KR102433932B1 - 세그먼트별 크레딧 투 맵을 기반으로 금융 서비스를 제공하는 방법 및 이러한 방법을 수행하는 장치 - Google Patents

세그먼트별 크레딧 투 맵을 기반으로 금융 서비스를 제공하는 방법 및 이러한 방법을 수행하는 장치 Download PDF

Info

Publication number
KR102433932B1
KR102433932B1 KR1020210180627A KR20210180627A KR102433932B1 KR 102433932 B1 KR102433932 B1 KR 102433932B1 KR 1020210180627 A KR1020210180627 A KR 1020210180627A KR 20210180627 A KR20210180627 A KR 20210180627A KR 102433932 B1 KR102433932 B1 KR 102433932B1
Authority
KR
South Korea
Prior art keywords
segment
financial
credit
map
value
Prior art date
Application number
KR1020210180627A
Other languages
English (en)
Inventor
강정석
Original Assignee
주식회사 에이젠글로벌
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 주식회사 에이젠글로벌 filed Critical 주식회사 에이젠글로벌
Priority to KR1020210180627A priority Critical patent/KR102433932B1/ko
Priority to KR1020220096821A priority patent/KR20230091763A/ko
Application granted granted Critical
Publication of KR102433932B1 publication Critical patent/KR102433932B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/20—Drawing from basic elements, e.g. lines or circles
    • G06T11/206—Drawing of charts or graphs

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Technology Law (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)

Abstract

본 발명은 세그먼트별 크레딧 투 맵을 기반으로 금융 서비스를 제공하는 방법 및 이러한 방법을 수행하는 장치에 관한 것이다. 세그먼트별 크레딧 투 맵을 기반으로 금융 서비스를 제공하는 방법은 크레딧 투 맵 정보 수신부가 크레딧 투 맵 생성 장치로부터 세그먼트에 대한 크레딧 투 맵을 수신하는 단계, 제1 금융 서비스 제공부가 세그먼트에 제1 금융 서비스를 제공하는 단계와 제2 금융 서비스 제공부가 세그먼트를 기반으로 금융 상품을 생성하고 세그먼트 외의 사용자 장치로 제2 금융 서비스를 제공하는 단계를 포함할 수 있되, 크레딧 투 맵은 세그먼트에 대한 시간에 따른 예측값과 결과값을 제공하여 예측 대비 결과의 차이를 수치화한 그래프일 수 있다.

