KR102387024B1 - 인공지능 기반 소상공인 신용대출 시스템 및 방법 - Google Patents
인공지능 기반 소상공인 신용대출 시스템 및 방법 Download PDFInfo
- Publication number
- KR102387024B1 KR102387024B1 KR1020200045485A KR20200045485A KR102387024B1 KR 102387024 B1 KR102387024 B1 KR 102387024B1 KR 1020200045485 A KR1020200045485 A KR 1020200045485A KR 20200045485 A KR20200045485 A KR 20200045485A KR 102387024 B1 KR102387024 B1 KR 102387024B1
- Authority
- KR
- South Korea
- Prior art keywords
- loan
- information
- credit
- small business
- interest rate
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 16
- 238000013210 evaluation model Methods 0.000 claims abstract description 47
- 238000011156 evaluation Methods 0.000 claims abstract description 46
- 238000004364 calculation method Methods 0.000 claims abstract description 29
- 230000000694 effects Effects 0.000 claims abstract description 11
- 238000012545 processing Methods 0.000 claims description 22
- 238000013524 data verification Methods 0.000 claims description 15
- 238000013480 data collection Methods 0.000 claims description 14
- 238000012821 model calculation Methods 0.000 claims description 13
- 238000012795 verification Methods 0.000 claims description 11
- 238000000692 Student's t-test Methods 0.000 claims description 8
- 238000012353 t test Methods 0.000 claims description 8
- 238000007477 logistic regression Methods 0.000 claims description 7
- 238000010187 selection method Methods 0.000 claims description 7
- 238000000546 chi-square test Methods 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 6
- 238000010801 machine learning Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 230000001419 dependent effect Effects 0.000 description 3
- 238000000746 purification Methods 0.000 description 3
- 238000001276 Kolmogorov–Smirnov test Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 239000007788 liquid Substances 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000002787 reinforcement Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 229940124447 delivery agent Drugs 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000011403 purification operation Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 238000013077 scoring method Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/03—Credit; Loans; Processing thereof
-
- G06Q40/025—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/01—Social networking
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Primary Health Care (AREA)
- Human Resources & Organizations (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Development Economics (AREA)
- Technology Law (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
본 발명은 인공지능 기반 소상공인 신용대출 시스템 및 방법에 관한 것으로서, 그 인공지능 기반 소상공인 신용대출 시스템은 적어도 소상공인의 사업장 매출액, 업력, 금융기관 차입금을 포함한 소상공인의 재무적, 비재무적 데이터를 수집하여 신용평가 모형을 구축하고, 상기 구축된 신용평가모형을 이용하여 소상공인의 신용도를 산출하는 신용평가부; 소상공인의 매출액에 상당부분 영향을 주는 SNS(Social Network Service) 활동 정보와 소상공인의 아이템을 광고하는 온라인 사이트 정보를 평가하여 상기 신용평가모형에 따른 신용도에 반영하는 대안정보생성부; 시장에 형성되어 있는 금리를 이용하여 대부업보다 낮으며, 상기 신용평가부에서 출력되는 신용등급별로 대출금리를 산출하는 대출금리 산출부; 및 소상공인의 미래 현금흐름정보에 기초하여 대출금액을 산출하는 대출금액 산출부를 포함한다.
Description
본 발명은 신용대출에 관한 것으로서, 특히 인공지능 기반 소상공인 신용대출 시스템 및 방법에 관한 것이다.
국내 중소기업은 전체 고용의 대략 90% 를 담당하고 있을 뿐 아니라 부가가치 비중에 있어서도 대략 60% 를 차지하고 있다. 그만큼 국가적으로도 국민 경제의 중추적인 역할을 담당하고 있고, 전체 경제활동과 고용의 주요 원천으로 국민경제에 미치는 영향이 크다. 하지만 대기업 대비 사업 경쟁력과 경영자금 조달 등에서 있어서는 열악한 상황으로 특히 은행권의 대출 기피현상이 계속 지적되고 있다.
특히 소상공인은 초기 투자금액이 크기 때문에 중소기업대출로 분류되는 개인사업자 대출만 보유한 차주보다 대출의 규모가 크며, 운영하면서 단기적 유동성 자금이 필요한 경우가 높아 저신용 및 고금리의 추가적인 대출에 따른 생계형 자영업 대출의 부실화가 심각해질 위험을 갖고 있다. 이처럼 신용의 부족 즉, 금융정보 부족이 주요 원인으로 지적되는데, 특히 소상공인의 경우 공신력 있는 재무제표와 더불어 유동성 현금흐름 정보 부재로 인해 이러한 현상이 더 심각하다.
이러한 문제를 해결하기 위해 빅데이터(Big Data)와 인공지능을 활용하여, 소상공인을 위한 신용평가 모형 개발이 요구되고 있다. 전 세계적으로도 빅데이터의 활용 범위와 머신러닝(Machine Learning) 분석 방법의 활용이 확대되면서 기업 신용평가 분야에도 다양한 변화가 시도되고 있다. 이러한 시도는 핀 테크(Fintech) 기업을 통해 더욱 적극적으로 이루어 질 수 있다. 그런데, 소액 금융시장에서 더욱 효과를 발휘하는 것으로 알려진 핀 테크를 통해 신용위험평가에 혁신적인 기술을 적용하여 기존 금융 서비스에서 소외되고 있는 신용이 취약한 중소기업이나 소상공인들에게 합리적인 자금조달을 제공할 필요가 있다.
본 발명이 해결하고자 하는 과제는 기존 금융 서비스에서 소외되고 있는 신용이 취약한 중소기업이나 소상공인들에게 적정한 대출금액으로 기존의 높은 금리가 아닌 합리적인 금리와 신속한 자금조달이 가능할 수 있도록 하기 위해, 객관적인 정보가 부족한 소상공인에 대해 AI 기술을 기반으로 구축된 신용평가 모형을 통해 재무정보와 다양한 비재무적인 정보를 학습하고, 기 확보된 소상공인 서비스 회원의 정보를 활용하여 소상공인 신용평가를 함으로써 적정한 대출금액으로 높은 회수율 뿐 아니라 합리적인 금리로 신속한 신용대출을 가능하게 하는, 인공지능 기반 소상공인 신용대출 시스템 및 방법을 제공하는 것이다.
상기 기술적 과제를 이루기 위한 본 발명의 일시예에 의한 인공지능 기반 소상공인 신용대출 시스템은 적어도 소상공인의 사업장 매출액, 업력, 금융기관 차입금을 포함한 소상공인의 재무적, 비재무적 데이터를 수집하여 신용평가 모형을 구축하고, 상기 구축된 신용평가모형을 이용하여 소상공인의 신용도를 산출하는 신용평가부; 소상공인의 매출액에 상당부분 영향을 주는 SNS(Social Network Service) 활동 정보와 소상공인의 아이템을 광고하는 온라인 사이트 정보를 평가하여 상기 신용평가모형에 따른 신용도에 반영하는 대안정보생성부; 시장에 형성되어 있는 금리를 이용하여 대부업보다 낮으며, 상기 신용평가부에서 출력되는 신용등급별로 대출금리를 산출하는 대출금리 산출부; 및 소상공인의 미래 현금흐름정보에 기초하여 대출금액을 산출하는 대출금액 산출부를 포함한다.
상기 신용평가부는 소상공인의 사업장 매출액, 업력, 금융기관 차입금, 사업장 월세 또는 임차보증금, 사업장외 자산정보를 포함한 소상공인의 재무적, 비재무적 데이터를 수집하는 데이터 수집부; 상기 수집한 소상공인의 재무적, 비재무적 데이터에 대한 결측치(missing value)처리, 특이값(outlier value)처리 및 데이터 표준화처리를 포함한 데이터 검증을 통해 신용평가모형에 적합하지 않는 데이터를 걸러내는 작업을 수행하는 데이터 검증부; 및 상기 검증된 데이터 중에서 신용평가모형의 독립변수 후보를 선택하여 상기 독립변수 후보에 대해 그룹분류, 카이제곱 검증, t 검증을 수행하여 통계적으로 유의성 있는 독립변수를 생성하여 신용평가 모형을 산출하는 모형산출부를 포함한다.
