A Research on the Development and Operation of Fraud Detection System(FDS) in the Financial Sector - Focusing on Industries with Deposit Accounts -

금융분야 FDS(Fraud Detection System) 구축·운영 방안에 대한연구 - 수신계좌 보유 업권을 중심으로 -

Abstract

Digital transformation is fundamentally reshaping the financial industry, offering consumers new experiences and opportunities. However, alongside this, digital financial fraud such as voice phishing is becoming increasingly sophisticated by integrating with IT. Financial institutions implement Fraud Detection Systems (FDS) to combat these crimes and protect consumers, yet most research about FDS focuses on technological studies such as AI-based FDS. Practical methodologies for developing and operating FDS across various financial sectors remain scarce, especially for institutions with underdeveloped FDSs. This paper addresses these challenges by analyzing non-face-to-face operations, digital financial fraud types, and available data for each sector, integrating these with FDS processes. It proposes frameworks and variables for FDS development tailored to each financial sector.

금융분야의 파괴적 혁신인 디지털 전환은 금융업을 근본적으로 변화시키고 금융소비자에게 새로운 경험과 기회를 제공하고 있다. 그러나 이와 동시에 보이스피싱 등 디지털금융사기 역시 IT와 결합하여 점차 고도화하고 있다. 각 금융회사에서는 디지털금융사기에 대응하고 금융소비자의 피해를 방지하기 위해 FDS(Fraud Detection System)를 구축·운영하고 있으나 관련 연구 대부분이 AI 등을 활용한 기술적인 연구에 집중되어 있으며, FDS 수준이 낮거나 신규구축하고자 하는 금융업권별 FDS 구축·운영 방법론에 대한 실증적인 연구는 현재까지 부족한 상황이다. 본 논문은 이러한 문제점 해소를 위해 각 금융업권별 비대면업무, 발생하는 디지털금융사기 유형 및 가용 데이터 등에 대한 분석 후 이를 FDS 업무 프로세스와 결합하여 FDS 프레임워크 및 특성 변수를 마련하고 이를 바탕으로 각 금융업권별 FDS 구축·운영 방법론을 제시한다.

1. 서론

2010년도 후반부터 진행 중인 금융분야의 혁신인 디지털 전환(Digital Transformation)은 COVID-19 이후 더욱 가속화되고 있다. 디지털 전환은 “AI, 클라우드, 빅데이터, 블록체인 등 여러 디지털 기술을 통해 상품, 서비스, 프로세스, 운영방식 등을 혁신하고 나아가 기존 방식과는 전혀 다른 디지털 기반의 비즈니스 모델로 전환하는 지속적인 과정”으로 정의할 수 있으며,[10] 이는 금융업의 본질을 근본부터 변화시키는 파괴적 혁신으로서 금융업의 경쟁력을 디지털플랫폼으로 재편하고 있다. 디지털 전환으로 인한 금융분야의 대표적인 변화로는 과거 일부 금융업권에서만 활용되던 개인정보를 포함한 다양한 데이터의 광범위한 활용, 모바일 및 인터넷 채널을 통한 비대면 금융의 보편화, 금융과 전자상거래·가상자산거래·이동통신·공공·교통 등 비금융 간의 융합 등을 들 수 있다. 특히 금융소비자는 금융회사가 제공하는 개별 모바일 앱을 통해 각 금융회사가 제공하는 고유 서비스만을 이용하던 과거의 방식에서 벗어나, 디지털 전환 이후 직관적인 UI(User Interface) /UX(User Experience)를 갖춘 슈퍼앱(Super App)을 통해 개인맞춤형 서비스및 금융업권과 비금융업권에 걸쳐 융합된 서비스를 심리스(Seamless)하게 제공받고 있다.

이처럼 디지털 전환은 금융업 전반에 다양한 변화를 가져오고 있으나, 금융소비자 입장에서 가장 직접적으로 체감되는 변화는 모바일기기 등을 통한 비대면금융의 보편화이다. 과거에는 금융소비자가 금융회사 영업점의 창구나 설계사 등 대면 채널을 주로 이용했다면, 현재는 스마트폰을 비롯하여 PC 등 IT 기기를 활용한 비대면 채널이 주로 활용되고 있으며, 이러한 변화는 토스 등 슈퍼앱의 대중화로 더욱 가속화되고 있다.

다만 비대면 디지털금융의 확산의 이면에는 디지털 금융사기가 빠르게 증가하고 있다. 디지털금융사기는 언론 등에서 보이스피싱으로 통칭되지만, 보이스피싱을 규율하는 법령인 “전기통신금융사기 피해 방지 및 피해금 환급에 관한 특별법”(이하 “통신사기피해환급법”이라 함)에서 보이스피싱을 뜻하는 ‘전기통신금융사기’의 정의에 부합하는 사기 외에도 다양한 유형의 디지털금융사기가 발생하고 있다. 이를 종합하면 디지털금융사기는 금융소비자를 속이거나 스마트폰 또는 접근매체를 탈취 및 장악하여 비대면으로 금전을 탈취하는 보이스피싱, 스미싱, 부정결제 등 사기행위 전반을 포괄하는 개념으로 볼 수 있다.

비대면금융의 확산에 따라 금융회사 영업점이 감소하면서 금융소비자들은 과거 사기 탐지 및 대응에 중요한 역할을 하던 경험과 눈썰미를 갖춘 영업점 직원들의 도움을 받기 어렵게 되어, 디지털금융사기에 대한 지식과 경각심을 가지지 않은 금융소비자는 사기로 인해 피해를 입을 가능성이 높아지고 있다. 특히, 디지털기기에 익숙하지 않은 고령층과 금융거래 또는 계약 경험이 부족한, 이른바 씬파일러(Thin-Filer)라 불리는 사회초년생들이 디지털금융사기 주요 타겟이 되고 있다. 고령층이나 사회초년생 등 취약계층이 본인이나 지인의 사기피해를 경험할 경우 디지털금융에 대한 신뢰를 잃고 자산관리 등 금융서비스로부터 더욱 소외됨으로써 사회적, 경제적 불균형이 더욱 강해지는 디지털 디바이드(Digital Divide) 현상이 초래될 가능성이 높다.

디지털금융사기의 확산으로 인해 정부, 금융, 통신, 수사 등 다양한 분야에서 이에 대응하기 위한 방안을 마련하고 있으며, 이중 실제 금융거래가 이루어지는 금융회사에서 디지털금융사기를 탐지·분석하고 대응하기 위해 구축한 시스템이 FDS(Fraud Detection System)이다. 다만, 금융회사에서 발생하는 디지털금융사기는 금융업권별 대고객업무 유형에 따라 상이하며, FDS 또한 활용되는 비대면 채널, 금융회사의 규모, 가용한 데이터의 종류와 규모, 금융소비자의 특성, 관련 법령 등에 따라 구축·운영 방법이 달라진다. 그러나 국내외 FDS 관련 연구 대부분은 데이터마이닝, AI 등을 활용하여 탐지 알고리즘의 정확도(Precision)와 재현율(Recall)을 높이는 것에 초점이 맞춰져 있으며, 금융업권의 특성에 따른 FDS의 구축 및 운영 방법론에 대한 실증연구는 부족한 상황이다.

