Information Systems Review (경영정보학연구)

The Korea Society of Management Information Systems (한국경영정보학회)
권호 표지
DOI QR코드

DOI QR Code

Financial Products Recommendation System Using Customer Behavior Information

고객의 투자상품 선호도를 활용한 금융상품 추천시스템 개발

  • Hyojoong Kim (Graduate School of Information, Yonsei University) ;
  • SeongBeom Kim (Graduate School of Information, Yonsei University) ;
  • Hee-Woong Kim (Graduate School of Information, Yonsei University)
  • 김효중 (연세대학교 정보시스템학) ;
  • 김성범 (연세대학교 정보대학원) ;
  • 김희웅 (연세대학교 정보대학원)
  • Received : 2022.07.30
  • Accepted : 2023.01.10
  • Published : 2023.02.28
Download PDF
⟨ Previous Next ⟩

Abstract

With the development of artificial intelligence technology, interest in data-based product preference estimation and personalized recommender systems is increasing. However, if the recommendation is not suitable, there is a risk that it may reduce the purchase intention of the customer and even extend to a huge financial loss due to the characteristics of the financial product. Therefore, developing a recommender system that comprehensively reflects customer characteristics and product preferences is very important for business performance creation and response to compliance issues. In the case of financial products, product preference is clearly divided according to individual investment propensity and risk aversion, so it is necessary to provide customized recommendation service by utilizing accumulated customer data. In addition to using these customer behavioral characteristics and transaction history data, we intend to solve the cold-start problem of the recommender system, including customer demographic information, asset information, and stock holding information. Therefore, this study found that the model proposed deep learning-based collaborative filtering by deriving customer latent preferences through characteristic information such as customer investment propensity, transaction history, and financial product information based on customer transaction log records was the best. Based on the customer's financial investment mechanism, this study is meaningful in developing a service that recommends a high-priority group by establishing a recommendation model that derives expected preferences for untraded financial products through financial product transaction data.

인공지능(AI) 기술이 발전함에 따라 빅데이터 기반의 상품 선호도 추정 개인화 추천시스템에 관심이 증가하고 있는 추세이다. 하지만 개인화 추천이 적합하지 않은 경우 고객의 구매 의사를 감소시키고 심지어 금융상품의 특성상 막대한 재무적 손실로 확대될 수 있는 위험을 가지고 있다. 따라서 고객의 특성과 상품 선호도를 포괄적으로 반영한 추천시스템을 개발하는 것이 비즈니스 성과 창출과 컴플라이언스 이슈 대응에 매우 중요하다. 특히 금융상품의 경우 개인의 투자성향과 리스크 회피도에 따라 고객의 상품 선호도가 구분되므로 축적된 고객 행동 데이터를 활용하여 맞춤형 추천서비스를 제안하는 것이 필요하다. 이러한 고객의 행동 특성과 거래 내역 데이터를 사용하는 것뿐만 아니라, 고객의 인구통계정보, 자산정보, 종목 보유 정보를 포함하여 추천 시스템의 콜드 스타트 문제를 해결하고자 한다. 따라서, 본 연구는 고객의 거래 로그 기록을 바탕으로 고객의 투자성향과 같은 특성 정보와 거래 내역 및 금융상품 정보를 통해 고객별 금융상품 잠재 선호도를 도출하여 딥러닝 기반의 협업 필터링을 제안한 모형이 가장 성능 우수한 것을 확인하였다. 본 연구는 고객의 금융 투자 메커니즘을 기반으로 금융상품 거래 데이터를 통해 미거래 금융상품에 대한 예상 선호를 도출하는 추천 모델을 구축하여, 선호가 높을 것으로 예상되는 상위 상품군을 추천하는 서비스를 개발하는 것에 의의가 있다.