Description

세그먼트별 크레딧 투 맵을 기반으로 금융 서비스를 제공하는 방법 및 이러한 방법을 수행하는 장치{METHOD FOR PROVIDING FINANCIAL SERVICES BASED ON CREDIT TO MAP OF EACH SEGMENT AND APPARATUS FOR PERFORMING THE METHOD}
본 발명은 세그먼트별 크레딧 투 맵을 기반으로 금융 서비스를 제공하는 방법 및 이러한 방법을 수행하는 장치에 관한 것이다. 보다 상세하게는 세그먼트별 크레딧 투 맵을 기반으로 세그먼트별로 적응적인 금융 서비스를 제공하기 위한 세그먼트별 크레딧 투 맵을 기반으로 금융 서비스를 제공하는 방법 및 이러한 방법을 수행하는 장치에 관한 것이다.
4차 산업혁명에 의해 촉발된 지능 정보 사회로 진입하면서 데이터의 무한한 활용 가능성이 데이터 산업의 변화를 초래하고 있다. 데이터 시대가 도래함에 따라 향후 데이터 산업의 수준이 국가 사이에 경쟁력의 차이를 결정하게 될 것이다.
특히 금융 시장에서의 빅데이터 인프라 구축은 매우 시급할 뿐만 아니라, 머지 않아 국가의 데이터 산업의 향방을 좌우할만큼 중요한 자산이 되었다. 금융 빅데이터 인프라는 빅데이터 개방 시스템, 데이터 거래소, 데이터 전문기관 등으로 구성된다.
이러한 빅데이터 기반의 사용자 금융 데이터를 기반으로 한 새로운 금융 상품에 대한 연구가 필요하다. 사용자 금융 상품에 대한 인공 지능 기반의 학습을 통해 다양한 리스크 분석이 가능하고, 리스크 분석을 기반으로 현재까지 없었던 새로운 금융 서비스를 사용자들에게 제공할 수 있다.
따라서, 사용자의 금융 데이터를 활용하고 사용자의 금융 데이터를 기반으로 다양한 금융 서비스를 제공하기 위한 구체적인 방법에 대한 연구가 필요하다.
본 발명은 상술한 문제점을 모두 해결하는 것을 그 목적으로 한다.
또한, 본 발명은, 세그먼트별 트래킹을 통해 크레딧 투 맵을 조정하여 상황 및 환경 변화에 따라 적응적으로 세그먼트의 상태를 판단하여 세그먼트에 대한 최적의 금융 서비스를 제공하는 것을 목적으로 한다.
또한, 본 발명은, 세그먼트별 관계 설정 및 세그먼트 센서의 다양화를 통해 세그먼트별로 보다 정확한 결과값을 생성하여 세그먼트 상태를 판단하여 세그먼트에 대한 최적의 금융 서비스를 제공하는 것을 목적으로 한다.
상기 목적을 달성하기 위한 본 발명의 대표적인 구성은 다음과 같다.
본 발명의 일 실시예에 따르면, 세그먼트별 크레딧 투 맵을 기반으로 금융 서비스를 제공하는 방법은 크레딧 투 맵 정보 수신부가 크레딧 투 맵 생성 장치로부터 세그먼트에 대한 크레딧 투 맵을 수신하는 단계, 제1 금융 서비스 제공부가 상기 세그먼트에 제1 금융 서비스를 제공하는 단계와 제2 금융 서비스 제공부가 상기 세그먼트를 기반으로 금융 상품을 생성하고 상기 세그먼트 외의 사용자 장치로 제2 금융 서비스를 제공하는 단계를 포함할 수 있되, 상기 크레딧 투 맵은 상기 세그먼트에 대한 시간에 따른 예측값과 상기 결과값을 제공하여 예측 대비 결과의 차이를 수치화한 그래프일 수 있다.
한편, 상기 제1 금융 서비스 제공부는 기준 예측값을 기반으로 상기 세그먼트로 상기 제1 금융 서비스를 제공하고, 이후 상기 크레딧 투 맵의 조정시 상기 크레딧 투 맵을 사용하여 제공된 상기 제1 금융 서비스를 조정하고, 상기 제1 금융 서비스 제공부는 상기 세그먼트 및 상기 세그먼트에 관련된 다른 세그먼트에 발생된 이상 상황을 고려하여 상기 제1 금융 서비스를 조정하고, 상기 이상 상황은 부정 임계값을 고려하여 결정되고, 상기 부정 임계값은 상기 크레딧 투 맵 상에서 시간에 따라 변화되는 상기 예측값, 상기 예측값과 상기 결과값의 차이를 기반으로 결정될 수 있다.
또한, 상기 제2 금융 서비스 제공부는 상기 세그먼트 중 금융 상품을 생성 가능한 금융 세그먼트의 금융 리스크 예측값 및 상기 금융 리스크 예측값과 금융 리스크 결과값과 차이값을 기반으로 상기 금융 세그먼트를 분류하고, 상기 제2 금융 서비스 제공부는 상기 금융 세그먼트를 풀링하여 생성한 금융 세그먼트 풀을 기반으로 상기 금융 상품을 생성하고, 상기 금융 상품은 상기 크레딧 투 맵의 변화에 따라 이율이 변동될 수 있다.
본 발명의 다른 실시예에 따르면, 세그먼트별 크레딧 투 맵을 기반으로 금융 서비스를 제공하는 금융 서비스 장치는 크레딧 투 맵 생성 장치로부터 세그먼트에 대한 크레딧 투 맵을 수신하도록 구현되는 크레딧 투 맵 정보 수신부, 상기 세그먼트에 제1 금융 서비스를 제공하도록 구현되는 제1 금융 서비스 제공부와 상기 세그먼트를 기반으로 금융 상품을 생성하고 상기 세그먼트 외의 사용자 장치로 제2 금융 서비스를 제공하도록 구현되는 제2 금융 서비스 제공부를 포함하되, 상기 크레딧 투 맵은 상기 세그먼트에 대한 시간에 따른 예측값과 상기 결과값을 제공하여 예측 대비 결과의 차이를 수치화한 그래프일 수 있다.
한편, 상기 제1 금융 서비스 제공부는 기준 예측값을 기반으로 상기 세그먼트로 상기 제1 금융 서비스를 제공하고, 이후 상기 크레딧 투 맵의 조정시 상기 크레딧 투 맵을 사용하여 제공된 상기 제1 금융 서비스를 조정하고, 상기 제1 금융 서비스 제공부는 상기 세그먼트 및 상기 세그먼트에 관련된 다른 세그먼트에 발생된 이상 상황을 고려하여 상기 제1 금융 서비스를 조정하고, 상기 이상 상황은 부정 임계값을 고려하여 결정되고, 상기 부정 임계값은 상기 크레딧 투 맵 상에서 시간에 따라 변화되는 상기 예측값, 상기 예측값과 상기 결과값의 차이를 기반으로 결정될 수 있다.
또한, 상기 제2 금융 서비스 제공부는 상기 세그먼트 중 금융 상품을 생성 가능한 금융 세그먼트의 금융 리스크 예측값 및 상기 금융 리스크 예측값과 금융 리스크 결과값과 차이값을 기반으로 상기 금융 세그먼트를 분류하고, 상기 제2 금융 서비스 제공부는 상기 금융 세그먼트를 풀링하여 생성한 금융 세그먼트 풀을 기반으로 상기 금융 상품을 생성하고, 상기 금융 상품은 상기 크레딧 투 맵의 변화에 따라 이율이 변동될 수 있다.
본 발명에 의하면, 세그먼트별 트래킹을 통해 크레딧 투 맵을 조정하여 상황 및 환경 변화에 따라 적응적으로 세그먼트의 상태를 판단하여 세그먼트에 대한 최적의 금융 서비스가 제공될 수 있다.
또한, 본 발명에 의하면, 세그먼트별 관계 설정 및 세그먼트 센서의 다양화를 통해 세그먼트별로 보다 정확한 결과값을 생성하여 세그먼트 상태를 판단하여 세그먼트에 대한 최적의 금융 서비스가 제공될 수 있다.
도 1은 본 발명의 실시예에 따른 세그먼트별 예측 모델 생성 시스템을 나타낸 개념도이다.
도 2는 본 발명의 실시예에 따른 피처 엔지니어링 방법을 나타낸 개념도이다.
도 3은 본 발명의 실시예에 따른 타겟 인공 지능 모델을 결정하는 방법을 나타낸 개념도이다.
도 4는 본 발명의 실시예에 따른 인공 지능 모델의 재학습 방법을 나타낸 개념도이다.
도 5는 본 발명의 실시예에 따른 예측 서버에서 파생 변수 생성 모듈의 동작을 나타낸 개념도이다.
도 6은 본 발명의 실시예에 따른 변수별 중요도를 결정하는 방법을 나타낸 개념도이다.
도 7은 본 발명의 실시예에 따른 크레딧 투 맵의 생성 방법을 나타낸 개념도이다.
도 8은 본 발명의 실시예에 따른 크레딧 투 맵 생성 장치를 나타낸 개념도이다.
도 9는 본 발명의 실시예에 따른 크레딧 투 맵 생성 방법을 나타낸 개념도이다.
도 10은 본 발명의 실시예에 따른 세그먼트 계층을 나타낸 개념도이다.
도 11은 본 발명의 실시예에 따른 세그먼트 트래킹 방법을 나타낸 개념도이다.
도 12는 본 발명의 실시예에 따른 세그먼트 계측별 세그먼트 센서의 설정을 나타낸 개념도이다.
도 13은 본 발명의 실시예에 따른 세그먼트 센서의 결과값 생성을 나타낸 개념도이다.
도 14는 본 발명의 실시예에 따른 세그먼트 센서 관리 장치를 나타낸 개념도이다.
도 15는 본 발명의 실시예에 따른 세그먼트에 대한 금융 서비스 제공을 나타낸 개념도이다.
도 16은 본 발명의 실시예에 따른 금융 서비스 제공하는 방법을 나타낸 개념도이다.
도 17은 본 발명의 실시예에 따른 금융 서비스 장치를 나타낸 개념도이다.
후술하는 본 발명에 대한 상세한 설명은, 본 발명이 실시될 수 있는 특정 실시예를 예시로서 도시하는 첨부 도면을 참조한다. 이러한 실시예는 당업자가 본 발명을 실시할 수 있기에 충분하도록 상세히 설명된다. 본 발명의 다양한 실시예는 서로 다르지만 상호 배타적일 필요는 없음이 이해되어야 한다. 예를 들어, 본 명세서에 기재되어 있는 특정 형상, 구조 및 특성은 본 발명의 정신과 범위를 벗어나지 않으면서 일 실시예로부터 다른 실시예로 변경되어 구현될 수 있다. 또한, 각각의 실시예 내의 개별 구성요소의 위치 또는 배치도 본 발명의 정신과 범위를 벗어나지 않으면서 변경될 수 있음이 이해되어야 한다. 따라서, 후술하는 상세한 설명은 한정적인 의미로서 행하여 지는 것이 아니며, 본 발명의 범위는 특허청구범위의 청구항들이 청구하는 범위 및 그와 균등한 모든 범위를 포괄하는 것으로 받아들여져야 한다. 도면에서 유사한 참조부호는 여러 측면에 걸쳐서 동일하거나 유사한 구성요소를 나타낸다.
이하에서는, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 본 발명을 용이하게 실시할 수 있도록 하기 위하여, 본 발명의 여러 바람직한 실시예에 관하여 첨부된 도면을 참조하여 상세히 설명하기로 한다.
이하, 본 발명의 실시예에서는 설명의 편의상 금융 관련된 세그먼트에 대한 예측 방법이 개시되나, 금융 외에 다른 다양한 영역에 관련된 세그먼트에 대한 예측 모델 생성 및 예측도 가능하고, 이러한 실시예 또한 본 발명의 권리 범위에 포함될 수 있다.
또한, 이하 본 발명의 실시예에서 사용되는 '학습'은 인공지능 기반의 학습을 의미하는 용어로 사용된다.
도 1은 본 발명의 실시예에 따른 세그먼트별 예측 모델 생성 시스템을 나타낸 개념도이다.
도 1에서는 세그먼트별 예측 모델을 생성하기 위한 세그먼트 예측 모델 생성 시스템이 개시된다.
도 1을 참조하면, 세그먼트 예측 모델 시스템은 데이터베이스(100), 학습 서버(120), 예측 서버(140), 운영 서버(160)를 포함할 수 있다.
데이터베이스(100)는 학습을 위한 데이터, 재학습을 위한 데이터를 저장하고 학습 서버(120)로 전달하기 위해 구현될 수 있다.
학습 서버(120)는 데이터베이스(100)에 의해 전송된 학습 데이터를 기반으로 학습을 수행하기 위해 구현될 수 있다. 학습 서버(120)는 복수의 세그먼트 각각에 대한 복수의 인공 지능 모델을 포함할 수 있다. 세그먼트는 예측 수행 대상이 되는 하나의 단위일 수 있다. 예를 들어, 판매자를 기준으로 한 세그먼트는 판매자가 판매하는 상품, 판매자가 상품을 판매하는 온라인 몰 등이 하나의 세그먼트로 설정될 수 있다.
학습 서버(120) 상에서 1차적으로 학습된 인공 지능 모델 중 임계 성능 이상을 가지는 모델은 예측 서버(140)로 전달될 수 있다. 학습 서버(120) 상의 인공 지능 모델은 후보 인공 지능 모델이라는 용어로 표현되고, 예측 서버(140)로 전송되어 예측값을 생성하는 인공 지능 모델은 타겟 인공 지능 모델이라는 용어로 표현될 수 있다.
예측 서버(140)는 타겟 인공 지능 모델을 기반으로 운영 서버(160)의 요청에 따른 예측값을 생성하여 운영 서버(160)로 전달할 수 있다. 예측 서버(140)는 복수의 세그먼트 각각에 대해 적어도 하나의 타겟 인공 지능 모델을 포함할 수 있다.
예를 들어, 운영 서버(160)에서 특정 판매자의 신용에 관련된 예측값을 요청하는 경우, 예측 서버(140) 상의 타겟 인공 지능 모델 중 특정 판매자의 신용에 관련된 적어도 하나의 타겟 인공 지능 모델 상에서 신용과 관련된 예측값을 생성하여 운영 서버(160)로 전송할 수 있다. 예측값은 스코어와 같이 수치화된 값일 수 있다.
