신용평점

1. 개요 Introduction

신용평점(credit scoring)은 금융 신용공여 업무를 운영하는 데 도움을 주기 위해 쓰이는 형식화된 통계·수학 모형을 가리키며, 주로 개인·소매 소비자 부문의 신청자를 대상으로 한다. 그 적용 범위는 은행 대출, 신용카드, 주택담보대출, 자동차 금융, 할부구매, 통신판매 등 매우 넓다.

형식적 신용평점 방법이 개발되기 전에는 대출 결정이 개인적 판단에 의존했다. 이는 대체로 대출을 구하는 사람과 대출을 내주는 사람 사이의 긴밀한 관계를 필요로 했다. ‘3C’, 즉 인품(character), 담보(collateral), 능력(capacity)이 잠재 고객의 됨됨이, 상환을 담보할 보증 여부, 상환 조건을 감당할 자원 여부를 표현했다. 거래하는 사람들의 범위가 좁을 때는 이것으로 충분했지만, 20세기에 걸쳐 그 범위와 구매하려는 상품의 종류가 극적으로 넓어지면서 무담보 대출 수요가 늘기 시작했다.

제2차 세계대전과, 신용공여 결정 전문가들이 전쟁에 동원되어 사라진 일은 상황을 더욱 복잡하게 만들었다. 이는 다른 사람들이 적용할 수 있는 경험 기반 지침의 탄생을 자극했다. 20세기 중반 무렵, 회귀분석과 선형 다변량 통계(1936년 판별분석에서 유래) 같은 예측적 통계 도구를 적용할 수 있다는 인식이 싹텄다. 신용카드(영국 최초 신용카드는 1966년 바클레이카드)와 인터넷 구매의 등장으로 이런 발전의 필요성은 계속 커졌다. 신용카드는 보장된 신용원을 제공해 고객이 구매 때마다 대출을 협상하러 갈 필요가 없게 했고, 회전신용(revolving credit)의 원천이 되었다. 카드 발급사 중에는 수천만 장의 카드를 발행해 고객이 연간 수십억 건의 거래를 하는 곳도 있어, 누가 카드를 받을 자격이 있는지 결정하는 자동화된 방법이 필수가 되었다.

형식적 방법의 사용은 1970년대 차별금지법의 도입으로 더욱 촉진되었다. 신용산업에서는 신용공여 결정이 ‘경험적으로 도출되고 통계적으로 타당해야’ 하며 성별 같은 특정 사유로 차별해서는 안 된다는 법적 요건으로 나타났다. (흥미롭게도 이는 보험과는 매우 다른데, 일부 하위집단이 필연적으로 불공정하게 불이익을 받게 됨을 뜻하기도 한다.) 이를 보장하는 유일한 길은 수학적으로 적어 둘 수 있는 형식 모형을 갖추는 것이다. 인간의 판단은 주관적·무의식적 차별이 스며들었다는 비판에서 늘 자유롭지 못하다. 마지막으로, 형식적 방법이 인간의 판단보다 더 효과적이라는 증거가 쌓이면서 그 역할은 한층 강화되었다.

2. 신용평점 모형 Credit Scoring Models

신용평점 모형, 곧 점수표(scorecard)를 논할 때는 두 가지 구분이 유용하다. 첫째는 신청 점수표(application scorecard)와 행동 점수표(behavioral scorecard)의 구분이다. 신청 점수표는 신청자를 받아들일지(대출·카드 등) 결정하는 데 쓰이고, 행동 점수표는 시간이 흐르며 고객의 행동을 감시해 적절한 개입(예: 연체 시 안내장 발송)을 하는 데 쓰인다. 두 경우에 가용한 데이터가 다르다. 신청 점수표는 신청서 정보와 신용조회기관 정보를 쓰고, 행동 점수표는 진행 중인 거래 기록(구매·상환)을 쓴다. 두 경우 모두 모형을 만드는 회고적 데이터셋은 크고 주로 범주형 데이터로 이루어진다(나이 같은 연속변수도 보통 범주화한다).

점수표를 만드는 초기 단계는 노동집약적인 변수 선택이다. 많은 후보 예측변수 중 어느 것을 쓸지, 연속변수를 어떻게 범주화할지 정한다. 또한 데이터에는 결측·오기재가 흔하다는 점을 유의해야 한다. 둘째 구분은 프론트엔드(front-end) 점수표와 백엔드(back-end) 점수표다. 프론트엔드는 고객·신청자와 직접 상호작용하는 의사결정(예: 대출 승인 여부)에 쓰이며, 결정 과정의 해석가능성(interpretability)이 요구된다(왜 거절했는지 설명해야 할 때가 많다). 따라서 형태가 상대적으로 단순해야 한다. 반면 백엔드는 더 간접적인 결정(예: 수익성 높은 고객 찾기, 도난 카드 탐지)을 다루며, 원하는 만큼 정교하고 복잡해도 된다.

