KR20230147520A - 고객의 신용 점수 개선을 위한 최적 신용 활동 추천 장치 및 방법 - Google Patents

고객의 신용 점수 개선을 위한 최적 신용 활동 추천 장치 및 방법 Download PDF

Info

Publication number
KR20230147520A
KR20230147520A KR1020230029297A KR20230029297A KR20230147520A KR 20230147520 A KR20230147520 A KR 20230147520A KR 1020230029297 A KR1020230029297 A KR 1020230029297A KR 20230029297 A KR20230029297 A KR 20230029297A KR 20230147520 A KR20230147520 A KR 20230147520A
Authority
KR
South Korea
Prior art keywords
credit
user
activity
score
processor
Prior art date
Application number
KR1020230029297A
Other languages
English (en)
Other versions
KR102602582B1 (ko
Inventor
신윤제
Original Assignee
주식회사 어니스트펀드
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 어니스트펀드 filed Critical 주식회사 어니스트펀드
Publication of KR20230147520A publication Critical patent/KR20230147520A/ko
Application granted granted Critical
Publication of KR102602582B1 publication Critical patent/KR102602582B1/ko

Links

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
    • G06Q40/03—Credit; Loans; Processing thereof
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/906—Clustering; Classification
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • 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
    • G06Q40/02—Banking, e.g. interest calculation or account maintenance

Landscapes

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

Abstract

메모리, 통신 모듈 및 프로세서를 포함하는 장치에 의해 수행되는 신용 활동 추천 방법으로, 메모리는 불특정 고객들의 신용 평가 데이터에 기초하여 불특정 고객을 복수의 클러스터로 클러스터링한 정보를 저장하도록 구성된다. 신용 활동 추천 방법은, 프로세서에 의해, 통신 모듈을 통해 사용자의 신용 평가 데이터를 획득하는 단계; 사용자가 복수의 클러스터 중 어떤 클러스터에 포함되는지 판단하는 단계; 사용자의 목표 신용 점수를 획득하는 단계; 사용자가 속하는 클러스터, 사용자의 신용 평가 데이터 중 적어도 일부 및 목표 신용 점수에 기초하여 사용자가 제1 기간 동안 수행할 제1 신용 활동을 산출하는 단계; 및 제1 신용 활동을 상기 사용자에게 제공하는 단계를 포함한다.

