비금융 데이터와 금융 데이터의 결합: 소상공인 대안신용평가를 위한 가명결합 준비기
2026.07.21
“신용평가사와의 데이터 결합을 위해 가명정보 처리부터 내부 규정 정비까지. 올라핀테크 모델링팀의 대안신용평가 준비 과정을 공유합니다.”
“작은 불편에서 출발해, 모두가 편해지는 순간까지. 올라핀테크 팀의 이야기를 공유합니다.”
온라인 셀러의 자금 경색을 해결하기 위한 고민
쿠팡이나 네이버 스마트스토어와 같은 주요 이커머스 플랫폼은 판매자의 매출을 즉시 지급하지 않고, 각 플랫폼이 정한 정산 주기에 따라 지급하고 있어요.
특히 쿠팡의 경우 매출이 100% 정산되기까지 최대 두 달 이상이 소요되기도 하는데요.
문제는 매출이 늘어날수록 사입 비용, 광고비, 인건비 같은 고정비 역시 계속 발생한다는 점이에요.
매출은 쌓이지만 현금은 손에 들어오지 않고, 결국엔 물건을 빠르게 사입해 매출을 늘릴 수 있는 기회마저 놓치는 소상공인들이 생각보다 정말 많아요.
이처럼 소상공인들의 자금 경색 문제는 여러분들이 생각하는 것보다 훨씬 더 심각한 수준입니다.
올라핀테크는 이러한 문제를 해결하기 위해 비금융 데이터 기반으로 6년 째 매출채권 선정산 서비스를 제공하고 있는데요.
이 서비스의 목표는 쇼핑몰의 매출 흐름, 거래 패턴과 같은 비금융 데이터를 활용해 “기존 금융권에서 소외된 판매자에게도 자금 유동성을 제공한다.”였어요.
하지만 서비스가 성장하면서 결국 한계에 부딪혔습니다.
롱테일 판매자에게 더 많은 기회를 제공하고, 동시에 건실한 판매자에게는 더 큰 한도를 제공하기 위해서는 ‘지금까지 활용해 왔던비금융 데이터만으로는 부족하다…’는 결론에 도달했어요.
그래서 모델링팀은 전통적인 금융 데이터까지 결합한 “소상공인 대상 대안신용평가 모델 구축”이라는 목표를 세우고 신용평가사와 협력해 공동 프로젝트를 진행하게 되었습니다.
이번 글에는 핀테크 스타트업에서 신용평가사와 공동 프로젝트를 진행하는 과정에서 겪은 시행착오와 실제 기술적 고민들을 남겨 회고해보겠습니다.
데이터_가명결합_비금융_금융_조합_컨셉
기술보다 앞서 마주한 ‘규정’이라는 벽
프로젝트를 추진하면서 가장 먼저 부딪힌 벽은 기술이 아닌 규정이었어요.
금융사가 아닌 올라핀테크와 같은 스타트업이 신용평가사와 데이터를 결합하려면 반드시 가명결합이라는 절차를 거쳐야 하는데요.
당시 올라핀테크에는 가명결합과 관련된 선행 경험도, 내부 규정도 전무한 상태였죠. 기술에 대한 고민을 시작하기 전에 관련된 규정과 제도 등 기반부터 닦는 과정이 필요했어요. 단순히 문서를 몇 개 만드는 수준이 아니라, 제도·기술·조직 전반을 새로 설계해야 하는 프로젝트가 시작된 셈이었죠.
이 과정에서 중요했던 내용들을 공유해보겠습니다!
제로베이스에서 시작한 내규 정비
가명결합은 개인정보보호법의 테두리 안에서만 허용되는데요.
저희는 이번 프로젝트의 가명정보 활용 목적을 ‘과학적 연구’로 명확히 정의하고, 개인정보 포털의 가이드라인을 참고해 다음과 같이 안전조치를 중심으로 내부 기준을 정비했어요.
가명정보 관련 내규 개정
“가명정보 처리 관련 내부 관리계획”과 “가명정보 활용 관련 개인정보 처리방침”의 개정을 통해 필요한 항목들을 추가 및 보완했어요.
추가 보완된 주요 항목
- 가명정보 및 추가정보의 분리 보관에 관한 사항
- 가명정보 및 추가정보에 대한 접근권한 분리에 관한 사항
- 가명정보 또는 추가정보의 안전성 확보조치에 관한 사항
- 가명정보를 처리하는 자의 교육에 관한 사항
- 개인정보 처리방침 공개에 관한 사항
- 가명정보의 재식별 금지에 관한 사항
개정 및 정비한 주요 항목
- 가명정보 처리 목적
- 가명정보 제3자 제공에 관한 사항
- 처리하는 개인정보의 항목
물리적·기술적 보호조치
해당 작업에서 필요한 것은 기존 정보시스템 접근 권한 분리와 가명정보 취급 담당자를 지정하는 것, 또 접근권한 분리 및 관리에 대한 내부 프로세스를 정립하는 것이었어요.
