지식경영 분야의 P2P금융 플랫폼의 성장속에서 빅데이터 및 머신러닝(Machine Learning) 기술을 보유한 회사만이 치열한 경쟁 속에서 생존할 가능성이 높을 것으로 예상된다. 그럼에도 불구하고 관련 서비스를 제공하는 온라인 P2P대출 플랫폼 업체들은 투자자와 대출을 신청하는 중개자로서의 역할을 수행할 뿐이며 투자와 관련된 위험은 모두 투자자에게 귀속시키고 있다. 이러한 이유로, 투자자 입장에서는 투자상품의 안전성을 확인할 수 있는 유일한 방법이 신문이나 온라인 웹사이트를 통한 P2P대출 플랫폼 업체의 평판에만 의존할 수 밖에 없는 실정이다. 또한, 한국의 P2P대출 플랫폼 업체들이 대출자의 개별 신용분석을 체계적으로 실시하여 연체율 등의 시계열 정보를 정확히 파악하기에는 시간적, 경제적 여건이 매우 열악한 상황이다. 그러나, 최근 몇몇 P2P대출 플랫폼 업체들이 업체별 대출자 신용분석에 대한 역량을 가장 중요한 영업자산으로 인식함으로써 빅데이터 및 머신러닝 기술을 바탕으로 인공지능(AI)에 기반한 새로운 신용평가 시스템을 구축하고 시행에 들어가고 있음은 매우 긍정적으로 평가된다. 따라서, 본 연구에서는 신용대출 시장에 주력하고 있으며 인공지능 활용으로 잘 알려진 상위 3개 업체를 대상으로 사례분석 방식을 통해 인공지능을 활용한 대출자 신용분석 절차 및 사용하는 정보 데이터의 종류 등을 분석하고자 한다. 이를 통하여 현 상황에서 P2P 플랫폼 업체들의 인공지능을 통한 신용분석 기법을 이해하고 현 시점에서 국내 인공지능을 활용한 신용분석 방식의 한계점과 개선방안 등을 함께 고찰하고자 한다.
지식경영 분야의 P2P금융 플랫폼의 성장속에서 빅데이터 및 머신러닝(Machine Learning) 기술을 보유한 회사만이 치열한 경쟁 속에서 생존할 가능성이 높을 것으로 예상된다. 그럼에도 불구하고 관련 서비스를 제공하는 온라인 P2P대출 플랫폼 업체들은 투자자와 대출을 신청하는 중개자로서의 역할을 수행할 뿐이며 투자와 관련된 위험은 모두 투자자에게 귀속시키고 있다. 이러한 이유로, 투자자 입장에서는 투자상품의 안전성을 확인할 수 있는 유일한 방법이 신문이나 온라인 웹사이트를 통한 P2P대출 플랫폼 업체의 평판에만 의존할 수 밖에 없는 실정이다. 또한, 한국의 P2P대출 플랫폼 업체들이 대출자의 개별 신용분석을 체계적으로 실시하여 연체율 등의 시계열 정보를 정확히 파악하기에는 시간적, 경제적 여건이 매우 열악한 상황이다. 그러나, 최근 몇몇 P2P대출 플랫폼 업체들이 업체별 대출자 신용분석에 대한 역량을 가장 중요한 영업자산으로 인식함으로써 빅데이터 및 머신러닝 기술을 바탕으로 인공지능(AI)에 기반한 새로운 신용평가 시스템을 구축하고 시행에 들어가고 있음은 매우 긍정적으로 평가된다. 따라서, 본 연구에서는 신용대출 시장에 주력하고 있으며 인공지능 활용으로 잘 알려진 상위 3개 업체를 대상으로 사례분석 방식을 통해 인공지능을 활용한 대출자 신용분석 절차 및 사용하는 정보 데이터의 종류 등을 분석하고자 한다. 이를 통하여 현 상황에서 P2P 플랫폼 업체들의 인공지능을 통한 신용분석 기법을 이해하고 현 시점에서 국내 인공지능을 활용한 신용분석 방식의 한계점과 개선방안 등을 함께 고찰하고자 한다.