Description

고객의 신용 점수 개선을 위한 최적 신용 활동 추천 장치 및 방법{DEVICE FOR RECOMMENDING OPTIMAL CREDIT ACTIVITIES TO INCREASE CREDIT RATINGS AND METHOD THEREFOR}
본 개시는 고객에게 고객의 신용 점수를 개선하기 위한 최적의 신용 활동을 추천하는 장치 및 방법에 관한 것으로, 고객별로 맞춤 신용 활동을 추천하는 장치 및 방법에 관한 것이다.
개인의 신용 점수는 대출뿐 아니라 카드발급·보험 가입 등 다양한 금융 활동에 영향을 준다. 따라서, 신용 활동을 하는 모든 개인은 자신의 원활한 금융 활동을 위하여 자신의 신용 점수를 관리하는 것을 희망한다. 신용 관리를 위하여 기존에 제공되는 신용 점수 시뮬레이터는 시행 착오 기반 프로세스를 통하여, 고객이 다양한 시나리오를 실험하여 일련의 신용 활동이 신용 점수에 미칠 수 있는 영향을 확인하도록 구성된다. 예를 들어, 새로 신용 대출을 받는 경우나, 신용카드 잔액을 줄이는 경우를 가정하여 신용 점수의 변화를 확인할 수 있다.
하지만, 정확한 신용 점수 산정 로직을 가지고 있는 회사가 있다고 하더라도, 산정 로직 만으로는 고객에게 신용 개선을 위한 최적 금융 활동을 추천하는 것은 어렵다. 예를 들어 최근 개인 회생을 신청한 고객이 있을 때, 신용 점수 산정 로직 상으로는 개인 회생 기록을 삭제하는 것이 신용 점수 회복에 가장 큰 도움이 된다는 점을 알 수는 있지만, 이는 해당 고객에게는 현실적으로 불가능한 활동일 수 있다.
본 개시에서는 유사한 속성을 가진 고객의 데이터의 분포를 활용하여 실현 가능한 신용도 상향 활동을 제시하므로, 현실적인 신용 활동 추천이 가능하다.
고객별로 고객에게 가장 적합한 신용 점수 상승을 위한 활동을 추천하는 장치 및 방법을 제공한다.
본 개시의 일 형태에서, 메모리, 통신 모듈 및 프로세서를 포함하는 장치에 의해 수행되는 신용 활동 추천 방법으로, 메모리는 불특정 고객들의 신용 평가 데이터에 기초하여 불특정 고객을 복수의 클러스터로 클러스터링한 정보를 저장하도록 구성된다. 신용 활동 추천 방법은, 프로세서에 의해, 통신 모듈을 통해 사용자의 신용 평가 데이터를 획득하는 단계; 사용자가 복수의 클러스터 중 어떤 클러스터에 포함되는지 판단하는 단계; 사용자의 목표 신용 점수를 획득하는 단계; 사용자가 속하는 클러스터, 사용자의 신용 평가 데이터 중 적어도 일부 및 목표 신용 점수에 기초하여 사용자가 제1 기간 동안 수행할 제1 신용 활동을 산출하는 단계; 및 제1 신용 활동을 상기 사용자에게 제공하는 단계를 포함한다.
일 실시예에서, 상기 제1 신용 활동을 산출하는 단계 이후에, 상기 사용자가 속하는 클러스터, 상기 사용자의 신용 평가 데이터, 상기 목표 신용 점수 및 상기 제1 신용 활동이 수행되었다는 가정에 기초하여 상기 사용자가 상기 제1 기간 이후의 제2 기간 동안 수행할 제2 신용 활동을 산출하는 단계; 및 상기 제2 신용 활동을 상기 사용자에게 제공하는 단계를 더 포함할 수 있다.
일 실시예에서, 상기 사용자의 목표 신용 점수를 획득하는 단계는, 상기 사용자로부터 수신한 금융 상품에 기초하여 상기 프로세서에 의해 산출하는 단계를 포함할 수 있다.
일 실시예에서, 상기 사용자가 상기 복수의 클러스터 중 어떤 클러스터에 포함되는지 판단하는 단계는, 상기 불특정 고객을 복수의 클러스터로 클러스터링할 때 사용한 지표와 동일한 지표에 기초하여, 상기 사용자가 상기 복수의 클러스터 중 어떤 클러스터에 포함되는지 판단하는 단계를 포함할 수 있다.
일 실시예에서, 상기 제1 신용 활동을 추천하는 단계는, 상기 제1 기간 전과 후의 신용 정보의 차이를 신용 거리로 정의하는 단계; 및 상기 신용 거리를 마할라노비스 거리 또는 유클리디언 거리를 사용하여 최소화하는 신용 활동을 산출하는 단계를 포함할 수 있다.
일 실시예에서, 상기 제1 신용 활동을 산출하는 단계 이전에, 상기 불특정 다수의 신용 평가 데이터에 기초하여, 신용 점수 산정 로직을 획득하는 단계를 더 포함할 수 있다.
일 실시예에서, 상기 제1 신용 활동을 산출하는 단계는, 상기 제1 기간 내에 수행할 복수의 신용 활동을 산출하는 단계; 및 상기 복수의 신용 활동을 상기 제1 기간 보다 짧은 구간으로 분할하여 거리 순에 따라 상기 사용자에게 제공하는 단계를 포함할 수 있다.
일 실시예에서, 상기 통신 모듈을 통해 사용자의 신용 평가 데이터를 획득하는 단계는, 상기 사용자의 허락에 의해 다른 서비스 제공자로부터 제공받는 단계를 포함할 수 있다.
본 개시의 일 형태에서, 불특정 고객들의 신용 평가 데이터에 기초하여 상기 불특정 고객을 복수의 클러스터로 클러스터링한 정보 및 명령어를 저장하도록 구성된 메모리; 외부 장치와 통신하여 정보를 주고받도록 구성된 통신 모듈; 및 상기 메모리 및 상기 통신 모듈을 제어하도록 구성된 프로세서를 포함하는 신용 활동 추천 장치로, 상기 메모리에 저장된 명령어가 상기 프로세서에 의해 수행될 때, 상기 프로세서는 상술한 신용 활동 추천 방법을 수행하도록 구성된다.
본 개시의 일 형태에서, 불특정 고객들의 신용 평가 데이터에 기초하여 상기 불특정 고객을 복수의 클러스터로 클러스터링한 정보 및 명령어를 저장하도록 구성된 메모리; 외부 장치와 통신하여 정보를 주고받도록 구성된 통신 모듈; 및 상기 메모리 및 상기 통신 모듈을 제어하도록 구성된 프로세서를 포함하는 신용 활동 추천 장치가 제공된다. 상기 메모리에 저장된 명령어가 상기 프로세서에 의해 수행될 때, 상기 프로세서는 통신 모듈을 통해 사용자의 신용 평가 데이터를 획득하는 단계; 상기 사용자가 상기 복수의 클러스터 중 어떤 클러스터에 포함되는지 판단하는 단계; 상기 사용자의 목표 신용 점수를 획득하는 단계; 상기 사용자가 속하는 클러스터, 상기 신용 평가 데이터에 포함되고 상기 사용자의 신용 점수에 영향을 줄 수 있는 신용 활동, 및 상기 목표 신용 점수에 기초하여 상기 사용자가 선택된 기간 동안 수행할 복수의 신용 활동을 산출하는 단계; 및 상기 복수의 신용 활동을 시계열적 우선 순위에 따라 상기 사용자에게 제공하는 단계를 수행하도록 구성된다.
일 실시예에서, 상기 사용자의 목표 신용 점수를 획득하는 단계는, 상기 사용자로부터 수신한 금융 상품에 기초하여 상기 프로세서에 의해 산출하는 단계를 포함할 수 있다.
일 실시예에서, 상기 사용자가 상기 복수의 클러스터 중 어떤 클러스터에 포함되는지 판단하는 단계는, 상기 불특정 고객을 복수의 클러스터로 클러스터링할 때 사용한 지표와 동일한 지표에 기초하여, 상기 사용자가 상기 복수의 클러스터 중 어떤 클러스터에 포함되는지 판단하는 단계를 포함할 수 있다.
본 개시에 따르면, 현재 개인이 자신의 신용 점수를 상향하기 위하여 해야 할 신용 활동을 설명 가능한 형태로 확인할 수 있으므로, 자신의 신용도의 문제점을 자체 진단할 수 있다.
또한, 본 개시에 따르면, 개인이 목표하는 신용 점수까지 상향하기 위하여 해야 하는 일련의 신용 활동을 찾을 수 있으므로, 고객은 단기간에 신용도 개선을 이룰 수 있다.
또한, 본 개시에 따르면, 금융 기관은 해당 고객에게 능동적인 신용 관리 방법을 서비스로 제공할 수 있다.
도 1은 본 개시의 일 실시예에 따른 신용 활동 추천 장치의 블록도이다.
도 2는 본 개시의 다른 실시예에 따른 신용 활동 추천 장치의 블록도이다.
도 3은 본 개시의 일 실시예에 따른 사용자의 데이터의 흐름도이다.
도 4는 본 개시의 일 실시예에 따른 신용 활동 추천 방법을 보여주는 흐름도이다.
도 5 내지 도 7은 본 개시의 일 실시예에 따른 장치 화면의 일 예이다.
도 8 및 도 9는 본 개시의 일 실시예에 따른 장치 화면의 다른 예이다.
아래에서는 첨부한 도면을 참고로 하여 본 개시의 실시예에 대하여 본 개시가 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그러나 본 개시는 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다.
그리고 도면에서 본 개시를 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
명세서 전체에서, 어떤 부분이 어떤 구성 요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성 요소를 제외하는 것이 아니라 다른 구성 요소를 더 포함할 수 있는 것을 의미한다.
본 개시에 기재된 기술을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 개시의 실시예의 다양한 변경(modifications), 균등물(equivalents), 및/또는 대체물(alternatives)을 포함하는 것으로 이해되어야 한다.
