디지털 탈바꿈 시대로 변화하면서 많은 금융회사들은 디지털 금융으로의 전환에 박차를 가하고 있다. 고객 자산관리 방향도 피할 수 없는 변화 대상 중 하나다. 

이에 투이컨설팅은 디지털 탈바꿈 시대에 발맞춰 금융회사의 고객 자산관리 방향을 총 4부로 나눠 연재하고자 한다. 
 

1부에서는 현재 자산관리 산업환경 변화 요인과 글로벌 금융회사의 자산관리 전략을 알아보고, 2017년 세계경제포럼(WEF)이 발표한 미래 자산관리 산업의 10대 파괴 요인 등을 바탕으로 미래 디지털 탈바꿈 시대에 자산관리 산업에 영향을 줄 변화 요소를 소개한다.

2부는 디지털 자산관리 핵심 디자인 원칙(Digital WM Key Design Principles of the Future)을 정의하고 이를 기반으로 디지털 자산관리 기능 아키텍처(Digital WM Functional Architecture)를 소개한다.

3부와 4부는 디지털 자산관리 기능 아키텍처(Digital WM Functional Architecture) 중 Integrated Investor/Advisor Journeys, Omni Channels & Customer Experience, 자산관리(WM) 추천 엔진, Big Data & Analytics, Sales Support Function, MDM(Master Data Management)을 소개한다.

자산관리(WM) 투자자문 엔진

투자자문 엔진은 상품 포트폴리오 추천, 고객 맞춤 상품 추천, 모니터링 & 재투자 제안 등을 하우스 뷰(House View)를 근간으로 한 자동화된 알고리즘을 통해 투자자 별로 제공한다. 투자자문 엔진의 투자자문 범위, 핵심 디지인 특징, 통합 컴포넌트 요소, 활성화 기능은 다음과 같다.

 

1. 투자자문 범위: 투자자문 엔진의 범위는 오늘날의 로보어드바이저 보다 훨씬 광범위하다. 자산/부채 및 현금 흐름, 증권 투자뿐만 아니라 세금 및 부동산 투자 계획, 건강/여가/가족 등과 관련된 투자자 생애주기 목표 전반이다. 
 

2. 핵심 디지인 특징: 알고리즘 기반 목표 투자 계획을 제공하고, 인간(Human) 투자자문가를 돕거나 대체 할 수 있는 도구로 사용한다. 그리고 벤치마크용이 아닌 실제 투자자 목표에 대해 성과 측정이 가능하다.

 

3. 통합 컴포넌트 요소: 고객 프로파일링, 재무 계획, 예산 책정, 포트폴리오 구성/재조정, 세금 최적화, 투자/보호 상품 권장사항, 투자자/투자자문가를 위한 투자 차선책, 테마 투자 및 거래 아이디어, 리서치 도구 등의 컴포넌트를 제공한다.

 

4. 투자자문 활성화 기능: 특정 투자자에게 투자자 간 투자 비교 허용 기능과 투자자와의 상호 작용을 통해 프로필 및 알고리즘을 지속적으로 업데이트 하는 기계 학습(Machine Learning) 기능이 있다. 그리고 내부 및 외부 정보를 활용하여 분석 알고리즘을 작동시키는 빅데이터 엔진이 있다.
 

투자자에게 상품 추천을 하는 방식은 포트폴리오 추천 방식과 협업 필터링(Collaborative filtering) 추천 방식이 있다. 
 

포트폴리오 추천 방식은 개별 투자자에게 효율적이고 고도화된 투자활동을 할 수 있도록 하우스 뷰를 근간으로 포트폴리오 추천 엔진을 통해 투자 포트폴리오를 제공하는 방식이다. 포트폴리오 추천 엔진의 작동 원리는 타겟 목표 포트폴리오와 현재 포트폴리오를 비교하여 가장 효과적으로 갭을 줄일 수 있는 투자/재투자 아이디어를 제시하는 것이다. 이를 위해 고객 위험 성향, 모델 포트폴리오 설계, 최적화 계산을 위한 세부 자산 단위별 기댓값을 관리한다.