점수표는 개인 금융 부문의 다양한 문제에 쓰인다. 가장 친숙한 것은 신청자에 대한 승인/거절 결정이지만, 그 밖에 이탈예측(churn), 권유 거절(attrition), 사기 점수, 이상행동 탐지, 대출 사후관리, 신용한도 선택, 시장 세분화 등이 있다. 이들 응용은 궁극적으로 둘 중 하나의 부류로 배정(allocation)하는 문제(승인/거절 등)인 경우가 많아, 적절한 이부류 배정 도구 개발에 많은 노력이 들어갔다.

2.1 통계적 방법들 Statistical Methods

점수표를 만드는 데 가장 인기 있는 도구는 로지스틱 회귀(logistic regression)다. 범주형 변수를 지시변수로 재구성하거나 ‘증거가중치’ 등으로 수량화한 뒤 사용한다. 단순함 덕분에 나이브 베이즈 분류기도 인기가 있다. 선형 다변량 통계(판별분석)는 과거에 쓰였으나 점차 선호도가 줄었다. 이 모형들은 모두 최종 점수를 예측변수 범주에 배정된 가중치의 단순 합으로 표현하므로 프론트엔드 응용에 이상적이다. 점수표는 일반적으로 다음과 같은 선형 점수 형태를 갖는다.

로지스틱 회귀에서는 이 선형 점수를 로그 오즈(log-odds)로 해석한다. 즉 부도(나쁜 고객) 확률 p에 대해 다음이 성립한다.

이를 확률 p에 대해 풀면, 점수가 로지스틱(시그모이드) 함수를 통해 0과 1 사이의 부도확률로 변환된다.

재귀적 분할(트리, tree) 분류기도 단순한 설명을 줄 수 있다. 예측변수 공간을 셀로 나누어 각 셀을 결과 부류·위험 범주에 배정하며, 셀은 ‘소득 X 미만, 임차 주거, 최근 법원 불리 판결’ 같은 단순한 말로 기술된다. 또 다른 단순한 예측은 최근접이웃(nearest neighbour) 같은 비모수 도구로 얻을 수 있다. 새 신청자를, 예측변수로 측정한 ‘유사도’가 가장 가까운 과거 고객 다수와 같은 부류로 분류한다.

더 정교한 도구도 특히 백엔드 모형에서 가끔 쓰인다. 선형·정수 계획법 같은 수리계획법, 로지스틱 회귀의 확장인 신경망(neural network) 등이다. 또 여러 결과지표가 동시에 관심일 때를 위한 그래프 모형, 고객 매력도를 단일 척도로 요약하는 요인분석 기반 도구, 앙상블·배깅·부스팅 같은 고급 분류기도 사용되었다. 한 가지 유의할 점은, 이런 문제의 부류는 자연의 본질적·명확한 속성(생명보험의 ‘사망/생존’과 대비)이 아니라 인간이 정의한 것이라는 점이다. 예컨대 ‘부도’는 ‘3개월 이상 연속 연체’로 정의될 수 있는데, 이는 연속적인 양(연체 기간)을 임의의 문턱으로 가른 것이어서 본질적 자의성이 있다.

3. 점수표 구축의 도전 과제 Challenges in Building Scorecards

일반적으로 점수표는 시간이 지나면 성능이 저하된다. 이는 점수표의 모수가 바뀌어서가 아니라 신청자·고객 모집단이 시간에 따라 변하기 때문인데, 이를 모집단 표류(population drift)라 한다. 경제 환경의 변화, 새로운 마케팅 전략(다른 부류의 사람들이 대출을 구하게 됨), 경쟁의 변화 등이 원인이다. 따라서 점수표 성능을 평가할 기준이 필요하다.

업계에서 널리 쓰이는 척도로는 지니계수(Gini coefficient), 콜모고로프–스미르노프(Kolmogorov–Smirnov, KS) 통계량, 평균차, 정보가치 등이 있다. 이들은 모두 알려진 나쁜 고객과 좋은 고객의 점수 분포 사이의 분리도(separability)를 측정하려 한다. 일반적으로는 점수표의 장점을 더 잘 보여주기 위해 ROC 곡선(Receiver Operating Characteristic, 또는 로렌츠 곡선)의 변형이 사용된다. 지니계수는 ROC 곡선 아래 면적(AUC)과 단순한 관계로 연결된다.

