KR20230174872A - 저축 목적 데이터 기반 금융 상품 추천 서비스 제공 방법 및 그 장치 - Google Patents

Abstract

본 발명의 실시 예에 따른 서비스 제공 방법은, 각종 금융 상품 데이터를 획득하는 단계; 자연어 처리를 통해 금융 상품 가입 자격요건에 따른 카테고리별로 분류하는 단계; 사용자의 지출정보 및 자산 현황을 고려하여 개인에게 맞는 금융 상품을 필터링 하는 단계; 및 사용자의 특성과 저축 목적 등을 활용하여 DeepFM 추천모델을 통해 금융 상품 추천을 하는 단계를 포함한다.

Description

저축 목적 데이터 기반 금융 상품 추천 서비스 제공 방법 및 그 장치{Apparatus and method for providing a data-based financial product recommendation service for savings purposes}

본 발명은 서비스 제공 장치 및 방법에 관한 것이다. 보다 구체적으로, 본 발명은 저축 목적 데이터 기반 금융 상품 추천 서비스 제공 방법 및 그 장치에 관한 것이다.

현대인들은 소비 환경과 패턴의 발전 및 다양성에 따라 불과 얼마 전의 과거에 비하여 훨씬 수월하게 소비 활동을 수행하고 있다.

과거에는 물건이나 서비스를 구매하기 위하여 현금이나 현금에 상응하는 재화를 교환하였으나 현재에는 신용카드, 체크카드는 물론 웹이나 모바일 단말의 애플리케이션을 통해 개인별 신용을 확보하여 편리하게 전자 결제를 수행하고 있다.

이에 따라 최근에는, 편리한 결제 서비스로 인해 지나친 신용위주의 소비행태를 완화할 수 있는 저축 또한 그 중요성이 더해지고 있다.

그러나, 저축을 하는 방식은 신용결제를 활용한 다양한 소비방식과 대조적으로 여전히 금융기관에 소비자가 직접 방문하여 저축을 하거나 단순하고 천편일률적인 단순 계좌이체나 적금 등을 통해서 이루어지고 있어 빠르게 발전하는 소비자금융기법 및 효율적인 디지털기술을 수용하지 못해 소비자에게 특별한 저축유인을 제공하지 못하고 있다.

특히, 재테크 전문가들은 최적화된 은행 조건별 통장들을 복수 개 운영하는 소위 '통장 쪼개기' 등을 추천하고는 있으나, 실제 이러한 방식을 운영하려면 직접 데이터 시트 등을 만들어 관리하여야 하는 바, 매우 불편하며, 실질적인 사용자별 저축 목적을 반영하기도 매우 어려운 실정이다.

이러한 필요성에도 불구하고 기존의 금융기관은 단순한 일정 금액의 계좌이체 기반의 적금이나 저축 등만을 제공할 뿐, 새롭고 효율적인 저축서비스를 제공하지 못하고 있으며, 정부 차원에서도 연말정산 환급 등의 소비와 신용결제의 사용만을 권장하고 있다.

본 발명은 상기한 바와 같은 과제를 해결하고자 안출된 것으로, 사용자들의 실질적인 저축 목적별 세분화된 저축 프로세스를 자동화할 수 있는 단말 어플리케이션 기반 스마트 저축 서비스를 제공하되, 그 서비스 이용 데이터에 따라 산출되는 사용자별 저축 목적 데이터 기반의 금융 데이터 학습 모델을 구축하고, 이에 따라 각 사용자의 개인화된 저축 목적과 성향에 적합하면서도 최적화된 금융 서비스를 개별적으로 제공할 수 있으며, 편리한 이용이 가능하여 저축 효율을 크게 향상시킬 수 있는 사용자의 저축 목적에 대응하여 예측된 추천 금융 서비스 제공방법을 제공하는 데 그 목적이 있다.

또한 본 발명은, 상기와 같은 서비스 장치를 이용함에 있어서, 저축 목적 데이터 기반 금융 상품 추천 서비스 제공 방법 및 그 장치를 제공함에 그 목적이 있다.

상기한 바와 같은 과제를 해결하기 위한 본 발명의 실시 예에 따른 방법은, 금융감독원의 Open API를 통해 각종 예적금 계좌 데이터를 확보한다. 금융계좌는 자격 요건이 문제되는 경우 외에는 대부분 가입이 가능한데, 이를 자연어처리를 통해 자격 요건에 따른 카테고리 별로 분류를 진행한다.

더 나아가, 마이데이터를 활용한 지출 정보 및 자산현황과 사용자가 입력한 기대 수익률과 최대 허용 낙폭 정보 등을 바탕으로 Open API로 불러온 데이터를 활용하여 각 개인에게 맞는 최적의 금리를 제공할 수 있는 예적금 계좌 필터링 진행한다. CTR과 계좌 가입률, 유저 로그, 유저 특성, 그리고 저축 목적 등을 활용하여 DeepFM 추천 모델을 통해 금융 계좌 추천을 진행한다.

또한, 본 발명은, 수익률과 리스크가 중요한 금융상품은 상품 자체, 유저의 성향, 유저의 부 축적 목적뿐만이 아니라 매크로 환경에 알맞은 상품을 추천하는 것이 합리적이다. 기준 금리나 인플레이션 컨센서스 등의 매크로 경제 지표와 같은 시계열 데이터에 적절히 대응할 수 있도록 해당 시계열 데이터를 순환 신경망 기법 중 하나인 장단기 메모리(LSTM)에 적용한 후 해당 결과값을 금융 상품의 특성, 유저 특성과 함께 Deep FM을 통한 추천을 진행한다. 금융상품 추천은 계좌 추천과 마찬가지로 CTR과 상품 가입률을 바탕으로한 암묵적 피드백을 예측 변수로 설정한다.

