Risk-Based Segmentation of Loan Customers Using SHAP and GMM-based Clustering

본 연구는 설명 가능한 인공지능(Explainable AI) 기법인 SHAP(SHapley Additive exPlanations)과 GMM 기반 군집화(Gaussian Mixture Model-based Clustering)를 결합하여, 대출 고객의 리스크 특성을 중심으로 세분화하고 각 군집의 형성 요인을 정량적으로 분석하였다. 국내 신용대출 고객 데이터를 기반으로 GMM을 적용한 결과, 고객은 상이한 금융 행태와 리스크 특성을 지닌 여덟 개의 군집으로 분류되었으며, 자 산 규모, 대출 구조, 거래 기관 수, 주소 안정성 등에서 차이를 보였다. SHAP 분석을 통해 각 군집 형성에 영향을 미친 핵심 변수들을 도출하고, 변수별 기여도를 정량적으로 분석함으로써 군집 간 리스크 특성을 설명하였다. 분석 결과, 일부 군집은 복잡한 대출 구조나 비은행 금융기관에 대한 높은 의존도로 인해 신용 위험이 집중된 반면, 일부 군집은 짧 은 금융 이력이나 높은 유동성을 보유하고 있음에도 안정적인 상환 성향을 나타내는 등 전통적인 리스크 평가 기준과는 다른 양상을 보였다. 이는 금융 리스크의 해석에 있어 단일 지표나 정형화된 기준에 의존하기보다는, 고객군의 맥락적 특성과 다차원적 변수 간 관계를 종합적으로 고려해야 함을 시사한다.