- 이재웅 (경희대학교 일반대학원 경영학과)
- 김영식 /Kim Young Sik (경희대학교 경영대학 경영연구원 연구원)
- 권오병 /KWON OHBYUNG (경희대학교 경영대학, 교신저자)
주요 용어
- 비정형 데이터
텍스트와 같이 고정된 형식이 없는 데이터. 금융 상담 기록, 온라인 댓글, 리뷰 등이 이에 해당하며, 이 데이터로부터 소비자의 성향을 분석.
- 로보 어드바이저
알고리즘을 통해 투자 성향을 분석하고 맞춤형 금융상품을 추천하는 자동화된 금융 서비스.
- 텍스트 마이닝
비정형 데이터를 분석하여 유의미한 정보를 추출하는 기법. 여기서는 금융 소비자의 성향 파악에 사용됨.
- 투자 성향
금융 소비자의 위험 선호도, 투자 안정성, 수익률 기대치 등을 포함하는 개인별 투자 특성.
- 분류 알고리즘
데이터를 기반으로 특정 결과를 예측하는 모델. 여기서는 의사결정트리(Decision Tree), 랜덤 포레스트(Random Forest) 등이 사용됨.
연구 배경
최근 금융 산업에서는 비정형 데이터를 활용한 고객 맞춤형 서비스에 대한 필요성이 대두되고 있다. 기존 로보 어드바이저 시스템은 정형화된 데이터를 주로 활용하여 설문이나 기본 정보만으로 고객의 투자 성향을 파악하는 데 한계가 있다. 하지만 상담 기록, 리뷰, 온라인 댓글과 같은 비정형 데이터는 고객이 자신의 금융 성향을 자발적으로 표현한 중요한 정보원이 될 수 있다. 이를 분석하면 고객의 투자 성향을 더 깊이 이해할 수 있으며, 맞춤형 금융상품을 추천하는 데 유용할 수 있다.
연구 목적
이 논문의 목적은 비정형 데이터를 분석하여 금융 소비자의 성향을 유형화하고, 이를 바탕으로 고객에게 적합한 금융상품을 추천하는 시스템을 개발하는 것이다. 이를 통해 금융 소비자의 투자 성향을 더 정교하게 파악하고, 고객의 요구에 맞는 맞춤형 금융상품을 추천하는 방법론을 제시하고자 한다.
연구 방법론
본 연구는 비정형 데이터를 수집하고, 이를 텍스트 마이닝 기법을 통해 분석하여 고객의 투자 성향을 파악하는 방식을 채택했다. 수집된 데이터는 고객 상담 기록, 고객 의견, 금융 상품 리뷰 등에서 얻은 비정형 텍스트로, 이를 통해 금융 소비자의 투자 성향을 도출할 수 있었다.
1. 데이터 수집 및 처리
연구에서는 금융 소비자의 비정형 데이터를 수집하였으며, 이 데이터를 전처리 과정을 거쳐 분석 가능한 형태로 변환했다. 이 과정에서 텍스트 마이닝 기법을 활용하여 주요 키워드를 추출하고, 이 키워드들을 바탕으로 소비자의 투자 성향을 유형화했다.
2. 투자 성향 분석 및 유형화
고객의 투자 성향을 분석하기 위해 SVM(서포트 벡터 머신), 의사결정트리, 랜덤 포레스트 등 다양한 분류 알고리즘을 사용했다. 이 과정에서 가장 효과적인 알고리즘을 찾아내고, 고객의 텍스트 데이터에서 투자 성향을 예측하는 모델을 개발했다. 실험 결과, 랜덤 포레스트 알고리즘이 가장 우수한 성능을 보였으며, 이를 통해 금융 소비자의 투자 성향을 분류하는 데 성공했다.
3. 맞춤형 금융상품 추천
고객의 투자 성향을 분석한 이후, 분석된 성향에 맞는 금융상품을 추천하는 모델을 개발했다. 고객의 성향을 반영한 금융상품을 추천함으로써, 고객의 만족도와 금융상품에 대한 적합성을 크게 향상시킬 수 있음을 확인했다.
실험 결과
실험에서는 비정형 데이터를 분석하여 고객의 투자 성향을 정확히 예측하고, 이 성향에 맞는 금융상품을 추천하는 시스템이 높은 성능을 보였음을 입증했다. 특히, 랜덤 포레스트 알고리즘이 다른 분류 알고리즘에 비해 우수한 성능을 보였으며, 이를 통해 금융 소비자의 투자 성향을 예측하는 데 있어서 높은 정확도를 달성했다.
추천된 금융상품은 고객의 성향에 잘 맞는 상품들이었으며, 이를 통해 금융 소비자가 실제로 추천된 상품을 선택하는 비율이 높아졌다. 이는 맞춤형 추천 시스템이 금융 소비자의 투자 결정을 돕고, 금융 서비스의 효율성을 높일 수 있음을 보여준다.
연구의 시사점
본 연구는 비정형 데이터를 활용하여 금융 소비자의 투자 성향을 더 깊이 이해할 수 있는 가능성을 열었다. 고객의 비정형 텍스트 데이터를 분석함으로써, 기존의 정형화된 설문이나 인구통계학적 데이터에만 의존하던 방식을 넘어서 고객의 실제 투자 성향을 반영한 맞춤형 금융상품 추천이 가능해졌다.
이러한 연구는 로보 어드바이저의 기능을 강화하고, 고객 맞춤형 금융상품 추천의 정확도를 높이는 데 중요한 역할을 할 수 있다. 금융기관은 이 시스템을 활용해 고객의 요구를 더 잘 이해하고, 보다 나은 금융 서비스를 제공할 수 있을 것이다.
한계 및 향후 연구 방향
본 연구는 비정형 데이터를 활용한 고객 성향 분석에 중점을 두었으나, 텍스트 외의 다른 유형의 비정형 데이터(예: 음성 데이터)를 포함하지 않은 점은 한계로 작용할 수 있다. 향후 연구에서는 다양한 비정형 데이터를 활용한 연구를 확장하고, 고객의 투자 성향을 더 다각도로 분석하여 금융상품 추천 시스템의 성능을 더욱 향상시킬 수 있을 것이다.
