사회서비스의 디지털 전환 017. 복지정책 의사결정 사례

복지사각지대 발굴은 빅데이터 기반 복지정책 기획을 통해 정책 성과가 가장 직접적으로 가시화되는 영역 중 하나이다. 전통적인 복지행정은 개인의 신청이나 사후 조사에 의존하는 구조로 인해 위기 상황을 사전에 포착하는 데 구조적 한계를 지녀왔으나, 최근에는 행정데이터와 다양한 공공·민간 데이터를 분석하여 위기 가능 가구를 선제적으로 식별하는 정책 기획 방식이 본격적으로 도입되고 있다. 이러한 변화는 복지정책이 사후 대응 중심에서 예방 중심으로 전환되고 있음을 보여주는 대표적인 사례라 할 수 있다.

국내에서는 사회보장정보시스템인 행복e음을 중심으로 빅데이터 기반 복지사각지대 발굴 체계가 지속적으로 고도화되어 왔다. 행복e음은 행정안전부, 국세청, 교육부, 금융위원회 등 여러 기관이 보유한 행정데이터를 연계·분석하여 소득 변화, 공공요금 체납, 의료 이용 이력, 행정서비스 이용 패턴 등 생활 전반에서 나타나는 위험 신호를 종합적으로 파악한다. 이를 통해 단전·단수 발생, 건강보험료 체납, 응급실 반복 이용과 같은 지표가 복합적으로 나타나는 가구를 고위험군으로 분류하고, 지자체 사회복지공무원의 현장 확인과 개입으로 연결하는 구조를 갖추고 있다. 이와 같은 체계는 복지위험을 개별 사건 단위로 사후 인지하던 기존 방식에서 벗어나, 데이터 분석을 기반으로 위기 가능성을 사전에 예측하는 정책 기획 방식으로 전환되었다는 점에서 의미를 갖는다(보건복지부·한국사회보장정보원, 2025).

중앙 차원의 시스템 구축과 더불어, 일부 지방자치단체에서는 기계학습 기반 예측모형을 활용한 복지사각지대 발굴 시범사업을 추진해 왔다. 서 울시는 민원 정보, 공공요금 체납, 응급의료 이용, 생활 패턴 데이터를 통합 분석하여 위험 신호를 실시간으로 감지하고, 이를 긴급복지 지원이나 통합사례관리로 즉시 연계하는 정책 기획 모델을 실험하였다. 이러한 사례는 빅데이터 분석 결과가 단순한 통계 산출에 그치지 않고, 실제 정책 집행과 현장 개입으로 연결될 수 있음을 보여주며, 기존 행정 방식에 비해 위기가구 발굴의 적시성과 정확성을 개선한 성과로 평가되고 있다.

특히 2024년 이후에는 사회서비스 바우처 부정수급 예측모형 고도화 사업을 계기로, 거래 패턴 분석 중심의 인공지능 탐지모형이 복지사각지대 발굴 영역으로 확장 적용되었다. 이 과정에서 기존의 부정수급 탐지 기능은 급여 미신청자나 복지 누락 가능 가구를 식별하는 기능으로 발전 하였으며, 이를 통해 복지정책 기획은 사후적 관리 중심에서 사전 예방 중심으로 전환되는 계기를 마련하였다. 이는 빅데이터와 인공지능이 정책 집행 단계뿐 아니라, 정책 설계 단계에서부터 활용될 수 있음을 보여주는 사례라 할 수 있다.

이러한 국내 사례들이 효과적으로 작동하기 위해서는 부처 간 데이터 연계와 협력 구조가 전제되어야 한다. 국세청의 소득 정보, 교육부의 학비 지원 자료, 금융위원회의 채무 정보, 행정안전부의 재난지원 데이터 등이 통합 활용되면서 복지대상자 선정의 정확성이 제고되고, 중복 지원이나 지원 누락 가능성이 감소하는 효과가 나타나고 있다. 아울러 비식별화 데이터 관리체계와 데이터 품질 표준화 절차가 병행 구축되면서, 개인정보 보호를 전제로 한 안전한 데이터 활용 환경이 정책 기획의 기반으로 자리 잡고 있다.