In the remarkable growth of P2P financial platform in the field of knowledge management, only companies with big data and machine learning technologies are surviving in fierce competition. The ability to analyze borrowers' credit is most important, and platform companies are also recognizing this ca...
In the remarkable growth of P2P financial platform in the field of knowledge management, only companies with big data and machine learning technologies are surviving in fierce competition. The ability to analyze borrowers' credit is most important, and platform companies are also recognizing this capability as the most important business asset, so they are building a credit evaluation system based on artificial intelligence. Nonetheless, online P2P platform providers that offer related services only act as intermediaries to apply for investors and borrowers, and all the risks associated with the investments are attributable to investors. For investors, the only way to verify the safety of investment products depends on the reputation of P2P companies from newspaper and online website. Time series information such as delinquency rate is not enough to evaluate the early stage of Korean P2P makers' credit analysis capability. This study examines the credit analysis procedure of P2P loan platform using artificial intelligence through the case analysis method for well known the top three companies that are focusing on the credit lending market and the kinds of information data to use. Through this, we will improve the understanding of credit analysis techniques through artificial intelligence, and try to examine limitations of credit analysis methods through artificial intelligence.
In the remarkable growth of P2P financial platform in the field of knowledge management, only companies with big data and machine learning technologies are surviving in fierce competition. The ability to analyze borrowers' credit is most important, and platform companies are also recognizing this capability as the most important business asset, so they are building a credit evaluation system based on artificial intelligence. Nonetheless, online P2P platform providers that offer related services only act as intermediaries to apply for investors and borrowers, and all the risks associated with the investments are attributable to investors. For investors, the only way to verify the safety of investment products depends on the reputation of P2P companies from newspaper and online website. Time series information such as delinquency rate is not enough to evaluate the early stage of Korean P2P makers' credit analysis capability. This study examines the credit analysis procedure of P2P loan platform using artificial intelligence through the case analysis method for well known the top three companies that are focusing on the credit lending market and the kinds of information data to use. Through this, we will improve the understanding of credit analysis techniques through artificial intelligence, and try to examine limitations of credit analysis methods through artificial intelligence.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
기업의 경쟁우위는 비즈니스 모델에서 나오며, 비즈니스 모델의 혁신은 기업이 새롭게 갖추어야 할 핵심 역량이자 번영을 위한 척도라 주장한다(hamel 2000; Chesbrough 2010) 따라서 본 연구에서는 P2P 대출 플랫폼 업체들이 대출 심사과정에서 공정성과 객관성을 확보하고 강력한 내부통제 기준으로 작동할 수 있는 ‘인공지능을 통한 대출심사 방식’의 필요성과 혁신적인 제도 도입의 시사점을 다음과 같이 제시하고자 한다.
이러한 ‘사례연구’ 방법은 현상에 대한 풍부하고 의미 있는 해석을 도출해 내기 위해 다양한 관점과 자료, 관찰, 면접, 문서, 시청각 자료 등을 활용한다(Padgett, 2008; Creswell, 2007). 따라서 본 연구는 Creswell(2007)이 제시한 하나 이상의 사례를 연구하는 집합적 사례 연구에 기반을 두고 여러 사례를 선정한 뒤, 각 사례의 세부적인 기술과 주제들을 제시하고(사례 내 분석), 사례들에 걸쳐 있는 공통적이거나 일반적인 주제를 분석하며(사례 간 분석), 사례들의 의미를 바탕으로 구체적인 교훈 및 전략을 도출하고자 한다(Yin, 2003; Creswell, 2007; 이건창, 2010).
무엇보다도, 이러한 알고리즘을 사용하는 인공지능 기반 신용분석의 목표는 중금리 대출신청자 군에서 상대적으로 신용도가 양호한 대출신청자를 선정함으로써 개인신용정보회사에서 제공하는 동일 신용 등급 간에서 관찰되는 연체율, 부도율 보다 개선된 결과를 얻는 것이다. 2018년 기준 우리나라 금융권 채무자의 채무 불이행률 (3개월 이상 연체자)은 신용카드사가 8.