상기 모형산출부는 상기 독립변수 후보에 대해 그룹분류, 카이제곱 검증, t 검증을 수행하여 1차독립변수로 생성하고, 상기 1차독립변수에 대해 단계적 선택법 및 다중공선성을 확인하여 최종 독립변수를 선정하고, 상기 단계적 선택법은 로지스틱회귀모형을 통해 변수를 하나씩 모형에 포함하면서 p-value를 기준으로 기계적인 변수추가 작업을 통해 신용평가 모형을 구축하는 것을 포함한다. 상기 신용평가부는 신용평가모형이 구축된 이후에도 대출 서비스를 받는 소상공인의 재무적, 비재무적 데이터를 지속적으로 수집하여 데이터가 새로 수집될 때마다 수집된 데이터를 이용하여 신용평가모형의 파라미터를 계속 업그레이드하여 대출서비스에 맞는 모형으로 학습되는, AI 학습 기반 신용평가모형을 구축하는 것을 특징으로 한다.
상기 대안정보생성부는 대출서비스 대상인 소상공인의 매출 아이템 및 서비스에 대한 SNS 상의 평판, 인지도(게시글 수, 팔로워 수 등)를 포함한 소상공인의 매출액에 상당부분 영향을 주는 SNS(Social Network Service) 활동 정보를 수집하여 점수화하는 SNS정보 생성부; 및 상기 소상공인의 매출 아이템 및 서비스를 소개하고 광고하는 온라인 사이트 정보(가입자 수, 방문자 수, 게시글 수 등)를 평가하여 점수화하는 구독정보 생성부를 포함한다.
본 발명의 일시예에 의한 인공지능 기반 소상공인 신용대출 시스템은 대출 서비스에 가입된 상기 소상공인에 대해, 소상공인 사업장의 매출정보, 매입정보, 고정자산, 대출정보, 판매관리비 정보를 포함한 소상공인의 재무적, 비재무적 정보를 저장하는 대출서비스 DB를 더 포함하고, 상기 대출금액 산출부는 상기 대출서비스 DB를 이용하여 소상공인의 순이익정보 및 미래 현금흐름 정보를 생성하고, 상기 미래 현금흐름 정보를 참조하여 기 대출자의 대출평가를 다시 산출하여 대출 정보를 산출하는 것을 특징으로 한다.
상기 기술적 과제를 이루기 위한 본 발명의 일시예에 의한 인공지능 기반 소상공인 신용대출 방법은 적어도 소상공인의 사업장 매출액, 업력, 금융기관 차입금을 포함한 소상공인의 재무적, 비재무적 데이터를 수집하여 그룹분류, 카이제곱 검증, t 검증을 수행하여 통계적으로 유의성 있는 독립변수를 생성하여 신용평가 모형을 구축하는 단계; 소상공인의 매출 아이템 및 서비스에 대한 SNS 상의 평판 및 인지도를 포함한 SNS(Social Network Service) 활동 정보와 소상공인의 아이템을 광고하는 온라인 사이트 정보를 평가하여 상기 신용평가모형에 따른 신용도에 반영하여 소상공인의 신용도와 신용등급을 산출하는 단계; 시장에 형성되어 있는 금리를 기반으로 대부업보다 낮은 금리로 상기 신용등급별로 대출금리를 산출하는 단계; 및 소상공인의 사업장의 미래 현금흐름정보 및 상기 신용등급을 기반으로 대출금액을 산출하는 단계를 포함한다.
상기 대출금액 산출은 기 대출 소상공인에 대해, 대출 후의 사업장 매출정보, 매입정보, 고정자산, 대출정보, 판매관리비 정보를 포함한 소상공인의 재무적, 비재무적 정보를 수집하는 단계; 상기 수집된 데이터를 이용하여 미래 현금흐름 정보를 생성하는 단계; 및 상기 미래 현금흐름 정보를 이용하여 기 대출 소상공인의 추가대출 금액을 산출하는 단계를 더 포함하는 것을 특징으로 한다.
본 발명에 따른 인공지능 기반 소상공인 신용대출 시스템 및 방법에 의하면, 객관적인 정보가 부족한 소상공인에 대해 AI 기술을 기반으로 구축된 신용평가 모형을 통해 재무정보와 다양한 비재무적인 정보를 학습하고, 기 확보된 소상공인 서비스 회원의 정보를 활용하여 소상공인 신용평가를 함으로써 적정한 대출금액 및 기간을 통해 높은 회수율 뿐 아니라 별도의 추가정보 요청없이 합리적인 금리로 신속한 신용대출이 가능하다.
그리고 본 발명에 의하면, 지속적인 서비스 회원(고객)의 매출, 매입에 따른 현금흐름 정보 및 순이익 정보 또는 타 금융기관 이용정보 등을 활용하여 금리를 조정 시켜 줄 수 있고, 추가적인 대출도 제공 할 수 있다.
또한 본 발명에 의하면, 기존 금융 서비스에서 소외되고 있는 신용이 취약한 중소기업이나 소상공인들은 적정한 대출금액으로 기존의 높은 금리가 아닌 합리적인 금리 뿐 아니라, 별도의 추가정보 제출없이 신속한 자금조달이 가능하다.
도 1은 본 발명의 일실시예에 따른 인공지능 기반 소상공인 신용대출 시스템 의 구성을 블록도로 나타낸 것이다.
도 2는 AI기법을 통한 소상공인의 신용을 산출하고 평가하는 신용평가 모형을 구축하는 신용평가부의 세부 구성의 일 예를 블록도로 나타낸 것이다.
도 3은 신용평가부의 데이터 수집 및 처리 흐름을 나타낸 것이다.
도 4는 신용평가모형 구축을 위해 정의된 변수들을 나타낸 것이다.
도 5는 도 4에서 정의된 변수들의 속성을 나타낸 것이다.
도 6는 대안정보생성부의 보다 세부적인 구성을 블록도로 나타낸 것이다.
도 7는 대안정보생성부의 데이터 처리 흐름을 나타낸 것이다.
도 8은 대안정보에 따른 점수평가 방안의 일 예를 나타낸 것이다.
도 9은 대출금리 산출부의 금리책정 프로세스에 대한 일 예를 나타낸 것이다.
도 10은 대출금액 산출부의 대출가능금액 산출 프로세스에 대한 일 예를 나타낸 것이다.
도 11는 대출이후 피드백 제공 프로세스를 나타낸 것이다.
도 12은 대출 이후 피드백 세부산정 프로세스의 일 예를 나타낸 것이다.
도 13은 본 발명에 따른 인공지능 기반 소상공인 신용대출 시스템의 각 단계별 데이터 처리 흐름을 통합하여 나타낸 것이다.
도 14는 본 발명에 따른 인공지능 기반 소상공인 신용대출 방법을 흐름도로 나타낸 것이다.
도 15은 대출후 대출금액 산출을 세부적으로 나타낸 흐름도이다.
도 2는 AI기법을 통한 소상공인의 신용을 산출하고 평가하는 신용평가 모형을 구축하는 신용평가부의 세부 구성의 일 예를 블록도로 나타낸 것이다.
도 3은 신용평가부의 데이터 수집 및 처리 흐름을 나타낸 것이다.
도 4는 신용평가모형 구축을 위해 정의된 변수들을 나타낸 것이다.
도 5는 도 4에서 정의된 변수들의 속성을 나타낸 것이다.
도 6는 대안정보생성부의 보다 세부적인 구성을 블록도로 나타낸 것이다.
도 7는 대안정보생성부의 데이터 처리 흐름을 나타낸 것이다.
도 8은 대안정보에 따른 점수평가 방안의 일 예를 나타낸 것이다.
도 9은 대출금리 산출부의 금리책정 프로세스에 대한 일 예를 나타낸 것이다.
도 10은 대출금액 산출부의 대출가능금액 산출 프로세스에 대한 일 예를 나타낸 것이다.
도 11는 대출이후 피드백 제공 프로세스를 나타낸 것이다.
도 12은 대출 이후 피드백 세부산정 프로세스의 일 예를 나타낸 것이다.
도 13은 본 발명에 따른 인공지능 기반 소상공인 신용대출 시스템의 각 단계별 데이터 처리 흐름을 통합하여 나타낸 것이다.