예측 서버(140) 상에는 파생 변수 생성 모듈이 포함될 수 있다. 파생 변수 생성 모듈은 변수를 파생 변수로 생성하고, 파생 변수는 타겟 인공 지능 모델의 추가적인 학습을 위해 활용되어 타겟 인공 지능 모델의 성능을 높일 수 있다.
학습 서버(120) 상의 후보 인공 지능 모델 및/또는 예측 서버(140) 상의 타겟 인공 지능 모델은 피처 엔지니어링(feature engineering)(데이터 전처리 및 변수 선택)을 기반으로 한 변수 변경, 변수 추가를 통해 다양한 인공 지능 학습이 수행될 수 있다.
운영 서버(160)는 예측 서버(140) 상으로 예측값을 요청하고, 운영 서버(160)로부터 예측값을 수신할 수 있다. 예측 서버(140)와 운영 서버(160)는 스위치를 통해 연결될 수 있다. 전술한 바와 같이 운영 서버(160)는 특정 판매자의 신용에 관련된 예측값을 요청할 수 있고, 예측 서버(140)는 운영 서버(160)의 요청에 따른 예측값을 전송할 수 있다.
운영 서버(160)는 예측값을 기준으로 한 결과값에 대한 정보를 다시 학습 서버(120) 및/또는 예측 서버(140)로 전송할 수 있다. 학습 서버(120) 및/또는 예측 서버(140)는 결과값을 기반으로 생성된 재학습 데이터를 통해 재학습을 수행할 수 있다.
도 2는 본 발명의 실시예에 따른 피처 엔지니어링 방법을 나타낸 개념도이다.
도 2에서는 적응적인 변수 선택을 통해 인공 지능 모델의 성능을 향상시키는 피처 엔지니어링 방법이 개시된다.
도 2를 참조하면, 피처 엔지니어링을 통해 현재의 인공 지능 모델의 성능에 큰 영향을 주는 변수가 아니더라도 추가적으로 반영하여 새로운 유형 및 예측 환경 변화에 대응할 수 있다. 또한, 재학습을 실행하였음에도 인공 지능 모델의 성능이 지속적으로 감소할 경우 새로운 변수를 추가하여 인공 지능 모델의 성능을 개선할 수 있다.
피처 엔지니어링은 데이터 전처리 과정(200) 및 변수 선택 과정(220)을 포함할 수 있다.
데이터 전처리 과정(200)에서 중복값이 제거되고, 결측값 분석을 통해 변수를 제거하거나 결측값에 대한 변환이 수행될 수 있다.
변수 선택 과정(220)을 통해 우수한 성능을 가지는 타겟 변수가 적응적으로 선택될 수 있다. 타겟 변수의 적응적 선택을 위해 상관 관계 분석, PCA(principle component analysis) 분석, lasso regression/ridge regression(라쏘 회귀/릿지 회귀)을 통해 유효 변수 선정이 수행될 수 있다. 또한, 타겟 변수의 적응적 선택을 위해 도메인 지식(knowledge), 피처 엔지니어링을 이용한 파생 변수 생성이 수행될 수 있다. 또한, 타겟 변수의 적응적 선택을 위해 인공 지능 모델의 학습 과정에서 변수 중요도(feature importance)를 통한 유의미한 변수 선별 및 입력 항목 생성이 수행될 수 있다. 변수 중요도는 변수의 피처 스파이크(feature spike)를 고려하여 결정될 수 있다. 피처 스파이크는 예측값(스코어)를 생성하기 위해 해당 피처(변수)가 영향을 끼친 정도를 기반으로 결정된다.
인공 지능 모델의 성능을 높여줄 수 있다고 판단된 타겟 변수를 기반으로 학습을 수행한 후, 기존 변수만을 사용한 인공 지능 모델과 오분류율, AUC(area under the curve) 등으로 성능 비교를 하여 지속적인 인공 지능 모델의 강화가 이루어질 수 있다.
예를 들어, 변수 A(250)는 하위 변수 a1~an을 포함하고, 변수 B(260)는 하위 변수 b1~bn을 포함하고, 변수 C(270)는 하위 변수 c1~cn을 포함할 수 있다.
인공 지능 모델X는 하위 변수 a1~an 중 일부, 하위 변수 b1~bn 중 일부, 하위 변수 c1~cn 중 일부를 기반으로 학습을 수행할 수 있다. 이후, 타겟 변수가 새롭게 설정되는 경우, 인공 지능 모델X는 하위 변수 a1~an 에서 타겟 변수를 추가하고, 하위 변수 b1~bn 에서 타겟 변수를 추가하고, 하위 변수 c1~cn 에서 타겟 변수를 추가하여 학습을 수행할 수 있다.
도 3은 본 발명의 실시예에 따른 타겟 인공 지능 모델을 결정하는 방법을 나타낸 개념도이다.
도 3에서는 학습 서버 상의 인공 지능 모델인 후보 인공 지능 모델 중 타겟 인공 지능 모델을 결정하기 위한 방법이 개시된다.
도 3을 참조하면, 세그먼트별 변수가 정의되고, 세그먼트별 변수들은 다양한 변수 집합으로 정의되어 세그먼트별로 다양한 학습을 위해 사용될 수 있다.
예를 들어, 세그먼트A를 위한 변수 집합a 내지 변수 집합z가 존재하고, 변수 집합a 내지 변수 집합z는 학습 서버 상의 복수의 서로 다른 인공 지능 모델 상에 입력되어 인공 지능 모델을 학습시킬 수 있다.
예를 들어, 인공 지능 모델은 학습시키는 알고리즘은 Imbalanced(IMB) DNN(deep neural network), XGBoost, RNN(recurrent neural network), LSTM(long short term memory) 등 다양한 학습 알고리즘일 수 있다.
복수의 인공 지능 학습 알고리즘에 대한 검증을 통해 특정 변수 집합에 대해 최적의 학습 알고리즘이 결정되고, 최적의 학습 알고리즘으로 학습된 후보 인공 지능 모델 중에서 타겟 인공 지능 모델이 결정될 수 있다. 최적의 학습 알고리즘은 다양한 성능 지표(예를 들어, 신뢰도)를 기반으로 결정될 수 있다. 타겟 인공 지능 모델은 학습 서버에서 예측 서버로 이동되어 운영 서버의 요청에 따라 예측값을 생성하기 위해 사용될 수 있다.
도 4는 본 발명의 실시예에 따른 인공 지능 모델의 재학습 방법을 나타낸 개념도이다.
도 4에서는 인공 지능 모델을 재학습시켜서 인공 지능 모델을 교체하기 위한 방법이 개시된다.
도 4를 참조하면, 운영 서버는 예측값에 대한 결과값을 재학습 데이터로서 학습 서버 및 예측 서버로 전송할 수 있다. 재학습 데이터가 전송되는 경우, 재학습 데이터를 기반으로 새로운 재학습 데이터 집합이 설정되고, 재학습 데이터 집합을 기반으로 후보 인공 지능 모델 및/또는 타겟 인공 지능 모델에 대한 재학습이 수행될 수 있다.
재학습 결과를 기반으로 다시 성능 지표를 기반으로 최적의 학습 알고리즘이 재결정되고, 타겟 인공 지능 모델도 재결정될 수 있다. 예측에 대한 결과값을 기반으로 재학습된 후보 인공 지능 모델, 타겟 후보 인공 지능 모델은 재학습 인공 지능 모델로서 후보 인공 지능 모델(결과값)(400), 타겟 후보 인공 지능 모델(결과값)(420)이라는 용어로 표현될 수 있다.
또한, 인공 지능 모델은 시간에 따른 변수 확장을 통한 재학습 데이터 집합을 새롭게 정의하여 학습될 수도 있다. 예를 들어, 환경 변화에 따라 학습을 위한 신규 변수가 추가될 수 있고, 추가 변수에 따른 재학습을 통해 후보 인공 지능 모델이 새롭게 생성될 수 있다. 추가 변수 확장을 통해 재학습된 후보 인공 지능 모델, 타겟 후보 인공 지능 모델은 재학습 인공 지능 모델로서 후보 인공 지능 모델(추가 변수)(450), 타겟 후보 인공 지능 모델(추가 변수)(470)라는 용어로 표현될 수 있다. 재학습 이후, 다시 성능 지표를 기반으로 최적의 학습 알고리즘이 재결정되고, 타겟 인공 지능 모델도 재결정될 수 있다.
본 발명에서는 학습 알고리즘별, 변수별, 학습 시기별로 서로 다른 주기로 재학습 인공 지능 모델의 성능 비교가 수행되고, 실시간으로 인공 지능 학습 모델의 교체가 이루어질 수 있다.
학습 알고리즘별, 변수별, 학습 시기별로 서로 다르게 설정되는 재학습 인공 지능 모델과의 비교를 위한 주기는 인공 지능 학습 모델 교체 주기라는 용어로 표현될 수 있다.
인공 지능 학습 모델 교체 주기는 룰 모델과 같은 시간에 따라 변화되는 기준 모델을 기반으로 결정될 수 있다. 룰 모델은 인공 지능 모델의 성능을 비교하기 위한 기준이 되는 모델로서 예측 환경의 변화에 따라 정의되는 모델이고, 실제 현실에서 발생된 결과 데이터를 기반으로 생성되는 모델일 수 있다. 예를 들어, 현실의 금융 서비스에서 특정 사용자에 대한 대출 서비스를 제공시 대출 금리, 대출 금액과 그에 따른 연체율의 결과를 기준으로 룰 모델이 정의될 수 있다. 룰 모델은 금융 서비스 환경의 변화에 따라 새롭게 정의될 수 있고, 시간의 흐름(t1, t2, t3)에 따라 제1 룰 모델(R1), 제2 룰 모델(R2), 제3 룰 모델(R3)로서 정의될 수 있다.
타겟 인공 지능 모델의 교체 주기는 이전 시점의 모든 룰 모델보다 높은 성능을 보이는 시점을 기준으로 결정될 수 있다. 예를 들어, 금융 서비스 환경의 변화에 따라 특정 세그먼트에 대해 제1 룰 모델(R1)이 예측하지 못한 연체 가능성으로 인해 제2 룰 모델(R2)가 생성될 수 있다. 인공 지능 모델(M1)에서 변수 확장을 통해 생성된 인공 지능 모델(M2)이 제1 룰 모델(R1)이 예측하지 못한 연체 가능성을 예측하고, 제2 룰 모델(R2) 대비 임계 성능 이상을 보이는 경우, 인공 지능 모델(M1)은 인공 지능 모델(M2)로 교체되고, 해당 시점이 특정 세그먼트에 대응되는 인공 지능 모델의 교체 주기로 설정될 수 있다.
이러한 기존 모든 룰 모델과의 비교를 통해 인공 지능 모델의 기존 룰에 대한 검증 및 새로운 룰에 대한 검증이 될 수 있고, 인공 지능 모델 간의 비교가 아닌 룰 모델 간의 비교를 통해 보다 신뢰도 높은 인공 지능 모델로서 사용될 수 있다.
도 5는 본 발명의 실시예에 따른 예측 서버에서 파생 변수 생성 모듈의 동작을 나타낸 개념도이다.
도 5에서는 파생 변수 생성 모듈에서 파생 변수를 생성하여 타겟 인공 지능 모델의 학습을 수행하기 위한 방법이 개시된다.
도 5를 참조하면, 파생 변수 생성 모듈(520)은 컬럼 기반 분석(column oriented analytic) 파생 변수 생성 모듈(520)로서 인메모리 상에서 고속으로 파생 변수를 생성할 수 있다.
파생 변수 생성 모듈(520)은 대량으로 전달되는 트랜잭션을 실시간으로 집계하여 다양한 관점의 파생 변수들을 실시간으로 생성하여 모델을 학습하기 위한 변수로 활용할 수 있다.
예를 들어, 여신 정보를 가정하면, 파생 변수 생성 모듈(520)은 컬럼 기반으로 정리된 여신 정보 프로파일(500)에 대한 정보를 입력받고, 신규 파생 변수(540)를 생성할 수 있다.
파생 변수 생성 모듈(520)은 여신 정보 프로파일을 기준으로 한 여신 정보에 대한 승인 정보를 고려하여 아래와 같은 신규 파생 변수(540)를 생성할 수 있다. 신규 파생 변수(540)는 기업의 안정성, 수익성, 성장성, 유동성, 활동성, 변동성, 현금흐름, 생산성, 금융비용 부담 정도 등 재무 데이터, 기업체 개황, 금융거래현황 및 거래신뢰도, 재무제표 신뢰도, 자금흐름 추이 등 비재무적 항목일 수 있다.
이러한 신규 파생 변수(540)는 타겟 인공 지능 모델에 적용하여 예측값의 생성을 위해 활용될 수 있다.
도 6은 본 발명의 실시예에 따른 변수별 중요도를 결정하는 방법을 나타낸 개념도이다.
도 6에서는 인공 지능 모델에서 결과값을 추출시 결과값을 결정한 변수별 중요도를 제공하기 위한 방법이 개시된다.
도 6을 참조하면, 변수별 중요도는 인공 지능 모델의 결과값을 설명하기 위해 활용될 수 있다. 기존의 인공 지능 모델의 경우, 결과값만을 제공할뿐 결과값에 대한 설명이 불가능하였다. 본 발명에서는 변수별 중요도를 추출하여 결과값을 결정하기 위해 영향을 끼친 변수에 대한 정보를 제공함으로써 결과값에 대한 설명이 가능하도록 한다.
변수 중요도의 결정을 위해 변수 데이터 집합이 정의될 수 있다(단계 S600).
변수 데이터 집합의 모든 변수가 사유 코드로 변환될 수 있다.
변수 데이터 집합은 매핑 테이블로 변환될 수 있다(단계 S610).
매핑 테이블은 사유 코드를 기반으로 생성된 테이블일 수 있다. 매핑 테이블은 36개의 기호(0~9, A~Z)를 기반으로 1296개의 사유코드를 기반으로 생성될 수 있다.
