, 해당 결과에 영향을 미치는 요인을 분석할 수 있다.

또한, 금융상품 개발, 금융상품관리, 실행 및 계좌 관리 등의 의사결정 과정에 있어서, 인공지능의 예측모델을 이용하여 더욱 정확한 의사결정이 이루어지게 할 수 있다.

또한, 복잡한 인공지능 기술을 습득하지 않더라도 금융상품 담당자가 쉽게 인공지능 기술을 통해 분석하고 예측한 결과를 시뮬레이션하여 금융상품전략에 실시간으로 반영할 수 있다.

본 발명의 효과들은 이상에서 언급한 내용들로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.

도 1은 본 발명의 일 실시예에 따른 대출 확대 가설 검정 시스템을 개략적으로 나타낸 블록도이다.
도 2는 본 발명의 일 실시예에 따른 인공지능 분석부 구성을 나타낸 도면이다.
도 3 본 발명의 일 실시예에 따른 데이터맵 변환부가 변환한 데이터맵을 나타낸 도면이다.
도 4는 본 발명의 일 실시예에 따른 금융상품 관리자동화 시스템이 주요 요인을 판별하고, 재예측을 하는 것을 나타내는 도면이다.
도 5는 본 발명의 일 실시예에 따른 대출 확대 가설 검정 시스템의 인공지능 분석부 및 검정 세그먼트 설정부의 수행 개념을 대략적으로 나타내기 위한 블록도이다.
도 6은 본 발명의 일 실시예에 따른 검정군 확정부가 실험군 및 대조군을 확정하는 흐름을 대략적으로 나타낸 도면이다.
도 7은 본 발명의 일 실시예에 따른 가설 검정부가 가설 검증하는 흐름을 대략적으로 나타낸 도면이다.
도 8은 본 발명의 일 실시예에 따른 가설 검정부가 귀무가설 기각시 수행하는 구조를 대략적으로 나타낸 도면이다.
도 9는 본 발명의 일 실시예에 따른 가설 검정부가 귀무가설 채택시 수행하는 구조를 대략적으로 나타낸 도면이다.
도 10은 본 발명의 일 실시예에 따른 대출 확대 가설 검정 방법의 흐름도이다.

아래에서는 첨부한 도면을 참조하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 본 발명의 실시예가 상세하게 설명된다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고, 도면에서 본 발명의 실시예를 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략되었다.

본 명세서에서 사용된 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도로 사용된 것이 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함할 수 있다.

본 명세서에서, "포함하다", "가지다" 또는 "구비하다" 등의 용어는 명세서 상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것으로서, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해될 수 있다.

또한, 본 발명의 실시예에 나타나는 구성부들은 서로 다른 특징적인 기능들을 나타내기 위해 독립적으로 도시되는 것으로, 각 구성부들이 분리된 하드웨어나 하나의 소프트웨어 구성단위로 이루어짐을 의미하지 않는다. 즉, 각 구성부는 설명의 편의상 각각의 구성부로 나열하여 기술되고, 각 구성부 중 적어도 두 개의 구성부가 합쳐져 하나의 구성부로 이루어지거나, 하나의 구성부가 복수 개의 구성부로 나뉘어져 기능을 수행할 수 있다. 이러한 각 구성부의 통합된 실시예 및 분리된 실시예도 본 발명의 본질에서 벗어나지 않는 한 본 발명의 권리 범위에 포함된다.

또한, 이하의 실시예들은 당 업계에서 평균적인 지식을 가진 자에게 보다 명확하게 설명하기 위해서 제공되는 것으로서, 도면에서의 요소들의 형상 및 크기 등은 보다 명확한 설명을 위해 과장될 수 있다.

이하, 첨부된 도면을 참조하여, 본 발명에 따른 바람직한 실시예에 대하여 설명한다.

도 1은 본 발명의 일 실시예에 따른 대출 확대 가설 검정 시스템을 개략적으로 나타낸 블록도이다.

도 1을 참조하면, 본 발명의 일 실시예에서, 금융데이터를 기초로 구축된 인공지능을 이용한 대출 확대 가설 검정 시스템(10)은 인공지능 분석부(100), 검정 세그먼트 설정부(200), 검정군 확정부(300) 및 가설 검정부(400)를 포함할 수 있다.

여기서, 상기 금융데이터는 금융기관을 이용하는 고객들과 관련된 데이터일 수 있다. 예컨대, 고객들의 개인정보, 신용정보, 연체정보 등일 수 있다.

인공지능 분석부(100)는 상기 금융데이터를 기초로 기계학습(Machine Learning)을 이용하여 생성한 부도 예측 모델을 이용하여 상기 복수의 금융계좌별 부도 확률값을 산출할 수 있다. 상기 부도 예측 모델은 대출 상품을 이용하는 고객들이 이용하고 있는 대출 상품에 대한 상환을 연체하거나 부도를 낼 가능성을 결과값으로 출력할 수 있다. 이하, 상기 부도 확률값은 사전적 정의의 ‘부도’를 의미할 뿐 아니라, 대출 상환에 있어서 연체도 포함한다. 또한, 상기 부도 예측 모델은 연체 확률값을 산출할 수 있으므로, ‘연체 예측 모델’일 수 있으나, 편의상 ‘부도 예측 모델’로 통일하여 기술한다. 따라서, 본 발명의 청구 범위 및 명세서에서의 부도 확률 모델은 복수의 금융계좌별 부도 확률값 또는 연체 확률값을 산출할 수 있으므로, ‘부도’에만 한정되는 것은 아니다. 또한, 후술되는 ‘연체율’도 편의상 ‘부도율’로 표기하나 그 의미상 ‘연체율’도 포함할 수 있다.

검정 세그먼트 설정부(200)는 미리 지정된 기준으로 상기 복수의 금융계좌를 복수의 세그먼트로 분류하고, 상기 인공지능 분석부가 산출한 상기 복수의 금융계좌별 부도 확률값을 기초로 특정 세그먼트를 검정대상인 검정 세그먼트로 설정할 수 있다.

검정군 확정부(300)는 상기 검정 세그먼트의 일부를 상기 대출 확대 가설 검정을 위한 실험군과 대조군을 확정할 수 있다.

가설 검정부(400)는 상기 실험군과 상기 대조군에 대해 상기 대출 확대 가설 검정을 수행할 수 있다.

도 2는 본 발명의 일 실시예에 따른 인공지능 분석부 구성을 나타낸 도면이다.

도 2를 참조하면, 본 발명의 일 실시예에 따른 인공지능 분석부(100)는 금융모델 생성부(110), 계좌 관리부(120), 부도확률값 산출부(130), 품질 측정부(140) 및 요인 분석부(150)를 포함할 수 있다. 또한, 인공지능 분석부(100)는 데이터맵 변환부(160)를 포함할 수 있다.

인공지능 분석부(100)는 복수의 금융계좌별 금융데이터(121)에 기초한 금융상품을 자동으로 관리할 수 있다. 여기서, 금융데이터(121)는 금융기관 내부에서 수집되는 내부 데이터(121a) 또는 금융기관 외부에서 수집되는 외부 데이터(121b)를 포함할 수 있다.

