핀테크 분야에 적용되는 주요 ICT 기술

 

핀테크 분야에 적용되는 ICT 기술들과 분야중에 가장 주요한 기술 및 적용 영역들을 소개한다.

빅데이터

빅데이터는 보통 일반적인 데이터베이스 소프트웨어 도구로 저장 및 분석할 수 없는 대용량 데이터 세트를 일컫는다. 데이터 집합을 빅데이터로 사용할 수 있는 미리 정해진 크기는 없지만 데이터 집합은 머신 러닝 도구가 분석할 수 있는 유일한 도구여야 할 만큼 큰 경우가 보통이다. 일반적으로 빅데이터는 수 테라 바이트를 초과하며 여러 다른 시스템에 저장된다. 그러나 데이터 양이 기준이 되는 것은 아니며, 빅데이터를 제대로 이해하려면 데이터의 다양성 유형, 속도 및 정확성을 이해하는 것이 중요하다고 할 것이다.

또한 빅데이터의 정의는 사용되는 소프트웨어 툴의 유형과 저장 및 분석해야 하는 데이터 세트의 크기에 따라 산업마다 다르므로, 한마디로 정의하는 것은 바람직하지 않다. 금융 서비스 산업은 고객 경험과 관련된 전통적인 기업 데이터뿐만 아니라 산업, 거래 활동, 혁신, 성장 등에 대한 예측을 고려하면, 그 산업 특성상 가장 큰 데이터 집합을 보유한 것으로 간주된다. 따라서, 금융 서비스 분야의 빅데이터는 페타 바이트(1,000테라)에 이를 것이다.

 

데이터의 역사

사용 가능한 데이터의 90%이 2000년대 이후에 기록된 것이지만, 기원전 2400년 메소포타미아 바빌론에 주판이 도입되면서 고대 세계에서 데이터 사용과 그 작동 방식을 잠깐 언급하려한다. AD 200년에 그리스 과학자들은 점성학적 목적으로 안티키테라 메커니즘(Antikythera Mechanism)으로 알려진 최초의 중앙처리장치(CPU)를 도입했다. 1663년 존 그랜트(John Graunt)의 첫 회계 원칙이 현대 시대에 빅데이터를 사용하는 길을 열었다. 1865년 리처드 밀러 데븐스(Richard Miller Devens)는 처음으로 “비즈니스 인텔리전스”라는 용어를 사용하여 데이터 수집 및 분석이 어떻게 경쟁 우위를 제공할 수 있는지 설명했다. 그런 다음 1880년 미국 인구 조사국의 직원인 허만 홀러리스(Herman Hollerith)는 Hollerith Tabulating Machine을 생성했으며 이 시스템은 자동화된 계산의 아버지가 되었다. 1950년대 중반, 토머스 데븐포트(Thomas H. Davenport)는 구조적 데이터 분석을 통해 설명적인 분석 및 보고 데이터를 제공하는 Analytics 1.0을 도입했다. Analytics 1.0은 여전히 ​​엑셀에서 스프레드 시트 분석에 사용된다. 1965년에 미국 정부는 자기 테이프에 2억 7,800만 건의 세금 환급과 1억 7,500만 건의 지문 저장을 목표로, 첫 번째 연방 데이터 센터 계획을 발표하였다. 1990년대에 빅데이터에 대한 첫 번째 언급이 마이클 콕스(Michael Cox)와 데이비드 엘스워스(David Ellsworth)가 시각화 회의를 위해 작성한 논문에서 나타났다. 2000년에 피터 라이만(Peter Lyman)과 할 배리안(Hal R. Varian)은 컴퓨터 스토리지 용어에서 정보 정량화에 관한 최초의 포괄적 연구인 “How Much Information?”을 발표했다. 2011년 맥킨지(McKinsey)의 “Big data: The next frontier for innovation, competition, and productivity”라는 보고서에서 금융 서비스 및 투자 부문이 다른 산업보다 회사 당 더 많은 저장 데이터를 보유하고 있다고 밝혔다. 또한 2010년에는 기업이 7.4엑사 바이트의 데이터를 저장하고 소비자가 6.8엑사 바이트의 데이터를 저장한 것으로 추정했다.

현재는 Analytics 1.0(전통적인 분석)을 Analytics 2.0(빅데이터)과 통합하여 측정 가능한 비즈니스 영향을 생성하려는 조직에서 Analytics 3.0이라는 용어를 사용하고 있다.

