은행의 가치사슬(value chain)을 정의하는 몇 가지 관점이 있지만 크게 보면 프론트 오피스(Front Office), 미들 오피스(Middle Office), 백 오피스(Back Office)로 구분할 수 있는데요. 세 오피스의 주요 활동은 수익창출(프론트 오피스), 위험관리(미들 오피스), 경영지원(백 오피스)으로 정의할 수 있습니다.
그중 은행의 백오피스(Back Office)는 비즈니스 모델이 잘 작동하도록 경영 전반을 지원합니다. 특히 거래 사후 관리, 회계 업무, 인사 관리같이 정확하고 투명한 처리가 요구되는 반복적 업무를 수행하는 경우가 많은데요. 최근에는 자동화 기술 및 사용자 친화적 인터페이스 등 디지털 전환을 통해 보다 효과적으로 업무를 수행하고 있습니다.
백오피스는 운영지원, 기술 지원, 인사·교육, 컴플라이언스, 청산·결제 등을 수행합니다. 각 업무에 활용 가능한 디지털 혁신 기술을 [그림 1]에서 설명하고 있는데요. AI, 클라우드 컴퓨팅, 분산컴퓨팅 등 최신 IT 기술을 적용한 챗봇(Chatbot), 이상거래 탐지, 자동화 솔루션 등의 서비스로 백오피스 기능이 날로 고도화되고 있습니다. 이번 글에서는 은행 백오피스 기능의 자동화 솔루션과 RPA(Robotic Process Automation: 로봇 프로세스 자동화)에 활용되는 기술에 대해 알아보겠습니다.
은행의 RPA 활용 범위
RPA는 로봇 소프트웨어를 통해 정형화된 반복 업무를 자동화하는 기술입니다. 업무를 효율적으로 간소화해 반복 작업 요소를 줄이고 유연한 조직 운영을 가능하게 합니다. 은행의 백오피스에서 RPA가 처음 활용된 것은 2000년대 이후, 스크린 스크래핑(screen scraping, 웹 사이트에 존재하는 데이터 중에서 필요한 데이터만을 추출하도록 만들어진 프로그램) 기술을 통해 데이터 추출을 자동화하는 것에서 시작됐습니다. 규제 산업이라 불리는 은행/보험업계에서 문서 작업과 규제 준수 절차를 자동화해 더욱 효율적인 업무 처리가 가능해진 것이죠.
[그림 2]를 통해 문서 자동화(report automation)를 포함한 은행의 RPA 활용 범위 13가지를 확인할 수 있는데요. 대표적으로 챗봇을 활용한 고객 관리(customer service), 금융사기/이상거래 탐지(fraud detection) 등이 최근 활용되고 있는 RPA 사례입니다.
금융기관의 업무 자동화 BPaaS
업무 자동화는 산업의 효율성과 생산성을 증가시킵니다. [그림 3]은 산업화부터 인공지능 기술까지 각 발전단계에서의 생산성 증가 수치를 보여주는데요. 산업화(industrialization)부터 디지털화(digitalization) 단계까지 증가한 비율보다, 자동화(automation) 단계로 넘어오면서 더 큰 폭의 생산성 증대가 이루어진 것으로 나타납니다. 최근 챗GPT 등 인공지능 기술이 산업계에서 활용되기 시작했지만, 여전히 RPA와 같은 자동화 기술이 생산성 측면에서 중요한 역할을 하고 있습니다.
특히 RPA를 활용한 서비스형 업무 프로세스 자동화 솔루션(Business Process-as-a-Service: BPaaS)이 B2B 시장에 새롭게 떠오르고 있는데요. BPaaS(Business Process-as-a-Service) 시장에서 활용되는 RPA 기술로는 클라우드 컴퓨팅 서비스, 멀티테넌시(Multitenancy, 하나의 서버에서 작동하는 하나의 소프트웨어를 다수의 사용자가 사용하는 서비스) 서비스 등이 있습니다. 은행의 백오피스는 RPA 기반 BPaaS를 통해 정산·결제(settlement and payment processing) 업무를 외주 및 자동화하고, 궁극적으로는 서비스형 뱅킹(Banking-as-a-Service) 플랫폼으로의 확장까지 도모할 수 있습니다.
금융사기/이상거래 탐지기술
금융사기 또는 이상거래 탐지는 은행/보험업계에서 관심 있는 백오피스 기능 중 하나입니다.
일반적으로 이상거래는 [그림 5]와 같이 세 가지 유형으로 분류할 수 있습니다.
• 집단적 이상거래(collective anomalies)
집단적 이상거래는 서로 다른 지역에서 같은 계좌에 동시 거래가 발생하는 경우입니다.
• 조건부 이상거래(conditional anomalies)
조건부 이상거래는 짧은 기간 내 수차례 예금인출 시도가 발생하는 경우입니다.
• 포인트 이상거래(point anomalies)
포인트 이상거래는 소액거래만 하는 고객의 계좌에 대규모 거래가 발생하는 경우입니다.
이상거래 유형을 정확하게 탐지하기 위해서는 분석 대상 데이터의 크기가 충분히 커야 합니다. 최근 몇 년간 금융 서비스의 디지털 전환과 함께 데이터 규모가 기하급수적으로 커지고 있는데요. 이를 분석하기 위해 머신러닝 또는 딥러닝 등의 인공지능 모델을 활용함으로써 이상거래 탐지 기술의 정확성 또한 한층 높아지고 있습니다.
IBM은 AI를 활용한 ‘Watson Studio’를 통해 금융사기 탐지 서비스를 제공하고 있습니다. 해당 분석 도구를 구축하기 위해 머신러닝, 의사결정 최적화, 시각화 모델, 자연어 처리 등 다양한 기술을 활용했는데요. [그림 6]은 Watson Studio를 통해 미국 내 특정 운전자의 보험 청구 이력을 분석한 결과입니다. 사고 이력과 사고 발생 시간, 날씨 정보뿐만 아니라 운전자의 보험 사기 가능성을 예측한 결과까지 확인할 수 있습니다. 이처럼 금융 이상거래 발생 시 유형별 거래 대상, 거래 환경의 특징을 파악하고, 확률적 분석을 통해 이상거래 방지 대책을 정교화할 수 있습니다.
금융산업은 신뢰를 기반으로 작동하기 때문에 백오피스의 오류를 줄이고 투명성을 높이는 것이 매우 중요한데요. 백오피스의 자동화 프로세스와 이를 고도화하기 위한 인공지능 기술은 궁극적으로 은행 서비스에 대한 신뢰성을 재고하는 효과를 가져올 것입니다. 앞으로는 블록체인 기반의 정산, 결제 서비스나 암호화 기술을 활용한 스마트 계약이 활성화될 것으로 예상되는데요. 백오피스 기능의 효율성이 한층 더 높아질 것으로 기대해 봅니다.
글 ㅣ 정광민 | 포스텍 산업경영공학과 교수 / AI대학원 겸임교수
