|
|
|
|
|
 |
금융 데이터 기반 모델에서 해석력을 확보하기 위해 어떤 기법을 활용해왔는가
금융권 데이터 사이언티스트는 모델보다 규제가 중요하다.
규제 때문에 AI 모델이 무의미해지면 어떻게 할 것인가
저는 대학· 프로젝트 경험에서 시계열 분석, 고객행동 데이터 분석, 신용리스크 모델링 실습을 진행하며 금융모델의 구조와 한계를 깊이 이해했습니다.
금융에서 모델은 규제를 뛰어넘을 수 없습니다.
규제가 강할수록 해석 가능한 모델 설계·리스크 관리 역량이 더 중요해지며, 이것이 금융 데이터 사이언티스트의 본질적 역할이라고 생각합니다.
저는 금융 데이터를 분석해 고객의 행동을 이해하고, 이를 기반으로 리스크를 예측하고 사업성과를 높이는 DataScientist입니다.
시계열 분석, 고객행태 분석, 신용리스크 예측 모델 등 실습과 프로젝트를 통해 금융 데이터의 구조와 한계를 깊이 이해했고, 기술보다 "문제 해결"을 중심으로 분석해왔습니다.
|
|
|
 |
금융권 데이터 사이언티스트는 모델보다 규제가 중요하다.
규제 때문에 AI 모델이 무의미해지면 어떻게 할 것인가
또한 현대캐피탈은 글로벌 시장 데이터를 함께 다루기 때문에 모델의 확장성과 스케일이 큽니다.
저는 대학· 프로젝트 경험에서 시계열 분석, 고객행동 데이터 분석, 신용리스크 모델링 실습을 진행하며 금융모델의 구조와 한계를 깊이 이해했습니다.
금융에서 데이터 사이언티스트가 가장 큰 가치를 창출하는 곳은 두 가지입니다.
데이터의 편향이 크고 결측이 많은 환경에서, 단순 성능보다 "안정성"을 우선해 모델을 구성했습니다.
우선 고객 특성·거래 이력·상환 이력·소득정보 등 40여개 변수를 전처리해 대표성을 확보했고, 시계열 정보를 롤링형 지표로 재가공해 수익성과 안정성을 높였습니다.
모델은 LightGBM 기반으로 구성했고, SHAP 값으로 영향도를 분석해 리스 크팀이 이해할 수 있는 구조로 설명을 만들어냈습니다.
또한 금융은 "데이터는 많지만 의미 있는데이터는 적다"는 특성이 있기 때문에 PCA나 VIF 기반 다중공선성 제거, 변수그룹핑을 통해 모델의 안정성을 우선 확보했습니다.
FDS는 "이상 탐지"가 핵심이며, 정상 데이터가 압도적으로 많은 불균형 환경이 특징입니다.
규제 환경에서는 LogisticRegress ion, GAM, Scorecard 방식이 가장 많이 사용됩니다.
저는 모델의 목적과 규제요건을 먼저 분석한 뒤, 복잡 모델은 후보군으로만 사용하고 최종 적용 모델은 규제 친화적 구조로 설계합니다.
금융에서는 "모델 성능> 규제 준수"가 아닌 "규제 준수> 성능"이기 때문에 판단 기준은 명확합니다.
특히 리스크팀과 협업할 때 SHAPSummary Plot을 활용하면 어떤 고객군에서 위험신호가 강한 지 명확하게 보여줄 수 있어 실제 프로젝트에서도 매우 효과적이었습니다.
금융모델은 재학습 주기와 성능 하락 감시가 매우 중요하기 때문에 모니터링 체계를 가장 우선으로 두겠습니다.
금융모델은 단순 성능보다 리스크, 규제, 수익성, 운영안정성을 동시에 고려해야 하므로 구조적 시각이 필요합니다.
금융에서 모델은 규제를 뛰어넘을 수 없습니다.
성능이 약간 낮아도 규제 적합·안정성·사업성과가 확보된 모델을 설계하는 것이 정답입니다.
역대 프로젝트에서도 모델 설계 단계부터 손익 기여 구조를 먼저 검증하고, 현업 니즈를 충족시키는 방향으로 지표·임계값·정책 변수를 설정했습니다.
저는 금융 데이터를 분석해 고객의 행동을 이해하고, 이를 기반으로 리스크를 예측하고 사업성과를 높이는 DataScientist입니다. |
 |
모델, 데이터, 금융, 분석, 고객, 리스크, 성, 규제, 캐피탈, 기반, 경험, 구조, 어떻다, 설계, 업, 때문, 시계열, 안정, 이해, 프로젝트 |
|
|
|
|
|
|
 |
|
|
|
|
|
|
|
|
|
|
|
| |
|
|
|
2025.11.25
7페이지
