(3편에서 계속)

신용대출 늘어도 중금리 여전히 부족

5대 은행(KB, 신한, 우리, 하나, NH농협)의 개인신용대출 대출잔액은 2020년 9월 말 기준 126.4조 원에 육박합니다. 9월의 전월 대비 증감액만 해도 2조 원이 넘지만, 아래와 같이 대부분의 대출이 저금리 구간에 편중되어 있습니다.

은행연합회 소비자포털 (2020.9)

앞서 살펴본 것처럼, 중금리 신용대출 공급의 열쇠는 중신용자의 상환 능력(실제 리스크)을 판단할 수 있는 능력입니다. 이것은 새로운 데이터와 심사평가 기술을 갖춘 핀테크 기업이 주목받는 이유이기도 합니다.

중신용자에 집중하는 피플펀드

2016년 금리단층 문제 해결을 목표로 설립된 피플펀드는 중신용자에 집중하여 개인신용대출을 취급하고 있습니다. 현재 월평균 1백억 원대의 개인신용대출을 취급하는 동시에 저축은행과 비교해도 낮은 수준의 연체율을 유지하며 중금리 시장에서 눈에 띄는 성과를 만들고 있습니다.

피플펀드 개인신용대출 전체 대출자 기준 (2020.10)
금융감독원 보도자료 (은행, 저축은행 2020.6 / 상호금융, 여전사 2019.12), P2P업체 공시지표(A, B사 2020.8 / 피플펀드 2020.9)

앞서 살펴보았던 미국 핀테크 기업과 같이 피플펀드가 이러한 성과를 만들 수 있었던 원동력은 ‘데이터’와 ‘신용평가 능력’입니다.

데이터의 양quantity과 질quality

피플펀드 데이터의 강점은 크게 양quantity과 질quality로 구분할 수 있습니다. 그리고 양은 다시 규모volume와 종류variety로 나눠볼 수 있습니다.

규모volume

신용평가모형은 학습한 패턴 내에서 판단할 수밖에 없으며, 데이터가 적으면 학습하지 못한 패턴에 대한 대응력이 떨어질 수밖에 없습니다.

피플펀드는 위와 같이 대출 조회가 꾸준히 증가함에 따라 데이터 규모 역시 많이 늘어났습니다. 2019년 11월에는 한 달 동안 약 1조 2백억원의 대출을 조회했고, 2020년 상반기에도 월 평균 3.2만여 명이 총 5조 여 원의 대출을 조회했습니다.

특히 대출조회자 중에 중신용자의 비중이 절반 이상을 차지하는 것이 피플펀드의 강점으로 꼽을 수 있습니다. 이는 그동안 마케팅을 비롯한 모든 부문을 중신용자 중심으로 최적화한 결과이며, 시간이 지날수록 쉽게 모방할 수 없는 강점으로 작용할 것입니다.

종류variety

대체alternative 데이터가 기존에 사용되던 신용정보(CB사에서 구매 가능) 외에 모든 정보를 가리킨다고 할 때, 이를 다시 ‘이미 존재하는 데이터’와 ‘자체 생산하는 데이터’로 구분할 수 있습니다.

이미 존재하는 데이터는 신용정보와 마찬가지로 누구든지 구매할 수 있기 때문에, 진정한 경쟁력은 자체 생산 데이터에 좌우된다고 볼 수 있습니다. 따라서 피플펀드는 이미 존재하는 데이터(은행 계좌수신명세, 신용카드 사용이력 등)는 물론 자체 생산 데이터(웹 행동 분석, 음성 분석 등)를 활용하고 있습니다.

피플펀드가 한국신용정보원의 CreDB(빅데이터개방시스템) 맞춤형DB 시범서비스에 참여하는 것도 같은 이유 때문입니다. 맞춤형DB는 표본DB에 비해 훨씬 많은 항목을 제공하기 때문에 개인·기업·보험 정보 간 연계 분석이 가능할 것입니다.

quality

우수한 신용평가모형을 만들기 위해서는 향후 유입될 집단의 특성을 최대한 잘 반영할 수 있는 데이터가 필요합니다.

일반적으로 기존 데이터가 없을 때는 *Pooled Data를 사용하고, 실제 데이터가 있더라도 충분한 양이 없다면 Pooled Data와 함께 사용합니다. 두 가지 경우 모두 100% 실제 데이터를 사용하는 것에 비해 대표성이 떨어지는 문제가 있습니다.

*Pooled Data: CB사 전 국민 데이터 중 신용등급, 성별, 연령 등에 특정 기준에 따라 추출한 데이터.

피플펀드는 자체 데이터의 양이 충분하고, 전체 데이터 가운데 중신용자의 비중이 높기 때문에 100% 실제 대출신청자의 데이터를 활용합니다.

