회귀 기반 리스크 추정
경험적 규칙으로 도메인 지식을 모델에 주입. 점심·저녁 시간대 운행 활발, 시동 주기 일정, 피크타임 운행 공백 등을 핵심 변수로.
AI Risk Scoring
멀티모달 데이터로 라이더의 미래를 점수화합니다.
BCM의 핵심 기술 자산. 운영 데이터와 자동차 출신 인력의 결합으로, 라이더별 채권(미납)·사고(보험) 리스크를 사전에 예측합니다.
AI RISK SCORE
Bond risk, accident risk, multimodal data
정량 모델이 있다는 사실을 외부 평가자가 첫 화면에서 바로 이해하도록 구성했습니다.
4종 멀티모달 데이터
자동차 FMS의 단일 주행 데이터를 넘어, 오토바이 라이더의 일상을 4종 데이터로 통합합니다.
| 데이터 종류 | 출처 | 주요 항목 |
|---|---|---|
| 주행 · 차량 | FMS 단말기 (Embedded) | 주행거리, 시동주기, 운행 시간대, 공회전 비율, 급가속/급제동, 차종/연식, IMU 가속도, 충격량, GPS |
| 활동 | 스마트폰 (Activity) | 이동 거리, 걸음 수, 배달 패턴, 피크타임 운행 여부 |
| 계약 · 운영 | 내부 ERP | 정비 주기 준수, 결제수단(자동이체), 보증금 수준, 연체 이력, 대여 이력 |
| 생체 · 행동 | 스마트폰 (Bio/Behavioral) | 심박수 변동성, 피로도, 스트레스 수준, 휴식 패턴 |
Rule + Learning 하이브리드 모델
다차원 패턴 이상탐지
Autoencoder · LSTM Encoder · 시계열 CNN → Isolation Forest · LOF · K-means/DBSCAN → Logistic Regression · XGBoost로 사고/미납 확률 정량화.
실증 데이터 (TIPS 과제 기준)
채권 리스크 — 85명 분석
| 분류 | 건수 | 연체율 |
|---|---|---|
| Low (위험 낮음) | 13건 | 0.0% |
| Mid (중간) | 41건 | 4.9% |
| High (위험 높음) | 31건 | 16.1% |
High 그룹 5명 중 4명이 Low 그룹의 5건 사례에 비해 반복 연체 집중 확인 (38.5%)
목표 성능 (TIPS 평가 항목)
- 채권 리스크 예측 AUC ≥ 0.65
- 사고 리스크 예측 AUC ≥ 0.65
- 장기 데이터 축적 시 (목표) 0.70+
- e-Call 오탐률 < 15%