금융상품 추천

1. 금융상품과 추천시스템

   1) 비즈니스 이해 필요성

      -1 데이터 사이언스의 영역

         (a) 분석  :  수학, 확률, 통계학, 머신러닝, 딥러닝 등

         (b) 정보기술(it)  :  프로그래밍, 데이터 엔지니어링, 데이터 웨어하우스 등

      -2 데이터 사이언티스트

         (a) 적시 적소의 수학 / 통계학 응용력

         (b) 숙련된 분석력 및 데이터와 업무 성격에 따른 인공지능 모델링

         (c) 최적의 모델 선택과 커스터마이징 능력

         (d) 빠른 러닝 커브 (문제 정의 및 인식, 도메인 지식)

         (e) 강한 호기심과 커뮤니케이션 능력

 

   2) 금융상품 개요

      -1 금융위원회

         (a) 예금 및 대출, 금융투자상품, 보험상품, 카드 등

 

      -2 한국은행

         (a) 현재 혹은 미래의 현금흐름에 대한 법률적 청구권을 나타내는 증서

         (b) 채권, 주식 등과 같은 기초자산 뿐만 아니라 선물, 옵션 등 파생금융상품도 포함

 

      -3 금융소비자 보호에 관한 법률

         (a) [은행법]에 따른 예금 및 대출

         (b) [자본시장과 금융투자업에 관한 법률]에 따른 금융투자상품

         (c) [보험입법]에 따른 보험상품

         (d) [상호저축은행법]에 따른 예금 및 대출

         (e) [여신전문금융입법]에 따른 신용카드, 시설대여, 연불판매, 할부금융

         (f) 그 밖에 a부터 e까지의 상품과 유사한 것으로서 대통령령으로 정하는 것

 

   3) 추천 시스템

      -1 추천 시스템 (recommendation system)

         (a) 사용자의 관심 정보를 제공하는 서비스 시스템

         (b) 정보 필터링(IF) 기술의 일종으로 특정 사용자가 관심을 가질만한 정보를 추천하는 것

         (c) 구현 또는 비즈니스 관점에서의 분류 task

 

      -2 유용성과 난이도

         (a) 방법론의 다양성  :  데이터 희소성(sparsity)과 확장성(scalability)

         (b) 가설과 예측  :  논리적인 타당성을 갖도록 설명력을 구비

         (c) 다양한 활용과 개인화  :  많은 서비스는 사용자 요구만족이며, 최상은 개인화

 

      -3 구현 알고리즘 (방식)

         (a) Content-based Filtering (컨텐츠 기반 필터링)

         (b) Collaborative Filtering (협업 필터링)

         (c) Hybrid (협업 필터링과 컨텐츠 기반 필터링 혼합)

         (d) 머신러닝, 딥러닝

 

   4) 서비스 검토사항

      -1 일반상품

         (a) 좋은 성능은 물론이며, 설명이 가능하면 더 좋음

 

      -2 금융상품 (공정성)

         (a) 플랫폼사 또는 서비스 제공사의 상품 비교ㆍ추천 알고리즘이 해당사의 이익, 특정기업, 특정상품을 고려하거나

               배제하지 않아야 함

         (b) 플랫폼사 또는 서비스 제공사의 이익, 직접판매업자의 수수료ㆍ자사상품ㆍ계열사 상품 등으로 인해 알고리즘이

               왜곡되지 않아야 함

         (c) 플랫폼사 또는 서비스 제공사는 금융사에서 제시한 가입조건과 무관하게 임의로 금융소비자를 차별하지 않아야

              함

 

      -3 금융상품 (적정성) 

         (a) 금융상품 비교ㆍ추천 알고리즘은 금융소비자에게 유리한 순으로 제공되어야 함

         (b) 소비자의 선택권을 보장을 위해 선호와 필요에 따라 합리적인 선택할 수 있도록 다양한 금융상품을 제공하는지

              여부

  * 필요 이상의 사용자 정보 획득 자제

  * 일련의 결정사항에 대한 증적 보관 (근거)

 

 

2. 추천 시스템

   1) 고전 알고리즘

      -1 Content-based Filtering (컨텐츠 기반 필터링)

         (a) 상품의 정보(프로필 등)를 이용하여 이전에 사용자가 구매한 좋은 상품과 비슷한 유형의 상품 추천

         (b) 추천의 핵심 :  이전에 사용자가 구매한 좋은 상품과 비슷한 상품 찾기

         (c) 추천과정

            - 상품들의 특징 추출  ->  특징 백터 변환  ->  좋은 상품과 유사한 상품 찾기  ->  추천

      * 유사성 분석 방법과 계산 방법이 중요 (군집분석, 코사인 유사도, 맨하튼 거리, 유클리드 거리 등 활용)

 

 

 

      -2 Collaborative Filtering (협업 필터링)

         (a) 모델 기반(행렬 분해, 머신러닝, 딥러닝)

            - 고전적인 방법이지만 현재에도 많이 사용하는 방법

            - 사용자와 아이템 간의 평점 행렬에서 잠재 요인 행렬 추철 및 내적 곱 후 사용자가 평가하지 않은 항목들의

               평점을 예측하여 추천

         (b) 기억 기반  :  사용자 기반, 아이템 기반

            - 코사인 유사도나 피어슨 상관계수 유사도를 사용해 비슷한 사용자 혹은 아이템을 추천

            - 평점 matrix 등을 구성하여 정보 백터화  ->  사용자 또는 아이템 유사도 측정  ->  타 사용자에게 아이템 추천

 

   2) 머신러닝 추천

      -1 wide & deep

         (a) 2016년 구글이 발표한 추천 랭킹 알고리즘 (자사 앱 스토어의 앱 추천에 활용)

         (b) 넓은 wide model과 깊은 deep model을 함께 훈련시킨 방법론

            - wide 모델  :  설치한 앱과 열람한 앱 관계성을 학습

            - deep 모델  :  앱의 정보를 이용하여 앱과의 관계를 학습

 

      -2 autoencoder

      -3 neural collaborative filtering

      -4 기타

 

      -5 넷플릭스의 추천 시스템의 영향도

         (a) 마케팅의 수단 필요, 사용자 만족도 제고, 서비스 차별화 등으로 추천 시스템의 필요성을 인지

         (b) 비슷한 상품 품의 관련성을 계산하는 방식을 토대로 추천 시스템 방식이 시작

         (c) 2006년에서 2009년까지 자신들이 가지고 있는 데이터 기반 추천 시스템 대회 개최

              (머신러닝의 SVD (Single Vector Decomposition) 방식을 기반으로 한 협업 필터링 방식 우승)

         (d) 이 알고리즘을 기반으로 추천 시스템 모델의 연구가 활발히 진행되었으며, 딥러닝의 발전으로 딥러닝 기반의

              추천 시스템 탄생

 

   3) 인공지능 활용 사례

      -1 NH 농협은행  :  수신상품추천 시스템 (2017)

      -2 우리은행  :  개인화 마케팅 시스템 구축 (2021) 

      -3 KB금융그룹  :  인사이동과 인재 추천시스템 (2022)

      -4 IBK기업은행  :  인재 추천시스템 (2023)

 

      -5 리치앤코  :  보험상품 추천시스템 (2022)

      -6 인카금융서비스  :  장기 상품 비교 추천 시스템 (2023)

 

      -7 넷플릿스 :  영화 추천 등 컨텐츠 배열

      -8 쿠팡  :  상품 추천 등 컨텐츠 배열 

      -9 인스타그램, Linked-In  :  팔로우 추천과 광고 추천

      -10 한국디자인진흥원  :  디자인 프로젝트와 디자이너 간 매칭