.svg)
AI 솔루션 문의하기
카드 가맹점 심사는 일반 PG 가맹점 심사와 다릅니다. 신용카드 협회(비자, 마스터카드, 국내카드협회)의 엄격한 기준을 따라야 하기 때문입니다. 협회는 가맹점의 신뢰성, 매출 안정성, 거래 위험도를 평가하는 기준을 제시합니다. 또한 카드 거래의 특성도 일반 전자거래와 다릅니다. 신용카드는 소비자의 미래 소득에 기초한 신용을 제공합니다. 따라서 부정한 가맹점이 신용카드로 사기 거래를 하면, 최종적으로 카드 발급사가 손실을 입습니다.
카드 거래의 분쟁(차지백, chargeback) 비율이 높으면, 카드사와 가맹점 관계가 악화될 수 있습니다. 따라서 카드 가맹점 심사는 일반 PG 가맹점 심사보다 더욱 신중해야 합니다. 과거에는 카드 대행사(ISO, Independent Sales Organization) 담당자가 수동으로 심사했지만, 거래량 증가와 심사 기준 복잡화로 자동화가 필수적입니다. 신용카드 산업의 성장과 협회 기준의 강화로 인해, AI 기반 자동화 심사가 중요 기술이 될 것으로 예상됩니다.
카드 가맹 심사의 자동화는 이들 영역이 통합된 형태를 가져야 합니다. 각 영역의 분석이 연계되면, 협회 기준을 만족하면서도 신속한 심사가 가능해질 것으로 기대됩니다.
카드 가맹점이 제시하는 매출액이 실제인지 확인하는 것이 중요합니다. 과장된 매출을 신고하면, 협회로부터 받을 수 있는 거래 한도도 과대해집니다. 또한 거짓 매출을 기반으로 심사되면, 이후 실제 거래가 예상과 다를 때 위험이 증가합니다. AI는 여러 데이터 소스를 활용하여 매출 신뢰성을 검증합니다.
첫째, 국세청 소득 신고 데이터와의 대조입니다. 신청한 매출액이 국세청에 신고한 소득과 일치하는지 확인합니다. 불일치하면 거짓 신고 신호입니다. 둘째, 신용카드사의 과거 거래 기록입니다. 가맹점이 이전에 다른 카드사에서 거래한 기록이 있다면, 그 거래액을 조회합니다. 새로 신청한 매출액과 과거 거래액이 일치하면 신뢰도가 높아집니다. 셋째, 은행 입금 기록입니다. 가맹점의 사업 계좌에 들어오는 입금액의 추세를 분석합니다. 신청 매출액과 실제 입금액이 일치하지 않으면 의심 신호입니다. 다중 데이터 소스의 교차 검증으로 거짓 매출 신고가 효과적으로 탐지될 것으로 예상됩니다.
카드 가맹점의 신뢰도는 카드사와의 과거 관계로도 평가됩니다. 카드사와 좋은 관계를 유지해온 가맹점은 신뢰도가 높습니다. 반대로 분쟁이 많거나 대금 미수가 있었던 가맹점은 신뢰도가 낮습니다. AI는 카드사의 거래 기록을 분석합니다. "이 가맹점의 차지백율은 몇 %인가", "대금 결제 연체가 있었는가", "매출액이 안정적인가"를 평가합니다. 또한 협회의 가맹점 기준도 자동으로 적용합니다. 협회는 업종별로 상이한 기준을 제시합니다. 예를 들어 "고위험 업종(성인용품, 외환거래소)은 추가 서류 제출 필요", "고액 거래 업종(자동차 판매)은 더 높은 신뢰도 기준 적용" 같은 규칙이 있습니다.
AI는 가맹점의 업종을 파악하고, 해당 업종의 협회 기준을 자동으로 적용합니다. 기준이 변경되면, 시스템이 자동으로 업데이트되어 새로운 기준을 따릅니다. 협회 기준을 정확히 적용한 자동화로 협회 준수가 용이해질 것으로 예상됩니다.
카드 거래의 특성은 가맹점마다 다릅니다. 오프라인 소매점과 온라인 전자상거래의 거래 패턴은 완전히 다릅니다. 또한 같은 업종이라도 거래액 규모, 거래 빈도, 환불율 등이 다릅니다. AI는 이들 특성을 분석하여 위험 프로파일을 산정합니다. 카드 거래 위험도 = 업종 위험도 + 거래액 위험도 + 거래 빈도 위험도 - 가맹점 신뢰도 + 차지백율 가중치 같은 복합 공식을 사용합니다. 각 요소의 가중치는 과거 데이터로부터 학습됩니다. "차지백율이 높은 업종은 추가로 모니터링해야 한다"는 패턴을 학습하면, 모델은 자동으로 차지백율에 더 높은 가중치를 부여합니다.
또한 거래 특성의 변화도 감시합니다. "이 가맹점은 작은 거래들만 하다가, 갑자기 큰 거래가 발생했다" 같은 변화는 의심 신호입니다. 복합적 위험 평가로 카드 거래의 위험을 정밀하게 판단할 수 있을 것으로 예상됩니다.
카드 가맹점이 승인된 후에도 모니터링은 계속됩니다. AI는 거래 패턴을 지속적으로 분석하여 이상을 탐지합니다. "이 가맹점은 평균적으로 하루에 100건의 거래를 하는데, 오늘은 1000건이 발생했다"는 이상을 감지합니다. 또한 거래의 특성도 감시합니다. "보통 5만 원 정도의 거래를 하는 가맹점이 갑자기 500만 원 거래를 시작했다" 같은 패턴 변화를 탐지합니다.
카드사가 경고한 부정거래 패턴도 자동으로 모니터링합니다. "연속적으로 같은 금액의 거래를 한다"는 패턴은 카드 테스트(부정거래 확인)의 신호입니다. AI는 이런 패턴을 실시간으로 감지하고, 경고를 발송합니다. 또한 차지백 발생 시 자동으로 분석하여, "이 가맹점의 차지백율이 기준을 초과했는가"를 평가합니다. 실시간 모니터링으로 부정거래가 확대되기 전에 조기 탐지될 것으로 예상됩니다.
카드 협회는 정기적으로 심사 기준을 업데이트합니다. 새로운 부정 거래 방식이 나타나면, 협회는 신속히 대응합니다. 예를 들어 "QR 코드 결제의 부정거래가 증가하고 있으므로, QR 기반 가맹점은 추가 모니터링 필요" 같은 지침이 발표될 수 있습니다. AI 기반의 자동화 시스템은 이러한 변화에 신속히 대응합니다. 협회 기준의 변경을 감시하고, 자동으로 시스템에 적용합니다.
과거 가맹점의 새로운 기준 준수 여부를 자동으로 평가합니다. "기존 가맹점들이 새로운 기준을 만족하는가"를 검사하고, 부족한 가맹점에 대해 조치합니다. 또한 감사 추적을 자동으로 기록합니다. "이 가맹점이 왜 승인되었는가", "어떤 협회 기준을 적용했는가"를 투명하게 문서화합니다. 자동화된 컴플라이언스로 협회 기준 준수가 체계적으로 이루어질 것으로 예상됩니다.
.svg)
.svg)
