금융 / 가맹점 결제
Square: 가맹점 업종 분류
- 기업
- Square
- 국가
- 미국
- 도입 상태
- 운영
- 자료 공개
- 날짜 기준
- 자료 발표 시점. 도입 시작일과 다를 수 있음
- 근거 확인 방법
- 검색 도구의 본문 발췌 확인
업무 문제
Square는 판매자가 가입할 때 스스로 고른 업종 정보를 주로 썼다. 이 방식은 틀리기 쉬웠다. 판매자는 가입을 빨리 끝내려고 대충 고르기도 하고 미용과 네일을 함께 하는 가게처럼 하나를 고르기 어려운 경우도 있었다. 업종 코드는 Square가 내는 카드 수수료와 카드사 혜택에도 영향을 준다.
적용한 기술과 데이터
Square는 RoBERTa 구조로 업종 분류 모델을 만들었다. roberta-large를 썼다. 학습 자료는 사람이 직접 검토한 판매자 20,000명 이상을 무작위로 뽑은 표본이다. 입력은 상호명, 가입할 때 고른 업종과 세부 업종, 판매 품목과 서비스 목록이다. 품목은 구매 빈도 순으로 정렬해 모델이 읽을 수 있는 길이까지만 남긴다. 가입할 때 자동으로 만들어진 품목은 뺀다. 판매자가 직접 고친 항목만 남긴다. 학습은 Databricks의 GPU 클러스터에서 했고 예측은 매일 갱신한다.
성과
Square는 기존 방식보다 업종 판별 정확도가 절대 기준으로 약 30% 올랐다고 추정했다. 시험 자료에서 자가 선택 대비 상승 폭은 소매와 홈리페어에서 특히 컸다. 회사는 이 예측을 업종별 구분이 필요한 사내 지표 전체에 쓴다고 밝혔다.
한계와 남은 과제
정확도 개선은 보유 시험 자료로 낸 추정값이다. 수수료 절감이나 결제 매출 변화로 이어졌다는 수치는 원문에 없다.
출처
- RoBERTa Model for Merchant Categorization at Squaredeveloper.squareup.com, 확인
공개된 자료를 정리한 사례입니다. ATF Works 도입 고객의 결과가 아닙니다.