본 연구는 P2P 대출 플랫폼 업체들의 인공지능 기반 대출자 신용분석 사례들을 개념적으로 분석하기 위한 탐색적 연구로서, 질적 연구방법 중 ‘사례연구’ 방법을 활용하고자 한다.
이에 본 연구는 신용대출을 중심으로 영업 중인 국내 P2P 대출 플랫폼 업체들의 대출심사 과정과 전반적인 업무 흐름을 살펴보고 인공지능 기법의 주요 개념과 P2P 대출 플랫폼 업체별로 어떻게 차별화된 신용평가, 분석 기법을 적용하고 있는지를 복수 사례를 통해 분석하고자 한다. 이를 통하여 인공지능을 통한 신용 평가 방식의 이해를 증진하고 현행 한국의 규제 환경 등으로 발생되는 인공지능 기반 신용분석 방법의 한계점과 문제점을 도출함으로써, 신규업체 진입 시 참고 할 개선방안과 가이드 라인을 제시하고자 한다.
이에 본 연구는 신용대출을 중심으로 영업 중인 국내 P2P 대출 플랫폼 업체들의 대출심사 과정과 전반적인 업무 흐름을 살펴보고 인공지능 기법의 주요 개념과 P2P 대출 플랫폼 업체별로 어떻게 차별화된 신용평가, 분석 기법을 적용하고 있는지를 복수 사례를 통해 분석하고자 한다. 이를 통하여 인공지능을 통한 신용 평가 방식의 이해를 증진하고 현행 한국의 규제 환경 등으로 발생되는 인공지능 기반 신용분석 방법의 한계점과 문제점을 도출함으로써, 신규업체 진입 시 참고 할 개선방안과 가이드 라인을 제시하고자 한다.
제안 방법
특히, 개인신용대출을 주로 취급하는 P2P 업체는 대출심사를 직접 수행하며, 국내 P2P 대출 플랫폼 업체는 대출신청자에게 자금사용 목적 및 필요 금액, 개인정보(성별, 나이, 직업, 연소득 등) 등을 수집한다. 다음으로, 개인 신용정보 활용 동의서를 징구하여 개인신용 평가회사 (Korea Credit Bureau)1) 등을 통해서 개인신용평점(Credit Score) 정보를 제공받고, 각 P2P 업체들은 내부 신용평가 시스템을 활용하여 대출금액, 대출금리 등을 차등 적용하는 개인 신용평점을 부여한다. 또한 P2P 플랫폼 업체들은 투자자의 투자자산 집중위험(Concentration Risk)을 줄이기 위해 다양한 대출자에게 자동분산투자 프로그램을 제공하기도 한다.
단일사례 보다는 다중 사례 연구가 신뢰성을 인정받기 좋기에(김홍곤, 2020) 구체적인 연구대상은 국내 P2P 금융업체에 등록된 46개 업체 중에서 현재, 신용 대출 시장에 주력하고 있으며 인공지능 활용으로 잘 알려진 상위 3개 업체(8퍼센트, 렌딧, 어니스트 펀드)를 대상으로 사례분석 방식을 통해 인공지능을 활용한 대출자 신용분석 절차 및 사용하는 정보 데이터의 종류 등을 분석하고자 한다. 온라인 P2P 금융 서비스를 더욱 구체적으로 이해하기 위해서는 온라인 금융서비스 산업계 종사자의 의견이 반영된 연구가 진행될 필요가 있다(안경민, 이영찬, 2018).
또한, 통계에 기반한 수많은 기준을 통해서 대출자를 100여개 군 중 하나의 군으로 배치해 신용평가를 진행하며, 대출 신청자 본인 여부 확인을 위하여 ‘대출사기 방지 프로세스’ 도 함께 심사한다.
만약, 사회관계망 서비스가 활발하지 않아 비정형 데이터의 확보가 어려운 경우에는 심리분석 방식을 사용하여 보완한다. 이를 통해 첫째, 수집된 금융, 비금융, 정형, 비정형 데이터는 인공신경망 (ANN), 서포트 벡터 머신(SVM) 등 분류(Classification) 알고리즘을 활용하여 학습을 수행한다. 둘째, 자체 신용평가시스템(Credit Scoring System)을 활용한 자체 심사기준에 따라 채권의 만기, 이율, 대출 가능 금액 등이 결정되며, 2018년 3월 기준 0.
