AI기반 운영모델로 변화하는 은행 및 금융서비스
이 글은 제가 KISA [한국 인터넷진흥원]의 < KISA Report > 2021년 6월호에 기고한 글입니다. 원본 글 'AI기반의 운영 모델로 변화하는 은행 및 금융서비스' 을 이곳 브런치에도 공유합니다.
인공지능기반 의사결정 금융 서비스
은행에게 새로운 디지털 기술의 채택은 더 많은 고객에게 서비스를 제공하고, 시장 점유율을 확대하며, 더 낮은 비용으로 수익을 높일 수 있는 기회를 창출한다. 중요한 것은 이런 기회를 추구하는 은행 및 금융 서비스 기관들은 고급/증강 분석(AA: Advanced Analytics 또는 Augmented Analytics)과 머신 러닝 의사 결정 엔진에 필요한 더 풍부한 데이터 셋을 구축하고 사용한다는 점이다. 인공지능을 통해 규모와 요청에 맞추어 생성된 의사 결정은 고객, 파트너 및 은행에 상당한 부가 가치를 창출함으로써 결정적인 경쟁력을 갖게 할 수 있다. 디지털 생태계의 영향을 점점 더 많이 받는 시장에서 경쟁을 목표로 하는 은행들은 균형 잡힌 인공지능 기술 및 분석 능력이 필요할 것이다.
2016년 알파고가 이세돌을 물리친 이후 인공지능 기술은 한층 더 발전했고, 그 혁신적 영향은 산업 전반에 걸쳐 점점 더 뚜렷해지고 있다. AI기반으로 동작하는 기계는 개인의 취향과 선호도에 맞춰 디지털 콘텐츠를 디자인하고, 패션 소매상들을 위한 의류 라인을 디자인하고, 심지어 암 징후를 감지하는 데 있어 경험 많은 의사들을 능가하기 시작하고 있다. 그런 인공지능 기술이 이제는 산업계로 진화되어 도입되고 있다. 그 중에서도 가장 규모가 큰 영향력을 보이는 글로벌 뱅킹의 경우 인공지능 기술이 잠재적으로 매년 최대 1조 달러의 부가 가치를 제공할 수 있다고 예상한다.[1]
그림 1. AI기술이 은행산업에 제공하는 부가가치 (출처: 매킨지 앤 컴퍼니)상황이 이럼에도 불구하고, 대부분의 은행과 금융서비스 기관들은 선별된 사용 사례중심의 파일럿 도입 수준에서 그 기술을 도입하고 적용하기에, 조직 전체에 걸쳐 확장하는 데 어려움을 겪고 있다. 그 이유로는 다음의 4가지를 들 수 있다.
① 인공지능 기술 도입에 대한 명확한 전략 부재
② 유연성과 투자가 부족한 내부 기술
③ 집중화되지 않고 여기저기로 단편화된 데이터 자산
④ 비즈니스 팀과 기술 팀 간의 협업을 방해하는 구식 운영 모델
더욱이, 코로나19 기간 동안 디지털 변환이 가속화되었으며, 대형 기술 기업들은 인접 국가로 금융 서비스 진출을 모색하고 있다. 경쟁에서 성공하기 위해서는 기존 은행들은 새로운 가치 제안과 차별화된 고객 경험의 기반 플랫폼으로 인공지능 기술을 채택하고, 'AI 기반' 기관이 되어야 한다.
인공지능 기술이 현재의 금융서비스에 미치는 영향
현대 금융 역사는 최신 기술의 도입 역사와 같이 한다고 할 수 있다. 1930년대에 수기로 기록하는 금융거래에 최초로 IBM이 컴퓨터 검증시스템[2] 을 도입한 이후 은행들은 최신 기술 혁신을 지속적으로 채택하여 고객과 상호 작용하는 방식을 재정립해 왔습니다. 1960년대에 ATM을 도입했고 70년대에 신용 카드 결제 방식을 시작했다. 2000년대에는 24시간 온라인 뱅킹이 광범위하게 채택되었고, 그 이후에는 모바일 기반의 금융거래가 확산되었다. 이제 그 공간에 새로운 기술의 파도와 함께 비대면, AI, 딥러닝 패러다임이 도입되고 있다.