이와 같은 본 발명은, 각종 예적금 상품 데이터를 획득하는 단계; 자연어 처리를 통해 금융 상품 가입 자격요건에 따른 카테고리별로 분류하는 단계; 사용자의 지출정보 및 자산 현황을 고려하여 개인에게 맞는 예적금 상품을 필터링 하는 단계; 및 사용자의 특성과 저축 목적 등을 활용하여 DeepFM 추천모델을 통해 금융 상품 추천을 하는 단계를 포함한다.

상기 필터링 하는 단계는, 시계열 데이터를 순환 신경망 기법 중 하나인 장단기 메모리(LSTM)에 적용한 후 해당 결과값을 금융 상품의 특성, 유저 특성과 함께 Deep FM을 통한 추천을 진행한다.

또한, 상기 추천하는 단계는 금융상품 추천은 계좌 추천과 마찬가지로 CTR과 상품 가입률을 바탕으로한 암묵적 피드백을 예측 변수로 설정한다.

상기 필터링하는 단계는, 마이데이터를 활용한 지출 정보 및 자산현황과 사용자가 입력한 기대 수익률과 최대 허용 낙폭 정보 등을 바탕으로 Open API로 불러온 데이터를 활용하여 각 개인에게 맞는 최적의 금리를 제공할 수 있는 금융상품 필터링 진행한다.

상기 추천하는 단계는, CTR과 계좌 가입률, 유저 로그, 유저 특성, 그리고 저축 목적 등을 활용하여 DeepFM 추천 모델을 통해 금융 상품 추천을 진행한다.

본 발명의 실시 예에 따르면, 사용자별 저축 목적에 대응하는 추천 금융 서비스 정보를 예측하도록 구성된 인공지능 학습 모델을 구축하며, 제1 사용자 단말로부터 획득되는 사용자 정보를 상기 학습 모델에 적용하여, 상기 제1 사용자 단말 사용자의 저축 목적에 대응하여 예측된 추천 금융 서비스를 제공할 수 있다.

이에 따라, 본 발명의 실시 예에 따르면, 사용자들의 실질적인 저축 목적별 세분화된 저축 프로세스를 자동화할 수 있는 단말 어플리케이션 기반 스마트 저축 서비스를 제공하되, 그 서비스 이용 데이터에 따라 산출되는 사용자별 저축 목적 데이터 기반의 금융 데이터 학습 모델을 구축하고, 이에 따라 각 사용자의 개인화된 저축 목적과 성향에 적합하면서도 최적화된 금융 서비스를 개별적으로 제공할 수 있으며, 편리한 이용이 가능하여 저축 효율을 크게 향상시킬 수 있는 저축 목적 데이터를 이용한 금융 서비스 제공 장치 및 그 동작 방법을 제공할 수 있다.

도 1은 본 발명의 실시 예에 따른 전체 시스템을 개략적으로 도시한 개념도이다.
도 2 및 도 3은 본 발명의 실시 예에 따른 서비스 제공 장치를 보다 구체적으로 도시한 블록도이다.
도 4는 본 발명의 실시 예에 따른 저축 목적 분류 카테고리를 예시하는 도면이다.
도 5 및 도 6은 본 발명의 실시 예에 따른 서비스 이용 데이터를 수집하기 위한 어플리케이션 서비스 기능을 설명하기 위한 도면이다.
도 7은 본 발명의 실시 예에 따른 목적 데이터 기반 최적화된 금융 서비스를 예시하기 위한 도면이다.
도 8은 본 발명의 실시 예에 따른 목적 데이터 기반 추천 서비스 시스템의 예시도이다.

이하의 내용은 단지 본 발명의 원리를 예시한다. 그러므로 당업자는 비록 본 명세서에 명확히 설명되거나 도시되지 않았지만 본 발명의 원리를 구현하고 본 발명의 개념과 범위에 포함된 다양한 장치를 발명할 수 있는 것이다. 또한, 본 명세서에 열거된 모든 조건부 용어 및 실시예들은 원칙적으로, 본 발명의 개념이 이해되도록 하기 위한 목적으로만 명백히 의도되고, 이와 같이 특별히 열거된 실시예들 및 상태들에 제한적이지 않는 것으로 이해되어야 한다.

또한, 본 발명의 원리, 관점 및 실시예들 뿐만 아니라 특정 실시예를 열거하는 모든 상세한 설명은 이러한 사항의 구조적 및 기능적 균등물을 포함하도록 의도되는 것으로 이해되어야 한다. 또한 이러한 균등물들은 현재 공지된 균등물뿐만 아니라 장래에 개발될 균등물 즉 구조와 무관하게 동일한 기능을 수행하도록 발명된 모든 소자를 포함하는 것으로 이해되어야 한다.

따라서, 예를 들어, 본 명세서의 블럭도는 본 발명의 원리를 구체화하는 예시적인 회로의 개념적인 관점을 나타내는 것으로 이해되어야 한다. 이와 유사하게, 모든 흐름도, 상태 변환도, 의사 코드 등은 컴퓨터가 판독 가능한 매체에 실질적으로 나타낼 수 있고 컴퓨터 또는 프로세서가 명백히 도시되었는지 여부를 불문하고 컴퓨터 또는 프로세서에 의해 수행되는 다양한 프로세스를 나타내는 것으로 이해되어야 한다.

