데이터가 만드는 격차
언더라이팅 데이터 독점의 경쟁 효과
데이터가 만드는 격차
언더라이팅 데이터 독점의 경쟁 효과
같은 위험을 다르게 측정한다
두 보험사가 동일한 40세 남성에게 암 보험료를 산출한다.
A사는 20만 건의 과거 계약 데이터를 갖고 있다. B사는 200만 건의 과거 계약 데이터를 갖고 있다.
두 회사의 예정위험률 추정치는 다를 것이다. B사가 더 정확하게 위험을 측정할 가능성이 높다.
더 정확한 위험 측정은 무엇을 만드는가.
우량 고객에게는 더 낮은 보험료를 제시할 수 있다. 고위험 고객은 더 정확하게 걸러낼 수 있다. 장기적으로 손해율이 낮아진다.
데이터는 보험사의 가격 경쟁력과 손해율을 동시에 결정한다. 그리고 데이터는 쓸수록 늘어난다.
이것이 보험산업에서 데이터가 만드는 격차의 본질이다.
보험 데이터의 세 가지 유형
보험사가 축적하는 데이터는 성격이 다른 세 가지로 나뉜다.
유형 1: 언더라이팅 데이터
계약 인수 시 수집되는 데이터다.
계약자의 나이, 성별, 직업, 건강 고지 내용, 기왕증 여부, 흡연 이력, 체질량지수. 이 데이터가 예정위험률 산출의 원재료다.
언더라이팅 데이터의 가치는 계약 이후에 드러난다. 어떤 특성을 가진 계약자가 실제로 보험금을 청구했는지를 장기간 추적해야 위험 예측 모델이 정교해진다.
10년치 데이터와 30년치 데이터의 차이는 단순한 양의 차이가 아니다. 30년 데이터는 의료기술 변화, 질병 트렌드 이동, 경기 사이클에 따른 청구 패턴 변화를 모두 담고 있다.
유형 2: 손해 데이터
보험금 청구와 지급 과정에서 수집되는 데이터다.
어떤 사고가, 어떤 계약자에게, 어떤 조건에서 발생했는지. 보험금 청구 금액, 심사 결과, 지급 거절 사유. 소송·분쟁 이력과 결과.
손해 데이터는 두 가지로 활용된다.
첫째, 언더라이팅 피드백 루프. 실제 손해 패턴을 분석해 위험 예측 모델을 개선한다. 어떤 고지 항목이 실제 손해와 상관관계가 높은지를 찾아낸다.
둘째, 보험금 사기 탐지. 비정상적인 청구 패턴, 특정 의료기관과의 연계 청구, 단기간 집중 청구 등을 식별한다. 사기 탐지 능력은 손해율 관리의 숨겨진 경쟁력이다.
유형 3: 고객 행동 데이터
계약 유지, 해지, 추가 계약, 보험료 납입 패턴 등 계약자의 행동에서 수집되는 데이터다.
어떤 고객이 장기 유지 고객이 되는지, 어떤 접점에서 해지 위험이 높아지는지, 어떤 계약자가 추가 계약 가능성이 높은지를 예측한다.
고객 행동 데이터는 언더라이팅보다 마케팅과 채널 전략에 더 직접적으로 쓰인다. 하지만 장기 유지율 예측과 해지 방어에 활용되면 사업비차익과 이자율차익에도 영향을 미친다.
데이터 피드백 루프 — 격차가 스스로 벌어지는 구조
보험 데이터의 가장 중요한 특성은 피드백 루프(Feedback Loop)를 형성한다는 점이다.
더 많은 계약
↓
더 많은 데이터 수집
↓
더 정확한 위험 예측
↓
더 정교한 보험료 책정
↓
우량 고객 선별 → 낮은 손해율
↓
더 경쟁력 있는 보험료 제시 가능
↓
더 많은 계약 (처음으로 돌아감)
이 루프가 한 번 돌기 시작하면 데이터 보유량이 많은 보험사와 적은 보험사의 격차는 시간이 지날수록 자동으로 벌어진다.
신규 진입자가 데이터 경쟁에서 기존 강자를 따라잡기 어려운 이유다. 단순히 더 많은 계약을 체결한다고 해서 해결되지 않는다. 데이터는 시간이 지나야 의미 있는 패턴을 드러내기 때문이다.
한국 보험산업의 데이터 구조
한국 보험산업에는 특수한 데이터 인프라가 있다.
보험개발원(KIDI) 보험사들이 공동으로 출연한 기관으로, 업계 공통의 위험률 산출 기준을 제공한다. 표준 생명표, 표준 발생률 테이블이 여기서 나온다.
이 공동 인프라는 두 가지 효과를 낳는다.