매핑 테이블 상에서 변수의 카테고리화가 수행될 수 있다(단계 S620).
학습 데이터를 이용하여 복수의 변수 각각에 대한 카테고리가 설정될 수 있다. 예를 들어, 신용 등급이라는 변수에 대해서 하나의 사유 코드로 정의되고, 하나의 사유코드로 정의된 신용 등급에 대응되는 1등급 내지 10등급은 제1 카테고리 내지 제10 카테고리로 분류될 수 있다.
변수별 카테고리화를 수행한 후, 카테고리별로 인공 지능 모델에 끼치는 영향을 점수화하여 카테고리별 스코어를 결정할 수 있다(단계 S630).
카테고리별 스코어는 카테고리별 예측값일 수 있다. 예를 들어, 인공 지능 모델의 결과값이 대출 연체율에 관련된 연체 스코어인 경우, 제1 카테고리의 신용 등급인 경우, 제1 연체 스코어, 제2 카테고리의 신용 등급인 경우, 연체 스코어,??, 제10 카테고리의 신용 등급인 경우, 제10 연체 스코어가 결정될 수 있다.
본 발명에서는 카테고리별 스코어의 결정 이후, 스코어에 대한 실시간 사유 코드가 제공될 수 있다(단계 S640).
구체적으로 변수별 피처 스파이크값이 양수로 나온 것 중 절대값이 임계값 이상인 사유 코드를 나열하여 실시간 사유 코드로서 제공함으로써 어떠한 변수가 카테고리별 스코어에 영향을 끼쳤는지에 대한 정보가 실시간으로 제공될 수 있다. 변수별 피처 스파이크는 결과에 끼친 변수의 영향력에 대한 값일 수 있다.
예를 들어, 제1 카테고리의 신용 등급인 경우, 제1 연체 스코어를 결정하기 위해 영향을 끼친 n개의 사유코드가 결정될 수 있고, n개의 사유코드는 n개의 변수에 대응될 수 있다. n개의 변수는 나이, 직장 소득, 자산 등일 수 있고, 이러한 변수들이 제1 신용 등급의 연체율을 결정하는데 크게 영향을 끼친 변수라는 것을 알 수 있다.
도 7은 본 발명의 실시예에 따른 크레딧 투 맵의 생성 방법을 나타낸 개념도이다.
도 7에서는 세그먼트에 대한 크레딧 투 맵(credit to map)을 생성하는 방법이 개시된다.
도 7을 참조하면, 크레딧 투 맵(700)은 시간에 따른 예측값(710)과 결과값(720)을 제공하여 예측 대비 결과의 차이를 수치화한 그래프일 수 있다. 크레딧 투 맵(700)은 서비스에 따라 다른 변수로 정의될 수 있다. 예를 들어, 금융 서비스에 대한 크레딧 투 맵(700)은 세그먼트별 금융 리스크와 같은 인공 지능 모델로 예측된 금융 리스크를 기준으로 시간에 따른 세그먼트의 금융 리스크의 예측값(710)과 결과값(720)의 변화에 대한 정보를 포함할 수 있다.
크레딧 투 맵(700) 상에서는 시간에 따른 예측값(710)의 변화, 시간에 따른 결과값(720)의 변화가 표현될 수 있다. 이뿐만 아니라, 세그먼트별 관계를 고려하여 세그먼트별 참조값(730)도 크레딧 투 맵(700) 상에 표현될 수 있다.
크레딧 투 맵(700)의 생성을 위해 시간에 따른 예측값(710)이 주기적 또는 비주기적으로 생성되어 전달될 수 있다. 예를 들어, 특정 세그먼트의 금융 리스크에 대한 예측값(710)은 재학습 데이터, 변수 변화, 타겟 인공 지능 모델의 변화 등으로 인해 변화될 수 있고, 변화된 예측값(710)은 크레딧 투 맵(700) 상에 반영될 수 있다. 금융 서비스를 위해 초기에 결정된 예측값(710)은 기준 예측값(715)으로 정의되고, 기준 예측값(715)을 기초로 예측값(710)의 변화가 발생시 크레딧 투 맵(700) 상에 기록될 수 있다. 예를 들어, 특정 세그먼트의 금융 리스크를 기반으로 대출 서비스를 제공할 경우, 대출 서비스를 제공시 기초가 되는 금융 리스크의 예측값이 기준 예측값일 수 있다.
또한, 크레딧 투 맵(700)의 생성을 위해 시간에 따른 결과값(720)이 주기적으로 생성되어 전달될 수 있다. 세그먼트별 결과값을 센싱하기 위한 세그먼트 센서가 세그먼트 별로 할당될 수 있고, 세그먼트 센서는 결과값이 발생되는 경우, 크레딧 투 맵(700)의 생성을 위해 결과값(720)을 전송할 수 있다.
이뿐만 아니라, 크레딧 투 맵(700)의 생성을 위해 시간에 따른 참조값(730)이 주기적으로 생성되어 전달될 수 있다. 참조값(730)은 세그먼트를 기준으로 참조할 수 있는 다른 세그먼트의 예측값(710) 및 결과값(720)으로서 크레딧 투 맵(700)에서 세그먼트의 현재 상황의 해석을 위해 참조될 수 있는 값일 수 있다.
복수의 세그먼트 각각에 대한 크레딧 투 맵(700)을 통해 세그먼트가 예측값(710)에 대응되는 결과값(720)을 생성하고 있는지에 대한 관리가 가능하다. 크레딧 투 맵(700)의 경우, 세그먼트별 특성을 고려하여 주기적 및 비주기적으로 예측값(710), 결과값(720) 및 참조값(730)을 생성하여 크레딧 투 맵(700)이 업데이트될 수 있다.
크레딧 투 맵(700) 상에서 범위가 설정되어 예를 들어, 정상 상태(760), 이상 상태(750)와 같은 세그먼트 상태 정보가 제공될 수 있다. 세그먼트 별로 정상 상태(760), 이상 상태(750)가 설정될 수 있고, 결과값(720)이나 예측값(710)이 이상 상태(750)이거나 참조값(730)이 이상 상태(750)인 경우, 크레딧 투 맵(700) 상에서 이상 상태(750)에 대한 알람이 생성될 수 있다.
도 8은 본 발명의 실시예에 따른 크레딧 투 맵 생성 장치를 나타낸 개념도이다.
도 8에서는 크레딧 투 맵 생성 장치의 구성이 구체적으로 개시된다.
도 8을 참조하면, 크레딧 투 맵 생성 장치는 세그먼트 설정부(810), 크레딧 투 맵 생성부(820), 크레딧 투 맵 관리부(830) 및 프로세서(840)를 포함할 수 있다.
세그먼트 설정부(810)는 크레딧 투 맵을 생성하기 위한 세그먼트에 대한 설정을 위해 구현될 수 있다. 세그먼트 설정부(810)는 크레딧 투 맵에 대한 생성이 가능한 세그먼트를 탐색하고, 크레딧 투 맵의 생성을 위한 세그먼트 별 관계를 설정하기 위해 구현될 수 있다.
크레딧 투 맵 생성부(820)는 크레딧 투 맵의 생성을 위해 구현될 수 있다. 크레딧 투 맵 생성부(820)는 예측값 결정부(822), 결과값 결정부(824), 참조값 결정부(826), 세그먼트 관리부(828)를 포함할 수 있다.
예측값 결정부(822)는 세그먼트에 대한 예측값을 결정하기 위해 구현될 수 있다. 인공 지능 모델은 세그먼트에 대한 예측값을 생성하여 크레딧 투 맵 생성부(820)로 전송할 수 있다.
결과값 결정부(824)는 세그먼트에 대한 결과값을 결정하기 위해 구현될 수 있다. 세그먼트 센서를 기반으로 결과값이 결정되고, 결과값은 크레딧 투 맵 생성부(820)로 전송될 수 있다.
참조값 결정부(826)는 세그먼트에 대한 예측값, 결과값의 참조가 될 수 있는 참조값을 결정하기 위해 구현될 수 있다. 참조값의 결정을 위해서는 세그먼트에 참조가 되는 참조 세그먼트가 결정될 수 있고, 참조 세그먼트의 예측값과 결과값에 대한 정보를 기반으로 한 참조값이 생성될 수 있다.
세그먼트 관리부(828)는 세그먼트에 대한 참조 세그먼트 관리를 위해 구현될 수 있다. 세그먼트 관리부(828)는 세그먼트 별 관계(예를 들어, 계층 관계)를 기반으로 참조 세그먼트를 설정할 수 있다.
크레딧 투 맵 관리부(830)는 크레딧 투 맵의 관리를 위해 구현될 수 있다. 크레딧 투 맵 관리부(830)는 크레딧 투 맵의 예측값, 결과값, 참조값의 생성에 대한 관리를 수행할 수 있다. 또한, 크레딧 투 맵 관리부(830)는 세그먼트 특성을 고려하여 예측값, 결과값, 참조값 각각의 정상 범위와 이상 범위를 설정하기 위해 구현될 수 있다.
프로세서(840)는 세그먼트 분류부(810), 크레딧 투 맵 생성부(820), 크레딧 투 맵 관리부(830)의 동작을 제어하기 위해 구현될 수 있다.
도 9는 본 발명의 실시예에 따른 크레딧 투 맵 생성 방법을 나타낸 개념도이다.
도 9에서는 크레딧 투 맵 상에서 정상 범위와 이상 범위를 설정하기 위한 방법이 개시된다.
도 9를 참조하면, 세그먼트 별로 예측값(910)과 결과값(920)의 차이값이 결정되고, 예측값(910)과 결과값(920)의 차이가 제1 부정 방향(940)으로 부정 임계값(950) 이상 커지는 경우, 이상 범위로 설정될 수 있다. 제1 부정 방향(940)과 제1 긍정 방향(945)은 예측값(910)에 따라 다르게 설정될 수 있다. 예를 들어, 예측값(910)이 금융 리스크인 경우, 결과값(920)이 예측값(910)보다 커지는 방향이 제1 부정 방향(940)이고, 결과값(920)이 예측값(910)보다 작아지는 방향이 제1 긍정 방향(945)일 수 있다.
부정 임계값(950)은 시간에 따라 변화될 수 있고, 이상 상황(960)는 부정 임계값(950)을 고려하여 결정될 수 있다.
부정 임계값(950)은 세그먼트의 특성을 고려하여 설정될 수 있고, 시간에 따라 변화되는 예측값(910), 예측값(910)과 결과값(920)의 차이에 따라서도 다르게 설정될 수 있다.
우선, 부정 임계값(950)은 세그먼트별 센싱 민감도에 따라 다르게 설정되고, 센싱 민감도가 상대적으로 높을 경우, 부정 임계값(950)은 상대적으로 작게 설정될 수 있다. 세그먼트별 센싱 민감도는 별도로 설정 가능하고, 예측 대상이 가지는 중요도에 따라서도 다르게 설정될 수 있다. 또한, 세그먼트별 센싱 민감도는 개별적으로 설정될 수도 있으나, 세그먼트의 관계에 따라서도 적응적으로 변화되어 설정될 수도 있다. 세그먼트별 계층적인 관계가 존재할 수 있고, 계층적인 관계를 고려하여 상위 세그먼트 또는 하위 세그먼트의 센싱 민감도의 변화에 따라 적응적으로 세그먼트의 센싱 민감도가 변화될 수도 있다.
또한, 부정 임계값(950)은 예측값(910)의 변화에 따라서 다르게 설정될 수 있다. 새로운 예측값(910)이 기준 예측값(915) 기준으로 제2 부정 방향(970)으로 증가하는 경우, 부정 임계값(910)은 상대적으로 작아질 수 있다. 제2 부정 방향(970)은 변수의 성격이 서비스에 부정적인 영향을 끼치는지 여부를 고려하여 결정될 수 있다. 예를 들어, 예측값(910)이 금융 리스크인 경우, 증가하는 방향이 제2 부정 방향(970)이고, 감소하는 방향이 제2 긍정 방향(975)이다. 예측값(910)이 신용도인 경우, 증가하는 방향이 제2 긍정 방향(975)이고, 감소하는 방향이 제2 부정 방향(970)이다.
부정 임계값(950)이 상대적으로 작아진다는 의미는 이상 상황(960)이라고 판단하는 범위가 상대적으로 넓게 설정되어 이상 상황(960)이라고 판단하는 민감도가 높아지는 것이다. 즉, 처음 예측과 다른 예측값(910)이 제2 부정 방향(970)쪽으로 발생하는 경우, 이상 상황(960)이라고 판단되는 범위를 상대적으로 넓게 설정하여 상대적으로 높은 민감도로 이상 상황(960)이 탐지될 수 있고, 반대로, 처음 예측과 다른 예측값(910)이 제2 긍정 방향(975)쪽으로 발생하는 경우, 이상 상황(960)으로 판단되는 범위가 상대적으로 좁게 설정되어 상대적으로 낮은 민감도로 이상 상황이 탐지될 수 있다.
이뿐만 아니라, 부정 임계값(950)은 예측값(910)과 결과값(920)의 차이를 고려하여 설정될 수 있다. 예측값과 유사한 방식으로 예측값(910)과 결과값(920)의 차이가 제1 부정 방향(940)으로 커지는 경우, 부정 임계값(950)이 상대적으로 작게 설정될 수 있다. 반대로 예측값(910)과 결과값(920)의 차이가 제1 긍정 방향(945)으로 커지는 경우, 부정 임계값(950)이 상대적으로 크게 설정될 수 있다.
도 10은 본 발명의 실시예에 따른 세그먼트 계층을 나타낸 개념도이다.
도 10을 참조하면, 금융 서비스 관련된 금융 세그먼트가 계층을 이룬다고 가정할 경우, 계층1 내지 계층n으로 분화되어 상위 금융 세그먼트와 하위 금융 세그먼트가 설정될 수 있다.