그 중에서도 가장 어려웠던 부분은 ‘접근 권한 분리’였는데요. 소규모 스타트업의 특성 상 물리적으로 완벽하게 분리한다는 것은 쉽지 않았습니다.
대신 중요자료 보관을 위해 존재했던 기존 통제구역에 전용 단말기를 설치하고, 출입인원을 통제 및 관리 기록하는 방식으로 리스크를 최소화했어요. 더불어 소규모 기업일수록 심사 기준이 엄격하다는 데이터 전문기관의 조언에 따라 협업 중인 신용평가사에 파견을 나가 분석 업무를 진행하는 방법도 고려하고 있어요.
데이터 가공: 재식별은 막고, 분석 유효성 확보하기
내규 정비 이후에는 실제 데이터를 결합 가능한 형태로 가공하는 작업을 진행했어요.
모델링팀에서 가명처리 대상과 방법에 대해 구체적으로 정의한 후 데이터엔지니어링팀에서 데이터를 가공하는 방식으로 진행되었는데요.
이 과정에서 신용평가사와 가명처리 대상 및 결합키 선정을 위해 수차례 미팅을 통해 의견을 나누고 협의를 진행해야 했어요. 쉽지 않은 의사결정 과정이었지만 가장 효과적인 방안을 찾아 아래와 같이 진행하기로 협의했어요.
데이터_거버넌스_보안_내규_수립
결합 대상 정의
- 대상 기간: 2022.04 ~ 2025.08 (총 1,249일)
- 대상 사업자: 지급 또는 회수 이력이 1회 이상 존재하는 사업자
- 데이터 구조: “사업자 × 기준일자” 형태의 일 단위 데이터
결합키 설계
결합키 설계의 핵심은 ‘올라핀테크에서 보유한 사업자 정보’와 ‘신용평가사에서 보유한 사업자 정보’의 매칭률이었어요.
저희는 매칭률을 최대한 높이기 위해 두 가지 결합키를 설계했어요.
- Key 1: 사업자등록번호 + 개인정보 조합 + SALT값
- Case1: 사업자등록번호 + 개인정보
- Case2: 사업자등록번호
- Case3: 개인정보
→ 3개 Case 조합을 문자열로 생성 후 SALT값을 결합해 SHA256 암호화 - Key 2: 기준일자(YYYYMMDD) + SALT값
→ 모든 row에 기준일자 컬럼 생성 후 SALT값을 결합해 SHA256 암호화
최종적으로 데이터 결합은 해당 결합키를 기준으로 데이터 전문기관을 통해 진행되며, 결합 이후에는 결합키가 제거된 상태의 데이터만 제공 받게 돼요. 이를 통해 개인정보 식별이 불가능한 결합 데이터를 획득하는거죠.
결합 데이터 범위 및 스키마 정리
결합 목적에 맞게 활용할 데이터를 선정하고 재가공하여 결합을 진행하기로 하고, 내부 스키마를 다음과 같이 정의했어요.
- KEY 영역
1) A_KEY: Key1에 대한 해시값
2) B_KEY: Key2에 대한 해시값 - 유저 단위 정보 (결합키 기준)
1) 사업자 유형, 가입 일자, 계좌 변경 여부 등의 기본 속성
2) 지급/회수/미납/장기 미수에 대한 일단위 집계 지표
3) 각 쇼핑몰 플랫폼 단위로 파생된 지표
컬럼 구조 재정의
이후 데이터 명세서를 기반으로, 결합에 사용될 컬럼을 크게 네 가지 영역으로 나눴습니다.
- 기본 정보: USER_ID, 기준 일자, 사업자 유형 등
- 지급 정보: 지급 건수, 지급 금액, 채권 잔액 등
- 회수 정보: 회수 건수, 회수 금액, 장기 미수 발생/해소 관련 지표 등
- 연체 정보: 연체 발생/해소 건수&금액, 연체 일수 구간 별 집계 등
가명처리 기법 설계 및 적용
위와 같이 정의한 다양한 변수들에 대해 식별 위험을 최소화하면서도 분석의 유효성을 확보하기 위해, 변수 유형별로 가명처리 기법을 달리 적용했어요.
가명처리 기법에는 수많은 기술 종류가 있지만, 저희가 실제로 적용한 주요 조합 3가지를 아래와 같이 정리해봤습니다.
가명처리_3단계_기법_설계_프로세스
1. 날짜 변수 — 랜덤 잡음 추가
정확한 기준일자가 그대로 노출되면 특정 이벤트를 통해 재식별 위험성이 높아질 수 있다고 판단하여, 아래와 같이 잡음을 추가 적용했어요.