KS 통계량은 좋은 고객과 나쁜 고객의 점수 누적분포 사이의 최대 수직거리로 정의되며, 두 분포가 얼마나 잘 갈라지는지를 한 숫자로 요약한다.

신용평점 특유의 더 깊은 개념적 도전도 있다. 첫째, 거절추론(reject inference) 문제다. 대출을 승인받은 좋은 위험군은 추적되어 실제 부류(좋음/나쁨)가 밝혀지지만, 거절된 나쁜 위험군은 그렇지 않다. 따라서 데이터셋이 편향되어 성능 측정과 새 점수표 구축에 어려움을 준다. 둘째, 거절자는 개인신용 과정에서 일어나는 여러 선택 중 하나일 뿐이다(우편 발송 → 응답 → 제안 → 수락 → 좋음/나쁨 등 단계마다 선택이 작용). 셋째, 점수표는 항상 철 지난 데이터로 만들어진다. 원칙적으로 좋은 고객과 나쁜 고객이 표본에 모두 있으려면 대출 기간보다 더 오래된 기록이 필요한데(예: 25년 만기 주택담보대출), 실무에서는 비현실적일 수 있다.

4. 결론 Conclusion

“신용평점은 금융·은행 분야에서 통계 및 경영과학 모형화의 가장 성공적인 응용 중 하나다.” 개인 금융 업무와 상품의 천문학적 성장으로 인해 자동 신용평점은 필수가 되었고, 현대 은행업은 이것 없이는 작동할 수 없다. 규모에서 오는 필연성과 더불어, 형식적 평점 방법은 더 높은 품질의 결정을 낳는다. 게다가 결정 과정이 수학 모형으로 명시되므로 감시·조정·정련할 수 있는데, 이는 인간의 판단적 접근에는 없는 장점이다. 개인 금융 부문은 경제 환경·법령·경쟁·기술 진보에 따라 매우 빠르게 변하므로, 신용평점 도구의 개발에는 도전적인 과제가 계속 제기된다.

참고 및 관련 표제어

부록. 이 글에 나온 용어 (배경지식 보충)

• 신용평점 (credit scoring) — 신청자·계좌를 좋은/나쁜 신용위험으로 분류하는 형식적 통계·수학 모형.
• 점수표 (scorecard) — 각 예측변수 범주에 가중치를 매겨 합산한 신용평점 모형.
• 신청 점수표 / 행동 점수표 (application / behavioral) — 신청 승인 결정용 / 기존 고객 행동 감시용 점수표.
• 로지스틱 회귀 (logistic regression) — 로그 오즈를 선형식으로 모형화해 부도확률을 추정하는 가장 인기 있는 방법.
• 판별분석 (discriminant analysis) — 선형 다변량 통계로 두 부류를 가르는 고전적 분류법(1936년).
• 나이브 베이즈 (naive Bayes) — 변수 독립을 가정한 단순·인기 분류기.
• 트리 분류기 (recursive partitioning) — 예측변수 공간을 셀로 나눠 위험 범주를 배정하는 해석가능한 방법.
• ROC 곡선 / AUC — 문턱을 바꿔가며 민감도·특이도를 그린 곡선과 그 아래 면적. 분리력 지표.
• 지니계수 (Gini) — 2·AUC − 1. 0(무작위)~1(완벽)로 점수표의 변별력을 요약.
• KS 통계량 (Kolmogorov–Smirnov) — 좋은/나쁜 점수 누적분포의 최대 격차로 잰 분리도.
• 모집단 표류 (population drift) — 시간이 지나며 고객 모집단이 변해 점수표 성능이 저하되는 현상.
• 거절추론 (reject inference) — 거절되어 결과를 모르는 신청자의 실제 부류를 추론하려는 시도.

한국보험시장 현황 Korea Market Practice

신용평점(스코어링)은 본문이 설명한 '특성으로 점수를 매겨 기준선으로 분류'하는 방법으로, 국내에서는 대출·여신 심사뿐 아니라 보험 인수심사(언더라이팅)와 사기탐지에 응용된다. 로지스틱 회귀·머신러닝으로 가입자·청구의 위험을 점수화하고, 컷오프로 인수·거절·추가심사를 가른다.

다만 보험요율에 개인 신용정보를 활용하는 데는 규제·공정성 제약이 있어, 미국 일부 주처럼 신용평점을 자동차보험요율에 직접 반영하는 방식은 국내에서 제한적이다. 대신 가입심사 보조, 보험사기인지시스템(FDS)의 이상거래 점수화 등에 폭넓게 쓰인다.