하위 금융 세그먼트 상에서 금융 세그먼트 데이터로서 부정 임계값 변화 데이터가 발생하는 경우, 설정된 조건에 따라 상위 금융 세그먼트 상에서도 금융 세그먼트 데이터로서 부정 임계값 변화 데이터가 발생될 수 있다.
예를 들어, 계층5의 금융 세그먼트x(1000) 상에서 부정 임계값 변화 데이터1(1005)가 발생될 수 있다. 예를 들어, 금융 세그먼트x(1000)에 대응되는 특정 셀러의 예측값의 변화, 세그먼트별 센싱 민감도의 변화로 인해 부정 임계값이 변화 되는 경우, 금융 세그먼트x(1000)는 부정 임계값 변화 데이터1(1005)을 생성하여 데이터 수집부로 전송할 수 있다.
금융 세그먼트x(1000)의 부정 임계값 변화 데이터1(1005)이 발생되는 경우, 우선, 금융 세그먼트x(1000)의 상위 계층인 계층4의 금융 세그먼트y(1010)로 부정 임계값 변화 데이터1(1005)가 전송될 수 있다.
금융 세그먼트y(1010)는 부정 임계값 변화 데이터1(1005)을 기반으로 별도의 부정 임계값 변화 데이터의 생성 여부에 대해 결정할 수 있다. 부정 임계값 변화 데이터1(1005)이 계층4에 대응되는 금융 세그먼트y(1010)에서 별도의 금융 정보의 변화를 발생시키지 못하는 경우, 계층4에서 금융 세그먼트 데이터를 생성하지 않고, 수신한 부정 임계값 변화 데이터1(1005)은 저장되고, 추후 발생된 다른 부정 임계값 변화 데이터와 결합하여 금융 세그먼트y(1010)에서 별도의 부정 임계값 변화를 발생시키는지 여부를 판단할 수 있다.
반대로 부정 임계값 변화 데이터1(1005)이 계층4에 대응되는 금융 세그먼트y(1010)에서 별도의 금융 정보의 변화를 발생시키는 경우, 계층4에서 부정 임계값 변화 데이터2(1015)를 생성할 수 있다. 마찬가지 방식으로 부정 임계값 변화 데이터2(1015)는 금융 세그먼트y(1010)의 상위 계층인 금융 세그먼트z(1020)로 전송될 수 있다. 유사하게 금융 세그먼트z(1020)는 부정 임계값 변화 데이터2(1015)을 기반으로 별도의 부정 임계값 변화 데이터의 생성 여부에 대해 결정할 수 있다. 부정 임계값 변화 데이터2(1015)가 계층5에 대응되는 금융 세그먼트z(1020)에서 별도의 부정 임계값 변화를 발생시키지 못하는 경우, 계층5에서 부정 임계값 변화 데이터를 생성하지 않고, 수신한 부정 임계값 변화 데이터2(1015)는 저장되고, 추후 발생된 다른 부정 임계값 변화 데이터와 결합하여 금융 세그먼트z(1020)에서 별도의 부정 임계값의 변화를 발생시키는지 여부가 판단될 수 있다. 반대로 부정 임계값 변화 데이터2(1005)가 계층3에 대응되는 금융 세그먼트z(1020)에서 별도의 부정 임계값의 변화를 발생시킬 수 있다.
도 11은 본 발명의 실시예에 따른 세그먼트 트래킹 방법을 나타낸 개념도이다.
도 11에서는 세그먼트를 트래킹하여 결과값을 생성하기 위한 방법이 개시된다.
도 11을 참조하면, 세그먼트별 세그먼트 센서(1100)가 할당될 수 있고, 세그먼트 센서(1100) 각각을 기반으로 세그먼트 결과값이 수집될 수 있다.,
예를 들어, 하나의 세그먼트에 특정 판매자가 대응되고, 예측값은 대출에 대한 연체 확률일 수 있다. 이러한 경우, 세그먼트 센서(1100)는 세그먼트의 대출금 상황 기간에 센싱을 수행하여 세그먼트가 대출금 상환을 하였는지 여부에 대해 판단할 수 있다.
세그먼트 센서(1100)는 물리적인 센서가 아닌 세그먼트별 예측값에 따른 결과값을 수집하기 위한 소프트웨어 센서이다. 세그먼트 센서(1100)는 결과값이 생성되는 시점인 결과값 생성 시점 정보를 고려하여 결과값 생성 시점에 발생된 결과값을 수집하여 크레딧 투 맵 생성부로 전달할 수 있다.
이러한 세그먼트 센서(1100)는 세그먼트에 대한 하나의 결과값을 생성하기 위해 다양한 정보를 센싱할 수도 있다. 예를 들어, 세그먼트 센서(1100)의 결과값이 금융 리스크인 경우, 대출금 상환 여부, 직장 재직 여부, 자가 여부, 카드값 등 다양한 정보를 센싱하여 결과값을 종합하여 생성할 수 있다.
세그먼트 센서(1100)는 하나의 센싱값으로 하나의 결과값을 생성하는 센서와 복수의 센싱값을 기반으로 하나의 결과값을 생성하는 센서로 구분될 수 있다. 하나의 센싱값으로 하나의 결과값을 생성하는 센서는 싱글 세그먼트 센서(1120)라는 용어로 표현되고, 복수의 센싱값으로 하나의 결과값을 생성하는 센서는 멀티 세그먼트 센서(1140)라는 용어로 표현될 수 있다.
싱글 세그먼트 센서(1120)는 세그먼트별 별도의 조정없이 세그먼트에 대한 결과값을 생성할 수 있다.
멀티 세그먼트 센서(1140)는 세그먼트 특성을 반영한 결과값을 생성하기 위해 세그먼트 특성을 반영한 조정이 수행될 수 있다.
멀티 세그먼트 센서(1140)는 복수의 센싱값을 기초로 결과값을 생성하기 때문에 세그먼트, 세그먼트 그룹별 조정이 이루어질 수 있다. 예를 들어, 세그먼트의 특성 중에 대출금 상환 여부, 직장 재직 여부, 자가 여부, 카드값 중 어떠한 특성을 금융 리스크를 결정하기 위해 가중치를 주어 판단하는지에 대한 것도 세그먼트의 특성을 반영하여 조정될 수 있고, 어떠한 센싱값을 사용할지도 세그먼트별로 조정되어 멀티 세그먼트 센서(1140)가 결과값을 생성할 수 있다.
세그먼트 특성 정보, 센싱값 정보를 기반으로 가장 정확한 예측을 수행할 수 있는 멀티 세그먼트 센서(1140)가 결정될 수 있다. 멀티 세그먼트 센서(1140)는 복수의 센싱값을 기반으로 하나의 결과값을 생성하는 알고리즘으로 정의될 수 있다. 또한, 멀티 세그먼트 센서(1140)는 학습된 인공 지능 모델이고, 학습된 인공 지능 모델은 복수의 센싱값을 입력값으로 받아서 결과값을 생성하여 전달할 수 있다.
세그먼트에 맞는 멀티 세그먼트 센서(1140)를 결정하기 위해 멀티 세그먼트 센서(1140)가 센싱하는 복수의 센싱값은 도 6에서 전술한 변수별 피처 스파이크값이 양수로 나온 것 중 절대값이 임계값 이상인 것일 수 있다.
즉, 인공 지능 모델의 특정 결과값에 임계값 이상의 영향을 끼치는 변수가 타겟 변수로 설정되고, 복수의 타겟 변수에 대한 센싱값이 멀티 세그먼트 센서(1140)에 의해 센싱되어 최종적인 결과값이 생성될 수 있다.
도 12는 본 발명의 실시예에 따른 세그먼트 계측별 세그먼트 센서의 설정을 나타낸 개념도이다.
도 12에서는 세그먼트 계층을 고려한 센싱값 생성 방법이 개시된다.
도 12를 참조하면, 세그먼트의 성격에 따라서 다른 세그먼트의 결과값을 센싱값으로서 받아들여 결과값을 생성할 수도 있다.
멀티 세그먼트 센서는 외부의 소스를 기반으로 센싱값을 직접 생성하여 결과값을 생성할 수도 있고, 다른 세그먼트 센서의 결과값을 센싱값으로 수신하여 결과값을 생성할 수도 있고, 외부 소스 기반의 센싱값과 다른 세그먼트 센서의 결과값을 모두 센싱값으로 사용할 수도 있다.
외부의 소스를 통해 센싱값을 직접 생성하여 결과값을 생성하는 멀티 세그먼트 센서는 1차 멀티 세그먼트 센서(1210)라는 용어로 표현되고, 다른 세그먼트 센서의 결과값을 센싱값으로서 수신하여 결과값을 생성하는 세그먼트 센서는 2차 멀티 세그먼트 센서(1220)라는 용어로 표현되고, 외부 소스를 통한 센싱값과 다른 세그먼트 센서의 결과값을 모두 센싱값으로 사용하는 세그먼트 센서는 3차 멀티 세그먼트 센서(1230)라는 용어로 표현될 수 있다.
1차 세그먼트 센서(1210)의 경우, 전술한 변수 스파이크를 기준으로 변수 영향력을 고려하여 센싱값이 결정될 수 있다.
2차 세그먼트 센서(1220), 3차 세그먼트 센서(1230)의 경우, 하위 계층 세그먼트의 하위 세그먼트 센서로부터 결과값을 수신하여 센싱값으로 사용하기 때문에 하위 계층 세그먼트의 하위 세그먼트 센서의 결과값 중 일부를 선택적으로 센싱값으로 설정하여 사용할 수 있다. 센싱값으로 선택 가능한 하위 세그먼트 센서의 결과값은 하위 센싱값이라는 용어로 표현될 수 있다.
하위 세그먼트 센서의 예측 정확도를 고려하여 하위 센싱값 중 일부만이 상위 계층 세그먼트의 상위 세그먼트 센서의 센싱값으로서 활용될 수 있다.
하위 세그먼트 센서의 예측 정확도는 전술한 크레딧 투 맵의 예측값과 결과값의 차이를 고려하여 결정될 수 있다. 예측값과 결과값의 차이가 상대적으로 작을수록 하위 세그먼트 센서는 상대적으로 높은 예측 정확도를 가지는 것으로 판단될 수 있다.
예측 정확도를 고려하여 복수의 하위 세그먼트 센서의 복수의 하위 센싱값 각각에는 가중치가 부여될 수 있고, 임계값 이상의 예측값과 결과값의 차이를 가지는 경우, 해당 하위 세그먼트 센서의 하위 센싱값은 상위 세그먼트 센서의 센싱값에서 제외될 수 있다.
위와 같은 방식으로 하위 세그먼트 센서의 결과값은 상위 세그먼트 센서의 센싱값으로 활용되되, 하위 세그먼트 센서의 예측 정확도를 고려하여 하위 세그먼트 센서의 결과값에 가중치를 부여하고, 하위 세그먼트 센서의 결과값 중 일부의 결과값을 필터링함으로써 센싱 오류가 계속적으로 상위 세그먼트 센서로 전달되지 않도록 할 수 있다.
도 13은 본 발명의 실시예에 따른 세그먼트 센서의 결과값 생성을 나타낸 개념도이다.
도 13에서는 세그먼트 센서의 결과값 생성 주기를 결정하는 방법이 개시된다.
도 13을 참조하면, 세그먼트 센서의 결과값은 제1 결과값(1310)과 제2 결과값(1320)으로 구분될 수 있다.
제1 결과값(1310)은 특정 시기에 명확하게 발생되어 세그먼트 센서에 의해 센싱 가능한 결과값으로서 대출 상황 기간에 상환된 상환 금액과 같은 결과값일 수 있다.
제2 결과값(1320)은 결과값의 생성 시기가 명확하게 정해지지 않은 결과값일 수 있다.
제2 결과값(1320)은 생성 주기가 세그먼트 센서별로 적응적으로 결정될 수 있다. 예를 들어, 제2 결과값(1320)은 생성 조건으로 아래와 같은 조건이 설정될 수 있다.
1) 결과값을 위한 모든 센싱값이 세그먼트 센서로 입력된 경우
2) 센싱값 집합이 임계 횟수 이상 전송되어 임계 결과값 이상의 결과값이 발생된 경우
3) 피드백 결과 결과값의 세그먼트의 임계 신뢰도 주기 이상을 넘어간 경우
임계 신뢰도 주기는 특정 주기 이후의 결과값의 신뢰도에 대한 피드백을 통해 설정된 주기이다. 세그먼트 센서별로 임계 신뢰도 주기를 넘긴 경우에만 생성된 결과값을 신뢰할만한 값으로 판단하여 결과값을 전송할 수 있다.
도 14는 본 발명의 실시예에 따른 세그먼트 센서 관리 장치를 나타낸 개념도이다.
도 14에서는 세그먼트 센서 관리 장치에서 세그먼트별 세그먼트 센서를 결정하고 관리하는 방법이 개시된다.
도 14를 참조하면, 세그먼트 센서 관리 장치는 세그먼트 센서 결정부(1410), 센싱값 설정부(1420), 세그먼트 센서 예측 정확도 결정부(1430), 세그먼트 센서 계층 관리부(1440), 크레딧 투 맵 결과값 전달부(1450), 세그먼트 센서 결과 생성 관리부(1460) 및 프로세서(1470)를 포함할 수 있다.
세그먼트 센서 결정부(1410)는 세그먼트에 대응되는 세그먼트 센서를 결정하기 위해 구현될 수 있다. 세그먼트 센서는 필요한 센싱값에 따라 다양한 종류(싱글 세그먼트 센서, 멀티 세그먼트 센서, 1차 세그먼트 센서, 2차 세그먼트 센서, 3차 세그먼트 센서)로 분류될 수 있다.
센싱값 설정부(1420)는 세그먼트 센서에서 센싱할 센싱값을 결정하기 위해 구현될 수 있다. 세그먼트 센서별로 정확한 결과값을 얻기 위한 센싱값이 서로 다르게 설정될 수 있고, 센싱값 설정부(1420)는 세그먼트 센서별 센싱값을 설정할 수 있다.
세그먼트 센서 예측 정확도 결정부(1430)는 세그먼트 센서의 예측 정확도를 결정하기 위해 구현될 수 있다. 1차 세그먼트 센서가 아닌 경우, 결과값에 대한 오차가 존재할 수 있다. 따라서, 결과값에 대한 피드백을 통해 세그먼트 센서 예측 정확도가 결정될 수 있다.
