Discovery Bank가 대규모 초개인화 금융 서비스를 제공하는 방법: 행동 AI, 거버넌스 기반 데이터 및 실시간 의사결정

은행이 금융 서비스의 규모, 속도, 보안 및 거버넌스 기대치를 충족하면서 어떻게 모든 고객 상호작용을 개인화된 느낌으로 만들 수 있을까요?

은행 업무에서의 초개인화(Hyper-personalization)는 인구통계학적 세그먼트가 아닌 실제 행동을 기반으로, 바로 그 순간에 특정 개인과 관련된 모든 고객 상호작용을 유의미하게 만드는 능력입니다. 이는 35세 미만의 모든 고객에게 저축 권유를 보내는 것과, 방금 급여를 이체받고 정기예금 만기를 앞두고 있으며 이번 주에 앱의 투자 섹션을 세 번 조회한 고객에게 구체적인 제안을 제시하는 것의 차이입니다. 금융 기관이 운영되는 규모에서는 수동 구성이 아닌 거버넌스가 적용된 AI 인프라가 필요합니다.

고객과 은행의 관계는 결제 및 소비 패턴부터 저축 행동, 디지털 참여, 대출 결정, 서비스 상담에 이르기까지 지속적인 신호 스트림을 생성합니다. 과제는 개인화, 사기 방지, 서비스 제공 및 거버넌스를 서로 연결된 상태로 유지하면서 이러한 신호들을 유용한 다음 단계로 전환하는 것입니다.

남아프리카공화국의 금융 혁신을 위해 2019년에 출범한 Discovery Bank의 경우, 그 해답은 단일 모델이나 애플리케이션이 아니었습니다. 그것은 행동 과학과 AI를 기반으로 한 데이터 제품을 중심으로 은행을 구축한 다음, 이러한 제품을 비즈니스 전반에 내재화하는 것이었습니다. 이러한 기반은 재정적 웰빙, 개인화된 여정, 사기 방지, 은행원 지원, 생성형 AI, 에이전트를 통한 통제된 조치를 지원합니다. 이러한 역량을 구축하는 팀의 경우, 재사용 가능한 의사결정을 통해 마케팅, 디지털 경험, 서비스 제공 및 행동 변화 이니셔티브 전반에서 정의와 통제를 일관되게 유지할 수 있습니다.

Discovery Bank의 경험은 금융 서비스 리더들에게 실질적인 교훈을 제공합니다. AI는 다음과 연결될 때 더욱 가치 있어집니다.

• 신뢰할 수 있는 데이터
• 재사용 가능한 분석 제품
• 결정론적 서비스
• 시스템이 인사이트에서 행동으로 이동할 때도 유지되는 거버넌스

Discovery Bank의 데이터 부문 총괄인 Stuart Emslie가 Databricks와의 파트너십을 통해 이를 어떻게 달성했는지 설명하는 영상을 시청해 보세요.

공유 가치를 중심으로 은행 구축하기

Discovery Bank는 공유 가치 뱅킹 모델을 통해 사람들을 더 건강하게 만들고 삶을 개선하며 보호한다는 Discovery Group의 핵심 목적을 금융 행동에 적용합니다. 고객이 금융 행동을 개선하면 더 많이 저축하고, 신용을 더 효과적으로 관리하며, 재정적으로 더 회복탄력성을 갖출 수 있습니다. 이는 고객에게 가치를 창출하고, 은행의 리스크를 줄이며, 더 회복탄력성 있는 사회에 기여합니다.

이 모델을 실현하려면 각 고객의 행동에 대해 상세하고 지속적으로 진화하는 이해가 필요합니다. 고객마다 소비 프로필, 재정적 목표, 재정적 건강에 대한 생각 방식이 다릅니다. 이것이 바로 Discovery Bank가 데이터, 보험계리 과학, 행동 과학, AI를 은행의 기반으로 삼은 이유입니다.

행동 데이터를 재사용 가능한 제품으로 전환하기

Discovery Bank는 인구통계학적 데이터, 거래 및 소비 행동, 디지털 참여, 저축 및 대출 지표, 신용 리스크 신호, 리워드 참여, 라이프스타일 관련 정보를 통합합니다.

Discovery Bank는 Databricks Data and AI Platform을 사용하여 거버넌스가 적용된 단일 플랫폼 아래 이 정보를 통합하고, 엔지니어링된 피처, 행동 지표, 모델 점수, 트렌드, 예측 및 추천을 포함한 재사용 가능한 데이터 제품을 생성합니다. Discovery Bank의 데이터 과학 엔진은 예측 및 회귀 모델, 분위수 회귀, 고급 세그먼테이션, 유사도 검색을 결합하여 진화하는 고객 행동 프로필을 생성합니다.