데이터 스토리지 및 프로세싱 비용 감소, 여러 기기를 통한 접근성 증가, 여러 혼합 기술의 급속한 발전으로 인해 이제 AI가 주도하는 디지털 시대에 접어들었다는 데 동의하지 않는 사람은 없을 것이다. 이러한 기술은 더 높은 수준의 자동화로 이어지고 있으며, 지금까지 경험하고 예상하는 모든 위험 요소를 고려하고 구현되고 있기에 속도와 정확성 측면에서 인간의 의사결정 능력을 대폭 개선할 수 있다. AI 기술을 통해 고객과 직원에 대한 서비스 개인화와 자동화를 향상시키고, 오류율 감소를 통한 전체적인 리소스 활용률의 향상으로 비용 절감의 효과를 가져올 뿐만 아니라, 방대한 양의 데이터를 처리하는 능력과 그 안에 숨어있는 인사이트를 찾아냄으로써, 이전에는 실현되지 않았던 새로운 기회를 발굴할 수 있다.
이런 혁신적 인공지능 기술은 특히 은행의 네 가지 주요 성과; 높은 수익, 확장된 개념의 개인화, 특화된 옴니채널 경험, 빠른 혁신 사이클을 이룰 수 있는 능력을 획기적으로 향상시킬 수 있다. 인공지능 기술을 은행 금융업무에서 핵심 전략 및 운영의 중심으로 만들지 못하는 은행은 경쟁에서 밀려 궁극적으로 고객의 선택을 받지 못하게 될 것이다. 이러한 위험은 다음의 네 가지 최신 동향에 의해 더욱 강조가 될 수 있다.
가. 디지털 뱅킹에 대한 고객 기대치 향상
코로나19 팬데믹이 시작된 처음 몇 달 동안, 전체 온라인 및 모바일 뱅킹 채널 사용은 약 20-50% 증가했으며 팬데믹 상황이 안정된 상황에도 이 수준은 유지될 것으로 보인다. 소비자의 15-45%는 이 상황이 종료된 후에도 은행 지점 방문을 줄일 것으로 예상된다.[3] 이런 소비자들은 대체적으로 디지털과 모바일 서비스 사용에 이미 익숙한 계층이기에, 디지털 뱅킹 서비스를 선도적인 인터넷 서비스 회사들의 서비스 수준과 비교하면서 기대 치를 높인다. 기업이나 은행에서 디지털 업무를 계획하는 리더십팀은 이런 고객의 니즈를 선제적으로 인지하고 고객이 요청하기 전에, 개인화 수준을 높이고 적절한 채널을 통해 적절한 시기에 고도로 맞춤화 된 서비스를 제공한다.
그림 2. 포스트 코로나19시대의 은행서비스 이용 예상 조사(출처: 매킨지 앤 컴파니)나. 선도 금융기관의 인공지능 기술 활용 증가
맥킨지의 글로벌 AI 조사 보고서에 따르면 금융 서비스 부문 응답자의 60% 가까이가 자사 회사가 적어도 한 가지의 인공지능 기능을 적용했다고 한다. 가장 많이 사용하는 기술은 구조화된 운영 작업을 위한 로봇 프로세스 자동화(RPA)로서 36%, 고객 서비스를 위한 대화 챗봇 인터페이스가 32%, 사기 부정과 리스크 관리를 지원하는 머신러닝이 25% 등이다. 예를 들어 중국의 핑안 보험사(group.pingan.com)는 이미지 분석 모델을 사용하여 뇌가 얼굴의 움직임을 제어하기 전에 발생하는 54개의 무의식적인 미세표현을 인식하여 고객 대응을 하고 있다.[4] 기존의 금융 서비스 회사의 경우는 인공지능 기술을 일상적이고 특정 활용 사례에 집중해서 사용하는 반면, 디지털 선도 은행들의 경우엔 가장 발전된 형태의 인공지능 기술을 모든 업무 라이프 사이클에 적용하고 사용하는 예가 늘고 있다.