내부 데이터(121a)는 금융기관에 등록된 각 계좌에 따른 개인정보, 신용정보, 연체정보, 금리정보, 대출정보, 소득정보, 부채정보, 예금정보, 금융거래정보 중 하나 이상을 포함할 수 있다. 개인정보는 이름, 나이, 연령, 거주지, 가족관계, 성별, 소득, 직장, 직장근무기간, 자산 현황 정보 등이 포함될 수 있고, 신용정보는 신용평가사등급, 내부신용등급, 상환의지에 대한 능력 등이 포함될 수 있다. 또한, 연체정보는 과거 금융기관에 대한 연체정보, 부도정보, 부채정보 등이 포함될 수 있으며, 대출상품, 대출실행금액, 가산금리, 이자납부금액, 잔액 등과 같은 상품정보도 포함될 수 있다.

외부 데이터(121b)는 은행 내부에서 자체적으로 생성되지 않는 데이터를 말하며, 제휴 또는 스크래핑 같은 방식으로 수집될 수 있다. 예컨대, 통신사, 카드이용내역, 유통사의 소비패턴, 경제지표, SNS, 이자율, 기준금리, 금융상품의 행위가 일어나는 채널에 대한 정보일 수 있다. 또한, 각 증권사별로 관리하는 등급, 주식의 과거 특정 기간의 변동성 같은 정보들이 포함될 수 있다.

금융모델 생성부(110)는 복수의 금융계좌별 금융데이터를 기초로 기계학습을 통하여 부도 예측 모델(111)을 생성할 수 있다.

여기서, 상기 기계학습은, 심층 신경망(DNN; Deep Neural Network), 합성곱 신경망(CNN; Convolution Neural Network), 순환 신경망(RNN; Recurrent Neural Network), 제한 볼츠만 머신(RBM; Restricted Boltzmann Machine) 및 심층 신뢰 신경망(DBN; Deep Brief Network) 중 하나 이상을 사용할 수 있다.

계좌 관리부(120)는 생성된 부도 예측 모델(111)에 입력되는 복수의 금융계좌를 관리할 수 있다. 계좌 관리부(120)는 부도 예측 모델(111)에 입력되는 금융데이터를 계좌 단위로 관리하며, 입력되는 계좌를 조정할 수 있다. 부도 예측 모델(111)에 입력되는 금융데이터(121)는 계좌 관리부(120)에 의해 계좌 단위로 관리되어 품질 측정부(140)에 의해 입력될 수 있다. 또한, 예측이 반복되는 과정에서 계좌 관리부(120)는 부도 예측 모델(111)에 입력되는 계좌를 조정하여 입력 범위를 제한하거나 확대할 수 있다. 계좌 단위는 하나의 명의자에 대응되는 계좌일 수 있으며, 계좌에 포함되는 정보는 범주형 변수로 분류되어 세부정보를 가질 수 있다. 여기서 범주는 예컨대, 명의자, 주소, 성별, 상환방식, 주거형태, 잔액, 대출금리, 신용정보 등을 포함할 수 있다.

부도확률값 산출부(130)는 금융모델 생성부(110)가 생성한 부도 예측 모델(111)을 이용해 계좌 관리부(120)에 포함된 복수의 금융계좌별 부도 확률값을 산출할 수 있다. 인공지능 분석부(100)가 산출하는 부도 확률값은 부도확률값 산출부(130)에서 산출한 결과값일 수 있다.

품질 측정부(140)는 금융상품에 속하는 복수의 금융계좌별 금융데이터를 입력하여 부도 예측 모델(111)을 통한 금융상품의 품질을 산출할 수 있다.

요인 분석부(150)는 품질 측정부(140)에서 산출된 금융상품의 품질에 영향을 미치는 금융계좌의 주요 요인을 분석할 수 있다. 일례로 신용대출 상품 금리 5% 상품에 대해 연체-부도율이 2% 이하로 리스크 관리를 한다면, 연체-부도율의 예측모델을 통한 향후 포트폴리오의 연체-부도율 예측결과치가 리스크 관리를 하지 않을 경우 3%까지 상승할 수 있다고 예상될 수 있다. 이때, 요인 분석부(150)는 목표치인 2% 미만으로 도달하려면 어떤 주요 요인을 조정해야 하는지 분석할 수 있다. 여기서 주요 요인은 계좌에 포함되는 범주형 변수일 수 있다. 그리고 요인 분석부(150)의 결과에 따라, 계좌 관리부(120)는 금융상품에 포함되는 계좌를 선별할 수 있다.

데이터맵 변환부(160)는 금융모델 생성부(110)의 출력값 또는 품질 측정부(140)의 출력값을 빈티지 차트(Vintage Chart) 또는 넷플로우 차트(NetFlow Chart)로 시각화할 수 있다. 여기서 빈티지 차트 또는 넷플로우 차트는 데이터맵이라고 할 수 있다. 데이터맵은 데이터를 인간 또는 기계가 판독할 수 있는 그래프 또는 표와 같은 형태일 수 있다. 데이터맵은 인공지능 분석부(100)에 적용되는 업종에 따라 그 형태가 달라질 수 있다. 예컨대, 데이터맵 변환부(160)는 리테일 뱅킹과 같은 업종은 빈티지 차트, 넷플로우 차트 등으로 데이터맵을 시각화하고, 증권사 및 신용카드과 같은 업종은 또 다른 형태의 데이터맵으로 시각화할 수 있다.

도 3 본 발명의 일 실시예에 따른 데이터맵 변환부가 변환한 데이터맵을 나타낸 도면이다.

도 3을 참조하면, 품질 측정부(140)의 출력값은 빈티지 차트 또는 넷플로우 차트로 시각화할 수 있다. 빈티지 차트는 특정 기간(2017년 1월, 2월 등)에 실행된 포트폴리오를 비교하기 위해서 만든 분석지표로서, 와인의 빈티지별 품질을 관리하는 지표와 유사하다. 도 3의 차트는 Ever 5+, 즉 단 한 번이라도 5일 이상 연체할 것으로 예상되는 계좌를 누적적으로 보여주는 차트이다.

도 3을 참조하여 예를 들면 2017년 1월에 실행된 12,423건의 계좌 중, 대출 실행 이후 25개월 동안, 한 번이라도 5일 이상 연체를 할 것으로 예측되는 계좌의 비율(L1)은 약 25%인 3,106건의 계좌이다. 이러한 예측 데이터를 시간의 흐름에 따라 누적하여 표시하며, 각 실행된 월별 포트폴리오의 그래프를 그릴 수 있다. 이러한 월별 포트폴리오의 그래프를 품질이라고 한다면, 데이터맵 변환부(160)가 변환한 차트에는 목표 품질(L0)을 포함할 수 있다. 동일한 시점에서 예측된 품질(L1)이 목표 품질(L0)의 값이 유사하다면 예측되는 대출 포트폴리오의 품질은 좋다고 평가할 수 있다. 이러한 품질은 수익률, 부도율 또는 조기상환율 중 하나 이상을 포함할 수 있다.

본 발명에 따른 데이터맵 변환부(160)가 생성할 수 데이터맵의 유형과 이를 예측모델과 결합하여 시각화한 그래프의 유형은 다양한 범주로 생성될 수 있고, 2차원 그래프만이 아닌 다수의 변수 축을 가지는 다차원의 그래프도 포함될 수 있다.

예를 들어 1000개의 계좌 중 50개의 계좌가 연체중이다. 그리고 다음달에 추가로 2000개의 계좌가 신규 대출 실행을 한다면, 신규로 대출이 실행된 계좌는 연체가 없으므로 연체율은 50/3000으로 낮아질 수 있다. 이처럼 연체율은 하나의 지표로만 판단할 수 있는 문제가 아니므로 다차원의 축을 이용하여 나타낼 수 있다.