프로세서 또는 이와 유사한 개념으로 표시된 기능 블럭을 포함하는 도면에 도시된 다양한 소자의 기능은 전용 하드웨어뿐만 아니라 적절한 소프트웨어와 관련하여 소프트웨어를 실행할 능력을 가진 하드웨어의 사용으로 제공될 수 있다. 프로세서에 의해 제공될 때, 상기 기능은 단일 전용 프로세서, 단일 공유 프로세서 또는 복수의 개별적 프로세서에 의해 제공될 수 있고, 이들 중 일부는 공유될 수 있다.

또한 프로세서, 제어 또는 이와 유사한 개념으로 제시되는 용어의 명확한 사용은 소프트웨어를 실행할 능력을 가진 하드웨어를 배타적으로 인용하여 해석되어서는 아니되고, 제한 없이 디지털 신호 프로세서(DSP) 하드웨어, 소프트웨어를 저장하기 위한 롬(ROM), 램(RAM) 및 비 휘발성 메모리를 암시적으로 포함하는 것으로 이해되어야 한다. 주지관용의 다른 하드웨어도 포함될 수 있다.

본 명세서의 청구범위에서, 상세한 설명에 기재된 기능을 수행하기 위한 수단으로 표현된 구성요소는 예를 들어 상기 기능을 수행하는 회로 소자의 조합 또는 펌웨어/마이크로 코드 등을 포함하는 모든 형식의 소프트웨어를 포함하는 기능을 수행하는 모든 방법을 포함하는 것으로 의도되었으며, 상기 기능을 수행하도록 상기 소프트웨어를 실행하기 위한 적절한 회로와 결합된다. 이러한 청구범위에 의해 정의되는 본 발명은 다양하게 열거된 수단에 의해 제공되는 기능들이 결합되고 청구항이 요구하는 방식과 결합되기 때문에 상기 기능을 제공할 수 있는 어떠한 수단도 본 명세서로부터 파악되는 것과 균등한 것으로 이해되어야 한다.

상술한 목적, 특징 및 장점은 첨부된 도면과 관련한 다음의 상세한 설명을 통하여 보다 분명해질 것이며, 그에 따라 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 본 발명의 기술적 사상을 용이하게 실시할 수 있을 것이다. 또한, 본 발명을 설명함에 있어서 본 발명과 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에 그 상세한 설명을 생략하기로 한다.

이하, 첨부된 도면을 참조하여 본 발명에 따른 바람직한 일실시예를 상세히 설명하기로 한다.

도 1은 본 발명의 실시 예에 따른 전체 시스템을 개략적으로 도시한 개념도이다.

도 1을 참조하면, 먼저 본 발명의 실시 예에 따른 시스템은, 서비스 제공 장치(100), 사용자 단말(200) 및 금융 서버(300)를 포함한다.

여기서, 본 발명의 실시 예에 따른 서비스 제공 장치(100)는, 본 발명의 실시 예에 따른 서비스 제공을 위해, 금융 서버(300) 및 사용자 단말(200)과 유/무선 네트워크를 통해 연결될 수 있으며, 상호간 통신을 수행할 수 있다.

상기 각 네트워크는 근거리 통신망(Local Area Network; LAN), 광역 통신망(Wide Area Network; WAN), 부가가치 통신망(Value Added Network; VAN), 개인 근거리 무선통신(Personal Area Network; PAN), 이동 통신망(mobile radiocommunication network) 또는 위성 통신망 등과 같은 모든 종류의 유/무선 네트워크로 구현될 수 있다.

그리고, 서비스 제공 장치(100)는, 금융 서버(300)와 연계하여 사용자 단말(200)로 저축 또는 기타 다양한 금융 서비스를 제공하고 있는 플랫폼 서비스 제공 장치일 수 있다. 예를 들어, 서비스 제공 장치(100)는, 금융 어플리케이션 서비스 제공 장치일 수 있다.

사용자 단말(200)은, 휴대폰, 스마트 폰(smart phone), 스마트 패드(smart pad), PDA(Personal Digital Assistants) 중 어느 하나의 개별적 기기일 수 있으며, 본 발명의 실시 예에 따른 서비스 제공 장치(100)로부터 제공되는 금융 서비스를 제공받아 출력하고, 이에 대응하는 입력을 처리하여 서비스 제공 장치(100)로 전달하는 기능을 수행하는 디스플레이 장치로서, 본 발명의 실시 예에 따른 서비스 제공 장치(100)의 저축 목적 데이터 학습 기반 추천 서비스 정보를 전달받아 이에 기초한 다양한 서비스 인터페이스를 출력할 수 있다.

한편, 금융 서버(300)는, 다양한 금융 기관에서 별도로 운영되는 은행, 국세청, 카드사 등의 금융 플랫폼 서버들이 예시될 수 있으며, 사용자 단말(200)에서는 금융 서버(300)에 직접 접속하여 별도의 금융 정보를 직접적으로 송수신할 수도 있다.

이러한 시스템 구성에 있어서, 본 발명의 실시 예에 따른 서비스 제공 장치(100)는, 상기 사용자 단말(200)로 어플리케이션 기반의 저축 서비스를 제공함에 따라 획득되는 상기 저축 서비스의 이용 데이터를 수집할 수 있으며, 상기 이용 데이터로부터 저축 목적 데이터를 수집하여 처리할 수 있다.

