💡 왼쪽 원문을 읽으면서 오른쪽에 따라 써보세요. Tab 키로 힌트를 받을 수 있습니다.

원문 렌더가 준비되기 전까지 텍스트 가이드로 표시합니다.

프롤로그 — FICO 1989년, 그리고 BNPL 시대

1989년 Fair Isaac이 처음으로 일반에 공개한 FICO Score는 미국 소비자 신용의 표준이 됐다. 점수 범위 `<300/850 FICO`는 모기지·자동차 대출·신용카드 발급의 기본 좌표가 됐고, 2006년 Equifax·Experian·TransUnion 3대 신용평가기관이 합작한 VantageScore가 대안 척도로 자리 잡았다. 그로부터 거의 40년이 지난 2026년, 그 좌표는 BNPL과 AI 인수의 영향으로 다시 그려지고 있다.

미국에서는 Upstart·Affirm·Klarna·AfterPay가 thin file 또는 no file 사용자에게 즉시 신용을 제공하고, 그 결과를 다시 학습 데이터로 활용한다. Experian Boost는 사용자가 자발적으로 공과금·통신비·구독 결제 이력을 신용 스코어에 더할 수 있게 했고, FICO XD는 통신·공과금만으로 점수를 만든다. FICO Resilience Index는 경기 침체 시 신용 회복력을 예측해 위기 시 가산 점수로 작동한다.

한국에서는 KCB와 NICE 신용평가가 정부 등록 신용평가회사로 1-1000점 척도와 1-10등급 척도를 운영한다. 카카오뱅크는 카카오톡·간편결제·금융 활동 데이터를 결합해 자체 ML 평가를 만들었고, 토스뱅크는 무서류 대출과 자체 신용평가로 thin file 시장을 깼다.

일본은 CIC(信用情報センター)·JICC(日本信用情報機構)·KSC(全国銀行個人信用情報センター)가 분야별로 신용 정보를 보유하고, 정보는 5-30년 단위로 보존된다. AfterPay 재팬, KakaoPay 후불결제 등 BNPL의 등장은 신용정보 산업 자체를 바꾸는 중이다.

이 글은 이 지도를 그린다. 무엇이 신용 점수이고, 왜 AI로 옮겨갔고, 어떤 데이터로 무엇을 예측하며, 어떻게 검증하고, 어떻게 규제되는지.

1장 · 전통 신용평가 vs AI underwriting

전통적 신용평가는 단순했다. 신용보고서(credit report)와 점수 모델 하나면 끝났다. 신용보고서는 신용평가기관(Equifax·Experian·TransUnion)이 채권자로부터 수집한 데이터고, 점수 모델은 그 데이터를 300-850 범위로 변환한 것이다.

AI underwriting은 이 흐름을 두 갈래로 바꿨다.

| 차원 | 전통 underwriting | AI underwriting |

| --- | --- | --- |

| 데이터 | 신용보고서 5요인 | 신용 + 은행·통신·BNPL·디지털 시그널 |

| 모델 | 로지스틱 회귀(FICO) | GBM/XGBoost/LightGBM + neural net |

| 처리 시간 | 모기지 30-45일, 카드 7-14일 | 카드 즉시, 무담보 대출 5분 |

| Thin file 대응 | 거절 또는 보증 요구 | 대안 데이터 활용 |

| 설명력 | reason code 4개 표준 | SHAP/LIME 기반 reason code |

| 규제 | FCRA·ECOA·Reg B | + EU AI Act, NAIC, 금감원 ADM |

| 가격 | 등급별 평균 | 개인화·다이내믹 |

| 사기 탐지 | 사후 | 사전·실시간 |

핵심 변화는 **데이터의 폭과 신선도**다. 전통은 신용보고서 시점의 정적 데이터를 봤지만, AI는 은행 입출금·통신·BNPL·구독·소셜 시그널을 실시간에 가깝게 결합한다. 그 결과 신용이 없는 사람(no file)이나 부족한 사람(thin file)도 즉시 평가가 가능해졌고, 그게 BNPL과 Upstart의 사업 모델이 됐다.

2장 · FICO Score 5요인 — payment history, credit utilization, length, mix, new credit

FICO Score는 5가지 요인의 가중 평균으로 산출된다. 가중치는 일반인용 점수 기준으로 다음과 같다.

| 요인 | 가중치 | 설명 |

| --- | --- | --- |

| Payment history | 35% | 연체·부도·파산 이력 |

| Credit utilization | 30% | 신용한도 대비 사용액(보통 30% 이하 권장) |

| Length of credit history | 15% | 평균 계정 기간 |

| Credit mix | 10% | 카드·할부·모기지 등 종류 다양성 |

| New credit | 10% | 최근 신청(hard inquiry) 횟수 |

미국에서 가장 큰 영향을 주는 건 단연 결제 이력(payment history)다. 30일 이상 연체가 한 번 발생하면 점수가 60-110점 하락할 수 있고, 모기지 연체는 더 크다. 신용한도 사용률(credit utilization)도 비슷한 폭으로 변동한다. 카드 발급 직후 100% 사용하면 점수가 30-50점 내려간다.