긍정적 효과: 소규모 보험사도 기본적인 위험률 데이터에 접근할 수 있다. 신규 진입의 데이터 장벽이 일부 낮아진다.
부정적 효과: 모든 보험사가 같은 기준 위험률에서 출발하면 차별화의 여지가 줄어든다. 데이터로 경쟁하려면 이 공통 기준을 넘어서는 자체 데이터 역량이 필요하다.
대형 보험사는 보험개발원 데이터를 기반으로 하되 자사의 수십 년 계약 데이터로 독자적인 위험률 보정 모델을 운영한다. 이 보정 모델의 정교함이 실질적 데이터 경쟁력의 차이를 만든다.
AI·머신러닝이 데이터 경쟁을 바꾸는 방식
전통적 언더라이팅은 계리사가 설계한 통계 모델에 의존했다. 변수의 수가 제한적이고, 선형적 관계를 가정하는 경우가 많았다.
AI와 머신러닝은 이 방정식을 바꾸고 있다.
비정형 데이터의 활용 건강 고지서, 진단서, 의무기록의 텍스트 데이터. 웨어러블 기기의 심박수, 수면 패턴, 활동량. SNS 행동 패턴과 소비 데이터. 이런 비정형 데이터를 위험 예측에 활용하는 시도가 늘어나고 있다.
비선형 패턴 탐지 머신러닝은 인간이 발견하기 어려운 변수 간 복잡한 상호작용 패턴을 찾아낸다. 특정 직업 + 특정 지역 + 특정 연령 조합이 기존 모델이 예측한 것보다 훨씬 높은 위험을 가진다는 것을 데이터에서 직접 발견한다.
실시간 위험 재평가 계약 체결 시 한 번 산출된 위험률을 계약 기간 중 새로 수집되는 데이터로 지속 업데이트하는 동적 언더라이팅. 이것이 실현되면 보험료가 고정값이 아니라 계약자의 행동에 따라 변하는 변동값이 된다.
이 변화가 데이터 역량이 있는 보험사와 없는 보험사 사이의 격차를 기존보다 훨씬 빠르게 벌릴 가능성이 있다.
데이터 경쟁의 규제 한계
데이터 경쟁에는 규제라는 경계선이 있다.
개인정보보호법 계약자의 건강 정보, 금융 정보는 민감 개인정보다. 수집·활용·공유에 엄격한 규제가 적용된다. 데이터를 많이 가졌다고 해서 무제한으로 활용할 수 없다.
차별 금지 AI 언더라이팅이 특정 집단(지역, 직업, 인종)을 구조적으로 불리하게 취급하는 결과를 낳으면 금융당국의 제재 대상이 될 수 있다. 알고리즘의 공정성(Algorithmic Fairness) 문제는 보험 규제의 새로운 전선이 되고 있다.
동의 기반 데이터 활용 계약자가 동의하지 않은 방식으로 데이터를 활용하면 법적·평판 리스크가 발생한다. 데이터 경쟁은 결국 계약자의 신뢰 범위 안에서만 가능하다.
미국과 한국은 데이터 경쟁을 다르게 한다
같은 데이터 경쟁이라도 미국과 한국은 출발점이 다르다.
미국은 외부 데이터 시장이 발달했다. 보험사는 자사 데이터만으로 경쟁하지 않는다. 생명보험에서는 의료정보 공유기구(MIB)를 통해 청약 이력이 업계 차원에서 참조되고, 자동차·주택보험에서는 신용점수 기반 보험점수(credit-based insurance score)가 요율 산출에 광범위하게 활용된다. LexisNexis 같은 데이터 브로커는 운전 이력, 청구 이력, 자산 정보를 상품화해 판매한다.
즉 미국에서는 데이터의 상당 부분이 시장에서 구매 가능한 재화에 가깝다. 신규 진입자도 비용을 치르면 상당한 데이터에 접근할 수 있고, 그만큼 데이터 격차가 자본으로 부분적으로 메워진다.
한국은 구조가 다르다. 외부 보험 데이터 시장이 얇은 대신 보험개발원이라는 공동 인프라가 표준 위험률을 공급한다. 개별 계약 단위의 상세 데이터는 각 보험사 내부에 축적되고, 신용정보법이 그 데이터의 외부 유통을 강하게 제약한다.
결과적으로 한국의 데이터 해자는 '외부에서 살 수 없고 시간으로만 쌓이는' 성격이 더 강하다. 대형사가 보유한 수십 년치 자체 계약 데이터가 오히려 자본으로 복제하기 어려운 자산이 되는 역설이 생긴다.
마이데이터가 데이터 잠금을 흔든다
데이터 격차가 무한히 벌어지지 않게 만드는 힘도 있다.