여기서, 저축 목적 데이터는 사용자 단말(200) 입력에 따라 결정되는 다양한 목적 데이터를 포함할 수 있으며, 예를 들어 여행, 결혼, 출산, 자동차 구입, 인테리어, 창업 자금 등 키워드 및 자연어 문장 입력 기반의 데이터를 포함할 수 있다.

이러한 저축 목적 데이터는, 사용자 단말(200)로 제공되는 저축 금융 서비스 이용에 따라 획득될 수 있으며, 이를 위해 서비스 제공 장치(100)는 사용자 단말(200)로 저축 목적 데이터 입력 기반의 저축 금융 서비스를 제공할 수 있다. 여기서, 입력되는 저축 목적 데이터는, 저축 목적 키워드 분류 데이터, 저축 목적 자연어 문장 데이터, 저축 수단 데이터, 저축 방식 데이터, 저축 주기 데이터, 저축 금액 데이터, 출금 계좌 데이터, 저축 결제처 데이터, 저축 비율 데이터 중 적어도 하나를 포함할 수 있다.

그리고, 서비스 제공 장치(100)는, 상기 저축 목적 데이터에 기초하여, 사용자별 저축 목적에 대응하는 추천 금융 서비스 정보를 예측하도록 구성된 인공지능 학습 모델을 구축할 수 있다.

여기서, 인공지능 학습 모델은, 저축 목적 데이터의 유형에 따른 다양한 학습 모델을 구성할 수 있다. 예를 들어 서비스 제공 장치(100)는, 저축 목적 자연어 문장 데이터에 대한 자연어 학습 분석(NLP) 기반의 형태소 분석을 수행하여 학습 모델을 구성할 수 있다. 또한, 서비스 제공 장치(100)는, 저축 방식 및 주기에 따른 랜덤 포레스트(Random Forest) 모형을 이용하여 예측 학습 모델을 구성할 수 있다.

또한, 서비스 제공 장치(100)는, CNN, DNN 등의 딥러닝 알고리즘을 통해, 상기 저축 목적 키워드 분류 데이터, 저축 목적 자연어 문장 데이터, 저축 수단 데이터, 저축 방식 데이터, 저축 주기 데이터, 저축 금액 데이터, 출금 계좌 데이터, 저축 결제처 데이터, 저축 비율 데이터 중 적어도 하나간의 관계 학습에 기초하여, 사용자별 저축 목적에 대응하는 추천 금융 서비스 정보를 출력할 수 있는 인공지능 학습 모델을 구축할 수 있다.

이에 따라, 서비스 제공 장치(100)는, 사용자 단말(200)로부터 획득되는 제1 사용자 정보가 입력되는 경우, 상기 제1 사용자 정보를 상기 학습 모델에 적용하여, 상기 제1 사용자 단말 사용자의 저축 목적에 대응하여 예측된 추천 금융 서비스를 제공할 수 있다.

여기서, 본 발명의 추천 금융 서비스는, 저축 목적 데이터 학습 기반 유저 프로파일링 프로세스에 의해 구축된 유저 프로파일링 정보에 따라 최적화된 형태로 제공될 수 있다.

또한, 이러한 추천 금융 서비스는, 저축 목표 이행률 기반 목표 추천 서비스, 저축 목적 데이터 학습 기반 오픈뱅킹을 이용한 통장 분리 돈 관리 서비스, 저축 목적 데이터 학습 기반 타겟형 리워드 서비스, 저축 목적 데이터 학습 기반 금융 계좌 추천 서비스, 저축 목적 데이터 학습 기반 금융 상품 추천 서비스, 저축 목적 데이터 학습 기반 콘텐츠 추천 서비스 중 적어도 하나를 포함할 수 있다.

이하에서는, 도 2 내지 도 8을 참조하여, 이러한 서비스 제공 장치(100)의 서비스별 제공 동작을 보다 구체적으로 설명한다.

도 2는 본 발명의 실시 예에 따른 서비스 제공 장치(100)를 보다 구체적으로 도시한 블록도이다.

도 2를 참조하면, 본 발명의 실시 예에 따른 서비스 제공 장치(100)는, 금융 정보 처리부(110), 저축 목적 데이터 수집부(120), 학습 모델 구성부(130), 서비스 제공부(140), 금융 기관 연계 처리부(150) 및 데이터베이스부(160)를 포함한다.

금융 정보 처리부(110)는, 상기 사용자 단말(200)로 어플리케이션 기반의 금융 서비스를 제공하며, 금융 서비스 이용에 따른 상기 저축 서비스의 이용 데이터를 획득한다.

그리고, 저축 목적 데이터 수집부(120)는, 상기 이용 데이터로부터 저축 목적 데이터를 수집하여 처리할 수 있다.

전술한 바와 같이, 저축 목적 데이터는 사용자 단말(200) 입력에 따라 결정되는 다양한 목적 데이터를 포함할 수 있으며, 예를 들어 여행, 결혼, 출산, 자동차 구입, 인테리어, 창업 자금 등 키워드 및 자연어 문장 입력 기반의 데이터를 포함할 수 있다. 이러한 저축 목적 데이터는, 사용자 단말(200)로 제공되는 저축 금융 서비스 이용에 따라 획득될 수 있으며, 이를 위해 서비스 제공 장치(100)는 사용자 단말(200)로 저축 목적 데이터 입력 기반의 저축 금융 서비스를 제공할 수 있다. 여기서, 입력되는 저축 목적 데이터는, 저축 목적 키워드 분류 데이터, 저축 목적 자연어 문장 데이터, 저축 수단 데이터, 저축 방식 데이터, 저축 주기 데이터, 저축 금액 데이터, 출금 계좌 데이터, 저축 결제처 데이터, 저축 비율 데이터 중 적어도 하나를 포함할 수 있다.

