KR102343579B1 - 부모예측모형을 이용한 서비스 제공 방법 - Google Patents

Abstract

본 발명은 부모예측모형을 이용한 서비스 제공 방법을 개시한다. 상기 부모예측모형을 이용한 서비스 제공 방법은, 계좌이체내역 또는 모임통장에 관한 정보를 수신하는 단계, 상기 수신된 정보를 기초로 부모예측모형을 실행하여, 부모-자녀 관계를 예측하는 단계, 및 상기 예측된 부모-자녀 관계를 이용하여, 신규 금융서비스의 부모 유입 효과를 측정하거나, 본인미사용 거래를 탐지하는 단계를 포함한다.

Description

부모예측모형을 이용한 서비스 제공 방법{Method for providing service using parents predicting model}

본 발명은 부모예측모형을 이용한 서비스 제공 방법에 관한 것이다. 구체적으로, 본 발명은 부모예측모형을 이용하여 신규 금융서비스의 마케팅 효과를 측정하거나, 본인 미사용 거래를 탐지하기 위한 서비스 제공 방법에 관한 것이다.

최근 스마트 디바이스와 네트워크의 발전, 그리고 다양한 네트워크 서비스의 발달로 인하여 공개되고 누적되고 있는 데이터의 양이 크게 증가되었고, 기관과 기업 그리고 개인도 방대한 데이터의 분석을 통해 편리성 제공과 서비스 수준을 높이기 위하여 다각화된 연구와 개발을 하고 있다.

금융권에서도 사용자의 계좌 이체 내역이나 사용자 정보를 기초로 사용자들 간의 관계를 도출함으로써, 서비스에 대한 소비자 마케팅 효과를 측정하거나, 본인 미사용 거래를 탐지하는 이상금융거래탐지시스템(Fraud Detection System; 이하 FDS)에 이용하려는 시도가 계속되고 있다.

이때, 다양한 사용자들 간의 관계 중에서 가장 강력한 관계는 가족관계이다. 이는 가족 구성원 한 명이 다른 가족들에게 미치는 영향이 다른 사회적 관계보다 상당히 높기 때문이다. 따라서, 기업에서는 복수의 사용자들 간의 가족관계를 도출하기 위한 다양한 니즈가 존재하고 있으며, 사용자가 직접 기재하지 않은 가족관계를 도출하기 위한 다양한 시도들이 이루어지고 있다.

본 발명의 목적은, 사용자간 부모-자녀 관계를 도출할 수 있는 부모예측모형을 이용함으로써, 신규 금융서비스의 마케팅 효과를 측정할 수 있는 서비스 제공 방법을 제공하는 것이다.

본 발명의 다른 목적은, 사용자간 부모-자녀 관계를 도출할 수 있는 부모예측모형을 이용함으로써, 본인 미사용 거래를 탐지할 수 있는 서비스 제공 방법을 제공하는 것이다.

본 발명의 목적들은 이상에서 언급한 목적으로 제한되지 않으며, 언급되지 않은 본 발명의 다른 목적 및 장점들은 하기의 설명에 의해서 이해될 수 있고, 본 발명의 실시예에 의해 보다 분명하게 이해될 것이다. 또한, 본 발명의 목적 및 장점들은 특허 청구 범위에 나타낸 수단 및 그 조합에 의해 실현될 수 있음을 쉽게 알 수 있을 것이다.

상기 기술적 과제를 달성하기 위한 본 발명의 일 실시예에 따른 부모예측모형을 이용한 서비스 제공 방법은, 계좌이체내역 또는 모임통장에 관한 정보를 수신하는 단계, 상기 수신된 정보를 기초로 부모예측모형을 실행하여, 부모-자녀 관계를 예측하는 단계, 및 상기 예측된 부모-자녀 관계를 이용하여, 신규 금융서비스의 부모 유입 효과를 측정하거나, 본인미사용 거래를 탐지하는 단계를 포함한다.

또한, 상기 부모예측모형은, (a1) 상기 계좌이체내역을 기초로, 송금인과 수취인 간의 나이차가 미리 정해진 나이기준치보다 큰지 여부를 판단하는 단계와, (a2) 상기 나이차가 상기 나이기준치보다 큰 경우, 상기 송금인과 상기 수취인의 주소지가 동일한지 여부를 판단하는 단계를 포함하고, 상기 (a1) 및 (a2) 단계를 모두 만족하는 경우, 상기 송금인과 상기 수취인을 부모-자녀 관계로 판단할 수 있다.

또한, 상기 부모예측모형은, (a3) 상기 송금인과 상기 수취인 간의 이체건수가 미리 정한 이체기준치보다 큰지 여부를 판단하는 단계와, (a4) 상기 송금인과 상기 수취인의 성(family name)이 일치하는지 여부를 판단하는 단계와, (a5) 상기 계좌이체내역에 미리 정해진 특정 키워드가 포함되는지 여부를 판단하는 단계와, (a6) 상기 송금인과 상기 수취인의 메일주소가 동일한지 여부를 판단하는 단계를 더 포함하되, 상기 (a1) 및 (a2) 단계를 모두 만족하고, 상기 (a3) 내지 (a6) 중 어느 하나를 만족하는 경우, 상기 송금인과 상기 수취인을 부모-자녀 관계로 판단할 수 있다.

또한, 상기 (a1) 단계는, 상기 송금인 또는 상기 수취인 중 나이정보가 없는 특정인에 대하여, 나이를 추정하는 알고리즘을 수행하되, 상기 알고리즘은, 상기 특정인에게 이체를 수행한 모집단 또는 상기 특정인으로부터 이체받은 모집단의 나이의 평균값을 이용하며, 상기 모집단 중 나이정보가 없는 구성원의 경우, 동일한 상기 알고리즘을 이용하여 해당 구성원의 나이를 도출할 수 있다.

또한, 상기 (a2) 단계는, 상기 송금인 또는 상기 수취인의 주소지를 도출하기 위한 파라미터를 산출하는 단계와, 딥러닝 모듈에 상기 파라미터를 학습인자로 입력하고, 이에 대한 출력으로 상기 송금인 또는 상기 수취인의 예상주소지를 수신하는 단계를 포함하되, 상기 파라미터는, 상기 송금인 또는 상기 수취인의 IP 어드레스 및 MAC 어드레스를 포함할 수 있다.

또한, 상기 딥러닝 모듈은, 상기 파라미터를 입력노드로 하는 입력 레이어와, 상기 예상주소지를 출력노드로 하는 출력 레이어와, 상기 입력 레이어와 상기 출력 레이어 사이에 배치되는 하나 이상의 히든 레이어를 포함하고, 상기 입력노드와 상기 출력노드 사이의 노드 및 에지의 가중치는 상기 딥러닝 모듈의 학습 과정에 의해 업데이트될 수 있다.