2026년 미국 FICO Score 중위값은 약 715점이다. 800점 이상이 약 22%, 740-799가 24%, 670-739가 23%, 580-669가 18%, 580 미만이 13% 정도로 분포한다. 점수 800 이상은 "exceptional", 740-799는 "very good", 670-739는 "good", 580-669는 "fair", 580 미만은 "poor"로 분류된다.

3장 · VantageScore — Equifax·Experian·TransUnion 합작

VantageScore는 2006년 3대 신용평가기관이 만든 대안 점수다. 모델 4.0부터 머신러닝 기반의 trended data를 본격 활용하기 시작했고, 2024년 발표된 VantageScore 5.0은 BNPL 데이터를 점수에 통합했다.

FICO와의 핵심 차이:

- 점수 범위는 동일하게 300-850. FICO와 직접 비교 가능한 척도를 의도적으로 맞췄다.

- 신용 이력이 1개월만 있어도 점수 산출 가능(FICO는 6개월 필요).

- Hard inquiry를 14일 기간으로 묶어 1개로 처리(쇼핑 단계 보호).

- BNPL·임대료·통신비 통합이 더 적극적.

2024년 미국 FHFA가 VantageScore 4.0을 모기지에서 허용하는 결정을 내리면서 두 점수의 시장 점유가 크게 바뀌었다. 2026년 현재 카드·자동차·개인대출에서 VantageScore 사용 비중이 FICO 대비 40-45%까지 올라왔다.

4장 · FICO XD와 Experian Boost — thin file 솔루션

Thin file은 미국에서 약 5,000만명, no file은 약 2,800만명으로 추정된다. 이 8,000만명이 전통 모델로는 즉시 평가가 불가능한 사람들이다. FICO와 Experian은 이를 해결하기 위해 두 가지 보완 점수를 만들었다.

- **FICO XD**: 통신·공과금·임대료 결제만으로 점수를 만든다. LexisNexis Risk Solutions와 Equifax NCTUE 데이터 사용. 점수 범위 300-850. 약 1,500만명의 이전 no file 사용자에게 점수를 부여했다.

- **Experian Boost**: 사용자가 옵트인하면 통신비·전기·가스·수도·구독(Netflix 등) 결제 이력을 신용보고서에 추가한다. 평균 점수 13점 상승, 사용자 75% 이상이 점수 상승을 경험.

FICO XD 스타일: 대안 데이터로 thin file 평가 (개념 코드)

입력 피처: 통신비·공과금·임대료 결제 이력 + 디지털 시그널

ALT_DATA_FEATURES = [

"telecom_months_active", # 통신 계약 유지 개월

"telecom_late_pmt_24m", # 24개월 통신비 연체 횟수

"utility_late_pmt_24m", # 24개월 공과금 연체

"rent_payment_consistency", # 임대료 정시 결제 비율

"subscription_count_active", # 활성 구독 수(Netflix 등)

"checking_account_age_months", # 입출금 계좌 개설 후 개월

"checking_overdraft_12m", # 12개월 마이너스 잔액 횟수

"address_stability_months", # 동일 주소 유지 개월

]

params = {

"objective": "binary",

"metric": "auc",

"learning_rate": 0.03,

"num_leaves": 63,

}

booster = lgb.train(params, train_set, num_boost_round=1500)

미국 CFPB는 2024-2025년 사이 Experian Boost를 포함한 "alternative data" 사용에 대한 가이드라인을 강화했다. 핵심은 옵트인 명확성·데이터 정확성·이의 신청 절차다.

5장 · FICO Resilience Index — 경기 침체 회복력

FICO Resilience Index(FRI)는 2020년 코로나 이후 발표된 보조 점수다. 0-99 범위로, 낮을수록 경기 침체에 강하다. 같은 FICO 760점이라도 FRI가 20인 사람과 70인 사람의 침체기 부도율은 2배 이상 차이가 난다.

FRI 모델이 주로 보는 시그널:

- 카드 한도 대비 사용 패턴의 안정성

- 결제 이력의 일관성(타이밍·금액)

- 신용 계정 평균 사용 기간

- 침체기 직전의 사용 변화

FRI는 대출 의사결정에 직접 쓰이기보다는 포트폴리오 모니터링·자본 시뮬레이션에 쓰인다. CECL(Current Expected Credit Losses) 회계 기준 아래에서 은행이 충당금을 산출할 때 보조 신호로 활용된다.

6장 · TransUnion ECRA — extended credit reporting attribute

TransUnion ECRA(Extended Credit Reporting Attribute)는 카드 결제 데이터를 24개월 단위로 깊이 있게 활용하는 데이터 마트다. 단순히 "현재 잔액"이나 "현재 한도"가 아니라, **trended data**로 시간 흐름을 본다.