대상 데이터
따라서 광범위한 자료 수집은 기본적으로 인터넷상에서 검색 가능한 웹 문서, 신문기사, 동영상 등의 2차 자료 (Secondary Data)를 통해 각 사례들에 대한 자료를 수집하였으며, 자료의 출처 및 인터뷰 정보는 에서 정리하였다.
본 연구는 의 ‘한국의 P2P 대출 플랫폼 업체별 사업 현황’ 에서 개인신용 대출에 주력하며 독자적으로 인공지능에 기반한 신용분석 모델 갖추고 평가에 활용하고 있는 3개 회사(8퍼센트, 렌딧, 어니스트펀드)를 선정하고 구체적인 사례연구를 진행하였다.
P2P 대출 업체들은 일반적인 대출 심사 과정에서 금융관련 데이터를 활용하고 회귀모델을 사용하여 신용 평가를 진행하고 있다. 이 결과, 신용평가 점수에 따라 개인 신용등급을 1~10단계로 부여하고 평가 등급 1~7단계에 해당하는 개인을 우선 대출 대상으로 선정한다. 그러나, 단순한 등급 간 적용에 대한 문제제기가 증대되면서 향후에는 미국 FICO에서 사용하는 ‘1000점 만점 점수 기준’을 적용하여 등급 간의 적용 대상을 보다 더 세분화하려는 움직임이 나타나고 있다.
이론/모형
챗봇 ‘에이다’는 24시간 대응이 가능한 상담 챗봇으로서 대출신청자의 기본정보를 수집하고 대화내용을 분석하여 신용분석에 활용하고 자연어 처리에 강점을 지닌 순환신경망(RNN) 알고리즘을 사용한다.
성능/효과
추가적으로, 렌딧 CSS(Credit Scoring System) 등급은 총 20개로 이루어져 있으며 등급별로 대출 금액 및 한도를 부여하고 있다. 2018년 3월기준 1.2% 수준의 연체율과 1.4%의 부실율을 기록하고 있으며, 2019년을 기준으로 평균 DTI는 약 30% 수준, 평균 개인신용평가 기관의 신용등급은 3.88 등급으로 나타났다.
결론적으로, 사례 분석 대상 업체의 정보 취득 방법 및 분석 대상 정보의 차별화도 뚜렷하게 나타나고 있다는 점이다. 8퍼센트의 경우, 상담과정에서 인공지능이 적용된 챗봇 ‘에이다’를 활용하여 부가정보를 습득하고 있었으며, 어니스트 펀드의 경우, 심리검사를 통해 대출자의 행동패턴 등에 관한 추가정보를 습득하고 기계학습(Machine Learning)을 통해 대출자의 신용 분석에 활용하였다.
본 연구에서 살펴 본 P2P 대출 플랫폼은 금융기관을 통하지 않고 온라인 또는 모바일 채널을 통해 소비자나 소기업에게 직접투자와 직접대출 등의 서비스를 제공하는 대안금융으로서의 기능을 수행하고 있었다. 또한, 대출자의 상세한 재무정보와 신용정보 등을 제공하도록 유도하고, 빅데이터 등의 비정형 데이터를 이용한 신용평가 모델을 활용함으로써 대출자와 투자자의 정보비대칭을 개선할 수 있었다. 무엇보다도, P2P대출 플랫폼은 기존의 금융중개기관 대출방식과 비교할 때 투자자와 차입자의 자금을 중개함에 있어 규제가 적고 온라인 플랫폼 중개로 거래비용이 대폭 절감되며 소액대출이 가능하다는 장점이 있었다.