해외 사례는 이러한 국내 정책 기획 방향을 비교·보완하는 맥락에서 참고할 수 있다. 방글라데시와 인도네시아에서는 전력, 보건, 교육 데이터를 통합한 빅데이터 기반 조기경보시스템을 통해 재난·질병·빈곤에 취 약한 가구를 선제적으로 식별하고 있으며, 유럽의 복지국가들 역시 실업급여와 기본소득 제도 운영 과정에서 데이터 분석을 활용해 지원 누락 가구를 탐지하고 있다. 캐나다와 북유럽 국가들에서는 사회보장기관의 예측 시스템을 정책 기획 단계에 반영함으로써, 복지위험 대응의 신속성과 형평성을 동시에 제고하고 있다. 이들 사례는 빅데이터 기반 복지정책 기획에서 알고리즘의 공정성, 데이터 투명성, 책임성 확보가 공통적인 과제로 논의되고 있음을 보여준다(UNDP, 2024a; Verhagen, 2024; Zaber et al., 2024).

종합하면 복지사각지대 발굴은 빅데이터 기반 복지정책 기획이 실제 정책 성과로 연결되는 대표적인 사례라 할 수 있다. 행정데이터와 다양한 데이터의 연계, 예측 분석을 활용한 정책 설계, 그리고 현장 개입과의 유기적 연동이 결합될 때 복지정책은 보다 선제적이고 정밀한 개입이 가능해진다. 이러한 접근은 예방 중심 복지행정으로의 전환을 실질적으로 뒷받침하는 동시에, 데이터 기반 정책 기획의 효과성과 한계를 함께 보여주는 중요한 사례로서 의의를 갖는다.

위기가구 조기탐지 모델은 빅데이터 기반 복지정책 기획이 사전 예방 중심으로 전환되는 과정에서 핵심적으로 활용되는 정책 설계 도구이다. 이는 단순한 행정 자동화 기술을 넘어, 위험 발생 가능성을 사전에 예측하고 정책 개입의 우선순위를 합리적으로 설정하기 위한 데이터 기반 의사결정 체계로 이해할 수 있다. 특히 인공지능과 빅데이터 분석을 결합한 위험예측 구조는 복지행정의 대응 속도와 정확성을 동시에 제고하는 기반으로 기능한다.

AI 기반 위험예측 구조는 기계학습과 심층학습을 활용하여 사회서비스 바우처 이용, 급여 지급, 행정서비스 이용 과정에서 나타나는 비정상적 패턴을 자동으로 분석하고, 이를 위기가구 탐지에 활용하는 방식으로 발전하고 있다. 거래 패턴 분석을 중심으로 한 예측모형은 기존의 부정수급 탐지 기능을 넘어, 급여 미신청자나 잠재적 복지 누락 가구를 선제적으로 식별하는 구조로 확장되고 있으며, 이를 통해 복지정책 기획은 사후적 관리 중심에서 예방 중심 구조로 전환되고 있다.

이러한 예측 시스템은 지속적인 데이터 학습과 모델 갱신을 통해 사회·경제적 환경 변화에 유연하게 대응할 수 있다는 점에서 정책 대응력 강화에 기여한다. 다만 AI 기반 예측 구조의 고도화 과정에서는 행정 효율성 제고와 함께 데이터 품질 확보와 개인정보 보호가 동시에 고려되어야 한다. 인공지능 학습 단계에서는 데이터 접근 권한을 최소화하고, 비식별화 절차를 표준화한 관리체계를 구축함으로써 정보 보호와 활용 간의 균형을 유지할 필요가 있다. 익명 처리, 변수 삭제, 범주화 등의 비식별화 기법을 체계적으로 적용함으로써 데이터 재활용 가능성을 확보하는 동시에 개인정보 침해 위험을 최소화해야 한다.

아울러 공공데이터와 민간데이터를 연계한 데이터 생태계 조성은 사회적 위험을 보다 조기에 포착하고, 예측 기반 정책 설계를 가능하게 하는 핵심 조건으로 작용한다. 이를 위해 알고리즘의 신뢰성, 투명성, 설명 가능성을 확보할 수 있는 데이터 거버넌스 체계를 강화해야 하며, 정부는 단순한 데이터 관리자를 넘어 인공지능 학습과 예측을 지원하는 공공 데이터 공급자로서의 역할을 수행할 필요가 있다. 이러한 역할 전환은 예측 중심의 복지행정을 구현하고 정책 대응의 정확성과 신속성을 제고하는 중요한 기반이 된다.