또한, 상기 부모예측모형은, (b1) 상기 모임통장을 구성하는 구성원 중, 나이차가 미리 정해진 나이기준치보다 큰 구성원이 존재하는지 여부를 판단하는 단계와, (b2) 상기 모임통장의 목적이 미리 정해진 항목에 해당하는지 여부를 판단하는 단계와, (b3) 상기 모임통장의 구성원의 수가 미리 정해진 숫자 이상인지 여부를 판단하는 단계를 포함하고, 상기 (b1) 내지 (b3) 단계를 모두 만족하는 경우, 상기 송금인과 상기 수취인을 부모-자녀 관계로 판단할 수 있다.

또한, 상기 부모예측모형은, (b4) 특정 구성원과 대상 구성원의 성(family name)이 일치하는지 여부를 판단하는 단계와, (b5) 상기 모임통장의 이체내역에 미리 정해진 특정 키워드가 포함되는지 여부를 판단하는 단계와, (b6) 상기 특정 구성원과 상기 대상 구성원의 메일주소가 동일한지 여부를 판단하는 단계를 더 포함하되, 상기 (b1) 내지 (b3) 단계를 모두 만족하고, 상기 (b4) 내지 (b6) 중 어느 하나를 만족하는 경우, 상기 특정 구성원과 상기 대상 구성원을 부모-자녀 관계로 판단할 수 있다.

상기 기술적 과제를 달성하기 위한 본 발명의 다른 실시예에 따른 부모예측모형을 이용한 서비스 제공 방법은, 계좌이체내역 또는 모임통장에 관한 정보를 수신하는 단계, 상기 수신된 정보를 기초로 부모예측모형을 실행하여, 부모-자녀 관계를 예측하는 단계, 10대 고객의 가입 리스트를 생성하는 단계, 상기 예측된 부모-자녀 관계를 기초로, 상기 10대 고객의 가입 이후 신규가입한 고객을 대상으로 부모-자녀 관계의 수를 카운트하는 단계, 기간별 상기 10대 고객 대비 부모-자녀 쌍의 비율을 계산하는 단계, 및 기간에 따른 상기 부모-자녀 쌍의 증감비율을 기초로, 부모 유입 효과를 도출하는 단계를 포함한다.

상기 기술적 과제를 달성하기 위한 본 발명의 또 다른 실시예에 따른 부모예측모형을 이용한 서비스 제공 방법은, (c1) 계좌이체내역 또는 모임통장에 관한 정보를 수신하는 단계, (c2) 상기 수신된 정보를 기초로 부모예측모형을 실행하여, 부모-자녀 관계를 예측하는 단계, (c3) 특정인의 대출거절 여부를 판단하는 단계, (c4) 상기 예측된 부모-자녀 관계를 기초로, 상기 특정인의 가족 구성원의 대출신청 여부를 판단하는 단계, 및 (c5) 일정시간 이내에 상기 가족 구성원이 상기 특정인에게 금액 이체여부를 판단하는 단계를 포함한다.

또한, 상기 (c3) 및 (c4) 단계를 만족하는 경우, FDS 주의고객으로 상기 특정인과 상기 가족 구성원을 분류하고, 상기 (c3) 내지 (c5) 단계를 모두 만족하는 경우, FDS 위험고객으로 상기 특정인과 상기 가족 구성원을 분류하는 단계를 더 포함할 수 있다.

이상에서 설명한 바와 같이, 본 발명의 서비스 제공 방법은, 부모예측모형을 이용함으로써 신규 금융서비스의 소비자 반응을 정량적 지표로 변환할 수 있다. 이를 통해, 신규 금융서비스에 대한 평가가 가능하며, 차기 신규 금융서비스를 개선하는데 도움이 되는 지표로 이용할 수 있다.

또한, 본 발명의 서비스 제공 방법은, 부모예측모형을 이용함으로써, 본인 미사용 거래를 탐지할 수 있으며, 이를 통해 이상거래탐지의 정확도를 높일 수 있다. 또한, 본인 미사용 건으로 인해 발생하는 금융사고를 미연에 방지할 수 있다.

상술한 내용과 더불어 본 발명의 구체적인 효과는 이하 발명을 실시하기 위한 구체적인 사항을 설명하면서 함께 기술한다.

도 1은 본 발명의 몇몇 실시예에 따른 부모예측모형을 이용한 서비스 제공 방법을 설명하기 위한 순서도이다.
도 2는 도 1의 S120 단계에 따른 부모예측모형의 일 예를 설명하기 위한 순서도이다.
도 3은 도 2의 부모예측모형에서 이용되는 딥러닝 모듈을 개략적으로 설명하기 위한 블록도이다.
도 4는 도 3의 딥러닝 모듈의 구성을 도시한 도면이다.
도 5는 도 1의 S130 단계에서 나이를 추정하는데 이용되는 알고리즘을 설명하기 위한 개략도이다.
도 6은 도 1의 S120 단계에 따른 부모예측모형의 다른 예를 설명하기 위한 순서도이다.
도 7은 도 1의 S140 단계에 따른 신규 금융서비스의 부모 유입 효과를 측정하는 방법을 설명하기 위한 순서도이다.
도 8은 도 7의 부모유입률을 계산하는 방법을 설명하기 위한 그래프이다.
도 9는 도 1의 S150 단계에 따른 본인 미사용 거래를 탐지하는 방법을 설명하기 위한 순서도이다.

본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 것이며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하며, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다. 명세서 전체에 걸쳐 동일 참조 부호는 동일 구성 요소를 지칭한다.

본 명세서에서 사용된 용어는 실시예들을 설명하기 위한 것이며 본 발명을 제한하고자 하는 것은 아니다. 본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함한다. 명세서에서 사용되는 "포함한다(comprises)" 및/또는 "포함하는(comprising)"은 언급된 구성요소, 단계, 동작 및/또는 소자는 하나 이상의 다른 구성요소, 단계, 동작 및/또는 소자의 존재 또는 추가를 배제하지 않는다.

다른 정의가 없다면, 본 명세서에서 사용되는 모든 용어(기술 및 과학적 용어를 포함)는 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 공통적으로 이해될 수 있는 의미로 사용될 수 있을 것이다. 또한, 일반적으로 사용되는 사전에 정의되어 있는 용어들은 명백하게 특별히 정의되어 있지 않는 한 이상적으로 또는 과도하게 해석되지 않는다.

이하에서는, 도 1 내지 도 9를 참조하여 본 발명의 실시예에 따른 부모예측모형을 이용한 서비스 제공 방법에 대해 자세히 설명하도록 한다.

도 1은 본 발명의 몇몇 실시예에 따른 부모예측모형을 이용한 서비스 제공 방법을 설명하기 위한 순서도이다.

도 1을 참조하면, 본 발명의 몇몇 실시예에 따른 부모예측모형을 이용한 서비스 제공 방법은, 금융사 서버에 의해 수행될 수 있다. 금융사 서버는 금융 서비스를 이용하는 사용자들의 빅데이터를 기초로 사용자들 간의 관계성을 도출할 수 있다.

구체적으로, 금융사 서버는 사용자들의 계좌이체내역 또는 모임통장에 관한 정보를 수신한다(S110).