이에 본 연구는 이러한 문제를 보완하고 각 금융회사에서 FDS의 구축·운영할 경우 원칙이 될 수 있는 실증적인 업권별 방법론을 제시하는 것을 목표로 한다. 본 연구에서는 우선 은행, 금융투자, 저축은행, 상호금융 등 수신계좌 보유업권을 대상으로 하여 금융업권별 대고객서비스와 업무 특성, 그리고 디지털금융 사기 유형 등을 분석하고 이를 바탕으로 각 금융업권에 적합한 FDS 구축·운영 방법론을 제시한다.

본 연구의 구성은 다음과 같다. 제2장에서는 이론적 배경으로 디지털금융사기, FDS 탐지기법 및 관련 제도를 논하며, 제3장에서는 FDS 관련 주요 선행연구를 다룬다. 제4장에서는 FDS 업무 프로세스에 따라 고려해야 할 프레임워크를 제시하고, 프레임워크를 구성하는 요소들을 FDS 특성 변수로 도출한다. 제5장에서는 FDS 프레임워크와 특성 변수를 바탕으로 각 금융업권별 FDS 구축·운영 방법론을 제안하며, 제6장에서 결론을 내린다

2. 이론적 배경

2.1 디지털금융사기

FDS 방법론을 논하기에 앞서, FDS가 탐지·분석 및 대응하는 디지털금융사기에 대한 개념 정립이 선행되어야 한다. 가장 일반적인 수법인 보이스피싱, 즉 전기통신금융사기는 금융당국 및 금융회사의 대응을 규율하는 법령인 통신사기피해환급법에서 “전기통신을 이용하여 타인을 기망(欺罔)ㆍ공갈(恐喝)함으로써 자금 또는 재산상의 이익을 취하거나 제3자에게 자금 또는 재산상의 이익을 취하게 하는 행위”로 정의한다. 그 밖의 디지털금융사기로는 피싱, 스미싱, 부정결제 등이 있으며, 최근에는 QR코드를 악용하여 피해자를 기망하는 큐싱 등 신종수법도 확산되고 있다. 디지털 금융사기의 각 유형은 <표 1>과 같다.

<표 1> 디지털금융사기의 주요 유형

최근 발생하는 디지털금융사기의 양상을 보면 단일 금융회사의 금융서비스만을 대상으로 하지 않고 다수 금융회사 대상으로 발생하고 있으며, 최근에는 생성형 AI(Generative AI)로 피해자 지인의 영상과 음성을 정밀하게 모사한 딥페이크(Deep Fake) 기법을 통해 금융소비자를 기망하는 수법도 등장하고 있다. 또한 다크웹(Dark Web)을 통해 구매한 피해자의 개인정보로 피해자 명의의 스마트폰을 개통하거나 악성앱으로 피해자 스마트폰을 장악한 후 자금을 탈취 및 유출하는 사례 역시 증가하고 있다. 이러한 과정에서 사이버공격-디지털금융사기-자금세탁이 융합되는 현상이 점차 뚜렷해지고 있다.

2.2 FDS 탐지·분석기법

FDS 프로세스는 금융회사에 인입되는 데이터를 수집하여 디지털금융사기로 의심되는 이상금융거래를 탐지 및 분석하고 이에 대응하는 순서로 진행된다. 금융회사는 FDS 운영을 위해 금융소비자의 성향 및 패턴, 접속기기정보, 거래정보 등 다양한 데이터를 포함한 데이터셋을 구축 후, 유입되는 데이터와 비교하여 과거 발생한 사기와 유사하거나 신종 사기로 의심되는 거래패턴이 탐지될 경우, 추가분석 과정을 거쳐 이상금융거래로 확인되면 금융소비자 대상의 통화, 추가인증, 거래차단 등의 방법으로 대응하며, 신종 사기가 확인될 경우, FDS 탐지기법을 갱신한다.

금융분야 FDS의 탐지·분석은 금융회사가 기 확보한 다양한 데이터를 바탕으로 데이터셋을 구축하고 이를 활용하여 신규로 인입되는 거래데이터에 ① 시나리오(룰) 기반 탐지기법, ② AI 기반 탐지기법, ③블랙리스트 기반 탐지기법을 적용하여 정상거래 또는 이상금융거래 여부를 분류하는 방식으로 이루어진다.

시나리오(룰) 기반 탐지기법은 금융회사에 인입되는 거래데이터 중 거래금액, 빈도 등이 특정 임계치를 넘거나 고객의 연령대, 거래 시각 등 특정 조건이 기존에 발생한 사기패턴과 일치할 경우, 이상금융거래로 분류하는 기법이다. 시나리오 기법은 FDS에서 가장 보편적으로 사용되며, 금융회사 담당자가 디지털금융사기 수법의 정보나 타 금융회사에서 사용되는 FDS 시나리오를 확보할 경우 신규 시나리오 생성이 즉시 가능하다. 또한 사기금액의 임계치 등이 변동될 경우 실무자가 신속하게 시나리오를 조정하여 대응할 수 있어 기민하고 유연한 대응이 가능하다.

AI 기반 탐지기법은 다량의 데이터에서 AI가 이상 금융거래를 탐지하는 방식이다. AI 기반 FDS에는 기존에 레이블링(Labeling)된 데이터 학습 없이 데이터 자체에서 이상행위를 찾는 비지도학습(Unsupervised Learning)보다 정상 데이터와 이상금융거래 데이터로 레이블링된 데이터셋을 활용하여 신규인입되는 거래 정보가 정상거래인지 이상금융거래인지 분류하는 지도학습(Supervised Learning)이 주로 활용되나 일부 핀테크기업이나 금융회사는 비지도학습 알고리즘을 활용하여 알려지지 않은 사기 패턴을 찾아내기도 한다. 다만 AI 기반 FDS를 활용하기 위해서는 다량의 레이블링된 정상/이상금융거래 데이터가 필요하며 이를 운용할 수 있는 인력 및 IT시스템도 필수적이다. 또한 AI 기반 FDS는 탐지 시 어떤 규칙에 의해 탐지되었는지 즉각적인 확인과 설명이 가능한 시나리오 기반 탐지기법에 비해 탐지결과에 대한 설명이 어려운 블랙박스(Black box) 문제를 내포하고 있다. 이로 인하여 오탐(False Positive)이 발생할 경우, 소송, 민원 등이 발생할 위험성이 높아 국내 금융회사에서는 도입하는데 어려움을 겪어 많은 금융회사에서 직관적으로 결과설명이 가능하고 대량의 데이터가 필요하지 않은 시나리오 기반 탐지기법을 보편적으로 사용한다.

블랙리스트 기반 탐지기법은 과거 사기 및 기타 범죄 등에 악용된 정보를 블랙리스트 DB로 구성한 후 금융거래시 이와 일치하는 정보가 탐지되면 이를 이상금융거래로 판단하는 기법이다. 기본적으로 금융회사가 기 확보한 사기범의 신원정보, 계좌, 카드 정보 등을 활용할 수 있으며, 비대면 금융에 활용되는 스마트폰이나 PC 등 범죄자산의 MAC 주소, UUID 정보, IP주소 등 기기·네트워크 정보를 활용하기도 한다. 또한 금융유관기관이나 보안업체에서 블랙리스트 정보를 금융회사에 공유하는 경우도 있다. 대표적으로 은행연합회가 제공하는 지급정지계좌 정보, 금융감독원의 개인정보노출자 정보, 신용정보원 안심차단서비스 등록 고객 정보 및 통신사나 신용평가사가 제공하는 사기악용 스마트폰 정보 등이 이에 해당한다.

