"지금이 기회"··· 예측 애널리틱스 착수 가이드

예측 애널리틱스 전문가는 컴퓨터 생명 공학자와 화학자, 천체 물리학자, 수학자, 컴퓨터 과학 전공자, 정량적 사회 과학자, 학문적인 교육을 받은 통계학자 등 다양한 배경을 가질 수 있다고 기술 컨설팅 및 경영 기업 아말감 인사이츠(Amalgam Insights)의 설립자 겸 CEO 박 현이 말했다. 그는 "단순히 수치를 다루는 것이 아니라 문제를 해결하고 데이터를 분석하는 분석가를 찾는 것이 중요하다"라고 덧붙였다.

기존의 직원들은 대부분 이미 기업 목표와 활동에 익숙하다는 점에서 꽤 괜찮은 예측 애널리틱스 교육 후보자들인 경우가 많다. 경영진은 자체 교육, 외부 교육 프로그램, 온라인 수업 등 교육에 대한 여러 접근방식을 활용할 수 있다. 샤캄은 "예측 애널리틱스 교육에 대해 고려할 필요가 있다. 교육 대상자들이 교육 후 업무를 처리하기 위해 필요한 툴과 애플리케이션이 있는지 검증하는 것이다"라고 말했다.

부서와 최종 사용자를 참여시키라
많은 기업들이 예측 애널리틱스 애플리케이션, 모델, 툴의 획득, 개발, 사용자 정의, 이행을 담당하는 별도의 데이터 과학 사업부를 유지하곤 한다. "하지만 데이터 과학팀들이 IT 부서와 긴밀히 협력하여 필요한 컴퓨터 인프라를 이행하여 관련 이해당사자들에게 분석 및 툴을 제공할 수 있는 경우가 적지 않다"라고 펠스버그가 전했다.

경우에 따라서는 관련된 이해당사자 부서가 관리하는 제 3자 벤더가 실제로 모든 분석 활동에 대해 책임을 지기도 한다는 설명이다. 펠스버그는 "예측 애널리틱스 활동을 담당하는 부서는 운영 규모 그리고 분석 및 예측 방법이 비즈니스에 장기적으로 어떤 영향을 끼치는지에 따라 결정된다"라고 덧붙였다.

예측 애널리틱스 툴 개발, 구성, 사용자 정의 작업이 꽤 어려울 수 있지만 사용 자체는 그리 어렵지 않다. 그는 "비즈니스 이해당사자들을 위해 개발된 예측 툴은 사실 사용하기 쉬워야 하며 실제로 그렇다"라고 말했다.

그는 그러나 정확한 분석 결과 해석을 확보하는 것이 어렵다고 덧붙였다. 그는 최종 사용자에게 제공되는 교육은 사람들의 정확한 해석을 도와 결과를 최소한의 위험으로 효과적으로 활용할 수 있도록 하는 것이라고 강조했다.

하지만 때로는 교육이 거의 필요 없을 때가 있다. "오늘날의 여러 예측 애널리틱스 툴이 매우 친화적인 GUI 인터페이스 안에서 제공되는 드롭다운 기능 정도로 발전했기 때문에 직원들에게 이런 툴에 대한 교육을 제공하기가 점차 쉬워지고 있다"라고 게임, 복권, 스포츠 내기 산업 부문의 고객들에게 자문을 제공하는 소프트웨어 컨설팅 기업 인텔리젠시아(Intelligencia)의 상무이사 앤드류 피어슨는 말했다.

그는 이어 "나는 아시아에서 기본적인 직원 교육을 제공하지 않는 산업 부문 및 국가에서 근무하고 있다. 실제로 이런 툴 중 일부는 분석 학위가 없고 고등 교육을 거의 받지 못한 사람들이 사용할 수 있다"라고 밝혔다.

위험 요인을 포착하고 지양하라
이제 막 예측 애널리틱스를 시작한 기업들이 흔히 빠지는 함정이 있다. 파싸사라씨는 오래되고 부정확하며 형식이 형편없는 데이터가 신규 도입 시 가장 보편적인 장애물이라고 말했다.

그는 "애플리케이션에 지저분한 데이터를 입력하면 정확하지 못한 통찰력을 얻게 된다. 적절한 데이터 준비는 답을 얻고자 하는 비즈니스 문제를 가장 잘 해결하는 데이터 포인트를 얻을 수 있도록 하는 것과 함께 예측 애널리틱스를 위해 준비하는 필수적인 구성 요소이다"라고 강조했다.

이 밖에 단순히 기업이 "선진화"되었거나 "앞서 나아가고 있다"는 것을 입증하기 위해 예측을 분석을 출범하면 비용이 높고 비효율적인 경우가 많다. 펠스버그는 "예측 툴을 성공적으로 활용하려면 우선 해결할 구체적인 비즈니스 문제가 있어야 하며 데이터를 활용할 수 있는지 여부를 판단해야 한다"라고 말했다.

조직들이 직면하는 또 다른 보편적인 문제는 정보를 활용해 더 나은 비즈니스 의사를 결정할 수 있는 동료와 예측 통찰력을 효과적으로 공유하는 방법을 찾는 것이다.

파싸사라씨는 "예측 애널리틱스를 통해 이 모든 훌륭한 통찰력을 얻을 수 있지만 적절한 사람들이 이런 정보를 실행 가능한 방식으로 받아볼 수 없다면 노력이 헛수고가 된다. 적절한 사람들과 예측 정보를 공유하도록 하는 가장 좋은 방법은 이런 통찰력을 사람들의 워크플로 환경에서 매일 사용하는 애플리케이션에 통합하는 것이다"라고 말했다.

또한 많은 조직들이 예측 애널리틱스에 지속적인 재투자가 필요하다는 사실을 인식하지 못하고 있다. 애플리케이션과 모델은 정기적으로 재검토하여 업데이트하지 않으면 쉽게 구식이 된다. 장은 "예측 모델을 지속적으로 수정하여 최신 비즈니스 상태를 유지해야 한다. 1회성 투자에 그쳐서는 곤란하다”라고 말했다.

아울러 많은 기업들이 예측 애널리틱스가 조직에 가져올 수 있는 전체론적인 관점을 이해하지 못하는 것이 현실이다. 피어슨은 "실제로 예측 애널리틱스는 고객 획득부터 고객 정보와 고객 경험 그리고 잠재적으로 고객 이탈까지 고객 여정 전체에 스며들 수 있다. 고객 여정 정보가 인력 관리, 공급망 관리, 기타 모든 부서로 제공되는 것이다"라고 말했다.

"놓지지 말아야 할 기회"
AI, ML, 딥 러닝 분야에서는 이례적인 예측 애널리틱스 기회가 창출되고 있다고 피어슨이 다음과 같이 거듭 강조했다. "하둡 데이터 레이크와 오픈 소스 툴을 통해 기업들은 수 년 전보다 훨씬 저렴한 분석 툴을 이행할 수 있다. 지금이야말로 뛰어들기 좋을 때다." ciokr@idg.co.kr