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

신한카드는 카드업계에서 가장 고객이 많고 시장점유율 1위 지위도 놓치지 않고 있다. 카드 고객 데이터가 풍부한 강점을 활용해 2014년에는 업계 최초로 채권회수모형을 자체 개발했다. 그 덕에 당시 컨설팅을 받아 외부 인력이 모형을 개발한 경쟁업체들과 달리 개발이 끝난 뒤에도 지속적인 모니터링이 가능했다.

하지만 최근 경기 부진과 유동성 공급 축소 등으로 인해 카드업계 전반적으로 자산 건전성이 악화되자 신한카드는 연체채권모형을 점검했다. 과거 로지스틱 회귀분석 통계모형을 활용한 데이터와 모형개발기법이 노후화됐고, 모형 성능 지표도 떨어져 고도화가 필요했다. 신한카드는 지난해 시장 트렌드는 물론 다양한 신규 데이터와 분석기법을 반영해 모형을 '업그레이드'하기로 했다.


앞서 신한카드는 2016년 신용관리 부문에 머신러닝을 도입한 이후 신용카드 한도, 카드론 심사에 활용되는 모형을 개발해 일부 전략에 한해 운영해왔다. 지난해 들어 전문 솔루션을 도입, 자체 역량만으로 다양한 머신러닝 모형을 개발했다. 4월부터는 개발을 마치고 다양한 전략에 확대 적용하는 상황이다.

신한카드는 강점인 자체 신용평가시스템(CSS, Credit Scoring System) 역량과 빅데이터 플랫폼을 활용해 머신러닝 모형을 구축했다. 기존에는 연체, 대출 등 금융정보를 바탕으로 성별, 연령 등 기본적인 정보만을 제한적으로 사용했다. 이번에 모형을 개선하면서 신한카드는 다양한 비금융정보로 영역을 넓혔다.

부동산 정보가 대표적이다. 고객이 보유한 부동산의 형태부터 시세, 지역 등 소득 외에 자산을 파악할 수 있는 정보를 모형에 반영했다. 또 고객이 속한 직장이나 지역 내 평균 소득, 연체·대출 통계를 활용한 집단 통계를 사용했다. 신한카드 홈페이지나 애플리케이션을 이용해 출퇴근을 유추할 수 있는 생활 패턴까지 분석해 고객 성향을 간접적으로 평가할 수 있는 데이터도 활용했다.

특히 신한카드는 다양한 머신러닝 알고리즘을 조합한 '앙상블 모형'을 활용했다. 기존 로지스틱 모형의 장점인 안정성을 살리면서 로지스틱과 다른 기법을 융합한 것이다. 로지스틱 모형의 확장 형태인 일래스틱 넷 GLM(Elastic Net GLM) 기법에 의사결정나무 계열이나 성능을 강화할 수 있는 GBM, 랜덤 포레스트(Random Forest) 기법을 더했다.

고성능 알고리즘을 융합하면서 변별력은 우수하지만, 개발 데이터에 최적화된 모형 결과가 도출되면서 시점에 따라 결과가 달라지기도 했다. 이는 다양한 시점의 검증데이터를 충분히 활용하는 방식으로 안정성을 확보해 해결했다.


신한카드는 머신러닝을 통해 채권회수 난이도별로 직무를 구분하고 최적의 인력을 배치했다. 직무1에 해당하는 채권이 비교적 회수하기 쉽고, 직무4로 갈수록 어려워지는 구조다. 과거 회수율이 완납에 가까웠던 채권은 직무1에 배치하고, 숙련도가 높은 인력들이 회수가 어려운 채권에 집중하도록 했다.

회수 가능성 세분화가 촘촘해지면서 효율성이 높아졌다. 신한카드 측에 따르면 개편 이후 연체채권관리 모형 성능은 22% 이상 개선됐다. 회수가능고객과 불가능고객을 변별해내는 성능 지표(K-S)도 기존 54.0에서 66.0으로 향상됐다.