그리고, 학습 모델 구성부(130)는, 상기 저축 목적 데이터에 기초하여, 사용자별 저축 목적에 대응하는 추천 금융 서비스 정보를 예측하도록 구성된 인공지능 학습 모델을 구축한다.

전술한 바와 같이, 인공지능 학습 모델은, 저축 목적 데이터의 유형에 따른 다양한 학습 모델을 구성할 수 있다. 예를 들어 학습 모델 구성부(130)는, 저축 목적 자연어 문장 데이터에 대한 자연어 학습 분석(NLP) 기반의 형태소 분석을 수행하여 학습 모델을 구성할 수 있다. 또한, 서비스 제공 장치(100)는, 저축 방식 및 주기에 따른 랜덤 포레스트(Random Forest) 모형을 이용하여 예측 학습 모델을 구성할 수 있다.

또한, 학습 모델 구성부(130)는, CNN, DNN 등의 딥러닝 알고리즘을 통해, 상기 저축 목적 키워드 분류 데이터, 저축 목적 자연어 문장 데이터, 저축 수단 데이터, 저축 방식 데이터, 저축 주기 데이터, 저축 금액 데이터, 출금 계좌 데이터, 저축 결제처 데이터, 저축 비율 데이터 중 적어도 하나간의 관계 학습에 기초하여, 사용자별 저축 목적에 대응하는 추천 금융 서비스 정보를 출력할 수 있는 인공지능 학습 모델을 구축할 수 있다.

한편, 서비스 제공부(140)는, 전술한 인공지능 학습 모델을 이용하여, 사용자 단말(200)로부터 획득되는 제1 사용자 정보가 입력되는 경우, 상기 제1 사용자 정보를 상기 학습 모델에 적용하고, 상기 제1 사용자 단말 사용자의 저축 목적에 대응하여 예측된 추천 금융 서비스를 상기 사용자 단말(200)로 제공할 수 있다.

보다 구체적으로, 도 3을 참조하면, 본 발명의 실시 예에 따른 서비스 제공부(140)는, 저축 목적 데이터 학습 기반 유저 프로파일링 처리부, 저축 목표 이행률 기반 목표 추천 서비스부, 저축 목적 데이터 학습 기반 오픈뱅킹을 이용한 통장 분리 돈 관리 처리부, 저축 목적 데이터 학습 기반 타겟형 리워드 서비스부, 저축 목적 데이터 학습 기반 금융 계좌 추천 서비스부, 저축 목적 데이터 학습 기반 금융 상품 추천 서비스부, 저축 목적 데이터 학습 기반 콘텐츠 추천 서비스부 중 적어도 하나를 포함할 수 있다.

먼저, 저축 목적 데이터 학습 기반 유저 프로파일링 처리부는, 사용자 단말(200) 이용자의 서비스 이용 데이터 및 저축 목적 데이터를 기반으로, 유저 자산/지출 데이터, 내부 데이터베이스를 통해 저축의 목적, 결혼 성향, 자녀 계획, 자녀 유무 및 매달 저축하는 금액 등의 프로파일링 데이터를 확보하고 앙상블 러닝 알고리즘과 통계 분석을 활용하여 저축 목적을 결정하는 주요 프로파일링 데이터를 파악할 수 있다.

그리고, 저축 목적 데이터 학습 기반 유저 프로파일링 처리부는, 저축의 목적, 규칙 선택, 달성 기록, 앱 접속 빈도기록 등 앱 내에서의 행동 패턴을 바탕으로 1차적으로 군집화를 처리하며, 2차적으로 이용자의 마이데이터와 내부 데이터 중 여러 형태의 데이터에도 군집화 성능을 유지하는 딥러닝 모델인 CB-DCGAN(Constraint-Based Deep Convolutional Generative Adversial Network)과 DCNN(Deep Convolutional Neural Network)의 하이브리드 모델을 활용하여 추가적인 클러스터링을 진행함에 따라, 저축 목적 데이터 학습 기반 유저 프로파일링 처리를 수행할 수 있다.

그리고, 저축 목표 이행률 기반 목표 추천 서비스부는, 저축 목적 설정과 이에 대한 만족도를 평가할 수 있는 지표를 제공한다. 이는 통상적으로는 명시적으로 제공되지 않고, 전통적으로 암묵적 피드백으로 이용되는 CTR (Click-Through-Rate)가 존재하는 이는 '이용자의 저축 목표 달성'이라는 목적과 알맞지 않다.

따라서, 본 발명의 실시 예에 따른 저축 목표 이행률 기반 목표 추천 서비스부는, 목표 금액 달성률과 기간 달성률의 분자 분모에 로그를 취한 형태로 긴 기간과 큰 금액에 가중치를 주는 방식의 암묵적 피드백을 이용할 수 있다. 본 발명의 실시 예에 따른 저축 서비스 이용 목적에 알맞으면서 목적에 대한 만족도를 CTR보다 더욱 잘 담아내는 지표이다.

이에 따라, 저축 목표 이행률 기반 목표 추천 서비스부는, 상기 수집된 암묵적 피드백과 이용자 관련 내부 데이터와 목적별 특성을 바탕으로, 하이브리드 네트워크 구조로 이루어져 희소 데이터로 인한 콜드 스타트 문제와 차원의 저주 문제를 해결한 DeepFM(Deep Factorization Machine) 모델을 구성하여 획득되는 Top N Rank의 목적 데이터를 추천 서비스를 통해 사용자 단말(200)로 제공할 수 있다.