Keywords

References

  1. 김석수, "금융 상품 추천에 관련된 빅 데이터 활용을 위한 개발 방법", 한국컴퓨터정보학회 논문지, 제19권, 제8호, 2014, pp. 73-81. https://doi.org/10.9708/jksci.2014.19.8.073
  2. 김효중, 신우식, 신동훈, 김희웅, 김화경, "고객의 특성 정보를 활용한 화장품 추천시스템 개발", Information Systems Review, Vol.23, No.4, 2021, pp. 69-84. https://doi.org/10.14329/isr.2021.23.4.069
  3. 방영석, 이동주, 배윤수, "개인화 서비스의 수용에 있어서 인지된 개인화와 이해의 역할", 경영학연구, 제40권, 제2호, 2011, pp. 355-382.
  4. 배은영, 신오순, "Neural Collaborative Filtering 기반 개인 맞춤형 운동 추천 알고리즘", 한국통신학회 학술대회논문집, 2020, pp. 313-314.
  5. 송희석, "심층신경망 기반의 뷰티제품 추천시스템", Journal of Information Technology Applications & Management, 제26권, 제6호, 2019, pp. 89-101.
  6. 원종윤, 이건창, "금융상품의 재무정보 형식에 따른 사용자의 주의할당과 선호도에 관한 실증연구: 아이트래킹 실험을 중심으로", Information Systems Review, 제23권, 제2호, 2021, pp. 1-19. https://doi.org/10.14329/isr.2021.23.2.001
  7. 이은주, 송재오, 김이나, 유재수, "화장품 추천을 위한 개인의 피부 유형 및 유전자를 이용한 빅데이터 분석 기반 모바일 서비스", 한국콘텐츠학회 종합학술대회 논문집, 2018, pp. 495-496.
  8. 이재웅, 김영식, 권오병, "비정형 데이터 분석을 통한 금융소비자 유형화 및 그에 따른 금융상품 추천 방법", 한국 IT 서비스학회지, 제15권, 제4호, 2016, pp. 1-24. https://doi.org/10.9716/KITS.2016.15.4.001
  9. 장예화, 이청용, 최일영, 김재경, "리뷰 데이터 마이닝을 이용한 하이브리드 추천시스템 개발: Amazon Kindle Store 데이터 분석사례", Information Systems Review, 제23권, 제1호, 2021, pp. 155-172. https://doi.org/10.14329/isr.2021.23.1.155
  10. 최용석, 아이폰과 아이패드 애플의 전략, Initial Communications Corp., 2010.
  11. Bobadilla, J., F. Ortega, A. Hernando, and A. Gutierrez, "Recommender systems survey", Knowledge-Based Systems, Vol.46, 2013, pp. 109-132. https://doi.org/10.1016/j.knosys.2013.03.012
  12. Bolton, R. and T. J. Foxon, "A socio-technical perspective on low carbon investment challenges: Insights for UK energy policy", Environmental Innovation and Societal Transitions, Vol.14, 2015, pp. 165-181, Available at https://doi.org/https://doi.org/10.1016/j.eist.2014.07.005.
  13. Covington, P., J. Adams, and E. Sargin, "Deep neural networks for youtube recommendations", Proceedings of the 10th ACM Conference on Recommender Systems, 2016.
  14. Cremonesi, P., F. Garzotto, and R. Turrin, "Investigating the persuasion potential of recommender systems from a quality perspective: An empirical study", ACM Transactions on Interactive Intelligent Systems (TiiS), Vol.2, No.2, 2012, pp. 1-41. https://doi.org/10.1145/2209310.2209314
  15. Cronqvist, H. and S. Siegel, "The genetics of investment biases", Journal of Financial Economics, Vol.113, No.2, 2014, pp. 215-234, Available at https://doi.org/https://doi.org/10.1016/j.jfineco.2014.04.004.
  16. Gao, C., X. He, D. Gan, X. Chen, F. Feng, Y. Li, T.-S. Chua, and D. Jin, "Neural multi-task recommendation from multi-behavior data", 2019 IEEE 35th International Conference on Data Engineering (ICDE), 2019.
  17. Gholamian, M., M. Fathian, M. Julashokri, and A. Mehrbod, "Improving electronic customers' profile in recommender systems using data mining techniques", Management Science Letters, Vol.1, No.4, 2011, pp. 449-456. https://doi.org/10.5267/j.msl.2011.06.011
  18. Gigli, A., F. Lillo, and D. Regoli, Recommender Systems for Banking and Financial Services. RecSys Posters, 2017.
  19. Hall, S., T. J. Foxon, and R. Bolton, "Investing in low-carbon transitions: Energy finance as an adaptive market", Climate Policy, Vol.17, No.3, 2017, pp. 280-298. https://doi.org/10.1080/14693062.2015.1094731