핵심 시그널:

- 24개월 잔액 추이(증가·감소·변동성)

- 결제 금액 패턴(최소 결제 vs 전액 결제 비율)

- 한도 인상·인하 이벤트

- 평균 사용률의 1년 변동

VantageScore 4.0/5.0과 FICO 10T가 이 trended data를 적극 활용한다. 같은 신용 점수라도 잔액이 줄어드는 사람과 늘어나는 사람의 미래 위험은 다르고, trended data는 그 차이를 잡아낸다.

7장 · KCB(코리아크레디트뷰로) — 한국 1-1000점

KCB는 1985년 설립된 한국의 대표 개인 신용평가 회사다. NICE 신용평가와 함께 2대 신용평가기관(CB)으로 분류된다. 점수 척도는 1-1000점이고, 이 점수가 다시 1-10등급으로 매핑된다.

2026년 한국 평균 KCB 점수는 약 858점이다. 등급별 분포:

| 등급 | KCB 점수 범위 | 비중 (대략) |

| --- | --- | --- |

| 1등급 | 942-1000 | 약 16% |

| 2등급 | 891-941 | 약 14% |

| 3등급 | 832-890 | 약 18% |

| 4등급 | 768-831 | 약 16% |

| 5등급 | 698-767 | 약 13% |

| 6등급 | 630-697 | 약 9% |

| 7등급 | 530-629 | 약 7% |

| 8등급 | 454-529 | 약 4% |

| 9등급 | 335-453 | 약 2% |

| 10등급 | 0-334 | 약 1% |

핵심 변수는 미국과 유사하다 — 결제 이력·신용한도 사용률·대출 잔액·신용 거래 기간·신청 횟수. 단, 한국은 **세금 체납·통신비 연체·건강보험료 체납** 같은 공공 데이터가 점수에 더 직접적으로 들어간다.

KCB는 2021년 마이데이터 사업자로 등록되어, 사용자 동의 기반으로 은행·증권·카드·통신 데이터를 결합한 점수를 만들 수 있게 됐다. 카카오뱅크·토스뱅크·케이뱅크 같은 인터넷전문은행은 이 마이데이터 기반 점수를 ML 모델에 통합한다.

8장 · NICE 신용평가 — 한국 다른 1-1000점

NICE 신용평가(NICE Credit Bureau)는 KCB와 함께 양대 CB다. 점수 척도는 같은 1-1000점이고, 등급도 1-10등급으로 매핑된다. 하지만 모델 가중치와 데이터 소스가 다르기 때문에, 같은 사람이라도 KCB와 NICE의 점수가 30-80점 차이가 난다.

NICE의 특징:

- 카드 매출 데이터에 강함(가맹점 정보 결합)

- 핀테크·BNPL 데이터의 통합이 KCB보다 빠름

- 기업 신용평가에서도 큰 비중(NICE 평가정보 자회사)

은행·카드사는 보통 KCB와 NICE 점수를 **모두 조회**해 더 보수적인 점수를 적용한다. 그래서 사용자 입장에서는 두 점수를 동시에 관리하는 게 실무다. 토스·카카오페이·NICE 지키미 같은 앱이 이 통합 조회를 제공한다.

9장 · 카카오뱅크 자체 신용평가 — Cake 모델

카카오뱅크는 2017년 출범 이후 자체 신용평가 모델을 운영해 왔다. 내부 코드명은 비공개지만, 모델 스택은 알려진 바가 있다.

핵심 데이터 소스:

- KCB·NICE 신용보고서(외부 CB)

- 카카오뱅크 자체 거래 데이터(입출금·이체·해외 카드 사용)

- 카카오 계열(카카오톡 사용 패턴·카카오페이 결제 이력)

- 마이데이터(사용자 동의 기반의 외부 금융 데이터)

- 통신 데이터(KT·SKT·LGU+ — 동의 기반)

모델은 외부 CB 점수를 기준선으로 잡고, 자체 ML로 추가 시그널을 결합한다. 결과적으로 사용자별로 "카카오뱅크 신용한도"가 산출되고, 이 한도가 mini-loan, 신용대출, 마이너스 통장에 모두 적용된다.

카카오뱅크 스타일: 자체 ML 신용평가 (개념 코드)

외부 CB + 내부 데이터 결합

FEATURES = [

외부 CB

"kcb_score",

"nice_score",

"kcb_grade",

"nice_grade",

내부 거래

"kakao_bank_account_age_months",

"avg_monthly_inflow_krw",

"avg_monthly_outflow_krw",

"salary_inflow_consistency",

"overdraft_12m_count",

카카오 생태계

"kakao_pay_txn_12m",

"kakao_pay_late_pmt_12m",

마이데이터

"mydata_other_bank_avg_balance",

"mydata_total_loan_balance",

"mydata_card_utilization",

]

model = xgb.XGBClassifier(

n_estimators=800,

max_depth=6,

learning_rate=0.04,

subsample=0.8,

eval_metric="auc",

)

카카오뱅크의 성공은 **CB 점수가 낮거나 부족한 사용자도 자체 모델로 평가 가능**하다는 점에 있다. 신용대출의 약 30%가 외부 CB 기준으로는 정상적으로 평가 불가한 사용자에게 나간다고 알려져 있다.

