2019.04.01

‘차별화는 현재진행형’··· 금용 업계가 AI를 활용하는 방법

Maria Korolov | CIO
금융 서비스 기업들이 AI 도입에 앞장서고 있다. IDC는 2019년 뱅킹 분야의 기업들이 AI 솔루션에 56억 달러를 지출할 것으로 예상했다. 소매 부문의 뒤를 잇는 수치다.

MKGI(McKinsey Global Institute)는 이에 따른 효과도 제시했다. AI와 머신러닝을 통해 뱅킹 산업 부문에서 2,500억 달러 이상의 가치가 창출될 것이라는 전망이다.

하지만 많은 금융 기업들이 여전히 AI를 경계하고 있으며, 그 이유는 평판, 규제와 관련된 잠재적으로 부정적인 위험성 때문이다. 그럼에도 불구하고 경쟁 우위를 원하는 금융 서비스 기업들은 고객 서비스 운영을 지원하고 위험 분석을 수행하며 마케팅 및 영업 프로세스를 재정하기 위해 AI 시스템을 도입하고 있다. 여러 금융 서비스 기업들이 AI를 배치하는 방법에 대해 살펴본다.
 
ⓒ Image Credit : Getty Images Bank



고객 서비스 최적화
싱크로니(Synchrony)는 갭(Gap)과 올드 네이비(Old Navy), 아마존(Amazon), JC 페니(JC Penney), 로이스(Lowe's), 샘스 클럽(Sam's Club), 아메리칸 이글(American Eagle) 등의 여러 주요 브랜드를 대상으로 신용카드 서비스를 운용하고 있다. 또 8,000만 개 이상의 소비자 계정에 대한 서비스를 제공하고 있다. 이렇게 고객이 많으면 여러 지원 업무가 필요해지기 마련이다. 

2년 전, 해당 기업은 일리노이대학교에서 신기술 센터를 출범하면서 AI를 대대적으로 도입하고 170명 이상의 데이터 과학자를 고용했다. 많은 금융 서비스 기업들과 마찬가지로 싱크로니의 주된 AI 및 머신러닝 배치는 챗봇에 초점을 맞췄다.

해당 기업의 CTO 겸 AI 책임자 그렉 심슨은 "우리의 지능형 가상 비서 ‘시드니’는 갭과 로이스 등의 소매기업 웹사이트 곳곳에 상주하고 있다. 이들 브랜드의 고객 계정이 신용카드에 대한 질문이 있는 경우 시드니에게 질문하면 기본적인 질문에 대한 답변을 얻을 수 있다"라고 말했다.

해당 플랫폼은 현재 월 50만 건의 채팅을 처리하고 있다. 해답의 근원은 싱크로니의 콜센터에 기록된 수년 치의 통화 데이터다. 아마존의 장치를 통해서도 이용할 수 있는 이 플랫폼은 실시간 채팅량을 50% 이상 감소시키는데 도움이 되었으며 시드니를 사용하던 고객 중 88%가 서비스에 만족했다고 심슨이 말했다.

글로벌 금융 기업이자 일본에서 두 번째로 큰 자산 규모를 자랑하는 SMBC(Sumitomo Mitsui Banking Corp.)도 고객 서비스를 위해 AI를 배치하고 있다. 해당 은행은 IBM 왓슨을 이용해 콜센터 대화를 모니터링하고 질문을 자동으로 인식하며 교환원에게 답변을 제공함으로써 각 통화당 비용을 60센트나 절감하고 있다. 

이 은행의 토모히로 오카 이사는 연간 100만 건 이상의 통화가 이뤄질 경우 연간 10만 달러 수준의 절감액이라고 설명했다. 또한 고객 만족도는 8.4%나 증가했다고 그는 덧붙였다.

오카는 해당 은행의 여러 AI 프로젝트를 주도하기도 했다. 그는 "직원 상호작용을 위해서도 IBM 왓슨을 활용하고 있다. 예를 들어, 실리콘밸리의 영업 직원이 내부 규칙에 관한 질문이 있는 경우 일본의 HQ에 질문하면 시차가 크기 때문에 하루 늦게 답변을 받게 된다. 이런 질문에 자동으로 답하기 위해 왓슨을 사용한다”라고 말했다.