협업 필터링 추천 방식은 금융회사별 고유의 알고리즘을 갖고 있다. 예로 들어 모건 스탠리(Morgan Stanley)는 투자자문가와 유사한 선호도를 가지고 있는 다른 투자자문가의 상품 아이디어(Item rating)을 기반으로 최적화된 상품 아이디어를 추천한다. 모건 스탠리 알고리즘 접근 방식은 다음과 같다.

 

1. 각 추천 상품 아이디어에 대한 투자자문가의 평가 결과를 데이터베이스화 한다.

 

2. 투자자문가의 투자 성향에 대한 설문지 내용 혹은 관리하는 투자자 별 포트폴리오 평균치를 데이터 마이닝(Data mining)을 통해 도출한다.

 

3. 상품 아이디어의 특성은 투자자문가의 성향과 각 아이디어에 대한 투자자문가의 평가를 비교함으로써 예측값을 결정한다.

 

4. 각 상품 아이디어에 대한 투자자문가 간 유사 정도를 판단한다.
 

5. 예상 평가치는 투자자문가 성향과 상품 아이디어 특성의 곱으로 도출되어, 해당 아이디어를 가장 높게 Rating할 확률이 높은 투자자문가를 추천한다.

 

빅데이터 & 분석(Big Data & Analytics)

빅데이터 분석은 투자자의 라이프 스타일을 360도로 관찰하여 투자자가 원하는 것이 무엇인지 파악하여 행복한 고객 경험을 제공하도록 도와준다. 옴니채널에서 빅데이터 수집(그림1 참조) 및 분석 팩토리 (Analytics Factory)를 통해 개인화, 고객 패턴, 고객 타겟팅 등 다양한 고급 분석 (Advanced Analytics)을 한다. 분석 결과는 고객 경험 엔진을 통해 투자자 친화적인 방식으로 제공한다.

 
데이터 집계(Data aggregator) 기능을 통해 고객이 이용하는 금융사의 고객 계정을 추가 할 수 있으므로 특정 투자자의 대차 대조표 및 투자자 전반의 완벽한 뷰(View)를 제공한다. 그리고 투자자가 옴니채널에서 발생시킨 다양한 데이터를 트래킹(Tracking)한 후 고객 행동 로그에 저장한다. 이때 고객 행동 로그는 향후 고객 행동 패턴 분석을 위해 조회 시간, 화면 번호, 계좌번호, 서비스 매체 구분, 종목코드 등 분석 기본 항목을 관리한다.

고급 분석을 위해 추가로 필요한 데이터로는 내부 데이터인 고객/상품 허브(Hub)와 고객/상품 마트(Mart)가 있고 다양한 비정형 외부 데이터가 있다. 상품 허브는 상품 정보와 상품 콘텐츠 정보의 통합 관리를 통해 상품 정보 활용 시 연관 정보를 쉽고 편리하게 제공할 수 있다. 분석 팩토리(Analytics Factory)는 분석을 수행하고 이를 통합 관리함으로써, 쉽게 분석 결과를 사용 할 수 있게 지원한다.

 

영업 지원 기능(Sales Support Function)

영업 지원 프로세스(그림2 참조)는 고객 창출 및 획득, 고객 유입 및 정보 획득, 투자 제안 및 실행, 모니터링 및 사후관리 단계로 구성된다. 영업 지원 단계별 영업 지원 기능은 다음과 같다.

 

1. 캠페인 준비: 신규(잠재고객 포함) 및 기존 고객 마케팅 캠페인을 위한 준비로 고객 특성 및 자산규모에 따라 구분하여 캠페인 대상 고객을 선정한다.
 

2. 캠페인 실행: 고객에게 우편물, 이메일 등을 통하여 캠페인을 위한 커뮤니케이션 자료를 배포한다. 캠페인 반응 고객에게 연락 및 미팅 사전 예약을 한다.

 

3. 고객 정보 수집: 고객에 대한 심층적 이해를 위한 고객 정보 발굴을 통해 고객 정보를 수집한다. 이를 통해 고객 투자 성향 평가 및 상품/포트폴리오 추천 엔진에 정보로 제공한다.

 

4. 리스크 측정: 고객 포트폴리오 제공을 위해 고객의 위험 수용력(Risk capacity) 측정 및 리스크 프로파일 정보를 관리한다.
 