  20. He, X., L. Liao, H. Zhang, L. Nie, X. Hu, and T.-S. Chua, "Neural collaborative filtering", Proceedings of the 26th International Conference on World Wide Web, 2017.
  21. He, X., X. Du, X. Wang, F. Tian, J. Tang, and T.-S. Chua, "Outer product-based neural collaborative filtering", 2018, arXiv preprint arXiv:1808. 03912.
  22. Jannach, D., M. Zanker, A. Felfernig, and G. Friedrich, Recommender Systems: An Introduction, Cambridge University Press, 2010.
  23. Kim, M.-G. and K.-J. Kim, "Recommender systems using SVD with social network information", Journal of Intelligence and Information Systems, Vol.22, No.4, 2016, pp. 1-18. https://doi.org/10.13088/jiis.2016.22.4.001
  24. Komiak, S. Y. and I. Benbasat, "The effects of personalization and familiarity on trust and adoption of recommendation agents", MIS Quarterly, 2006, pp. 941-960.
  25. Koren, Y., R. Bell, and C. Volinsky, "Matrix factorization techniques for recommender systems", Computer, Vol.42, No.8, 2009, pp. 30-37. https://doi.org/10.1109/MC.2009.263
  26. Matsunami, Y., M. Ueda, and S. Nakajima, "How to find similar users in order to develop a cosmetics recommender system", International MultiConference of Engineers and Computer Scientists, 2017.
  27. Park, S.-T. and W. Chu, "Pairwise preference regression for cold-start recommendation", Proceedings of the third ACM conference on Recommender systems, 2009.
  28. Patty, J. C., E. T. Kirana, and M. S. D. K. Giri, "Recommendations system for purchase of cosmetics using content-based filtering", International Journal of Computer Engineering and Information Technology, Vol.10, No.1, 2018, pp. 1-5.
  29. Persson, P., "Attention manipulation and information overload", Behavioural Public Policy, Vol.2, No.1, 2018, pp. 78-106. https://doi.org/10.1017/bpp.2017.10
  30. Schafer, J. B., D. Frankowski, J. Herlocker, and S. Sen, "Collaborative filtering recommender systems", In The adaptive web (pp. 291-324), Springer, 2007.
  31. Su, X. and T. M. Khoshgoftaar, "A survey of collaborative filtering techniques", Advances in Artificial Intelligence, 2009.
  32. Yim, Y.-J., H.-S. Bae, Y.-J. Jeong, M.-Y. Kim, A. Nasridinov, K. H. Yoo, and J.-E. Hong, "A user driven cosmetic item recommendation system by character recognition", Proceedings of the Korea Information Processing Society Conference, 2016.
  33. Yoon, J. and S. Joung, "A big data based cosmetic recommendation algorithm", Journal of System and Management Sciences, Vol.10, No.2, 2020, pp. 40-52.
  34. Zatevakhina, A., N. Dedyukhina, and O. Klioutchnikov, "Recommender systems - The foundation of an intelligent financial platform: Prospects of development", 2019 International Conference on Artificial Intelligence: Applications and Innovations (IC-AIAI), 2019.
  35. Zhang, S. X., Y. Wang, A. Rauch, and F. Wei, "Unprecedented disruption of lives and work: Health, distress and life satisfaction of working adults in China one month into the COVID-19 outbreak", Psychiatry Research, Vol.288, 2020, pp. 112958, Available at https://doi.org/https://doi.org/10.1016/j.psychres.2020.112958.