또한, 어니스트 펀드는 보다 많은 데이터를 활용하기 위해 대출신청자들을 전화나 대면이 아닌 인터넷 홈페이지를 통한 대출 신청으로 유도함으로써, 축적된 데이터를 활용한 머신 러닝 기반의 신용평가모형을 이용하여 부도율을 30% 가량 낮출 수 있었다. 이러한 심리검사 기법을 통한 신용분석은 이미 영국의 비주얼 DNA, 미국의 EFL같은 해외 업체들은 이미 사용하고 있지만, 현재까지 국내 업체에게는 생소한 상황이다.
또한, 대출자의 상세한 재무정보와 신용정보 등을 제공하도록 유도하고, 빅데이터 등의 비정형 데이터를 이용한 신용평가 모델을 활용함으로써 대출자와 투자자의 정보비대칭을 개선할 수 있었다. 무엇보다도, P2P대출 플랫폼은 기존의 금융중개기관 대출방식과 비교할 때 투자자와 차입자의 자금을 중개함에 있어 규제가 적고 온라인 플랫폼 중개로 거래비용이 대폭 절감되며 소액대출이 가능하다는 장점이 있었다.
본 연구를 통하여, 신용대출 비중이 높은 국내 P2P 업체들은 금융/비금융, 정형/비정형 데이터를 활용하여 학습하는 인공지능 기반 신용평가시스템을 구축하고 있는 것으로 분석되었다. 다만, 개인신용정보 거래가 법적으로 허용되지 않아 업체별로 배타적이고 폐쇄적인 데이터 구축방식을 사용하고 있었지만, 사례 분석 대상 업체(8퍼센트, 렌딧, 어니스트 펀드)는 공통적으로 개인신용평가 등급 및 금융거래 정보 등은 개인신용평가 회사(Credit Bureau)로부터 유료로 제공받고 있었으며 이를 바탕으로 다양한 알고리즘을 활용한 기계학습 또는 심화학습 기법을 적용하고 있었다.
본 연구에서 살펴 본 P2P 대출 플랫폼은 금융기관을 통하지 않고 온라인 또는 모바일 채널을 통해 소비자나 소기업에게 직접투자와 직접대출 등의 서비스를 제공하는 대안금융으로서의 기능을 수행하고 있었다. 또한, 대출자의 상세한 재무정보와 신용정보 등을 제공하도록 유도하고, 빅데이터 등의 비정형 데이터를 이용한 신용평가 모델을 활용함으로써 대출자와 투자자의 정보비대칭을 개선할 수 있었다.
이는 개인의 상환 의지를 측정하는 모형으로 국제적으로 공인된 심리검사에서 상환 의지와 관련된 심리특질, 행동패턴, 성격 등의 데이터를 뽑아 이를 인공지능을 활용한 머신 러닝(Machine Learning) 방식으로 학습하고 등급을 부여하는 방식을 사용하는 것으로 알려져 있다. 연구조사기관을 통해 3차까지 테스트를 진행한 결과, 어니스트 펀드의 행동과학 기반 신용평가시스템으로 대출자의 상환의지와 능력을 변별해 낼 수 있음을 검증한 것으로 알려지고 있다. 어니스트 펀드의 신용분석 절차는 <그림 6>과 같다.
이들 3개 회사는 불특정 다수를 대상으로 소액 대출 신청 및 투자자를 모집하는 비즈니스 구조를 가지고 있기 때문에 신속하면서 효과적인 대출심사가 가능하였고 이를 구현하기 위한 인공지능 기반 신용분석 시스템을 보유하고 있었기 때문에 가장 효과적인 연구 대상이 될 수 있었다.
첫째, 인공지능을 통한 대출심사 방식을 통해 신용 평가 모델의 정교함과 예측가능성을 향상시킴으로써 온라인 P2P 비즈니스의 핵심 경쟁력을 강화시킬 수 있다. 기존 은행대출에서는 대출신청자의 신용정보, 금융거래 실적과 재무상황이 주요 분석 대상이며, 신용점수 이외에 재무변수(부채, 소득비율 및 연체정보) 등의 표준 재무정보를 사용하거나 숙련된 금융전문가 및 재무분석가에 의한 위험관리가 이루어지고 있다.
