MongoDB를 활용한 금융 범죄 대응 / 1부: 동적 고객 프로필

MongoDB를 통합 데이터 플랫폼으로 활용하여 현대 디지털 금융 운영의 요구를 충족하는 금융 범죄 대응 플랫폼 구축 시리즈에 오신 것을 환영합니다. 아직 확인하지 못하셨다면 시리즈 개요를 확인해 보세요.

모든 고객 경험이 시작되는 단계인 신규 고객 온보딩, 즉 리스크 관리 분야에서 개인과 법인의 개념을 통합하여 일컫는 새로운 '엔터티' 온보딩에서 여정을 시작하겠습니다. 프로세스에 관련된 단계를 살펴보겠습니다!

1단계: 잠재 고객 데이터 캡처

잠재 고객을 고객으로 전환하는 과정에서 금융 기관은 필요한 데이터를 수집하는 것으로 시작합니다. 기본적인 인구통계 데이터부터 법적 신원 정보 및 세금 정보, 잠재 고객의 재무 상황과 관련된 데이터(신용 조회/FICO 점수, 자산, 잠재적 담보)에 이르기까지 다양한 정보를 수집합니다. 

이러한 데이터 포인트가 캡처되는 즉시 '이벤트 중심' 방식으로 지속적으로 업데이트되는 동적 프로필을 구축해야 합니다. 동적 프로필은 고객 파악(KYC) 규정을 준수하는 동시에 상업적 목적(즉, 최상의 제품 찾기)을 위해 고객을 세분화하는 두 가지 목표를 달성하기 위해 필요합니다.

그러나 동적 프로필을 보유하려면 다양한 소스와 스키마에서 들어오는 데이터를 집계해야 하기 때문에 생각처럼 쉽지만은 않습니다. 바로 여기에서 MongoDB의 유연한 데이터 모델이 빛을 발합니다.

그림 1. 정적 모니터링에서 영구 모니터링으로

MongoDB의 데이터 모델은 들어오는 모든 데이터를 원활하게 집계합니다. 또한 고객 대면 애플리케이션, 지원 및 운영 시스템에서 사용할 수 있는 통합 API에 기본적으로 통합 및 노출되는 데이터 플랫폼 서비스를 제공합니다.

그림 2. KYC를 위한 통합 데이터 저장

2단계: 후보자 기본 확인

잠재 고객 데이터를 캡처하고 나면, '이 엔터티는 누구인가?'라는 아주 간단한 질문으로 금융 범죄 대응 확인 절차가 시작됩니다. 컴플라이언스 검사 프로그램에서는 답변이 간단하지 않습니다. 실제 개인이나 기업은 시스템마다 다른 이름, 주소, 식별자, 관계로 나타날 수 있습니다. 이는 단순한 데이터 품질 문제로 인한 경우도 있지만, 때로는 탐지를 회피하려는 의도적인 시도일 수 있습니다.

따라서 (단순한 텍스트 비교를 넘어) 종합적인 비교가 필요합니다. 다시 한 번, MongoDB의 역량이 빛을 발합니다. 텍스트 데이터와 문맥(의미론적) 데이터를 결합하여 더 나은 결과를 얻을 수 있습니다. 이를 MQL의 $rankFusion 연산자를 사용한 하이브리드 검색이라고 합니다.

그림 3. MongoDB의 고급 검색 기능을 보여주는 병렬 검색 결과의 예시

(데모 프로토타입에서 가져온 이미지. 참고: 이미지의 디자인은 데모용으로 개발된 커스텀 UI에서 가져온 것으로, MongoDB 제품이 아닙니다.)

MongoDB의 가장 큰 장점은 이러한 모든 고급 검색 기능이 동일한 MongoDB 클러스터 내에 통합되어 있어, 데이터를 다른 곳으로 이동하거나 서드파티 외부 검색 엔진을 사용할 필요 없이 바로 활용할 수 있다는 점입니다.

3단계: 컴플라이언스 검증

유사한 프로필을 파악했으면 이제 컴플라이언스 확인을 실행해야 합니다. 주요 목표는 엔터티의 관계를 분석하는 것으로, 이를 위해 기존 은행 고객과의 모든 잠재적 연결 및 고액 거래를 모두 검토해야 합니다. 기술적으로 말하면 모든 가능한 관계의 네트워크 그래프를 구성해야 합니다.