이때, 금융사 서버는 사용자들의 계좌이체내역을 각 사용자의 계정별로 분류하여 저장 및 관리할 수 있다. 여기에서, 계좌이체내역에는 송금인, 수취인, 이체금액, 적요, 메모, 비고 등에 관한 정보가 포함될 수 있다. 또한, 금융사 서버는 송금인 또는 수취인의 이름, 나이, 주소지, 메일주소 등의 정보를 데이터베이스에서 불러올 수 있다.

또한, 금융사 서버는 복수의 사용자들에 의해 개설된 통장(이하, 모임통장)에 가입된 사용자들을 번들(bundle)로 묶어서 데이터베이스에 저장 또는 관리할 수 있다. 마찬가지로, 금융사 서버는 모임통장의 구성원들의 이름, 나이, 주소지, 메일주소 등을 데이터베이스에서 불러올 수 있다.

이어서, 금융사 서버는 부모예측모형을 실행한다(S120). 부모예측모형은 복수의 사용자들 간의 부모-자녀 관계를 예측할 수 있는 로직 알고리즘으로 구성된다. 부모예측모형에 대한 구체적인 설명은 도 2 내지 도 6을 참조하여 후술하도록 한다.

이어서, 금융사 서버는 부모예측모형의 결과를 기초로, 사용자들 간의 부모-자녀 관계를 예측한다(S130). 금융사 서버는 데이터베이스에 저장된 사용자의 데이터들을 기초로 부모예측모형을 이용하여 분산되어 있는 사용자들 간의 연관성을 예측할 수 있다.

예를 들어, 금융사 서버는 부모예측모형을 이용하여 사용자들 간의 부모-자녀 관계를 예측할 수 있다. 다만, 본 발명이 이에 한정되는 것은 아니며, 부모예측모형은 부모-자녀와 같은 혈연관계 뿐만 아니라 친분도가 상대적으로 높은 사람 간의 관계성을 도출하는 경우에도 이용될 수 있다.

이하에서는 설명의 편의를 위하여, 부모예측모형이 부모-자녀 관계를 예측하는데 이용되는 것을 전제로 설명하도록 한다.

이렇게 예측된 부모-자녀 관계는 다양한 분석 로직에 채용될 수 있다.

예를 들어, 금융사 서버는 예측된 부모-자녀 관계를 이용하여, 신규 금융서비스의 부모 유입 효과를 측정할 수 있다(S140). 이를 통해, 금융사 서버는 신규 금융서비스의 마케팅 효과를 정량적으로 도출할 수 있다.

다른 예로, 금융사 서버는 예측된 부모-자녀 관계를 이용하여, 본인 미사용 거래를 탐지할 수 있다(S150). 이를 통해, 금융사 서버는 이상금융거래를 탐지할 수 있다.

전술한 S140 단계 및 S150 단계에 대한 자세한 설명은 도 7 내지 도 9를 참조하여 후술하도록 한다. 다만, 본 발명의 부모예측모형이 S140 단계 및 S150 단계에서 설명한 한정되는 것은 아니며, 부모예측모형을 이용하여 도출된 사용자간 관계성을 이용하는 다양한 분석 로직에 적용될 수 있음은 물론이다.

도 2는 도 1의 S120 단계에 따른 부모예측모형의 일 예를 설명하기 위한 순서도이다.

도 2를 참조하면, 본 발명의 부모예측모형의 일 예에서, 금융사 서버의 부모예측모형은 계좌이체내역을 수신한다(S210). 여기에서, 계좌이체내역에는 송금인, 수취인, 이체금액, 적요, 비고 등에 관한 정보를 포함될 수 있다. 또한, 금융사 서버는 송금인 또는 수취인의 이름, 나이, 주소지, 메일주소 등을 데이터베이스에서 불러올 수 있다.

이어서, 부모예측모형은 계좌이체내역을 기초로, 송금인과 수취인 간의 나이차가 미리 정해진 나이기준치보다 큰지 여부를 판단한다(S221). 이 때, '나이기준치'는 송금인과 수취인 간의 관계 예측에 필요한 나이차의 기준값을 말한다. 상기 기준값은 모형 설계 시에 미리 설정할 수 있고, 통계 결과의 변동이나 특정 주기에 따라 기준값이 변동되도록 설계될 수 있다.

예를 들어, 부모예측모형은 송금인과 수취인의 나이차가 20세 이상인지 여부를 판단할 수 있으며, 나이기준치는 20살로 설정될 수 있다.

통계적으로 보았을 때, 자녀를 출산할 당시 여성의 연령은 대부분 20세 이상이다. 그리고, 해당 여성의 배우자도 비슷한 나이일 확률이 높기에, 부모-자녀 관계를 도출하는 나이기준치는 20살로 설정될 수 있다. 다만, 이는 하나의 예시에 불과하며, 상기 나이기준치는 변경되어 실시될 수 있다.

만약, 송금인과 수취인 간의 나이차가 나이기준치보다 작은 경우, 부모예측모형은 송금인과 수취인이 부모-자녀 관계가 아니라고 판단한다(S234).

반면, 송금인과 수취인 간의 나이차가 나이기준치보다 큰 경우, 부모예측모형은 송금인과 수취인의 주소지가 동일한지 여부를 판단한다(S223).

통계적으로 보았을 때, 중 · 고등학생의 99.1%, 대학생 · 대학원생의 91.4%가 부모와 같이 살고 있는 것으로 조사되었다(2018년 국가통계포털 출처). 즉, 10-20대의 부모를 예측하는 부모예측모형에서 주소지 동일 여부는 매우 중요한 조건에 해당할 수 있다. 만약, 송금인 또는 수취인의 주소지에 정보가 없는 경우, 카드 배송지와 같은 다른 주소에 관한 정보가 주소지로 대체되어 이용될 수 있다.

이어서, 부모예측모형은 송금인과 수취인의 나이차가 나이기준치보다 크고 송금인과 수취인의 주소지가 동일한 경우(즉, S221 단계 및 S223 단계를 만족하는 경우; 즉, Y11), 부모예측모형은 송금인과 수취인이 부모-자녀 관계라고 판단할 수 있다(S232).

반면, 부모예측모형은 S221 단계 및 S223 단계 중 어느 하나라도 만족하지 않는 경우, 송금인과 수취인이 부모-자녀 관계가 아니라고 판단할 수 있다(S234).

한편, 부모예측모형은 추가적인 조건 분석을 통해 부모-자녀 관계의 예측 정확도를 높일 수 있다(Y12).

구체적으로, 부모예측모형은 송금인과 수취인 간의 이체건수가 미리 정한 이체기준치보다 큰지 여부를 판단할 수 있다(S225). 예를 들어, 부모예측모형은 송금인과 수취인 간의 이체건수가 월 1회 이상 또는 총 5회 이상인지 여부를 이체기준치로 이용할 수 있다. 즉, 부모예측모형은 이체빈도 또는 총이체건수를 이용하여 이체기준치를 설정할 수 있다. 이체빈도가 잦거나, 총이체건수가 많은 경우, 송금인과 수취인이 부모-자녀 관계일 확률은 높을 수 있다.

또한, 부모예측모형은 송금인과 수취인의 성(family name)이 일치하는지 여부를 판단할 수 있다(S226). 송금인의 성(family name)과 수취인의 성(family name)이 같은 경우, 송금인과 수취인이 부모-자녀 관계일 확률은 높을 수 있다.