본 개시에서 사용된 표현 "~하도록 구성된(또는 설정된)(configured to)"은 상황에 따라, 예를 들면, "~에 적합한(suitable for)", "~하는 능력을 가지는(having the capacity to)", 하도록 설계된(designed to)", "~하도록 변경된(adapted to)", "~하도록 만들어진(made to)", 또는 "~를 할 수 있는(capable of)"과 바꾸어 사용될 수 있다. 용어 "~하도록 구성된(또는 설정된)"은 하드웨어적으로 "특별히 설계된(specifically designed to)" 것 만을 반드시 의미하지 않을 수 있다. 대신, 어떤 상황에서는, "~하도록 구성된 장치"라는 표현은, 그 장치가 다른 장치 또는 부품들과 함께 "~할 수 있는" 것을 의미할 수 있다. 예를 들면, 문구 "A, B, 및 C를 수행하도록 구성된(또는 설정된) 프로세서", "A, B, 및 C를 수행하도록 구성된(또는 설정된) 모듈"은 해당 동작을 수행하기 위한 전용 프로세서(예: 임베디드 프로세서), 또는 메모리 장치에 저장된 하나 이상의 소프트웨어 프로그램들을 실행함으로써, 해당 동작들을 수행할 수 있는 범용 프로세서(generic-purpose processor)(예: CPU 또는 application processor)를 의미할 수 있다.
본 개시에 기재된 선행 문헌은 그 전체가 참조로써 본 명세서에 결합되며, 선행 문헌에 기재된 내용을 본 기술 분야의 일반적인 지식을 가진 사람이 본 개시에 간략히 설명된 부분에 적용할 수 있음이 이해될 것이다.
본 개시에 개시된 인공 신경망(또는 인공 지능 모델)은 프로세서, 데이터베이스, 메모리, 통신 모듈, 서버의 적어도 두개의 조합에 의해 구형될 수 있다. 일 실시예에서, 프로세서는 ASICs(application specific integrated circuits), DSPs(digital signal processors), DSPDs(digital signal processing devices), PLDs(programmable logic devices), FPGAs(field programmable gate arrays), 제어기(controllers), 마이크로 컨트롤러(micro-controllers), 마이크로 프로세서(microprocessors), 기타 기능 수행을 위한 임의의 형태의 프로세서 또는 컨트롤러일 수 있다.
일 실시예에서, 데이터베이스는 장치의 동작을 위한 정보를 저장하도록 구성된다. 데이터베이스는 장치에서 구동되는 다수의 응용 프로그램(application program) 또는 애플리케이션(application), 프로세서가 읽어들일 수 있는 데이터들, 명령어들을 저장할 수 있다. 예를 들어, 데이터베이스는 HDD(Hard Disk Drive), SSD(Solid State Disk), SDD(Silicon Disk Drive), ROM, RAM, EPROM, 플래시 드라이브, 하드 드라이브, 네트워크를 이용한 클라우드 등과 같은 다양한 저장 공간을 포함할 수 있다.
인공 지능 모델이란, 본 개시에서, 대량의 학습 데이터를 통해 인공 신경망(Artificial Neural Network, ANN)을 포함하는 학습 모델을 학습시켜 인공 신경망 내부의 파라미터를 최적화하고, 학습된 학습 모델을 이용하여 시스템(도시하지 않음)의 동작에 관여하는 모델을 의미할 수 있다. 일 실시예에서 인공 지능 모듈(도시하지 않음)은 MRC(Machine Reading Comprehension)를 통해 학습될 수 있다. 일 실시예에서, 인공 지능 모듈에 사용되는 인공 신경망 모델은 합성곱 신경망(Convolutional Neural Network, CNN), 심층 신경망(Deep Neural Network, DNN), 순환 신경망(Recurrent Neural Network, RNN), 제한적 볼츠만 머신(Restricted Boltzmann Machine, RBM), 심층 신뢰 신경망(Deep Belief Network, DBN), 양방향 순환 신경망(Bidirectional Recurrent Deep Neural Network, BRDNN), 변이형 오토 인코더(Variational Auto Encoder, VAE) 또는 심층 Q-네트워크(Deep Q-Networks) 등 중 적어도 어느 하나 또는 이들의 조합이 있으나, 전술한 예에 한정되지 않는다. 학습 방법은 사용자가 정의한 특정 데이터들 간의 규칙을 기반으로 입력된 데이터 중 특정 규칙을 만족하는 데이터에 대해 추론하여 서비스를 생성하는 규칙 기반의 추론(Rule-based Reasoning), 현재 사례(Case)에 대한 문제를 해결하기 위해 과거의 사례를 기반으로 일치/유사한 사례를 매칭하는 사례 기반의 추론(Case-based Reasoning) 등을 포함할 수 있다. 또한, 지도 학습, 비지도 학습, 강화 학습, 신경망 등을 사용한 추론 기술이 이용될 수 있지만, 이에 한정되지는 않는다.
본 개시는 고객의 신용 점수 개선을 위한 최적 신용 활동 추천 장치에 관한 것으로 고객의 신용 정보의 특성을 검통하여 개별 고객이 이동할 수 있는 최적의 신용 활동을 검색하고, 이를 통하여 현재 신용 점수에서 다음 달 상향될 수 있는 점수로 상향될 수 있는 구체적인 방법을 제시한다. 본 개시는 여신, 마이데이터 등 신용 정보를 조회할 수 있는 모든 분야에 적용 가능하다.
본 개시에서 신용 정보는 개인의 신용 평가 데이터에 포함되는 개념일 수 있다.
도 1은 본 개시의 일 실시예에 따른 신용 활동 추천 장치(100)의 블록도이다.
도 1을 참조하면, 본 개시에 따른 신용 활동 추천 장치(100)는 통신 모듈(110), 데이터베이스(120), 사용자 인터페이스(130) 및 신용 활동 추천부(140)를 포함할 수 있다. 본 개시에 따른 신용 활동 추천 장치(100)는 개인에 대한 신용 활동을 추천하기 위해 신용 조사 기관(Credit Bureau, CB), 은행과 같은 금융 기관 혹은 마이 데이터를 관리하는 데이터 사업자에서 운용하는 장치를 포함할 수 있다. 또한, 신용 활동 추천 장치(100)는 상기 기관으로부터 신용 정보 또는 신용 평가 데이터를 받아 신용 활동을 추천하기 위한 서비스 제공자 또는 공공 기관에 의해 운용되는 시스템에 포함되는 장치일 수도 있다.
통신 모듈(110)은 외부 장치와 통신을 위한 모듈을 포함한다. 통신 모듈(110)은 신용 활동 추천 장치(100)가 외부 기기와 통신하여 정보를 수신하도록 구성된다. 통신 모듈(110)의 통신 방식은 GSM(Global System for Mobile communication), CDMA(Code Division Multi Access), HSDPA(High Speed Downlink Packet Access), HSUPA(High Speed Uplink Packet Access), LTE(Long Term Evolution), LTE-A(Long Term Evolution-Advanced) 등), WLAN(Wireless LAN), Wi-Fi(Wireless-Fidelity), Wi-Fi(Wireless Fidelity) Direct, DLNA(Digital Living Network Alliance), WiBro(Wireless Broadband), WiMAX(World Interoperability for Microwave Access)에 따라 구축된 네트워크를 이용할 수 있으나, 이에 한정하는 것은 아니며 향후 개발될 모든 전송 방식 표준을 포함할 수 있다. 또한, 통신 모듈(110)의 통신 방식은 유/무선을 통하여 데이터를 주고받을 수 있는 것을 모두 포함할 수 있다.
신용 활동 추천 장치(100)는 통신 모듈(110)을 통해 사용자의 소정의 정보를 입력 받을 수 있다. 예를 들어, 신용 활동 추천 장치(100)는 사용자의 신용도를 평가하기 위해 필요한 데이터를 통신 모듈(110)을 통해 수신할 수 있다. 사용자의 신용도를 평가하기 위해 필요한 데이터는 예를 들어 신용 평가에 사용되는 금융 정보로서 개인의 동의를 통하여 신용 조사 기관 혹은 마이데이터 사업자로부터 API나 전문 등의 방식으로 제공받을 수 있다.
데이터베이스(120)는 컴퓨팅 디바이스에 의해 액세스될 수 있고 데이터 및 실행 가능 명령어들(예를 들어, 소프트웨어 애플리케이션들, 프로그램들, 함수들 등)의 영구적 저장을 제공하는 데이터 저장 디바이스들과 같은 컴퓨터 컴퓨터 판독 가능 저장 매체를 포함한다. 데이터베이스(120)는 신용 활동 추천부(140)와 함께 실행 가능한 소프트웨어 명령어들(예를 들어, 컴퓨터 실행 가능 명령어들) 또는 모듈로서 구현될 수 있는 소프트웨어 애플리케이션을 저장하도록 구성된다.
데이터베이스(120)는 불특정 다수, 불특정 다수의 신용 평가에 사용되는 금융 정보, 불특정 다수의 신용 활동, 불특정 다수의 신용 활동에 따른 신용 평가 결과, 불특정 다수의 신용 평가에 따른 그룹핑된 결과 등을 저장할 수 있다.
사용자 인터페이스(130)는 신용 활동 추천 장치(100)의 관리자의 입력을 수신하도록 구성된다. 사용자 인터페이스(130)는 신용 활동을 추천하여 사용자에게 제시하도록 구성될 수 있다. 사용자 인터페이스(130)는 개인에게 직접 신용 활동을 추천하는 장치일 수도 있으며, 또는 사용자가 이용하는 컴퓨터, 태블릿 PC, 휴대 단말기 등과 통신 모듈(110)을 통해 신용 활동을 제공하는 장치일 수 있다.