통계적-정성적 심사평가

데이터에 연결되는 피플펀드의 또 다른 강점은 심사평가 능력입니다. 피플펀드는 자체 개발한 신용평가모형과 전문 심사역의 최종 수기심사를 통해 낮은 수준의 연체율을 유지하고 있습니다.

자체 개발 모형

피플펀드가 신용평가모형을 자체 개발하는 이유는 크게 두 가지입니다. 먼저 은행과 저축은행 등에서 기존에 사용하던 방식으로는 중신용자 가운데 많은 수를 차지하는 Thin-filer(신용정보가 부족한 대출자)의 상환능력을 판단하기 어렵기 때문입니다. 새로운 데이터를 활용하는 것과 같은 이유로 새로운 접근(평가모형)이 필요합니다.

둘째, 유입 집단의 특성이 계속 바뀌기 때문입니다. 은행이나 저축은행 등 이미 시장에 자리 잡은 기존 업권에는 비슷한 집단이 계속 유입되고, 따라서 일반적으로 CB사에 의뢰하여 몇 년에 한 번씩 모형을 만듭니다. 그러나 새로운 업권에 유입되는 고객은 아직 그 특성을 특정하기 어렵기 때문에, 꾸준히 모니터링하면서 빠르게 대응해야 합니다.

머신러닝 알고리즘

중신용자를 평가하기 위해서는 전통적인 신용평가방식(선형모델Logistic Regression, Scorecard 방식)보다 더 정교한 모델이 필요합니다. 따라서 피플펀드는 머신러닝 알고리즘을 적용했습니다.

머신러닝 기술 자체는 오픈소스이기 때문에 누구나 사용할 수 있지만, 제대로 사용하기는 어렵습니다. 첫째, 머신러닝 모델은 선형모델에 비해 훨씬 많은 데이터가 필요합니다. 앞서 설명한 것처럼 이미 충분한 양의 중신용자의 패턴을 확보한 피플펀드는 Pooled Data가 아닌 실제 데이터를 바탕으로 변별력을 높이고 있습니다.

둘째, 모델 활용 목적에 맞는 모델 설계 능력이 있어야 합니다. 중신용자는 평가하기 어려운 특성이 있기 때문에, 최대한 다양한 정보 영역을 쓰되 최소한의 변수를 써야 합니다. 특정변수에 편중되면 오버피팅over-fitting으로 인해 모형의 변별력이 떨어지기 때문입니다. 따라서 무조건 변수를 많이 쓴다고 좋은 것이 아니며, 설계 능력이 없는 경우에는 머신러닝 기술이 오히려 독이 될 수 있습니다.

지속적인 업그레이드

2016년부터 2020년까지 피플펀드는 신용평가모형을 네 차례 업그레이드했습니다. CSS 3.0부터는 머신러닝 알고리즘을 적용했으며, CSS 4.0의 *KS Score는 업계 평균보다 훨씬 높은 45.5를 기록했습니다.

*KS Score: 우량집단과 불량집단의 누적분포 차이를 나타내는 지표로 신용평가모형의 변별력을 평가할 때 사용. 20 이상이면 신용평가모형의 변별력이 있다고 판단.

그동안 피플펀드가 낮은 연체율을 기록할 수 있었던 또다른 비결은 바로 최종 수기 심사입니다. 이에 피플펀드는 신용평가모형을 꾸준히 업그레이드하는 동시에 은행 및 저축은행 출신 심사역들의 심사역량을 시스템화하고 있습니다.

제도권 금융으로 새로운 도약

피플펀드는 ‘온라인투자연계금융업(이하 온투업)’ 등록을 통해 새로운 도약을 앞두고 있습니다.

온투업 등록을 통해 제도권 금융으로 거듭나면, 원활한 기관 투자를 통해 더욱 빠르고 안정적인 대출이 가능해질 것입니다. 피플펀드는 이미 해외 유명 금융기관으로부터 업계 최대 규모(660억 원)의 투자를 유치했고, 이외 다수의 기관과도 수천억 원 규모의 투자를 협의하고 있습니다.

시장의 변화도 명확합니다. 앞으로 최고 금리가 계속 인하된다면 고비용-저효율 여신 업권에 구조조정이 있을 수밖에 없습니다. 더불어 데이터 3법 개정과 마이데이터 사업으로 인해 금융 및 기타 산업 간의 데이터 교류, 융합이 활발해질 것입니다.

피플펀드는 이러한 변화의 흐름 속에서 중금리 개인신용대출의 대안이 되고자, 데이터 축적과 신용평가모형 고도화에 모든 역량을 집중하고 있습니다. 피플펀드가 미국 핀테크 기업과 같이, 혹은 그 이상으로 시장의 변화를 이끌며 오랫동안 해결되지 않은 금리단층 문제를 해결할 것으로 기대되는 이유입니다.


(참고자료)
https://www.ekn.kr/web/view.php?key=520846
https://portal.kfb.or.kr/compare/loan_household_3.php
https://n.news.naver.com/mnews/article/018/0004765659?sid=101