거버넌스가 적용된 이러한 재사용 가능한 데이터 제품은 고객 유치 및 가격 책정, 리스크 관리, 제품 및 경험 개인화, 서비스 개선, 은행원 역량 강화, 이상 활동 감지, 사기 방지를 지원합니다. 동일한 기본 인텔리전스가 각 사용 사례에 필요한 권한과 통제를 적용하면서 여러 도메인에 걸쳐 가치를 창출할 수 있습니다.

이러한 접근 방식은 팀의 작업 방식도 개선합니다. 실무자는 모든 애플리케이션에 대해 별도의 고객 인텔리전스 버전을 만드는 대신, 공유되고 거버넌스가 적용된 자산을 기반으로 구축할 수 있습니다. Delta Lake, MLflow, 그리고 Unity Catalog은 이러한 자산을 프로덕션 기능으로 운영하는 데 필요한 데이터, 모델링 및 거버넌스 패턴을 지원합니다.

고객에게 유용한 차선책 행동(Next-Best Action) 만들기

Discovery Bank의 초기 애플리케이션 중 하나는 차선책 행동(NBA)이었습니다. 목표는 은행이 전달하고자 하는 내용을 식별하는 것이 아닙니다. 특정 시점, 특정 맥락에서 특정 고객에게 어떤 행동이 관련성 있고 가치 있는지를 결정하는 것입니다.

이러한 차이점은 개인화의 역할을 변화시킵니다. 차선책 행동은 단순히 아웃바운드 커뮤니케이션을 늘리는 것이 아니라, 재정적 건강을 향한 고객의 여정을 지원해야 합니다. 동일한 인텔리전스가 인바운드 및 아웃바운드 상호작용, 디지털 여정, 은행원 지원 서비스를 구동할 수 있습니다.

Discovery Bank의 NBA 모델은 고객 참여 영향력을 40% 향상시켰습니다. 또한 데이터 팀의 작업 방식도 변화시켰습니다. 팀이 각 채널마다 처음부터 시작하는 대신 공유되고 거버넌스가 적용된 자산을 기반으로 구축하기 때문에 파이프라인 개발 속도는 20배 빨라졌고 데이터 제품 생성 속도는 5배 빨라졌습니다.

이러한 역량을 구축하는 데이터, 분석, 보험계리, ML 및 제품 팀의 설계 원칙은 명확합니다. 의사결정을 재사용 가능하게 유지하고 활성화되는 채널과 분리하는 것입니다. 공유 의사결정 레이어는 정의와 통제를 일관되게 유지하면서 마케팅, 디지털 경험, 서비스 제공 및 행동 변화 이니셔티브를 지원할 수 있습니다.

고객 보호를 위해 행동 맥락 활용하기

개인화를 지원하는 동일한 인텔리전스가 보안을 강화할 수 있습니다. 전통적인 사기 통제는 거래가 알려진 패턴과 일치하는지 여부를 묻습니다. Discovery Bank의 TRUST™ 알림은 보완적인 질문을 추가합니다. '이 거래가 이 특정 고객에게 타당한가?'

TRUST™ 알림은 고객의 행동 규범 및 패턴에 따라 금융 상호작용을 평가합니다. Discovery Bank는 수억 건의 금융 상호작용을 처리했으며 예측 모델, 클러스터링, 분위수 회귀 및 이상 탐지를 적용하여 상호작용이 얼마나 이례적인지 정량화했습니다.

그 결과는 이진법적인 답변이 아닌 리스크 평가로 나타납니다. 중간 수준의 리스크가 있는 상호작용은 해당 활동이 왜 이례적으로 보이는지 설명하는 알림을 트리거하여 고객이 진행 방법을 결정할 수 있도록 합니다. 고위험 상호작용은 고객 계정 잠금을 포함한 더 강력한 개입으로 이어질 수 있습니다.

이러한 단계별 접근 방식은 보호와 고객 경험의 균형을 맞춥니다. 또한 설명 가능성을 필수 요소로 만듭니다. 리스크 점수만으로는 충분하지 않습니다. 고객과 운영 팀은 상호작용이 플래그 지정된 이유를 이해하기 위한 맥락이 필요합니다. 모델은 수백 밀리초 이내에 대규모로 의사결정을 반환하는 맞춤형 Azure 기반 서빙 아키텍처를 통해 운영됩니다.

신뢰할 수 있는 기반 위에 생성형 AI 레이어 구축하기

생성형 AI에 대한 Discovery Bank의 원칙은 이것이 기본 데이터 및 ML 역량을 대체해서는 안 된다는 것입니다. 생성형 AI는 이들과 함께 작동할 때 가장 강력합니다.

전통적인 데이터 제품은 신뢰할 수 있는 맥락을 제공합니다. ML 모델은 예측, 전망 및 추천을 제공합니다. 생성형 AI는 이러한 인텔리전스를 더 쉽게 액세스하고, 설명하고, 적용할 수 있도록 해줍니다.