도 14는 본 발명에 따른 인공지능 기반 소상공인 신용대출 방법을 흐름도로 나타낸 것이다.
도 15은 대출후 대출금액 산출을 세부적으로 나타낸 흐름도이다.
이하, 첨부된 도면을 참조로 본 발명의 바람직한 실시예를 상세히 설명하기로 한다. 본 명세서에 기재된 실시예와 도면에 도시된 구성은 본 발명의 바람직한 일 실시예에 불과할 뿐이고, 본 발명의 기술적 사상을 모두 대변하는 것은 아니므로, 본 출원 시점에 있어서 이들을 대체할 수 있는 다양한 균등물과 변형예들이 있을 수 있음을 이해하여야 한다.
본 발명에 따른 인공지능 기반 소상공인 신용대출 시스템은 기존 소상공인 고객 또는 신규 소상공인 고객이 대출이 필요할 경우에 신용평가를 하고, 소상공인이 갖는 취약점인 신뢰성 있는 재무정보가 부족할 경우 추가로 대안 정보를 활용하여 신용평가에 반영하여 최종 평가점수를 산정한다. 그리고 나서 대출 신청 시점에서의 금액대비 시장 대출금리 정보를 검토하여 그에 따른 적정 대출금리를 평가점수에 따라 결정하여 최종 금리와 대출기간을 결정하는 시스템이다.
대출신청을 한 소상공인 고객이 이렇게 대출금액, 대출금리 및 대출기간에 대해 승낙하면, 신속한 대출이 이루어지고, 지속적인 고객의 매출 및 순이익 정보, 현금흐름정보 또는 타 금융기관 이용정보 등을 활용하여 금리를 조정해줄 수 있고, 추가적인 대출도 제공 할 수 있다.
본 발명에 따른 신용대출 서비스 대상인 기존 소상공인 고객 또는 신규 소상공인 고객이라 함은, 소상공인을 위한 매출을 정산하는 기능을 가진 모듈 또는 소상공인을 위한 현금흐름 관리 및 손익을 관리하는 모듈 등의 기능을 가지고 있는 서비스 서버에 등록된 소상공인 고객 또는 신규 소상공인 고객을 말한다. 본 발명은 기존 소상공인 고객 또는 신규 소상공인 고객을 대상으로 신용대출 서비스를 제공한다. 이러한 고객은 이미 소상공인 기본 정보가 저장되어 있고, 매출 및 현금흐름 등의 정보도 산출 및 저장되어 있다. 따라서 별도의 추가 정보를 소상공인에게 요청 할 필요 없이 소상공인을 위한 신용평가모듈을 통해 신용평가를 할 수 있다.
도 1은 본 발명의 일실시예에 따른 인공지능 기반 소상공인 신용대출 시스템 의 구성을 블록도로 나타낸 것이다. 도 1을 참조하면, 본 발명의 일실시예에 따른 인공지능 기반 소상공인 신용대출 시스템은 신용평가부(110), 대안정보생성부(120), 대출금리 산출부(130) 및 대출금액 산출부(140)를 포함하고, 대출서비스 DB(140)를 더 포함할 수 있다.
신용평가부(110)는 적어도 소상공인의 사업장 매출액, 업력, 금융기관 차입금을 포함한 소상공인의 재무적, 비재무적 데이터를 수집하여 신용평가 모형을 구축하고, 상기 구축된 신용평가모형을 이용하여 소상공인의 신용도를 산출한다. 신용평가부(110)는 신용평가모형이 구축된 이후에도 대출 서비스를 받는 소상공인의 재무적, 비재무적 데이터를 지속적으로 수집하여 데이터가 새로 수집될 때마다 수집된 데이터를 이용하여 신용평가모형의 파라미터를 계속 업그레이드하여 대출서비스에 맞는 모형으로 학습되는, AI 학습 기반 신용평가모형으로 구축될 수 있다. 즉, 신용평가부(110)는 AI 기법을 통한 소상공인의 신용평가를 통해 신용도를 산출하는 모듈로서, 산출된 신용평가 모형은 기존 고객 정보가 추가되면 신용평가모형의 파라미터가 업데이트 되어 최신의 신용평가모형을 유지할 수 있다.
신용평가부(110)는 기계학습을 이용하여 신용평가 모형을 구축할 수 있다. 상기 기계학습은 컴퓨터가 사전에 프로그램 되어 있지 않고 데이터로부터 패턴을 학습하여 새로운 데이터에 대해 적절한 작업을 수행하는 일련의 알고리즘이나 처리과정을 의미한다. 기계학습 기법으로는 인공 신경망, 결정 트리 학습법, 유전 알고리즘 (Genetic Algorithm), 유전자 프로그래밍, 가우스 과정 회귀, 선형 분별 분석) 등이 있다. 상기 각 모형에 대한 설명은 일반적인 통계서적을 참고하면 되므로 상세한 설명은 생략한다. 또한 기계학습은 학습 시스템에 훈련 데이터 입력 형태에 따라 지도학습, 비지도학습과 강화학습으로 구분 할 수 있다.
지도학습은 입력변수와 목표변수가 존재한다는 것을 의미하고, 비지도학습은 입력변수만 존재하고 목표변수는 없는 경우로 입력 결과에 대한 답이 존재하지 않는 데이터를 학습하는 방법이다. 그리고 강화학습은 특정한 환경 안에서 정의된 에이전트가 현재의 상태를 인식하여 선택 가능한 행동들 중 보상을 최대화하는 행동 혹은 행동 순서를 선택하도록 하는 학습 기법이다. 신용평가부(110)는 다양한 입력변수 데이터들을 통해 부실에 해당하는지 여부가 목표 변수가 되기 때문에 지도학습을 통해 학습할 수 있다.
도 2는 AI기법을 통한 소상공인의 신용을 산출하고 평가하는 신용평가 모형을 구축하는 신용평가부(110)의 세부 구성의 일 예를 블록도로 나타낸 것이다. 도 2를 참조하면, 신용평가부(110)는 데이터 수집부(210), 데이터 검증부(220) 및 모형산출부(230)을 포함한다. 도 3은 신용평가부(110)의 데이터 수집 및 처리 흐름을 나타낸 것이다.
도 2 및 도 3을 참조하여, 본 발명에 따른 AI기반 신용평가부의 신용평가모형에 대한 예를 설명하기로 한다. 데이터 수집부(210)는 소상공인의 사업장 매출액, 업력, 금융기관 차입금, 사업장 월세 또는 임차보증금, 사업장외 자산정보를 포함한 소상공인의 재무적, 비재무적 데이터를 수집한다. 데이터 수집부(210)를 보다 구체적으로 설명하면, 데이터 수집부(210)는 먼저 과거 데이터를 수집한다. (S310) 과거데이터에는 소상공인 정보, 사업장 재무정보, 사업장 외 자산정보, 기타 대출정보, 비재무 정보 및 부실정보가 포함될 수 있다. 상기 과거 데이터는 신용평가사의 정보를 활용할 수 있다.
소상공인의 과거 데이터를 통해 종속변수인 사고(예 : 부도, 파산 등) 여부의 분포는 사고가 전혀 발생하지 않은 차주(사고 무)와 사고가 한 번이라도 발생한 차주(사고 유)의 데이터를 통해 모형을 산출할 수 있다.
도 3에 유의성검증 및 모형산출(S330)의 과정을 상세히 살펴보면, 최종변수 선정작업은 모형구축을 위한 대상 자료로 얻을 수 있는 독립변수들을 대상으로 KS검정, 카이제곱 검정, t검정을 이용하여 대상 독립변수들을 선별하는 작업을 거치게 된다. 그 과정에서 우선은 정규성을 검정하는 KS검정을 먼저 실시하는데 대상 독립변수들이 정규분포 분포를 갖는 지 여부를 확인하여 분석에 필요한 정제된 데이터라고 판단 할 수 있다. 예를 들어 정규분포를 벗어나면 의미 없는 데이터로 판단할 수 있다. 그 후 각 독립변수들이 우연히 발생한 데이터인지 판단하기 위해 카이제곱 검정을 통해 대상을 추출한다. 마지막으로 t검정을 통해 모집단의 특성을 반영하고 있는 데이터들로 구성되어 있는지 판단하는 작업을 거치게 된다.