신용 활동 추천부(140)는 사용자의 정보에 기초하여, 사용자별 맞춤 신용 활동을 추천하도록 구성될 수 있다. 일 실시예에서, 사용자의 정보는 사용자의 개인 정보 및 신용 평가에 사용되는 금융 정보를 포함할 수 있다. 신용 활동 추천부(140)의 동작에 대해서는 후술한다.
도 2는 본 개시의 다른 실시예에 따른 신용 활동 추천 장치(200)의 블록도이다. 도 2를 참조하면, 신용 활동 추천 장치(200)는 통신 모듈(210), 메모리(220), 사용자 인터페이스(230) 및 프로세서(240)를 포함한다. 통신 모듈(210), 메모리(220), 사용자 인터페이스(230)는 통신 모듈(110), 데이터베이스(120), 사용자 인터페이스(130)와 실질적으로 동일하거나 유사하며, 따라서 자세한 설명은 생략하도록 한다. 프로세서(240)는 신용 활동 추천 장치(200)의 동작을 제어하도록 구성된다. 프로세서(240)는 메모리(220)에 저장된 명령어들이 실행될 때, 본 개시에서 제공되는 방법을 수행할 수 있다. 프로세서(240)는 메모리(220)에 저장된 명령어들이 실행될 때, 도 1의 신용 활동 추천부(140)의 기능을 수행할 수 있다.
도 3은 본 개시의 일 실시예에 따른 사용자의 데이터의 흐름도이다. 데이터 사업자(36) 또는 금융 기관(34)은 본 개시의 신용 활동 추천 장치(100 또는 200)를 운용할 수 있다. 신용 활동 추천 장치(100 또는 200)는 사용자(32)에게 사용자(32)의 신용 평가에 필요한 데이터에 기초하여 적절한 신용 활동을 추천하도록 구성된다. 따라서, 신용 활동 추천 장치(100 또는 200)는 사용자(32)의 신용 평가에 필요한 데이터를 가지고 있어야 한다. 신용 활동 추천 장치(100 또는 200)를 운용하는 기관이 사용자(32)의 신용 평가 데이터를 가지고 있지 않는 경우 다음과 같이 신용 평가 데이터를 획득할 수 있다.
일 실시예에서, 사용자(32)는 금융 기관(34)에게 신용 평가 데이터를 제공할 수 있다. 사용자(32)는 데이터 사업자(36)에게 신용 평가 데이터를 전송할 것을 금융 기관(34)에게 요청할 수 있다. 금융 기관(34)은 사용자(32)의 요청에 따라 데이터 사업자(36)에게 신용 평가 데이터를 제공할 수 있다. 사용자(32)는 데이터 사업자(36)에게 전송할 신용 평가 데이터를 선택할 수 있다. 금융 기관(34)은 API 방식으로 데이터 사업자(36)에게 신용 평가 데이터를 전송한다.
일 실시예에서, 사용자(32)는 사용자(32)의 신용 평가 데이터를 보유하고 있지 않은 금융 기관(34)에게 데이터 사업자(36)를 통해 신용 평가 데이터를 전송할 수 있다. 사용자(32)는 금융 기관(34)에게 신용 평가 데이터를 전송할 것을 데이터 사업자(36)에게 요청할 수 있다. 데이터 사업자(36)는 API 방식으로 금융 기관(34)에게 신용 평가 데이터를 전송한다.
일 실시예에서는, 사용자(32)가 데이터 사업자(36)에게 신용 평가 데이터를 제공할 수 있다. 사용자(32)는 데이터 사업자(36)에게 신용 평가 데이터를 직접 제공할 수도 있다. 또한, 사용자(32)는 상술한 바와 같이 금융 기관(34)을 통해 데이터 사업자(36)에게 신용 평가 데이터를 제공할 수도 있다.
도 1 및 도 2를 다시 참조하면, 데이터베이스(120) 또는 메모리(220)에는 불특정 다수의 고객에 관한, 그들의 신용 평가 데이터에 기초하여 그룹핑된 데이터가 저장된다. 도 1을 예로 들어 설명하면, 통신 모듈(110)은 불특정 다수 고객의 신용 평가 데이터를 외부로부터 수신한다. 일 실시예에서, 신용 평가 데이터는 나이와 셩별과 같은 신상정보 혹은 대출, 카드, 연체 이력과 같은 신용 점수를 산정하기 위한 신용 조사 기관으로부터 수신한 정보, 신용 조사 기관에서 제공한 신용 등급(혹은 점수), 마이데이터 사업자를 통하여 수집된 금융 정보 중 적어도 하나를 포함할 수 있다. 신용 평가 데이터는 특정 기간동안 지속적으로 수집될 수 있다. 예를 들어, 불특정 다수 고객 각각에 대해 1달, 2달, 3달, 4달, 6달, 1년 등의 일정한 간격에 따라 대출, 카드, 연체 이력, 잔고, 신용 등급(혹은 점수) 등과 같은 정보들이 지속적으로 수집될 수 있다. 이에 따라, 불특정 다수 고객 각각이 시간의 흐름에 따른 대출, 카드, 연체 이력, 잔고, 신용 등급(혹은 점수) 등과 같은 정보들이 수집될 수 있다.
일 실시예에서, 신용 평가 데이터는 신용 평점 산정을 위한 필수 지표와 보조 지표로 구분될 수 있다. 필수 지표에는 대출, 연체이력, 카드, 보증, 불량 이력에 관한 정보 등을 포함할 수 있으며, 보조 지표에는 나이와 성별 등과 같은 신상 정보와 거주지 정보, 직장이력, 수신이력, 부수거래이력에 관한 정보 등을 포함할 수 있다.
고객 판별부(142)는 불특정 다수 고객의 신용 평가 데이터를 사용하여 고객 그룹을 나누도록(클러스터링) 구성될 수 있다. 일 실시예에서, 클러스터링 기법을 사용하여 고객 그룹을 분할할 수 있다. 예를 들어, K-평균 클러스터링(k-means clustering) 기법을 사용할 수 있다. K-평균 클러스터링은 비지도학습의 예시적인 학습 방법으로, 기존의 데이터에서 유사한 데이터를 찾아 그 그룹에 같이 그룹핑을 하는 방법이다.
일 실시예에서, 클러스터링에 사용되는 데이터는 필수 지표를 전부 포함하거나, 필수 지표에 보조 지표를 추가한 데이터일 수 있다. 클러스터링에 사용되는 데이터는 사용자 또는 서비스 제공자에 의해 선택 가능하다. 예를 들어, 서비스 제공자는 선택한 기준에 따라, 불특정 다수의 신용 평가 데이터를 선택하여 클러스터링을 수행할 수 있다. 서비스 제공자는 선택된 신용 평가 데이터와 동일 카테고리의 신용 평가 데이터를 사용자에게 요구할 수 있다. 데이터베이스(120) 또는 메모리(220)는 클러스터링에 어떤 신용 평가 데이터(예를 들어 필수 지표 중 어떤 정보가 사용되었는지, 보조 지표 중 어떤 정보가 사용되었는지 등)가 사용되었는지 저장할 수 있다. 데이터베이스(120) 또는 메모리(220)에 저장된 클러스터링의 기초가 되는 정보는 나중에 사용자가 어떤 클러스터에 포함되는지 판단하는데 사용될 수 있다.
K-평균 클러스터링에서, 클러스터의 중심점(centroid)과 데이터값과의 거리를 구하고 그 거리가 최소인 클러스터에 그 데이터값을 포함시킨다. 이에 따라 클러스터의 중심점이 새로 갱신된다. 이러한 작업을 반복하여 중심점이 변하지 않을 때까지 k-평균 클러스터링이 수행된다. 일 실시예에서, 중앙 손실(center loss) 및 자기 손실(magnet loss)를 이용하여 클러스터링이 수행될 수 있다. 각 그룹에 속한 데이터값은 클러스터의 중심으로 모이게 하는 것이 중앙 손실을 이용한 방법이고, 상이한 클러스터에 속한 데이터값이 서로 멀어지게 하는 것이 자기 손실을 이용한 방법이다. 클러스터링 방법은 본 개시가 작성된 시점에서 본 기술 분야의 통상의 기술자에게 알려진 방법으로 수행될 수 있음이 이해될 것이다. 일 실시예에서, 스펙트럴 클러스터링(Spectral clustering) 등이 사용될 수 있다.
일 실시예에서, 고객 판별부(142)는 수신한 신용 등급(혹은 점수)에 기초하여 신용 점수 구간으로 불특정 다수의 고객을 그룹핑할 수 있다.
일 실시예에서, 서비스 제공자, 예를 들어 신용 활동 추천 장치(100)의 관리자는, 고객을 클러스터링하기 위해, 클러스터링의 기준에 되는 정보를 선택하거나, 고객의 클러스터의 개수를 결정하거나, 중심점을 결정하거나, 신용 등급(혹은 점수)과 클러스터링 기법을 조합할 수 있다.
고객 판별부(142)에 의해 나누어진 고객의 클러스터(또는 그룹), 클러스터 기법은 데이터베이스(120)에 저장된다. 이에 따라, 데이터베이스(120)에 저장된 정보에 기초하여, 새롭게 수신하는 고객이 기존에 저장된 고객의 클러스터 중 어느 클러스터에 포함되는지 파악하는 것이 가능하다.
주어진 정보에 기초하여 고객을 클러스터링하는 기법으로 상술한 방법 외에 인공지능 분야에서 알려진 기법을 사용할 수 있음이 이해될 것이다.
고객 판별부(142)는 고객들의 선택된 기간(예를 들어, 1달, 2달, 3달, 4달, 6달, 등) 동안의 신용 평가 데이터와 신용 점수 변동의 분포를 산출하도록 구성될 수 있다. 해당 분포는 실제 고객들의 신용 정보/신용 점수 변동을 수치화 한 것으로 데이터베이스(120)에 저장되고, 이후 신용 활동 산출부(144)에 의해 사용될 수 있다.
도 4는 본 개시의 일 실시예에 따른 신용 활동 추천 방법을 보여주는 흐름도이다. 이하 도 1을 예시로 들어 설명한다. 신용 활동 추천을 제공받을 고객을 다른 고객(예를 들어, 데이터베이스(120)에 클러스터링된 고객)과 구분하기 위해 제1 고객이라고 명명한다.