그림 3. 고객 경험 개선을 위해 모든 업무 사이클에 적용하는 인공지능 기술 예다. 전통적인 금융 서비스에 파괴적 혁신을 가져오는 디지털 생태계
디지털 생태계는 다양한 서비스에 쉽게 접근할 수 있게 함으로써 소비자가 은행 내의 중개자를 통하지 않고 직접 상품과 서비스를 발견, 평가 및 구매하는 방식으로 변화시켰다. 예를 들어, 각 나라에서 많이 사용하는 메신저 앱을 통해 메시지를 주고받을 뿐만 아니라 택시 예약, 음식 주문, 게임, 연락처로 송금하기 위해 사용하는 것이 점차 보편화되고 있다. 마찬가지로, 모든 나라에서 비은행 비즈니스의 ‘수퍼 앱’은 이동 경로에 금융 서비스와 제품을 내장하고 있으며, 고객에게 매력적인 경험을 제공하고, 은행 제품 및 서비스를 발견하는 전통적인 방법을 파괴하고 있다. 국내의 경우 카카오, 라인의 경우이고, 국외를 보면 애플, 구글, 페이스북 등이 그들의 서비스 안에 금융 부가 서비스를 내장하던지, 외부 파트너들과 제휴하고 있다. 결과적으로, 은행들은 디지털 생태계에 어떻게 참여하여 메인 플레이어가 될는지를 깊이 고민하고, 인공지능 기술을 사용하여 이용 가능한 데이터의 모든 힘을 활용해야 한다.
라. 거대 기술기업들의 금융서비스 진출
기술 대기업은 거대한 고객 네트워크, 활발한 데이터 이동, 개별 고객에 대한 강력하고 정확한 이해, 혁신 기술 보유 같은 강점을 이용하여 핵심 비즈니스 모델에 추가적인 시장 이익 모델을 구축해 왔다. 과거에는 기술 대기업들이 새로운 수익 흐름을 찾고 고객에게 새로운 제품 및 서비스를 적극적으로 관련 비즈니스 모델에 진출했다면 현재의 빅 테크 업체들은 이미 선별된 도메인(특히 결제, 대출, 보험)에서 금융 서비스의 입지를 다져왔으며, 곧 자신들의 장점을 활용하여 그 규모를 전 방위적으로 확대할 예정이다.
고객 라이프 사이클 맞춤 인공지능 서비스가 필요
기존의 은행은 빅 테크 기업과의 차별화 전략을 발견하고 그것에 집중하는 것이 중요하다. 만약 인공 지능 기술을 적용하여 가장 큰 가치를 더할 수 있는 고객 사용 사례를 중심으로 우선순위를 정한다면, 다양한 고객 라이프 사이클에서 업무 결정을 자동화할 수 있다. 즉 인공지능, 머신러닝, 증강 분석 등을 통해 은행 서비스의 핵심 영역인 고객 확보, 신용 결정, 모니터링 및 수금, 고객과의 관계 발전, 스마트 서비스에서 부가가치를 창출할 수 있다. 그 5가지를 좀 더 자세히 살펴보자.
가. 고객 확보
새로운 계좌를 개설하거나, 담보 대출을 신청하거나, 새로운 투자 기회를 알아보기 위해 다양한 수단을 찾는 신규 고객을 위해 인공 기능 기술이 적용된 고급/증강 분석 툴이나 방법을 사용하는 것은 매우 중요하다. 어떤 고객은 은행의 웹 사이트, 모바일 앱, 지점 키오스크 또는 ATM으로 직접 이동할 수도 있고, 또 다른 고객은 다른 웹 사이트나 광고를 통해 간접적으로 접속할 수 있다. 많은 은행들은 인공지능 기술이 탑재된 분석 툴을 사용하여 신규 고객의 은행 이동 경로를 파악할 수 있으므로 고객의 상황 및 이동 방향에 따라 시작 페이지부터 고도로 개인화된 제안을 제공할 수 있다.