 

빅데이터 작동 방식

빅데이터 플랫폼은 대형 비행기와 같은 큰 엔진으로 생각할 수 있다. 매우 강력하며 정보를 연료로 사용한다. 시스템은 기능적이거나 작동 가능한 정보를 제공한다. 서버 로그와 센서는 정보뿐만 아니라 웹 페이지, 소셜 네트워크 및 정보 제공 업체와 같은 외부 소스도 제공할 수 있다. 이 큰 엔진 내에서 데이터를 의미 있는 통찰력으로 변환하기 위해 캡처하고 관리한다. 다른 빅데이터 제공 업체는 다른 사례를 분석하는 데 전문화될 것이다. 가장 좋은 것은 구조화된 데이터와 구조화되지 않은 데이터를 모두 이해할 수 있다는 점이다. 시스템이 제대로 작동하려면 우수한 데이터 디자인 및 아키텍처를 개발해야 한다. 사람의 도움이 거의 없는 의미 있는 통찰력을 제공할 수 있는 시스템이 마지막 승자가 될 것이라는 점에서 향후 AI의 역할이 매우 중요하다. 또한 빅데이터 플랫폼에는 경영진과 분석가가 사용하는 프런트 엔드도 있어서, 이를 통해 비즈니스를 관리하고 시나리오를 실행할 수 있다.

 

빅데이터를 혁신적으로 사용하는 방법

빅데이터의 혁명은 비즈니스 조직, 운영 및 가치 창출 방식을 변화시키고 있다. 이 규모의 변화에는 효과적인 리더십이 필요하며, 이 기회를 활용하는 CEO는 회사의 장기적인 성공을 높일 것이다.

 

고객 세분화

빅데이터는 기업이 개인 소비자에게 권한을 부여하고 기존 시장을 조사할 수 있는 새로운 방법을 찾을 수 있도록 지원하고 있다. 빅데이터는 예측 모델을 사용하여 기업이 고객에게 다가가 연령, 성별, 지리적 위치, 온라인 구매, 웹 클릭, 소셜 미디어 활동, 스마트 커넥티드 장치 등을 기반으로 인구를 분류할 수 있도록 한다. 동시에 소셜 미디어 지원 플랫폼의 사용이 증가함에 따라 소비자는 비즈니스와 연결하고 고객 설문 조사에 참여하여 고객의 요구에 대한 유용한 통찰력을 얻을 수 있다. 이러한 방식으로 기업은 제품을 사용자 정의하고 타켓 마케팅 캠페인을 효율적으로 운영할 수 있다.

 

고객 개인화 및 맥락화

오늘날 기업들은 빅데이터 수집 및 처리를 통해 온라인 쇼핑을 맞춤형 소비자 경험으로 전환하는 것을 목표로 하고 있다. 개인화는 고객에게 고유한 경험을 제공하는 것으로, 특히 소매 및 금융 서비스 산업에서 사용 가능한 광범위한 제품 및 서비스로 인해 개인화는 점점 중요해지고 있다.

맥락화란 고객의 상황에 따라 시간, 날씨 및 지리적 위치를 포함하여 다른 경험을 제공하는 것을 말한다. 온라인 소매점뿐만 아니라 은행, 중개 회사 및 금융 회사는 빅데이터 분석을 사용하여 소비자 선호도, 구매 행동, 지리적 위치 및 디지털로 기록할 수 있는 기타 정보를 수집한다. 이를 통해 고객의 관심사를 파악하고 현재 및 미래의 요구를 예측할 수 있다. 그런 다음 이 정보를 사용하여 고객에게 개인화 된 경험을 제공하여 고객이 원하는 시기에 원하는 가격으로 최상의 가격을 찾을 수 있도록 도와준다. 개인화 및 맥락화는 또한 비즈니스 시간을 절약하면서 고객의 시간을 절약하고 고객 만족도를 높일 수 있다.