도 4를 참조하면, S405에서 신용 활동 산출부(144)는 통신 모듈(110)을 통해 제1 고객의 신용 평가 데이터를 수신할 수 있다. 또, 신용 활동 산출부(144)는 제1 고객의 목표 신용 등급(혹은 점수)를 수신할 수 있다. 일 실시예에서, 목표 신용 등급(혹은 점수)은 제1 고객으로부터 수신할 수 있다. 목표 신용 등급(혹은 점수)는 서비스 제공자에 의해 제공되거나, 제1 고객이 원하는 금융 상품에 기초하여 정해질 수 있다. 예를 들어, 신용 활동 산출부(144)는 제1 고객이 일정 금액의 대출을 신청하는 경우 서비스 제공자가 상기 대출을 제공하기 위해 필요한 제1 고객의 목표 신용 등급(혹은 점수)를 계산할 수 있다. 신용 활동 산출부(144)는 제1 고객이 이자율을 낮추길 원하는 경우, 상기 이자율 감소를 위해 필요한 제1 고객의 목표 신용 등급(혹은 점수)를 계산할 수 있다.
일 실시예에서 제1 고객의 신용 평가 데이터는 나이와 성별과 같은 신상 정보 혹은 대출, 카드, 연체 이력과 같은 신용 등급(혹은 점수)를 산정하기 위한 신용 조사 기관으로부터 수신한 정보, 신용 조사 기관에서 제공한 신용 등급(혹은 점수), 수신정보, 개별 카드 결제 이력, 보유 자산 정보, 부수거래 정보 등 마이데이터 사업자를 통하여 수집된 금융 정보 중 적어도 하나를 포함할 수 있다. 또, 제1 고객의 신용 평가 데이터는 불특정 다수의 클러스터링에 사용한 신용 평가 데이터를 포함할 수 있다. 일 실시예에서, 신용 활동 산출부(144)는 제1 고객에게, 불특정 다수의 클러스터링에 사용한 신용 평가 데이터와 동일한 카테고리의 데이터를 요청할 수 있다. 예를 들어, 신용 활동 산출부(144)는 데이터베이스(120)에 저장된 불특정 다수 고객의 클러스터링에 사용된 정보를 읽어들이고, 이에 기초하여 제1 고객에게, 적어도 불특정 다수의 클러스터링에 사용한 신용 평가 데이터를 카테고리의 데이터를 요청할 수 있다. 클러스터링에 필요한 정보와 추후에 신용 추천에 필요한 정보는 상이할 수 있기 때문에, 신용 활동 산출부(144)는 클러스터링에 필요한 정보와 추후에 신용 활동 추천에 필요한 정보를 모두 요청할 수 있다.
일 실시예에서, 서비스 제공자는 제1 고객에게 필요한 신용 평가 데이터를 요청할 수 있다. 서비스 제공자는 제1 고객에게 필수 지표와 보조 지표로 구분하여 신용 평가 데이터를 요청할 수 있다. 제1 고객은 선택적으로 서비스 제공자에게 신용 평가 데이터를 제공할 수 있다.
S410에서, 신용 활동 산출부(144)는 고객별 단기 최적 추천 활동을 산출한다. 신용 활동은 사용자의 활동으로 신용 평가 데이터에 포함되는 활동이거나, 신용 등급(또는 점수)를 변동시킬 수 있는 활동을 포함한다. 예를 들어, 신용 활동은 이자 납부, 대환, 금융 계좌 정리, 대출/카드 연체 금액 납부, 대출 상환, 대출 대환, 신용카드 한도 증액, 신용 카드 추가 발급 등이 될 수 있다.
단기 최적 추천 활동을 산출하기 위해, 고객 판별부(142)는 제1 고객의 신용 평가 데이터와 데이터베이스(120)에 저장된 불특정 다수 고객들의 클러스터링된 정보에 기초하여 제1 고객이 어떤 클러스터에 속하는지 판별할 수 있다. 일 실시예에서, 불특정 다수 고객의 클러스터링을 수행할 때 사용한 정보와 제1 고객으로부터 얻는 정보가 동일할 수 있다.
일 실시예에서, 신용 활동 산출부(144)는 제1 고객이 속한 클러스터에 속하는 고객들의 신용 정보 및 이에 기초한 신용 등급(혹은 점수)을 이용하여 신용 활동을 산출할 수 있다. 이 때, 제1 고객이 어떤 클러스터에 속하는지 판별한 후, 각 클러스터 내 고객의 신용 정보의 평균과 통계치를 활용하기 위해서는 해당 클러스터 고객의 데이터가 필요하고, 이때 해당 클러스터에 속하는 고객 전부 혹은 일부를 샘플링할 수 있다. 일 실시예에서, 신용 정보는 신용 평가 데이터를 포함할 수 있다. 신용 정보의 변동은 신용 등급(혹은 점수)에 영향을 주는 신용 활동을 포함할 수 있다. 예를 들어, 대출 금액의 변동, 카드 한도의 변동, 이체 내역의 변동, 카드 개수의 변동 등은 신용 등급(혹은 점수)에 영향을 줄 수 있다. 이러한 신용 정보의 변동은 예시임이 이해될 것이다.
신용 활동 산출부(144)는 예를 들어, 제1 고객의 제1 시점에서의 신용 정보와 제1 시점에서 선택된 시간이 지난 제2 시점에서의 신용 정보의 차이를 신용 거리로 정의하고, 이 신용 거리를 다양한 형태의 수리적 거리에 근거하여 최소화할 수 있는 신용 활동을 찾는 방법을 통해 제1 고객에게 추천할 신용 활동을 산출할 수 있다. 예를 들어, 제1 시점은 현재, 선택된 시간은 1달, 2달, 3달 등의 단기 시간일 수 있다. 다양한 형태의 수리적 거리는 신용 평가 데이터 변동의 분포를 고려한 마할라노비스 거리나 신용 평가 데이터를 표준화한 후의 유클리드 거리를 포함할 수 있다. 일 실시예에서, 최적의 신용 활동은 원하는 점수만큼 상향한다는 제약식 가정 하에, 본 개시에서 정의한 신용 거리를 최소화하는 신용 활동을 의미할 수 있다. 신용 활동 산출부(144)는 제1 시점과 제2 시점의 신용 정보의 차이로부터 신용 활동을 구할 수 있다.
일 예로, S410에서 사용하는 최적화의 요소는 목적식, 제약식, 제약 조건 등으로 구성될 수 있다. 목적식은 신용 거리를 최소화하는 것이며, 제약식은 선택된 시간 후(예를 들어 1달 후) 원하는 신용 점수가 되도록 하는 것으로 정의할 수 있다. 이 때, 최적화의 수식은 하기 수식 1과 같은 형태로 모델링 될 수 있다. 이러한 수식 1은 예시적인 것으로 변형 가능함이 이해될 것이다.
(수식 1)
여기서 D(거리)는 다음 수식 2 및 3 중 적어도 하나로 정의될 수 있다.
(수식 2)
(수식 3)
여기서, 수식 2는 마할라노비스 거리, 수식 3은 유클리디언 거리에 대응될 수 있다. 여기서,
을 의미할 수 있다. C가 상향폭인 경우, 제약식이 f(X1)-f(X0) = C일 수 있다. 상기 식에서, n개월 후의 신용 활동을 찾기 위해서는 X1 대신 Xn을 이용할 수 있다.
예를 들어, 고객의 신용 정보가 N 개의 항목(예를 들어, 대출액, 한도, 연체 등등)으로 구성되는 경우 신용 정보 별 평균 행렬은 N*1의 행렬이고, 공분산 행렬은 항목 사이의 관계를 나타내므로 N*N 행렬로 구성된다. 각 클러스터 별 각각 평균 행렬과 공분산 행렬을 갖는다. 고객의 신용 정보는 신용 정보가 N 개의 항목(예를 들어, 대출액, 한도, 연체 등등)으로 구성되는 경우 신용 정보 별 평균 행렬은 N*1의 행렬로 나타나는 벡터일 수 있다.
일 실시예에서, 현재 신용 정보와 1개월 후의 신용 정보와의 차이를 찾기 위한 최소 거리의 기준으로서 마할라노비스 거리를 사용하는 경우 해당 고객의 거리를 빠르게 산출하기 위하여 고객 판별부(142)에서 각 클러스터별로 한달 동안의 신용 점수 변동에 대하여 평균과 공분산 계수를 미리 산출해 놓을 수 있다. 마할라노비스 거리를 사용하여 최소 거리를 구하는 방법은 선행 기술로 기재된 바 있어 자세한 설명은 생략한다.
수식 1에서 목표하는 신용 점수의 목표 신용 점수가 제약식으로 사용되므로, 신용 등급(혹은 점수)를 산출하기 위한 알고리즘 또는 로직이 데이터베이스(120)에 기 저장되어 있을 수 있다. 고객 판별부(142) 또는 신용 활동 산출부(144)는 신용 등급(혹은 점수)를 산출하기 위한 알고리즘 또는 로직은 지도학습을 통해 기존 고객들의 정보를 활용하여 획득할 수 있다. 예를 들어, 고객 판별부(142) 또는 신용 활동 산출부(144)는 기존 고객의 정보를 활용하여 신용 등급(혹은 점수)를 산출하기 위한 알고리즘 또는 로직을 회귀 분석 혹은 의사결정나무 등의 기법을 통하여 획득할 수 있다. 신용 등급(혹은 점수)를 산출하기 위한 알고리즘 또는 로직은 신용 평가 기관으로부터 획득할 수 있다.
일 실시예에서, 신용 점수의 상향폭 외에 제약 조건을 추가할 수 있다. 제1 고객은 사전에 화면에서 신용 활동을 선택하고, 선택된 신용 활동이 제약 조건으로 작용할 수 있다. 예를 들어, 제1 고객이 특정 기간 내에 대환이 가능하다는 선택을 하는 것에 대응하여 제약 조건으로 포함한 후 그 외의 신용 활동을 찾는 방식으로 최적화가 진행될 수 있다. 제약 조건에 따라, 제1 고객의 신용 평가 데이터가 달라질 수 있다. 예를 들어, 제1 고객이 특정 기간 내에 대환이 가능하다는 선택을 하는 것에 대응하여 대출 액수가 상이해질 수 있다.
신용 활동 산출부(144)는 수식 1 내지 3을 해결하는 방법으로 선형계획법, 비선형계획법, 휴리스틱기법(유전자알고리즘, Simulated Annealing 등) 등 수학적으로 모델링이 가능한 형태를 사용하여 신용 활동을 산출할 수 있다. 결정론적 형태로 최적화하기 어려운 경우 메타휴리스틱(유전자알고리즘, Simulated Annealing, Tabu-Search 등)을 활용하여 최적화를 수행할 수 있다. 메타휴리스틱 기법은 정해진 제약을 만족하는 해를 제한된 시간 내에 풀 수 있도록 하는 알고리즘으로 일반적으로 정해진 시간 내 최적화하기 어려운 문제에서 기존의 방법론보다 짧은 시간 내에 좋은 성능을 가지는 것으로 알려져 있다. 이러한 방법론은 예시적인 것으로, 본 개시가 작성되는 시점에서 온라인에서 검색가능한 다른 방법론이 사용될 수 있음이 이해될 것이다.
