이 기사는 2019년 10월 31일 11:10 thebell 에 표출된 기사입니다.

"금융그룹 계열사라는 동일한 울타리 안에 있어도 실제로는 서로 이해관계가 다를 수 있다. 그룹 내 산재된 우량 빅데이터 정보를 통합하는 과정이 쉽지는 않았지만, 이를 통해 신용평가 예측력을 획기적으로 향상시키는 계기가 됐다."

한동욱 KB국민카드 리스크관리본부 전무(CRO·사진)는 그룹 통합 소매 신용평가모델의 강점이 그룹 내 우량 빅데이터 정보를 활용할 수 있다는 데 있다고 강조했다.

한 전무는 "KB금융이 보유한 급여이체, 예·적금, 보험계약, 주식·채권정보 등 고객의 상환능력을 측정할 수 있는 내부 빅데이터를 신용평가에 활용했다"며 "비금융 대안정보를 이용해 금융 거래가 거의 없는 신용정보 부족자(Thin Filer)에 대한 신용평가상 불이익도 상당부분 해소했다"고 말했다.

머신 러닝(Machine Learning) 기법을 적극 도입해 예측력을 제고한 측면도 고무적이라는 평이다. 이번 그룹 통합 소매 신용평가모델을 개발하기 전 국민카드는 랜덤 포레스트(Random Forest), GBM(Gradient Boosting Machine), DNN(Deep Neural Network) 등의 로지스틱 알고리즘을 활용했다. 머신러닝 모델은 이같은 전통적인 모델 개발 방법론에 비해 예측력은 높지만, 신용등급 산출을 설명하는 데 한계를 보였다.

그는 "금융당국에서 최근 금융기관에 신용평가 대응권 등 신용평가 결과에 대한 설명을 충실히 하도록 요구하고 있다"며 "이런 환경 속에서 설명이 어려운 머신러닝 모델 활용은 주 모델에 대한 보조적인 역할에 그칠 수밖에 없었다"고 설명했다.

이번 통합 모형에서는 이 한계를 뛰어넘었다. 한 전무는 "KCB(Korea Credit Bureau)에서 서울대와 공동 개발한 방법론을 이용해 머신러닝의 최대 약점이었던 설명 불가능 이슈를 해결했다"며 "전통적인 머신러닝 알고리즘의 예측력은 유지하면서 기존에는 불가능했던 신용등급 산출 사유를 설명할 수 있게 된 것"이라고 밝혔다.

그는 "은행, 카드처럼 기존 신용평가시스템이 잘 갖춰진 업권보다 캐피탈과 저축은행에 많은 효과를 냈다"며 "기존에는 개인 등급이 계열사마다 달라 표준화가 어려웠는데, 그룹 전체가 통일된 등급을 산출해 전반적인 리스크관리 역량 강화에 초점을 맞췄다"고 강조했다.

물론 그룹 통합 모형을 구축하는 과정이 쉽지만은 않았다. 그는 "금융그룹 내 계열사들의 데이터를 활용했을 때 발생 가능한 이슈를 정리하고 분석하는 작업부터 실제 운영 시 데이터 활용에 대해 설계하는 과정이 어려웠다"고 당시를 회상했다.

한 전무는 "다행히 법적인 테두리 하에서 모든 계열사가 협업해 좋은 결과를 낼 수 있었다"며 "그룹 내 소매 고객에 대한 계열사 간 심사가 시너지 효과를 내면서 중저신용 고객에 대한 신용평가상 불이익을 최소화했다"고 말했다.

그룹 전 계열사 차원에서 활용할 수 있는 신용평가를 구현하면서 국민카드는 범용성을 높이 평가받아 '2019 더벨 리스크 매니저 어워즈(thebell Risk Manager Awards)'에서 여신전문금융부문 최우수상 수상자로 선정됐다.

한 전무는 리스크관리 역시 회사의 이익과 성장을 위한 경영의 일부분임을 강조했다. 한 전무는 "리스크관리를 위한 리스크관리는 지양하고 전사적 관점에서 문제를 바라볼 수 있어야 한다"며 "이를 위해서는 현상에 대한 정확한 이해를 넘어 미래에 대한 예측이 중요한 만큼 항상 연구하고 고민하고 있다"고 말했다.