 

마케팅

비즈니스는 실시간 데이터를 사용하여 마케팅에 대한 고객 중심 접근 방식을 채택할 수 있다. 빅데이터 분석은 콜센터 데이터, 거래 데이터 및 고객 정보를 사용하여 고객 선호와 요구를 결정하고 최적의 상품과 서비스를 제공한다. 맥킨지에 따르면, 평균적인 회사 수익의 75%가 표준 제품 라인에서 생성되며 가격 결정의 30%가 최상의 가격을 제공하지 못한다. 판매량의 손실이 없다고 가정할 때 1%의 가격 인상이 영업 이익의 8.7% 증가로 전환되면서 최적 가격은 회사의 수익성을 향상시킬 수 있는 상당한 잠재력을 제공한다.

DataMeer에 따르면 Customer Analytics는 판매 및 마케팅(48%)에 활용되는 빅데이터의 가장 보편적인 용도로, 마케팅 담당자는 고객 확보 전략을 채택하고 고객 당 수익을 높이고 기존 제품을 개선할 수 있다. 고객 분석에는 운영 분석(21%), 사기 및 규정 준수(12%), 신제품 및 서비스 혁신(10%), 엔터프라이즈 데이터웨어 하우스 최적화(10%)가 이어진다.

 

온라인 평가

과거에는 빅데이터 사용이 널리 보급되지 않았지만 오늘날에는 빅데이터 기술과 분석을 사용하여 많은 새로운 플레이어들이 진입하였다. 시장에 진입하기 쉬워짐에 따라 온라인 대출 서비스가 급격히 증가하는 한편, 이러한 서비스에 대한 수요 역시 증가했다. 온라인 평가는 은행 기록과 같은 기존 데이터와 소셜 네트워크 및 모바일 운영자의 데이터를 모두 고려한다. 이를 통해 신용 한도를 개설하기 전에 대출업자가 고객을 교차 점검할 수 있는 몇 가지 방법을 제공한다.

몇몇 회사는 비전통적인 데이터를 사용하여 고객의 대출 승인 여부를 결정하는 프로세스를 개발하고 있다. 대출 부문에서 어펌(Affirm)을 포함하여 이 분야의 회사들이 개발하고 있다. 아이르(Aire.io) 및 브랜치(Branch) 같은 회사들의 경우 대체 신용 점수를 참고한다. 런던에 본사를 둔 아이르는 신용 근거가 적은 사람들을 대상으로 새로운 신용 점수 시스템을 개발하고 있다. 소셜 네트워크의 데이터와 가상 인터뷰에서 수집한 자체 정보를 사용한다. 전 세계적으로 45억명 이상이 신용의 근거가 많지 않기 때문에 매우 거대한 시장이다. 특히 중국의 중앙 집중식 데이터베이스 조차도 국민의 22%의 데이터만 모아져 있기 때문에 그 기회는 엄청나다 할 것이다. 중국은 사람들의 평생을 다루는 사회 신용 시스템을 개발하고 있다. 그것은 사람들이 무엇을 할 수 있고 할 수 없는지를 결정하는 빅 브라더처럼, 상업, 사회 및 신용 요소에 근거하여 모든 시민을 평가하게 될 것이다. 중국의 정치적인 환경과 인권 측면의 여건을 고려했을 때, 프로파일링 관련 개인정보관련 우려가 커질 수밖에 없는 부분이다.

 

위기 관리

빅데이터 기술은 금융 서비스 산업의 위험 및 규제 문제를 해결할 수 있는 중요한 기회를 제공한다. 포괄적인 실시간 데이터는 위험 모델의 예측 능력을 향상시킬 수 있다. 또한 응답 시간과 시스템 효율성을 혁신하고 현재 위험 범위를 확장하며 비용을 절감할 수 있다. EIU(Economist Intelligence Unit) 보고서에 따르면 소매 은행은 상업 및 투자 은행보다 신용 위험에 더 관심이 있고(53% 대 43%), 시장 위험에 대해 상업 및 투자 은행에 비해 약간 더 관심이 있는 경향이 있다(28% 대 23%). 반면, 투자 은행은 소매 은행보다 운영 위험(29% 대 19%) 및 규정 준수 위험(20% 대 1%)에 대해 더 많은 관심을 가지고 있다.

6개 대륙 55개 국가의 소매 은행(29%), 상업 은행(43%) 및 투자 은행(28%)에서 208명의 위험 관리 및 규정 준수 임원 중 응답 프로필의 42%가 빅 프로필을 통합하고 쿼리한다. 반면 응답자의 47%는 빅데이터에 투자할 것으로 보고되었다. 예측 분석 및 데이터 시각화와 관련하여 응답자의 41%는 현재 고급 빅데이터 분석을 사용하고 있으며, 44%는 2020년까지 이를 수집할 계획으로 조사되었다.