한편, 저축 목적 데이터 학습 기반 오픈뱅킹을 이용한 통장 분리 돈 관리 처리부는, 사용자 금융 정보를 소비자의 거래/이체 데이터를 목적별로 그리고 지출 주기에 맞춰 분류를 수행할 수 있다. 그리고, 상기 분류는 생활비/비상금/구매/내집마련/은퇴 등의 항목으로 분류가 진행될 수 있다.

본 발명은 서비스 제공 시스템에 있어서, 사용자 단말로부터 회득되는 사용자 금융 정보를 소비자의 거래/이체 데이터를 목적별로 그리고 지출 주기에 맞춰 분류하는 사용자 금융정보 분류부; 상기 각 항목별로 분류한 지출/이체 항목을 시계열 데이터 예측에 의거하여 분류별 금액 예측을 진행하는 분류별 금액 예측부; 및 상기 분류별 금액 예측 결과를 재조합하여 소비, 지출, 저축 패턴에 최적화된 통장 개수 및 통장별 목적을 설정하는 통장 분리 설정부를 포함한다. 상기 금액 예측부 및 통장 분리 설정부는, 딥러닝 모델인 TFT(Temporal Fusion Transformer)를 통해 분류별 금액 예측을 진행하고 이를 재조합하여 소비/지출/저축 패턴에 최적화한 통장 개수 및 통장별 목적을 설정한다.

또한 본 발명의 서비스 제공 방법은, 사용자 금융 정보를 소비자의 거래/이체 데이터를 목적별로 그리고 지출 주기에 맞춰 분류하는 단계: 상기 각 항목별로 분류한 지출/이체 항목을 시계열 데이터 예측에 의거하여 분류별 금액 예측을 진행하는 단계; 및 상기 분류별 금액 예측 결과를 재조합하여 소비, 지출, 저축 패턴에 최적화된 통장 개수 및 통장별 목적을 설정하는 단계를 포함한다.

이에 따라, 저축 목적 데이터 학습 기반 오픈뱅킹을 이용한 통장 분리 돈 관리 처리부는, 각 항목별로 분류한 지출/이체 항목을 시계열 데이터 예측에 좋은 성능을 보여주면서 해석 가능한 인사이트를 제공하는 딥러닝 모델인 TFT(Temporal Fusion Transformer)를 통해 분류별 금액 예측을 진행할 수 있으며, 예측 결과를 재조합하여 사용자 단말(200)의 제1 사용자 정보에 따른 소비/지출/저축 패턴에 최적화한 통장 개수 및 통장별 목적을 설정하여, 사용자 단말(200)로 제공할 수 있다.

한편, 저축 목적 데이터 학습 기반 타겟형 리워드 서비스부는, 저축 목적 데이터와 저축 목적 이행률, 유저의 마이데이터를 바탕으로 딥러닝 기반 모델인 PLE(Progressive Layered Extraction)를 이용하여 CTR을 바탕으로 한 개인화된 추천을 수행할 수 있다. 데이터베이스부(160)에는, 유저가 모으고자 하는 목적 금액에 대한 데이터도 명시적으로 저장되어 있으므로, 저축 목적 데이터 학습 기반 타겟형 리워드 서비스부는, 목적 금액에 기초하여 광고나 앱내 활동에 대해 클릭 확률이 높으면서 유저도 만족할 수 있는 리워드를 받을 수 있도록 광고/리워드-액티비티 서비스를 사용자 단말(200)로 제공할 수 있다.

저축 목적 데이터 학습 기반 금융 계좌 추천 서비스부는, 먼저 금융감독원의 Open API를 통해 각종 예적금 계좌 데이터를 수집할 수 있다. 금융계좌는 자격 요건이 문제되는 경우 외에는 대부분 가입이 가능하며, 저축 목적 데이터 학습 기반 금융 계좌 추천 서비스부는 상기 수집된 계좌 데이터에 대해 자연어처리를 통해 자격 요건에 따른 카테고리 별로 분류를 수행할 수 있다.

이와 같은 본 발명은, 각종 예적금 계좌 데이터를 획득하는 단계; 자연어 처리를 통해 금융 계좌 가입 자격요건에 따른 카테고리별로 분류하는 단계; 사용자의 지출정보 및 자산 현황을 고려하여 개인에게 맞는 예적금 계좌를 필터링 하는 단계; 및 사용자의 특성과 저축 목적 등을 활용하여 DeepFM 추천모델을 통해 금융 계좌 추천을 하는 단계를 포함한다.

상기 필터링하는 단계는, 마이데이터를 활용한 지출 정보 및 자산현황과 사용자가 입력한 기대 수익률과 최대 허용 낙폭 정보 등을 바탕으로 Open API로 불러온 데이터를 활용하여 각 개인에게 맞는 최적의 금리를 제공할 수 있는 예적금 계좌 필터링 진행한다.

상기 추천하는 단계는, CTR과 계좌 가입률, 유저 로그, 유저 특성, 그리고 저축 목적 등을 활용하여 DeepFM 추천 모델을 통해 금융 계좌 추천을 진행한다.