가트너의 모츠시 사우 애널리스에 따르면 지난 수 년 동안 모든 주요 은행들이 챗봇 프로젝트를 진행했다. 그는 "일반적인 채팅 엔진과 고객을 위한 가상 비서가 있다. 이것들이 많은 부분을 차지한다. 최근에는 내부 운영 효율성을 위한 지능형 에이전트의 투입이 늘어나는 추세"라고 말했다.

영업 프로세스에 지능성 구현하기
챗봇 도입을 연기한 은행 중 하나인 NBKC 뱅크는 켄사스에 위치한 중간 규모의 은행이다. 대신에 NBKC는 담보 대출 프로세스의 일환으로 AI를 이용하고 있다.

해당 은행의 EVP 겸 담보 이사 채드 크롱크는 "고객 서비스용 챗봇에 대한 관심이 높다. 우리 또한 이를 고려하기는 했다. 그러나 좀 더 성숙이 필요하다는 판단을 내렸다”라고 말했다. 

NBKC에서 AI는 대출 담당자들에게 잠재 고객(리드 ; Lead)를 분배하는 역할을 한다. 신규 리드 중 약 60%가 렌딩 트리와 질로우 등의 온라인 리드 통합자를 통해 유입되며 하루 평균 300-350건의 리드가 발생한다. 나머지는 추천 및 재방문 고객이다. 크롱크에 따르면 이전에는 리드가 ‘라운드 로빈’(round robin) 시스템을 통해 98명의 대출 담당자들에게 분배되었다고 크롱크가 말했다.

하지만 이력 데이터를 분석하면서 NBKC는 대출 담당자들에 따라 아침 일찍 또는 오후 늦게 새로운 리드를 더욱 잘 처리하거나 특정 지역의 고객들에 대한 결과가 더 좋다는 사실을 발견했다.

크롱크는 "이는 정보 수준에서 리드를 분배하는 개념으로 이어졌다. 우리가 유망한 고객을 적절한 시기에 적절한 담당자에게 분배할 경우 지속적으로 더 나은 고객 서비스를 제공할 것이라고 생각했다"라고 말했다.

해당 은행은 규모가 작기 때문에 자체 기술을 구축하는 대신에 외부 벤더인 프로페어를 선택했다. 프로페어의 플랫폼은 NBKC의 성사율이 10%나 증가하는데 일조했으며 대출 담당자들의 성과가 65%나 향상됐다.

현재 리드의 25%는 통제 그룹으로 이동하며 무작위로 할당된다. 나머지는 모두가 전체적으로 같은 수의 리드를 받을 수 있도록 개인별 작업 부하를 고려하여 리드를 가장 적합한 에이전트에게 분배하는 정보 시스템에 기초하여 할당된다.

크롱크는 "눈에 띄게 성과가 개선됐다. 15%나 증가한 분기도 있었다"라고 전했다.

그에 따르면 이 새로운 기술을 도입하는데 3-4개월이 소요됐다. 크롱크는 제3자 통합자가 제공하는 리드에 대한 데이터가 API를 통해 해당 은행의 관리 시스템인 벨로시파이(Velocify)로 유입되다고 설명하며, 에이전트 추천을 벨로시파이에 적용하는 방법을 파악하고 프로페어가 에이전트의 이력 성과를 연구할 수 있는 안전한 환경을 구축하는데 약간의 시간이 소요되었다고 말했다.

위험 분석
금융 서비스 기업들은 대출 시 신용 위험, 거래 시 금융 위험, 보험 부문의 보험수리적 위험, 모든 카테고리의 사기 위험 등을 평가하는 방안으로 통계 모델을 오랫동안 사용해왔다.

BPI(Bank Policy Institute)의 기술 정책 사업부 BITS의 사장 크리스 피니는 "요즈음 이런 알고리즘이 훨씬 광범위해졌다. 사용할 수 있는 데이터의 양, 데이터의 유형, 데이터 처리량이 해결되는 문제의 종류를 바꾸고 있다"라며 "거래에 대한 더 많은 정보를 수집할 수 있다면 사기를 더욱 잘 방지할 수 있다"라고 말했다.