고객 데이터의 사용 및 보호에 관한 현지 규정에 따라 은행은 고객이 웹 사이트에 들어온 방식 (검색, 키워드, 광고), 브라우징 기록 (쿠키, 사이트 기록) 및 소셜 미디어 데이터를 분석하여 개인의 요구를 보다 정확하게 이해할 수 있고, 재무 상태 및 신용 점수를 포함하여 고객의 초기 프로필을 생성할 수 있다. 은행은 고객의 이런 디지털 풋 프린트를 실시간 분석함으로 프로필과 선호도에 맞는 초기 랜딩 페이지를 구성할 수 있다. 이러한 도구는 은행이 각 고객에 대해 후속 메시지와 어떤 금융상품 제안을 맞춤화하는데도 도움이 된다. 수천 또는 수만 명의 고객에게 전달되던 대량 메시징의 상당 부분을 대체하는 이런 인공지능이 결합된 고급 분석은 고객의 만족도를 높이는데 크게 도움이 될 수 있다. 은행은 ‘상품 구매 성향’에 따라 고객을 선택할 수 있고 메시지 유형에 따른 가장 적합한 채널을 식별할 수 있다. 또한, 고객 만족도를 높이기 위해 고객 관련성이 높은 지능적인 메시지를 생성하고 스마트한 서비스를 제공하는 지원 채널을 통해 만족도와 서비스 성공률을 높이게 된다.[5]
나. 신용 결정
고객이 신용 승인을 받기 위해 하루에서 일반적으로 일주일 정도 기다리는 기존 은행과는 별도로 AI 기술을 탑재한 디지털 은행들은 광범위한 자동화 및 실시간에 가까운 고객 데이터 분석을 통해 신속한 신용 결정을 하는 간소화된 여정을 설계했다. 이들은 기존의 금융 자료(예: 은행 거래 내역, 신용 보고서, 세금 신고)와 새로운 자료(위치 데이터, 통신 사용량 데이터, 공공요금 등)에서 수집된 다양한 정형 및 비정형 데이터를 선별하여 이 분석을 수행한다. 이러한 새로운 데이터 소스에 대한 액세스는 현지 시장에서의 오픈 뱅킹 및 기타 데이터 공유 지침, 공식 승인된 API 및 데이터 수집기의 가용성에 따라 달라질 수 있다. 또한 은행은 고객의 개인 데이터에 액세스하고 활용할 때 현지 규정(예: 유럽연합의 일반 데이터 보호 규정[6] 및 미국의 캘리포니아 소비자 개인 정보 보호법[7] )에 따라 데이터를 보호하고 고객 개인 정보를 보호해야 한다.
증강 분석, 머신러닝이 포함된 인공지능 모델을 사용하여 광범위하고 다양한 데이터 셋을 실시간으로 분석함으로써, 은행들은 신용 서비스에 대한 신규 고객의 자격을 확인하고 대출 한도 및 금액을 결정하며 사기 위험을 줄일 수 있다. 위험한 고객을 더 정확하게 식별하면 은행이 신용 위험을 높이지 않고 승인률을 높일 수 있다. 또한 은행은 대출 과정을 최대한 자동화함으로써 지원 비용을 줄이고 신속한 대출 승인 및 자금 지불, 정확히 맞춤화 된 대출금 제공을 통해 고객의 경험을 강화할 수 있다.