Discovery Bank가 설명하는 아키텍처는 네 개의 레이어를 결합합니다.

• 정제된 고객, 제품 및 거래 정보를 포함하는 거버넌스가 적용된 데이터 레이어
• 모델이 예측, 행동 인사이트, 추천 및 차선책 행동을 생성하는 분석 레이어
• AI 경험에 필요한 정보와 핵심 기능을 노출하는 제어 도구 및 서비스
• 행동과 응답을 결정하기 위해 특화된 대규모 언어 모델, 프로세스 및 에이전트를 사용하는 생성 레이어

Discovery Bank는 프라이빗 뱅킹을 대중화하겠다는 비전으로 2025년 5월에 Discovery AI를 출시했습니다. 이는 채팅 인터페이스로 인간 프라이빗 방커를 재현하는 것이 아니라, 더 깊이 있는 보험계리 및 행동 인텔리전스를 통해 서비스 경험을 변화시킴으로써 이루어집니다.

Discovery AI는 서비스 관련 질문에 답변하고, 고객이 뱅킹 여정을 원활하게 진행하도록 도우며, 재정적 행동의 다양한 측면을 분석하고, 개인화된 인사이트를 도출하며, 추천을 제공하고, 선택한 작업을 지원할 수 있습니다. 고객은 적절한 메뉴나 양식을 찾는 대신 필요한 결과를 설명하기만 하면 되며, 시스템은 이에 맞는 적절한 여정을 조율하도록 도울 수 있습니다.

상담원 지원 서비스 개선

Discovery Bank는 셀프 서비스, 텍스트 기반의 뱅커 채팅, 인앱 전화에도 동일한 인공지능을 적용합니다. 상담원 지원 서비스의 경우, Discovery Bank는 고객 및 서비스 문의에 대한 관련 정보를 검색하고 생성하는 뱅커용 AI 비서도 사용합니다. 또 다른 기능은 각 추천이 왜 관련이 있는지 설명하고 지원 정보를 제공함으로써 상호작용에 추천 및 최선의 조치(next-best actions)를 도입합니다.

AI는 서비스 상호작용을 분석하는 데도 도움이 됩니다. 거버넌스, 개인정보 보호 및 품질 관리에 따라 반복되는 고객 문제, 새로운 서비스 이슈, 품질 격차, 여정 개선 기회를 식별할 수 있습니다. 더 광범위한 분석은 팀이 성과 트렌드를 추적하고 상담원이 더 나은 결과를 낼 수 있도록 코칭하는 데 도움이 됩니다.

이를 통해 AI는 운영 효율성 그 이상으로 나아갑니다. 상호작용의 품질을 개선하고 조직이 더 광범위한 고객 대화로부터 학습할 수 있도록 도울 수 있습니다.

거버넌스가 적용된 워크플로 내에 에이전트 배치

Discovery Bank의 에이전트 기반 패턴은 결정론적 서비스, 전통적인 ML 모델, 조율된 LLM 기반 프로세스 및 에이전트를 결합합니다. 에이전트는 통제 환경을 대체하는 것이 아니라 그 안에서 작동합니다.

에이전트 활용 사례에서 고객은 텍스트, 음성, 이미지 또는 문서를 제공하여 결제하거나 구매를 완료하거나 관련 작업을 수행할 수 있습니다. 기존의 통제 장치는 흐름의 일부로 계속 유지됩니다. 예를 들어, TRUST™ 알림은 사기 위험을 계속 평가하는 한편, Unity Catalog는 정형 뱅킹 데이터, 행동 특징(behavioral features), 모델 출력, 문서, 녹음, 검색된 콘텐츠 및 생성형 애플리케이션에 제공되는 정보 전반에 걸쳐 일관된 거버넌스 레이어를 제공합니다.

동일한 원칙이 문서가 많은 여정에도 적용됩니다. 멀티모달 시스템은 문서를 분류하고, 필드를 추출하고, 알려진 데이터와 정보를 대조하고, 불일치를 식별하고, 고객에게 다음에 필요한 사항을 안내할 수 있습니다. 신용 및 Vitality Money(Discovery Bank의 리워드 프로그램)와 같은 분야에서 이는 수동 관리 작업을 더 빠르고 유용한 프로세스로 만들 수 있습니다.

행동 인텔리전스에서 거버넌스가 적용된 조치로

Discovery Bank의 데이터 및 AI 여정은 점진적으로 축적되어 왔습니다. 거버넌스가 적용된 데이터 플랫폼과 재사용 가능한 데이터 제품으로 시작했습니다. 그런 다음 은행은 개인화 및 사기 방지를 위한 행동 모델과 의사 결정 시스템을 구축했습니다. 생성형 AI 덕분에 고객과 뱅커가 이러한 인텔리전스에 더 쉽게 접근할 수 있게 되었고, 에이전트는 통제된 조치를 조율하고 복잡한 여정을 재설계하기 시작했습니다.