2019.04.01

‘차별화는 현재진행형’··· 금용 업계가 AI를 활용하는 방법

Maria Korolov | CIO
금융 서비스 기업들이 AI 도입에 앞장서고 있다. IDC는 2019년 뱅킹 분야의 기업들이 AI 솔루션에 56억 달러를 지출할 것으로 예상했다. 소매 부문의 뒤를 잇는 수치다.

MKGI(McKinsey Global Institute)는 이에 따른 효과도 제시했다. AI와 머신러닝을 통해 뱅킹 산업 부문에서 2,500억 달러 이상의 가치가 창출될 것이라는 전망이다.

하지만 많은 금융 기업들이 여전히 AI를 경계하고 있으며, 그 이유는 평판, 규제와 관련된 잠재적으로 부정적인 위험성 때문이다. 그럼에도 불구하고 경쟁 우위를 원하는 금융 서비스 기업들은 고객 서비스 운영을 지원하고 위험 분석을 수행하며 마케팅 및 영업 프로세스를 재정하기 위해 AI 시스템을 도입하고 있다. 여러 금융 서비스 기업들이 AI를 배치하는 방법에 대해 살펴본다.
 
ⓒ Image Credit : Getty Images Bank



고객 서비스 최적화
싱크로니(Synchrony)는 갭(Gap)과 올드 네이비(Old Navy), 아마존(Amazon), JC 페니(JC Penney), 로이스(Lowe's), 샘스 클럽(Sam's Club), 아메리칸 이글(American Eagle) 등의 여러 주요 브랜드를 대상으로 신용카드 서비스를 운용하고 있다. 또 8,000만 개 이상의 소비자 계정에 대한 서비스를 제공하고 있다. 이렇게 고객이 많으면 여러 지원 업무가 필요해지기 마련이다. 

2년 전, 해당 기업은 일리노이대학교에서 신기술 센터를 출범하면서 AI를 대대적으로 도입하고 170명 이상의 데이터 과학자를 고용했다. 많은 금융 서비스 기업들과 마찬가지로 싱크로니의 주된 AI 및 머신러닝 배치는 챗봇에 초점을 맞췄다.

해당 기업의 CTO 겸 AI 책임자 그렉 심슨은 "우리의 지능형 가상 비서 ‘시드니’는 갭과 로이스 등의 소매기업 웹사이트 곳곳에 상주하고 있다. 이들 브랜드의 고객 계정이 신용카드에 대한 질문이 있는 경우 시드니에게 질문하면 기본적인 질문에 대한 답변을 얻을 수 있다"라고 말했다.

해당 플랫폼은 현재 월 50만 건의 채팅을 처리하고 있다. 해답의 근원은 싱크로니의 콜센터에 기록된 수년 치의 통화 데이터다. 아마존의 장치를 통해서도 이용할 수 있는 이 플랫폼은 실시간 채팅량을 50% 이상 감소시키는데 도움이 되었으며 시드니를 사용하던 고객 중 88%가 서비스에 만족했다고 심슨이 말했다.

글로벌 금융 기업이자 일본에서 두 번째로 큰 자산 규모를 자랑하는 SMBC(Sumitomo Mitsui Banking Corp.)도 고객 서비스를 위해 AI를 배치하고 있다. 해당 은행은 IBM 왓슨을 이용해 콜센터 대화를 모니터링하고 질문을 자동으로 인식하며 교환원에게 답변을 제공함으로써 각 통화당 비용을 60센트나 절감하고 있다. 

이 은행의 토모히로 오카 이사는 연간 100만 건 이상의 통화가 이뤄질 경우 연간 10만 달러 수준의 절감액이라고 설명했다. 또한 고객 만족도는 8.4%나 증가했다고 그는 덧붙였다.

오카는 해당 은행의 여러 AI 프로젝트를 주도하기도 했다. 그는 "직원 상호작용을 위해서도 IBM 왓슨을 활용하고 있다. 예를 들어, 실리콘밸리의 영업 직원이 내부 규칙에 관한 질문이 있는 경우 일본의 HQ에 질문하면 시차가 크기 때문에 하루 늦게 답변을 받게 된다. 이런 질문에 자동으로 답하기 위해 왓슨을 사용한다”라고 말했다.