2.3 관련 제도

금융회사가 FDS를 운영할 것을 구체적으로 규정한 법령은 존재하지 않는다. 다만 “통신사기피해환급법”의 대통령령인 동 법 시행령 제2조의4에서는 법의 적용대상인 금융회사가 “이용자의 계좌가 피해의심거래계좌로 이용되는지를 상시적으로 점검하는 전산시스템”을 구축·운영할 것을 명시하고 있으며 금융당국과 금융회사는 이 조항을 금융회사가 FDS를 구축하고 상시 운영해야 하는 근거로 판단하고 있다. 또한 “전자금융거래법” 제3장 「전자금융거래의 안전성 확보 및 이용자 보호」 각 조에 나열되어 있는 금융회사의 의무를 금융회사가 FDS를 구축 및 운영하기 위한 근거로 간주하는 경우도 있다.

법령은 아니지만 금융분야 FDS 구축 및 운영과 관련된 기술·관리 관점의 규준으로는 금융감독원과 금융보안원이 2023년 금융회사 실무자가 참여하는 협의 네트워크를 구성하여, 숙의를 통해 제정한 “금융분야 FDS 운영 가이드라인”이 있다. 이 가이드라인은 각 금융업권별로 마련된 탐지 시나리오 셋인 “공동 이상거래탐지룰”과 함께 각 금융회사가 FDS를 효과적으로 구축·운영하기 위해 준수해야 할 역할, 조직, 관련법령, 프로세스 등 최소 요건을 정의하고 있다. 가이드라인과 공동 이상거래탐지룰은 단순히 기술적인 요건만 제공하는 것이 아니라 금융권이 금융감독원과 체결한 “비대면 금융사고 예방을 위한 협약”에 따라 금융소비자가 디지털금융사기로 피해를 입을 경우, 금융회사의 손해배상 비율을 산정하는 기준으로도 적용되어 금융회사의 제도적 준칙 역할도 하고 있다.[8, 9]

3. 선행연구

FDS에 대한 선행연구는 주로 데이터 엔지니어링 측면에서 AI 또는 데이터마이닝 기법 등을 활용하여 탐지 및 분석의 정확도를 높이는 기법에 집중되어 있다. 반면, 각 업권별 FDS 구축 방법론에 대한 실증적인 선행연구는 상대적으로 부족한 상황이다. 아래의 선행연구는 본 연구의 목적과 일정 부분 연관성이 있는 연구들로 한정한다.

김태은 외(2015)는 COBIT, ITIL 등 IT 프레임워크를 벤치마킹하여 FDS의 구성요소, 정책을 포괄하는 프레임워크를 제시하였다. 이 연구에서 FDS 프레임워크는 데이터의 수집, 분석과 운영, 보안정책 및 보안감사와 관련된 모델로 구성되며 금융회사 전사 비전 및 운영 목표와 일치해야 함을 강조하여 본 연구에서 제시하는 프레임워크와 일치한다.[17]

Bin Sulaiman, R., Schetinin, V., & Sant, P. (2022)[3]는 대규모 데이터 확보를 위해 개인정보를 활용하는 방법과 각 금융회사에 동일한 AI 모델을 적용하여 각 금융회사가 정상/이상금융거래 데이터를 훈련한 후 중앙서버로 훈련결과를 송부하여 모델을 개선하는 연합학습(Federated Learning) 기반 FDS 모델을 제안하였다. 다만 동일 업권이라도 금융회사에 따라 FDS에서 사용가능한 데이터의 유형 뿐 아니라 전자금융시스템의 구성 및 데이터셋 구조는 상이하여, 다수 금융회사에서 동일한 AI 모델을 적용하기 위해서는 참여 금융회사에서 상당한 규모의 개발 작업이 필요하며, FDS에 활용하는 데이터에는 개인정보가 포함되어 있어 데이터 접근 및 반출 등과 관련된 규정 등을 준수하기 위해 법률 리스크 해소 및 금융회사 담당자 대상 설득이 필요하나, 본 연구에서는 이를 위한 구체적인 방법을 제시하지 못하여 실무에 즉시 적용하기에는 어려운 아이디어로 파악된다. 또한 연합 학습 기반 FDS를 실현하기 위해서는 데이터 학습을 위해 각 금융회사의 FDS 담당자가 기존 운영하던 FDS와 연합학습 FDS에 인입되는 데이터를 모두 정상데이터와 이상금융정보 데이터로 정확하게 분류해 입력해야 하므로 담당자의 업무가 가중되는 문제점도 있다. 이 연구는 AI 모델을 공유하는 것이 효과적이지 않음을 증명하며, 금융회사간 공유시 효과를 기대할 수 있는 FDS 관련 정보는 각 금융회사의 FDS에 용이하게 적용가능한 시나리오 및 각 금융회사에서 탐지한 이상금융거래정보 중 기기정보 등 개인정보보호법을 위반하지 않으면서 블랙리스트로 활용할 수있는 데이터에 한정된다.

Abdallah, A., Maarof, M. A., & Zainal (2016)[1]은 FDS에서 활용되는 메커니즘과 실무적으로 해소해야 할 과제 등을 금융권 및 비금융권의 다양한 산업의 비교·분석을 통해 도출하였다. 이 연구에서는 신용카드, 통신, 보험, 온라인 경매 등 다양한 산업별로 발생하는 디지털금융사기 유형이 상이하므로 산업분야별로 특화된 FDS 구성방식이 필요함을 실증적으로 도출하여 본 연구의 목적을 뒷받침한다.

이 선행연구들을 바탕으로 본 연구는 FDS에 공통적으로 적용가능한 프레임워크를 도출 후 프레임워크에서 도출한 특성 변수를 바탕으로 각 금융업권의 특성에 맞는 FDS 구축·운영 방법론을 도출한다.

4. FDS 프레임워크 및 특성 변수

4.1 FDS 프레임워크

본 연구는 은행, 금융투자, 저축은행, 상호금융 등 수신계좌를 보유한 업권을 대상으로 하며, 해당 업권에서 실제로 운영하는 FDS 및 디지털금융사기 등 업무환경을 바탕으로 FDS의 프레임워크 및 이 프레임워크를 구성하는 특성 변수를 제시한다.

FDS 프레임워크는 (그림 1)과 같은 구조로 구성된다. (그림 1)의 상부는 디지털 금융사기 발생단계부터 인입데이터의 확인, 데이터셋과 비교, 탐지 및 분석, 대응조치에 이르기까지의 FDS가 수행하는 일련의 프로세스를 구체화한 것이며 하부는 FDS의 이러한 프로세스에 영향을 미치는 FDS 특성 변수를 나타낸다.