운영 위험은 신용 위험에서 발견되는 것보다 손실이 커지는 또 다른 주요 영역이다. 여기에는 내부 및 외부 사기, 시스템 오류, 비즈니스 중단 및 클라이언트 관련 문제가 포함된다. 데이터 학습을 운영 위험에 적용하는 데 사용되는 새로운 도구는 비용을 크게 절약하고 위험을 완화할 수 있다.

 

고객 관계 개선

많은 기업에서 빅데이터 이니셔티브는 고객 관계 개선과 관련이 있다. 은행은 고객 파악 프로세스를 수행하기 위해 레코드를 검토하고 수백만 고객에 대한 정보를 검토한다. 대부분의 경우 외부 데이터 소스가 규정을 충족하는 데 필요한 정보를 제공할 수 있으므로 고객을 접촉하여 이 작업을 완료할 필요는 없다. 일부 기업은 고객에 대한 단일 시각을 제공하기 위해 내부 및 외부 데이터 소스를 통합하는 것을 지원하므로 고객 접촉이 최소화될 수 있다. 이를 통해 고객과 잠재 고객을 모든 시각에서 안정적으로 파악할 수 있다.

 

금융 서비스 산업의 빅 ​​데이터

금융 서비스 부문은 비즈니스 중심 이니셔티브를 구현하여 성장을 가속화하고 고객을 참여시키며 혁신을 통해 경쟁 차별화를 달성한다. 2008년 금융 위기 이후, 금융 서비스 회사는 비용을 절감하고 다양한 시장과 고객에 걸쳐 빅데이터가 생성한 귀중한 통찰력을 활용하려고 노력했다.

44개의 포춘 1000대 기업과 주요 기업 및 기술 의사 결정자를 대상으로 하는 NewVantage Partners의 최근 조사에 따르면 금융 서비스 회사의 69.6%가 빅데이터를 비즈니스 성공에 매우 중요하다고 생각한다. 투자와 관련하여 빅데이터에 투자한 회사는 2013년 31.4%에 비해 2015년 62.5%로 증가하였다. 5,000만 달러가 넘는 빅데이터에 대한 예상 투자를 보고 한 기업의 비율은 2014년에 5.4%에 불과했지만, 2017년에 26.8%였다.

금융 회사의 주요 과제는 광범위한 빅데이터를 사용하여 고객을 입체적으로 파악하는 것이다. 이러한 맥락에서 데이터 중심 문화가 필요하다. 주요 빅데이터 분석의 업체로는 클라우데라(Cloudera), 데이터브릭스(Databricks), 아반트(Avant), 위랩(WeLab), 퀄트릭스(Qualtrics), IBM(Watson), 알터릭스(Alteryx), 굿데이터(Gooddata), 도모(Domo) 등이 있다.

 

전망

빅데이터의 활용은 경쟁의 핵심이 되어 혁신과 성장을 촉진할 것으로 예상된다. 소셜 미디어 및 사물 인터넷의 증가와 함께 기업이 수집하는 정보의 양과 세부 사항이 증가함에 따라, 향후 몇 년 동안 빅데이터의 기하급수적인 성장이 가속화될 것으로 예상된다. 데이터가 증가함에 따라 데이터를 분석하는 도구가 향상되고 Business Objects 또는 SAS와 같은 비즈니스 분석 소프트웨어와 함께 인공 지능의 적용이 업계 표준 솔루션의 형태로 제공될 것으로 예상된다. 또한 실시간 통찰력이 품질을 향상시키고 점점 더 많은 사용 사례가 나타날 것으로 예상된다. 데이터 수익 창출은 수익성 있는 영역이 될 것이다. 은행은 고객에 대한 많은 정보를 보유하고 있으며 새로운 기술을 통해 가치 있는 통찰력과 개인정보 보호와의 균형을 맞추려는 노력도 나타날 것이다. 데이터 관리는 항상 복잡하여 데이터가 올바르게 처리되도록 하기 위해 더 많은 규정이 도입될 것으로 예상할 수 있다. 경험을 선도하는 숙련된 CIO(Chief Information Officer)가 있으면 도움이 될 것이므로 더 많은 회사에서 이러한 유형의 직책을 만들 것으로 기대할 수 있다.