또한, 상위 10개 회원사가 누적 대출 기준 약 65%의 시장점유율 기록하고 있다. 회원사(업체)별 대출 포트폴리오의 비중을 세부적으로 살펴 보면, 대출 잔액 기준 상위업체들은 대부분 신용위험이 비교적 적은 담보대출 및 부동산 PF(Project Financing) 비중이 매우 높게 나타났으며, 반면, 8퍼센트, 렌딧, 어니스트 펀드 등은 상대적으로 신용위험이 큰 개인신용 대출 시장에 집중하는 등 업체별 대출 포트폴리오 전략은 뚜렷한 차이점이 발견되었다.
후속연구
넷째, 왜곡된 대출 신청자의 신용정보에 대한 인공 지능 신용대출심사 결과가 P2P 대출 플랫폼 업체의 연체율 및 부실자산 증가로 이어지지 않도록 금융당국의 지속적인 감시와 통제가 필요하다. 현재까지는 P2P 대출은 대출 신청자가 연계 대부업자를 통해 신용대출을 받는 형식을 취하고 있으며, 이러한 P2P 대출을 통해 기존 금융기관 등을 통해 받은 대출을 상환(대환대출)하여 개인신용 등급이 상승하는 이른바, ‘신용세탁’이 가능하기 때문에, 왜곡된 신용정보에 의한 인공지능 심사결과 역시 왜곡된 결과를 도출할 가능성이 높아질 위험이 있다.
둘째, 인공지능을 통한 대출심사 방식을 효과적으로 작용할 수 있도록 법적, 제도적 보완이 필요하다. 현재, 한국은 개인정보 보호법이 적용되어 관련 개인정보의 상업적 거래가 불가능하고 P2P 대출 플랫폼 업체들이 독자적으로 데이터 베이스를 구축해야 하기 때문에 인공지능 기반 신용분석 모델 개발에 한계가 있다.
미국 등 다른 금융 선진 국가들과 달리 우리나라는 개인정보 등의 거래 및 사용이 제한되고 있으며, 엄격한 규제 환경으로 인해 인공지능 기반 신용 분석에 필요한 데이터 마이닝 및 데이터 공유를 통한 빅데이터 분석이 용이하기 않은 실정이다. 따라서 이러한 P2P 대출 금융 시스템 환경을 서서히 개선해 나간다면 향후 인공지능 기반 신용분석 모델 및 시스템은 더욱더 정교해지고 P2P 대출 플랫폼 뿐 만 아니라 여신업무를 담당하는 금융기관에서도 핵심 도구가 될 것으로 예상된다.
본 연구에서 살펴 본, 8퍼센트의 경우, 상담과정에서 인공지능이 적용된 챗봇 ‘에이다’를 활용하여 부가정보를 습득할 경우에 데이터 분석과 판단, 가치 기준을 매순간 점검해야 할 것이며, 어니스트 펀드의 경우, 심리검사를 통해 대출자의 행동패턴 등에 관한 추가정보를 습득하고 기계학습(Machine Learning)을 통해 대출자의 신용분석에 활용할 경우에는 다양한 대출신청자의 행동패턴 관련 빅데이터를 어떻게 선정하고 이를 객관화 시켜서 입력할 지에 대한 기준을 고민할 필요가 있다.
이러한 경험은 보다 투명한 대출심사 절차를 강화하고 기존의 이해관계인 대출을 포함한 불공정 거래 관행을 방지하기 위하여 정성적 판단 지표를 배제하고 정량적 지표를 위주로 진행되는 ‘인공지능’을 통한 대출심사 방식이 오히려 공정성과 객관성을 확보할 수 있다는 결론에 이르게 한다. 비록, 인공 지능 기반 대출자 신용분석시스템의 효율 향상은 데이터의 양과 질에 달려 있고 아직까지 역사가 짧아 검증된 시스템이라고 보기에는 어렵지만, 다양한 분야에서 활용되고 있는 인공지능 기법의 발전속도를 볼 때 충분한 데이터만 확보되면 매우 효과적인 투자 및 대출 자산관리 수단이 될 것으로 기대된다. 기업의 경쟁우위는 비즈니스 모델에서 나오며, 비즈니스 모델의 혁신은 기업이 새롭게 갖추어야 할 핵심 역량이자 번영을 위한 척도라 주장한다(hamel 2000; Chesbrough 2010) 따라서 본 연구에서는 P2P 대출 플랫폼 업체들이 대출 심사과정에서 공정성과 객관성을 확보하고 강력한 내부통제 기준으로 작동할 수 있는 ‘인공지능을 통한 대출심사 방식’의 필요성과 혁신적인 제도 도입의 시사점을 다음과 같이 제시하고자 한다.