세그먼트 센서 계층 관리부(1440)는 세그먼트 센서에 대한 계층을 관리하기 위해 구현될 수 있다. 세그먼트 계층과 세그먼트 센서 계층은 동일하게 설정될 수도 있고 결과값의 예측 정확도에 따라 서로 다르게 설정될 수도 있다.
크레딧 투 맵 결과값 전달부(1450)는 세그먼트 센서에 의해 생성된 결과값을 크레딧 투 맵의 생성을 위해 전달하기 위해 구현될 수 있다.
세그먼트 센서 결과 생성 관리부(1460)는 세그먼트 센서 결과값 중 제1 결과값과 제2 결과값의 생성을 관리하기 위해 구현될 수 있다.
프로세서(1470)는 세그먼트 센서 결정부(1410), 센싱값 설정부(1420), 세그먼트 센서 예측 정확도 결정부(1430), 세그먼트 센서 계층 관리부(1440), 크레딧 투 맵 결과값 전달부(1450), 세그먼트 센서 결과 생성 관리부(1460)의 동작을 제어하기 위해 구현될 수 있다.
도 15는 본 발명의 실시예에 따른 세그먼트에 대한 금융 서비스 제공을 나타낸 개념도이다.
도 15에서는 크레딧 투 맵을 기반으로 세그먼트에 대한 금융 서비스를 제공하는 방법이 개시된다.
도 15를 참조하면, 기준 예측값을 기반으로 세그먼트(1500)로 금융 서비스(1520)가 제공된 이후, 크레딧 투 맵(1510)을 사용하여 제공된 금융 서비스(1520)를 조정하는 방법이 개시된다.
금융 서비스(1520)의 제공 이후, 크레딧 투 맵(1510) 상에서 이상 상황이 발생되는 경우, 세그먼트(1500)에 제공된 금융 서비스(1520)에 대한 변화가 이루어질 수 있다. 예를 들어, 특정 판매자에 대한 세그먼트(1500)에 대해 대출 연체가 발생되는 경우와 같이 예측을 벋어난 결과값이 발생되는 경우, 세그먼트(1500)에 대한 대출 관리 및 대출 기한, 대출 금리 조정 등이 수행될 수 있다. 예를 들어, 세그먼트(1500)에 대한 대출 금리가 상승하거나, 추가 대출이 가능한 금액이 하향 조정되고, 추가 대출 관련된 심사에 대한 기준이 상향될 수 있다.
또한, 복수의 세그먼트(1500)에 대한 크레딧 투 맵(1510) 상에서 이상 상황이 감지된 경우도 발생될 수 있다. 동일 계층 및 동일 계층 그룹에 포함되는 복수의 세그먼트(1500)에 대한 이상 상황이 발생하는 경우, 이상 상황이 상위 세그먼트(1500)의 크레딧 투 맵(1510)에 영향을 끼쳐 세그먼트(1500)에 제공된 금융 서비스(1520)의 변화가 발생될 수 있다.
예를 들어, 특정 식품을 판매하는 복수의 세그먼트(1500)를 포함하는 세그먼트 그룹에서 대출 연체가 발생되는 경우, 세그먼트 그룹의 상위 세그먼트(1500)에도 금융 서비스(1520)의 변화가 발생될 수 있다. 전술한 바와 같이 하위 세그먼트(1500)의 결과값이 상위 세그먼트(1500)의 센싱값으로 전달되어 상위 세그먼트(1500)의 크레딧 투 맵(1510)이 변경되고 변경된 크레딧 투 맵(1510)에 따라 변화된 금융 서비스(1520)가 제공될 수 있다. 구체적으로 특정 식품을 판매하는 다른 세그먼트(1500)의 대출 요청이 있을시 금리, 대출 상환 기간, 대출 가능 금액 등이 기존의 세그먼트(1500)에 대한 금융 서비스 결과를 고려하여 대출 상환 기간은 상대적으로 짧게 변화되고, 대출 가능 금액은 상대적으로 작게 변화될 수 있다.
반대로 금융 서비스(1520)의 제공 이후, 크레딧 투 맵(1510) 상에서 이상 상황이 발생하지 않는 경우에도 세그먼트(1500)에 제공된 금융 서비스(1520)에 대한 변화가 이루어질 수 있다. 예를 들어, 특정 판매자에 대한 세그먼트(1500)에 대해 대출 연체가 발생되는 경우와 같이 예측값을 크게 벋어나지 않는 결과값이나 예측값을 기준으로 제1 긍정 방향의 결과값이 발생하는 경우, 세그먼트(1500)에 대한 대출 관리 및 대출 기한, 대출 금리 조정 등이 수행될 수 있다. 예를 들어, 세그먼트(1500)에 대한 대출 금리가 하락하거나, 추가 대출이 가능한 금액이 상향 조정되고, 관련된 심사에 대한 기준이 하향될 수 있다.
또한, 복수의 세그먼트(1500)에 대한 크레딧 투 맵(1510) 상에서 이상 상황이 감지되지 않는 경우도 발생될 수 있다. 동일 계층 및 동일 계층 그룹에 포함되는 복수의 세그먼트(1500)에 대한 이상 상황이 발생하지 않는 경우, 상위 세그먼트(1500)의 크레딧 투 맵(1510)에 영향을 끼쳐 세그먼트(1500)에 제공된 금융 서비스(1520)의 변화가 발생될 수 있다.
예를 들어, 특정 브랜드의 옷을 판매하는 복수의 세그먼트(1500)를 포함하는 세그먼트 그룹에서 대출 상환이 정상적으로 이루어지는 경우, 세그먼트 그룹의 상위 세그먼트(1500)에도 금융 서비스(1520)의 변화가 발생될 수 있다. 전술한 바와 같이 하위 세그먼트(1500)의 결과값이 상위 세그먼트(1500)의 센싱값으로 전달되어 상위 세그먼트(1500)의 크레딧 투 맵(1510)이 변경되고 변경된 크레딧 투 맵(1510)에 따라 변화된 금융 서비스(1520)가 제공될 수 있다. 구체적으로 특정 브랜드의 옷을 판매하는 다른 세그먼트의 대출 요청이 있을시 금리, 대출 상환 기간, 대출 가능 금액 등이 기존의 세그먼트(1500)에 대한 금융 서비스 결과를 고려하여 대출 상환 기간은 상대적으로 길게 변화되고, 대출 가능 금액은 상대적으로 크게 변화될 수 있다.
도 16은 본 발명의 실시예에 따른 금융 서비스 제공하는 방법을 나타낸 개념도이다.
도 16에서는 세그먼트별 트래킹을 통해 생성된 크레딧 투 맵을 기반으로 금융 상품을 제공하는 방법이 개시된다.
도 16을 참조하면, 세그먼트 중 대출이 필요한 세그먼트의 크레딧 투 맵을 기반으로 대출에 따른 금융 리스크가 결정될 수 있다.
이하, 금융 상품을 생성하기 위한 세그먼트를 금융 세그먼트라는 용어로 표현한다. 금융 세그먼트는 금융 리스크 예측값 및 금융 리스크 예측값과 금융 리스크 결과값과 차이값을 고려하여 다양하게 분류될 수 있다.
제1 금융 세그먼트(1610)는 금융 리스크가 금융 리스크 임계값 이상으로 상대적으로 높게 예측되었으나 결과값과 예측값의 차이가 제1 설정 임계값 이하인 경우이다.
제2 금융 세그먼트(1620)는 금융 리스크가 금융 리스크 임계값 이상으로 상대적으로 높게 예측되었으나, 결과값과 예측값의 차이가 제1 긍정 방향으로 제2 설정 임계값 이상인 경우이다.
제3 금융 세그먼트(1630)는 금융 리스크가 금융 리스크 임계값 이상으로 상대적으로 높게 예측되었고, 결과값과 예측값의 차이가 제1 부정 방향으로 제3 설정 임계값 이상인 경우이다.
제4 금융 세그먼트(1640)는 금융 리스크가 금융 리스크 임계값 미만으로 상대적으로 낮게 예측되었으나 결과값과 예측값의 차이가 제1 설정 임계값 이하인 경우이다.
제5 금융 세그먼트(1650)는 금융 리스크가 금융 리스크 임계값 미만으로 상대적으로 낮게 예측되었고, 결과값과 예측값의 차이가 제1 긍정 방향으로 제2 설정 임계값 이상인 경우이다.
제6 금융 세그먼트(1660)는 금융 리스크가 금융 리스크 임계값 미만으로 상대적으로 높게 예측되었으나, 결과값과 예측값의 차이가 제1 부정 방향으로 제3 설정 임계값 이상인 경우이다.
제1 금융 세그먼트(1610) 내지 제6 금융 세금먼트(1660) 각각에 대한 신용 등급이 설정될 수 있다. 예를 들어, 제5 금융 세그먼트(1650)의 신용 등급이 가장 높고, 제3 금융 세그먼트(1630)의 신용 등급이 가장 낮을 수 있다.
즉, 금융 세그먼트의 크레딧 투 맵을 기반으로 금융 세그먼트를 분류하고, 분류된 금융 세그먼트의 대출금을 조합하여 새로운 금융 상품이 생성되어 사용자에게 판매될 수 있다.
금융 상품을 생성하기 위해 금융 세그먼트의 신용 등급을 고려한 풀링을 통해 금융 세그먼트 풀이 생성될 수 있고, 금융 세그먼트 풀을 기반으로 하여 금융 상품이 생성될 수 있다.
금융 상품의 생성시 크레딧 투 맵의 변화에 따라 금융 상품의 이율이 적응적으로 변화될 수도 있다. 예를 들어, 크레딧 투 맵의 변화에 따라 금융 세그먼트 풀의 금융 리스크가 감소되는 경우, 금융 상품의 이율이 적응적으로 감소되고, 금융 세그먼트 풀의 금융 리스크가 증가되는 경우, 금융 상품의 이율이 적응적으로 증가될 수 있다.
도 17은 본 발명의 실시예에 따른 금융 서비스 장치를 나타낸 개념도이다.
도 17에서는 금융 서비스를 제공하기 위한 금융 서비스 장치가 개시된다.
도 17을 참조하면, 금융 서비스 장치는 크레딧 투 맵 정보 수신부(1710), 제1 금융 서비스 제공부(1720), 제2 금융 서비스 제공부(1730) 및 프로세서(1740)를 포함할 수 있다.
크레딧 투 맵 정보 수신부(1710)는 크레딧 투 맵 생성 장치로부터 크레딧 투 맵을 수신할 수 있다.
제1 금융 서비스 제공부(1720)는 세그먼트에 금융 서비스를 제공하기 위해 구현될 수 있다. 세그먼트, 세그먼트가 포함된 세그먼트 그룹 및 세그먼트와 관련된 상위 계층 또는 하위 계층에 위치한 세그먼트의 크레딧 투 맵을 고려하여 세그먼트에 대한 금융 서비스가 제공될 수 있다.
제2 금융 서비스 제공부(1730)는 세그먼트를 기반으로 다른 사용자에게 제공된 금융 상품을 생성하여 금융 서비스를 제공하기 위해 구현될 수 있다.
제2 금융 서비스 제공부(1730)는 세그먼트 중 대출이 필요한 세그먼트의 크레딧 투 맵을 기반으로 대출에 따른 금융 리스크를 결정할 수 있다. 금융 세그먼트의 크레딧 투 맵을 기반으로 금융 세그먼트를 분류하고, 분류된 금융 세그먼트의 대출금을 조합하여 새로운 금융 상품을 생성하여 사용자에게 판매할 수 있다.
프로세서(1740)는 크레딧 투 맵 정보 수신부(1710), 제1 금융 서비스 제공부(1720), 제2 금융 서비스 제공부(1730)의 동작을 제어하기 위해 구현될 수 있다.
이상 설명된 본 발명에 따른 실시예는 다양한 컴퓨터 구성요소를 통하여 실행될 수 있는 프로그램 명령어의 형태로 구현되어 컴퓨터 판독 가능한 기록 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능한 기록 매체는 프로그램 명령어, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 컴퓨터 판독 가능한 기록 매체에 기록되는 프로그램 명령어는 본 발명을 위하여 특별히 설계되고 구성된 것이거나 컴퓨터 소프트웨어 분야의 당업자에게 공지되어 사용 가능한 것일 수 있다. 컴퓨터 판독 가능한 기록 매체의 예에는, 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM 및 DVD와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical medium), 및 ROM, RAM, 플래시 메모리 등과 같은, 프로그램 명령어를 저장하고 실행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령어의 예에는, 컴파일러에 의하여 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용하여 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드도 포함된다. 하드웨어 장치는 본 발명에 따른 처리를 수행하기 위하여 하나 이상의 소프트웨어 모듈로 변경될 수 있으며, 그 역도 마찬가지이다.
이상에서 본 발명이 구체적인 구성요소 등과 같은 특정 사항과 한정된 실시예 및 도면에 의하여 설명되었으나, 이는 본 발명의 보다 전반적인 이해를 돕기 위하여 제공된 것일 뿐, 본 발명이 상기 실시예에 한정되는 것은 아니며, 본 발명이 속하는 기술분야에서 통상적인 지식을 가진 자라면 이러한 기재로부터 다양한 수정과 변경을 꾀할 수 있다.
따라서, 본 발명의 사상은 상기 설명된 실시예에 국한되어 정해져서는 아니 되며, 후술하는 특허청구범위뿐만 아니라 이 특허청구범위와 균등한 또는 이로부터 등가적으로 변경된 모든 범위는 본 발명의 사상의 범주에 속한다고 할 것이다.