(그림 1) FDS 프레임워크

디지털금융사기 발생 단계에서는 사기범이 각 금융업권별로 차별화된 ‘디지털금융사기 유형’에 해당하는 사기를 시도한다. 이때 FDS는 인입데이터 확인 단계에서 ‘비대면 채널’을 통해 인입되는 거래데이터 및 기기데이터 등을 확인할 수 있다. 이후 인입된 데이터와 금융회사가 보유한 가용한 데이터로 구성된 데이터셋을 비교하게 되는데 ‘가용 데이터 유형 및 규모’는 FDS가 활용하는 데이터의 다양성과 규모를 결정하며, 이는 각 금융회사에서 활용가능한 탐지·분석기법의 종류와 정확도에 직접적인 영향을 미친다. 탐지 및 분석단계에서는 인입된 데이터와 가용 데이터셋을 활용하여 ‘FDS 구축 방식’에 따라 정상거래와 이상금융거래를 구분한다. 이때 FDS가 구축되어 있는 곳은 별도 FDS를 활용하고 별도 FDS 구축이 되어있지 않은 곳은 기존의 전자금융시스템에 시나리오 기법, AI 기법 및 블랙리스트 기법을 업무 프로세스 형태로 적용한다. 또한 저축은행업권이나 상호금융업권 등 전산시스템이 통합운용되는 업권은 중앙회가 FDS를 구축·운영하는 통합 FDS를 운용하기도 한다. 마지막으로 대응단계에서는 금융회사가 보유한 ‘대응체계’ 통해 대응조치를 수행한다.

프레임워크 전반에서 금융회사는 통신사기피해환급법, 전자금융거래법 등 ‘적용 법령’을 반드시 준수해야 하며, ‘금융소비자 유형’이 전반적으로 영향을 미친다.

4.2 FDS 특성 변수

4.2.1 디지털금융사기 유형

금융업권에서 발생하는 디지털금융사기유형은 금융업권이 영위하는 비대면 업무과 금융소비자의 특성 등에 따라 상이하다. 수신계좌 보유업권에서 발생하는 디지털금융사기는 계좌 입출금을 악용한 전기통신금융사기나 ATM 및 오픈뱅킹 악용사기가 가장 일반적인 반면, 수신계좌 미보유업권에서는 부정결제, 대출금 탈취사기 등 여신거래 관련 사기가 일반적이다.

이와 별개로 전 업권에서 디지털금융사기의 사전작업으로 피해자를 기망하기 위한 피싱, 스미싱, 큐싱 등이 발생하며, 이를 통해 악성앱을 통한 스마트폰 장악 및 접근매체 탈취, 원격제어앱을 통한 금융앱 조작, 피해자 명의정보 탈취 후 알뜰폰 개통 등이 발생한다. 이렇듯 디지털금융사기는 사회공학 방법과 결합된 금융소비자 대상 사이버공격의 한 유형으로 볼 수 있으며 금융회사가 효과적으로 대응하기 위해서는 금융회사 내 소비자보호부서와 정보보호부서 간 협업 및 정보공유가 필수적이다.

또한 수신계좌가 없는 카드업권, 보험업권, 캐피탈업권에서 탈취한 자금도 수신계좌를 거쳐 이동하므로, 이에 대한 대응과 장기적으로 수신계좌 보유업권 및 미보유업권간 공동대응체계 마련도 필요하다.

4.2.2 비대면 채널

금융회사 대부분은 비대면 금융소비자 채널로 모바일 앱 또는 인터넷 웹을 제공하며, 특히 최근에는 스마트폰에 설치된 금융앱을 통한 거래가 보편화되고 있다. 현대사회에서 스마트폰은 개인의 아이덴티티(Identity) 역할을 하며, 특히 금융소비자는 본인인증시 스마트폰 기기 인증, 모바일OTP, 생체인증 등 스마트폰을 통한 인증방식을 이용한다. 이에 따라 최근 발생하는 디지털금융사기의 시작 지점에서는 사기범이 금융소비자의 스마트폰을 악성앱 또는 원격제어앱으로 탈취하거나 타인의 개인정보를 악용하여 타인명의로 개통이 용이한 알뜰폰 등을 개통하고 금융소비자의 아이덴티티를 탈취하는 경우가 있다.

이에 대응하기 위해 금융회사도 스마트폰에서 이상행위를 탐지하는 모바일 FDS 또는 백신 등을 통해 악성앱 또는 원격제어앱 설치 또는 가동 여부를 탐지하며, FDS 시나리오에 최초 거래 기기 여부, 기기 변경 시점, OS 변경 여부 등을 탐지조건으로 적용한다.

다만 일부 금융회사는 악성앱 탐지가 앱에 비해 어려운 모바일 웹을 비대면 채널로 사용하며, 소형 금융회사들은 자체 비대면채널보다 타사의 금융플랫폼에 의존하는 경우가 있어 비대면 채널에서 발생하는 이상행위를 확인하기 어려운 경우도 존재한다. 비대면 채널로 분류되지는 않지만, ATM 기기 등 영업점 외에서 발생하는 거래데이터도 각 금융회사의 전자금융 시스템에 인입되며, 금융회사의 FDS에서는 이를 이용하여 사기탐지·대응을 수행한다.

4.2.3 가용데이터 유형 및 규모

FDS는 금융회사가 기 보유하고 있거나 현재 인입되는 데이터를 바탕으로 이상금융거래를 탐지하는 데이터 기반 시스템이므로 FDS의 탐지 성능을 결정하는 변수로 데이터의 유형과 규모는 매우 중요하다.

금융회사의 FDS에서 활용할 수 있는 데이터가 다양하고 유효성이 높을 경우 시나리오의 임계치와 조건을 상세화하거나 AI 모델에서 학습 및 탐지에 사용되는 피쳐(Feature)로 활용될 수 있으며, 원시데이터 자체가 블랙리스트로 활용되는 등 가용데이터는 FDS의 탐지기법의 성능 및 구현가능성과 밀접한 관련이 있다. 일반적으로 금융회사 FDS가 활용하는 데이터는 고객데이터, 기기데이터, 거래데이터, 외부데이터로 구분되며 데이터 유형별 주요 사례는 <표 2>와 같다.

<표 2> 유형별 FDS 활용데이터 사례

고객데이터의 경우, 금융소비자의 평소 거래가 활성화될수록 다양하고 많은 데이터를 수집할 수 있다.

금융회사는 이를 통해 금융소비자의 특성을 프로파일링하여 인입되는 데이터로부터 금융소비자가 정상적으로 수행할 가능성이 낮은 행위를 탐지(Anomaly Detection)할 수 있다.

기기데이터는 금융소비자가 접속하는 스마트폰이나 PC 등 비대면 채널에서 수집되며 앱이나 보안모듈 등을 통해 유사한 데이터를 확보할 수 있다. 기존에 고객이 이용하지 않았던 기기데이터가 탐지될 경우, 추가 확인조치를 수행하거나 해당 기기가 블랙리스트 정보와 일치할 경우, 거래를 차단할 수 있다.

거래데이터는 금융회사의 소매 금융서비스에서 발생하는 거래유형에 따라 달라진다. 또한 동일 금융업권이라도 전자금융시스템의 구조 및 데이터셋에 적재 가능한 데이터에 따라 수집 데이터가 상이하다. 거래 데이터의 이상행위는 시나리오의 임계치, AI 피쳐 등에 거래금액, 횟수, 시간 등을 적용하여 탐지하며, 최근 일부 금융회사는 전자금융시스템 고도화시 설계단계에서부터 FDS에서 활용할 거래데이터를 미리 파악하여 신규 데이터셋에 이를 적재하는 방식으로 전자금융시스템과 FDS의 고도화를 동시에 진행한다.