10장 · 토스뱅크 — 무서류 대출과 자체 신용평가

토스뱅크는 2021년 출범한 인터넷전문은행이다. 토스(비바리퍼블리카)의 모회사 생태계에서 결제·송금·증권·보험 데이터를 결합한다.

핵심은 **무서류 대출**이다. 소득 증빙 없이 토스 앱 안의 데이터(입출금 패턴·소비 카테고리·증권 잔액·신용카드 이용)만으로 즉시 대출 한도가 산출된다. 외부 CB 점수도 보조 입력이지만, 핵심은 토스 자체 데이터다.

데이터 파이프라인은 대략 다음과 같다.

1. 토스 가입 후 본인 인증(NICE 본인 확인 서비스).

2. 마이데이터 동의(은행·카드·증권·보험 데이터 결합).

3. 토스 자체 활동 데이터(송금·송수신·증권 거래·보험료 자동이체 등) 결합.

4. ML 모델로 한도·금리 산출.

5. 거절·이의 신청 경로 제공(금감원 ADM 가이드라인).

토스뱅크는 출범 1년 만에 가입자 600만 이상을 모았고, 대출 잔액도 빠르게 늘었다. 단, 2023-2024년 사이 토스뱅크의 부실률이 일시적으로 증가하면서 ML 인수의 한계가 드러나기도 했다. 모델 튜닝과 한도 정책 조정이 이후 진행됐다.

11장 · 일본 CIC(信用情報センター) — 카드·신용판매 30년

CIC(株式会社シー・アイ・シー)는 일본의 3대 신용정보기관 중 하나다. 신용카드·할부·BNPL 등 신용판매 영역의 정보를 보유한다. 일본 클레딧 협회(JCA) 회원사가 정보를 등록한다.

CIC 데이터의 핵심:

- 신용카드·할부·BNPL의 신청·계약·결제 이력

- 부도·파산·법적 절차 정보

- 신원 확인 정보(이름·생년월일·주소·전화번호)

보존 기간:

- 신청 정보: 6개월

- 계약·결제 이력: 계약 종료 후 5년

- 부도·법적 절차: 5-10년

- 일부 통계 정보: 익명화 후 30년까지 보존

일본은 미국·한국과 달리 "신용 점수"가 표준화되어 있지 않다. 대신 정보 자체가 신용판매·대출 회사에 직접 제공되고, 회사가 자체 모델로 점수를 산출한다. 그래서 일본에서는 "FICO 같은 표준 점수"가 아니라 "CIC 정보를 어떻게 자체 모델에 반영하는가"가 핵심이다.

12장 · JICC(日本信用情報機構)·KSC(全銀協) — 소비자금융과 은행

JICC(Japan Credit Information Reference Center)는 소비자금융·신용회사·일부 카드사가 회원이다. CIC가 카드·할부 중심이라면 JICC는 무담보 대출·소비자금융 중심이다.

KSC(全国銀行個人信用情報センター)는 전국은행협회 산하의 신용정보 센터다. 은행이 직접 회원이고, 주택대출·자동차대출·신용대출 정보를 보유한다.

일본의 신용평가 시장은 이 3사로 분할되어 있고, 회원사가 다른 CB의 정보를 자유롭게 조회할 수 없다. 그래서 동일 사용자의 정보가 분산되어 있다. 일부 금융사는 자사 CB 외에 다른 CB도 조회할 수 있도록 회원 가입을 다중화하지만, 비용이 든다.

-- 일본 CIC/JICC/KSC 통합 조회 — 가상의 인수 데이터 마트

SELECT

a.applicant_id,

a.dob,

a.residence_years,

a.employment_years,

-- CIC: 신용카드·할부·BNPL

cic.card_count,

cic.card_late_pmt_24m,

cic.bnpl_active_count,

cic.bnpl_late_pmt_12m,

-- JICC: 소비자금융·무담보 대출

jicc.consumer_loan_balance_jpy,

jicc.consumer_loan_late_pmt_24m,

-- KSC: 은행 대출

ksc.mortgage_balance_jpy,

ksc.auto_loan_balance_jpy,

ksc.bank_late_pmt_24m

FROM applications a

LEFT JOIN cic_data cic ON cic.applicant_id = a.applicant_id

LEFT JOIN jicc_data jicc ON jicc.applicant_id = a.applicant_id

LEFT JOIN ksc_data ksc ON ksc.applicant_id = a.applicant_id

WHERE a.created_at >= '2026-05-01'

AND a.product_code = 'CARD_LOAN_JPY'

일본 금융청은 2022년 신용정보 기관 간의 부분 공유를 시범 운영하기 시작했다. 2026년 현재 일부 정보(부도·파산)는 3사 간 자동 공유되지만, 일반 결제 정보는 여전히 분리되어 있다.