또한, 부모예측모형은 계좌이체내역에 미리 정해진 특정 키워드가 포함되는지 여부를 판단할 수 있다(S227). 예를 들어, 계좌이체내역에는 적요, 비고 또는 메모에 이체내용을 의미하는 키워드가 포함될 수 있다. 만약, 적요, 비고 또는 메모에 긴밀한 가족관계를 의미하는 특정 키워드(예를 들어, 가족, 애정, 용돈과 관련된 키워드)가 포함된 경우, 송금인과 수취인이 부모-자녀 관계일 확률은 높을 수 있다.

또한, 부모예측모형은 송금인과 수취인의 메일주소가 동일한지 여부를 판단하는 단계를 더 포함할 수 있다(S228). 전자기기에 익숙하지 않은 부모님을 대신하여 자녀가 자신의 이메일주소를 기재하는 경우가 많기에, 송금인과 수취인의 메일주소가 동일한 경우, 송금인과 수취인이 부모-자녀 관계일 확률은 높을 수 있다.

만약, 전술한 S225 단계 내지 S228 단계 중 어느 하나라도 만족하는 경우, 부모예측모형은 송금인과 수취인을 부모-자녀 관계로 판단할 수 있다(S232).

반면, S225 단계 내지 S228 단계를 모두 만족하지 않는 경우, 부모예측모형은 송금인과 수취인을 부모-자녀 관계가 아니라고 판단할 수 있다(S234).

다만, 본 발명의 부모예측모형에서 S225 단계 내지 S228 단계는 생략되어 실시될 수 있으며, 이 경우, S221 단계 및 S223 단계의 판단만으로 부모-자녀 관계가 판단될 수 있다.

또한, 본 발명의 다른 실시예에서 S221 단계 및 S223 단계에 부가적인 다른 판단조건이 추가될 수 있음은 물론이며, 각 단계의 순서는 변경되어 실시될 수 있다.

도 3은 도 2의 부모예측모형에서 이용되는 딥러닝 모듈을 개략적으로 설명하기 위한 블록도이다. 부모예측모형은 S223 단계를 판단함에 있어서, 사용자의 주소지 정보가 없는 경우, 딥러닝 모듈을 통해 사용자의 다른 정보들을 이용하여 주소지를 추정하는 동작을 수행할 수 있다.

구체적으로, 도 3을 참조하면, 딥러닝 모듈(DL)은 주소지 정보가 없는 사용자의 아이피 주소(IP Address) 및/또는 맥 어드레스(MAC Address)를 입력받고, 이에 대한 출력으로 해당 사용자의 주소지 정보를 출력할 수 있다.

이때, 딥러닝 모듈(DL)은 아이피 주소(IP Address) 및 맥 어드레스(MAC Address)에 대한 파라미터를 기준으로 데이터를 메모리에 저장하거나, 유사 데이터를 카테고리에 따라 분류할 수 있다. 다만, 이는 주소지 정보를 출력하는데 이용되는 사용자의 다른 정보의 일 예에 불과하며, 딥러닝 모듈(DL)에 인가되는 입력 데이터는 다양하게 추가 또는 변경되어 이용될 수 있다.

다만, 이하에서는 설명의 편의를 위하여 딥러닝 모듈(DL)의 입력단에 아이피 주소(IP Address) 및 맥 어드레스(MAC Address)가 인가되고, 이에 대한 출력으로 사용자의 주소지 정보나 도출되는 것을 예로 들어 설명하도록 한다.

이어서, 딥러닝 모듈(DL)은 빅데이터를 기초로 학습된 인공신경망을 이용하여 부모예측모형의 수행에 필요한 사용자의 주소지 정보를 도출할 수 있다.

또한, 딥러닝 모듈(DL)은 파라미터 모델링부(미도시)에서 도출된 별도의 파라미터에 대한 매핑 데이터를 기초로 인공신경망 학습을 수행할 수 있다. 딥러닝 모듈(DL)은 학습 인자로 입력되는 파라미터들에 대하여 머신 러닝(machine learning)을 수행할 수 있다. 이때, 금융사 서버의 메모리에는 머신 러닝에 사용되는 데이터, 결과 데이터 등이 저장될 수 있다.

보다 자세히 설명하자면, 머신 러닝(Machine Learning)의 일종인 딥러닝(Deep Learning) 기술은 데이터를 기반으로 다단계로 깊은 수준까지 내려가 학습하는 것이다.

딥러닝(Deep learning)은, 단계를 높여가면서 복수의 데이터들로부터 핵심적인 데이터를 추출하는 머신 러닝(Machine Learning) 알고리즘의 집합을 나타낸다.

딥러닝 모듈(DL)은 공지된 다양한 딥러닝 구조를 이용할 수 있다. 예를 들어, 딥러닝 모듈(DL)은 CNN(Convolutional Neural Network), RNN(Recurrent Neural Network), DBN(Deep Belief Network), GNN(Graph Neural Network) 등의 구조를 이용할 수 있다.

구체적으로, CNN(Convolutional Neural Network)은 사람이 물체를 인식할 때 물체의 기본적인 특징들을 추출한 다음 뇌 속에서 복잡한 계산을 거쳐 그 결과를 기반으로 물체를 인식한다는 가정을 기반으로 만들어진 사람의 뇌 기능을 모사한 모델이다.

RNN(Recurrent Neural Network)은 자연어 처리 등에 많이 이용되며, 시간의 흐름에 따라 변하는 시계열 데이터(Time-series data) 처리에 효과적인 구조로 매 순간마다 레이어를 쌓아올려 인공신경망 구조를 구성할 수 있다.

DBN(Deep Belief Network)은 딥러닝 기법인 RBM(Restricted Boltzman Machine)을 다층으로 쌓아 구성되는 딥러닝 구조이다. RBM(Restricted Boltzman Machine) 학습을 반복하여 일정 수의 레이어가 되면, 해당 개수의 레이어를 가지는 DBN(Deep Belief Network)이 구성될 수 있다.

GNN(Graphic Neural Network, 그래픽 인공신경망, 이하, GNN)는 특정 파라미터 간 매핑된 데이터를 기초로 모델링된 모델링 데이터를 이용하여, 모델링 데이터 간의 유사도와 특징점을 도출하는 방식으로 구현된 인공신경망 구조를 나타낸다.

한편, 딥러닝 모듈(DL)의 인공신경망 학습은 주어진 입력에 대하여 원하는 출력이 나오도록 노드간 연결선의 웨이트(weight)를 조정(필요한 경우 바이어스(bias) 값도 조정)함으로써 이루어질 수 있다. 또한, 인공신경망은 학습에 의해 웨이트(weight) 값을 지속적으로 업데이트시킬 수 있다. 또한, 인공신경망의 학습에는 역전파(Back Propagation) 등의 방법이 사용될 수 있다.

한편, 금융사 서버의 메모리에는 머신 러닝으로 미리 학습된 인공신경망(Artificial Neural Network)이 탑재될 수 있다.