요인 분석부(150)는 예측되는 품질(L1)이 목표 품질(L0)에 비해 좋은지 나쁜지 판단한다. 품질이 좋은 기준은 동일한 시점에서 예측되는 품질(L1)과 목표 품질(L0)의 값의 차이(d1)을 산출하고, 그 차이(d1)가 일정 기준 이하면 품질이 좋다고 판단할 수 있다. 또한, 요인 분석부(150)는 예측되는 품질(L1)이 좋지 않다고 판단되면, 목표 품질(L0)과의 차이(d1)를 줄일 수 있는 주요 요인을 판단하고, 주요 요인의 영향도를 분석할 수 있다.

여기서, 주요 요인은 금융모델 생성부(110)가 생성한 부도 예측 모델(111)의 입력 데이터인 계좌에 포함된 범주의 세부 정보 중 수치가 한정되거나 어느 범주 세부 정보를 포함하는 계좌를 대출 실행에 포함하거나 제한하면 차이(d1)의 변화를 가장 많이 가져올 수 있는 것일 수 있다.

예를 들어, 부도 예측 모델(111)에 입력되는 계좌가 제1 계좌, 제2 계좌 및 제3 계좌가 입력될 수 있다. 제1 계좌, 제2 계좌 및 제3 계좌는 ‘A’시점에 대출이 실행된 계좌이다. 각 계좌에 따른 범주는 ‘연체이력’ 포함할 수 있다. 여기서 ‘연체이력’ 해당 시점 이전에 5일 이상 연체하는 것이며, ‘연체이력’의 범위의 세부 정보는 각 계좌가 과거에 상기 기준에 따라 연체된 이력을 카운팅 하는 것일 수 있다. 그리고 실제로 제2 계좌의 ‘연체이력’의 범주의 세부 정보가 ‘3’ 이상이라고 하면, 요인 분석부(150)가 ‘연체이력’의 범주에서 ‘1’이상의 값을 가진 계좌를 제외한 계좌를 다시 부도 예측 모델(111)에 입력하여 차이(d1)가 줄어들면, ‘연체이력’을 주요 요인으로 판단할 수 있다.

도 4는 본 발명의 일 실시예에 따른 금융상품 관리자동화 시스템이 주요 요인을 판별하고, 재예측을 하는 것을 나타내는 도면이다.

도 4를 참조하면, 요인 분석부(150)는 방금 설명한 ‘연체이력’만이 아니라 매우 다양하며 중복적으로 주요 요인을 판별할 수 있다. 부도 예측 모델(111)은 하나의 모델이 생성되는 것이 아니라 각각의 목적에 따른 출력값을 가지는 다양한 모델이 생성될 수 있다. 또한, 요인 분석부(150)는 하나의 부도 예측 모델(111)에서 예측한 값을 이용해 다양한 예측 그래프를 산출할 수도 있다. 도 4는 부도 예측 모델(111)이 입력된 각 계좌에 따른 월별연체율을 예측하고, 품질 측정부(140)는 예측된 월별연체율에 따라 누적부도율을 산출하고 3개월 이내에 부도나는 계좌의 비율을 산출하여 1등급에서 10등급으로 분류하는 모습이 나타나 있다.

도 3 및 도 4를 참조하면, 요인 분석부(150)가 예측 품질(L1)과 목표 품질(L0)의 차이(d1)를 줄이는 주요 요인을 ‘연체이력’이라고 판단하면, 계좌 관리부(120)는 입력되는 계좌 데이터에서 ‘연체이력’을 가진 계좌를 제외할 수 있다. 품질 측정부(140)는 ‘연체이력’이 제외된 계좌로 재입력된 부도 예측 모델(111)을 이용하여 부도율을 산출할 수 있고, 데이터맵 변환부(160)는 요인 분석부(150)의 산출값을 기초로 다시 누적부도율을 출력할 수 있다. 이때, 예측된 품질(L2)과 목표 품질(L0)과의 차이(d2)를 재분석할 수 있다. 품질이 좋은 것으로 판단되지 않으면 요인 분석부(150)는 다시 주요 요인을 분석할 수 있다. 이때, 요인 분석부(150)가 3개월 이내 부도 계좌의 비율에서 10등급을 받은 계좌를 주요 요인으로 판단하면, 계좌 관리부(120)는 부도 예측 모델(111)로 입력되는 계좌 중 10등급으로 분류된 계좌를 다시 제외하고 부도 예측 모델(111)에 입력할 수 있다. 인공지능 분석부(100)는 이 과정을 반복하며 품질이 좋은 것으로 판단하는 예측 품질(L3)을 산출할 수 있다.

계좌 관리부(120)는 복수의 계좌정보 중 주요 요인에 대한 기준을 만족하는 하나 이상의 계좌를 추출하고, 상기 계좌 명의자에게 취할 행동을 추천하는 사후액션부 및 주요 요인에 대한 기준을 만족하는 또 다른 계좌에 대해 대출을 금지하는 사전액션부를 포함할 수 있다.

여기서 행동은 사용자가 취하는 행동으로 예를 들어 주요 요인이 10등급이라고 판단될 경우, 10등급으로 분류되는 계좌의 명의자에 대해 전화 독촉, 메일 발송 또는 자산 압류 등의 행동이며, 사후액션부는 이러한 행동을 추천할 수 있다. 사전액션부는 주요 요인이 미래에 대출을 실행할 대출 후보 계좌 중에서 10등급으로 분류되는 계좌와 유사한 계좌를 제외할 수 있다.

도 5는 본 발명의 일 실시예에 따른 대출 확대 가설 검정 시스템의 인공지능 분석부 및 검정 세그먼트 설정부의 수행 개념을 대략적으로 나타내기 위한 블록도이다.

도 5를 참조하면, 본 발명의 일 실시예에 있어서, 인공지능 분석부(100)는 금융계좌 데이터(122)에 대해 부도 확률값을 산출할 수 있다. 금융계좌 데이터(122)는 복수의 금융계좌 데이터가 포함된 집단 데이터일 수 있다. 인공지능 분석부(100)는 도 2에서 설명한 바와 같이, 금융데이터(121)를 기계학습하여 생성한 부도 예측 모델(111)을 이용하여 금융계좌 데이터(122)에 포함된 각각의 금융계좌 데이터별로 각각의 부도 확률값을 산출할 수 있다.

검정 세그먼트 설정부(200)는 미리 지정된 기준으로 금융계좌 데이터(122)를 복수의 세그먼트(123)로 분류하고, 인공지능 분석부(100)가 산출한 금융계좌 데이터별 부도 확률값을 기초로 하여 특정 세그먼트를 검정대상인 검정 세그먼트(124) 설정할 수 있다. 복수의 세그먼트(123)에 대해 각각의 세그먼트(123) 평균 부도 확률값을 산출하고, 산출된 세그먼트(123) 평균 부도 확률값 중 최소 평균 부도 확률값을 가지는 세그먼트를 검정 세그먼트(124)로 설정할 수 있다.

보다 구체적으로는, 검정 세그먼트 설정부(200)는 상기 금융계좌 데이터별 부도 확률값을 기초로 금융계좌 데이터별로 등급을 부여할 수 있다. 등급은 일례로 부도 확률값을 크기 순서대로 정렬하여 균등 분포 또는 정규 분포를 따르도록 낮은 등급을 부여할 수 있다. 예컨대, 0%~10%이면 1등급, 11%~20%이면 2등급, 21%~30%이면 3등급과 같이 부여할 수 있다. 이 경우 1등급부터 10등급까지 등급이 부여될 수 있다. 이 등급별로 복수의 세그먼트(123)를 분류하고, 최저 등급인 세그먼트, 즉 세그먼트의 평균 부도 확률값이 최소인 세그먼트를 검정 세그먼트(124)로 설정할 수 있다. 여기서 상기 미리 지정된 기준은 금융계좌 데이터별로 부여한 등급일 수 있다.

