2026-07-14 | 김정우 기자

用消费数据预测信用风险……Banksalad开发替代性信用评价模型

本页标题和正文均由AI机器翻译,未经人工审校。准确内容请以韩文原文为准。

Banksalad与西江大学携手,开展了利用MyData分析消费行为与信用风险相关性的研究。计划以本次研究成果为基础开发新的替代信用评价模型,提高金融机构信用评价的准确度,并扩大金融弱势群体的可及性。

Banksalad于14日表示,已与西江大学名誉教授南周夏研究团队共同发表论文《消费行为与个人信用风险:基于MyData》。本次研究是利用实际信用卡支付数据、对消费习惯与个人信用风险的关联性进行实证分析的案例。研究使用了Banksalad持有的约20万笔信用卡支付数据及自有消费类别分类体系。

分析结果显示,医疗、健康相关支出持续稳定的用户违约可能性相对较低。研究团队解释称,规律性的健康管理降低了因疾病中断经济活动的可能性,并有助于缓解意外医疗费用带来的财务流动性压力。

相反,通信费以及便利店、咖啡厅、零食等消费占比较高时,违约风险呈上升趋势。特别是分析发现,相较于消费金额是否庞大,是否出现与以往不同的新消费或异于平常的支出模式,才是预测信用风险更重要的变量。

Banksalad基于研究结果,与Honest AI、KCB共同开发了替代信用评价模型“Banksalad Score”,并推动其在金融业应用。该模型不仅反映消费数据,还综合考虑各类金融资产的现金流、平台使用行为等多种金融与行为数据。此外还结合基于设备的生物数据、健康检查受检周期等健康相关行为信息,提升了信用风险预测性能,并设计为可对金融交易记录不足的“薄档案”人群进行评价。

同时应用最新机器学习(SOTA·State of the Art)算法,使优质借款人与高风险借款人的区分更为精细。表示模型性能的K-S(Kolmogorov-Smirnov)统计量为60%。K-S统计量是信用评价模型的代表性区分力指标,达到20%以上即视为具备一定区分力,50%以上则被评价为优秀水平。

Banksalad一直将由通信、交通、网络购物、旅游等28个消费类别和119个细分消费项目构成的自有分类体系应用于资产管理服务。未来计划积极将其用于学术研究和信用评价模型开发,扩大消费数据的应用范围。

Banksalad相关人士表示:“期待应用了高度化AI算法技术的Banksalad Score,能够在实际金融现场为扩大薄档案人群的信用可及性作出贡献。”

阅读韩文原文