올바른 의사결정 접근 방식 선택하기

채권 회수(Collections) 리더들은 이제 정적 규칙(Static rules), 예측 모델(Predictive models), 최적화 엔진(Optimization engines), 그리고 생성형 에이전트(Generative agents) 중에서 선택할 수 있습니다. 이러한 접근 방식들은 종종 대체재로 제시되지만, 각각은 연체 라이프사이클(Delinquency lifecycle)의 서로 다른 부분을 해결합니다. 올바른 아키텍처는 일반적으로 리스크, 설명 가능성(Explainability), 그리고 실행 요구 사항에 따라 이들을 결합합니다.

AI collections decision engine

신용 채권 회수에서의 AI (AI in Credit Collections)를 평가할 때, 유용한 질문은 AI가 기존의 전략 트리(Strategy tree)를 대체해야 하는가가 아닙니다. 어떤 결정이 예측(Prediction)을 통해 이득을 얻을 수 있는지, 어떤 통제 항목이 결정론적(Deterministic)으로 유지되어야 하는지, 그리고 어디에서 직원이 권한을 보유해야 하는지가 핵심입니다.

정적 규칙 및 전략 트리 (Static Rules and Strategy Trees)

규칙은 파산 절차가 진행 중인 계정을 제외하거나, 연락 중단(Cease-and-desist) 지침을 준수하고, 채널 동의를 강제하거나, 연락 빈도를 제한하는 것과 같은 결정에 있어 여전히 가장 명확한 옵션입니다. 규칙은 검토하기 쉽고 승인된 정책을 정확하게 반영할 수 있습니다.

규칙의 약점은 우선순위 지정(Prioritization)에서 나타납니다. "잔액이 $2,000를 초과하고 30 DPD(Days Past Due, 연체 일수) 이상인 모든 계정을 음성 채널로 배정한다"와 같은 규칙은 결제 행동, 이전 RPC(Right Party Contact, 적정 당사자 접촉) 결과, 경제적 어려움 신호(Hardship signals), 그리고 자가 치유(Self-cure) 확률을 무시합니다.

장점:

• 높은 설명 가능성 (High explainability)
• 예측 가능한 실행 (Predictable execution)
• 간편한 컴플라이언스(Compliance) 테스트

단점:

• 거친 세분화 (Coarse segmentation)
• 증가하는 유지 관리 부담
• 비선형적 리스크 패턴을 탐지하는 능력의 한계

다른 방법론이 특정 처리를 권장하더라도, 규칙은 법적 및 정책적 적격성을 판단하는 최종 관문으로 남아 있어야 합니다.

예측 모델 (Predictive Models)

지도 학습 모델 (Supervised models)은 연체 지속 확률 (roll probability), 약속 이행 (PTP) 파기 위험, 정상화 가능성 (cure likelihood), 또는 예상 회수액 (expected recovery)과 같은 결과를 추정합니다. 이 모델들은 수동적인 전략 트리 (strategy tree)보다 더 광범위한 계정 이력 (account history)을 사용할 수 있으며, 동일한 연체 일수 (DPD) 구간 내에서 계정들의 순위를 매길 수 있습니다.

신용 채권 회수 (Credit Collections) 분야의 AI는 일반적으로 이러한 점수 (scores)를 활용하여 부족한 상담원 역량 (collector capacity)을 배분합니다. 예를 들어, 노출액 (exposure)이 높고, 자가 정상화 확률 (self-cure probability)이 낮으며, 고객 접촉 가능성 (RPC)이 합리적인 수준인 계정은 개입 없이 해결될 가능성이 높은 계정보다 우선순위가 지정될 수 있습니다.

장점으로는 더 강력한 순위 지정 (ranking), 측정 가능한 성능 향상 (measurable lift), 그리고 반복 가능한 점수 산정 (repeatable scoring) 등이 있습니다. 단점으로는 과거 라벨 (historical labels)에 대한 의존성, 데이터 드리프트 (data drift)에 대한 노출, 그리고 사유 코드 (reason codes) 및 검증 (validation)의 필요성 등이 있습니다. 이전 처리 방식 (prior treatments)으로 학습된 모델은 해당 처리 방식으로부터 또한 학습하므로, 과거의 선택 편향 (historical selection bias)에 대한 주의 깊은 분석이 필요합니다.

최적화 및 차순위 행동 엔진 (Optimization and Next-Best-Action Engines)

예측 모델 (Predictive model)은 '무슨 일이 일어날 수 있는가'에 답합니다. 최적화 엔진 (optimization engine)은 '제약 조건 하에서 어떤 행동을 취해야 하는가'에 답합니다. 이 엔진은 예상 청산액 (expected liquidation)을 채널 비용 (channel cost), 접촉 역량 (contact capacity), 고객 적격성 (customer eligibility), 그리고 정책 제한 (policy limits)과 비교하여 가중치를 둘 수 있습니다.