또한, 실시예에 따라 상기 미리 지정된 기준은 [대출 상품의 종류(A/B/C)], [연령대(20대/30대/40대/50대/60대)], [성별(남/여)] 등일 수 있다, 미리 지정된 기준은 어느 하나로 특정되지 않으며, 사용자의 지정에 따라 언제든지 변경될 수 있다. 또한, 상기 미리 설정된 기준은 하나만 적용되는 것이 아니라 하나 이상으로 적용될 수 있다. 예컨대, 상기 미리 지정된 기준이 [대출 상품의 종류 & 연령대(A&30대)] 또는 [대출 상품의 종류 & 연령대 & 성별(B&40대&여)]로 지정될 수도 있다. 검정 세그먼트 설정부(200)는 해당 미리 지정된 기준으로 분류된 복수의 세그먼트(123)에 대해 세그먼트(123) 평균 부도 확률값은 상기 금융계좌 데이터별 부도 확률값을 기초로 산출하고, 가장 낮은 평균 부도 확률값을 가지는 세그먼트(123)를 검정 세그먼트(124)로 설정할 수 있다.

또한, 검정 세그먼트 설정부(200)는 지정가능한 모든 상기 미리 지정된 기준으로 복수의 세그먼트(123)를 분류할 수 있다. 즉, 금융계좌 데이터에 포함된 모든 레이블별로 세그먼트(123)를 분류할 수 있다. 예컨대, 검정 세그먼트 설정부(200)는 분할 가능한 모든 기준인 성별, 연령별, 대출상품별, 지역별 등으로 세그먼트(123)를 분류할 수 있다.

이 경우, 검정 세그먼트 설정부(200)는 분류된 세그먼트(123) 중에서 가장 낮은 평균 부도 확률값을 가지는 세그먼트(123)를 검정 세그먼트(124)로 설정할 수 있거나, 하나 이상의 세그먼트(123)를 세그먼트(123)의 평균 부도 확률값이 낮은 순으로 병합하되, 상기 병합한 세그먼트(123)에 포함된 금융계좌 수가 미리 설정한 계좌수에 도달 또는 근접하면 상기 병합을 중단하고, 이때까지 병합된 세그먼트(123)를 검정 세그먼트(124)로 설정할 수 있다. 예컨대, 하나의 세그먼트(123)에 평균적으로 100계좌가 존재하고, 상기 미리 설정한 계좌수가 1,000계좌 이면, 1000계좌에 근사하도록 평균 부도 확률이 낮은 순서대로 복수의 세그먼트(123)를 검정 세그먼트(124)로 설정할 수 있다.

도 6은 본 발명의 일 실시예에 따른 검정군 확정부가 실험군 및 대조군을 확정하는 흐름을 대략적으로 나타낸 도면이다.

도 6을 참조하면, 검정군 확정부(300)는 검정 세그먼트(124)에 대하여 가설을 검정하기 위한 실험군 및 대조군을 추출할 수 있다. 검정군 확정부(300)는 설정된 검정 세그먼트(124)에서 랜덤 샘플링(Random Sampling)을 통해 예비 실험군(125) 및 예비 대조군(126)을 추출할 수 있다. 검정군 확정부(300)는 설정된 예비 실험군(125) 및 예비 대조군(126)에 대해 분포 검정을 수행할 수 있다. 여기서, 분포 검정은 맨 휘트니 테스트(Mann-Whitney Test)일 수 있다. 검정군 확정부(300)는 설정된 예비 실험군(125) 및 예비 대조군(126)이 상기 분포 검정을 통과한 것으로 판단하면 예비 실험군(125) 및 예비 대조군(126)을 확정 실험군(127) 및 확정 대조군(128)으로 확정할 수 있다. 검정군 확정부(300)는 설정된 예비 실험군(125) 및 예비 대조군(126)이 상기 분포 검정을 통과하지 못한 것으로 판단하면, 랜덤 샘플링을 재수행하여 예비 실험군(125) 및 예비 대조군(126)을 재설정하여, 상기 분포 검정을 재수행할 수 있다. 상기 분포 검정을 통과하는 기준은 상기 예비 실험군 및 상기 예비 대조군의 평균 부도 확률값 차이가 미리 정해진 값 이하이면 상기 분포 검정을 통과한 것으로 판단하고, 상기 예비 실험군 및 상기 예비 대조군의 평균 부도 확률값 차이가 미리 정해진 값 초과이면 상기 분포 검정을 통과하지 못한 것으로 판단하는 것일 수 있다.

도 7은 본 발명의 일 실시예에 따른 가설 검정부가 가설 검증하는 흐름을 대략적으로 나타낸 도면이다.

도 7을 참조하면, 본 발명의 일 실시예에서, 가설 검정부(400)는 실험군의 미래 부도율이 대조군의 미래 부도율의 미만일 것을 가설로, 상기 실험군의 미래 부도율이 상기 대조군의 미래 부도율의 이상일 것을 귀무가설로 설정할 수 있다. 여기서, 상기 실험군 또는 상기 대조군은 도 6의 검정군 확정부(300)가 확정한 확정 실험군(127) 또는 확정 대조군(128)과 같다. 이하, 가설 검정을 하는 상기 실험군 또는 상기 대조군은 확정 실험군(127) 또는 확정 대조군(128)이라 기술한다. 가설 검정부(400)가 검정하는 가설은 전술한 확정 실험군(127)의 미래 부도율이 확정 대조군(128)의 미래 부도율 이상인 귀무가설을 검증하는 것일 수 있다. 가설 검정부(400)의 검정으로 인한 ‘가설 기각’ 또는 ‘가설 채택’은 귀무가설을 ‘기각’ 또는 ‘채택’한다는 의미이다.

가설 검정부(400)는 상기 귀무가설을 검정하기 위해, 상기 실험군에게 대출 확대 시나리오를, 상기 대조군을 기존 대출 정책 유지 시나리오를 적용하여 상기 인공지능 분석부를 이용해 확정 실험군(127) 및 확정 대조군(128)에 포함된 상기 금융계좌별 미래 부도 확률값을 예측할 수 있다.

여기서, 상기 대출 확대 시나리오는 상기 금융계좌별에 대한 대출 금액 한도 확대, 이자율 축소, 신규 대출 허용 중 하나 이상일 수 있으며, 상기 대출 정책 유지 시나리오는 상기 금융계좌별에 대해 적용되는 대출 금액 한도, 이자율 및 신규 대출 금지를 계속적으로 유지하는 것일 수 있다.

가설 검정부(400)는 확정 실험군(127)의 미래 평균 부도 확률값이 확정 대조군(128)의 미래 평균 부도 확률값 미만이면, 상기 귀무가설을 기각하는 것으로 판단하고, 확정 실험군(127)의 미래 평균 부도 확률값이 확정 대조군(128)의 미래 평균 부도 확률값 이상이면, 상기 귀무가설을 채택하는 것으로 판단할 수 있다. 이때, 가설 검정부(400)은 Z-Test를 통해 검정할 수 있다.