딥러닝 모듈(DL)은 도출된 파라미터에 대한 모델링 데이터를 입력 데이터로 하는 머신 러닝(machine learning) 기반의 개선 프로세스 추천 동작을 수행할 수 있다. 이때, 인공신경망의 머신 러닝 방법으로는 준지도학습(semi-supervised learning)과 지도학습(supervised learning)이 모두 사용될 수 있다. 또한, 딥러닝 모듈(DL)은 설정에 따라 학습 후 차기 수행과제코드 및 예상개선율을 출력하기 위한 인공신경망 구조를 자동 업데이트하도록 제어될 수 있다.

추가적으로, 도면에 명확하게 도시하지는 않았으나, 본 발명의 다른 실시예에서, 딥러닝 모듈(DL)의 동작은 금융사 서버(미도시) 또는 별도의 클라우드 서버(미도시)에서 실시될 수 있다. 이하에서는, 전술한 본 발명의 실시예에 따른 딥러닝 모듈(DL)의 구성에 대해 살펴보도록 한다.

도 4는 도 3의 딥러닝 모듈(DL)의 구성을 도시한 도면이다.

도 4를 참조하면, 딥러닝 모듈(DL)은 사용자의 아이피 주소(IP Address) 및 맥 어드레스(MAC Address)의 파라미터를 입력노드로 하는 입력 레이어(input)와, 해당 사용자의 주소지(예를 들어, 집 주소, 직장주소)를 출력노드로 하는 출력 레이어(Output)와, 입력 레이어와 출력 레이어 사이에 배치되는 M 개의 히든 레이어를 포함한다.

또한, 본 발명의 다른 실시예에서, 딥러닝 모듈(DL)은 사용자의 아이피 주소(IP Address), 맥 어드레스(MAC Address), 및 시간의 파라미터를 입력노드로 하고, 해당 사용자의 주소지(예를 들어, 집 주소, 직장주소)를 출력노드로 하여 동작할 수 있다.

여기서, 각 레이어들의 노드를 연결하는 에지(edge)에는 가중치가 설정될 수 있다. 이러한 가중치 혹은 에지의 유무는 학습 과정에서 추가, 제거, 또는 업데이트 될 수 있다. 따라서, 학습 과정을 통하여, k개의 입력노드와 i개의 출력노드 사이에 배치되는 노드들 및 에지들의 가중치는 업데이트될 수 있다.

딥러닝 모듈(DL)이 학습을 수행하기 전에는 모든 노드와 에지는 초기값으로 설정될 수 있다. 그러나, 누적하여 정보가 입력될 경우, 노드 및 에지들의 가중치는 변경되고, 이 과정에서 학습인자로 입력되는 파라미터들(즉, 아이피 주소(IP Address) 및 맥 어드레스(MAC Address))과 출력노드로 할당되는 값(즉, 주소지) 사이의 매칭이 이루어질 수 있다.

추가적으로, 클라우드 서버(미도시)를 이용하는 경우, 딥러닝 모듈(DL)은 많은 수의 파라미터들을 수신하여 처리할 수 있다. 따라서, 딥러닝 모듈(DL)은 방대한 데이터에 기반하여 학습을 수행할 수 있다.

또한, 딥러닝 모듈(DL)을 구성하는 입력노드와 출력노드 사이의 노드 및 에지의 가중치는 딥러닝 모듈(DL)의 학습 과정에 의해 업데이트될 수 있다. 딥러닝 모듈(DL)에서 출력되는 파라미터는 주소지 정보 외에도 다른 사용자에 관한 정보(예를 들어, 나이)로 추가 확장될 수 있다.

도 5는 도 1의 S130 단계에서 나이를 추정하는데 이용되는 알고리즘을 설명하기 위한 개략도이다. 전술한 S221 단계를 수행함에 있어서, 사용자의 나이에 관한 정보가 없는 경우, 부모예측모형은 나이 예측 로직을 통해 사용자의 나이를 추정하는 동작을 수행할 수 있다.

구체적으로, 부모예측모형은 송금인 또는 수취인 중 나이정보가 없는 특정인에 대하여, 나이를 추정하는 알고리즘을 수행한다.

상기 알고리즘은 특정인(즉, 나이 정보가 없는 사용자)에게 이체를 수행한 모집단, 또는 특정인으로부터 이체 받은 모집단에 속한 구성원들의 나이의 평균값을 이용하여 특정인의 나이를 산출한다.

만약, 위 모집단 중 나이정보가 없는 구성원이 있는 경우, 해당 구성원에 대해서도 위에서 설명한 동일한 알고리즘을 이용하여 나이를 도출할 수 있다.

예를 들어, 도 5를 참조하면, C1 구성원에 대한 나이정보가 없는 경우, 부모예측모형은 C1 구성원에게 금액을 이체한 C4 및 C5 구성원의 나이의 평균을 기초로, C1 구성원의 나이를 도출할 수 있다.

이때, C4 구성원의 나이정보도 없는 경우, 부모예측모형은 C4 구성원에게 금액을 이체한 C7 및 C8 구성원의 나이의 평균을 기초로, C4 구성원의 나이를 도출할 수 있다.

한편, C5 구성원의 나이정보가 없는 경우, 부모예측모형은 C5 구성원에게 금액을 이체한 C7 내지 C9 구성원의 나이의 평균을 기초로, C5 구성원의 나이를 도출할 수 있다. 또한, 부모예측모형은 C5 구성원으로부터 금액을 이체받은 C1 내지 C3 구성원의 나이의 평균을 기초로, C5 구성원의 나이를 도출할 수 있다.

다른 예로, 나이를 추정하는 알고리즘은 라벨 전파 방법(label propagation method)을 이용하여 나이를 추정할 수 있다. 구체적으로, 라벨 전파 방법은 하기 [수학식 1]을 이용하여 나이를 추정할 수 있다.

[수학식 1]

구성원의 나이 = a*(이체 받은 모집단의 나이의 평균값)+b*(이체 받은 모집단에 이체한 모집단의 나이의 평균값)

여기에서, a 또는 b는 각 파라미터의 가중치이다. 이때, 수학식 1에 포함된 각 가중치(a 및 b)의 총합은 1이 된다. 또한, [수학식 1]에 '추가적인 가중치(예를 들어, c) 및 새로운 모집단의 나이의 평균값의 곱' 항목이 추가될 수 있음은 물론이다.

예를 들어, C1 구성원의 나이는 'a*(이체 받은 모집단(C4, C5)의 나이의 평균값)'과 'b*(이체 받은 모집단(C4, C5)에 이체한 모집단(C7~C9)의 나이의 평균값)'의 합이 될 수 있다.

정리하면, 부모예측모형은 나이정보가 없는 사용자의 경우, 해당 사용자에게 금액을 이체한 모집단 및/또는 해당 사용자로부터 금액을 이체 받은 모집단의 나이의 평균을 이용하여 해당 사용자의 나이를 도출함으로써, 전술한 부모-자녀 관계를 판단할 수 있다.

