은행 산업의 고부가가치 분석 과제

• 신용 (Credit)

  신용의 세계에서는 최고의 모델을 가진 자만이 승리합니다. 여러 은행이 부도 가능성 및 손실 심각도, 예상 손실액을 산정하는 데 더욱 적합한 모델을 구축하기 위해 머신 러닝을 사용하고 있습니다. 이러한 모델은 리스크에 대한 가격 책정, 신용 승인, 포트폴리오 관리 등에 사용됩니다. 머신러닝 자동화를 통해 더욱 세밀한 모델을 구축하면 모델이 이산 집단의 미묘한 패턴 변화를 학습함에 따라 신용 평가가 더욱 정교해집니다.

• 금융 범죄

  돈세탁 및 사기 등, 금융 범죄에 대항하는 것이 그 어느 때보다도 중요해졌고, 금융 범죄가 날로 정교해짐에 따라 이에 대처하는 것도 더욱 까다로워졌습니다. 은행은 머신러닝을 사용하여 자체 조사 결과와 사기로 인한 손실에서 얻어진 데이터를 가지고 모델을 학습시켜, 의심스러운 활동을 정확하게 감지하고 사기를 실시간으로 탐지 및 방지할 수 있습니다. 그리고 모델은 계속된 학습을 통해 점점 더 성능이 좋아집니다.

• 고객 경험

  고객은 은행이 자신이 누구인지, 무엇을 언제 원하는지 알 것을 기대합니다. 은행은 머신러닝을 활용해 유사한 상황의 고객 데이터를 도출하여 고객에게 필요한 것을 예측합니다. 일부 은행은 새로운 요구의 발생을 알려주는 이벤트 트리거까지 식별해내고 있습니다. 은행은 실적 감소 리스크가 가장 큰 고객 불만 사항을 감별하여 빠르게 조치를 취하고, 지점별, 영업소별 유동인구 예측 모델을 구축하여 직원을 최적의 상태로 배치하는 데에도 활용하고 있습니다.

• 마케팅

  은행은 머신러닝을 활용하여 가장 수익성이 높을 것으로 예상되는 잠재고객을 예측하고 이 기능을 이용하여 예상 고객 및 추천 고객들을 선별합니다. 은행은 고객 데이터를 기반으로, 디지털 광고를 통해 가장 필요한 금융 상품을 제시하는 것처럼 더욱 정교하게 금융 상품을 타겟팅할 수 있습니다. 또한 고객 가격 민감도를 예측하고, 맞춤형 가치 제안 및 가격-볼륨 탄력성을 측정하기 위해 정교한 분석들을 생성하고 있습니다.

• 현금 관리

  현금 관리를 개선하기 위해 은행은 머신러닝을 활용하여 신규 대출 수요와 선납 속도를 예측하고 ATM 현금 필요 수량을 예상합니다. 은행은 현금 유입 및 유출에 대한 과거 기록 데이터를 활용하여 현금 흐름 예측 모델을 구축합니다. 이를 통해 언제 어디에 얼마만큼의 현금을 보유해야 하는지 파악하고 현금 초과 보유분으로 창출하는 수익을 최적화할 수 있습니다.

• 글로벌 시장

  금융 시장에서 트레이더들은 그동안의 거래 비용 분석(TCA) 및 체결 데이터를 사용하여 주문 라우팅 및 거래 체결 전략을 최적화하는 모델을 구축합니다. 이러한 모델은 수많은 잠재적 알고리즘으로 거래 접근법, 장소, 상대방을 비교하여 상대적 우위를 평가합니다. 이는 트레이더가 최고의 체결 요건을 준수했는지 시연하고 기록하면서, 트레이더의 의사 결정에 도움을 주고 시장 영향을 최소화 하도록 지원합니다.