더 구체적으로 설명하면, 모비율(모 연체율)이

인 이항모집단으로부터 크기가

인 확률표본에 의해 정의되는 표본비율을

이라 하고, 이와 독립적으로 모비율이

인 이항모집단으로부터 크기가

인 확률표본에 의해 정의되는 표본비율을

라고 하면, 표본크기

과

가 충분히 큰 경우, 가설에 대한 검정 통계량

는 수학식 1과 같을 수 있다.

여기서, 수학식 1의

는 수학식 2와 같다.

본 발명의 일 실시예에서,

은 확정 실험군(127)의 표본 수,

는 확정 대조군(128)의 표본 수,

는 확정 실험군(127)의 모비율(모 부도율),

는 확정 대조군(128)의 모비율(모 부도율),

는 확정 실험군(127)의 표본비율(표본 부도율),

는 확정 대조군(128)의 표본비율(표본 부도율)일 수 있다.

또한, 귀무가설은 수학식 3일 수 있다.

여기서,

은 귀무가설일 수 있으며, 그 내용은 확정 실험군(127)의 미래 부도율이 확정 대조군(128)의 미래 부도율 이상일 수 있다. 즉, 확정 실험군(127)은 상기 대출 확대 시나리오에서 부도율이 더 악화된다는 것일 수 있다.

귀무가설의 근사기각역은 수학식 4일 수 있다.

여기서,

은 근사기각역일 수 있으며, 주어진 유의수준

값에 대하여

는 검정통계량

의 분포가

을 따를 때,

를 만족시키는 값일 수 있다. 수학식 4를 만족하는 경우, 가설 검정부(400)는 귀무가설을 기각한다는 판단을 할 수 있다.

사용자는 인공지능 분석부(100)의 데이터맵 변환부(160)가 제공하는 시각 자료(161)를 통해 확정 실험군(127) 및 확정 대조군(128)의 시뮬레이션 결과를 확인할 수 있다. 이를 통해 단순히 결과값만 확인하는 것이 아니라 시계열적인 부도율 추이를 확인하여 리스크의 변화를 확인할 수 있다.

도 8은 본 발명의 일 실시예에 따른 가설 검정부가 귀무가설 기각시 수행하는 구조를 대략적으로 나타낸 도면이다.

도 8(a)을 참조하면, 본 발명의 일 실시예에서, 가설 검정부(400)가 귀무가설을 기각하는 판단을 하면, 가설 검정부(400)는 확정 실험군(127)에 적용하던 상기 대출 확대 시나리오를 확정 대조군(128)을 포함한 검정 세그먼트에 대해 동일하게 적용할 수 있다. 가설 검정부(400)가 귀무가설을 기각했다는 것은 확정 대조군(128)에 비해 확정 실험군(127)의 대출 품질이 좋았다는 의미이므로, 상기 대출 확대 시나리오의 적용 범위를 넓혀 그 추이를 살펴보는 것일 수 있다.

도 8(b)를 참조하면, 본 발명의 일 실시예에서, 가설 검정부(400)가 귀무가설을 기각하는 판단을 하면, 가설 검정부(400)는 검정군 확정부(300)를 통해 확정 실험군(127) 내에서 제2 확정 실험군(127a)과 제2 확정 대조군(128a)을 추출할 수 있다. 가설 검정부(400)는 제2 확정 실험군(127a)에 상기 대출 확대 시나리오보다 대출 확대 범위를 확장한 제2 대출 확대 시나리오를, 제2 확정 대조군(128a)에는 기존의 상기 대출 확대 시나리오를 적용할 수 있다. 이때, 가설 검정부(400)는 제2 확정 실험군(128a)의 미래 부도율이 제2 확정 대조군(128a)의 미래 부도율보다 낮을 것으로 제2 가설로, 제2 확정 실험군(127a)의 미래 부도율이 제2 확정 대조군(128a)의 미래 부도율의 이상일 것을 제2 귀무가설로 설정하고, 제2 귀무가설을 검증하는 가설 검증을 다시 수행할 수 있다. 제2 귀무가설을 검증하는 가설 검증을 다시 수행할 때 인공지능 분석부를 이용해 상기 제2 실험군 및 상기 제2 대조군의 상기 금융계좌별 미래 부도 확률값을 예측하여 이를 활용할 수 있다. 한정된 실험군에서 다시 실험군 및 대조군을 분류하여 보다 확대된 대출 확대 시나리오를 적용하여 검증하는 것은 대출 확대가 가능한 최대 지점을 판단하기 위해서이며, 이 지점을 판단할 수 있을 때까지 가설 검증을 재수행할 수 있다. 예컨대, 가설 검증 반복 중 가설이 채택되는 단계가 있으면, 그 단계를 대출 확대가 가능한 최대 지점으로 판단할 수 있다.

도 9는 본 발명의 일 실시예에 따른 가설 검정부가 귀무가설 채택시 수행하는 구조를 대략적으로 나타낸 도면이다.

도 9(a)를 참조하면, 본 발명의 일 실시예에서, 가설 검정부(400)가 귀무가설을 채택하는 판단을 하면, 가설 검정부(400)는 인공지능 분석부(100)를 통해 상기 실험군의 미래 평균 부도율 악화의 주요 요인을 도출할 수 있다. 또한, 가설 검정부(400)는 도출된 상기 주요 요인이 포함된 상기 하나 이상의 금융계좌를 제외하고 상기 대출 확대 검정 시스템의 대출 확대 검정을 재수행할 수 있다. 즉, 인공지능 분석부(100)는 학습시킨 부도 예측 모델이 잘못되었다고 판단할 수 있다. 그리고 인공지능 분석부(100)는 하이퍼 파라미터를 변경하거나 학습 데이터에서 상기 주요 요인이 포함된 하나 이상의 금융계좌를 제외하여 부도 예측 모델을 재생성시킬 수 있다. 이후, 대출 확대 가설 검정 시스템은 새로운 부도 예측 모델을 이용하여 처음부터 분석을 다시 수행할 수 있다.

도 9(b)를 참조하면, 본 발명의 일 실시예에서, 가설 검정부(400)가 귀무가설을 채택하는 판단을 하면, 가설 검정부(400)는 검정군 확정부(300) 통해 확정 실험군(127) 내에서 제2 확정 실험군(127b)과 제2 확정 대조군(128b)을 추출할 수 있다. 가설 검정부(400)는 제2 확정 실험군(127b)에 상기 대출 확대 시나리오보다 대출 확대 범위를 축소한 제2 대출 확대 시나리오를, 제2 확정 대조군(128a)에는 기존 대출 정책 유지 시나리오를 적용할 수 있다. 이때, 가설 검정부(400)는 제2 확정 실험군(128b)의 미래 부도율이 제2 확정 대조군(128b)의 미래 부도율보다 낮을 것으로 제2 가설로, 제2 확정 실험군(127b)의 미래 부도율이 제2 확정 대조군(128b)의 미래 부도율의 이상일 것을 제2 귀무가설로 설정하고, 제2 귀무가설을 검증하는 가설 검증을 다시 수행할 수 있다. 제2 귀무가설을 검증하는 가설 검증을 다시 수행할 때 인공지능 분석부(100)를 이용해 제2 확정 실험군(127a) 및 제2 확정 실험군(127a)의 상기 금융계좌별 미래 부도 확률값을 예측하여 이를 활용할 수 있다. 한정된 실험군에서 다시 실험군 및 대조군을 분류하여 축소된 대출 확대 시나리오를 적용하여 검정하는 것은 인공지능 분석부(100)가 학습시켜 생성한 부도 예측 모델은 적절한 것으로 보이나, 상기 대출 확대 시나리오의 대출 확대 범위가 컸다는 것으로 판단하여 대출 확대가 가능한 최대 지점을 판단하기 위해서일 수 있다. 따라서, 이 지점을 판단할 수 있을 때까지 가설 검증을 재수행할 수 있다. 예컨대, 가설 검증 반복 중 가설이 채택되는 단계가 있으면, 그 단계를 대출 확대가 가능한 최대 지점으로 판단할 수 있다.

