3 Key Insights
핵심성과: 연체율에 아무런 영향을 주지 않고 승인율 4.6% 향상 → 순이자마진(NIM) 221만 달러 순증
해결과제: 신용 정보가 없어 기존에 '거절'되었던 고객군을 대상으로 대출 유치 확대
핵심전략: 거절자 추론(Reject Inference) 기법을 활용하여 거절자 그룹(Rejected groups)의 리스크 및 수익성 추정
핵심성과
일본 중견 신용카드사는 DEIN의 정교한 거절자 추론 엔진을 적용하여 '신용 데이터 부족(No-data)'이라는 난제를 해결해 독보적인 경쟁 우위를 차지했습니다. 과거 거절자 그룹 내에서 '숨은 수익 세그먼트'를 발굴함으로써, 연체율에는 아무런 영향을 주지 않고 승인율을 4.6% 끌어올렸습니다. 이러한 공격적 시장 확장과 엄격한 리스크 관리 사이의 정교한 균형은 순이자마진(NIM) 221만 달러(USD) 증가라는 결과로 이어졌으며, 이는 포화된 대출 시장에서도 실질적인 성장이 가능함을 입증했습니다.
해결과제
대출 시장은 포화 상태에 이르면서 성장이 급격히 둔화되고 있습니다. 새로운 성장의 발판을 마련하기 위해 금융 기관은 금융 소외계층(Unbanked)나 젊은 세대로 확장을 꾀합니다. 하지만 이러한 '씬 파일러(Thin-file, 금융 이력 부족자)'들은 기존 신용 평가 체계 하에서는 승인될 수 없었습니다.
신용 데이터의 부재는 정확한 리스크 측정을 거의 불가능하게 만듭니다. 소셜 미디어나 통신비 결제 내역 같은 대안 정보가 보조 지표로 활용되기도 하지만, 여전히 단편적이고 일관성이 떨어집니다. 이들은 본질적으로 고위험군으로 인식되기 때문에 단순한 승인/거절 판정 만으로는 부족합니다. 이 영역에서 성공하려면 금리나 한도와 같은 요소를 전략적으로 최적화하여, 수익성을 기반으로 한 평가를 해야 합니다.
핵심전략
특화된 리스크 모델링: 기존 고객 중 유사한 속성을 가진 세그먼트의 프로필을 기반으로 니치 스코어링 모델 개발
리스크 안전률: 리스크 불확실성을 고려하여 '안전 마진(Margin of Safety)'을 포함한 추정 리스크 수준 산출
수익성 모델 통합: 카드 지출 및 이용 패턴을 예측하는 보조 모델을 구축·결합하여 기대 수익에 대한 입체적인 관점 확보
전략적 시뮬레이션: 다양한 세그먼트를 발굴하고, 개별 이자율과 한도의 '최적의 지점'을 찾기 위한 철저한 시뮬레이션 수행
챔피언-챌린저 프레임워크: 전면 확대 전, 대조군과 실제 리스크 성과를 비교 모니터링하기 위해 단계적 적용 시행