이후 데이터분석에 각 독립변수들 간에 상관성이 존재하는 지에 대한 다중공선성을 측정하여 최종 독립변수들을 선별하는 작업을 거치게 된다. 다중공선성이란 회귀분석에서 사용된 모형의 일부 예측변수가 다른 예측변수와 상관정도가 높아 데이터 분석시 부정적인 영향을 미치는 현상을 말한다. 예를 들어, 다중공선성이 존재하는 변수에 대해서는 로지스틱회귀분석을 수행하여 회귀계수 추정치, 왈드 카이제곱값, 정분류율, c 통계량 값이 더 크게 나타난 변수의 변별력이 더 크기 때문에 이 변수들을 선택하면 된다.
또한 단계적 선택법이라는 통계적 기법을 통해 기계적으로 유의한 변수를 찾는 방법을 수행하여 최종 독립변수를 선별한다. 즉, 로지스틱회귀모형을 통해 변수 한 개씩 모형에 포함시켜 p-value가 소정의 값 이상이면 그대로 유지하고 다른 설명 변수를 반복적으로 추가하는 작업을 거쳐 모형을 완성하게 된다.
최종 만들어진 로지스틱회귀모형은 성능평가에 관한 분석을 수행해야 한다. 이를 위해 정오분류법과 분류모형이 실제 유형과 일치하는 비율을 확인하는 정확도와 정밀도를 측정하여 모형의 성능을 평가한다.
도 4는 신용평가모형 구축을 위해 정의된 변수들을 나타낸 것이다. 즉, 신용평가모형 구축을 위한 변수들을 도 4와 같이 정의할 수 있다. 참고로, 도 4에서 소상공인이 중요하게 생각하는 상권 정보의 경우 데이터 정의 및 입수 등의 어려움이 있을 수 있고, AI 신용대출시스템 상에 대출가능금액 산정시 실제 미래 현금흐름을 반영하는 단계가 있기 때문에 상권정보를 독립변수에서 제외하였다.
도 2를 참조하면, 데이터 수집부(210)가 과거데이터를 수집하고 독립변수를 정의한 후에는 데이터 검증부(220)는 데이터 검증 및 정제를 한다.(S320) 데이터 검증부(220)는 상기 수집한 소상공인의 재무적, 비재무적 데이터에 대한 결측치(missing value)처리, 특이값(outlier value)처리 및 데이터 표준화처리를 포함한 데이터 검증을 통해 신용평가모형에 적합하지 않는 데이터를 걸러내는 작업을 수행한다. 즉, 데이터 검증부(220)는 데이터 검증 및 정제를 위해, 결측치(missing value) 처리, 특이값(outlier value) 처리 및 데이터 표준화 처리를 수행할 수 있다.(S320) 여기서, 결측치 처리, 특이값 처리가 이루어지는 데이터는 예를 들어 실제 입력 데이터가 정수이어야 하는데, 음수값, 문자열 혹은 없는 값이 들어오는 데이터를 말한다. 이러한 데이터는 신용평가 모형 산출에 영향을 줄 수 있기 때문에 처리방안을 가지고 있어야 하며, 이러한 작업을 데이터 정제 작업이라 한다.
실제 소상공인들의 변수 데이터는 특성상 상당한 불량 데이터들이 존재할 수 있다. 향후에도 이러한 데이터는 계속적으로 존재할 것이나, 이러한 변수들을 갖는 소상공인의 종속변수(부도여부) 데이터는 결측치가 없기 때문에 전부 효용데이터로 사용 할 수 있다. 다만 예를 들어, 특정 독립변수 상에 값이 없는 경우, 이러한 데이터에 대해 데이터 표준화 처리를 위해 통계기법에서 보통 해당 변수들의 평균을 반영하는 식의 다양한 방법들이 있지만, 신용평가 모형상, 종속변수(부도여부)에 대해 유의미하지 않은 변수는 배제되어 모형이 만들어 질 수 있다. 따라서 이러한 경우에 대해서 0으로 처리한다.
도 5는 도 4에서 정의된 변수들의 속성을 나타낸 것으로서, 도 5와 같이 변수들의 속성을 정의하여 데이터 처리를 수행할 수 있다. 본 발명의 실시예는 업종을 요식업으로 국한하여 요식업에 대한 신용평가 모형을 구축하기로 한다. 업종을 요식업으로 한정할 경우에는 요식업에 대한 특성이 반영될 수 있다.
요식업의 특성은 개인사업자가 많으며, 종업원은 주로 친인척 내지 아르바이트생 위주로 구성된다. 요식업은 초기 인테리어 및 주방설비 등을 갖추기 위해 많은 자금이 필요한데, 주로 개인 담보대출을 통한 금융기관 대출로 마련한다. 매출을 창출하기 위해서는 근래까지는 지역상권이 중요하였지만, 과도한 임대료 및 배달 음식의 활성화 등으로 지리적인 위치는 매출에 중요한 요소에서 멀어져 가고 있다. 특히 음식 맛과 서비스가 중요한데, 개량적인 재무 정보 외에 이러한 내용을 갖고 있는 SNS(social network service)가 얼마나 활성화되어 있느냐에 따라 매출에 상당부분 기여 할 수 있다는 점이 요식업의 특성이라고 할 수 있다.
본 발명에서 AI를 기반으로 하는 신용평가부(110)에서의 신용평가 모형은 재무적인 부분을 주요 변수 항목으로 설정하여 개발될 수 있으며, 본 발명에 따른 실시예는 소상공인 대안정보를 신용평가에 부가하는 형태의 신용평가 시스템을 구축할 수 있다.
한편, 도 2를 참조하면 데이터 수집부(210)를 통해 과거데이터가 수집되고, 데이터 검증부(220)를 통해 데이터 검증 및 정제를 한 후에는 모형산출부(230)는 데이터의 유의성을 검증하고 신용평가 모형을 산출한다. 유의성 검증 및 모형산출 단계(S330)에서는 최종변수 선정, AI모형 산출, 및 신용점수 등급화 작업을 수행한다.(S330)
모형산출부(230)는 상기 검증된 데이터 중에서 신용평가모형의 독립변수 후보를 선택하여 상기 독립변수 후보에 대해 그룹분류, 카이제곱 검증, t 검증을 수행하여 통계적으로 유의성 있는 독립변수를 생성하여 신용평가 모형을 산출한다. 모형산출부(230)는 상기 독립변수 후보에 대해 그룹분류, 카이제곱 검증, t 검증을 수행하여 1차독립변수로 생성하고, 상기 1차독립변수에 대해 단계적 선택법 및 다중공선성을 확인하여 최종 독립변수를 선정하고, 상기 단계적 선택법은 로지스틱회귀모형을 통해 변수를 하나씩 모형에 포함하면서 p-value를 기준으로 변수추가 작업을 통해 신용평가 모형을 구축한다.
모형산출부(230)를 보다 상세히 설명하기로 하다. 모형산출부(230)에서의 모형의 최종 변수 선정은 신용평가모형을 구축하기 위해 독립변수를 선택할 때 통계적으로 선택된 결과를 바탕으로 대출시 비즈니스 관점의 부합성을 고려하여 최적의 변수를 조합한다. 이 때 통계적으로 유의한 변수를 선택하는 다양한 방법들이 있다. 본 발명의 실시예는 다음과 같은 방법으로 최종 독립변수를 선정할 수 있다.
모형구축을 위한 독립변수(도 4 참조)를 대상으로 그룹분류, 카이제곱 검정, t검정을 이용하여 독립변수를 선정할 수 있다. 이를 통해 로지스틱회귀모형을 통계프로그램을 통해 산출(S330)한다. 해당 모형이 산출되면, 과거 샘플데이터를 통해 점수 등급화를 시킬 수 있는데, 이 점수를 바탕으로 6개의 그룹분류를 수행한다. 다만, 점수 결과가 낮아짐에 따라, 즉 점수가 높은데, 낮은 점수 그룹보다 나쁜 결과가 나오는 현상이 발생하는지 점검이 되어야 한다.