본 발명의 일 실시예에 따른 대출 확대 가설 검정 시스템은 대출 상품을 실제 시장에 적용함에 앞서, 대출 상품을 취급할 적절한 고객 기준 집단과 주요 요인에 대해 파악할 수 있다. 또한, 가상 시뮬레이션을 통해 사전에 리스크를 파악할 수 있고, 시계열적인 리스크 변화 추이를 확인할 수 있어, 리스크 제어가 용이하게 할 수 있다. 또한, 사람이 수행할 때 발생할 수 있는 실수 및 에러를 예방할 수 있으며, 그 수행 비용을 상당히 절감할 수 있다. 이를 통해 금융기관은 대출 상품을 핸들링하는 의사 결정에 보다 정확하고 빠른 결정이 가능할 수 있다.

도 10은 본 발명의 일 실시예에 따른 대출 확대 가설 검정 방법의 흐름도이다.

도 10을 참조하면, 본 발명의 일 실시에에 있어서, 금융데이터를 기초로 구축된 인공지능을 이용한 대출 확대 가설 검정 방법은 인공지능 분석 단계(S100), 검정 세그먼트 설정 단계(S200), 검정군 확정 단계(S300) 및 가설 검정 단계(S400)를 포함할 수 있다.

인공지능 분석 단계(S100)는 복수의 금융계좌별 부도 확률값을 산출할 수 있다.

검정 세그먼트 설정 단계(S200)는 미리 지정된 기준으로 상기 복수의 금융계좌를 복수의 세그먼트로 분류하고, 상기 인공지능 분석 단계에서 산출한 상기 복수의 금융계좌별 부도 확률값을 기초로 특정 세그먼트를 검정대상인 검정 세그먼트로 설정할 수 있다.

검정군 확정 단계(S300)는 상기 검정 세그먼트의 일부를 상기 대출 확대 가설 검정을 위한 실험군과 대조군을 확정할 수 있다.

가설 검정 단계(S400)는 상기 실험군과 상기 대조군에 대해 상기 대출 확대 가설 검정을 수행할 수 있다. 인공지능 분석 단계(S100)는 상기 금융데이터를 기초로 기계학습(Machine Learning)을 이용하여 생성한 부도 예측 모델을 이용하여 상기 복수의 금융계좌별 부도 확률값을 산출할 수 있다.

검정 세그먼트 설정 단계(S200)는 상기 복수의 세그먼트 중 상기 세그먼트의 평균 부도 확률값이 최소인 세그먼트를 상기 검정 세그먼트로 설정할 수 있다.

가설 검정 단계(S400)는 상기 실험군의 미래 부도율이 상기 대조군의 미래 부도율의 미만일 것을 가설로, 상기 실험군의 미래 부도율이 상기 대조군의 미래 부도율의 이상일 것을 귀무가설로 설정할 수 있다. 상기 귀무가설을 검정하기 위해, 상기 실험군에게 대출 확대 시나리오를, 상기 대조군을 기존 대출 정책 유지 시나리오를 적용하여 상기 인공지능 분석 단계를 재수행하여 상기 실험군 및 상기 대조군에 포함된 상기 금융계좌별 미래 부도 확률값을 예측할 수 있다.

또한, 가설 검정 단계(S400)는 상기 실험군의 미래 평균 부도 확률값이 상기 대조군의 미래 평균 부도 확률값 미만이면, 상기 귀무가설을 기각하는 것으로 판단할 수 있다. 상기 대조군이 포함된 상기 검정 세그먼트 전체 금융계좌에 대해 상기 대출 확대 시나리오를 동일하게 적용하여 상기 인공지능 분석 단계를 재수행하여 대출 품질을 측정할 수 있다.

또한, 가설 검정 단계(S400)는 상기 실험군의 미래 평균 부도 확률값이 상기 대조군의 미래 평균 부도 확률값 이상이면, 상기 귀무가설을 채택하는 것으로 판단할 수 있다. 상기 실험군의 미래 평균 부도율 악화의 주요 요인을 도출하고, 도출된 상기 주요 요인이 포함된 상기 하나 이상의 금융계좌를 제외하고 상기 대출 확대 검정 방법의 대출 확대 검정을 재수행할 수 있다.

명세서에 기재된 다양한 실시예들은 하드웨어, 미들웨어, 마이크로코드, 소프트웨어 및/또는 이들의 조합에 의해 구현될 수 있다. 예를 들어, 다양한 실시예들은 하나 이상의 주문형 반도체(ASIC)들, 디지털 신호 프로세서(DSP)들, 디지털 신호 프로세싱 디바이스(DSPD)들, 프로그램어블 논리 디바이스(PLD)들, 필드 프로그램어블 게이트 어레이(FPGA)들, 프로세서들, 컨트롤러들, 마이크로컨트롤러들, 마이크로프로세서들, 여기서 제시되는 기능들을 수행하도록 설계되는 다른 전자 유닛들 또는 이들의 조합 내에서 구현될 수 있다.

또한, 예를 들어, 다양한 실시예들은 명령들을 포함하는 컴퓨터-판독가능한 매체에 수록되거나 인코딩될 수 있다. 컴퓨터-판독가능한 매체에 수록 또는 인코딩된 명령들은 프로그램 가능한 프로세서 또는 다른 프로세서로 하여금 예컨대, 명령들이 실행될 때 방법을 수행하게끔 할 수 있다. 컴퓨터-판독가능한 매체는 컴퓨터 저장 매체 및 하나의 장소로부터 다른 장소로 컴퓨터 프로그램의 이송을 용이하게 하는 임의의 매체를 포함하는 통신 매체 모두를 포함한다. 저장 매체는 컴퓨터에 의해 액세스될 수 있는 임의의 가용 매체일 수도 있다. 예를 들어, 이러한 컴퓨터-판독가능한 매체는 RAM, ROM, EEPROM, CD-ROM 또는 기타 광학디스크 저장 매체, 자기 디스크 저장 매체 또는 기타 자기 저장 디바이스 또는 원하는 프로그램 코드를 컴퓨터에 의해 액세스가능한 명령들 또는 데이터 구조들의 형태로 반송하거나 저장하는데 이용될 수 있는 임의의 다른 매체를 포함할 수 있다.

이러한 하드웨어, 소프트웨어, 펌웨어 등은 본 명세서에 기술된 다양한 동작들 및 기능들을 지원하도록 동일한 디바이스 내에서 또는 개별 디바이스들 내에서 구현될 수 있다. 추가적으로, 본 발명에서 "~부"로 기재된 구성요소들, 유닛들, 모듈들, 컴포넌트들 등은 함께 또는 개별적이지만 상호 운용가능한 로직 디바이스들로서 개별적으로 구현될 수 있다. 모듈들, 유닛들 등에 대한 서로 다른 특징들의 묘사는 서로 다른 기능적 실시예들을 강조하기 위해 의도된 것이며, 이들이 개별 하드웨어 또는 소프트웨어 컴포넌트들에 의해 실현되어야만 함을 필수적으로 의미하지 않는다. 오히려, 하나 이상의 모듈들 또는 유닛들과 관련된 기능은 개별 하드웨어 또는 소프트웨어 컴포넌트들에 의해 수행되거나 또는 공통의 또는 개별의 하드웨어 또는 소프트웨어 컴포넌트들 내에 통합될 수 있다.