셋째, 인공지능(AI)이 대출 신청자의 사회적 지위, 소득수준, 성별, 인종, 종교 등과 같은 ‘非금융 데이터’를 분석하여 차별적인 판단을 내리거나 불이익을 줄 수 있는 상황이 얼마든지 발생할 수 있으므로, 인공지능을 기반으로 한 새로운 신용평가 시스템은 사회적 윤리적 기준을 지속적으로 검증받고 개선해 나갈 필요성이 있다.
대표적으로, 2016년 미국 P2P 대출업체의 선두주자인 렌딩클럽의 창업자인 르노 라플랑셰(Renaud Laplanche) 회장이 2,200만 달러 부실대출에 연루된 이후부터, 온라인 P2P 대출 플랫폼 업체들의 대출심사에 대한 불투명성, 기업 기밀로 간주되던 인공지능 기반 신용분석 모델의 신뢰성 등에 대한 문제가 여전히 제기되고 있다. 이는 향후 P2P 플랫폼 업체들이 대출심사 과정과 개인신용 평가 모델에 대해 향후 시장 참여자와 어떻게 소통해야 하는지에 대한 경종을 울려주고 있는 사례로 판단된다. 이러한 경험은 보다 투명한 대출심사 절차를 강화하고 기존의 이해관계인 대출을 포함한 불공정 거래 관행을 방지하기 위하여 정성적 판단 지표를 배제하고 정량적 지표를 위주로 진행되는 ‘인공지능’을 통한 대출심사 방식이 오히려 공정성과 객관성을 확보할 수 있다는 결론에 이르게 한다.
이상을 종합하여, P2P 대출 금융 시스템 환경을 서서히 개선해 나간다면 향후 인공지능 기반 신용분석 모델 및 시스템은 4차 산업혁명의 대표 기술로서 P2P 대출 플랫폼 뿐만 아니라 여신업무를 담당하는 금융기관의 핵심 도구로도 성장 가능할 것이다.
질의응답
핵심어
질문
논문에서 추출한 답변
P2P 대출은 어떤 형태인가?
이 중에서, 본 연구의 P2P 대출은 대출형 크라우드펀딩에 해당한다. 이는 불특정 다수의 투자자가 플랫폼이 제공하는 공개된 대출자 리스트의 정보를 확인하고 온라인 상에서 직접 대출을 제공하는 형태이다. 다른 표현으로는 대출형 크라우드 펀딩(Loan-Based Crowd Funding) 혹은 소셜렌딩(Social Lending)이라고 칭한다.
인공지능의 사전적 의미는?
인공지능(Artificial Intelligence, AI)은 사전적 의미로 ‘기계로부터 만들어 지는 지능’으로 컴퓨터 공학에서‘이상적인 지능을 갖춘 존재, 혹은 시스템에 의해 만들어진 지능’을 의미한다. 리서치 기관인 가트너(Gartner)에 따르면 인공지능은 ‘특별한 업무 수행 영역에서 인간을 대체하여 인지능력을 제고하고 자연스러운 인간의 의사소통을 통해 복잡한 콘텐츠를 이해함으로써 인간이 수행하는 결론 도출 과정을 모방하는 기술’로 정의하고 있다.
리서치 기관인 가트너(Gartner)가 정의한 인공지능이란?