그리고, 저축 목적 데이터 학습 기반 금융 계좌 추천 서비스부는, 제1 사용자 정보와 활용한 지출 정보 및 자산현황과 사용자가 입력한 기대 수익률과 최대 허용 낙폭 정보 등을 바탕으로, 상기 Open API로 불러온 데이터와 상기 학습 모델을 활용하여 각 개인에게 맞는 최적의 금리를 제공할 수 있는 예적금 계좌 필터링을 수행할 수 있다. 예를 들어, 저축 목적 데이터 학습 기반 금융 계좌 추천 서비스부는, 각 사용자의 CTR과 계좌 가입률, 유저 로그, 유저 특성, 그리고 저축 목적 등을 활용하여, 사전 구축된 학습 모델과 DeepFM 추천 모델을 통해 금융 계좌 추천서비스를 사용자 단말(200)로 제공할 수 있다.

한편, 저축 목적 데이터 학습 기반 금융 상품 추천 서비스부는, 학습 모델 기반의 금융 상품 추천 서비스를 사용자 단말(200)로 제공할 수 있다.

수익률과 리스크가 중요한 금융상품은 상품 자체, 유저의 성향, 유저의 부 축적 목적뿐만이 아니라 매크로 환경에 알맞은 상품을 추천하는 것이 합리적이다.

이에 따라, 본 발명의 실시 예에 따른 저축 목적 데이터 학습 기반 금융 상품 추천 서비스부는, 기준 금리나 인플레이션 컨센서스 등의 매크로 경제 지표와 같은 시계열 데이터에 적절히 대응할 수 있도록 해당 시계열 데이터를 순환 신경망 기법 중 하나인 장단기 메모리(LSTM)에 적용한 후 해당 결과값을 금융 상품의 특성, 유저 특성과 함께 학습 모델로 구축하고, Deep FM을 통한 추천 서비스를 처리할 수 있다. 금융상품 추천을 위해, 저축 목적 데이터 학습 기반 금융 상품 추천 서비스부는, 상기 계좌 추천과 마찬가지로 CTR과 상품 가입률을 바탕으로한 암묵적 피드백을 예측 변수로 설정할 수 있다.

저축 목적 데이터 학습 기반 콘텐츠 추천 서비스부는, 재테크 교육이나 금융 관련 교육 업체나 유튜브 컨텐츠에 대한 키워드를 자연어 분석을 통해 뽑아내는 토픽 모델링을 수행할 수 있다. 저축 목적 데이터 학습 기반 콘텐츠 추천 서비스부는, 초기에 토픽별 컨텐츠에 랜덤 추천을 하고 이를 바탕으로 학습 데이터를 수집하고 CTR을 집계할 수 있다. 그리고, 저축 목적 데이터 학습 기반 콘텐츠 추천 서비스부는, CTR, 유저의 저축 목표, 유저 라이프 스테이지, 추출된 컨텐츠 토픽을 사용하여 Deep FM을 통해 CTR을 예측하고 금융 관련 컨텐츠를 사용자 단말(200)로 추천할 수 있다.

한편, 다시 도 2를 참조하면, 금융 기관 연계 처리부(150)는, 전술한 서비스 제공부(140)의 서비스 정보 처리에 따라, 금융 기관 연계가 필요한 경우의 금융 기관 연계 데이터 처리를 수행한다. 예를 들어, 금융 기관 연계 데이터는 계좌 금리 정보, 계좌 가입 정보, 금융 상품 정보, 금융 콘텐츠 정보, 금융 리워드 정보, 통장 분리 정보 중 적어도 하나를 포함할 수 있다.

그리고, 데이터베이스부(160)는, 전술한 서비스 제공 장치(100)의 각 요소별 동작을 위한 데이터를 저장 및 관리할 수 있으며, 컴퓨터 판독 가능한 하나 이상의 기록 매체로 구성될 수 있다.

도 4는 본 발명의 실시 예에 따른 저축 목적 분류 카테고리를 예시하는 도면이며, 도 5 및 도 6은 본 발명의 실시 예에 따른 서비스 이용 데이터를 수집하기 위한 어플리케이션 서비스 기능을 설명하기 위한 도면이다.

도 4에 도시된 바와 같이, 사용자는 다양한 저축 목표 카테고리를 설정하여 본 발명의 실시 예에 따른 서비스 제공 장치(100)의 저축 서비스를 이용할 수 있다. 그리고, 저축 목표 카테고리에 대응하는 다양한 형태의 자연어 기반 목표 문장이 입력될 수 있다.

도 5에 도시된 바와 같이, 저축 목표 카테고리와 저축 문장이 설정되면, 사용자는 저축 규칙을 설정할 수 있다. 저축 규칙은 사용자의 입력에 따라 설정될 수 있으며, 본 발명의 실시 예에 따른 추천 서비스가 제공되는 경우, 금융 계좌 추천, 상품 추천, 콘텐츠 추천, 통장 분리 처리, 목표 추천, 타겟형 리워드 추천 등 다양한 추천 정보가 사용자 단말(200)에 함께 출력될 수 있다.

도 6은 사용자의 세부 규칙 설정 정보를 보다 구체적으로 예시한 도면이다. 도 6에 도시된 바와 같이, 사용자는 슬금슬금 저축, 매주 증액 저축, 월급날 저축, 반올림 저축, 예산 절감 저축, 결제 시 저축 등 다양한 설정에 따라 저축 방식, 저축 주기, 출금 계좌, 저축 비율, 저축 시마다 증가할 금액, 지정 결제처, 예산 금액, 잔돈 비율 등의 세부 설정을 수행할 수 있다. 이러한 설정 정보는, 본 발명의 실시 예에 따른 저축 목적 데이터 수집부(120)에서 수집 및 처리되어 학습 데이터로서 이용될 수 있게 된다.

도 7은 본 발명의 실시 예에 따른 목적 데이터 기반 최적화된 금융 서비스를 예시하기 위한 도면이다.