특정한 순서로 동작들이 도면에 도시되어 있지만, 이러한 동작들이 원하는 결과를 달성하기 위해 도시된 특정한 순서, 또는 순차적인 순서로 수행되거나, 또는 모든 도시된 동작이 수행되어야 할 필요가 있는 것으로 이해되지 말아야 한다. 임의의 환경에서는, 멀티태스킹 및 병렬 프로세싱이 유리할 수 있다. 더욱이, 상술한 실시예에서 다양한 구성요소들의 구분은 모든 실시예에서 이러한 구분을 필요로 하는 것으로 이해되어서는 안되며, 기술된 구성요소들이 일반적으로 단일 소프트웨어 제품으로 함께 통합되거나 다수의 소프트웨어 제품으로 패키징될 수 있다는 것이 이해되어야 한다.

본 발명은 도면에 도시된 실시예를 참고로 설명되었으나 이는 예시적인 것에 불과하며, 본 기술 분야의 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 다른 실시 예가 가능하다는 점을 이해할 것이다. 따라서, 본 발명의 진정한 기술적 보호 범위는 첨부된 특허청구범위의 기술적 사상에 의해서 정해져야 할 것이다.

10: 대출 확대 가설 검정 시스템 100: 인공지능 분석부
110: 금융모델 생성부 120: 계좌 관리부
130: 부도확률값 산출부 140: 품질 측정부
150: 요인 분석부 160: 데이터맵 변환부
200: 검정 세그먼트 설정부 300: 검정군 확정부
400: 가설 검정부

Claims (20)

1. 금융데이터를 기초로 구축된 인공지능을 이용한 대출 확대 가설 검정 시스템에 있어서,
   복수의 금융계좌별 부도 확률값을 산출하는 인공지능 분석부;
   미리 지정된 기준으로 상기 복수의 금융계좌를 복수의 세그먼트로 분류하고, 상기 인공지능 분석부가 산출한 상기 복수의 금융계좌별 부도 확률값을 기초로 특정 세그먼트를 검정대상인 검정 세그먼트로 설정하는 검정 세그먼트 설정부;
   상기 검정 세그먼트의 일부를 상기 대출 확대 가설 검정을 위한 실험군과 대조군을 확정하는 검정군 확정부; 및
   상기 실험군과 상기 대조군에 대해 상기 대출 확대 가설 검정을 수행하는 가설 검정부;를 포함하고,
   상기 가설 검정부는,
   상기 실험군의 미래 부도율이 상기 대조군의 미래 부도율의 미만일 것을 가설로, 상기 실험군의 미래 부도율이 상기 대조군의 미래 부도율의 이상일 것을 귀무가설로 설정하고,
   상기 귀무가설을 검정하기 위해, 상기 실험군에게 대출 확대 시나리오를, 상기 대조군을 기존 대출 정책 유지 시나리오를 적용하여 상기 인공지능 분석부를 이용해 상기 실험군 및 상기 대조군에 포함된 상기 금융계좌별 미래 부도 확률값을 예측하며,
   상기 실험군의 미래 평균 부도 확률값이 상기 대조군의 미래 평균 부도 확률값 미만이면, 상기 귀무가설을 기각하는 것으로 판단하고,
   상기 검정군 확정부를 통해 상기 실험군 내에서 제2 실험군과 제2 대조군을 추출하며, 상기 제2 실험군의 미래 부도율이 상기 제2 대조군의 미래 부도율보다 낮을 것으로 제2 가설로, 상기 제2 실험군의 미래 부도율이 상기 제2 대조군의 미래 부도율의 이상일 것을 제2 귀무가설로 설정하고,
   상기 제2 귀무가설을 검정하기 위해, 상기 제2 실험군에는 상기 대출 확대 시나리오보다 대출 확대 범위를 확장한 제2 대출 확대 시나리오를, 상기 제2 대조군에는 기존의 대출 확대 시나리오를 적용하여 상기 인공지능 분석부를 이용해 상기 제2 실험군 및 상기 제2 대조군의 상기 금융계좌별 미래 부도 확률값을 예측하는 것인 대출 확대 가설 검정 시스템.
   
2. 제1항에 있어서,
   상기 인공지능 분석부는,
   상기 금융데이터를 기초로 기계학습(Machine Learning)을 이용하여 생성한 부도 예측 모델을 이용하여 상기 복수의 금융계좌별 부도 확률값을 산출하는 것인 대출 확대 가설 검정 시스템.
   
3. 제1항에 있어서,
   상기 검정 세그먼트 설정부는,
   상기 복수의 세그먼트 중 상기 세그먼트의 평균 부도 확률값이 최소인 세그먼트를 상기 검정 세그먼트로 설정하는 것인 대출 확대 가설 검정 시스템.
   
4. 제3항에 있어서,
   상기 검정 세그먼트 설정부는,
   상기 미리 지정된 기준은 상기 복수의 금융계좌별 부도 확률값을 기초로 각 상기 금융계좌별로 부여한 등급인 것인 대출 확대 가설 검정 시스템.
   
5. 제1항에 있어서,
   상기 검정 세그먼트 설정부는,
   상기 복수의 세그먼트 중 하나 이상의 세그먼트를 상기 세그먼트의 평균 부도 확률값이 낮은 순으로 상기 검정 세그먼트로 병합하며 설정하되,
   상기 검정 세그먼트는 미리 지정된 계좌수에 근접하면 상기 병합을 중단하는 것인 대출 확대 가설 검정 시스템.
   
6. 제1항에 있어서,
   상기 검정군 확정부는,
   상기 검정 세그먼트를 랜덤 샘플링을 통해 예비 실험군 및 예비 대조군을 설정하고 분포 검정으로 검정하여 상기 분포 검정을 통과한 것으로 판단하면 상기 실험군 및 상기 대조군으로 확정하고,
   상기 분포 검정을 통과하지 못한 것으로 판단하면 상기 예비 실험군 및 상기 예비 대조군을 재샘플링하여 상기 분포 검정을 재수행하는 것인 대출 확대 가설 검정 시스템.
   
7. 제6항에 있어서,
   상기 검정군 확정부는,
   상기 예비 실험군 및 상기 예비 대조군의 평균 부도 확률값 차이가 미리 정해진 값 이하이면 상기 분포 검정을 통과한 것으로 판단하고,
   상기 예비 실험군 및 상기 예비 대조군의 평군 부도 확률값 차이가 미리 정해진 값 초과이면 상기 분포 검정을 통과하지 못한 것으로 판단하는 것인 대출 확대 가설 검정 시스템.
   
8. 삭제
9. 제1항에 있어서,
   상기 대출 확대 시나리오는 상기 금융계좌별에 대한 대출 금액 한도 확대, 이자율 축소, 신규 대출 허용 중 하나 이상인 것이며,
   상기 대출 정책 유지 시나리오는 상기 금융계좌별에 대해 적용되는 대출 금액 한도, 이자율 및 신규 대출 금지를 계속적으로 유지하는 것인 대출 확대 가설 검정 시스템.
   
10. 제1항에 있어서,
    상기 가설 검정부는,
    상기 실험군의 미래 평균 부도 확률값이 상기 대조군의 미래 평균 부도 확률값 미만이면, 상기 귀무가설을 기각하는 것으로 판단하고,
    상기 대조군이 포함된 상기 검정 세그먼트 전체 금융계좌에 대해 상기 대출 확대 시나리오를 동일하게 적용하여 상기 인공지능 분석부를 이용해 대출 품질을 측정하는 것인 대출 확대 가설 검정 시스템.
    