외부데이터는 금융유관기관이나 민간기업 등을 통해 제공받을 수 있는 정보로 정보의 신뢰성이 높으면 이를 블랙리스트나 시나리오 조건으로 적용하여 이상금융거래를 초기부터 차단할 수 있다. 신용평가사나 이동통신사는 다양한 기관에서 수집한 데이터를 사기탐지에 활용할 수 있도록 제공하고 있으며, 고객데이터나 거래데이터가 부족한 금융회사는 이를 디지털금융사기 대응에 핵심적인 데이터로 활용하고 있다.

가용데이터의 규모는 금융회사에서 FDS 탐지·분석을 위해 활용되는 기법 적용 여부를 결정한다. 금융회사 FDS 담당자는 축적된 정보가 충분할 경우, 시나리오의 임계치, 조건 등을 정교화할 수 있으며 금융소비자를 프로파일링하여 정상적인 거래패턴에서 벗어난 행위가 확인될 시, 이상금융거래로 판단한다. 또한 정상데이터와 이상거래정보 데이터가 충분히 축적될 경우, 다량의 학습데이터가 필요한 데이터마이닝 또는 AI 기법 등을 적용할 수 있다.

가용데이터는 금융회사의 비대면 거래로부터 축적되므로 일반적으로 금융회사 비대면거래의 규모와 비례한다. 비대면거래의 규모를 직관적으로 보여주는 지표로는 모바일 앱의 MAU(Monthly Active User)를 들 수 있다. MAU는 30일 동안 특정 앱에서 제공하는 서비스를 이용한 사용자 수를 의미하는 지표로 모바일 앱 또는 디지털플랫폼이 시장에서 어느 정도의 가치를 가지고 있는지를 알려주어 모바일 플랫폼기업의 가치평가에도 활용된다. MAU는 절대적인 가치를 알려주는 척도는 아니지만 특정 앱이나 기업이 동일 업권의 모바일 시장에서 차지하고 있는 비중을 보여줄 뿐만 아니라, 서비스 이용 빈도 및 이를 통해 수집할 수 있는 데이터의 규모를 간접적으로 파악할 수 있도록 한다.

4.2.4 FDS 구축방식

FDS의 구축방식은 금융업권에 따라 상이하다. 수신계좌 보유업권은 FDS가 대부분 구축되어 있는 반면, 본 연구에서 다루지 않는 보험업권과 캐피탈업권은 디지털금융사기를 탐지하는 FDS의 구축 사례가 매우 드물다. FDS의 구축방식은 적용하는 탐지·분석 기법을 통해서도 분류할 수 있으나 통합 FDS 활용 여부로도 분류할 수 있다. 탐지·분석기법으로 분류할 경우, 금융회사의 가용데이터와 데이터분석 역량에 따라 시나리오 기반, AI 기반, 블랙리스트 기반 FDS로 분류할 수 있으나, 대부분의 FDS가 이 기법들을 2개 이상 조합하여 탐지·분석의 정확도를 높인다.

FDS를 운영하는 금융회사는 개별적으로 FDS를 구축·운영할 수도 있지만 금융업권의 구조 및 금융회사의 규모 등에 따라 여러 기관의 FDS를 단일 주체가 통합하여 구축·운영하는 통합 FDS도 있다. 저축은행중앙회는 전체 저축은행 79개사중 중소형 저축은행 67개사의 FDS를 통합운영하고 있으며 상호금융업권은 전체 단위조합의 비대면거래에서 발생하는 디지털금융사기를 각 중앙회에서 탐지·분석한다. 통합 FDS는 부족한 예산이나 인력으로 인해 독자적으로 FDS를 구축하기 어려운 중소형 금융회사에는 효과적인 방법이나, 탐지·분석을 수행하는 통합 FDS 운영 주체와 대응을 수행하는 개별 금융회사·단위조합간 긴밀하고 지속적인 정보공유와 커뮤니케이션이 필수적이다. 정보공유과 커뮤니케이션이 유기적으로 이루어지지 않을 경우, 탐지·분석된 거래에 대한 적기대응이 이루어지지 않아 불필요한 피해가 발생할 수 있다.

4.2.5 대응체계

디지털금융사기가 발생하였을 때 이를 금융소비자에게 신속하게 알린 후, 추가인증을 요청하고 금융거래를 차단하는 대응조치를 통해 금융소비자의 금전피해를 막을 수 있다. 따라서 신속하고 정확하게 대응이 이루어지는 것이 탐지·분석 이상으로 중요하다. 정상거래를 이상금융거래로 오판하거나 모니터링 시간 외에 발생한 디지털금융사기로 인해 적시 대응이 어려울 경우, 금융소비자의 피해를 방지하지 못하며, 금융회사 역시 민원 또는 소송의 대상이 될 수 있다.

대응 절차는 통신사기피해환급법에 따라 계좌에 대한 임시조치, 지급정지 등 금융수단에 대한 업무 중지를 통해 진행할 수도 있으며, 비대면금융에 대한 차단, 접근매체를 통한 추가 인증 등 비대면 채널에서의 대응을 통해서도 진행될 수 있다.

대응체계에서 가장 중요한 것은 전문성을 갖춘 일정 규모의 대응 전담인력 및 예산 확보이다. 금융소비자에 대한 일차적인 대응은 고객센터 등 대고객조직이 수행하더라도 디지털금융사기 여부에 대한 최종적인 판단 및 대응방법 등을 결정하고 신종사기 대응 후 이를 FDS에 탐지기법으로 적용하기 위해서는 FDS 및 디지털금융사기에 대한 높은 이해도와 경험을 갖춘, 별도의 전문조직이 필요하다.

대응체계에 필요한 또다른 요소는 상시 모니터링 및 상시 대응체계이다. 디지털금융사기는 금융회사의 모니터링을 회피하기 위해 야간, 주말에 발생하는 경우가 많으므로 영업시간 외 발생하는 사기 대응이 필요하다. 대형 금융회사는 전담 인력이 상시 대응을 수행하지만, 중소형 금융회사는 그렇지 않은 곳이 대다수이다. 다만 중소형 금융회사들은 거래량과 디지털금융사기 발생 빈도가 낮아 인력 기반의 상시 모니터링·대응 체계는 비용 대비 효과가 낮으며, 대신 이상금융거래 탐지 후 다음 영업시간까지 비대면거래를 자동 임시정지하거나 생체인증을 포함한 추가인증 요청 등 자동화된 체계를 통해 대응하는 것이 효과적이다.

4.2.6 적용 법령

수신계좌 보유업권의 금융회사는 모두 디지털금융사기를 규율하는 통신사기피해환급법을 준수해야 한다. 통신사기피해환급법은 사기 중 전기통신금융사기를 중점적으로 다루는 형법의 특별법이며, 전기통신금융사기 방지를 위한 정부와 금융회사의 피해 방지 책임 등을 정하고 사기계좌에 남아 있는 피해금 환급을 위한 조치 등을 명시하고 있다. 또한 전술하였듯 동법 시행령에서는 금융회사가 피해의심 거래계좌를 상시적으로 점검하는 전산시스템을 구축하도록 하고 있어 이를 근거로 금융회사는 FDS를 구축해야 한다.