다만, 이는 부모예측모형에서 사용자의 나이를 도출하기 위한 하나의 방법에 지나지 않으며, 사용자의 나이를 도출하는 다른 다양한 방법이 이용될 수 있음은 물론이다.

예를 들어, 사용자의 나이를 도출하기 위해, 전술한 딥러닝 모듈이 이용될 수 있다. 다른 예로, 사용자의 나이를 도출하기 위해, 딥러닝 모듈과 나이 예측 로직의 결과로 도출된 각각의 나이의 평균값이 이용될 수 있다.

도 6은 도 1의 S120 단계에 따른 부모예측모형의 다른 예를 설명하기 위한 순서도이다.

도 6을 참조하면, 본 발명의 부모예측모형의 다른 예에서, 금융사 서버의 부모예측모형은 모임통장의 정보를 수신한다(S310). 금융사 서버는 복수의 사용자들에 의해 개설된 통장(즉, 모임통장)에 가입된 사용자들을 번들(bundle)로 묶어서 데이터베이스에 저장 또는 관리할 수 있다. 이때, 금융사 서버는 모임통장의 구성원들의 이름, 나이, 주소지, 메일주소 등의 정보를 데이터베이스로부터 불러올 수 있다.

이어서, 부모예측모형은 모임통장을 구성하는 구성원 중, 나이차가 미리 정해진 나이기준치보다 큰 구성원이 존재하는지 여부를 판단한다(S321).

예를 들어, 부모예측모형은 모임통장에 속한 특정 구성원을 기준으로, 다른 구성원 중에 나이차가 20세 이상인 구성원이 존재하는지 여부를 판단할 수 있다. 이때, 나이기준치는 20살로 설정될 수 있으나, 이는 하나의 예시에 불과하며, 상기 나이기준치는 변경되어 실시될 수 있다.

만약, 모임통장의 특정 구성원을 기준으로, 다른 구성원 중 나이차가 나이기준치보다 큰 구성원이 존재하지 않는 경우, 부모예측모형은 해당 모임통장에 부모-자녀 관계가 없다고 판단한다(S334).

반면, 모임통장의 특정 구성원을 기준으로, 다른 구성원 중 나이차가 나이기준치보다 큰 구성원이 존재하는 경우, 부모예측모형은 모임통장의 목적이 미리 정해진 항목에 해당하는지 여부를 판단한다(S323). 여기에서, 모임통장의 목적은 모임통장의 생성시 생성요청자에 의해 선택될 수 있다.

예를 들어, 모임통장의 목적이 '가족/생활비' 항목으로 선택된 경우, 해당 모임통장의 구성원이 부모-자녀 관계일 확률은 높을 수 있다.

이어서, 모임통장의 목적이 미리 정해진 항목에 해당하는 경우, 부모예측모형은 모임통장의 구성원의 수가 미리 정해진 기준범위 이내인지 여부를 판단한다(S325).

통계적으로, 가족을 구성하는 구성원의 수는 2 ~ 4명인 비율이 높기에, 모임통장의 구성원의 수가 미리 정해진 기준범위(예를 들어, 2 ~ 4명)인 경우, 모임통장의 구성원이 부모-자녀 관계일 확률은 높을 수 있다. 다만, 위 기준범위는 변경되어 실시될 수 있다.

이어서, 모임통장에 관한 정보가 S321 단계, S323 단계 및 S325 단계를 모두 만족하는 경우, 부모예측모형은 모임통장의 구성원이 부모-자녀 관계라고 판단할 수 있다(S332).

반면, S321 단계, S323 단계 및 S325 단계 중 어느 하나라도 만족하지 않는 경우, 부모예측모형은 송금인과 수취인이 부모-자녀 관계가 아니라고 판단할 수 있다(S334).

한편, 부모예측모형은 추가적인 조건 분석을 통해 부모-자녀 관계의 예측 정확도를 높일 수 있다.

구체적으로, 부모예측모형은 모임통장의 구성원들 간의 성(family name)이 일치하는지 여부를 판단할 수 있다(S326). 특정 구성원의 성(family name)과 다른 구성원(이하, 대상 구성원)의 성(family name)이 같은 경우, 특정 구성원과 대상 구성원이 부모-자녀 관계일 확률은 높을 수 있다.

또한, 부모예측모형은 모임통장의 이체내역에 미리 정해진 특정 키워드가 포함되는지 여부를 판단할 수 있다(S327). 예를 들어, 모임통장의 이체내역에는 적요, 비고 또는 메모에 이체내용을 의미하는 키워드가 포함될 수 있다. 만약, 적요, 비고 또는 메모에 긴밀한 가족관계를 의미하는 특정 키워드(예를 들어, 가족, 애정, 용돈과 관련된 키워드)가 포함된 경우, 특정 구성원과 대상 구성원이 부모-자녀 관계일 확률은 높을 수 있다.

또한, 부모예측모형은 특정 구성원과 대상 구성원의 메일주소가 동일한지 여부를 판단할 수 있다(S328). 전자기기에 익숙하지 않은 부모님을 대신하여 자녀가 자신의 이메일주소를 기재하는 경우, 또는 반대로 미성년자 자녀를 위해 부모님의 이메일로 가입하는 경우가 많기에, 특정 구성원과 대상 구성원의 메일주소가 동일한 경우, 특정 구성원과 대상 구성원이 부모-자녀 관계일 확률은 높을 수 있다.

만약, 전술한 S326 단계 내지 S328 단계 중 어느 하나라도 만족하는 경우, 부모예측모형은 특정 구성원과 대상 구성원을 부모-자녀 관계로 판단할 수 있다(S332).

반면, S326 단계 내지 S328 단계를 모두 만족하지 않는 경우, 부모예측모형은 특정 구성원과 대상 구성원을 부모-자녀 관계가 아니라고 판단할 수 있다(S334).

다만, 본 발명의 부모예측모형에서 S326 단계 내지 S328 단계는 생략되어 실시될 수 있으며, 이 경우, S321 단계, S323 단계 및 S325 단계의 판단만으로 부모-자녀 관계가 판단될 수 있다.

또한, 본 발명의 다른 실시예에서 S321 단계, S323 단계 및 S325 단계에 부가적인 다른 판단조건이 추가될 수 있음은 물론이며, 각 단계의 순서는 변경되어 실시될 수 있다.

도 7은 도 1의 S140 단계에 따른 신규 금융서비스의 부모 유입 효과를 측정하는 방법을 설명하기 위한 순서도이다. 도 8은 도 7의 부모유입률을 계산하는 방법을 설명하기 위한 그래프이다. 이하에서는 전술한 내용과 중복되는 내용은 생략하고, 차이점을 위주로 설명하도록 한다.

본 발명의 일 실시예에 따른 서비스 제공 방법은, 부모예측모형을 이용하여 신규 금융서비스의 부모 유입 효과를 측정할 수 있다. 여기에서, 신규 금융서비스는 금융사 서버에서 특정 연령층을 대상으로 제공하는 서비스를 의미할 수 있다.

신규 금융서비스의 운용 결과, 특정 연령층에 대한 사용자 경험을 통해 유입되는 다른 연령층의 유입률을 분석하는 동작은, 해당 금융서비스의 효과를 정량적으로 산출하는 도구로써 이용될 수 있다.