11. 삭제
12. 제1항에 있어서,
    상기 가설 검증부는,
    상기 실험군의 미래 평균 부도 확률값이 상기 대조군의 미래 평균 부도 확률값 이상이면, 상기 귀무가설을 채택하는 것으로 판단하고,
    상기 인공지능 분석부를 통해 상기 실험군의 미래 평균 부도율 악화의 주요 요인을 도출하고, 도출된 상기 주요 요인이 포함된 하나 이상의 상기 금융계좌를 제외하고 상기 대출 확대 검정 시스템의 대출 확대 검정을 재수행하는 것인 대출 확대 가설 검정 시스템.
    
13. 제12항에 있어서,
    상기 인공지능 분석부는,
    상기 복수의 금융계좌별 금융데이터를 기초로 기계학습(Machine Learning)을 통하여 부도 예측 모델을 생성하는 금융모델 생성부;
    금융상품의 품질을 측정하기 위해, 상기 금융상품에 포함되는 복수의 금융계좌를 관리하는 계좌 관리부;
    상기 부도 예측 모델을 이용해 상기 계좌 관리부에 포함된 상기 복수의 금융계좌별 부도 확률값을 산출하는 부도확률값 산출부;
    상기 부도확률값 산출부가 산출한 상기 복수의 금융계좌별 부도 확률값을 기초로 상기 금융상품의 품질을 산출하는 품질 측정부; 및
    산출된 상기 금융상품의 품질에 영향을 미치는 상기 금융계좌의 주요 요인을 분석하는 요인 분석부;를 포함하고,
    상기 요인 분석부의 결과에 따라, 상기 계좌 관리부는 상기 금융상품에 포함되는 계좌를 선별하는 것인 대출 확대 가설 검정 시스템.
    
14. 제1항에 있어서,
    상기 가설 검정부는,
    상기 실험군의 미래 평균 부도 확률값이 상기 대조군의 미래 평균 부도 확률값 이상이면, 상기 귀무가설을 채택하는 것으로 판단하고,
    상기 검정군 확정부를 통해 상기 실험군 내에서 제2 실험군과 제2 대조군을 추출하며, 상기 제2 실험군의 미래 부도율이 상기 제2 대조군의 미래 부도율보다 낮을 것으로 제2 가설로 채택하고, 상기 제2 실험군의 미래 부도율이 상기 제2 대조군의 미래 부도율의 이상일 것을 제2 귀무가설로 설정하며,
    상기 제2 귀무가설을 검정하기 위해, 상기 제2 실험군에는 상기 대출 확대 시나리오보다 대출 확대 범위를 축소한 제2 대출 확대 시나리오를, 상기 제2 대조군에는 기존의 대출 확대 시나리오를 적용하여 상기 인공지능 분석부를 이용해 상기 제2 실험군 및 상기 제2 대조군의 상기 금융계좌별 미래 부도 확률값을 예측하는 것인 대출 확대 가설 검정 시스템.
    
15. 금융데이터를 기초로 구축된 인공지능을 이용한 대출 확대 가설 검정 방법에 있어서,
    복수의 금융계좌별 부도 확률값을 산출하는 인공지능 분석 단계;
    미리 지정된 기준으로 상기 복수의 금융계좌를 복수의 세그먼트로 분류하고, 상기 인공지능 분석 단계에서 산출한 상기 복수의 금융계좌별 부도 확률값을 기초로 특정 세그먼트를 검정대상인 검정 세그먼트로 설정하는 검정 세그먼트 설정 단계;
    상기 검정 세그먼트의 일부를 상기 대출 확대 가설 검정을 위한 실험군과 대조군을 확정하는 검정군 확정 단계; 및
    상기 실험군과 상기 대조군에 대해 상기 대출 확대 가설 검정을 수행하는 가설 검정 단계;를 포함하고,
    상기 가설 검정 단계는,
    상기 실험군의 미래 부도율이 상기 대조군의 미래 부도율의 미만일 것을 가설로, 상기 실험군의 미래 부도율이 상기 대조군의 미래 부도율의 이상일 것을 귀무가설로 설정하고,
    상기 귀무가설을 검정하기 위해, 상기 실험군에게 대출 확대 시나리오를, 상기 대조군을 기존 대출 정책 유지 시나리오를 적용하여 상기 인공지능 분석 단계를 재수행하여 상기 실험군 및 상기 대조군에 포함된 상기 금융계좌별 미래 부도 확률값을 예측하며,
    상기 실험군의 미래 평균 부도 확률값이 상기 대조군의 미래 평균 부도 확률값 미만이면, 상기 귀무가설을 기각하는 것으로 판단하고,
    상기 검정군 확정 단계를 통해 상기 실험군 내에서 제2 실험군과 제2 대조군을 추출하며, 상기 제2 실험군의 미래 부도율이 상기 제2 대조군의 미래 부도율보다 낮을 것으로 제2 가설로, 상기 제2 실험군의 미래 부도율이 상기 제2 대조군의 미래 부도율의 이상일 것을 제2 귀무가설로 설정하고,
    상기 제2 귀무가설을 검정하기 위해, 상기 제2 실험군에는 상기 대출 확대 시나리오보다 대출 확대 범위를 확장한 제2 대출 확대 시나리오를, 상기 제2 대조군에는 기존의 대출 확대 시나리오를 적용하여 상기 인공지능 분석 단계를 이용해 상기 제2 실험군 및 상기 제2 대조군의 상기 금융계좌별 미래 부도 확률값을 예측하는 것인 대출 확대 가설 검정 방법.
    
16. 제15항에 있어서,
    상기 인공지능 분석 단계는,
    상기 금융데이터를 기초로 기계학습(Machine Learning)을 이용하여 생성한 부도 예측 모델을 이용하여 상기 복수의 금융계좌별 부도 확률값을 산출하는 것인 대출 확대 가설 검정 방법.
    
17. 제15항에 있어서,
    상기 검정 세그먼트 설정 단계는,
    상기 복수의 세그먼트 중 상기 세그먼트의 평균 부도 확률값이 최소인 세그먼트를 상기 검정 세그먼트로 설정하는 것인 대출 확대 가설 검정 방법.
    
18. 삭제
19. 제15항에 있어서,
    상기 가설 검정 단계는,
    상기 실험군의 미래 평균 부도 확률값이 상기 대조군의 미래 평균 부도 확률값 미만이면, 상기 귀무가설을 기각하는 것으로 판단하고,
    상기 대조군이 포함된 상기 검정 세그먼트 전체 금융계좌에 대해 상기 대출 확대 시나리오를 동일하게 적용하여 상기 인공지능 분석 단계를 재수행하여 대출 품질을 측정하는 것인 대출 확대 가설 검정 방법.
    
20. 제15항에 있어서,
    상기 가설 검증 단계는,
    상기 실험군의 미래 평균 부도 확률값이 상기 대조군의 미래 평균 부도 확률값 이상이면, 상기 귀무가설을 채택하는 것으로 판단하고,
    상기 실험군의 미래 평균 부도율 악화의 주요 요인을 도출하고, 도출된 상기 주요 요인이 포함된 하나 이상의 상기 금융계좌를 제외하고 상기 대출 확대 검정 방법의 대출 확대 검정을 재수행하는 것인 대출 확대 가설 검정 방법.

Images