.svg)
AI 솔루션 문의하기
PG(Payment Gateway) 산업은 전자결제의 중추적 역할을 합니다. 판매자(가맹점)와 소비자 간의 결제를 중개하고, 거래의 안전성을 보장합니다. PG 서비스 제공자의 입장에서 가맹점 심사는 매우 중요합니다. 부정한 가맹점이 PG 네트워크에 진입하면, 그로 인한 피해가 직접 소비자에게 미칩니다. 사기 거래, 위조 상품 판매, 개인정보 도용, 불공정한 환불 거부 등이 발생할 수 있습니다. 또한 부정거래가 만연하면, PG 서비스 제공자도 규제기관으로부터 감시 대상이 됩니다. 금융감독원은 PG 서비스 제공자에게 적절한 가맹점 관리 의무를 부과합니다.
따라서 PG 서비스 제공자는 가맹점 진입 단계에서 엄격히 심사하고, 가맹점이 가입한 후에도 지속적으로 모니터링해야 합니다. 그러나 수백만 개의 가맹점을 모두 인간이 심사하기는 불가능합니다. 따라서 AI 기반의 자동화가 필수적입니다. PG 산업의 성장과 부정거래의 복잡화로 인해, AI 기반 자동화 심사가 필수 기술이 될 것으로 예상됩니다.
PG 가맹점 심사는 이들 요소가 통합된 시스템을 필요로 합니다. 각 요소가 협력하여 신뢰할 수 있는 가맹점만 승인하면, PG 네트워크의 안전성과 효율성이 동시에 향상될 것으로 기대됩니다.
PG 가맹점 심사의 첫 단계는 신원 검증입니다. 신청자가 제출한 정보가 실제인지 확인합니다. 사업자등록증의 진위 여부, 대표자의 신원 일치 여부, 등록된 계좌의 소유자 확인 등을 진행합니다. 과거에는 서류를 서비스 제공자가 수동으로 검증했지만, AI를 활용하면 자동화할 수 있습니다. OCR 기술로 사업자등록증의 정보를 자동으로 추출하고, 국세청의 사업자 데이터베이스와 대조합니다. 또한 대표자의 신분증도 검증합니다.
신분증의 물리적 특성(홀로그램, 미세글씨), 발급 기관 확인 등을 분석합니다. 또한 계좌 소유자 확인도 자동화됩니다. 신청자가 제시한 계좌가 실제로 신청자 소유인지를 확인하는 "계좌 인증"을 실시합니다. 은행 API를 통해 실시간으로 계좌 소유자 정보를 조회합니다. 자동화된 신원 검증으로 신뢰할 수 있는 가맹점만 PG 네트워크에 진입할 수 있을 것으로 예상됩니다.
가맹점 사기는 다양한 형태를 띱니다. 같은 대표자가 여러 번 가입했다가 거래 후 환불을 요청하고 사라지는 경우, 타인의 신원을 도용하여 가입하는 경우, 위조 서류로 가입하는 경우 등입니다. AI는 이러한 사기 신호를 자동으로 탐지합니다. 패턴 분석을 통해 "같은 전화번호로 여러 가맹점이 가입했다", "같은 이메일 주소로 여러 신청이 들어왔다" 같은 비정상적 패턴을 식별합니다.
또한 외부 부정거래 기록도 조회합니다. 가맹점이 이전에 다른 PG 서비스에서 사기를 저질렀다면, 그 기록이 업계 정보 공유 시스템에 남아 있을 수 있습니다. 또한 금융감시원의 부정거래 블랙리스트, 경찰청의 사기 전과 기록 등을 확인합니다. 또한 신청 정보의 일관성도 검사합니다. "신청 서류의 대표자 이름과 계좌 소유자 이름이 다르다", "등록 주소와 사실상 영업 주소가 다르다" 같은 불일치를 탐지합니다. 다층적인 사기 탐지로 부정 가맹점의 진입이 크게 감소할 것으로 예상됩니다.
모든 가맹점의 위험도가 같지는 않습니다. 일반적인 소매점과 고가 전자제품 판매점의 위험도는 다릅니다. 또한 같은 업종이라도 예상 매출액에 따라 위험도가 다릅니다. AI는 가맹점의 특성을 분석하여 위험 등급을 산정합니다. 업종 위험도(오프라인 소매는 낮고, 온라인 성인용품은 높음), 예상 거래액(높을수록 위험), 거래 빈도(너무 높거나 낮으면 의심) 등을 종합합니다. 위험 등급에 따라 초기 거래 한도를 설정합니다. 저위험 가맹점은 높은 한도로 시작하고, 고위험 가맹점은 낮은 한도로 시작합니다.
한도는 동적으로 조정됩니다. 가맹점의 거래 기록을 모니터링하여, 실제 거래 패턴이 예상과 일치하면 한도를 상향 조정합니다. 반대로 의심 거래가 발생하면 한도를 하향 조정합니다. 동적 위험 평가와 한도 관리로 PG 네트워크의 안전성이 유지되면서도, 정상 가맹점의 자유도가 보장될 것으로 예상됩니다.
가맹점 심사는 가입 때만이 아니라, 가입 후에도 계속됩니다. PG 서비스 제공자는 거래 패턴의 변화를 감시합니다. 정상 가맹점이 갑자기 거래액이 폭증하거나, 거래 패턴이 급변하면 의심 신호입니다. AI는 실시간으로 거래 데이터를 분석하여 이상을 탐지합니다. 머신러닝 모델은 정상 거래 패턴을 학습하여, 벗어난 거래를 식별합니다. "이 가맹점의 하루 거래액은 평균 100만 원인데, 오늘 갑자기 1000만 원이 발생했다"는 이상을 감지합니다.
거래 구성의 변화도 감시합니다. "이 가맹점은 주로 소비자(B2C) 거래를 하는데, 갑자기 법인 거래(B2B)가 증가했다" 같은 변화는 의심 신호입니다. 또한 환불 패턴도 모니터링합니다. "거래 후 즉시 환불을 요청한다", "환불율이 비정상적으로 높다" 같은 패턴은 사기의 신호입니다. 실시간 모니터링으로 부정거래가 발생하는 즉시 탐지되고, 손실을 최소화할 수 있을 것으로 예상됩니다.
PG 서비스 제공자는 여러 규제 요구사항을 준수해야 합니다. 특금법(특정금융거래정보의 보고 및 이용 등에 관한 법률)에 따라 의심거래를 보고해야 하고, 자금세탁 방지(AML) 규제를 준수해야 합니다. 또한 PCI-DSS(결제카드 산업 보안 표준) 같은 국제 기준도 준수합니다. AI 기반의 자동화는 이러한 컴플라이언스 요구사항을 자동으로 관리합니다. 특금법의 의심거래 요건을 자동으로 평가하여, 보고 대상을 식별합니다. AML 규제의 고객확인(KYC) 요구사항도 자동으로 이행합니다. 또한 규제 기준이 변경되면, 시스템이 자동으로 업데이트되어 새로운 기준을 적용합니다.
감사 추적을 자동으로 기록합니다. "이 가맹점이 왜 승인되었는가", "심사 과정에서 어떤 데이터를 사용했는가"를 투명하게 기록합니다. 자동화된 컴플라이언스 관리로 규제 준수가 용이해지고, 규제 위반 위험이 크게 감소할 것으로 예상됩니다.
.svg)
.svg)