인공지능(Artificial Intelligence, AI)은 사전적 의미로 ‘기계로부터 만들어 지는 지능’으로 컴퓨터 공학에서‘이상적인 지능을 갖춘 존재, 혹은 시스템에 의해 만들어진 지능’을 의미한다. 리서치 기관인 가트너(Gartner)에 따르면 인공지능은 ‘특별한 업무 수행 영역에서 인간을 대체하여 인지능력을 제고하고 자연스러운 인간의 의사소통을 통해 복잡한 콘텐츠를 이해함으로써 인간이 수행하는 결론 도출 과정을 모방하는 기술’로 정의하고 있다. 인공지능을 구현하는 방법으로 다음과 같이 규칙기반 시스템(Rule-based system), 기계학습(Machine learning), 딥 러닝(Deep learning)과 같은 세 가지 방식이 활용되고 있다(정수현 2017; Cockburn et al.
참고문헌 (24)
김학건, 박광우, 이병태, 최은호 (2013). 온라인 개인 간(P2P) 대출의 상환 성공요인에 관한 연구. 재무연구, 26(3), 381-415.
김학건, 박광우 (2013). 온라인 개인 간 대출시장에서의 차입자 특성 연구. 한국경영과학학회지, 38(4), 77-94.
김홍곤, 김소담, 김희웅 (2018). 핀테크 기반 주식투자 최적화 모델 구축 사례 연구. 지식경영연구, 19(1), 97-118.
김승현, 오경주 (2018). Predicting debt default of P2P loan borrowers using self-organizing map. Quantitative Bio-science, 38(1), 63-71.
고영성 (2017). 인터넷 대부시장에서의 정보비대칭성 문제: P2P 금융회사 사례를 중심으로. 석사학위논문, 연세대학교 공학대학원, 서울. 박사학위논문, 이화여자대학교 대학원, 서울.
권영준, 남재현, 조민정 (2011). 개인신용평가에서의 비금융정보의 경제적 효과. 한국경제연구, 29(2), 81-107.
손영화 (2016). 한국, 미국, 중국 등 주요 국가의 P2P 대출서비스 사례 연구. 한국소비자보호원 조사보고서, 1-87.
성희활 (2016). P2P 대출형 크라우드 펀딩의 법적 성격과 자본시장법칙 규제체계 수립에 관한 연구. 기업법연구, 30(4), 47-80.
박정국, 김인재 (2015). 금융혁신을 위한 핀테크 서비스의 보안 리스크 대응방안 연구. 지식경영연구, 16(4), 35-45.
이군희, 유영범, 하승인 (2017). 개인신용평가 모형을 위한 딥러닝 활용에 대한 연구. 한국경영과학회 학술대회논문집, 4042-4047.
이창석, 조성배 (2016). 개선된 심층 CNN을 이용한 P2P 소셜 대출에서 채무자의 상환예측 Decision tree 기법을 활용한 P2P 대출형 crowd-funding 분석. 한국정보과학회 학술발표논문집, 529-531.
이경주, 김은영 (2020). 플랫폼 서비스 혁신에 있어 인공지능 (AI)의 역할과 효과에 관한 연구. 지식경영연구, 21(1), 175-195.
이경주, 이상기 (2020). 디지털뱅킹 플랫폼 기반 핀테크 사례 연구. 지식경영연구, 21(1), 61-78.
정수현 (2017). 인공지능, 긴 겨울을 보내고 꽃을 피우다. 카카오 AI리포트, 1(1), 6-14.
한정희 (2013). P2P 등 특수한 유형의 온라인서비스 이용관련 소비자피해 및 개선방안. 한국소비자 보호원 조사보고서, 1-84.
Biemans, W. G., Griffin, A., & Moenaert, R. K. (2016). Perspective: New service development: How the field developed, its current status and recommendations for moving the field forward. Journal of Product Innovation Management, 33(4), 382-397.
Pollari, I., & Ruddenklau, A. (2019). The pulse of FinTech 2018-Biannual global analysis of investment in FinTech. KPMG International Cooperative.
Fang, Y. H., Chiu, C. M., & Wang, E. T. (2011). Understanding customers' satisfaction and repurchase intentions: An integration of IS success model, trust, and justice. Internet Research, 21(4), 479-503.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.