다. 모니터링과 수금
은행이 새로운 인공지능 기술 모델을 채택하여 대출 인수와 가격 책정을 자동화하면, 그것은 또한 부실 대출의 부담을 줄일 수 있다. 은행은 내부 및 외부 데이터 소스를 활용하여 고객의 재무 상태를 파악함으로써 대출자의 위험도 프로필이 변경되었을 때 채무불이행 위험도를 재평가해야 한다는 조기 경고 신호를 받을 수 있다. 상환 데이터 및 신용 조사 기관 보고서와 같은 기존 데이터 소스 외에도 은행은 현장 방문 및 수금 담당자의 의견으로부터 다른 상호 작용 데이터를 디지털화하고 활용하여 수금 전략에 대한 통찰력을 얻을 수 있다. 또한 위치 데이터 및 거래 내역에 대한 다양한 외부 데이터 파트너십을 통해 은행은 고객의 입장과 채무 불이행을 방지하기 위한 가장 효과적인 접근 방식 또는 전략을 모두 준비할 수 있다.
라. 고객과의 관계 발전
고객과 깊은 관계를 만드는 일은 고객의 고유한 요구와 기대에 대한 은행의 정확한 이해가 시작이 된다. 그 관계가 고객 가치를 극대화할 수 있는 기반이 되기에, 마켓 리더들은 여러 가지 고급 분석 기능을 사용하여 이탈 위험에 처한 고객을 식별하고 그 대책을 준비한다. 기존 고객에 대한 풍부한 내부 데이터를 통해 위험 고려사항에 따라 각 개별 고객에 대한 세부 조정된 홍보 전략을 수립할 수 있으며, 개인화된 제안은 올바른 채널을 통해 그 고객의 활동시간에 맞추어 제공된다. 예를 들어, 은행은 고객의 검색 기록과 지출 패턴을 분석함으로써 향후 고가의 제품 구매를 위한 대출 필요성을 미리 찾아낼 수 있다. 또한 고객이 은행에서 어떤 상품에 가입하고 이용하는지에 대한 내부 데이터를 분석하면 고객의 현재 요구사항에 더 적합한 솔루션을 제공할 수 있는 영역도 찾아낼 수 있다.
중국의 핑안 은행은 각 사용자에 대한 이상적인 PPC (Product-per-Customer: 고객 당 제품) 비율을 추정하는 예측 알고리즘을 개발하고, 고객의 니즈를 분석하여 예상 제품 사용률이 8이 되지만 고객이 2 개의 제품만 사용하는 경우 고객을 접촉하여 관련 생태계 제품을 교차 판매 또는 상향 판매를 시도한다.[8]
마. 스마트 서비스
인공지능 기반 의사결정을 통해 은행은 고객의 마이크로 세그먼트를 기반으로 스마트하고 고도로 개인화된 서비스 경험을 만들어 낼 수 있으며, 그 탁월한 서비스 경험을 다양한 채널에서 빠르고 간단하고 직관적으로 제공할 수 있다. 은행은 적시에 각 고객에 대한 맞춤형 제안을 생성함으로써 고객관의 관계를 책임지는 업무 담당자를 지원할 수 있다. 또한 각 고객의 고유한 요구 사항을 충족하도록 제작된 간소화된 사전 승인 제품을 통해 담당자의 생산성을 크게 향상시킬 수 있다. 음성 및 말하기 특성을 분석하는 인공지능 모델은 행동 및 심리 기반으로 고객과 에이전트를 보다 효율적으로 매핑시킬 수 있다. 마찬가지로, 고객이 말하는 내용 분석을 통해 고충을 예측하고 전문가를 통해 해결책을 제시할 수 있다.
인공지능 기반의 금융서비스를 위한 운영모델
위에서 살펴본 봐와 같이 인공지능이란 기술은 한두 가지의 업무 프로세스에 적용하는 것이 아니라 전체적인 고객의 라이프 사이클에 접목이 되어야 성공적인 차세대 금융 서비스 제공이 가능하다. 조직 전체에 인공 지능을 포함한 증강 분석, 머신러닝 등의 기술 전개를 하기 위해서는 은행이 총체적으로 접근해야 한다. 이것에 대하여 매킨지 컨설팅에서는 아래 그림 4와 같은 통합 기능 스택 계층 모델을 그 접근법으로 추천한다. 총 네 가지 층으로 나누어져 있는데, 그것은 참여 계층, AI 기반 의사 결정 계층, 핵심 기술 및 데이터 계층, 운영 모델 계층이다. 이것에 대하여 좀 더 자세히 알아보자.