그림 4. 엔터티의 네트워크 그래프의 예시

(데모 프로토타입에서 가져온 이미지. 참고: 이미지의 디자인은 데모용으로 개발된 커스텀 UI에서 가져온 것으로, MongoDB 제품이 아닙니다.)

이 네트워크 그래프는 MongoDB의 집계 파이프라인에서 사용할 수 있는 연산자인 MQL $graphLookup으로 구축할 수 있습니다. MongoDB를 사용할 때 가장 큰 이점은 더 높은 신뢰 수준으로 조정해야 할 때마다 사전 계산된 그래프 테이블이나 캐시 무효화 없이 심층 및 신뢰 필터를 조정하여 네트워크를 즉시 재구축할 수 있다는 점입니다.  

다양한 엔터티 간의 가능한 관계를 즉시 확인할 수 있으며, 각 관계에는 해당 신뢰도가 표시됩니다.

그림 5. 관계 분석의 예시

(데모 프로토타입에서 가져온 이미지. 참고: 이미지의 디자인은 데모용으로 개발된 커스텀 UI에서 가져온 것으로, MongoDB 제품이 아닙니다.)

이 결과물은 고객 프로필의 단일 보기로 수렴되는 행동 분석의 토대가 됩니다.

최종 단계: 단일 고객 보기 구축

이러한 데이터 포인트를 수집한 후, (현재로서는) 마지막 단계는 이를 하나의 통합된 고객 프로필 보기로 집계하는 것입니다. 여기서 MongoDB의 데이터 모델은 한 번이 아니라 지속적으로 수집되는 모든 동적 데이터를 중앙 집중화하는 데 필요한 유연성을 제공합니다.

그림 6. MongoDB의 document 구조에 저장된 엔터티의 예시

(데모 프로토타입에서 가져온 이미지. 참고: 이미지의 디자인은 데모용으로 개발된 커스텀 UI에서 가져온 것으로, MongoDB 제품이 아닙니다.)

MongoDB의 데이터 모델은 정형 데이터와 비정형 데이터를 결합하고, 프로필의 벡터화 표현과 함께 공존할 수 있어 단일 뷰 모델에서 탁월한 성능을 발휘합니다. 따라서 유사한 프로필을 더 효과적으로 탐색하고 고객 프로필을 클러스터링할 수 있습니다.

그림 7. 유사성 검색 결과의 예시

(데모 프로토타입에서 가져온 이미지. 참고: 이미지의 디자인은 데모용으로 개발된 커스텀 UI에서 가져온 것으로, MongoDB 제품이 아닙니다.)

핵심 내용

새로운 엔터티를 고객(개인 또는 기업 잠재 고객)으로 온보딩하려면 다양한 소스, 다양한 형식 및 스키마에서 들어오는 데이터를 캡처할 수 있는 현대적인 데이터 플랫폼이 필요합니다. 

금융 범죄에 성공적으로 대응하기 위해 가장 중요한 요소는 역동적인 고객 프로필을 구축하는 것입니다. 따라서 가능한 모든 데이터 포인트를 수집하고 처리하는 것이 매우 중요합니다. 또한 기존 고객 또는 알려진 트랜잭션과 해당 엔터티의 잠재적 관계를 이해해야 합니다. 이를 위해 MongoDB 집계 파이프라인 기능(예: '실시간' 네트워크 그래프 생성)을 활용하면 눈에 띄지 않는 동작을 발견할 수 있습니다.

마지막으로, 데이터와 분석을 단일 보기로 통합해야 합니다. 여기서 MongoDB의 데이터 모델 유연성이 혁신을 가져옵니다. 정형 및 비정형 데이터를 단일 인스턴스에 대규모로 저장할 수 있습니다. 또한 이를 프로필의 벡터화된 표현과 결합하여 유사성 검색을 정확하게 실행할 수 있습니다. 

이 시리즈의 다음 글에서는 고객 행동 프로필을 사용하여 포괄적인 실사의 일환으로 AI가 실사 프로세스를 개선하는 방법에 대해 자세히 살펴보겠습니다. 계속 지켜봐 주세요!