일 실시예에서, 신용 활동 산출부(144)는 신용 등급(혹은 점수)를 산출하기 위한 알고리즘 또는 로직이 선형 함수인 경우 선형 계획법을 사용할 수 있다. 신용 활동 산출부(144)는 신용 등급(혹은 점수)를 산출하기 위한 알고리즘 또는 로직이 선형 함수가 아닌 경우, 비선형계획법, 휴리스틱기법(유전자알고리즘, Simulated Annealing 등) 등 수학적으로 모델링이 가능한 방법론을 사용할 수 있다. 신용 활동 산출부(144)는 신용 등급(혹은 점수)를 산출하기 위한 알고리즘 또는 로직이 선형 함수인 경우 비선형계획법, 휴리스틱기법(유전자알고리즘, Simulated Annealing 등) 등 수학적으로 모델링이 가능한 방법론을 사용할 수 있다.
신용 등급(혹은 점수)를 산출하기 위한 알고리즘 또는 로직이 데이터베이스(120)에 저장되어 있으므로, 신용 활동 산출부(144)는 어떤 방식을 이용할 지 결정할 수 있다. 서비스 제공자는 어떤 방식을 사용할 것인지 선택할 수 있다.
S415에서 신용 활동 산출부(144)는 고객에게 제공할 장기간의 신용 활동 계획을 산출한다. 장기 추천 활동 산출은 단기 추천 활동 산출(S410)을 반복하여 산출한다. S415에서 산출된 최적 신용 활동은 예를 들어, 1개월 단위의 활동으로, 해당 활동이 이루어졌다는 가정하에, 누적하여 S410의 과정을 반복하여 고객이 원하는 장기 시점(12개월 등)까지 진행할 수 있다.
일 실시예에서 장기 기간, 예를 들어, 12개월의 최적의 루트를 찾고 이를 12개월로 분할하여 1달 단위로 제시할 수 있다. 장기 추천 활동을 산출하기 위하여 S410에서 12개월 내 필요한 최적 신용 활동으로 가정하여 최적 활동을 산출한 후, 해당 최적 활동을 신용 거리에 따라 단기 활동으로 나누어서 제시할 수 있다. 일 실시예에서, 신용 거리에 따라 미리 정해진 기준 혹은 선택한 기준(예를 들어, 비즈니스적으로 우선 순위를 정함)에 따라 단기 활동을 추천할 수 있다.
예를 들어, 신용 정보의 항목 각각이 추천 신용 활동 결과 행렬로 나타나게 된다. 즉, 신용 정보의 차원 수와 신용 거리의 차원 수는 동일하고, 신용 정보에 포함되는 항목들을 거리에 따라 배열하여 사용자에게 제공할 수 있다.
일 실시예에서, 기간을 복수 개 선택하여 신용 활동을 산출할 수 있다. 예를 들어, 1 개월 3 개월, 6 개월 등 선택하여 각 기간에 따른 신용 활동을 산출하여 제시할 수 있다. 즉, 1 개월 안에 수행해야할 신용 활동과 3 개월 내에 수행해야할 신용 활동을 함께 추천하는 것이 가능하다.
S420에서, 신용 활동 산출부(144)는 도 4의 S410, S415에서 산출된 최적의 신용 활동 계획을 설명 가능한 형태로 고객에게 제공한다. 고객이 진행하게 될 각각의 신용 활동은 정해진 주기(예를 들어, 개월) 단위로 표현되며, 이를 통하여 예상되는 신용 등급(혹은 점수)의 상승폭을 제시할 수 있다. 예를 들어 고객과 비슷한 속성을 가진 고객 중 특정 비율이 어떠한 신용 활동을 하였으며, 그를 통하여 평균 점수의 상향폭이 어느 정도인지를 제공할 수 있다. 설명은 서비스 제공 기관에서 자체적으로 생성하여 고객에게 제공하거나, API를 활용하여 타 금융기관으로 제공될 수 있다.
도 5 내지 7은 본 개시의 일 실시예에 따른 장치 화면의 일 예이다.
도 5를 참조하면, 장치(100)는 제1 고객과 비슷한 속성을 가진 고객 중 특정 비율이 수행한 신용 활동과 그에 따른 신용 점수의 상향에 대한 정보, 및 특정 기간 별 추천 신용 활동을 제공할 수 있다. 상술한 수식 1 및 2, 또는 1 및 3을 만족하는 D의 행렬을 구하고, 행렬 내의 신용 활동의 변동 값을 추천 신용 활동으로 제공할 수 있다.
수식 2 또는 3에, 제1 고객이 속하는 클러스터로부터 구한 값이 포함되어 있기 때문에, 수식 1과 수식 2 또는 3을 만족시키는 신용 활동이, 1 고객과 비슷한 속성을 가진 고객 중 특정 비율이 수행한 신용 활동과 그에 따른 신용 점수의 상향에 대한 정보라고 볼 수 있다.
도 6을 참조하면, 장치(100)는 추천 신용 활동 및 추천 신용 활동 및 시간의 흐름에 따른 신용 등급(또는 점수)의 변동 그래프를 사용자에게 제공할 수 있다.
도 7을 참조하면, 장치(100)는 추천 신용 활동 및 추천 신용 활동을 수행할 수 있는 인터넷 연결 링크를 제공할 수 있다. 사용자는 추천 신용 활동 링크를 선택하여 추천 신용 활동을 수행할 수 있다.
도 8 및 도 9는 본 개시의 일 실시예에 따른 장치 화면의 다른 예이다.
도 8 및 도 9로부터 알 수 있는 바와 같이, 장치(100)는 고객의 신용 점수 개선을 위한 다양한 항목의 최적 신용 활동 정보를 제공할 수 있으며, 이에 의해 사용자는 자신의 신용도의 문제점을 자체 진단할 수가 있게 된다.
본 개시에 따른 개인 신용평가 방법은 금융기관, 신용평가 업체 또는 공공기관이 이용하고 있는 장비, 컴퓨터, 통합제어장치 등에 구비된 프로세서가 읽을 수 있는 기록매체에, 프로세서가 읽을 수 있는 코드로서 구현하는 것이 가능하다. 프로세서가 읽을 수 있는 기록매체는 프로세서에 의해 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다. 프로세서가 읽을 수 있는 기록매체의 예로는 ROM, RAM, CD-ROM, 자기 테이프, 플로피디스크, 광 데이터 저장장치 등이 있으며, 또한 인터넷을 통한 전송 등과 같은 캐리어 웨이브의 형태로 구현되는 것도 포함한다. 또한 프로세서가 읽을 수 있는 기록매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어, 분산방식으로 프로세서가 읽을 수 있는 코드가 저장되고 실행될 수 있다.
상기한 바와 같이, 본 개시는 고객의 신용 점수 개선을 위한 최적 신용 활동 추천 장치에 관한 것으로, 특정 조건에 속한 고객이 가장 손쉽게 시도할 수 있는 일련의 신용 활동을 찾을 수 있으므로 고객의 신용도를 제고하고, 새로운 대출을 실행하는데 도움이 될 수 있다.
다음은 실제 상기의 개시를 통하여 분석한 결과이다.
(1) 데이터 개요
본 개시에 따른 최적 신용 활동 추천을 테스트하기 위해 CB사를 통하여 전국민 대상에서 50만건을 표본 추출하여, 13개월 간의 경과를 파악하였다. 또한, 해당 데이터 중 기불량(이미 채무불이행 등으로 불량인 고객)과 CB평점이 0점인 고객을 제외한다. 분석 대상의 분포(건수/구성비)와 CB평점의 평균값은 다음과 같다.
(2) 세그멘테이션
데이터를 신용 평점/신용 활동 기간/연체 여부/대출 보유 여부 등을 활용하여 20개의 세그먼트로 구분하였다. 세그먼트별 구분 결과는 다음과 같다.
(3) 신용 점수 추정하기 위한 알고리즘 개발
최적화를 하기 위하여 신용점수를 추정하기 위한 모형을 개발한다. 해당 모형은 신용 평점을 타겟으로 한 선형회귀분석을 사용하였으며, 카드 이용패턴(신용판매비율, 잔액, 현금서비스, 리볼빙 등), 연체패턴, 대출 보유패턴, 보증패턴 등이 포함되어 있다.
(4) 최적화 수행
최적화는 익월 20점 이상의 점수 상향이 가능한 최적의 Action을 찾는 형태로 수행하였으며, 혼합정수계획법을 활용하였다. 실제 상향된 고객과, 최적화 엔진을 통하여 추천한 신용 활동과의 일치율을 통하여 실효성을 파악하고자 하였다. 실제 상향되는 고객의 신용 활동과 일치율은 90.32% 수준으로 실제 상향고객의 활동을 상당히 비슷하게 추천하고 있음을 알 수 있다.
이상에서 설명된 장치 및 방법은 하드웨어 구성 요소, 소프트웨어 구성 요소, 및/또는 하드웨어 구성 요소 및 소프트웨어 구성 요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치 및 구성 요소는, 예를 들어, 프로세서, 컨트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPA(field programmable array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 컨트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성 요소(component), 물리적 장치, 가상장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록매체에 저장될 수 있다.
본 개시의 설명된 실시예들은 또한 어떤 태스크들이 통신 네트워크를 통해 연결되어 있는 원격 처리 장치들에 의해 수행되는 분산 컴퓨팅 환경에서 실시될 수 있다. 분산 컴퓨팅 환경에서, 프로그램 모듈은 로컬 및 원격 메모리 저장 장치 둘 다에 위치할 수 있다.
이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기를 기초로 다양한 기술적 수정 및 변형을 적용할 수 있다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성 요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성 요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.