데이터 팀은 직접 파이프라인과 통합 ML 프레임워크를 사용하여 SQL 변환(데이터를 한 데이터 유형에서 다른 유형으로 변경하는 프로세스)을 없애고 코드 관리를 간소화할 수 있습니다. 데이터 처리 속도는 20배 빨라졌고 데이터 제품 생성 및 구현 시간은 5배 빨라졌습니다. 팀 간 협업, 복잡성 감소, 고효율 이점을 활용하여 Discovery Bank는 모델 구축 역량을 하루 300개 이상의 모델로 늘렸습니다.

Databricks 데이터 및 AI 플랫폼은 종속성 없이 다양한 구성 요소를 단일 통합 플랫폼으로 통합함으로써, 공유 가치를 창출하는 데 필요한 중앙 집중식 에코시스템을 구축하는 은행의 역량을 변화시켰습니다. 이러한 효율성 덕분에 인사이트 도출 시간(time to insight)과 프로덕션 배포 시간(time to production)이 단축되어 500% 이상의 상당한 투자 수익률(ROI)을 달성했습니다.

금융 서비스 팀에게 실질적인 교훈은 간단합니다.

• 명확한 소유권과 정의를 바탕으로 비즈니스 결과에 초점을 맞춘 재사용 가능한 인텔리전스를 구축하세요.
• 실행 가능성을 명확히 하세요. 프로필이나 점수는 의사 결정, 추천, 개입 또는 다음 단계에 정보를 제공해야 합니다.
• 고객, 뱅커, 운영 팀이 시스템의 작동 이유를 이해할 수 있도록 경험에 설명 가능성을 설계하세요.
• 결정론적 서비스, ML, 권한 및 거버넌스를 프로세스에 유지하면서 신뢰할 수 있는 기반 위에 생성형 AI와 에이전트를 추가하세요.

Discovery Bank의 경험은 재사용 가능한 데이터 제품이 은행 전반에서 개인화, 사기 방지, 서비스 및 AI를 연결할 수 있음을 보여줍니다. 신뢰할 수 있는 데이터, 모델, 통제 장치 및 거버넌스로 시작한 다음, 생성형 AI와 에이전트를 계층화하여 인사이트를 안전하고 유용한 조치로 전환하세요.

더 자세히 알아볼 준비가 되셨나요? 금융 서비스 산업 포럼: 금융 인텔리전스가 일반 인텔리전스를 능가하는 이유를 시청하고 대규모로 AI를 운영하는 방법을 알아보세요.

FAQ

금융 기관은 Databricks 데이터 및 AI 플랫폼을 어떻게 활용할 수 있나요?

이 플랫폼은 개인화, 리스크, 사기 방지 및 서비스를 위해 거버넌스가 적용된 뱅킹 데이터, 분석, 머신러닝 및 AI를 통합합니다. 팀은 여러 애플리케이션에 걸쳐 재사용 가능한 지표, 점수, 예측 및 추천을 구축할 수 있습니다.

Unity Catalog는 금융 서비스 거버넌스를 어떻게 지원하나요?

Unity Catalog는 정형 및 비정형 뱅킹 데이터, 행동 특징, 모델 출력, 문서, 녹음 및 AI 자산 전반에 걸쳐 통합된 거버넌스 기반을 제공합니다. Unity Gateway와 함께 작동하여 이러한 자산을 사용하는 생성형 애플리케이션 및 에이전트에 일관된 액세스 제어, 정책 적용, 감사 및 가시성을 확장합니다.

MLflow는 금융 머신러닝을 어떻게 지원하나요?

MLflow는 모델 개발, 버전 관리, 튜닝 및 프로모션을 관리하여 팀이 일관된 통제 하에 예측 모델을 실험에서 프로덕션 단계로 이전할 수 있도록 지원합니다.

Databricks는 금융 분야에서 거버넌스가 적용된 AI를 어떻게 지원하나요?

Databricks를 사용하면 금융 서비스 팀이 단일 통합 플랫폼에서 AI를 구축, 관리 및 운영할 수 있으며, 행동 데이터, ML 모델, 생성형 AI 및 에이전트 기반 워크플로를 연결하는 동시에 중앙 집중식 거버넌스 및 안전한 데이터 액세스를 통해 조직이 민감한 고객 데이터의 불필요한 이동과 중복을 최소화하도록 돕습니다.

(이 글은 AI의 도움을 받아 번역되었습니다. 원문이 궁금하시다면 여기를 클릭해 주세요)