Claims (6)

  1. 세그먼트별 크레딧 투 맵을 기반으로 금융 서비스를 제공하는 방법은,
    크레딧 투 맵 생성 장치의 크레딧 투 맵 정보 수신부가 크레딧 투 맵 생성 장치로부터 세그먼트에 대한 크레딧 투 맵을 수신하는 단계;
    상기 크레딧 투 맵 생성 장치의 제1 금융 서비스 제공부가 상기 세그먼트에 제1 금융 서비스를 제공하는 단계; 및
    상기 크레딧 투 맵 생성 장치의 제2 금융 서비스 제공부가 상기 세그먼트를 기반으로 금융 상품을 생성하고 상기 세그먼트 외의 사용자 장치로 제2 금융 서비스를 제공하는 단계를 포함하되,
    상기 크레딧 투 맵은 상기 세그먼트에 대한 시간에 따른 예측값과 결과값을 제공하여 예측 대비 결과의 차이를 수치화한 그래프이고,
    상기 크레딧 투 맵 상에서 정상 범위와 이상 범위가 설정되고,
    상기 크레딧 투 맵 상에 상기 예측값과 상기 결과값의 차이값이 결정되고, 상기 차이값이 제1 부정 방향으로 부정 임계값 이상 커지는 경우, 상기 이상 범위로 설정되고,
    상기 제1 부정 방향은 상기 예측값의 특성에 따라 다르게 설정되고,
    상기 부정 임계값은 상기 세그먼트의 특성 및 시간에 따라 변화되는 상기 예측값, 상기 예측값과 상기 결과값의 차이에 따라 시간별로 다르게 설정되고,
    상기 부정 임계값은 세그먼트별 센싱 민감도에 따라 다르게 설정되고,
    상기 세그먼트별 센싱 민감도는 예측 대상이 가지는 중요도에 따라서 다르게 설정되고,
    상기 세그먼트별 센싱 민감도는 세그먼트 관계에 따라서 적응적으로 변화되어 설정되고,
    상기 세그먼트 관계는 상위 세그먼트 및 하위 세그먼트로 구현되는 계층 관계이고,
    상기 세그먼트별 센싱 민감도는 상기 계층 관계를 고려하여 상기 상위 세그먼트 또는 상기 하위 세그먼트의 센싱 민감도의 변화에 따라 적응적으로 변화되는 것을 특징으로 하는 방법.
  2. 제1항에 있어서,
    상기 부정 임계값은 상기 계층 관계를 고려하여 결정되고,
    상기 하위 세그먼트 상에서 상기 부정 임계값의 변화로 인해 부정 임계값 변화 데이터1이 발생하는 경우, 상기 상위 세그먼트로 전달되고,
    상기 상위 세그먼트는 상기 부정 임계값 변화 데이터1을 기반으로 별도의 부정 임계값 변화 데이터의 생성 여부를 결정하고,
    상기 상위 세그먼트는 상기 부정 임계값 변화 데이터1이 상기 상위 세그먼트의 부정 임계값을 변화시키지 못하는 경우, 상기 부정 임계값 변화 데이터1을 저장하고, 추후 발생된 다른 부정 임계값 변화 데이터와 결합하여 상기 부정 임계값을 변화시키는지 여부를 판단하고,
    상기 상위 세그먼트는 상기 부정 임계값 변화 데이터1이 상기 상위 세그먼트의 상기 부정 임계값을 변화시키는 경우, 상기 부정 임계값 변화 데이터1을 기반으로 변화된 상기 부정 임계값에 대한 부정 임계값 변화 데이터2를 상기 상위 세그먼트의 상위 세그먼트로 전송하는 것을 특징으로 하는 방법.
  3. 제2항에 있어서,
    상기 제1 금융 서비스 제공부는 기준 예측값을 기반으로 상기 세그먼트로 상기 제1 금융 서비스를 제공하고, 이후 상기 크레딧 투 맵의 조정시 상기 크레딧 투 맵을 사용하여 제공된 상기 제1 금융 서비스를 조정하고,
    상기 제1 금융 서비스 제공부는 상기 세그먼트 및 상기 세그먼트에 관련된 다른 세그먼트에 발생된 이상 상황을 고려하여 상기 제1 금융 서비스를 조정하고,
    상기 제2 금융 서비스 제공부는 상기 세그먼트 중 금융 상품을 생성 가능한 금융 세그먼트의 금융 리스크 예측값 및 상기 금융 리스크 예측값과 금융 리스크 결과값과 차이값을 기반으로 상기 금융 세그먼트를 분류하고,
    상기 제2 금융 서비스 제공부는 상기 금융 세그먼트를 풀링하여 생성한 금융 세그먼트 풀을 기반으로 상기 금융 상품을 생성하고,
    상기 금융 상품은 상기 크레딧 투 맵의 변화에 따라 이율이 변동되는 것을 특징으로 하는 방법.
  4. 세그먼트별 크레딧 투 맵을 기반으로 금융 서비스를 제공하는 금융 서비스 장치는,
    크레딧 투 맵 생성 장치로부터 세그먼트에 대한 크레딧 투 맵을 수신하도록 구현되는 크레딧 투 맵 정보 수신부;
    상기 세그먼트에 제1 금융 서비스를 제공하도록 구현되는 제1 금융 서비스 제공부; 및
    상기 세그먼트를 기반으로 금융 상품을 생성하고 상기 세그먼트 외의 사용자 장치로 제2 금융 서비스를 제공하도록 구현되는 제2 금융 서비스 제공부를 포함하되,
    상기 크레딧 투 맵은 상기 세그먼트에 대한 시간에 따른 예측값과 결과값을 제공하여 예측 대비 결과의 차이를 수치화한 그래프이고,
    상기 크레딧 투 맵 상에서 정상 범위와 이상 범위가 설정되고,
    상기 크레딧 투 맵 상에 상기 예측값과 상기 결과값의 차이값이 결정되고, 상기 차이값이 제1 부정 방향으로 부정 임계값 이상 커지는 경우, 상기 이상 범위로 설정되고,
    상기 제1 부정 방향은 상기 예측값의 특성에 따라 다르게 설정되고,
    상기 부정 임계값은 상기 세그먼트의 특성 및 시간에 따라 변화되는 상기 예측값, 상기 예측값과 상기 결과값의 차이에 따라 시간별로 다르게 설정되고,
    상기 부정 임계값은 세그먼트별 센싱 민감도에 따라 다르게 설정되고,
    상기 세그먼트별 센싱 민감도는 예측 대상이 가지는 중요도에 따라서 다르게 설정되고,
    상기 세그먼트별 센싱 민감도는 세그먼트 관계에 따라서 적응적으로 변화되어 설정되고,
    상기 세그먼트 관계는 상위 세그먼트 및 하위 세그먼트로 구현되는 계층 관계이고,
    상기 세그먼트별 센싱 민감도는 상기 계층 관계를 고려하여 상기 상위 세그먼트 또는 상기 하위 세그먼트의 센싱 민감도의 변화에 따라 적응적으로 변화되는 것을 특징으로 하는 금융 서비스 장치.
  5. 제4항에 있어서,
    상기 부정 임계값은 상기 계층 관계를 고려하여 결정되고,
    상기 하위 세그먼트 상에서 상기 부정 임계값의 변화로 인해 부정 임계값 변화 데이터1이 발생하는 경우, 상기 상위 세그먼트로 전달되고,
    상기 상위 세그먼트는 상기 부정 임계값 변화 데이터1을 기반으로 별도의 부정 임계값 변화 데이터의 생성 여부를 결정하고,
    상기 상위 세그먼트는 상기 부정 임계값 변화 데이터1이 상기 상위 세그먼트의 부정 임계값을 변화시키지 못하는 경우, 상기 부정 임계값 변화 데이터1을 저장하고, 추후 발생된 다른 부정 임계값 변화 데이터와 결합하여 상기 부정 임계값을 변화시키는지 여부를 판단하고,
    상기 상위 세그먼트는 상기 부정 임계값 변화 데이터1이 상기 상위 세그먼트의 상기 부정 임계값을 변화시키는 경우, 상기 부정 임계값 변화 데이터1을 기반으로 변화된 상기 부정 임계값에 대한 부정 임계값 변화 데이터2를 상기 상위 세그먼트의 상위 세그먼트로 전송하는 것을 특징으로 하는 금융 서비스 장치.
  6. 제5 항에 있어서,
    상기 제1 금융 서비스 제공부는 기준 예측값을 기반으로 상기 세그먼트로 상기 제1 금융 서비스를 제공하고, 이후 상기 크레딧 투 맵의 조정시 상기 크레딧 투 맵을 사용하여 제공된 상기 제1 금융 서비스를 조정하고,
    상기 제1 금융 서비스 제공부는 상기 세그먼트 및 상기 세그먼트에 관련된 다른 세그먼트에 발생된 이상 상황을 고려하여 상기 제1 금융 서비스를 조정하고,
    상기 제2 금융 서비스 제공부는 상기 세그먼트 중 금융 상품을 생성 가능한 금융 세그먼트의 금융 리스크 예측값 및 상기 금융 리스크 예측값과 금융 리스크 결과값과 차이값을 기반으로 상기 금융 세그먼트를 분류하고,
    상기 제2 금융 서비스 제공부는 상기 금융 세그먼트를 풀링하여 생성한 금융 세그먼트 풀을 기반으로 상기 금융 상품을 생성하고,
    상기 금융 상품은 상기 크레딧 투 맵의 변화에 따라 이율이 변동되는 것을 특징으로 하는 금융 서비스 장치.
KR1020210180627A 2021-12-16 2021-12-16 세그먼트별 크레딧 투 맵을 기반으로 금융 서비스를 제공하는 방법 및 이러한 방법을 수행하는 장치 KR102433932B1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020210180627A KR102433932B1 (ko) 2021-12-16 2021-12-16 세그먼트별 크레딧 투 맵을 기반으로 금융 서비스를 제공하는 방법 및 이러한 방법을 수행하는 장치
KR1020220096821A KR20230091763A (ko) 2021-12-16 2022-08-03 세그먼트별 크레딧 투 맵을 기반으로 금융 서비스를 제공하는 방법 및 이러한 방법을 수행하는 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210180627A KR102433932B1 (ko) 2021-12-16 2021-12-16 세그먼트별 크레딧 투 맵을 기반으로 금융 서비스를 제공하는 방법 및 이러한 방법을 수행하는 장치