그림 4. AI기반 은행 서비스를 위한 통합기능스택 계층 모델 (출처: 매킨지 컨설팅)제1 계층: 고객 참여 계층의 재구성
점점 더 많은 고객들이 어디에서나 은행을 접속하여 서비스를 이용하고, 불편함 없는 경험을 하기를 기대한다. 은행 고유 플랫폼을 벗어난 인터페이스에서 사용자 여정이 시작되고 종료되는 경우가 많기 때문에 수많은 은행 활동(예: 결제, 특정 유형의 대출)이 눈에 보이지 않는다. 고객의 생활에서 잠재 니즈와 새로운 니즈를 해결하면서 직관적인 옴니 채널 경험을 제공하기 위해, 은행은 고객과 소통하는 방식을 재구성하고 몇 가지 주요 변화를 수행해야 한다.
첫째, "수행할 작업"을 목표로 하는 통합 제안을 만들기 위해 고도로 표준화된 제품을 넘어서야 한다. 이를 위해서는 핵심 고객 여정에 개인화 의사 결정(제공 대상, 제공 시기, 제공할 채널) 항목을 포함하고 고객을 대신하여 의사 결정 및 활동을 자동화하는 가치 제안을 설계해야 한다. 또한 비은행 상품과 서비스를 통합하기 위해 노력해야 한다. 이런 접근 방식은 핀테크 기업 탤리(meettally.com)가 여러 개의 신용카드를 가진 고객을 관리하는 방식에서 참고할 수 있다. 고객은 어떤 카드를 먼저 결제용으로 사용할 것인지(월 수입과 비용의 예측에 맞춰 조정), 언제 결제할 것인지, 그리고 결제 금액에 대한 결정을 비롯한 여러 가지 고충을 해결할 수 있다. 약간 놀랍지만, 이는 고객 스스로 잘 처리하지 못하는 복잡한 작업이다.
두 번째 필요한 전환은 고객 여정에 파트너 에코시스템을 원활하게 포함시켜 은행이 파트너의 데이터 플랫폼을 활용하여 참여 및 사용률을 높이는 것이다. 인도의 ICICI 은행은 인도의 인기 메시징 플랫폼인 왓츠앱(WhatsApp)에 기본 은행 서비스를 포함시켰고 출시 3개월 만에 최대 100만 명의 사용자를 확보했다.[9] 소비자와 기업이 디지털 에코시스템에 점점 더 많이 의존하고 있는 상황에서 은행은 여러 에코시스템에 참여해야 합니다.
셋째, 은행들은 고객 경험과 특정 이동 경로를 재설계하여 모든 채널 간의 상호 작용을 도모해야 한다. 여기에는 고객이 여러 모드(예: 웹, 모바일 앱, 지점, 콜 센터, 스마트 장치)를 한 번에 원활하게 이동하고 최신 상호 작용 콘텍스트를 유지 및 지속적으로 업데이트할 수 있도록 하는 작업이 포함된다.
제2계층: AI 기반 의사 결정 계층 구축
실시간으로 수백만 명의 사용자와 수천 명의 직원에게 개인화된 메시지와 의사 결정을 전달하려면 은행이 대규모 인공지능 기반 의사 결정 계층을 개발해야 한다. 인공지능기술은 은행 내의 모든 영역에서 우수한 성능, 고객을 위한 향상된 경험, 직원을 위한 실행 가능한 통찰력, 더 강력한 위험 관리를 통해 인간의 판단을 완전히 대체하거나 강화할 수 있다.