위기가구 조기탐지 모델의 정책적 효과는 예측 단계에 머무르지 않고, 실제 현장 개입과 유기적으로 연결될 때 실질적으로 구현된다. 위험 신호가 감지된 가구에 대해 신속한 상담과 긴급 복지지원을 제공하고, 필요 시 통합사례관리를 통해 지속적인 지원이 이루어질 수 있도록 하는 현장 중심의 개입 구조가 병행되어야 한다. 특히 재난, 경제적 위기, 건강 악화와 같이 복합적인 위험요인이 동시에 작용하는 상황에서는 디지털 기술을 기반으로 한 현장 대응 체계가 복지 사각지대 해소의 핵심 수단으로 기능한다.

이 과정에서 인공지능 기술은 사람 중심의 행정을 보완하는 보조적 수단으로 활용되어야 한다. AI 기반 질병 감시, 감염병 대응, 건강 위험 예측 시스템은 위기 상황에서 개입의 속도와 정확성을 높이는 데 기여할 수 있으나, 자동화된 판단이 현장 전문 인력의 판단을 대체하는 방식으로 작동해서는 안 된다. 이를 위해 의료진과 정책 담당자를 대상으로 한 AI 활용 역량 강화 교육과 함께, 기술 활용 과정에서의 책임성과 설명 가능성을 확보하는 제도적 장치가 병행될 필요가 있다.

나아가 위기가구 조기탐지 모델의 지속가능한 운영을 위해서는 데이터·AI 기반 행정 전반의 고도화가 요구된다. 행정데이터의 표준화와 통합 활용을 통해 정책 결정의 근거를 명확히 하고, 중복 조사나 불필요한 예산 낭비를 예방하는 관리체계를 구축할 필요가 있다. 디지털 신원 체계, 데이터 공유 인프라, 행정등록 시스템 간의 상호운용성을 강화함으로써 부처 간 협업 기반을 확충하고, 정책 집행의 효율성과 투명성을 함께 제고할 수 있다.

또한 AI 거버넌스 체계를 강화하여 기술 활용 전반에 대한 신뢰성, 공정성, 투명성을 확보해야 한다. 정보화사업 추진 과정에서는 절차와 산출물을 표준화하고, 정책 설계–집행–평가 전 과정에서 데이터와 인공지능이 일관되게 활용될 수 있도록 관리체계를 정비해야 한다. 이러한 접근은 행정 내부의 업무 효율성 제고에 그치지 않고, 국민이 실제로 체감할 수 있는 복지서비스 품질 향상으로 이어지는 중요한 연결 고리로 작용한다.

종합하면 위기가구 조기탐지 모델은 빅데이터와 인공지능을 활용한 정책 기획, 현장 개입, 행정 운영이 유기적으로 결합될 때 실질적인 정책 성과를 창출할 수 있다. 이는 단일 기술 도입의 문제가 아니라, 데이터 거버넌스 강화, 개인정보 보호 체계 확립, 윤리적 설계 기준 정착, 그리고 이에 대한 사회적 합의가 함께 이루어질 때 가능한 정책 혁신의 결과라 할 수 있으며, 예방 중심 복지행정으로의 전환을 구조적으로 뒷받침하는 핵심 정책 모델로 자리매김하고 있다.

빅데이터 기반 복지정책 기획에서 정책 성과 모니터링은 정책 설계와 집행이 실제 효과로 이어지고 있는지를 검증하고, 향후 정책 개선의 근거를 축적하는 핵심 단계이다. 이는 단순한 사후 평가를 넘어, 정책 집행 이후 생성되는 데이터를 지속적으로 추적·분석하고 이를 다시 정책 기획과 운영에 환류시키는 순환적 관리 체계를 의미한다. 이러한 구조가 정착될 때 데이터 기반 복지정책은 일회적 실험이 아닌 지속 가능한 정책 운영 방식으로 기능할 수 있다.

정책 성과를 정확하게 평가하기 위해서는 정책 집행 이후 축적되는 행정데이터를 체계적으로 관리하고 분석할 수 있는 기반이 필수적이다. 집행 후 데이터 추적은 개별 사업의 결과를 점검하는 수준을 넘어, 정책 집행 과정에서 나타나는 이용 패턴, 대상자 변화, 예산 집행 흐름 등을 종합적으로 모니터링하는 과정을 포함한다. 이를 통해 정책이 당초 설정 한 목표와 방향에 부합하게 작동하고 있는지를 상시적으로 점검할 수 있으며, 정책 효과에 대한 보다 객관적인 판단이 가능해진다.