이로써, AI신용평가모형에 따라 신규 고객 및 기존 고객의 데이터(독립변수)를 입력하면 평가등급을 산출할 수 있는 모형이 완성된다. 이 모형은 지속적인 고객 데이터가 입수되면 모형의 파라미터를 업그레이드 되는 시스템으로 기존 신용평가사가 특정 모형을 개발하면 계속 그 모형을 주기적인 정합성을 연구하면서 업데이트되지만, 본 발명에 따른 신용평가모형은 데이터가 입수될 때마다 모형의 파라미터를 업데이트하여 항상 최신의 모형을 유지하게 된다. 이렇게 하면, 과거 다른 신용평가사 데이터에 국한되어 모형을 만들어 산출하는 것보다, 본 발명에 따른 대출 서비스에 대한 고객들의 정보가 계속 업데이트 되어 서비스에 맞는 모형으로 발전하면서 서비스에 적합한 가장 최신의 모형이 될 것이다.
한편, 도 1을 참조하면, 신용평가부(110)에서 소상공인들의 재무, 비재무적인 데이터를 통해 신용평가등급을 산출하는 것 이외에, SNS 등의 적극적인 활동을 신용평가에 활용할 수 있다. 이는 소상공인들의 사업형태를 보면 신용등급이 좋더라도, 적극적인 사업 모습에 따라 미래 매출의 향방이 매우 극적으로 달라지는 점을 반영하기 위함이다. 또한 신용평가를 위한 재무, 비재무 데이터는 과거에 발생된 데이터를 바탕으로 판단하기에 향후 미래에 대한 사업방향을 판단하기에 부족함이 있기 때문이다. 이를 위해 소상공인의 구독정보와 SNS이용정보를 입력변수로 반영할 수 있다. 구독정보와 SNS 이용정보가 입력되면, 점수제를 통하여 최종 점수를 반영하며 이 점수를 통해 신용평가 등급점수에 가중치로 반영하게 된다.
대안정보생성부(120)는 소상공인의 매출액에 상당부분 영향을 주는 SNS(Social Network Service) 활동 정보와 소상공인의 아이템을 광고하는 온라인 사이트 정보를 평가하여 상기 신용평가모형에 따른 신용도에 반영한다.
도 6은 대안정보생성부(120)의 보다 세부적인 구성을 블록도로 나타낸 것이고, 도 7은 대안정보생성부(120)의 데이터 처리 흐름을 나타낸 것이다. 도 6를 참조하면, 대안정보생성부(120)는 SNS정보생성부(610) 및 구독정보생성부(620)를 포함하여 이루어진다.
SNS정보 생성부(610)는 대출서비스 대상인 소상공인의 매출 아이템 및 서비스에 대한 SNS 상의 평판, 인지도(게시글 수, 팔로워 수 등)를 포함한 소상공인의 매출액에 상당부분 영향을 주는 SNS(Social Network Service) 활동 정보를 수집하여 점수화 할 수 있다. 구독정보 생성부(620)는 상기 소상공인의 매출 아이템 및 서비스를 소개하고 광고하는 온라인 사이트 정보(가입자 수, 방문자 수, 게시글 수 등)를 평가하여 점수화 할 수 있다.
구독정보는 해당 사업을 소개 할 수 있는 사이트 들을 정의한 것으로서, 회원가입기간정보, 타구독회사 정보를 포함할 수 있고, SNS이용정보는 해당 사이트에서 활동하고 있는 정보 및 팔로워들의 댓글 등을 포함할 수 있다. (S710) 이러한 구독정보와 SNS이용정보를 포함한 대안정보를 신용평가모형에 반영하기 위해 부실정보와의 상관성을 산출하고, 대안정보를 AI 점수화하고, AI 점수를 통한 가중치를 산출하여 대안정보를 점수화 할 수 있다.(S720)
이렇게 대안정보에 따른 점수가 산정이 되면, 이 점수 영역대 별로 신용평가모형에 가중치로 반영할 수 있다. 도 16은 대안정보에 따른 점수평가 방안의 일 예를 나타낸 것으로서, 대안정보는 구독정보(회원가입정보, 타구독회사 정보)와 이를 통한 SNS이용정보(게시글 수, 팔로워수)를 점수화하여 산출된 신용평가 등급 점수에 가중치로 반영할 수 있다. 따라서 대안정보는 신용평가 모형이 바뀌는게 아니라, 신용평가 산출 점수에 가중치로 반영되는 것이 바람직하다. 미리 결정된 가중치 요율을 이용하여, 예를 들어 신용평가점수가 800점, 요율이 0.5 이고 등급에 따라 산출된 대안정보 점수가 90점이 나오면 최종 점수는 845(=800+(0.5 *90)) 으로 결정될 수 있다.
도 2를 참조하면, 데이터 수집부(210)가 대출 서비스에 가입된 상기 소상공인에 대해, 소상공인 사업장의 매출정보, 매입정보, 고정자산, 대출정보, 판매관리비 정보를 포함한 소상공인의 재무적, 비재무적 정보를 수집하면, 수집된 데이터는 대출서비스 DB(150)에 저장되고 관리된다. 이 때 데이터 수집부(210)는 대출 서비스에 가입된 소상공인의 동의를 얻어 네트워크를 통해 신용평가사(212) 및 금융기관(214)을 통해 데이터를 수집할 수 있으며, POS시스템(218) 및 배달대행서비스 업체(216)로부터도 데이터를 수집할 수 있다.
다음으로, 시장금리 정보에 따른 대출금리구간 책정 단계인데, 이 단계는 대출회사 손익에 영향을 줄 수 있는 매우 중요한 단계라고 할 수 있다. 대출금리가 높으면 대출이자가 많이 들어와서 이익이 날 수 있지만 그 만큼 대출 발생이 적어 질 수 있다. 또한 소상공인을 위한 서비스는 사회적 기업 서비스 이미지도 있어서 대출금리에 따라 서비스 평판도도 달라 질 수 있을 것이다. 다만, 대출금리가 낮으면 대출이익이 낮아지게 되고 아무래도 신용도가 좋지 않은 소상공인의 부실 위험이 커지면 대손충당금을 그만큼 더 적립해야 하는 상황이 발생 할 수도 있을 것이다. 이러한 적정 대출금리를 결정하기 위해서는 시장에 형성되어 있는 금리들을 고려하여 적정한 금리를 결정해야 한다.
도 1을 참조하면, 대출금리 산출부(130)는 시장에 형성되어 있는 금리를 이용하여 대부업보다 낮으며, 상기 신용평가부에서 출력되는 신용등급별로 대출금리를 산출한다. 본 발명에 따른 AI 기반 신용대출시스템은 은행권 대출금리보다는 높고, 저축은행대출금리 수준을 유지하는 선에서 금리를 결정한다면 카드사 또는 캐피탈사, 대부업보다는 낮은 금리를 통해 소상공인들에게 효율적인 금리를 제공 할 수 있다.
도 9는 대출금리 산출부(130)의 금리책정 프로세스에 대한 일 예를 나타낸 것으로서, 시장금리정보를 참조하기 위해 기준금리정보와 은행권대출금리정보 및 저축은행 대출금리정보를 획득한 후(S910), 대출금리구간을 책정하기 위해 중금리 구간별 영역을 정의하고 시장금리와 비교한 대출금리를 정의한다.(S920) 즉, 본 발명에 따른 AI 기반 신용대출시스템은 저축은행중앙회를 통해 저축은행들의 중간 금리를 결정하고, 이를 통해 AI 기반 신용대출시스템 상에 등급구간별로 금리를 결정할 수 있다. 이를 바탕으로, 주기적으로 대출수익에 대한 평가 및 부실여부에 따른 대손충당금 등의 데이터를 활용하여 금리를 조정해 나갈 수 있다.
다음으로, 대출가능 금액 산출 단계에서는 두가지 측면에서 대출가능 금액이 고려 될 수 있는데, 하나는 대출을 원하는 고객이 직접 대출금액을 신청하는 경우이고, 다른 하나는 AI 기반 신용대출시스템에서 대출가능 금액을 제시하는 경우이다.
