CIO 3인이 전하는 예측 애널리틱스 시작법

기업에 예측 애널리틱스(predictive analytics)를 성공적으로 도입하고 싶다면, 여기 3인의 CIO들이 전하는 조언에 귀 기울여보자. 이들은 모두 전위(front-end)적 데이터 작업의 중요성과 문화 변혁에 대한 사용자들의 저항에 대비하는 자세의 필요성을 강조했다.

문화 충격에 대비하라
크리스 코예 선임 부사장 겸 CIO, 디즈니 ABC 텔레비전 그룹(ABC Television Grou): 올 해 우리는 가상(what-if) 광고 판매 시나리오 분석 툴, 판촉 미디어 최적화 툴, 파일럿(pilot) 프로그램 선정 지원 툴 등 총 3개의 예측 애널리틱스 툴을 도입했다. 이를 위해 IT 그룹 내에 소규모 데이터 애널리틱스 팀을 신설했지만 모델 구축은 디즈니의 매출 과학(revenue science) 그룹에서 담당했다.

가장 큰 기술적 난관은 적절한 데이터 소스를 확보하는 것이었다. 여러 부문 사이에 데이터 표준화를 이룩해야 했기 때문이다. 초기 자체 추출, 변형, 로드 툴을 구축했지만, 이후 프로세스 속도 문제로 인해 상용 툴로 이전했다.

문화적 측면에서 이 툴들은 많은 저항을 초래했다. 연구 팀은 세일즈 팀이 섣부르게 데이터를 확인하길 원치 않았고, 또 세일즈 팀은 재무 팀이 섣부르게 데이터를 확인하길 원치 않았다. 익숙한 것 이상의 정보들이 새로이 유입된 것이다. 모든 직원들은 각자의 결과를 설명하는데 필요한 통제권을 유지하고자 했다.

이번 변화를 주도한 CFO 및 CTO는 이 툴들이 보다 나은 의사결정을 가능케 할 것이라 기대했다. 지금까지 방송 공백 시간에 광고를 제공할 지, 아니면 다른 프로그램의 프로모션을 진행할 지를 결정하는 문제는 전적으로 직감에 의존해왔다. 하지만 이제 이 과정은 즉각적 광고 수익 증대와 내일 방송 될 프로그램의 시청자 증대라는 효용 중 어느 것이 더 클지를 예측하는 새로운 툴을 통해 이뤄지고 있다.

작은 부분에서 부터 시작하고, 함께하는 문화를 배양하라
제임스 클렌트 CIO, 유나이티드 오소페딕 그룹(United Orthopedic Group): 우리 회사는 정형외과용 교정 기구라는 상당히 제한적인 시장에서 사업을 운영하고 있다. 따라서 고객 유지는 언제나 핵심으로 다뤄지는 문제다.

예측 애널리틱스와 관련한 우리의 첫 번째 시도는 특별한 불만을 표현하지도 않고 어느 순간부터 주문을 줄여나가다 거래를 중단하는, ‘조용한 유출 고객'을 확인하는 작업이었다.

이에 대한 우리의 가정은, 그들이 떠나기 전 우리가 그들을 확인할 수 있다면, 그들을 잡아두는 것 역시 가능하다는 것이었다. 우리는 기존 주문 패턴 분석을 통해 고객의 추후 주문 시점을 예측하는 툴을 개발했고, 툴을 통해 도출된 결과를 바탕으로 세일즈 직원들은 고객들에게 선행적으로 전화를 거는, 새로운 소통 방식을 시행할 수 있게 됐다.

본격적 시행에 앞서 진행한 시험군 테스트에서 우리는 조용한 유출 고객의 비율이 50% 감소하는 것을 확인할 수 있었다. 성과에 힘입어 이후 툴은 전국적으로 배치했다.

테스트 과정에서 문제가 발견됐다. 판매 직원들에게 주문 수량 및 편차, 그리고 이후 주문 예측 정보를 보여주는 고객 경향 그래프 또한 개발했지만, 이는 너무 복잡했다.

시작 단계에서 핵심 과정을 심플하게 구성할 필요가 있다. 이를 통해 조직이 예측 애널리틱스에 익숙해지도록 하는, 그리고 사용자들의 지속적 참여를 이끌어내는 것이 필요하다. 진입 장벽을 낮춰 일단 사용자들의 참여를 이끌어내면, 그 효과를 경험한 사용자들은 자발적으로 더 향상된 기능을 요구할 것이다. 다음의 프로젝트는 그 이후에 진행해도 충분하다.

우리의 경우에도 세일즈 예산 계획 및 분석 툴을 새로이 개발 중이다. 이러한 노력을 통해 예측 애널리틱스는 단순한 유행을 넘어 장기적으로 지속될 수 있을 것이다.

문제는 기술이 아니다
에드 브래드맨 CIO, 콜버그 크라비스 로버츠(Kohlberg Kravis Robert): 우리에게 있어 예측 애널리틱스는 우리가 진행하는 엄격한 사모(private equity) 투자 결정 및 보유 기업 성과 평가 과정을 지원하는 새로운 도구다.

현재 필요한 데이터를 수집할 방법을 고민하는데 많은 시간을 투자하고 있다. 우리가 매달 재무 및 운영 데이터를 수집하는 기업의 수는 80 곳이다. 이들은 각자 조금씩 다른 방식으로 데이터를 제출한다. 이 정보를 모두 합치면 그 규모는 실로 막대하다.

우리는 이를 활용해 시장의 공개 활용(publicly available) 정보를 넘어서는 예측적 시각을 확보할 수 있을 것으로 기대했다. 단, 이를 위해서는 정보의 표준화 과정이 우선돼야 한다. 2년에 걸친 노력 끝에 우리는 어느 정도 견고하게 데이터를 정리할 수 있었다. 많은 노력이 들어간 작업이었지만 현재도 지속적으로 개정 작업을 진행하고 있다.

또 우리의 데이터에 스탠다드 앤 푸어스(Standard and Poor's), BCA 리서치(BCA Research) 등 써드파티의 공개 활용 트렌드 데이터 역시 추가하고 있다. 이를 활용한 우리는 포트폴리오에 포함된 기업 전반에 대한 검토를 통해 차입금의 고정-변동 여부를 이해하고, 또한 거시적 이율 경향에 근거해 자금 조달의 최적기를 확인하는 등의 활동을 진행하고 있다. 또 우리의 포트폴리오 관리 위원회는 비즈니스, 관리 비용 확장 전략의 적극성 정도를 결정할 수 있다.

우리는 툴 개발 과정을 자체적으로 진행했다. 분석하려는 데이터의 시계열(time series)이 길지 않았기 때문이다. 그렇지 않았다면, 우리 역시 하둡(Hadoop)과 같은 기술에 의지해야 했을 것이다.

너무나 많은 기업들이 예측 애널리틱스를 새로운 테크놀로지로써만 이해하고 접근한다. 하지만 진짜 핵심은 테크놀로지가 아니다. 더 많은 데이터의, 더 잦은 공급이 언제나 더 나은 결과를 이끌어내지는 못함을 기억할 필요가 있다. 중요한 것은 얼마나 적절한 데이터를 얼마나 적절한 시점에 이용하는지의 여부다. 어떤 데이터라도, 실행 가능한 결과물로 이어지지 못한다면, 그것은 또 다른 짐일 뿐이다. ciokr@idg.co.kr