전자금융거래법은 전자금융거래와 관련된 안전성과 신뢰성을 확보하기 위한 법으로 전기통신금융사기외 타 디지털금융사기에 대한 대응체계는 동 법 제3장 “전자금융거래의 안전성 확보 및 이용자 보호”의 각 조를 근거로 할 수 있다.

개인정보보호법과 신용정보법은 FDS와 직접 연관된 법은 아니지만 수집한 데이터의 활용 및 제3자 제공 등을 제한하고 있어 FDS의 데이터 활용과 공유에 있어 업무담당자들이 숙지할 필요가 있다.

4.2.7 금융소비자 유형

금융회사 서비스를 이용하는 금융소비자의 유형은 디지털금융사기 및 FDS에 있어 중요한 변수이다. 디지털금융사기 피해 유형은 20대는 기관사칭형, 30·40대는 대출빙자, 50·60대는 가족사칭형의 피해가 높은 등[7] 금융소비자의 연령·성별 및 신용점수 등에 따라 차이가 있어 FDS 운영에 이를 고려할 필요가 있다.

5. 금융업권별 FDS 방법론

본 연구에서는 FDS 프레임워크와 특성 변수를 바탕으로 금융업권별 FDS 구축·운영 방법론을 제시한다. 이 방법론은 특정 금융회사가 아닌 해당 금융업권 전반을 대상으로 만들어졌으므로, 각 금융회사는 이 방법론을 기반으로 하되, 업무 프로세스, 시스템 및 수집가능한 데이터를 고려한 커스터마이징을 통해 자사에 더욱 적합한 방법을 도출할 수 있다.

5.1 은행업권

은행업권은 은행법에 따라 예금을 받거나 유가증권 또는 그 밖의 채무증서를 발행하여 불특정 다수인으로부터 채무를 부담함으로써 조달한 자금을 대출하는 은행업을 영위하는 기관 중 한국은행을 제외한 법인을 뜻한다. <표 3>에서 볼 수 있듯 수신계좌 보유업권 중 가장 많은 평잔액을 보유하고 있으며, 금융소비자 대부분은 은행의 수신계좌를 생활비, 급여, 결제 및 대출금액의 입출금에 사용한다.

<표 3> 수신계좌 보유업권 총수신액(평잔)

(‘24.11월 기준, 한국은행 경제통계시스템)

은행업권 등 수신계좌 보유업권에서는 전기통신금융사기를 비롯하여 ATM 기기 출금 사기, 오픈뱅킹 악용사기, 대출금 탈취사기 등 수신계좌 기반 사기가 보편적으로 발생한다. 또한 피해자의 계좌를 장악하기 위해 악성앱으로 스마트폰을 장악하거나 피싱 등을 통해 탈취한 개인정보로 피해자 명의의 스마트폰을 개설하는 사기도 늘어나고 있다.

이러한 사기에 대응하기 위해 비대면 채널인 모바일 앱이나 웹을 통한 로그인부터 접근매체 발급, 자금 입출금 및 이체, 대출실행에 이르는 수신계좌 관련 행위 전반에서 발생하는 거래 및 접근기기에서의 인입 데이터를 기존에 확보한 고객데이터, 거래데이터, 기기데이터, 외부데이터 등으로 구성된 데이터셋과 비교하여 이상행위를 탐지·대응하는 것이 은행업권을 비롯한 수신계좌 보유업권 FDS의 주요 프로세스이다.

다만 은행업권에서도 개별 은행에 따라 비대면 금융거래 규모의 편차는 크며 금융거래에서 수집할 수 있는 데이터의 규모 역시 은행에 따라 상이하다. 주요 은행앱의 MAU는 <표 4>와 같다.

<표 4> 주요 은행앱 MAU(와이즈앱)

비대면금융거래의 빈도가 높을수록 금융소비자들의 거래량, 거래금액, 금융회사가 수집가능한 데이터의 규모 및 종류, 디지털금융사기 시도 횟수 등이 모두 증가한다. 모든 거래가 비대면으로 진행되는 인터넷전문은행은 후발주자임에도 불구하고 편의성이 높은 UI/UX 및 니치마켓 공략으로 인해 영업 초기부터 높은 MAU를 보이고 있으며 창구직원의 부재를 보완하기 위해 업무개시 시점부터 FDS에 많은 예산과 인력을 투입하여 현재는 대형은행과 함께 수신계좌 보유업권에서 가장 FDS 수준이 높다. 반면 특정 지역을 중심으로 업무를 영위하는 지방은행은 대형은행에 비해 MAU 및 디지털금융사기의 발생빈도와 금융거래 규모가 작아 FDS에서 활용할 수 있는 데이터가 적으며, FDS 수준도 상대적으로 낮다.

은행은 금융소비자들이 비대면채널에서 일상적으로 수행하는 거래의 빈도가 높고 금융소비자는 계좌를 통해 다양한 금융활동을 수행하므로 금융소비자의 프로파일 데이터 및 기기데이터를 이용하여 이상행위 발생 여부를 확인할 수 있다. 이를 활용하여 다양한 탐지 시나리오 및 블랙리스트 기반 탐지기법을 적용할 수 있으며, 은행권에서도 높은 거래량을 보이는 대형 시중은행이나 인터넷전문은행은 학습에 필요한 대규모의 고객 프로파일 데이터 및 정상/이상금융거래 데이터를 확보할 수 있으므로 AI 탐지·분석 기법을 적용할 수 있다. 다만 중소형 은행은 AI 기법보다 시나리오 기반 탐지 기법 및 블랙리스트 기법을 우선 적용하는 것이 효과적이며, 어느 정도 데이터가 축적된 후에 시나리오에 사용되던 임계치, 조건 등을 나타내는 변수를 피쳐(Feature)로 하여 AI 기법을 적용할 수 있다.

대응체계 관점에서 은행 대다수가 24x365 상시 운용되는 고객센터를 운용하고 있어 이상금융거래 확인 시 계좌주 대상 유선통화로 이상 유무를 확인할 수 있으며, 생체인증 등을 통한 추가인증, 통신사기피해환급법에 의거한 계좌에 대한 임시조치 등의 대응조치가 상시 가능하다. 또한 계좌에서 이상행위가 발생하지 않더라도 금융소비자 스마트폰에서 악성앱 설치, 단말기 최초이용 시 고객의 이상행동 등이 탐지될 경우, 전자금융거래를 차단하는 대응을 수행할 수 있다.

금융소비자 유형 측면에서 은행의 금융소비자의 연령, 성별 등 특성은 고르게 분포하고 있으나, 세부적으로 시중은행, 인터넷전문은행, 지방은행, 국책은행 등을 사용하는 금융소비자의 연령, 직업, 거주지 등의 차이가 있으므로 이를 고려하여 탐지·분석 기법을 마련하여야 FDS의 효과를 높일 수 있다.

은행업권의 FDS에서 추가적으로 고려해야 할 사항은 은행은 은행업 외에 카드업, 보험업, 증권업 등을 겸영업무로 수행하고 있으므로 기존 수신계좌 위주의 FDS 외에 카드업권 등 타 업권에서 사용하는 FDS 및 이상금융거래 대응체계를 벤치마킹하고 필요시 타 업권의 시나리오나 AI 모델 등을 차용하여 FDS의 커버리지를 넓히는 것이 필요한 점이다.