본 발명이 적용되는 대출서비스는 신용대출 서비스 대상인 소상공인 고객의 매출, 매입, 현금흐름 및 손익추정 정보를 확보하고 있다. 이러한 정보를 이용하여 모든 가입고객에 대해 주기적으로 대출가능 금액을 산출하고 가능 금액에 대해 먼저 제시하는 서비스를 제공할 수 있다. 따라서 대출가능 금액을 바탕으로 고객이 대출을 원하는 범위 내의 금액을 대출 할 수 있는 서비스를 제공한다.
도 1을 참조하면, 대출금액 산출부(140)는 소상공인의 미래 현금흐름정보에 기초하여 대출금액을 산출한다. 대출금액 산출부(140)는 대출서비스 DB(150)를 이용하여 소상공인의 순이익정보 및 미래 현금흐름 정보를 생성하고, 상기 미래 현금흐름 정보를 참조하여 기 대출자의 대출평가를 다시 산출하여 대출 정보를 산출할 수 있다.
도 10은 대출금액 산출부(140)의 대출가능금액 산출 프로세스에 대한 일 예를 나타낸 것으로서, 매출/매입정보 및 고정자산/대출정보를 이용하여 미래 현금흐름을 산출하여(S1010), 현 시점 대출가능 금액을 산출하고 최대 한도 및 미래 시점별 대출 가능금액을 산출할 수 있다.(S1020) 즉, 대출가능금액을 산정하기 위해서는 과거 매출 형태가 아닌, 가입 고객의 데이터를 이용하여 매출과 매입 정보, 고정자산/대출정보 등을 통해 미래현금흐름을 생성시키고 이를 통한 손익을 평가하면서 대출가능 금액을 산출하게 된다. AI 기반 신용대출시스템의 주요 대출 원인을 자영업자의 단기유동자금부족에서 대출을 원한다는 전제 하에 미래현금흐름을 통해 단기에는 부족하지만, 중장기에 유입되는 자금을 파악하여 대출가능 금액을 제시할 수 있게 된다.
이러한 4단계의 과정을 거치면서 AI소상공인 대출이 이루어지고 평가하는 시스템 및 방법론을 갖추게 되며 대출 이후에 주기적인 평가에 따라 대출에 따른 추가대출금액 및 금리 조정을 주기적으로 할 수 있는 피드백시스템도 갖추게 된다.
마지막으로, 대출 이후에 소상공인의 정보 업데이트 단계에서는, 그러한 대출자에 대해 피드백시스템을 통해 금리를 주기적(주로 분기단위)으로 조정을 해주게 되고 추가대출 가능 금액도 제시하는 서비스를 제공할 수 있다. 도 11는 대출이후 피드백 제공 프로세스를 나타낸 것으로서, 금리조정 및 추가대출 여부를 결정할 수 있다. 그리고 도 12는 대출 이후 피드백 세부 산정 프로세스의 일 예를 나타낸 것이다. 도 11를 참조하면, 대출이후 매출/순이익 정보 및 타 금융기관이용정보를 수집하여(S1110), 금리조정여부 및 추가대출 여부를 결정할 수 있다.(S1120) 즉, 대출 이후 실제 매출 및 순이익 정보에 따라 손익장부 상에 미래 현금흐름이 업데이트 되어, 대출자에 대한 대출평가가 다시 산출되어 금리조정과 추가대출 정보를 산출 할 수 있게 한다.
도 12을 참조하면, 순서도에 의해 미래시점별 현금흐름을 보면서 신용평가등급을 새로 산출하여, 대출금액과 대출가능금리와의 비교를 통해, 추가 조정 여부를 판단하여 대출자에게 알려주는 서비스를 제공할 수 있다. 예를 들어, 미래시점 3개월, 6개월, 1년 순이익을 산정하고(S1210) 현재 대출정보를 입수한 후(S1220), 3개월, 6개월, 1년 별 신용평가등급을 산정할 수 있다.(S1230) 그리고 나서 신용평가 등급에 따른 3개월, 6개월, 1년 별 대출가능 금액을 산정하여(S1240) 현재 대출금과 미래시점 대출금을 비교한다.(S1250) 또한 신용평가 등급에 따른 3개월, 6개월, 1년 별 대출가능 금리를 산정하여(S1260) 현재 대출금리와 미리시점별 대출금리를 비교할 수 있다.(S1270)
도 13은 상술한 본 발명에 따른 인공지능 기반 소상공인 신용대출 시스템의 각 단계별 데이터 처리 흐름을 통합하여 나타낸 것으로서, A!기법을 통한 소상공인 신용평가모듈을 통해 소상공인의 신용도와 신용평가등급을 산출한 후(S1310), 소상공인 대안정보를 반영한다.(S1320) 그리고 나서 평가점수에 따른 대출금액과 대출금리를 결정한다.(S1330) 즉, 시장금리 정보에 따른 대출금리구간을 책정하여 대출가능 금액을 산출한다.(S1340) 그리고 대출 이후에 소상공인의 정보를 업데이트하여 대출금리를 조정하고 추가대출 여부를 결정할 수 있다.(S1350)
한편, 도 14는 본 발명에 따른 인공지능 기반 소상공인 신용대출 방법을 흐름도로 나타낸 것이다. 도 22를 참조하면, 데이터 수집부(210)을 통해 적어도 소상공인의 사업장 매출액, 업력, 금융기관 차입금을 포함한 소상공인의 재무적, 비재무적 데이터를 수집한다.(S1410단계) 데이터 검증부(220)을 통해 그룹분류, 카이제곱 검증, t 검증을 수행하여 모형산출부(230)을 통해 통계적으로 유의성 있는 독립변수를 생성하여 신용평가 모형을 구축한다.(S1420단계)
그리고 나서 대안정보생성부(120)를 통해 소상공인의 매출 아이템 및 서비스에 대한 SNS 상의 평판 및 인지도를 포함한 SNS(Social Network Service) 활동 정보와 소상공인의 아이템을 광고하는 온라인 사이트 정보를 평가하여 상기 신용평가모형에 따른 신용도에 반영하여 소상공인의 신용도와 신용등급을 산출한다.(S1430단계) 여기서, 상기 신용평가 모형은 신용평가모형이 구축된 이후에도 대출 서비스를 받는 소상공인의 재무적, 비재무적 데이터를 지속적으로 수집하여 데이터가 새로 수집될 때마다 수집된 데이터를 이용하여 신용평가모형의 파라미터를 계속 업그레이드하여 대출서비스에 맞는 모형으로 학습되는, AI 학습 기반 신용평가모형으로 구축될 수 있다.
소상공인에 대한 신용도와 신용등급이 산출되면 대출금리산출부(130)는 시장에 형성되어 있는 금리를 기반으로 대부업보다 낮은 금리로 상기 신용등급별로 대출금리를 산출한다.(S1440단계) 또한 대출금액 산출부(140)는 소상공인의 사업장의 미래 현금흐름정보 및 상기 신용등급을 기반으로 대출금액을 산출한다.(S1450단계)
도 15은 대출 후의 대출금액 산출을 나타낸 흐름도이다. 도 15을 참조하면, 상기 대출 소상공인에 대해, 대출 후의 사업장 매출정보, 매입정보, 고정자산, 대출정보, 판매관리비 정보를 포함한 소상공인의 재무적, 비재무적 정보를 수집한다.(S1510단계) 상기 수집된 데이터를 이용하여 미래 현금흐름 정보를 생성한다.(S1520단계) 상기 미래 현금흐름 정보를 이용하여 기 대출 소상공인의 추가대출 금액을 산출할 수 있다.(S1530단계)
본 발명은 도면에 도시된 실시예를 참고로 설명되었으나 이는 예시적인 것에 불과하며, 본 기술 분야의 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 타 실시예가 가능하다는 점을 이해할 것이다. 따라서, 본 발명의 진정한 기술적 보호 범위는 첨부된 등록청구범위의 기술적 사상에 의해 정해져야 할 것이다.