13장 · BNPL 1 — Affirm, 미국의 BNPL 표준

Affirm은 2012년 PayPal 공동 창업자 Max Levchin이 만든 BNPL이다. 2021년 NYSE 상장. 핵심은 "신용카드 없이 분할 결제"다. Amazon·Walmart·Peloton·Shopify가 주요 파트너.

Affirm의 차별점:

- **이자 0% 옵션과 이자 있는 옵션**의 혼합. 결제 시점에 선택 가능.

- **신용카드와 달리 한도가 결제별로 평가**된다. 매번 인수.

- **신용보고서에 영향 가능**: TransUnion·Experian이 Affirm 데이터를 통합.

- **연체 시 hard collection 안 함**(가입 조건에 따라). 대신 향후 거절.

Affirm의 인수 모델은 ML 기반이다. 사용자 정보(이름·생년월일·SSN tail·주소)와 신용보고서를 결합해 위험 등급을 산출하고, 가맹점·결제 금액·할부 개월수에 따라 즉시 인수한다. Affirm은 자체 ABS(Asset-Backed Securities)로 자금을 조달해 균형 잡힌 사업 모델을 만들었다.

14장 · BNPL 2 — Klarna, 스웨덴에서 글로벌로

Klarna(2005, 스웨덴)는 글로벌 BNPL 1위 사업자다. 유럽·미국·호주를 포함해 45개국에서 운영. 2024-2025년 IPO를 단행했다.

Klarna의 모델:

- **Pay in 4**: 6주에 걸쳐 4분할 결제(이자 없음).

- **Pay later 30**: 30일 후 일시불.

- **Financing**: 6-36개월 할부(이자).

- **Klarna One**: 통합 카드 — Pay in 4와 일반 직불을 결합.

Klarna는 자체 ML 인수와 글로벌 데이터 풀을 결합한다. 결제 시점에 5초 안에 인수 결정이 나고, 거절률은 카테고리·국가에 따라 5-15% 수준.

규제 측면에서 영국 FCA는 2024년 BNPL을 정식 신용 상품으로 분류했고, EU는 2026년부터 Consumer Credit Directive 2.0이 BNPL을 포함한다. 미국 CFPB는 2024년 BNPL을 신용카드와 유사한 보호 대상으로 지정했다.

15장 · BNPL 3 — AfterPay, Zilch, Klarna One, AfterPay 일본

- **AfterPay**(2014, 호주): Square(현 Block)가 2021년 인수. Pay in 4 중심. 미국·호주·뉴질랜드·캐나다·영국. 2026년 누적 활성 사용자 약 2,400만명. 일본에서는 AfterPay Japan으로 진출, 무인 매장 결제와 EC 결제에 통합.

- **Zilch**(2018, 영국): Pay in 4 + 리워드 카드 결합. 유럽 시장 중심.

- **Klarna One**: Klarna가 2024년 출시한 통합 카드. Apple Pay·Google Pay 호환. 결제 시점에 Pay in 4와 일반 직불을 선택 가능.

- **카카오페이 후불결제**(한국): 2022년 출시. 카카오페이 가입자가 신용카드 없이도 후불 결제 가능. 한도는 카카오뱅크 신용평가 기반.

- **토스 카드**(한국): 토스뱅크 체크카드. 신용카드는 아니지만 토스뱅크의 신용한도와 연동되어 사실상 BNPL과 유사한 흐름.

`$300B BNPL market`은 2026년 글로벌 BNPL 거래액 추정치다(SimilarWeb·FIS 통계). 2020년의 약 `$50B`에서 6배 성장. 미국 비중 약 30%, 유럽 약 25%, 아시아·태평양 약 35%, 기타 10%.

16장 · Upstart — AI underwriting의 상징

Upstart(2012, 캘리포니아)는 ML 기반 신용평가를 무기로 한 핀테크다. 2020년 NASDAQ 상장. 누적 대출 `$30B+`를 돌파했고, 파트너 은행 100여 곳에 인수 엔진을 제공한다.

Upstart의 차별점:

- **1,600+ 변수**를 모델에 사용(FICO는 약 20개).

- 학력·전공·직업·고용주·도시 같은 alternative data를 신용에 결합.

- ML 모델로 FICO 단독 대비 부도율을 동일 수준에서 유지하면서 승인율을 70% 이상 높일 수 있다고 주장.

- API 형태로 파트너 은행에 인수 엔진 제공.

규제 쟁점은 alternative data의 disparate impact다. CFPB는 2017년 Upstart에 No-Action Letter를 줬고, 그 후 fair lending 모니터링을 지속해 왔다. 학력·전공 같은 변수가 인종·소득의 proxy가 될 수 있다는 우려가 있어, Upstart는 정기적으로 fair lending 감사 결과를 공개한다.

17장 · AI underwriting 알고리즘 스택

2026년 AI 신용평가 모델의 주력은 그래디언트 부스팅이다. 신경망은 보조적으로 텍스트·시계열 시그널 처리에 쓰인다.