강력한 AI 기반 의사 결정 계층을 구축하기 위해 은행은 특정 사용 사례 및 솔루션을 개발하려는 시도에서 전체 업무영역에 배포하기 위한 전사적 로드맵으로 전환해야 한다. 예를 들어, 무담보 소비자 대출 영역에서는 많은 부분의 의사 결정을 자동화할 수 있다. 의사 결정 모델을 대규모로 개발하려면 은행이 개발 프로세스를 반복 가능하게 만들어야 한다. 로드맵에는 업무 영역 간 의사 결정 모델의 대규모 개발 외에도 일반적인 비즈니스 프로세스에 인공지능기술을 포함할 계획도 포함되어야 한다. 첫 번째 배포 이후의 지속적인 개선을 촉진하기 위해 은행은 피드백 루프가 번성할 수 있도록 인프라 (예: 데이터 측정) 및 프로세스(예: 정기적인 성능 검토, AI 모델의 위험 관리)를 구축해야 한다.
또한 핵심 비즈니스 프로세스에서 빠르게 진화하는 기능(예: 자연어 처리, 컴퓨터 비전 기술, AI 에이전트 및 봇, 증강 또는 가상현실)을 갖춘 인공지능 모델을 강화해야 한다. 이러한 첨단 기능 중 상당수는 고객 경험 및/또는 운영 효율성에 패러다임 변화를 가져올 수 있는 잠재력을 가지고 있다. 많은 은행이 이러한 기술을 자체 개발하는 데 필요한 인력과 투자 수요가 부족할 수 있지만, 최소한 애플리케이션 프로그래밍 인터페이스(API)에 의해 지원되는 아키텍처를 통해 전문가 공급업체로부터 이러한 새로운 기능을 빠른 속도로 조달하고 통합할 수 있어야 하며, 지속적인 확장을 해야 한다.
이러한 의사결정 기능을 제공에 덧붙여 상품의 상향 판매 및 교차 판매, 기존 고객 확보 및 신 고객 확대에 이르기까지 전체 라이프사이클에 걸쳐 고객을 참여시키기 위해 은행은 전사적인 디지털 마케팅 시스템을 구축해야 한다. 이 과정은 의사결정 계층에서 생성된 의사결정과 통찰력을 은행의 참여 계층을 통해 전달되는 가치로 변환하는 과정이기에 매우 중요하다.
제3계층: 핵심 기술 및 데이터 계층 강화
조직 전체에 걸쳐 인공지능 기능을 구현하려면 확장 가능하고 탄력적이며 적응력이 뛰어난 핵심 기술 구성 요소 세트가 필수이다. 현대화에 필요한 취약한 핵심 기술 백본은 의사 결정 및 참여 계층의 효율성을 크게 줄일 수 있다. 핵심 기술 및 데이터 계층에는 다음의 6가지 핵심 요소가 있다.
1, 기술 전진 전략(Tech-forward strategy): 내부 기술 기반을 강화하여 사내에서 차별화된 기능을 설계하고, 최강의 솔루션을 통해 모듈식 아키텍처를 구축 또는 구성할 수 있는 옵션을 신중하게 고려한다.
2. 데이터 관리 (Data Management): 클라우드, 스트리밍 데이터 및 실시간 분석을 활용하여 머신 러닝 활용 사례를 규모에 맞게 지원하도록 데이터 관리 및 기본 아키텍처를 설계한다.
3. 최신 API 설계 (Modern API Architecture): 최신 클라우드 네이티브 툴을 활용하여 확장 가능한 API 플랫폼을 지원하는 동시에 에코시스템 전반에 걸쳐 경험 향상 통합 기능을 제공한다.
4. 인텔리전트 인프라 설계 (Intelligent Infrastructure): 온프레미스 및 클라우드 환경 전반에 심층 진단, 자동 복구 및 자동 확장을 지원하는 AIOps를 채택하여 플랫폼 복원력을 높인다.
5. 코어 비우기 (Hollowing the core): 트랜잭션 처리를 엔터프라이즈 스택으로 분산한다. 재사용, 표준화 및 효율성을 높이기 위해 외부화할 수 있는 구성 요소를 선택적으로 식별한다.
6. 사이버 보안 및 제어 계층 (Cybersecurity and Control tiers): 하이브리드 인프라에서 강력한 사이버 보안을 구현한다. 제로 트러스트 설계 원칙과 중앙 집중식 명령 및 제어 센터를 통해 데이터 및 애플리케이션을 보호한다.