110 : 신용평가부 120 : 대안정보 생성부
130 : 대출금리 산출부 140 : 대출금액 산출부
150 : 대출 서비스 DB 210 : 데이터 수집부
212 : 신용평가사 214 : 금융기관
216 : 배달대행서비스 업체 218 : POS시스템
220 : 데이터 검증부 230 : 모형산출부
610 : SNS 정보 생성부 620 : 구독정보 생성부
130 : 대출금리 산출부 140 : 대출금액 산출부
150 : 대출 서비스 DB 210 : 데이터 수집부
212 : 신용평가사 214 : 금융기관
216 : 배달대행서비스 업체 218 : POS시스템
220 : 데이터 검증부 230 : 모형산출부
610 : SNS 정보 생성부 620 : 구독정보 생성부
Claims (9)
- 적어도 소상공인의 사업장 매출액, 업력, 금융기관 차입금을 포함한 소상공인의 재무적, 비재무적 데이터를 수집하여 결측치(missing value)처리, 특이값(outlier value)처리 및 데이터 표준화처리를 통해 신용평가모형에 적합하지 않는 데이터를 걸러낸 후 통계적으로 유의성 있는 독립변수를 생성하여 신용평가 모형을 구축하고, 상기 구축된 신용평가모형을 이용하여 소상공인의 신용도를 산출하되, 신용평가모형이 구축된 이후에도 대출 서비스를 받는 소상공인의 재무적, 비재무적 데이터를 지속적으로 수집하여 데이터가 새로 수집될 때마다 수집된 데이터를 이용하여 신용평가모형의 파라미터를 계속 업그레이드하여 대출서비스에 맞는 모형으로 학습되는, AI 학습 기반 신용평가모형을 구축하는 신용평가부;
대출서비스 대상인 소상공인의 매출 아이템 및 서비스에 대한 SNS 상의 평판, 인지도(게시글 수, 팔로워 수 등)를 포함한 소상공인의 매출액에 상당부분 영향을 주는 SNS(Social Network Service) 활동 정보와 소상공인의 아이템 및 서비스를 소개하고 광고하는 온라인 사이트 정보(가입자 수, 방문자 수, 게시글 수 등)를 평가하여 점수화하여 상기 신용평가모형에 따른 신용평가 등급 점수에 가중치로 반영되게 하는 대안정보생성부;
대출 서비스에 가입된 상기 소상공인에 대해, 소상공인 사업장의 매출정보, 매입정보, 고정자산, 대출정보, 판매관리비 정보를 포함한 소상공인의 재무적, 비재무적 정보를 저장하는 대출서비스 DB;
기준금리정보와 적어도 은행권대출금리정보 및 저축은행대출금리정보 중 하나를 포함하는 시장금리정보를 이용하여 등급 구간별 금리를 결정하고, 주기적으로 대출 수익에 대한 평가 및 부실 여부에 따른 대손충당금 데이터를 이용하여 대부업 금리보다 낮으며, 상기 신용평가부에서 출력되는 신용등급별로 대출금리를 산출하는 대출금리 산출부; 및
상기 대출서비스 DB에 저장된 정보를 이용하여 소상공인의 순이익정보를 생성하고, 상기 대출서비스 DB의 매출/매입정보와 고정자산/대출정보를 이용하여 미래 현금흐름 정보를 산출하여, 가입 소상공인의 현 시점 대출가능 금액을 산출하는 대출금액 산출부를 포함하고,
상기 신용평가부는 상기 소상공인에 대한 대출이 이루어진 후 발생 및 산출된 매출/순이익 정보 및 타 금융기관이용정보를 반영하여 복수의 미래 시점 별로 신용평가등급을 산정하고,
상기 대출금리 산출부 및 대출금액 산출부는 상기 미래 현금흐름 정보와 미래 시점의 신용평가 등급 정보를 참조하여 기 대출자의 대출 평가를 다시 산출하여 대출금리 조정 및 추가대출 여부를 결정하고, 현재 대출금리 정보 및 미래 시점 별 대출금리 정보와, 상기 현재 대출금리 및 미래 시점 별 대출금리에 상응하는 현재 대출금액 및 미래 시점 별 대출가능 금액 정보를 제공하는 것을 특징으로 하는, 인공지능 기반 소상공인 신용대출 시스템. - 제1항에 있어서, 상기 신용평가부는
소상공인의 사업장 매출액, 업력, 금융기관 차입금, 사업장 월세 또는 임차보증금, 사업장외 자산정보를 포함한 소상공인의 재무적, 비재무적 데이터를 수집하는 데이터 수집부;
상기 수집한 소상공인의 재무적, 비재무적 데이터에 대한 결측치(missing value)처리, 특이값(outlier value)처리 및 데이터 표준화처리를 포함한 데이터 검증을 통해 신용평가모형에 적합하지 않는 데이터를 걸러내는 작업을 수행하는 데이터 검증부; 및
상기 검증된 데이터 중에서 신용평가모형의 독립변수 후보를 선택하여 상기 독립변수 후보에 대해 그룹분류, 카이제곱 검증, t 검증을 수행하여 통계적으로 유의성 있는 독립변수를 생성하여 신용평가 모형을 산출하는 모형산출부를 포함하는 것을 특징으로 하는, 인공지능 기반 소상공인 신용대출 시스템. - 제2항에 있어서, 상기 모형산출부는
상기 독립변수 후보에 대해 그룹분류, 카이제곱 검증, t 검증을 수행하여 1차독립변수로 생성하고, 상기 1차독립변수에 대해 단계적 선택법 및 다중공선성을 확인하여 최종 독립변수를 선정하고,
상기 단계적 선택법은 로지스틱회귀모형을 통해 변수를 하나씩 모형에 포함하면서 p-value를 기준으로 기계적인 변수추가 작업을 통해 신용평가 모형을 구축하는 것을 포함하는 것을 특징으로 하는, 인공지능 기반 소상공인 신용대출 시스템. - 삭제
- 삭제
- 삭제
- 적어도 소상공인의 사업장 매출액, 업력, 금융기관 차입금을 포함한 소상공인의 재무적, 비재무적 데이터를 수집하여 결측치(missing value)처리, 특이값(outlier value)처리 및 데이터 표준화처리를 통해 신용평가모형에 적합하지 않는 데이터를 걸러낸 후 통계적으로 유의성 있는 독립변수를 생성하여 신용평가 모형을 구축하는 단계;
소상공인의 매출 아이템 및 서비스에 대한 SNS 상의 평판 및 인지도를 포함한 SNS(Social Network Service) 활동 정보와 소상공인의 아이템을 광고하는 온라인 사이트 정보를 평가하여 상기 신용평가모형에 따른 신용도에 가중치로 반영하여 소상공인의 신용도와 신용등급을 산출하는 단계;
기준금리정보와 적어도 은행권대출금리정보 및 저축은행대출금리정보 중 하나를 포함하는 시장금리정보를 이용하여 등급 구간별 금리를 결정하고, 주기적으로 대출 수익에 대한 평가 및 부실 여부에 따른 대손충당금 데이터를 이용하여 시장에 형성되어 있는 금리를 기반으로 대부업 금리보다 낮은 금리로 상기 신용등급별로 대출금리를 산출하는 단계;
소상공인의 순이익정보를 생성하고, 상기 소상공인의 매출/매입정보와 고정자산/대출정보를 이용하여 미래 현금흐름 정보를 산출하여, 소상공인의 사업장의 미래 현금흐름정보 및 상기 신용등급을 기반으로 상기 소상공인의 현 시점 대출금액을 산출하는 단계;
기 대출 소상공인에 대해, 대출 후의 사업장 매출정보, 매입정보, 고정자산, 대출정보, 판매관리비 정보를 포함한 소상공인의 재무적, 비재무적 정보를 수집하여 미래 현금흐름 정보를 생성하는 단계;
신용평가부가 상기 소상공인에 대한 대출 이후의 매출/순이익 정보 및 타 금융기관이용정보를 반영하여 복수의 미래 시점 별로 신용평가등급을 산정하는 단계; 및
대출금리 산출부가 미래 현금흐름 정보와 미래 시점의 신용평가 등급 정보를 참조하여 기 대출자의 대출 평가를 다시 산출하여 대출금리 조정 및 추가대출 여부를 결정하고, 현재 대출금리 정보 및 미래 시점 별 대출금리 정보와, 상기 현재 대출금리 및 미래 시점 별 대출금리에 상응하는 현재 대출금액 및 미래 시점 별 대출가능 금액 정보를 제공하는 단계를 포함하고,
상기 신용평가 모형은 신용평가모형이 구축된 이후에도 대출 서비스를 받는 소상공인의 재무적, 비재무적 데이터를 지속적으로 수집하여 데이터가 새로 수집될 때마다 수집된 데이터를 이용하여 신용평가모형의 파라미터를 계속 업그레이드하여 대출서비스에 맞는 모형으로 학습되는, AI 학습 기반 신용평가모형인 것을 특징으로 하는, 인공지능 기반 소상공인 신용대출 방법. - 삭제
- 삭제
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200045485A KR102387024B1 (ko) | 2020-04-14 | 2020-04-14 | 인공지능 기반 소상공인 신용대출 시스템 및 방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200045485A KR102387024B1 (ko) | 2020-04-14 | 2020-04-14 | 인공지능 기반 소상공인 신용대출 시스템 및 방법 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20210127512A KR20210127512A (ko) | 2021-10-22 |
| KR102387024B1 true KR102387024B1 (ko) | 2022-04-15 |
Family
ID=78275910
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020200045485A KR102387024B1 (ko) | 2020-04-14 | 2020-04-14 | 인공지능 기반 소상공인 신용대출 시스템 및 방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102387024B1 (ko) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102454731B1 (ko) * | 2022-04-28 | 2022-10-14 | 주식회사 윙크스톤파트너스 | 인공지능을 이용한 프랜차이즈 예비 창업자 신용대출 방법 및 이를 이용하는 시스템 |