이러한 접근 방식은 채널 오케스트레이션 (channel orchestration)에 특히 유용합니다. 엔진은 SMS, 이메일, 아웃바운드 음성 (outbound voice), 인바운드 전문가 라우팅 (inbound specialist routing), 또는 접촉하지 않음 중에서 선택할 수 있습니다. 또한 숙련된 상담원을 경제적 어려움 평가 (hardship assessment)나 복잡한 손실 완화 (loss-mitigation) 논의를 위해 예약해 둘 수도 있습니다.

이 방식의 장점은 개별 계정 점수 산정이 아닌 포트폴리오 수준의 배분 (portfolio-level allocation)이 가능하다는 점입니다. 트레이드오프 (tradeoff)는 복잡성입니다. 목표는 명확해야 하고, 제약 조건은 최신 상태여야 하며, 전략 담당자는 처리량 (treatment volumes)이 왜 변했는지 이해할 수 있는 방법이 필요합니다.

생성형 에이전트 및 상담원 지원 (Generative Agents and Collector Assistance)

생성형 에이전트 (Generative agents)는 비정형 작업에 더 적합합니다. 이들은 서비스 노트 (servicing notes)를 요약하거나, 대화의 결과를 추출하거나, 사건 연대기 (case chronology)를 준비하거나, 제안된 처리 방안 뒤에 숨겨진 요인들을 설명할 수 있습니다. AI 에이전트 개발 전문성을 평가하는 기업은 대화형 지원 (conversational assistance)과 권한이 있는 계정 의사결정 (authoritative account decisioning)을 분리해야 합니다.

장점으로는 콜 후 작업 (after-call work)의 감소와 파편화된 노트의 빠른 검토가 있습니다. 단점으로는 환각 (hallucination) 위험, 비결정론적 출력 (nondeterministic output), 그리고 승인되지 않은 언어를 생성할 가능성이 있습니다. 통제된 정책 콘텐츠로부터의 검색 (Retrieval), 구조화된 출력 검증 (structured output validation), 그리고 인간의 승인은 중요한 안전장치입니다.

에이전트는 결코 화해 제안 (settlement offer)을 임의로 만들어내거나 Regulation F를 재해석해서는 안 됩니다. 자격 요건, 잔액, 공시 사항 및 연락 제한 사항은 관리되는 시스템 (governed systems)에 의해 제공되어야 합니다.

실제 적용 시 접근 방식 비교

가장 신뢰할 수 있는 설계는 계층화된 방식입니다:

• 규칙 (Rules)은 특정 행동이 허용되는지 여부를 결정합니다.
• 예측 모델 (Predictive models)은 계정 결과를 추정합니다.
• 최적화 (Optimization)는 허용된 처리 방안 중에서 선택합니다.
• 에이전트 (Agents)는 문맥 및 워크플로 실행을 지원합니다.
• 직원 (Employees)은 협상, 경제적 어려움 판단, 예외 사항을 처리합니다.

따라서 신용 채권 회수 (Credit Collections)에서의 AI는 단일 도구가 아닌 아키텍처 (architecture)입니다. 카드 및 할부 포트폴리오를 보유한 대출 기관의 경우, 동일한 모델이 제품 전반에 걸쳐 동일한 성능을 발휘하지 않을 수 있습니다. 상환 일정, 담보, 고객 행동 및 부도 시 손실 (LGD, loss given default)의 차이는 별도의 모델이나 보정 계층 (calibration layers)을 정당화할 수 있습니다.

평가에는 정상화율 (cure rate), 연체 이월률 (roll rate), RPC (Right Party Contact), 약속 이행률 (kept-promise rate), 청산율 (liquidation rate), 회수율 (recovery rate), 민원 및 정책 예외 사항이 포함되어야 합니다. 단기 회수는 개선하지만 반복적인 연체를 증가시키는 전략은 지속 가능한 가치를 제공하지 못할 수 있습니다.

결론

정적 규칙 (Static rules), 예측 모델 (Predictive models), 최적화 엔진 (Optimization engines), 그리고 에이전트 (Agents)는 각각 정당한 역할을 가지고 있습니다. 최선의 선택은 어떤 결정을 내리는지, 그리고 오류의 결과가 무엇인지에 따라 달라집니다. 신용 채권 회수 (Credit Collections)에서의 AI는 이러한 구성 요소들이 통제권을 두고 경쟁하는 대신, 설명 가능하고 모니터링되는 처리 시스템을 형성할 때 성공합니다. AI 매출채권 솔루션 (AI Accounts Receivable Solution)은 채권 회수 대기열을 넘어 매출채권 업무, 결제 후속 조치, 그리고 계정 우선순위 지정 등을 조정함으로써 그러한 설계를 보완할 수 있습니다.