선택 기준:

- 표 형식 + 중간 규모 데이터(수십만-수억 행): GBM이 거의 항상 신경망보다 빠르고 정확하다.

- 텍스트·시계열·이미지: CNN·트랜스포머가 강하다(은행 거래 내역 메모 분석, 영수증 OCR).

- 설명력이 핵심: 로지스틱 회귀나 GAM이 안전. SHAP를 GBM에 붙이는 게 차선.

| 모델 | 강점 | 단점 | 신용 적용 |

| --- | --- | --- | --- |

18장 · XGBoost 신용 모델 — 개념 코드

XGBoost는 2026년에도 신용평가 표준이다. 다음은 신용 인수 모델의 기본 형태다.

XGBoost 신용 인수 모델 (개념 코드)

from sklearn.model_selection import StratifiedKFold

학습 데이터: 신용보고서 + 은행 + BNPL + 대안 데이터

FEATURES = [

신용보고서

"credit_history_length_months",

"open_accounts_count",

"credit_utilization_pct",

"late_pmt_24m",

"hard_inquiries_12m",

"bankruptcy_flag",

은행 (마이데이터)

"avg_monthly_inflow",

"avg_monthly_outflow",

"overdraft_12m",

"salary_consistency_score",

BNPL

"bnpl_active_count",

"bnpl_late_pmt_12m",

대안 데이터

"telecom_late_pmt_24m",

"utility_late_pmt_24m",

"rent_payment_consistency",

]

params = {

"objective": "binary:logistic",

"eval_metric": "auc",

"max_depth": 6,

"learning_rate": 0.04,

"n_estimators": 1200,

"subsample": 0.85,

"colsample_bytree": 0.85,

"scale_pos_weight": 6.0, # 부도가 소수 클래스

}

dtrain = xgb.DMatrix(X_train, label=y_train)

bst = xgb.train(params, dtrain, num_boost_round=1200)

pd_score = bst.predict(xgb.DMatrix(X_test))

운영 측면에서 핵심은 **확률을 직접 쓰지 않는 것**이다. 모델 출력(부도 확률)을 점수로 변환하고, 점수 구간별로 한도·금리를 매핑한다. 이 매핑이 가격 정책이고, 정책 변경이 잦다.

19장 · Adverse Action notice — 거절 통지의 의무

미국 ECOA(Equal Credit Opportunity Act)와 FCRA(Fair Credit Reporting Act)는 신용 거절·불리한 조건 적용 시 **adverse action notice**를 의무화한다. 주요 항목:

- 거절(또는 불리한 조건) 사실

- 사유의 reason code(보통 4개 이상)

- 신용보고서를 사용한 경우 CB 정보(이름·주소·전화)

- 무료 신용보고서 청구 권리

- 채권자 연락처와 이의 신청 절차

[Adverse Action Notice — 거절 통지서 (개념적 영어 템플릿)]

Dear [Applicant Name],

We regret to inform you that we are unable to approve your application

dated [YYYY-MM-DD] for [Product Name].

Principal reasons for this decision:

1. Insufficient credit history length

2. High credit utilization on existing accounts

3. Recent delinquencies within the past 24 months

4. Multiple recent credit inquiries

This decision was based in whole or in part on information obtained

from the following consumer reporting agency:

[CRA Name, Address, Toll-Free Number]

The agency did not make the credit decision. You have the right to

obtain a free copy of your consumer report within 60 days, and the

right to dispute inaccurate or incomplete information.

If you have questions, please contact us at [Creditor Contact].

Sincerely,

[Creditor Name]

한국에서도 금감원 ADM(Automated Decision-Making) 가이드라인 아래에서 자동 거절 시 **유사한 의무**가 부과된다. 거절 사유 설명·인간 검토 경로·이의 신청 절차가 필수다. 일본은 2025년 보험·금융 AI 가이드라인이 같은 흐름을 따른다.

20장 · CFPB Reg B와 disparate impact

CFPB Reg B(Regulation B, ECOA의 구현 규정)는 신용 거절 시 차별을 금지한다. 핵심 개념:

- **Disparate treatment**: 명시적으로 보호 속성(인종·성별·종교·국적·결혼 여부·연령·공공 부조 수령 등)을 사용. 거의 항상 위법.

- **Disparate impact**: 명시적으로 사용 안 했지만, 결과적으로 보호 그룹에 불리한 영향. 입증 시 부담은 채권자가 진다(business necessity 입증).

- **Proxy discrimination**: 보호 속성과 강하게 상관된 변수(우편번호·성씨·학교)를 사용해 사실상 차별.

ML 모델은 disparate impact 우려가 크다. 학력·고용·SNS 같은 alternative data가 인종·소득의 강한 proxy일 수 있기 때문이다. CFPB는 2023년 "Adverse Action Notice for AI-based Decisions" 가이던스에서 모델 기반 결정의 reason code 의무를 명확히 했다.