- 기준일자에 -5일 ~ +5일의 랜덤 오프셋 적용
- 개별 이벤트 날짜는 식별할 수 없지만 “언제 발생했는가”를 추측해 분석 유의미성 확보
- 시계열 패턴은 유지되지만, 특정 사용자 재식별 불가
2. 횟수 변수 — 상단코딩 + 로컬 일반화
신청 건수나 미납 횟수 등의 변수는 상위 소수에 해당하는 사용자들의 경우 식별 위험성이 크게 높아져요.
그래서 이를 완화하기 위해 아래와 같은 구조를 사용했어요.
- 상단코딩(Top-Coding)
변수별 분포를 파악, 임계값을 설정해 그 이상은 해당 상단 값으로 치환 - 로컬 일반화(Local Generalization)
“서로 가장 가까운 값”들을 기준으로 최소 4개 이상이 포함되도록 그룹화하여 대표 값으로 치환
ex) {7,8,9,10} → 대표 값 한 개로 일반화 - 상단코딩으로 먼저 극단 값을 치환하고, 로컬 일반화로 희소 구간을 다시 그룹화하여 재식별 위험을 줄이면서, “횟수가 많을수록 리스크가 크다”는 방향성 정보는 유지
3. 금액 변수 — 반올림 + 상단코딩 + 로컬 일반화
금액 데이터는 분포의 폭이 크고, 고액 거래의 경우에는 그 자체로 식별 가능성이 매우 높았어요.
때문에 금액 변수에는 아래 3단계 가명처리 조합을 적용했어요.
- 반올림
10만원 단위로 반올림하여 세밀한 금액 차이 제거, 재식별 가능성 축소 - 상단코딩
횟수 변수와 동일하게 진행 - 로컬 일반화
횟수 변수와 동일하게 진행
참고.
마치며
이번 프로젝트를 진행하는 과정에서 저희가 직접 부딪히며 배우고 느꼈던 점들이 많아요.
첫째, 규제 대응 역량도 제품의 일부라는 점이에요.
초반에는 “스타트업인데 이 정도까지 해야 하나”라는 생각이 들기도 했지만, 내부 규정과 데이터 가공 체계를 한 번 제대로 만들어 놓고 나니 이후 다른 프로젝트에서도 기준점이 명확해졌어요.
둘째, 준비 과정이 모델링보다 더 어렵다라는 거예요.
목적 정의, 내규 정비, 스키마 설계, 가명처리 로직 결정에 쓴 시간은 평소에 분석이나 모델링에 필요했던 시간보다 훨씬 더 많은 시간을 필요로 했어요.
하지만 이 절차가 제대로 수행되어야, 가명정보로 만들어질 모델이 “언제 누구에게 보여도 괜찮은 결과물”이 될 수 있기에 꼼꼼하게 시간을 들여 진행했어요.
셋째, “비금융+금융” 데이터 조합의 가능성을 확인했다는 점이에요.
이번 가명결합을 통해 얻고자 한 것은 단순한 리스크 예측이 아니라 “어떤 사업자를 더 신뢰할 수 있는가”를 더 공정하게 판단하는 기준이었어요.
매출·미납·회수 패턴과 같이 실제 거래 행동 데이터와 신용정보가 만나는 지점에서 기존에 평가받지 못했던 소상공인들을 새로운 방식으로 바라볼 수 있는 가능성을 볼 수 있었어요.
이렇게 신용평가사와 협업하는 과정에서 가명결합을 직접 부딪히며 준비했던 모든 경험들이 저희에겐 큰 의미가 있었어요.
외부 업체와 프로젝트를 진행한다는 것은 일정 조율부터 커뮤니케이션까지 어느 것 하나 쉬운 일이 없었고, 일을 계획대로 진행하는 것조차 쉽지 않은 일이었어요.
어려움에 직면하는 순간순간마다 “그냥 내부 데이터만 활용해서 만들어볼까”라는 생각이 들기도 했는데요.
그럼에도 통제되지 않는 상황 속에서 규정과 데이터 구조를 하나씩 정의하고 만들어가며, “결국 이 수준의 데이터 거버넌스를 갖추는 회사와 그렇지 않은 회사의 격차는 앞으로 더 벌어지겠구나”라는 생각에 미래를 위한 초석을 닦는다는 마음으로 지금 이 순간도 최선을 다해 가명결합 절차를 준비하고 있어요.
아직 끝나지 않은 가명결합 준비 여정을 잘 마무리하여 다음에는 대안신용평가 모델 구축기를 기록하는 날이 오기를 바라봅니다.
“올라핀테크 모델링팀은 앞으로도 기술과 규제의 경계에서 날카로운 고민을 거듭하며, 흩어진 데이터 조각을 연결해 소상공인들에게 더 정교하고 공정한 금융 기회를 제공할 예정입니다.”
write. 모델링팀 현윤진, 최은재