Families Citing this family (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023113420A1 (ko) * | 2021-12-15 | 2023-06-22 | 고려대학교 산학협력단 | 사업자 활동 데이터 분석 방법 |
| KR102433934B1 (ko) * | 2022-01-12 | 2022-08-19 | 주식회사 에이젠글로벌 | 이커머스 데이터 기반 신용 평가 스코어 카드 결정 방법 및 이러한 방법을 수행하는 장치 |
| KR102433935B1 (ko) * | 2022-01-12 | 2022-08-19 | 주식회사 에이젠글로벌 | Cb 사 신용 평가 모델 생성 및 관리 자동화 방법 및 이러한 방법을 수행하는 장치 |
| KR102433936B1 (ko) * | 2022-01-12 | 2022-08-19 | 주식회사 에이젠글로벌 | 신용 평가 모델의 실시간 모니터링 결과에 따른 업데이트 및 교체 방법 및 이러한 방법을 수행하는 장치 |
| KR102433933B1 (ko) * | 2022-01-12 | 2022-08-19 | 주식회사 에이젠글로벌 | 이커머스 판매 및 유통 관리 시스템 플랫폼 취합 데이터를 기반으로 한 신용 평가 방법 및 이러한 방법을 수행하는 장치 |
| KR102554344B1 (ko) * | 2022-01-19 | 2023-07-10 | 주식회사 데일리펀딩 | 리스크 관리가 가능한 투자연계 대출서비스 운영방법 및 시스템 |
| KR102476961B1 (ko) * | 2022-06-13 | 2022-12-13 | 주식회사 윙크스톤파트너스 | 인공지능을 이용한 이커머스 온라인 셀러 신용대출 방법 및 이를 이용하는 시스템 |
| KR102476964B1 (ko) * | 2022-06-13 | 2022-12-13 | 주식회사 윙크스톤파트너스 | 인공지능을 이용한 이커머스 온라인 셀러 신용대출 방법 및 이를 이용하는 시스템 |
| KR102533857B1 (ko) * | 2022-09-27 | 2023-05-18 | 주식회사 윙크스톤파트너스 | 직종별로 상이한 모형을 갖는 신용평가 서버, 직종별로 상이한 모형을 갖는 신용평가 서버의 제어 방법 및 직종별로 상이한 모형을 통해 신용평가를 수행하는 프로그램이 저장된 컴퓨터 판독이 가능한 기록매체 |
| KR102566466B1 (ko) * | 2022-12-08 | 2023-08-11 | 크레파스솔루션(주) | 개인의 신용도 평가를 위한 대체 신용 평가 시스템 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102005733B1 (ko) * | 2018-07-31 | 2019-07-31 | (주)굿레이트 | 온라인 빅데이터 분석을 통해 도출된 신용도 평가 결과를 이용한 블록체인 기반 p2p 금융 서비스 제공 시스템 |
| KR102089666B1 (ko) * | 2019-03-14 | 2020-03-16 | (주)디에스솔루션즈 | 빅데이터를 활용한 판매자 신용 등급 자동집계 및 평가 방법 및 ai 자동 분류 서버 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20100070182A (ko) * | 2008-12-17 | 2010-06-25 | 주식회사 우리은행 | 개인 고객의 신용대출한도 자동 산출방법 |
| KR101864006B1 (ko) | 2015-10-02 | 2018-07-16 | 주식회사 우리은행 | 대출 서비스 제공 방법 및 이를 실행하는 서버 |
-
2020
- 2020-04-14 KR KR1020200045485A patent/KR102387024B1/ko active IP Right Grant
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102005733B1 (ko) * | 2018-07-31 | 2019-07-31 | (주)굿레이트 | 온라인 빅데이터 분석을 통해 도출된 신용도 평가 결과를 이용한 블록체인 기반 p2p 금융 서비스 제공 시스템 |
| KR102089666B1 (ko) * | 2019-03-14 | 2020-03-16 | (주)디에스솔루션즈 | 빅데이터를 활용한 판매자 신용 등급 자동집계 및 평가 방법 및 ai 자동 분류 서버 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102454731B1 (ko) * | 2022-04-28 | 2022-10-14 | 주식회사 윙크스톤파트너스 | 인공지능을 이용한 프랜차이즈 예비 창업자 신용대출 방법 및 이를 이용하는 시스템 |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20210127512A (ko) | 2021-10-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102387024B1 (ko) | 인공지능 기반 소상공인 신용대출 시스템 및 방법 | |
| KR101913591B1 (ko) | 비정형 데이터를 정형화하여 금융상품을 추천하는 방법 | |
| CN105308640A (zh) | 用于自动生成高质量不良行为通知的方法和*** | |
| Lismont et al. | Predicting tax avoidance by means of social network analytics | |
| CN110264221A (zh) | 一种针对服务商行业的全链路安全业务联合解决方案 | |
| WO2011112981A2 (en) | Methods, computer-accessible medium and systems for construction of and inference with networked data, for example, in a financial setting | |
| CN108492001A (zh) | 一种用于担保贷款网络风险管理的方法 | |
| KR102047859B1 (ko) | 딥 러닝 기반 기업 신용 평가 서버 및 이를 이용한 기업 신용 평가 방법 | |
| Kulkarni et al. | Advanced credit score calculation using social media and machine learning | |
| US11526859B1 (en) | Cash flow forecasting using a bottoms-up machine learning approach | |
| Mohan et al. | Eagle strategy arithmetic optimisation algorithm with optimal deep convolutional forest based fintech application for hyper-automation | |
| JP6411562B2 (ja) | 情報処理装置、情報処理方法及びプログラム | |
| He et al. | Impact of big data analytics on banking: a case study | |
| Calabrese et al. | Modelling spatial dependence for Loss Given Default in peer-to-peer lending | |
| Boiko et al. | Readiness for implementing innovations in banking in advanced and emerging economies | |
| Byrum | AI in financial portfolio management: Practical considerations and use cases | |
| Rawat et al. | Artificial Narrow Intelligence Techniques in Intelligent Digital Financial Inclusion System for Digital Society | |
| Huang et al. | Domain adaptation approach for credit risk analysis | |
| CN115204457A (zh) | 一种基于图注意力网络贷款违约风险预测方法 | |
| dei Belliera et al. | Flood risk insurance: the Blockchain approach to a Bayesian adaptive design of the contract. | |
| Liu et al. | Finding the next interesting loan for investors on a peer-to-peer lending platform | |
| CN114154682A (zh) | 一种客户贷款收益率等级预测方法及*** | |
| Veres et al. | The Concept of Using Artificial Intelligence Methods in Debt Financing of Business Entities. | |
| CN111461863A (zh) | 数据处理方法、装置、计算机设备及存储介质 | |
| Njuguna et al. | Quality management initiatives and performance of commercial banks in Makueni County, Kenya |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |