Credit Evaluation Using Alternative Data: A Study on the Utilization of Big Data and Machine Learning

본 논문은 신용 평가 시스템에서 대안 데이터를 활용하여 금융 이력이 부족한 사람들(씬파일러)의 신용 평가를 개선하는 방법을 제시한다. 대안 데이터는 전통적인 금융 정보가 부족한 경우에도 추가적인 정보를 제공하여 신용 평가의 정확성을 높이고, 금융 포용성을 확대하는 데 기여할 수 있다. 이를 위해 2020년 5월부터 10월까지 카카오뱅크 대출 신청자 3,311,744명의 금융 및 대안 데이터를 분석하였으며, 머신러닝 기법인 XGBoost 알고리즘을 적용하여 기존 신용평가모델보다 우수한 성능을 가진 대안 신용 평가 모델을 개발하였다. 본 연구의 대안 신용 평가모형은 AUC 87%의 예측력을 기록하며, 동일 대상자에 대해 산출된 한국 주요 신용평가사의표준신용점수(AUC 84%, 82%)보다 높은 성능을 보였다. 특히, 금융 소외 계층, 비급여 근로자, 젊은 층 등 기존 신용 기록이 부족한 집단에 대한 공정한 평가를 가능하게 했다. 본 연구는 대안데이터가 신용 평가의 정확성을 높일 뿐만 아니라, 금융 포용성을 증대시킬 수 있음을 시사하며, 이러한 데이터 활용 시 개인정보 보호 규정 준수의 중요성도 함께 강조한다.