Claims (12)

  1. 메모리, 통신 모듈 및 프로세서를 포함하는 장치에 의해 수행되는 신용 활동 추천 방법으로,
    상기 메모리는 불특정 고객들의 신용 평가 데이터에 기초하여 상기 불특정 고객을 복수의 클러스터로 클러스터링한 정보를 저장하도록 구성되고,
    상기 신용 활동 추천 방법은, 상기 프로세서에 의해
    상기 통신 모듈을 통해 사용자의 신용 평가 데이터를 획득하는 단계;
    상기 사용자가 상기 복수의 클러스터 중 어떤 클러스터에 포함되는지 판단하는 단계;
    상기 사용자의 목표 신용 점수를 획득하는 단계;
    상기 사용자가 속하는 클러스터, 상기 사용자의 신용 평가 데이터 중 적어도 일부 및 상기 목표 신용 점수에 기초하여 상기 사용자가 제1 기간 동안 수행할 제1 신용 활동을 산출하는 단계; 및
    상기 제1 신용 활동을 상기 사용자에게 제공하는 단계를 포함하는,
    신용 활동 추천 방법.
  2. 제1항에 있어서,
    상기 제1 신용 활동을 산출하는 단계 이후에,
    상기 사용자가 속하는 클러스터, 상기 사용자의 신용 평가 데이터, 상기 목표 신용 점수 및 상기 제1 신용 활동이 수행되었다는 가정에 기초하여 상기 사용자가 상기 제1 기간 이후의 제2 기간 동안 수행할 제2 신용 활동을 산출하는 단계; 및
    상기 제2 신용 활동을 상기 사용자에게 제공하는 단계를 더 포함하는,
    신용 활동 추천 방법.
  3. 제1항에 있어서,
    상기 사용자의 목표 신용 점수를 획득하는 단계는, 상기 사용자로부터 수신한 금융 상품에 기초하여 상기 프로세서에 의해 산출하는 단계를 포함하는,
    신용 활동 추천 방법.
  4. 제1항에 있어서,
    상기 사용자가 상기 복수의 클러스터 중 어떤 클러스터에 포함되는지 판단하는 단계는,
    상기 불특정 고객을 복수의 클러스터로 클러스터링할 때 사용한 지표와 동일한 지표에 기초하여, 상기 사용자가 상기 복수의 클러스터 중 어떤 클러스터에 포함되는지 판단하는 단계를 포함하는,
    신용 활동 추천 방법.
  5. 제1항에 있어서,
    상기 제1 신용 활동을 추천하는 단계는,
    상기 제1 기간 전과 후의 신용 정보의 차이를 신용 거리로 정의하는 단계; 및
    상기 신용 거리를 마할라노비스 거리 또는 유클리디언 거리를 사용하여 최소화하는 신용 활동을 산출하는 단계를 포함하는,
    신용 활동 추천 방법.
  6. 제1항에 있어서,
    상기 제1 신용 활동을 산출하는 단계 이전에,
    상기 불특정 다수의 신용 평가 데이터에 기초하여, 신용 점수 산정 로직을 획득하는 단계를 더 포함하는,
    신용 활동 추천 방법.
  7. 제1항에 있어서,
    상기 제1 신용 활동을 산출하는 단계는,
    상기 제1 기간 내에 수행할 복수의 신용 활동을 산출하는 단계; 및
    상기 복수의 신용 활동을 상기 제1 기간 보다 짧은 구간으로 분할하여 거리 순에 따라 상기 사용자에게 제공하는 단계를 포함하는,
    신용 활동 추천 방법.
  8. 제1항에 있어서,
    상기 통신 모듈을 통해 사용자의 신용 평가 데이터를 획득하는 단계는,
    상기 사용자의 허락에 의해 다른 서비스 제공자로부터 제공받는 단계를 포함하는,
    신용 활동 추천 방법.
  9. 불특정 고객들의 신용 평가 데이터에 기초하여 상기 불특정 고객을 복수의 클러스터로 클러스터링한 정보 및 명령어를 저장하도록 구성된 메모리;
    외부 장치와 통신하여 정보를 주고받도록 구성된 통신 모듈; 및
    상기 메모리 및 상기 통신 모듈을 제어하도록 구성된 프로세서를 포함하는 신용 활동 추천 장치로,
    상기 메모리에 저장된 명령어가 상기 프로세서에 의해 수행될 때, 상기 프로세서는 상기 제1항 내지 제9항 적어도 어느 한 항의 방법을 수행하도록 구성된,
    신용 활동 추천 장치.
  10. 불특정 고객들의 신용 평가 데이터에 기초하여 상기 불특정 고객을 복수의 클러스터로 클러스터링한 정보 및 명령어를 저장하도록 구성된 메모리;
    외부 장치와 통신하여 정보를 주고받도록 구성된 통신 모듈; 및
    상기 메모리 및 상기 통신 모듈을 제어하도록 구성된 프로세서를 포함하고,
    상기 메모리에 저장된 명령어가 상기 프로세서에 의해 수행될 때, 상기 프로세서는
    통신 모듈을 통해 사용자의 신용 평가 데이터를 획득하는 단계;
    상기 사용자가 상기 복수의 클러스터 중 어떤 클러스터에 포함되는지 판단하는 단계;
    상기 사용자의 목표 신용 점수를 획득하는 단계;
    상기 사용자가 속하는 클러스터, 상기 신용 평가 데이터에 포함되고 상기 사용자의 신용 점수에 영향을 줄 수 있는 신용 활동, 및 상기 목표 신용 점수에 기초하여 상기 사용자가 선택된 기간 동안 수행할 복수의 신용 활동을 산출하는 단계; 및
    상기 복수의 신용 활동을 시계열적 우선 순위에 따라 상기 사용자에게 제공하는 단계를 수행하는,
    신용 활동 추천 장치.
  11. 제10항에 있어서,
    상기 사용자의 목표 신용 점수를 획득하는 단계는, 상기 사용자로부터 수신한 금융 상품에 기초하여 상기 프로세서에 의해 산출하는 단계를 포함하는,
    신용 활동 추천 장치.
  12. 제10항에 있어서,
    상기 사용자가 상기 복수의 클러스터 중 어떤 클러스터에 포함되는지 판단하는 단계는,
    상기 불특정 고객을 복수의 클러스터로 클러스터링할 때 사용한 지표와 동일한 지표에 기초하여, 상기 사용자가 상기 복수의 클러스터 중 어떤 클러스터에 포함되는지 판단하는 단계를 포함하는,
    신용 활동 추천 장치.
KR1020230029297A 2022-04-14 2023-03-06 고객의 신용 점수 개선을 위한 최적 신용 활동 추천 장치 및 방법 KR102602582B1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020220046480 2022-04-14
KR20220046480 2022-04-14

