Media Log







  금융감독원이 얼마 전 발표한 자료에 따르면 지난해 보험사기 규모는 약 6000억으로 사상 최대치를 경신했다고 합니다. 이에 금융감독원은 보험사기 근절을 위해 보험사기인지시스템(IFAS)에 소셜 네트워크 분석 기능을 도입하여 분석 기능을 강화할 계획이라고 밝혔습니다. 



SNA가 어떻게 보험사기 적발에 활용될까요?


  최근 보험사기, 주가조작 등 공모범죄 추적에 SNA가 각광을 받고 있습니다. 

  2인 이상의 공모자에 의해 발생하는 공모범죄는 매우 지능적인 수법이 활용될 뿐 아니라 데이터의 규모와 복잡성도 매우 높습니다. 이로 인해서 범죄 추적을 위한 기존의 접근 방법이 한계를 나타내면서 SNA를 통한 공모 관계 추적에 관심이 집중되고 있습니다.


  공모 관계 추적이란, 통신, 금융 등 디지털 데이터에 기록된 범죄의 흔적을 수집하여 그 안에 숨겨진 공모 관계를 찾고 이를 SNA(Social Network Analysis) 방법론에 근거하여 분석함으로써 공모 범죄의 실질을 파악하는 것을 말합니다. 

2001년 발생한 9.11 테러 당시 테러리스트 검거에 사용된 조사기법이 바로 SNA입니다. 




그렇다면 전통적인 공모 범죄 추적 방법은 어떤 한계를 가지고 있고, 

SNA를 통한 공모 관계 추적은 어떤 강점을 가지고 있을까요?



  전통적인 공모 범죄 추적 방법은 

첫째, 혐의자 개인의 프로파일 분석에 국한되어 있어 혐의 여부를 파악하는데 한계가 있습니다.

둘째, 공모 관계 분석을 위한 전문적인 방법론과 도구를 사용하지 않고 일반 사무용 프로그램이나 단순 시각화 프로그램을 이용하다 보니 추적에 시간이 오래 걸리고 중요한 연결 관계를 놓칠 위험이 있습니다. 



  이에 반해 SNA를 통한 공모 관계 추적은 아래와 같은 강점을 갖습니다.

첫째, 행위자들간의 관계를 네트워크 데이터로 구성하여 전체 공모 관계를 파악할 수 있습니다.

둘째, 혐의자간 연결 구조를 파악해 누가 중심 인물인지 파악할 수 있습니다.

셋째, 핵심 혐의자 그룹을 파악할 수 있습니다. 

마지막으로 전문 분석 시스템을 활용하여 분석 시간을 획기적으로 단축할 수 있습니다. 


그럼, 분야별 적용 사례를 통해 구체적으로 어떻게 활용되고 있는지 살펴보겠습니다. 





  공모 관계 추적 솔루션 적용 사례



사례1. 공모에 의한 주가 조작 적발


 




1. 배경 및 문제점


  주가 조작은 1인 단독으로 실행하기 어렵고, 2인 이상이 공모하여 발생합니다. 그 수법은 매우 치밀하여 정상적인 거래와의 구별이 쉽지 않고, 거래 데이터의 규모가 막대하여 발견하기가 어려운 것이 현실입니다. 


2. 솔루션


  이를 해결하기 위해 첫째, 다양한 데이터 소스를 통합적으로 분석하기 위한 데이터 모델을 구축하고 공모 혐의 확인을 위한 관계 기반 분석/시각화 기능을 구축합니다.

  둘째, 혐의 패턴 파악을 위한 알고리즘을 탑재하여 대용량 데이터에서 조사 대상을 조기에 발견할 수 있도록 합니다. 


3. 적용효과


  복잡한 데이터를 관계 기반 데이터로 모델링하여 직관적인 분석/시각화가 가능한 통합 분석 환경을 구축하게 됨으로써 보통 1~3개월 소요되는 혐의자간 공모 연계도 작성 시간을 1주일 이내로 줄일 수 있게 되었습니다. 


 




사례2. 공모에 의한 보험 사기 적발


 



1. 배경 및 문제점


  보험 사기란, 보험 계약과 관련한 많은 당사자들이 공모하여 사고를 고의적으로 유발하거나 위장하여 보험금을 편취하는 것을 말합니다. 점점 이와 같은 보험 사기가 증가하고 있으며 대형 보험 사기 사건의 경우 많은 사람이 연계된 복잡한 구조를 이루고 있기 때문에 사건의 실질 파악이 어려워 많은 한계를 안고 있습니다. 


2. 솔루션


  공모 관계 분석을 위한 보험 사기 적발 솔루션은 교통 사고 조사를 주로 하는 손해 보험과 생명보험을 비롯한 인적 보험 관련 업무로 구분하여 각각의 대표적인 사례를 살펴볼 수 있습니다. 

  첫째, 교통 사고 손해 보험에서 가해 차량과 피해차량의 가피 공모 관계 분석입니다. 교통 사고는 우연에 의해 발생하는 것이기 때문에 가해 차량의 탑승자와 피해 차량의 탑승자간에는 어떠한 연결 관계도 발생하지 않는 것이 정상입니다. 따라서 이러한 공모 관계를 사이클 패턴으로 정의하여 추출합니다. 

  둘째, 질병 관련 인적 보험에 대한 병원, 설계사 및 피보험자간의 공모 관계 분석입니다. 특정 질병 관련 보험사기는 설계사와 병원간의 공모 관계를 파악하는 것이 중요합니다. 따라서 피모집인을 매개로 하는 병원과 설계사가 공모 관계를 형성하는 강도를 측정하여 혐의 그룹을 파악할 수 있습니다. 


3. 적용효과


  대용량 데이터에서 혐의 그룹을 추출하는데 공모의 ‘관계’가 분석적으로 활용됨으로써 보험 사기 적발 업무의 소요 시간을 줄이고 분석의 정확도를 높일 수 있습니다. 특히 사이클 패턴 탐지 분석을 도입할 경우, 주기적으로 혐의 그룹을 추출할 수 있게 되며 추출된 혐의 그룹을 확장하는 과정에서 데이터가 소실되는 위험을 줄임으로써 개별 보험사의 보험 사기 적발 금액을 높일 수 있게 됩니다.  


 






지금까지 공모 관계 추적 솔루션 활용 사례를 살펴보았습니다. 

사이람의 공모 관계 추적 솔루션은 ‘새로운’ 데이터를 분석하는 것이 아닙니다. 

데이터를 기존과 ‘다르게’ 분석할 뿐입니다.

이처럼 어떤 분석 방법으로 어떻게 데이터를 분석하냐에 따라서 그 가치와 효과는 엄청난 차이를 가져오게 됩니다. 




공모 관계 추적 백서 전문은 아래의 링크에서 다운받으실 수 있습니다.


공모 관계 추적 백서 다운로드 바로가기




감사합니다. 





submit