이하에서는 10대 고객을 대상으로 한 신규 금융서비스의 운용 결과, 10대 고객의 부모의 유입률을 계산하는 것을 예로 들어 설명하도록 한다. 다만, 이는 하나의 예시에 불과하며, 본 발명이 다양하게 변형되어 실시될 수 있음은 물론이다.

구체적으로 도 7을 참조하면, 우선 금융사 서버는 10대 고객의 가입 리스트를 생성한다(S441). 예를 들어, 금융사 서버는 매달 말일을 기준으로 해당월에 가입한 10대 고객의 리스트를 생성할 수 있다.

이어서, 금융사 서버는 전술한 부모예측모형을 이용하여 예측된 부모-자녀 관계를 기초로, 신규가입한 고객 중 10대 고객의 부모의 수를 카운트한다(S443). 즉, 금융사 서버는 10대 고객의 가입 이후 신규가입한 고객을 대상으로, 도출된 부모-자녀 관계의 수를 카운트할 수 있다.

이어서, 금융사 서버는 10대 고객 대비 부모-자녀 쌍의 비율을 계산한다(S445). 이때, 금융사 서버는 기간별 10대 고객 대비 부모-자녀 쌍의 비율을 계산할 수 있다.

이어서, 금융사 서버는 도출된 부모-자녀 쌍의 비율을 기초로, 부모유입률을 계산한다(S447). 이때, 금융사 서버는 코호트 분석(Cohort Analysis)을 이용하여 부모유입률을 계산할 수 있다.

여기에서, 코호트 분석이란 특정 기간에 특정의 경험을 공유한 집단간의 행동패턴을 비교하는 분석기법을 의미한다.

구체적으로, 도 8을 참조하면, 각 셀의 숫자는 분기별 신규 가입한 10대 고객을 기준으로, 경과 개월에 따른 부모-자녀 쌍의 비율(%)을 나타낸다. 코호트 분석을 통하여, 금융사 서버는 10대 고객에게 신규 금융 서비스를 제공한 이후, 유입되는 부모 고객수를 산출할 수 있다.

또한, 코호트 분석은 같은 기간에 신규 금융 서비스를 경험한 사용자 그룹이 시간이 지남에 따라 해당 서비스를 꾸준히 사용하는지(즉, 재사용율)를 분석하는데도 활용될 수 있다.

이어서, 금융사 서버는 산출된 결과 데이터를 이용하여 부모 유입 효과를 측정할 수 있다(S449).

다만, 본 실시예에서는 코호트 분석을 이용하여 신규 금융 서비스의 부모 유입 효과를 측정하는 것을 예로 들어 설명하였으나, 본 발명이 이에 한정되는 것은 아니다. 금융사 서버에서 부모-자녀 관계를 이용하여 금융 서비스의 효과를 정량적 또는 정성적으로 측정할 수 있는 다른 다양한 분석 기법을 적용할 수 있음은 물론이다.

따라서, 본 발명의 일 실시예에 따른 서비스 제공 방법은, 부모예측모형을 이용함으로써 신규 금융서비스의 소비자 반응을 정량적 지표로 변환할 수 있다. 이를 통해, 신규 금융서비스에 대한 평가가 가능하며, 차기 신규 금융서비스를 개선하는데 도움이 되는 지표로 이용할 수 있다.

도 9는 도 1의 S150 단계에 따른 본인 미사용 거래를 탐지하는 방법을 설명하기 위한 순서도이다. 마찬가지로, 이하에서는 전술한 내용과 중복되는 내용은 생략하고, 차이점을 위주로 설명하도록 한다.

본 발명의 다른 실시예에 따른 서비스 제공 방법은, 부모예측모형을 이용하여, 본인 미사용 거래를 탐지할 수 있다. 여기에서, 본인 미사용 거래를 탐지하는 동작은 이상금융거래탐지시스템(FDS)에서 채용되어 이용될 수 있으며, 부모예측모형을 포함하여 실시함은 물론이다.

구체적으로 도 9를 참조하면, 금융사 서버는 특정인의 대출거절 여부를 판단한다(S551). 이때, 특정인은 부모-자녀 관계의 부모 또는 자녀가 될 수 있으나, 이하에서는 설명의 편의를 위하여 특정인은 '자녀'이고, 특정인의 가족 구성원은 '부모'임을 예로 들어 설명하도록 한다.

이어서, 부모예측모형을 이용하여 예측된 부모-자녀 관계를 기초로, 금융사 서버는 상기 특정인의 가족 구성원의 대출신청 여부를 판단한다(S553).

만약, 특정인이 대출이 거절된 상태에서, 특정인의 가족 구성원의 대출신청이 이루어진 경우, 금융사 서버는 특정인 및 가족 구성원을 FDS 주의고객으로 분류할 수 있다(S555). 여기에서, FDS 주의고객은 이상금융거래 관점에서 의심되는 사용자군을 의미한다.

이어서, 가족구성원의 대출신청 이후, 금융사 서버는 일정시간 이내에 가족구성원이 특정인에게 일정 금액을 이체했는지 여부를 판단한다(S557). 예를 들어, 금융사 서버는 가족구성원의 대출신청 이후 24시간 이내에 특정인(즉, 자녀)에게 대출금액에 준하는 금액을 이체하는지 여부를 판단할 수 있다.

이어서, S557 단계를 만족하는 경우, 금융사 서버는 금융사 서버는 상기 특정인 및 가족 구성원을 FDS 위험고객으로 분류할 수 있다(S559). 여기에서, FDS 주의고객은 이상금융거래를 수행한 가능성이 높다고 인정되는 사용자군을 의미한다.

다만, 전술한 서비스 제공 방법에서 특정인은 '부모'이고, 특정인의 가족 구성원은 '자녀'일 수 있음은 물론이다.

따라서, 본 발명의 다른 실시예에 따른 서비스 제공 방법은, 부모예측모형을 이용함으로써, 본인 미사용 거래를 탐지할 수 있으며, 이를 통해 이상거래탐지의 정확도를 높일 수 있다. 또한, 본인 미사용 건으로 인해 발생하는 금융사고를 미연에 방지할 수 있다.

이상 첨부된 도면을 참조하여 본 발명의 실시예를 설명하였지만, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자는 본 발명이 그 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다.

Claims (11)

1. 계좌이체내역 또는 모임통장에 관한 정보를 수신하는 단계;
   상기 수신된 정보를 기초로 부모예측모형을 실행하여, 부모-자녀 관계를 예측하는 단계; 및
   상기 예측된 부모-자녀 관계를 이용하여, 신규 금융서비스의 부모 유입 효과를 측정하거나, 본인미사용 거래를 탐지하는 단계를 포함하되,
   상기 부모예측모형은,
   상기 계좌이체내역을 기초로, 송금인과 수취인 간의 나이차를 이용하여, 상기 송금인과 상기 수취인이 부모-자녀 관계인지 여부를 판단하되,
   상기 송금인 또는 상기 수취인 중 나이정보가 없는 특정인에 대하여, 나이를 추정하는 알고리즘을 수행하고,
   상기 알고리즘은,
   상기 특정인에게 이체를 수행한 모집단 또는 상기 특정인으로부터 이체받은 모집단의 나이의 평균값을 이용하며,
   상기 모집단 중 나이정보가 없는 구성원의 경우, 동일한 상기 알고리즘을 이용하여 해당 구성원의 나이를 도출하는
   부모예측모형을 이용한 서비스 제공 방법.
   