5.2 금융투자업권

금융투자업권은 자본시장법에 따라 투자매매업, 투자중개업, 집합투자업, 투자자문업, 투자일임업, 신탁업 등 자산운용을 수행하는 법인을 말하며, 일반적으로 증권사, 금융투자사 및 선물사 등으로 나뉜다. <표 3>에서는 종금, 자산운용, 신탁 등이 금융투자업권에 속한다. 금융소비자는 주로 주식, 선물, 펀드 등 자본시장 투자 참여를 위해 금융투자업권을 이용하며, 금융투자사들은 금융소비자가 비대면거래를 할 수 있는 HTS(Home Trading System) 또는 MTS(Mobile Trading System)를 제공한다.

다만 금융투자업권은 HTS나 MTS에서 디지털금융사기가 발생하기보다는 은행과 유사하게 수신계좌 기반의 디지털금융사기가 주로 발생한다. 사기가 주로 발생하는 지점 역시 비대면 채널인 모바일 앱, 웹을 통한 로그인부터 접근매체 발급, 자금입출금 및 이체, 투자상품 해지지점으로 은행과 상당히 유사하다. 다만 금융투자업권은 은행과 달리 금융소비자의 거래 목적이 주식 등에 대한 투자이므로 은행 계좌에 비해 금융소비자의 일상생활에서 금융투자사 계좌에 접근하는 빈도는 상대적으로 낮고 금융투자사의 규모 역시 은행에 비해 작으므로 FDS에서 고객정보 프로파일링 기반의 이상행위 탐지에 데이터의 제약이 있다.

또한 금융소비자의 금융투자사 거래 목적이 금융투자인 점으로 인해 <표 5>와 같이 디지털금융사기 피해 빈도가 타 연령대보다 낮은[7] 30대에서 50대 사이 연령대의 비중이 높아[14] 디지털금융사기 발생빈도가 낮으며, FDS에서도 이를 고려할 필요가 있다.

<표 5> 연령대별 주식소유자 및 보이스피싱 피해비율[7, 14]

금융투자사는 탐지 시나리오 및 블랙리스트 기법을 통해 이상행위 여부를 확인할 수 있으나 가용한 데이터의 유형과 규모가 제한적이므로 적용가능한 시나리오의 종류가 적으며, 대량의 학습데이터가 필요한 AI 탐지 기법 활용에 한계가 있다. 다만 대형 금융투자사들은 <표 6>과 같이 중소형 은행 이상의 MAU를 보이며, 비대면 채널에서의 고객 프로파일 데이터와 디지털금융사기의 데이터를 일정 규모 이상 확보할 수 있어 이를 통한 AI 탐지·분석 기법 도입이 가능하다.

<표 6> 주요 금융투자앱 MAU(와이즈앱)

대응체계 관점에서 금융투자사는 은행에 비해 24x365 상시 운용되는 모니터링 조직을 갖춘 곳의 비중이 낮다. 하지만 금융투자사에 위탁된 자금을 급전으로 출금하는 경우는 상대적으로 적으므로, 별도 상시 고객센터를 운영하지 않더라도 이상금융거래 탐지 시 자동화된 시스템을 통해 거래 일시중지, 추가인증 등 대응조치를 취하고 영업시간에 추가조치를 하는 방법으로 상시대응체계를 갖출 수 있다.

5.3 저축은행업권

저축은행은 상호저축은행법에 의거하여 설립된 회사로 영리를 목적으로 신용계 업무, 신용부금 업무, 예적금 업무 등을 수행한다. 저축은행은 수신계좌 기반으로 예금과 대출업무를 영위하므로 은행과 유사한 면이 있으나 은행에 비해 상품의 다양성이 적고 인가받은 지역에서만 대면영업이 가능하며, 금리가 높고 규모가 작아 뱅크런에 취약한 차이점이 있다.

금융소비자 입장에서 저축은행이 제공하는 서비스는 은행과 상당히 유사하다. 수신계좌 기반으로 업무를 영위하며, 은행에 비해 고금리의 예적금 상품과 저신용자를 위한 대출을 제공한다. 다만, 대출고객 외 저축은행의 금융소비자들은 고금리의 예적금 상품만 예금자보호 한도 내에서 가입하며, 급여이체, 생활비 통장 등은 저축은행에 비해 안정성이 높은 은행의 계좌를 사용하는 경향이 있다. 이로 인해 <표 3>에 따르면 은행업권의 수신평잔이 41.30%인 것과 대조적으로 저축은행업권의 수신평잔은 1.61%에 불과하다. 국내 3대 저축은행인 SBI저축은행, OK저축은행, 웰컴저축은행 앱의 MAU 역시 각각 19만명, 24만명, 23만명(출처 : 모바일인덱스, 기간 ‘24.3분기)으로 은행이나 금융투자사와 큰 격차를 보인다. 이로 인해 저축은행에서 수집할 수 있는 고객데이터 및 거래데이터의 유형과 규모는 매우 제한적이다.

저축은행의 디지털금융사기의 유형, 비대면 채널은 은행과 유사하나 금융소비자 유형으로 인한 차이점이 있는데, 저축은행의 대출고객 상당수가 신용점수가 낮아 은행 등 제1금융권의 대출고객에 비해 높은 이자를 내고 있으므로, 고금리대출을 저금리대출로 바꾸는 것을 미끼로 피해자를 기망한 후 자금을 탈취하는 대환대출 사기 발생 비율이 높다.

부족한 데이터의 규모 및 유형으로 인해 저축은행의 FDS에 적용가능한 탐지 기법은 은행에 비해 제한되어 있으나 자체적으로 FDS를 운영하는 미통합 대형 저축은행 및 전체 저축은행 79개사 중 67개사의 FDS를 통합 운영하는 저축은행중앙회는 비교적 많은 데이터를 축적할 수 있다. 이로 인해 저축은행중앙회를 중심으로 탐지된 데이터 및 탐지 시나리오 등을 전체 저축은행업권이 공유할 경우, 저축은행업권의 전반적인 FDS 탐지·분석 수준을 향상시킬 수 있다.

탐지·분석기법 관점에서 저축은행에서 활용가능한 데이터의 규모와 유형을 고려할 때, 저축은행은 여건이 갖춰지지 않은 상태에서 AI 기반 FDS를 도입하기보다 시나리오, 블랙리스트 기반 FDS를 우선 운영하면서 데이터 및 사기유형에 대한 정보를 축적한 후, AI 기법 도입을 검토하는 것이 바람직하다. 고객의 거래빈도를 볼 때, 시나리오의 규모는 은행업권 또는 금융투자업권에 비해 적은 개수로 구성될 수 있다.

대응체계 관점에서 저축은행업권은 24x365 상시 운용되는 모니터링 조직을 보유한 곳이 없으므로 야간 등에는 우선 거래 일시중지 등 조치를 취하고 영업시간에 이를 해제하거나 계좌의 지급정지를 하는 등의 추가조치를 취할 수 있다. 또한 장기적인 관점에서 저축은행중앙회가 전체 저축은행업권의 공통 상시 콜센터를 운용하는 방안 등도 고려할 수 있다.

5.4 상호금융업권

농업협동조합, 새마을금고, 신용협동조합, 수산업협동조합, 산림조합 등 상호금융업권은 각각 농업협동조합법, 새마을금고법, 신용협동조합법, 수산업협동조합법, 산림조합법에 따라 예금 및 대출 등 업무를 영위하는 법인이다. 이들은 조합원의 금융편의를 위해 설립된 협동조합의 성격과 금융회사의 성격을 동시에 가진다. 구조적으로 상호금융업권은 각 지역별로 조합원들이 출자한 지역 조합과 전체 조합들을 통할하는 중앙회로 구성된다.