이 과정에서 정책 성과 데이터가 부처별·기관별로 분산되어 관리되는 구조적 한계를 극복하기 위해서는 통합적인 데이터 거버넌스 체계의 확립이 요구된다. 통합 데이터 거버넌스를 기반으로 정책 성과를 정량적으로 검증할 수 있는 분석 인프라를 구축할 경우, 정책 효과에 대한 비교·분석이 용이해지고, 향후 정책 개선을 위한 근거 역시 보다 명확하게 축적될 수 있다. 이는 중복 사업이나 비효율적 예산 집행을 사전에 점검하고, 정책 자원의 합리적 배분을 가능하게 하는 기반으로 작용한다.

정책 성과 모니터링의 실효성을 높이기 위해서는 성과를 측정할 수 있는 명확한 기준 설정이 병행되어야 한다. 이러한 맥락에서 핵심성과지표 (Key Performance Indicators, KPI)는 단순한 정량 지표의 나열이 아니라, 정책 목적과 공공가치를 충실히 반영하도록 설계되어야 한다. KPI설계 단계에서는 행정데이터의 정합성, 정책 목표의 명확성, 그리고 수혜자 관점에서 체감되는 성과를 종합적으로 고려할 필요가 있으며, 이를 통해 정책 성과를 형식적 수치가 아닌 실질적 효과 중심으로 평가할 수 있다.

디지털 행정환경에서는 정책 성과를 실시간으로 측정하고 관리할 수 있는 성과관리체계의 구축이 중요하다. 정량적 지표와 정성적 지표를 결합한 KPI 시스템은 정책 목표 달성 수준을 다각도로 점검할 수 있도록하며, 평가 결과를 토대로 지표를 지속적으로 보완·개선하는 순환 구조를 가능하게 한다. 이러한 구조는 성과관리가 일회성 평가에 그치지 않고, 정책 운영 전반을 지원하는 상시 관리 도구로 기능하도록 한다.

한편 정책 성과를 보다 정밀하게 분석하기 위해 인공지능(AI)을 활용한성과 모니터링 체계의 도입도 고려될 수 있다. AI 기반 분석은 대규모 데이터를 신속하게 처리함으로써 정책 성과의 변화 추이를 보다 객관적으로 파악할 수 있는 환경을 제공한다. 다만 이 과정에서는 알고리즘 오류나 데이터 편향의 가능성을 고려하여, 투명성과 설명 가능성을 확보할 수 있는 리스크 관리 체계를 함께 구축할 필요가 있다. 이는 정책 성과 평가의 신뢰성과 책임성을 제도적으로 뒷받침하는 중요한 조건으로 작용한다.

정책 성과 모니터링의 궁극적인 목적은 평가 결과를 정책 개선으로 연결하는 데 있다. 이러한 맥락에서 데이터 기반 리디자인(data-driven redesign)은 성과 모니터링 결과를 토대로 제도의 구조를 재설계하고 정책의 실효성을 제고하는 핵심 전략으로 자리 잡고 있다. 행정데이터와 민간데이터를 연계하여 정책 효과를 분석하고, 비효율적이거나 중복된 제도를 구조적으로 조정함으로써 정책 자원의 합리적 배분이 가능해진다.

데이터 기반 리디자인은 정책 생애주기 전반에 걸쳐 데이터 흐름을 관리하고, 집행 성과를 분석하여 향후 정책 효과를 예측·보완하는 종합적 관리 체계를 의미한다. 이를 위해서는 부처 간 데이터 표준화를 강화하고, 성과 모니터링 결과를 정책 목표 설정과 집행 방식의 조정에 지속적으로 반영하는 순환 구조를 제도화할 필요가 있다. 이러한 순환적 조정 메커니즘은 정책 환경 변화에 유연하게 대응할 수 있는 기반으로 기능한다.

종합하면 정책 성과 모니터링은 설계–집행–평가–리디자인으로 이어지는 정책 순환 구조를 완성하는 핵심 단계라 할 수 있다. 데이터 기반 성과 추적과 KPI 관리, 인공지능을 활용한 분석, 그리고 이를 토대로 한 정책 리디자인이 유기적으로 결합될 때, 빅데이터 기반 복지정책 기획은 일회적 성과를 넘어 지속 가능한 정책 혁신 체계로 정착할 수 있을 것이다.