한국의 마이데이터(본인신용정보관리업) 제도는 계약자가 자신의 금융·보험 정보를 다른 사업자에게 이동시킬 수 있는 권리를 제도화했다.
이것은 데이터 잠금 효과를 약화시킨다. 과거에는 고객 데이터가 특정 보험사에 사실상 갇혀 있었다면, 데이터 이동권은 고객이 회사를 옮길 때 자신의 이력 일부를 함께 가져갈 수 있게 한다.
동시에 표준 위험률의 존재는 소형사가 '최소한의 정확도'에서 출발하도록 보장한다. 대형사의 데이터 우위가 있더라도 그 우위는 표준 대비 보정의 정밀함이라는 비교적 좁은 영역에서 작동한다.
여기에 외부 데이터의 상품화가 더해진다. 웨어러블 데이터, 자동차 텔레매틱스 데이터는 플랫폼 사업자를 통해 여러 보험사가 접근하는 방향으로 움직인다. 데이터가 공용재에 가까워질수록 개별 보유량의 격차는 희석된다.
데이터 해자는 실재하지만, 규제와 제도가 그 해자의 깊이에 상한을 두고 있다는 점이 한국 시장의 특징이다.
데이터는 결국 삼리(三利)로 환산된다
데이터 경쟁이 추상적으로 들린다면 그것이 손익계산서의 어디에 도달하는지를 보면 된다.
보험사의 이익은 크게 세 원천에서 나온다. 위험률차익, 이자율차익, 사업비차익.
언더라이팅·손해 데이터의 정확도는 위험률차익을 결정한다. 실제 손해가 예정 위험률보다 낮게 관리될수록 이 마진이 커진다.
고객 행동 데이터는 사업비차익과 연결된다. 유지율이 높아지면 신계약 획득비의 회수 기간이 짧아지고, 해지 방어에 성공하면 이미 투입된 사업비가 손실로 전환되지 않는다.
데이터 기반 자산·부채 관리는 이자율차익에도 개입한다. 계약자의 해지·유지 패턴을 정확히 예측할수록 부채의 만기 구조를 정교하게 추정할 수 있고, 그만큼 자산 운용의 듀레이션 매칭이 정밀해진다.
결국 데이터 격차는 세 마진 모두에 스며든다. 데이터가 강한 보험사는 하나의 채널이 아니라 손익의 세 축 전부에서 조금씩 더 벌고 조금씩 덜 잃는다. 이 작은 차이가 장기간 누적되면 자본 축적 속도의 격차로 굳어진다.
Mezzanine Framework™ 관점에서 본 위치
2부: 보험산업의 경쟁구도
━━━━━━━━━━━━━━━━━━━━━━━━━━━
11화 │ 보험 경쟁의 특수성 (총론)
12화 │ 가격 경쟁의 함정
13화 │ 채널이 곧 경쟁력이다
14화 │ 브랜드의 경제학
15화 │ 데이터가 만드는 격차 ← 지금 여기
│ Layer 1 · RISK × Layer 2 · PRICING 심층 교차
데이터는 Layer 1 · RISK(위험 측정)와 Layer 2 · PRICING(가격 산출)을 연결하는 엔진이다. 더 많은 데이터 → 더 정확한 위험 측정 → 더 정교한 가격 책정. 이 연결 고리의 품질이 보험사의 장기 수익성을 결정한다.
핵심 정리
| 개념 | 내용 |
|---|---|
| 언더라이팅 데이터 | 계약 인수 시 수집. 위험 예측 모델의 원재료 |
| 손해 데이터 | 보험금 청구·지급 데이터. 모델 피드백과 사기 탐지에 활용 |
| 고객 행동 데이터 | 유지·해지·추가 계약 패턴. 마케팅·채널 전략에 직결 |
| 데이터 피드백 루프 | 계약 증가 → 데이터 증가 → 정확도 향상 → 경쟁력 강화의 자기 강화 구조 |
| 보험개발원 | 공동 위험률 인프라. 진입 장벽을 낮추지만 차별화 여지도 줄임 |
| AI 언더라이팅 | 비정형 데이터·비선형 패턴·동적 위험 재평가로 데이터 격차를 가속화 |
다음 편 예고
Insurance Architecture #16 규모의 경제와 범위의 경제 — 대형 보험사가 구조적으로 유리한 이유
데이터, 채널, 브랜드 모두 규모가 클수록 강해진다. 보험산업에서 규모의 경제와 범위의 경제가 어떻게 작동하는지, 그리고 그것이 경쟁 구도를 어떻게 고착화하는지를 다룬다.
mezzanineX Research · Insurance Architecture Series © 2026 MezzanineX · mezzaninex.com