Related Child Applications (1)

Application Number Title Priority Date Filing Date
KR1020220096821A Division KR20230091763A (ko) 2021-12-16 2022-08-03 세그먼트별 크레딧 투 맵을 기반으로 금융 서비스를 제공하는 방법 및 이러한 방법을 수행하는 장치

Publications (1)

Publication Number Publication Date
KR102433932B1 true KR102433932B1 (ko) 2022-08-19

Family

ID=83113577

Family Applications (2)

Application Number Title Priority Date Filing Date
KR1020210180627A KR102433932B1 (ko) 2021-12-16 2021-12-16 세그먼트별 크레딧 투 맵을 기반으로 금융 서비스를 제공하는 방법 및 이러한 방법을 수행하는 장치
KR1020220096821A KR20230091763A (ko) 2021-12-16 2022-08-03 세그먼트별 크레딧 투 맵을 기반으로 금융 서비스를 제공하는 방법 및 이러한 방법을 수행하는 장치

Family Applications After (1)

Application Number Title Priority Date Filing Date
KR1020220096821A KR20230091763A (ko) 2021-12-16 2022-08-03 세그먼트별 크레딧 투 맵을 기반으로 금융 서비스를 제공하는 방법 및 이러한 방법을 수행하는 장치

Country Status (1)

Country Link
KR (2) KR102433932B1 (ko)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102009309B1 (ko) * 2018-02-28 2019-08-09 주식회사 에이젠글로벌 금융상품 관리자동화 시스템 및 관리자동화 방법
KR102178427B1 (ko) * 2018-10-30 2020-11-18 주식회사 알스피릿 상황인지 기반의 경기 지표를 이용하여 예측한 위기 감지 방법 및 이를 위한 장치

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102009309B1 (ko) * 2018-02-28 2019-08-09 주식회사 에이젠글로벌 금융상품 관리자동화 시스템 및 관리자동화 방법
KR102178427B1 (ko) * 2018-10-30 2020-11-18 주식회사 알스피릿 상황인지 기반의 경기 지표를 이용하여 예측한 위기 감지 방법 및 이를 위한 장치

Also Published As

Publication number Publication date
KR20230091763A (ko) 2023-06-23

Similar Documents

Publication Publication Date Title
Mudassir et al. Time-series forecasting of Bitcoin prices using high-dimensional features: a machine learning approach
Du Jardin Dynamics of firm financial evolution and bankruptcy prediction
Khemakhem et al. Credit risk assessment for unbalanced datasets based on data mining, artificial neural network and support vector machines
Chen Bankruptcy prediction in firms with statistical and intelligent techniques and a comparison of evolutionary computation approaches
US7930260B2 (en) System and method for real time pattern identification
Chen et al. Using neural networks and data mining techniques for the financial distress prediction model
Petit-Renaud et al. Nonparametric regression analysis of uncertain and imprecise data using belief functions
US20220121729A1 (en) Computational model optimizations
Hafezi et al. Forecasting gold price changes: Application of an equipped artificial neural network
Chaudhuri Modified fuzzy support vector machine for credit approval classification
JP2020524346A (ja) 短期利益を予測する方法、装置、コンピューターデバイス、プログラムおよび記憶媒体
Liu et al. A gradient-boosting decision-tree approach for firm failure prediction: an empirical model evaluation of Chinese listed companies
Maciel et al. Functional fuzzy rule-based modeling for interval-valued data: An empirical application for exchange rates forecasting
US20220207420A1 (en) Utilizing machine learning models to characterize a relationship between a user and an entity
Roostaee et al. Forecasting financial signal for automated trading: an interpretable approach
KR102433932B1 (ko) 세그먼트별 크레딧 투 맵을 기반으로 금융 서비스를 제공하는 방법 및 이러한 방법을 수행하는 장치
KR20110114181A (ko) 예측 정확성이 향상된 대출 심사 방법
KR102433930B1 (ko) 세그먼트별 트래킹을 기반으로 크레딧 투 맵을 조정하는 방법 및 이러한 방법을 수행하는 장치
KR102453979B1 (ko) 세그먼트별 크레딧 투 맵을 생성하는 방법 및 이러한 방법을 수행하는 장치
KR102449934B1 (ko) 세그먼트별 예측 모델을 생성하는 방법 및 이러한 방법을 수행하는 장치
Chen et al. Stock market prediction using weighted inter-transaction class association rule mining and evolutionary algorithm
Salihu et al. A review of algorithms for credit risk analysis
Lee et al. Application of machine learning in credit risk scorecard
Liu et al. RETRACTED ARTICLE: Company financial path analysis using fuzzy c-means and its application in financial failure prediction
Kazemi et al. Estimation of optimum thresholds for binary classification using genetic algorithm: An application to solve a credit scoring problem

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
A107 Divisional application of patent
GRNT Written decision to grant