제4계층: 플랫폼 운영모델로 전환
미래의 AI기반 은행은 조직을 위한 새로운 운영 모델이 필요하다. 대부분의 은행이 기술 플랫폼과 자산을 보다 모듈화하고 유연성 있게 전환하고 있지만, 실 작업 팀은 최적화되지 않은 협업 모델 하에서 계속 운영되며 종종 목표와 우선순위가 일치하지 않는 경우가 많이 있다.
플랫폼 운영 모델은 일련의 플랫폼이라 할 수 있는 공통 기능을 담당하는 비즈니스 및 기술 팀으로 운영한다. 각 플랫폼 팀은 자체 자산(예: 기술 솔루션, 데이터, 인프라), 예산, 주요 성과 지표 및 인재를 관리하지만, 업무 결과는 은행의 최종 고객 또는 은행 내의 다른 플랫폼에 제품 또는 서비스의 형태로 제공을 한다. 플랫폼 팀은 다음과 같은 세 가지 타입을 가진다. 먼저 비즈니스 플랫폼은 소비자 대출, 기업 대출 및 트랜잭션 뱅킹과 같은 분야에서 비즈니스 성과를 달성하기 위한 고객 또는 파트너를 상대하는 팀이다. 엔터프라이즈 플랫폼은 원금 회수, 결제 유틸리티, 인적 자원 및 금융과 같은 영역에서 조직 전체에 표준화를 수립할 수 있는 전문화된 기능 또는 공유 서비스를 제공한다. 또한 활성 플랫폼은 기업과 비즈니스 플랫폼이 사이버 보안 및 클라우드 아키텍처와 같은 공통 기술 기능을 제공한다.
은행들은 여러 업무 팀이 공동으로 운영하는 플랫폼에 비즈니스와 기술을 통합함으로써 조직 분산 형태를 해체하여 민첩성과 속도를 높이고 전사적으로 목표와 우선순위를 조정하는 것을 목표로 한다.
마무리
인공지능 기술의 급속한 향상은 속도, 비용, 경험, 그리고 지능적인 제안에 대한 경쟁에 박차를 가한다. 은행이 경쟁력을 유지하려면 매우 개인화되고 시기적절한 콘텐츠 제공을 통해 고객을 참여시켜야 한다. 고객이 선호하는 채널을 통해 적절한 시기에 맞춤형 커뮤니케이션을 제공하는 맞춤형 서비스 제공은 은행이 각 고객 관계의 평생 가치를 극대화하고 조직의 시장 리더십을 강화하는 데 도움이 될 수 있다. 이러한 이점을 실현하기 위해서는 은행들이 풍부한 내부 및 외부 데이터 혼합과 증강 분석, 머신러닝 기술에 의해 강화된 인공지능 기반 의사 결정 기능을 구축해야 한다. 많은 은행에게 고객의 라이프사이클 전체에 걸쳐 AI 기술의 채택과 적용은 더 이상 선택이 아니라 전략적 필수 사항이다. 네 가지 계층의 운영모델에 맞춰 은행의 역량을 전체적으로 구상하고 구축하는 것이 성공에 매우 중요할 것이다.
레퍼런스
[1] McKinsey & Company, “The executive’s AI playbook”, 2021
[2] IBM, “The Automation of Personal Banking”
[3] McKinsey & Company, “Financial life during the COVID-19 pandemic”, Jul 23, 2020
[4] Financial Times,”Chinese banks start scanning borrowers’ facial movements”, Oct 28, 2018
[5] McKinsey.com, “Personalizing the customer experience”, Apr 28, 2020
[6] European Commission, “Data Protection”
[7] State of California Department of Justice, “California Consumer Privacy Act (CCPA)”
[8] Asiamoney.com, “Ping An Bank: Change everything”, Sep 26, 2019
[9] Livemint.com, “ICICI Bank crosses 1 million users on WhatsApp platform”, Jul 07. 2020