상호금융업권은 저축은행업권과 마찬가지로 디지털금융사기의 유형, 비대면 채널 등이 은행과 상당히 유사하다. 또한 <표 3>에 따르면 5개 상호금융(농업협동조합, 새마을금고, 신용협동조합, 수산업협동조합, 산림조합)의 수신계좌 총수신액 평잔이 총 900조원(전체의 14.14%)에 달하여 평균거래빈도 및 자산규모가 저축은행업권에 비해 높고 활용가능한 데이터의 유형도 다양하다.

다만 상호금융업권은 타 금융업권에 비해 FDS에 대한 투자가 부족하고 전담인력도 부족하다. 국내 언론사의 기사에 따르면 2024년 9월 기준 농협중앙회는 불과 10명의 인력이 4,700개의 지점의 FDS를 전담하며, 그 10명의 인력도 모두 경력 2년 미만의 비정규직으로 구성되어 있어 전담인력에 대한 투자가 매우 부족함이 확인되었으며,[15] 다른 상호금융조합도 비슷한 상황이다.

이로 인해 은행 등 타 업권들에서는 FDS의 고도화 및 관련 인력 확충을 통해 디지털금융사기 대응 역량이 상향되어 디지털금융사기의 발생이 점차 감소하더라도, 상호금융업권은 사기범들이 FDS가 잘 갖추어져 있는 타 업권 대신 상호금융업권을 타겟으로 하는 풍선효과로 인해 디지털금융사기가 오히려 증가하기도 한다. <표 7>에서 확인할 수 있듯 2024년 상반기 발생한 보이스피싱 건수를 1년치로 환산할 경우, 타업권은 발생건수가 모두 감소하는 추세이나 상호금융업권은 3,970건으로 오히려 발생건수가 다소 증가하였다. 은행 등 타 업권의 디지털금융사기 대응 역량이 더욱 상향될수록 상호금융업권을 겨냥한 풍선효과가 더욱 심화될 것으로 우려된다.

<표 7> 업권별 보이스피싱 발생건수[7]

특히 신용협동조합의 금융소비자 중 57%, 새마을금고의 금융소비자 중 50%가 <표 5>에 따르면 디지털금융사기에 취약한 50대 이상이고 다른 상호금융조합도 이와 유사하게 금융소비자 대부분이 고령층인 특성을 감안하면,[16] 사기범들이 상호금융업권에 자원과 노력을 집중할 경우, 지금보다도 큰 피해가 우려되며, 이를 고려하여 부족한 FDS 투자 및 인력에 대한 투자를 확대하는 것이 우선시되어야 한다. 또한 모바일웹을 사용하는 금융회사의 경우, 모바일기기에서의 사기행위를 차단하기 위해 모바일 웹에서 구동가능한 전용 백신을 설치하는 것이 필요하다.

상호금융업권은 “비대면 금융사고 예방을 위한 협약” 체결시 금융감독원으로부터 2023년중 마련된 은행업권 공동 이상거래탐지룰을 별도로 제공받았으며, 상호금융업권 FDS는 이를 바탕으로 탐지·분석 체계가 구축되어 있으나, 수시로 시나리오 임계치 및 조건 등의 갱신 및 신규 시나리오 추가가 이루어지는 은행과 달리 시나리오의 갱신·추가 빈도가 낮고 각 단위조합들의 독립성이 강해 단위조합에서 확인된 신규 사기유형 정보가 중앙회 등에 공유되지 않아 신종 사기수법의 탐지기법이 중앙회의 FDS에 적용되지 않을 수 있으며, 중앙회의 FDS에서 이상금융거래가 탐지되더라도 단위조합에서 인지하지 못해 피해를 방지하지 못하는 상황이 발생하기도 한다.

이러한 문제를 개선하기 위해 상호금융업권은 은행업권의 디지털금융사기 대응체계를 벤치마킹하여 중앙회 및 각 단위조합들을 유기적으로 연계하고 FDS에 인력·예산 투자 확대를 결정할 수 있는 내부 컴플라이언스 체계 구축이 선행되어야 한다. 이를 통해 탐지·분석기법에 대한 지속적인 갱신과 상호금융업권에 특화된 대응조직체계를 마련하는 노력이 필요하다.

5. 결론

본 연구에서는 각 금융업권별 FDS 구축·운영 방법론을 실증적인 관점에서 제시하였다. 이 방법론을 기반으로 각 금융업권에 적용되는 시나리오 셋인 공동이상거래탐지룰이 실제로 마련되어 각 금융업권에서 적용하고 있으며, “비대면 금융사고 예방을 위한 협약”에 따라 실제 디지털금융사고 발생시 금융회사와 금융소비자 간의 책임을 분담하는 핵심적인 기준으로 사용되고 있다. 본 연구는 이러한 실증적인 사례를 바탕으로 향후 금융회사가 FDS를 구축·고도화하거나 금융협회 등에서 업권별 공동 이상거래탐지룰을 개선할 경우 실무적, 학술적인 관점에서 접근할 수 있는 방안을 모색하였다.

특히 기존의 FDS 관련 논문들은 대부분 금융회사가 충분한 규모의 데이터를 확보하고 있다는 가정하에, AI 등을 통해 FDS 탐지·분석 기법을 향상시키는 것을 목표로 하는 것과 달리, 본 연구는 충분한 데이터를 확보하고 있는 은행 외 타 업권에서도 FDS를 구축 및 고도화하여 금융권 전반의 FDS 수준을 상향평준화하기 위한 방법론을 제시했다는 점에서 차별성이 있다.

향후에는 수신계좌를 보유하고 있지 않은 카드, 보험, 캐피탈업권, 전자금융업권, 가상자산업권 등 본 연구에서 다루지 않은 업권의 FDS 구축 및 운영에 대한 연구를 진행할 예정이다. 카드업권은 전 금융업권 중 가장 고도화되고 상향평준화된 FDS를 이용하여 부정결제 등 디지털금융사기를 탐지하고 있으나, 보험업권이나 캐피탈업권의 경우, 디지털금융사기가 지속적으로 발생하고 있음에도 불구하고 FDS의 구축 비율이 낮아 디지털금융사기 대응의 사각지대가 되고 있다. 아울러 전자금융업권은 각 업무 라이선스에 따라 은행, 카드사의 FDS를 벤치마킹할 수 있으며, 가상자산업권의 경우 원화 입출금 및 가상자산 입출금과 관련하여 은행을 벤치마킹할 수 있다.

위에 나열한 업권 중 카드사를 제외한 업권의 공통점은 동일한 업권이라도 기관에 따라 FDS 등 사기대응체계의 편차가 크기 때문에 언제든지 취약한 기관에서 풍선효과가 나타날 수 있다는 점으로 개별 업권에 적용할 수 있는 공통 FDS 방법론을 마련할 경우, 각 기관에서 이를 바탕으로 자체적으로 FDS 마련 및 고도화를 수행하여 사기대응체계를 상향평준화하고 금융소비자 피해를 줄일 수 있을 것으로 판단된다.