검증 방식의 표준:

- Demographic parity: 보호 그룹별 승인율 격차

- Equal opportunity: 보호 그룹별 TPR(진짜 양성률) 격차

- Calibration by group: 같은 점수의 부도율이 그룹 간 같은지

21장 · 한국 금감원 ADM 가이드라인

한국 금융감독원은 2024년 "금융분야 AI 가이드라인"을 발표했고, 이어 2025년에는 "ADM(Automated Decision-Making) 가이드라인"이 시행됐다. 핵심은 신용·보험·투자 자문 등에서 AI가 자동 결정을 내릴 때의 의무다.

핵심 의무:

1. 영향평가: AI 시스템 도입 전 소비자 영향평가 의무.

2. 설명 가능성: 거절·고위험 결정 시 reason code 5개 이상 권장.

3. 인간 검토 경로: 자동 거절에 대해 사람 검토를 청구할 수 있는 채널 의무.

4. 이의 신청: 청구 접수 후 30일 이내 응답 의무.

5. 기록 보관: 결정·입력·모델 버전을 5년 보관.

6. 정기 점검: 모델 성능·편향을 분기마다 점검·보고.

7. 사고 보고: 모델 오류 발생 시 5영업일 이내 금감원 보고.

토스·카카오뱅크·케이뱅크·신한카드·KB국민카드 같은 사업자가 이 가이드라인 아래에서 ML 인수를 운영한다. 위반 시 시정명령·과징금이 부과되며, 일부 항목은 개인정보보호법·신용정보법과 중복 적용된다.

22장 · 일본 — 금융청 AI 가이드라인과 BNPL

일본 금융청(FSA)은 2025년 "金融分野におけるAIガバナンスガイドライン"을 발표했다. EU AI Act와 미국 NAIC를 참조해 만들었다.

핵심 요구사항:

- AI 시스템의 위험 분류(고위험·중간·저위험)

- 고위험 시스템(신용평가·보험인수 등)에 대한 거버넌스 위원회 설치

- 설명 가능성 의무(透明性)

- 인간 검토 경로

- 정기 감사

BNPL은 일본 할부판매법(割賦販売法)의 개정으로 2022년부터 규제 대상에 포함됐다. 일정 한도 이상의 BNPL은 신용판매로 분류되어 CIC 등록 의무가 부과되고, 신용평가 의무도 따른다. AfterPay Japan·메루카리(メルカリ) 후불결제·아마존 后払い 같은 사업자가 이 규제 아래에서 운영한다.

23장 · BNPL 시장 비교 — 글로벌 vs 한국 vs 일본

`$300B BNPL market`이라는 표현은 글로벌 거래액 기준이고, 지역별 구조는 매우 다르다.

| 항목 | 미국 | 유럽 | 한국 | 일본 |

| --- | --- | --- | --- | --- |

| 평균 거래액 | `$150-200` | EUR 120-180 | KRW 50,000-80,000 | JPY 8,000-12,000 |

한국의 BNPL은 카카오페이 후불결제·네이버페이 후불결제·토스 후불결제가 주축이고, 거래액·사용자 규모는 미국·유럽보다 작지만 성장률은 가장 빠르다. 일본은 무인 매장 결제·EC 결제 중심으로 BNPL이 확산되고 있다.

24장 · 종합 비교 — US/EU/KR/JP 규제 매트릭스

| 항목 | US | EU | KR | JP |

| --- | --- | --- | --- | --- |

| 기록 보관 | 25개월(ECOA), 7년(일부) | 6년 | 5년 | 5년 |

25장 · 운영 체크리스트 — 새 AI 신용 모델 출시 전

실무 체크리스트.

1. **데이터 출처 문서화**: 학습·검증 데이터의 출처·라이선스·동의 기록.

2. **편향 검토**: demographic parity, equal opportunity, calibration by group.

3. **proxy 점검**: 우편번호·학력·SNS 등 강한 proxy의 SHAP 영향도.

4. **설명력**: reason code 4-5개의 표준화된 매핑.

5. **인간 검토 경로**: 거절·고위험 케이스의 escalation 워크플로우.

6. **챔피언/챌린저**: 새 모델은 트래픽의 5-10%부터.

7. **PSI/AUC 모니터링**: 데이터·성능 drift 알림.

8. **재학습 주기**: 분기·반기 단위.

9. **벤더 거버넌스**: 외부 점수·모델 사용 시 SLA·테스트 결과 기록.

10. **사고 대응**: 모델이 잘못된 결정을 했을 때의 환수·재처리 SOP.

11. **로그 보관**: 결정의 입력·출력·모델 버전 추적 가능.

12. **소비자 공지**: AI 사용 사실·이의 신청 경로 명시.

13. **규제 보고**: CFPB·EU·금감원·금융청 보고 양식·주기.

14. **자본 영향**: Basel III·CECL·K-ICS·일본판 ICS 자본 부담 시뮬레이션.