2. 제1 항에 있어서,
   상기 부모예측모형은,
   (a1) 상기 계좌이체내역을 기초로, 송금인과 수취인 간의 나이차가 미리 정해진 나이기준치보다 큰지 여부를 판단하는 단계와,
   (a2) 상기 나이차가 상기 나이기준치보다 큰 경우, 상기 송금인과 상기 수취인의 주소지가 동일한지 여부를 판단하는 단계를 포함하고,
   상기 (a1) 및 (a2) 단계를 모두 만족하는 경우, 상기 송금인과 상기 수취인을 부모-자녀 관계로 판단하는
   부모예측모형을 이용한 서비스 제공 방법.
   
3. 제2 항에 있어서,
   상기 부모예측모형은,
   (a3) 상기 송금인과 상기 수취인 간의 이체건수가 미리 정한 이체기준치보다 큰지 여부를 판단하는 단계와,
   (a4) 상기 송금인과 상기 수취인의 성(family name)이 일치하는지 여부를 판단하는 단계와,
   (a5) 상기 계좌이체내역에 미리 정해진 특정 키워드가 포함되는지 여부를 판단하는 단계와,
   (a6) 상기 송금인과 상기 수취인의 메일주소가 동일한지 여부를 판단하는 단계를 더 포함하되,
   상기 (a1) 및 (a2) 단계를 모두 만족하고, 상기 (a3) 내지 (a6) 중 어느 하나를 만족하는 경우, 상기 송금인과 상기 수취인을 부모-자녀 관계로 판단하는
   부모예측모형을 이용한 서비스 제공 방법.
   
4. 삭제
5. 제2 항에 있어서,
   상기 (a2) 단계는,
   상기 송금인 또는 상기 수취인의 주소지를 도출하기 위한 파라미터를 산출하는 단계와,
   딥러닝 모듈에 상기 파라미터를 학습인자로 입력하고, 이에 대한 출력으로 상기 송금인 또는 상기 수취인의 예상주소지를 수신하는 단계를 포함하되,
   상기 파라미터는, 상기 송금인 또는 상기 수취인의 IP 어드레스 및 MAC 어드레스를 포함하는
   부모예측모형을 이용한 서비스 제공 방법.
   
6. 제5 항에 있어서,
   상기 딥러닝 모듈은,
   상기 파라미터를 입력노드로 하는 입력 레이어와,
   상기 예상주소지를 출력노드로 하는 출력 레이어와,
   상기 입력 레이어와 상기 출력 레이어 사이에 배치되는 하나 이상의 히든 레이어를 포함하고,
   상기 입력노드와 상기 출력노드 사이의 노드 및 에지의 가중치는 상기 딥러닝 모듈의 학습 과정에 의해 업데이트되는
   부모예측모형을 이용한 서비스 제공 방법.
   
7. 계좌이체내역 또는 모임통장에 관한 정보를 수신하는 단계;
   상기 수신된 정보를 기초로 부모예측모형을 실행하여, 부모-자녀 관계를 예측하는 단계; 및
   상기 예측된 부모-자녀 관계를 이용하여, 신규 금융서비스의 부모 유입 효과를 측정하거나, 본인미사용 거래를 탐지하는 단계를 포함하되,
   상기 부모예측모형은,
   (b1) 상기 모임통장을 구성하는 구성원 중, 나이차가 미리 정해진 나이기준치보다 큰 구성원이 존재하는지 여부를 판단하는 단계와,
   (b2) 상기 모임통장의 목적이 미리 정해진 항목에 해당하는지 여부를 판단하는 단계와,
   (b3) 상기 모임통장의 구성원의 수가 미리 정해진 숫자 이상인지 여부를 판단하는 단계를 포함하고,
   상기 (b1) 내지 (b3) 단계를 모두 만족하는 경우, 상기 구성원 간의 관계를 부모-자녀 관계로 판단하는
   부모예측모형을 이용한 서비스 제공 방법.
   
8. 제7 항에 있어서,
   상기 부모예측모형은,
   (b4) 특정 구성원과 대상 구성원의 성(family name)이 일치하는지 여부를 판단하는 단계와,
   (b5) 상기 모임통장의 이체내역에 미리 정해진 특정 키워드가 포함되는지 여부를 판단하는 단계와,
   (b6) 상기 특정 구성원과 상기 대상 구성원의 메일주소가 동일한지 여부를 판단하는 단계를 더 포함하되,
   상기 (b1) 내지 (b3) 단계를 모두 만족하고, 상기 (b4) 내지 (b6) 중 어느 하나를 만족하는 경우, 상기 특정 구성원과 상기 대상 구성원을 부모-자녀 관계로 판단하는
   부모예측모형을 이용한 서비스 제공 방법.
   
9. 계좌이체내역 또는 모임통장에 관한 정보를 수신하는 단계;
   상기 수신된 정보를 기초로 부모예측모형을 실행하여, 부모-자녀 관계를 예측하는 단계;
   10대 고객의 가입 리스트를 생성하는 단계;
   상기 예측된 부모-자녀 관계를 기초로, 상기 10대 고객의 가입 이후 신규가입한 고객을 대상으로 부모-자녀 관계의 수를 카운트하는 단계;
   기간별 상기 10대 고객 대비 부모-자녀 쌍의 비율을 계산하는 단계; 및
   기간에 따른 상기 부모-자녀 쌍의 증감비율을 기초로, 부모 유입 효과를 도출하는 단계를 포함하는
   부모예측모형을 이용한 서비스 제공 방법.
   
10. (c1) 계좌이체내역 또는 모임통장에 관한 정보를 수신하는 단계;
    (c2) 상기 수신된 정보를 기초로 부모예측모형을 실행하여, 부모-자녀 관계를 예측하는 단계;
    (c3) 특정인의 대출거절 여부를 판단하는 단계;
    (c4) 상기 예측된 부모-자녀 관계를 기초로, 상기 특정인의 가족 구성원의 대출신청 여부를 판단하는 단계; 및
    (c5) 일정시간 이내에 상기 가족 구성원이 상기 특정인에게 금액 이체여부를 판단하는 단계를 포함하는
    부모예측모형을 이용한 서비스 제공 방법.
    
11. 제10 항에 있어서,
    상기 (c3) 및 (c4) 단계를 만족하는 경우, FDS 주의고객으로 상기 특정인과 상기 가족 구성원을 분류하고,
    상기 (c3) 내지 (c5) 단계를 모두 만족하는 경우, FDS 위험고객으로 상기 특정인과 상기 가족 구성원을 분류하는 단계를 더 포함하는
    부모예측모형을 이용한 서비스 제공 방법.
    

Images