도 7에 도시된 바와 같이, 서비스 제공 장치(100)는, 본 발명의 실시 예에 따른 저축 서비스 어플리케이션 제공에 따라 획득되는 데이터로부터, 각 사용자의 이체 정보와 계좌 개설 정보, 잔액 정보, 목표 달성률 등을 추출할 수 있으며, 이에 기초하여 다른 사용자의 목적 데이터 학습 모델과 비교함에 따라, 적절한 계좌 추천, 금융 상품 추천, 목표 추천, 통장 쪼개기 추천 등의 자동화된 서비스를 제공할 수 있게 된다.

도 8은 본 발명의 실시 예에 따른 목적 데이터 기반 추천 서비스 시스템의 예시도이다.

도 8을 참조하면, 본 발명의 실시 예에 따른 서비스 제공 장치(100)는, 사용자의 서비스 이용에 따라 수집되는 목적 데이터, 이체 데이터, 달성률 데이터 등의 내부 이용 데이터 뿐만 아니라, 외부 장치로부터 수집되는 사용자의 소득, 자산, 연령, 성별, 결제 내역 등의 외부 제이터를 수집하고, 이를 사용자 단말(200)의 대상 고객 데이터와 매칭 처리함에 따라 선호 목적 매칭 데이터를 구성할 수 있다. 그리고, 서비스 제공 장치(100)는, 학습 모델 구성부(130)에서 구성된 추천 목적 학습 모델에 적용함으로써, 그 매칭율을 추론 및 예측하고, 이에 기초하여 적절한 추천 목적을 선택할 수 있으며, 이에 따른 추천 서비스를 사용자 단말(200)로 제공할 수 있게 된다.

상술한 본 발명에 따른 방법은 컴퓨터에서 실행되기 위한 프로그램으로 제작되어 컴퓨터가 읽을 수 있는 기록 매체에 저장될 수 있으며, 컴퓨터가 읽을 수 있는 기록 매체의 예로는 ROM, RAM, CD-ROM, 자기 테이프, 플로피디스크, 광 데이터 저장장치 등이 있다.

컴퓨터가 읽을 수 있는 기록 매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어, 분산방식으로 컴퓨터가 읽을 수 있는 코드가 저장되고 실행될 수 있다. 그리고, 상기 방법을 구현하기 위한 기능적인(function) 프로그램, 코드 및 코드 세그먼트들은 본 발명이 속하는 기술분야의 프로그래머들에 의해 용이하게 추론될 수 있다.

또한, 이상에서는 본 발명의 바람직한 실시예에 대하여 도시하고 설명하였지만, 본 발명은 상술한 특정의 실시예에 한정되지 아니하며, 청구범위에서 청구하는 본 발명의 요지를 벗어남이 없이 당해 발명이 속하는 기술분야에서 통상의 지식을 가진 자에 의해 다양한 변형 실시가 가능한 것은 물론이고, 이러한 변형 실시들은 본 발명의 기술적 사상이나 전망으로부터 개별적으로 이해되어서는 안될 것이다.

Claims (6)

1. 서비스 제공 방법에 있어서,
   각종 금융 상품 데이터를 획득하는 단계;
   자연어 처리를 통해 금융 상품 가입 자격요건에 따른 카테고리별로 분류하는 단계;
   사용자의 지출정보 및 자산 현황을 고려하여 개인에게 맞는 금융 상품을 필터링 하는 단계; 및
   사용자의 특성과 저축 목적 등을 활용하여 DeepFM 추천모델을 통해 금융 상품 추천을 하는 단계를 포함하는
   서비스 제공 방법.
2. 제1항에 있어서,
   상기 필터링 하는 단계는,
   시계열 데이터를 순환 신경망 기법 중 하나인 장단기 메모리(LSTM)에 적용한 후 해당 결과값을 금융 상품의 특성, 유저 특성과 함께 Deep FM을 통한 추천을 진행하는
   서비스 제공 방법.
3. 제1항에 있어서,
   상기 추천하는 단계는,
   금융상품 추천은 계좌 추천과 마찬가지로 CTR과 상품 가입률을 바탕으로한 암묵적 피드백을 예측 변수로 설정하는
   서비스 제공 방법.
4. 제1항에 있어서,
   상기 필터링 하는 단계는,
   마이데이터를 활용한 지출 정보 및 자산현황과 사용자가 입력한 기대 수익률과 최대 허용 낙폭 정보 등을 바탕으로 Open API로 불러온 데이터를 활용하여 각 개인에게 맞는 최적의 금리를 제공할 수 있는 금융상품 필터링 진행하는
   서비스 제공 방법.
5. 제1항에 있어서,
   상기 추천하는 단계는,
   CTR과 계좌 가입률, 유저 로그, 유저 특성, 그리고 저축 목적 등을 활용하여 DeepFM 추천 모델을 통해 금융 상품 추천을 진행하는
   서비스 제공 방법.
6. 서비스 제공 장치에 있어서,
   각종 금융상품 데이터를 획득하는 데이터 수집부;
   자연어 처리를 통해 금융 상품 가입 자격요건에 따른 카테고리별로 분류하는 분류부;
   사용자의 지출정보 및 자산 현황과 저축 목적을 고려하여 개인에게 맞는 금융 상품을 필터링 하는 필터링부; 및
   사용자의 특성과 저축 목적 등을 활용하여 DeepFM 추천모델을 통해 금융 상품 추천을 하는 금융 상품 추천부를 포함하는
   서비스 제공 장치.