이 14개가 2026년의 표준이다. 무엇보다 중요한 건 **AI 신용평가의 효율성과 책임성이 같은 무게를 갖는 것**이다. Upstart의 70% 승인율 향상과 BNPL의 즉시 결제는 마케팅 카피이지만, 그 뒤에는 reason code, fair lending 감사, 인간 검토 경로의 가드레일이 있다.

26장 · 결론 — 점수의 다음 10년

2026년의 신용평가는 점수 하나가 모든 걸 결정하던 시대를 지나, **여러 점수·모델·데이터가 결합된 의사결정 시스템**의 시대로 들어섰다. FICO·VantageScore는 여전히 표준이지만, 그 위에 Upstart·Affirm·Klarna가 만든 ML 인수가 얹혔다. 한국의 KCB·NICE도 마이데이터·핀테크 데이터를 결합한 새 점수 모델을 발전시키고 있고, 일본의 CIC·JICC·KSC도 BNPL과 디지털 결제로 데이터를 확장하고 있다.

향후 10년의 키워드:

1. **Alternative data의 표준화**: 통신·공과금·임대료·BNPL이 신용보고서의 정규 항목으로 들어갈 가능성이 크다.

2. **국경 간 점수 호환**: 글로벌 BNPL 사업자가 늘면서 국경을 넘는 신용 평가 통합이 시도될 것이다.

3. **AI 거버넌스의 통합**: CFPB·EU AI Act·금감원·금융청의 핵심 의무가 비슷하게 수렴.

4. **개인 데이터 권리**: 마이데이터·GDPR·CCPA가 점수를 통제할 권리를 강화.

5. **Explainability의 표준화**: SHAP·LIME 같은 도구가 reason code 생성의 표준이 됨.

신용평가는 단순히 "돈을 빌릴 수 있는가"의 척도가 아니라, 개인이 사회 안에서 어떤 자원에 접근할 수 있는지를 결정한다. 그래서 점수의 공정성과 설명 가능성은 단지 규제 의무가 아니라, 디지털 사회의 기본 인프라다.

References

- Fair Isaac (FICO) — [https://www.fico.com/](https://www.fico.com/)

- VantageScore — [https://vantagescore.com/](https://vantagescore.com/)

- Experian Boost — [https://www.experian.com/consumer-products/score-boost.html](https://www.experian.com/consumer-products/score-boost.html)

- CFPB — Consumer Financial Protection Bureau — [https://www.consumerfinance.gov/](https://www.consumerfinance.gov/)

- CFPB Reg B (ECOA) — [https://www.consumerfinance.gov/rules-policy/regulations/1002/](https://www.consumerfinance.gov/rules-policy/regulations/1002/)

- FTC FCRA — [https://www.ftc.gov/legal-library/browse/statutes/fair-credit-reporting-act](https://www.ftc.gov/legal-library/browse/statutes/fair-credit-reporting-act)

- Upstart — [https://www.upstart.com/](https://www.upstart.com/)

- Affirm — [https://www.affirm.com/](https://www.affirm.com/)

- Klarna — [https://www.klarna.com/](https://www.klarna.com/)

- AfterPay (Block) — [https://www.afterpay.com/](https://www.afterpay.com/)

- Zilch — [https://www.zilch.com/](https://www.zilch.com/)

- KCB (코리아크레디트뷰로) — [https://www.koreacb.com/](https://www.koreacb.com/)

- NICE 신용평가 — [https://www.niceinfo.co.kr/](https://www.niceinfo.co.kr/)

- 카카오뱅크 — [https://www.kakaobank.com/](https://www.kakaobank.com/)

- 토스뱅크 — [https://www.tossbank.com/](https://www.tossbank.com/)

- 카카오페이 — [https://www.kakaopay.com/](https://www.kakaopay.com/)

- 금융감독원 (FSS) — [https://www.fss.or.kr/](https://www.fss.or.kr/)

- 한국 신용정보원 — [https://www.kcredit.or.kr/](https://www.kcredit.or.kr/)

- CIC 信用情報センター — [https://www.cic.co.jp/](https://www.cic.co.jp/)

- JICC 日本信用情報機構 — [https://www.jicc.co.jp/](https://www.jicc.co.jp/)

- KSC 全国銀行個人信用情報センター — [https://www.zenginkyo.or.jp/pcic/](https://www.zenginkyo.or.jp/pcic/)

- 日本クレジット協会 — [https://www.j-credit.or.jp/](https://www.j-credit.or.jp/)

- 金融庁 (Japan FSA) — [https://www.fsa.go.jp/](https://www.fsa.go.jp/)

- EU AI Act — [https://artificialintelligenceact.eu/](https://artificialintelligenceact.eu/)

- SHAP — [https://shap.readthedocs.io/](https://shap.readthedocs.io/)

- LIME — [https://github.com/marcotcr/lime](https://github.com/marcotcr/lime)

- XGBoost — [https://xgboost.readthedocs.io/](https://xgboost.readthedocs.io/)

- LightGBM — [https://lightgbm.readthedocs.io/](https://lightgbm.readthedocs.io/)