빅데이터신용평가 (Big Data Credit Scoring)
쉽게 풀면
금융 정보뿐 아니라 인터넷 사용 습관, 소셜미디어 활동, 쇼핑 패턴 등 아주 방대하고 다양한 데이터를 다 긁어모아서 신용도를 판단하는 방식이다.
왜 중요한가
신파일러에게 대출기회를 확대하는 핀테크 대출 서비스의 핵심 기술로, 전통 금융정보 외에 통신·소셜미디어 데이터를 결합해 예측력을 높이려는 시도가 여러 핀테크 기업의 신용평가 모형에 실제로 적용됩니다. 설명가능한 인공지능 기법을 적용해 특정 신용점수가 어떤 변수 때문에 산출되었는지 사후적으로 재구성하려는 시도가 늘고 있지만, 완전한 투명성 확보에는 여전히 한계가 있다.
논문에서는 이렇게 쓰입니다
이 연구는 대규모 디지털 흔적 데이터를 활용한 신용평가가 저소득층이나 금융이력이 부족한 계층에 대해서도 기존 신용평가기관 자료와 유사하거나 그 이상의 부도 예측력을 보인다는 것을 실증하여, 빅데이터 신용평가가 금융포용 확대에 기여할 잠재력을 제시했다.
전통적 금융 데이터가 부족한 사람에게도 비금융 데이터가 신용평가에 도움이 될 수 있음을 보여준다.
조금 더 깊게 보면
빅데이터신용평가는 예측력 향상이라는 장점이 있지만, 개인정보 활용 범위와 알고리즘의 설명가능성 문제로 인해 어떤 데이터가 왜 신용점수에 반영되었는지 소비자가 이해하기 어려운 투명성 문제가 지적됩니다. 전통 신용평가가 연체·상환이력처럼 소수의 정형화된 변수를 쓰는 것과 달리, 빅데이터신용평가는 수백에서 수천 개의 비정형 변수를 기계학습으로 결합하므로 변수 하나하나의 인과관계보다 전체 모형의 예측 정확도에 더 의존한다.
주의할 점
대안신용평가와 밀접히 관련되지만, 빅데이터신용평가는 데이터의 규모와 다양성 자체를 강조하는 반면 대안신용평가는 전통적 신용정보를 대체하는 비전통적 정보원의 성격을 강조한다는 점에서 초점의 차이가 있다.
규제당국은 모형이 성별이나 거주지역처럼 보호받아야 할 속성을 간접적으로 대리하는 변수를 학습하지 않는지 별도로 감독하는 절차를 요구하는 추세다.