가트너의 모츠시 사우 애널리스에 따르면 지난 수 년 동안 모든 주요 은행들이 챗봇 프로젝트를 진행했다. 그는 "일반적인 채팅 엔진과 고객을 위한 가상 비서가 있다. 이것들이 많은 부분을 차지한다. 최근에는 내부 운영 효율성을 위한 지능형 에이전트의 투입이 늘어나는 추세"라고 말했다.

영업 프로세스에 지능성 구현하기
챗봇 도입을 연기한 은행 중 하나인 NBKC 뱅크는 켄사스에 위치한 중간 규모의 은행이다. 대신에 NBKC는 담보 대출 프로세스의 일환으로 AI를 이용하고 있다.

해당 은행의 EVP 겸 담보 이사 채드 크롱크는 "고객 서비스용 챗봇에 대한 관심이 높다. 우리 또한 이를 고려하기는 했다. 그러나 좀 더 성숙이 필요하다는 판단을 내렸다”라고 말했다. 

NBKC에서 AI는 대출 담당자들에게 잠재 고객(리드 ; Lead)를 분배하는 역할을 한다. 신규 리드 중 약 60%가 렌딩 트리와 질로우 등의 온라인 리드 통합자를 통해 유입되며 하루 평균 300-350건의 리드가 발생한다. 나머지는 추천 및 재방문 고객이다. 크롱크에 따르면 이전에는 리드가 ‘라운드 로빈’(round robin) 시스템을 통해 98명의 대출 담당자들에게 분배되었다고 크롱크가 말했다.

하지만 이력 데이터를 분석하면서 NBKC는 대출 담당자들에 따라 아침 일찍 또는 오후 늦게 새로운 리드를 더욱 잘 처리하거나 특정 지역의 고객들에 대한 결과가 더 좋다는 사실을 발견했다.

크롱크는 "이는 정보 수준에서 리드를 분배하는 개념으로 이어졌다. 우리가 유망한 고객을 적절한 시기에 적절한 담당자에게 분배할 경우 지속적으로 더 나은 고객 서비스를 제공할 것이라고 생각했다"라고 말했다.

해당 은행은 규모가 작기 때문에 자체 기술을 구축하는 대신에 외부 벤더인 프로페어를 선택했다. 프로페어의 플랫폼은 NBKC의 성사율이 10%나 증가하는데 일조했으며 대출 담당자들의 성과가 65%나 향상됐다.

현재 리드의 25%는 통제 그룹으로 이동하며 무작위로 할당된다. 나머지는 모두가 전체적으로 같은 수의 리드를 받을 수 있도록 개인별 작업 부하를 고려하여 리드를 가장 적합한 에이전트에게 분배하는 정보 시스템에 기초하여 할당된다.

크롱크는 "눈에 띄게 성과가 개선됐다. 15%나 증가한 분기도 있었다"라고 전했다.

그에 따르면 이 새로운 기술을 도입하는데 3-4개월이 소요됐다. 크롱크는 제3자 통합자가 제공하는 리드에 대한 데이터가 API를 통해 해당 은행의 관리 시스템인 벨로시파이(Velocify)로 유입되다고 설명하며, 에이전트 추천을 벨로시파이에 적용하는 방법을 파악하고 프로페어가 에이전트의 이력 성과를 연구할 수 있는 안전한 환경을 구축하는데 약간의 시간이 소요되었다고 말했다.

위험 분석
금융 서비스 기업들은 대출 시 신용 위험, 거래 시 금융 위험, 보험 부문의 보험수리적 위험, 모든 카테고리의 사기 위험 등을 평가하는 방안으로 통계 모델을 오랫동안 사용해왔다.

BPI(Bank Policy Institute)의 기술 정책 사업부 BITS의 사장 크리스 피니는 "요즈음 이런 알고리즘이 훨씬 광범위해졌다. 사용할 수 있는 데이터의 양, 데이터의 유형, 데이터 처리량이 해결되는 문제의 종류를 바꾸고 있다"라며 "거래에 대한 더 많은 정보를 수집할 수 있다면 사기를 더욱 잘 방지할 수 있다"라고 말했다.


X