Project Background
본 프로젝트는 실제 금융 현장에서 우수한 성과를 기록 중인 네이버페이 스코어의 차세대 고도화를 목표로 하는 산학협력 프로젝트입니다. 저는 학부연구생 소속 산학연구원으로서 본 연구에 참여하였습니다.
기존 신용평가 모델은 이산적이고 범주적인 데이터에 의존하여 개인의 세밀한 신용 행동 변화를 포착하는 데 한계가 있었습니다. 이를 해결하기 위해 네이버페이의 금융 행동 데이터(자산 현황, 결제 패턴 등)와 NICE의 신용 데이터를 결합하여, 데이터의 전이적 패턴(Transition Pattern) 및 비정형 패턴을 확인하고 더 다차원적인 특성을 판단하는 모델을 연구했습니다.
특히, 복잡한 신용 변화 과정을 이미지 형태의 피처맵(Feature Map)으로 생성하여 모델이 '왜' 특정 고객을 그렇게 판단했는지 시각적으로 확인할 수 있는 XAI(설명 가능한 AI)적 특성을 도입하는 데 집중했습니다.
🔒 보안 및 환경: 국민 대다수의 금융 정보가 포함된 민감 데이터를 다루는 프로젝트 특성상, 외부 반출이 엄격히 제한된 네이버 내부 보안 구역(On-site) 내 오프라인 환경에서 모든 연구를 수행하며 기업 수준의 보안 가이드라인을 준수했습니다.
▲ 네이버 사옥
Key Upgrade: From Linear Features to Visual Patterns
기존 신용평가 모델은 수많은 피처를 독립적인 수치(Linear)로 입력받아 학습했기 때문에, 변수 간의 복합적인 상관관계나 시계열적 흐름을 포착하는 데 한계가 있었습니다. 본 연구는 이러한 개별 피처들을 하나의 이미지 형태(Feature Map)로 통합하여 모델의 차원을 한 단계 높였습니다.
기존 방식 (Linear)
피처별 독립적 수치 입력
→ 변수 간 복합 패턴 포착 어려움
→ 결과에 대한 직관적 설명 부족
MissGBM & Image-based
피처를 기하학적 이미지로 결합
→ 우량/불량 고객의 고유 패턴 학습
→ 시각적 지표를 통한 근거 제시
1. 우량/불량 고객의 양상 차이 투영
우량 고객과 불량 고객은 소비 업권의 이동, 자산 변동 주기 등에서 서로 다른 '형태'를 보입니다. 이를 이미지화함으로써 모델은 단순 수치가 아닌 형태학적 특징(Morphological Features)을 학습하게 되며, 이는 우량과 불량 집단 간의 미세한 경계를 훨씬 더 명확하게 구분 짓는 기준이 됩니다.
2. 시각적 설명을 통한 고객 피드백 (XAI)
학습된 모델은 단순 점수뿐만 아니라 판단 근거가 담긴 피처맵 이미지를 함께 도출합니다. 이를 고객에게 제공함으로써 "어떤 행동 패턴(예: 특정 업권에서의 과도한 소비 주기 등) 때문에 승인이 되었는지 혹은 탈락했는지"를 직관적으로 이해할 수 있게 합니다. 이는 금융 서비스의 신뢰도를 높이는 결정적인 역할을 합니다.
▲ 네이버페이 스코어를 통한 대출비교
My Contribution
-
타겟 선별 및 지표 분석 (Target Selection & EDA)
NPay 고객의 자산, 신용점수, 구매 이력 데이터를 활용하여 신용 우분량에 따른 유의미한 행동 패턴을 분석했습니다. 통계적 검증을 통해 모델 학습의 타겟 피처를 선별하고 연구 가설의 타당성을 분석했습니다. -
전이 패턴 피처맵 생성 (Feature Map Engineering)
발굴된 행동 패턴을 모델에 입력할 수 있도록 2차원 피처맵 형태로 변환했습니다. 단순 수치 나열이 아닌, 전이적 특성을 포함한 데이터 구조를 설계하여 비정형 패턴이 모델에 투영될 수 있도록 수행했습니다. -
퀵모델 구축 및 검증 (Quick Modeling & Validation)
가설을 빠르게 확인하기 위해 라이트한 구조의 퀵모델을 설계 및 구현했습니다. 피처맵 기반의 학습을 진행하여 우량/불량 집단 간의 패턴 양상 차이를 확인하고, 모델의 예측 성능과 시각적 설명력을 검증했습니다.