Publications (2)

Publication Number Publication Date
KR20230147520A true KR20230147520A (ko) 2023-10-23
KR102602582B1 KR102602582B1 (ko) 2023-11-16

Family

ID=88508691

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020230029297A KR102602582B1 (ko) 2022-04-14 2023-03-06 고객의 신용 점수 개선을 위한 최적 신용 활동 추천 장치 및 방법

Country Status (1)

Country Link
KR (1) KR102602582B1 (ko)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200123726A (ko) * 2019-04-22 2020-10-30 주식회사 바넷정보기술 금융컨텐츠 설계시스템 및 금융컨텐츠 설계방법
KR20210146000A (ko) * 2020-05-26 2021-12-03 주식회사 다날 인공지능 기반의 신용등급 변동 예측 처리 장치 및 그 동작 방법
KR20220037597A (ko) * 2020-09-18 2022-03-25 주식회사 모자이크 개인화 금융상품 평가 시스템 및 방법

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200123726A (ko) * 2019-04-22 2020-10-30 주식회사 바넷정보기술 금융컨텐츠 설계시스템 및 금융컨텐츠 설계방법
KR20210146000A (ko) * 2020-05-26 2021-12-03 주식회사 다날 인공지능 기반의 신용등급 변동 예측 처리 장치 및 그 동작 방법
KR20220037597A (ko) * 2020-09-18 2022-03-25 주식회사 모자이크 개인화 금융상품 평가 시스템 및 방법

Also Published As

Publication number Publication date
KR102602582B1 (ko) 2023-11-16

Similar Documents

Publication Publication Date Title
US11853854B2 (en) Method of automating data science services
US11941650B2 (en) Explainable machine learning financial credit approval model for protected classes of borrowers
US20230325724A1 (en) Updating attribute data structures to indicate trends in attribute data provided to automated modelling systems
US20210241141A1 (en) Training or using sets of explainable machine-learning modeling algorithms for predicting timing of events
Martens et al. Credit rating prediction using ant colony optimization
Cao et al. A two‐stage Bayesian network model for corporate bankruptcy prediction
US8498954B2 (en) Managing operations of a system using non-linear modeling techniques
US20200134387A1 (en) Evaluation of modeling algorithms with continuous outputs
US9798788B1 (en) Holistic methodology for big data analytics
US12020257B2 (en) Generating a fraud prediction utilizing a fraud-prediction machine-learning model
Strickland Data analytics using open-source tools
Plakandaras et al. Credit card fraud detection with automated machine learning systems
Chen et al. Predicting Web Survey Breakoffs Using Machine Learning Models
Huling et al. A two-part framework for estimating individualized treatment rules from semicontinuous outcomes
López-Díaz et al. A stochastic comparison of customer classifiers with an application to customer attrition in commercial banking
Dong et al. Time to delisted status for listed firms in Chinese stock markets: An analysis using a mixture cure model with time-varying covariates
KR102602582B1 (ko) 고객의 신용 점수 개선을 위한 최적 신용 활동 추천 장치 및 방법
US11004156B2 (en) Method and system for predicting and indexing probability of financial stress
US11838170B1 (en) Messaging segmentation based on data flow informatics
Fair et al. Endogenous labour flow networks
US20230342597A1 (en) Using machine learning to extract subsets of interaction data for triggering development actions
US20230351525A1 (en) Time-based input and output monitoring and analysis to predict future inputs and outputs
US20240144091A1 (en) Method of automating data science services
US20230401417A1 (en) Leveraging multiple disparate machine learning model data outputs to generate recommendations for the next best action
US20240220481A1 (en) Method for identifying potential regulatory violations

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right