맞닿아 있는 '가능성'
미래를 향한 희망, 숨겨진 잠재력, 그리고 불확실성 속에서 찾아내는 기회까지. 우리는 일상에서 ‘가능성’이라는 단어를 자주 사용합니다. 대출자와 투자자가 운명 공동체처럼 서로 맞닿아 있는 에잇퍼센트에서의 ‘가능성’은 단순한 기대를 넘어, 대출자의 우량한 상환 역량을 찾아내고 이를 통해 투자자의 수익 실현이 이루어지는 것을 의미합니다. 전통 금융이 간과했던 대출자의 잠재력을 발굴하여, 모두에게 마땅한 금융 기회를 제공하는 것이 바로 에잇퍼센트가 추구하는 ‘가능성’입니다.
에잇퍼센트를 비롯한 금융사들은 대출이 필요한 사람의 상환 가능성을 잘 평가하기 위해 신용평가시스템(CSS: Credit Scoring System)을 만듭니다. 이를 통해 대출 고객의 신용위험*에 대하여 정밀하고 객관적인 평가 기준으로 수치화합니다. 상환 가능성이 우량한 고객인지 아닌지를 평가하는 것이죠.
그런데 이 신용평가시스템은 어떻게 만들어져서 우리의 가능성을 평가할 수 있게 되는 걸까요? 그리고 그 평가 기준은 어떻게 세워지는 걸까요?
전통 금융의 한계, 데이터가 말해주지 못하는 이야기
‘신용점수’를 확인해본 경험이 있으신가요? 최근 몇 년 사이 많은 페이 앱, 인터넷은행, 대출 비교 플랫폼 등에서 쉽게 해볼 수 있게 되었는데요. 신용점수를 매기는 신용평가는 전문성과 객관성을 갖춘 평가 기관이 채무자가 만기까지 원리금을 상환할 수 있는 능력을 측정하고 이를 평점화하여 운용하는 체계입니다.
우리나라는 코리아크레딧뷰로(KCB), 나이스신용평가 등 신용평가사(CB)가 개인 신용점수를 책정하고 있습니다. 대출 서비스를 제공하는 금융사에서는 신용평가사가 제공하는 개인 신용점수와 더불어 통계적 분석 및 의사결정을 통해 평가 항목 중 일부를 선정하여 대출 신청자의 장기 연체 등 신용 위험 발생 가능성을 예측하는 모형을 만드는데 이런 것을 ‘신용평가모형’이라고 합니다.
전통 금융은 대출 고객의 금융 데이터 분석, 대출 심사 전략 기획자 및 통계 전문가의 판단 등을 반영하여 신용 평가 항목을 구축합니다. 이 과정에서 대출 심사 전략 기획자 및 통계 전문가들은 다양한 평가 항목 사이에 특정한 수리적 관계가 있다고 가정합니다. 때문에 데이터에 내재된 특성이나 데이터 간 새로운 구조를 반영하기에 한계가 있습니다. 또한 심사 전략을 바꾸게 될 경우 가정해두었던 수리적 관계도 새롭게 기획해야 하기 때문에 전략 업데이트에 시간이 꽤 걸리는 편입니다.
이런 방식의 대출 심사 방식은 획일적인 기준으로 다양한 사람들을 깊이 있게 심사하기 어렵다는 한계가 있습니다. 대출을 상환할 의지와 여력이 있지만 금융 거래 기간이 짧아 데이터나 이력이 많지 않은 중∙저신용자들은 이 기준을 통과하기 어렵거든요. 때문에 소위 1금융권이라 불리는 시중 은행에서 거절당하고 저축은행이나 고금리 대출로 빠지게 되는 문제가 발생합니다.
그럼 왜 1금융권에서는 중∙저신용자들의 가능성을 잘 평가할 수 없을까요? 이유는 간단합니다. 까다롭기 때문이에요. 단순한 금융 정보로는 해석되지 않는 경우가 많기 때문에 전통 금융사들이 쓰는 신용평가모형으로는 한계가 있고, 평가의 어려움이 고금리로 이어진 것이죠.
데이터의 힘, 머신러닝이 만드는 새로운 금융 가능성
에잇퍼센트의 신용평가모형은 이처럼 금융 데이터나 이력이 많이 없어 평가가 어려운 중∙저신용자를 타깃으로 합니다. 기존 금융기관보다 고도화된 신용평가모형을 자체적으로 개발하고 있기 때문에 가능한 일인데요. 머신러닝* 기술을 기반으로 에잇퍼센트가 개발하고 있는 E-index라는 이름의 신용평가모형은 정형화된 금융 데이터뿐만 아니라 비정형적인 비금융 데이터까지 금융 가능성을 평가하는 데 사용할 수 있습니다.