5. 고객 온보딩: 고객 정보를 기입하고, 고객으로부터 필요한 서명 및 서류 수취 서류를 백오피스(Back-office)로 전달한다.
 

6. 고객 미팅 준비: 고객 미팅을 위해 필요한 정보를 확인한다.

 

7. 고객 상품 리서치: 고객이 현재 보유하고 있는 투자상품에 대해 리서치 정보를 제공한다.

 

8. 투자 제안 준비: 상이한 투자건의 매도/매수가 전체 포트폴리오에 미치는 영향을 평가하여 사용자 친화적인 방법으로 투자 제안서 작성한다.

9. 투자 실행 및 피드백: 고객 지시를 바탕으로, 바람직한 트레이드를 실행하고 결과를 제공한다.

 

10. 포트폴리오 모니터링: 리스크 프로파일, 투자 목표 준수의 관점에서 모니터링한다.

 

11. 사후관리: 판매 후 성과 관련 자료를 고객에게 배포한다.
 

기준 데이터 관리(Master Data Management)

투자자문 엔진의 인공지능이 데이터를 학습 할 수 없다면 연료가 떨어진 자동차와 같다. 고급 분석은 데이터로 시작해서 데이터로 끝난다. 그러므로 디지털 자산관리가 제대로 작동하기 위해서는 품질이 확보된 데이터를 수집하고 다듬고 정리해서 지속적으로 제공되어야 한다.

기준 데이터는 업무 프로세스 및 시스템 상에서 동일한 기준으로 사용되는 기업의 핵심 데이터로서, 기업 정보의 신뢰성 및 정확도를 보장하고 프로세스를 효과적으로 관리하기 위한 기본 데이터이다.

데이터는 활용 목적에 따라 기준 데이터(Master Data), 트랜잭션 데이터 (Transaction Data), 분석 데이터(Analytic Data)로 구분한다. 기준데이터는 전사 업무 부문 간 공통의 의미를 가져야 할 정보로, 업무 수행 시 참조되는 데이터이다. 기준 데이터가 중복이나 누락 등의 이유로 부정확할 경우, 기준 데이터를 참조해 생성되는 트랜잭션 데이터부터 이를 가공해 활용하는 분석 데이터까지 신뢰성과 품질에 치명적인 문제가 발생될 수 있다. 정보 분석계는 많은 데이터를 확보하고 있으나, 분석 효율성과 정확도가 떨어지는 경우가 많은데, 대부분의 원인이 기준 데이터 기반으로 데이터를 관리하지 않기 때문이다.

기준 데이터 관리(그림3 참조)는 단순히 시스템 구축 만을 의미하는 것이 아니다. 기준 데이터의 품질과 일관성을 유지하고 업무 변화에 대응할 수 있는 운영 체계에 대한 거버넌스와 운영 표준 체계를 수립하고, 이를 기반으로 정보시스템을 개발하고 운영하는 인프라 구축을 포함한다.

 

미리 본 디지털 자산관리 여정

지금까지 설명한 자산관리 서비스의 미래 변화에 대한 의견 차이는 있을 수 있다. 그러나, 지금 변화를 시작해야 한다는 점은 누구나 공감할 것이다.

디지털 탈바꿈이 가속화되고 있는 시대에 투자자문가의 개인 역량에 의존하는 투자자문 서비스는 이용하는 데이터의 범위, 데이터 분석의 활용, 서비스 제공 적시성, 자문서비스에 투입되는 노력과 원가 등의 관점에서 디지털 투자자문을 따라잡을 수 없을 것임은 분명하다.

따라서 향후 5년에서 10년 후 미래 디지털 시대에 적합한 자산관리 방향을 수립하고 탈바꿈의 첫발을 내딛는 것이 중요하다. 자산관리 서비스의 디지털 탈바꿈을 위해서는 로보어드바이저 도입, 개인자산관리서비스 적용  등 단편적인 접근보다는 아키텍처 관점에서 전체적으로 추진하여야 한다. 디지털화된 자산관리 서비스가 정착되면, 우리나라 금융회사들의 글로벌 경쟁력도 업그레이드될 것이다.

- 끝 -