전통 금융사의 신용평가모형은 부모가 아이에게 말을 가르쳐 주듯 ‘답’이 정해진 상태로 학습시키는 방식으로 신용평가 모형이 만들어집니다. 반복 학습을 통해 오류를 줄여가면서 점차 정답에 가까워지는 방법이죠. 에잇퍼센트 신용평가모형 E-index는 여기서 훨씬 더 나아가 ‘답’을 알려주지 않고 학습시키는 방식을 사용합니다. 부모님과 마트에 간 아이가 야채 코너에서는 별다른 행동이 없다가 장난감 코너에서 떼를 쓰는 이유는 무엇일까요? 부모님이 양배추를 장난감이 아니라고 가르쳐 주지 않았지만 이미 아이의 머릿속에는 야채와 장난감을 구분하여 군집이 만들어 진 것이죠.
엄마가 알려주지 않아도 야채와 장난감을 스스로 학습하여 구분하게 된 아이처럼 에잇퍼센트 신용평가모형 E-index는 답을 모르더라도 유사한 것들과 서로 다른 것들을 구분해서 군집을 만들 수 있는 머신러닝 알고리즘을 기반으로 발전하고 있습니다. 대출 고객이 보유한 데이터 간 상호 작용을 학습하고 예측하는 방식인데요. 구체적인 사전 지식을 학습시키지 않아도 사람이 놓칠 수 있는 데이터 추세와 패턴을 식별하여 데이터 속 숨겨진 특징과 구조를 알아내어 신용평가에 반영합니다.
머신러닝 기반의 신용평가 방식은 금융 데이터뿐만 아니라 비금융 데이터를 활용하여 기존 금융 데이터만으로는 평가하기 어려웠던 중∙저신용자의 신용도를 평가하는 데 큰 도움이 되어 제대로 평가받지 못해 비싼 대출 이자를 감당해야 했던 대출 고객에게 도움이 됩니다. 또한 새로운 데이터가 추가될 때마다 실시간으로 학습하고 성능을 개선하기 때문에 시장 환경 변화에 빠르게 적응하고 더욱 정확한 예측이 가능하여 결과적으로 투자자의 안정성에도 기여를 합니다.
에잇퍼센트 E-index는 365일 성장중
머신러닝 기반 신용평가모형은 많은 양의 데이터를 필요로 합니다. 데이터 확보를 위해 에잇퍼센트는 2014년 창립 이래 개인신용대출을 취급하지 않았던 달이 없었을 정도로 대출을 꾸준히 제공해왔고 이를 신용평가모형에 적용했죠. 한 분께 대출 실행을 하기 위해서 1차적으로 머신러닝 기반의 심사, 2차적으로 전문성 있는 심사역의 수기 심사, 마지막으로 채권 관리 등 많은 영역의 노하우가 필요합니다. 실제 대출을 하지 않으면 발전되기 어려운 역량인데요. 지난 10년간 꾸준한 대출 취급 역량과 노하우 덕분에 정교한 신용평가모형 E-index 3.0 버전까지 갖출 수 있게 되었습니다.
에잇퍼센트는 긱 워커 플랫폼 등 다양한 플랫폼과의 제휴를 통해 비금융 데이터를 확보하고, 이를 머신러닝 기반 E-index에 적용하여 신용 평가 모델을 고도화하고 있습니다. 급변하는 산업 환경 속에서 새롭게 등장하는 직군과 종사자들의 경우, 기존 금융 데이터만으로는 신용 평가가 어려웠습니다. 하지만 에잇퍼센트는 클라우드 기반의 유연한 시스템을 통해 다양한 산업군의 데이터를 빠르게 수용하고, 이를 바탕으로 각 산업군에 특화된 맞춤형 신용 평가 모델을 구축할 수 있습니다. 이를 통해 기존 금융 시스템에서 소외되었던 다양한 직군의 사람들에게 더욱 정확하고 공정한 신용 평가를 제공하고 있습니다.
마땅한 분들의 가능성을 증명하는 곳 에잇퍼센트
전통 금융은 이미 ‘답’이 정해진 채로 대출 이용자의 대출 승인 가능성을 말해왔습니다. 오랜 기간 운영되어 온 이 방식은 금융의 체계를 만들었지만 ‘답’을 정해두어야 하는 방식으로 인해 시간과 비용이 많이 들어 산업 변화에 따라 새롭게 등장한 대출 이용자들을 세밀하고 신속하게 평가하지 못했습니다.
에잇퍼센트는 대출 상환 가능성이 높지만 정형화된 기준으로 인해 세밀하게 평가되지 못한 중∙저신용자를 더 잘 평가하기 위해 머신러닝 기반의 신용평가모형 E-index를 만들었습니다. ‘답’이 정해지지 않은 방대한 데이터를 학습한 머신러닝이 산업 변화에 맞춰 세밀하고도 신속하게 평가할 수 있습니다.
‘답’이 정해져있다는 것은 의도치 못한 ‘편견’이 평가 기준에 포함되어 정확한 판단을 어렵게 만들 수 있습니다. 정해진 답으로 인해 가능성을 제대로 평가받지 못했던 분들을 제대로 평가하고, 합리적인 대출을 받기 마땅한 분들로 다시 정의하기 위해 에잇퍼센트는 지난 10년간 달려왔습니다.
더 많은 가능성이 에잇퍼센트에서 발견되고 증명될 수 있도록 앞으로 더 노력하겠습니다.
준법감시인 심사필 제 24-175호 (24.11.11)