[칼럼] 빅데이터와 인공지능(AI) 융합이 기업에 미치는 그 영향력...
[칼럼] 빅데이터와 인공지능(AI) 융합이 기업에 미치는 그 영향력...
  • 최창현 기자
  • 승인 2019.10.22 10:35
  • 댓글 0
이 기사를 공유합니다

빅데이터와 AI를 결합하여 혁신과 비즈니스 중단이 급격히 증가하는 강력한 기반을 제공한다.

빅데이터의 첫 번째 물결은 속도와 유연성에 관한 것이었지만, 다음 빅데이터 물결은 AI와 머신러닝의 힘을 활용하여 비즈니스 가치를 대규모로 제공하는 것으로 이제, AI는 기업들이 데이터를 가장 소중한 기업 자산으로 전환할 수 있도록 해주는 것

지난 2017년 MIT 슬론(Sloan)이 발행하는 MIT 슬론 매니지먼트 리뷰에서 '빅데이터는 스스로 강력한 힘을 지니고 있다. 인공지능도 마찬가지다. 두 가지가 합쳐지면 어떻게 될까(Big Data is powerful on its own. So is artificial intelligence. What happens when the two are merged?)' 이란 주제로 기업들이 데이터 및 분석 기능을 통해 비즈니스 가치를 창출할 때 가장 주목해야 할 기술로 ‘AI와 빅데이터의 융합’을 꼽기도 했다.

그러나 비즈니스 이점을 얻을 수 있는 많은 기업들의 대부분은 “우리는 데이터가 없다. 데이터들은 분산되어 있고 체계적이지 않다", "우리의 데이터는 명확하지가 않다”라며, 망설이고 있다. 이처럼 기업들이 이러한 우려를 나타내는 것은 당연하다. 분산되어 있는 방대한 사일로 데이터는 오늘날 모든 산업 분야의 기업들에게 공통적인 과제인 것이다.

결과적으로, 비즈니스 리더들은 인공지능(AI)과 같은 최첨단 기술을 도입할 준비가 되지 않았다고 생각할 수 있지만 실제로는 AI는 데이터를 정리하는 것은 물론, 통합하고 체계화하여 엄청난 비즈니스 가치를 창출하고 있다. 그 예를 들어본다.

최근 통합 플래닝 및 운영 기능의 디지털 혁신을 주도하는 프리미어 인공지능(AI) 기반 SCM SaaS 플랫폼 제공업체인 오나인솔루션즈(o9solutions)의  차크리 가테무칼라(Chakri Gottemukkala) CEO 겸 공동 창업자가 ‘인공지능을 활용한 공급망 관리 및 비즈니스 운영’의 4가지 주요 사용사례를 기고를 통해 발표했다.

그 활용 사례 4가지는 '수요 동인(demand driver) 및 주요 지표를 통합하여 수요 예측을 혁신', ‘조직 내 지식(tribal knowledge)’ 대신 러닝 시스템으로 계획(planning) 수립', '연결되지 않은 데이터를 연결하여 통합 계획 및 의사결정 모델 생성', '계획 시스템(planning systems)에서 마스터 데이터 과제 해결' 등으로 그 내용을 살펴본다.

수요 동인(demand driver) 및 주요 지표를 통합하여 수요 예측을 혁신

일반적으로 기업들은 수요 예측을 할 때 과거의 영업 및 선적 데이터를 활용한다. 그러나 오늘날과 같은 급변하는 시장에서는 과거의 이벤트로 미래의 이벤트를 정확히 예측하기는 어렵다. 빅데이터 및 AI 기반 모델은 ‘미래에 대비한(future-ready)’ 환경을 위한 잠재력을 제공한다.

즉, 기업들은 과거 선적 실적 기반(Historical Shipment-based) 데이터를 토대로 한 ‘예측’에서 다양한 수요 동인(drivers of demand)을 모두 포함한 ‘예측’으로 전환할 수 있다. 이러한 동인에는 경쟁사 가격정책, 시장 상황, 경쟁사 구색(assortment) 등의 외부 동인 뿐만 아니라, 프로모션 및 가격정책 등의 내부 동인이 모두 포함된다.

머신러닝(ML)과 AI을 활용하지 않고 통계 예측(statistical forecasting)에 수요 동인들을 통합하려는 기업은 아웃라이어(outlier)가 포함된 데이터를 정규화(normalizing)하는 어려운 과정을 거쳐야 한다. 예를 들어, 공급망 문제로 인한 품절로 판매 감소가 발생했을 수 있다.

그러나 이러한 판매 감소가 시장의 수요 문제가 아니라, 공급망 문제 때문에 발생되었다는 것을 예측 알고리즘이 어떻게 알아낼 수 있을까? 전통적인 접근방식에서는 데이터가 통계 모델에 반영되기 전에 히스토리를 효과적으로 수정하기 위해 '이유'를 입력하는 ‘인적 개입’이 필수적이었다.

하지만 기업이 수요 예측(demand forecasting)을 위해 AI 기반 플랫폼을 구축하면서 이러한 모든 과정이 변화되었다. 머신러닝 알고리즘은 명시적 지침을 그대로 따르지 않고, 데이터가 가진 패턴을 기반으로 모델을 생성한다. 이는 수요 예측 결과에 결정적인 영향을 미치는 입력 데이터의 정제, 상관 관계 분석, 의미 있는 속성의 부여 등이 머신러닝을 통해서 제공될 수 있는 것을 의미한다. 결국 의미 있는 수요 예측은 시간이 지남에 따라 발견되는 데이터가 가진 패턴을 통해 만들어 진다고 할 수 있다.

‘조직 내 지식(tribal knowledge)’ 대신 러닝 시스템으로 계획(planning) 수립

또한 오늘날 많은 조직들의 지식 모델링은 ‘조직 내 지식’을 기반으로 하고 있다. 계획(planning)에 대한 의사결정 대부분은 각 플래너의 지식과 판단에 따라 달라진다.

예를 들어, 플래너가 추가 비용을 지불하더라도 납기를 지키기 위해 운송의 촉진이 필요한 영업 수요 예측 자료를 받았다면 플래너는 어떻게 할 것인가? 그 수요가 신뢰할 만하다고 확신할 수 있을까? 수요를 충족시키기 위해 비용을 기꺼이 지불하겠는가, 아니면 보류할 것인가? 신속하게 처리할지 말지에 대한 의사결정은 영업 담당 임원이나 고객과의 개인적인 경험을 바탕으로 한 플래너의 판단에 달려 있다.

이 시나리오에 AI를 적용하면 ‘조직 내 지식(tribal knowledge)’이 ‘제도화된 지식(institutional knowledge)’으로 전환된다. 히스토리 데이터 기반의 예측과 달리, AI 기반 시스템은 어떤 수요가 신뢰할 만한 것인지, 어떤 이가 정확한 예측을 할 것인지, 아닌지를 판단한다. 이로써 수요를 충족시키기 위해 추가 비용을 지불할지, 또는 신속하게 처리할지의 의사결정은 인텔리전트한 권고를 토대로 내릴 수 있게 된다.

즉, 매우 신뢰할 수 있는 수요 예측에 대해서는 이 요청의 승인을 자동화할 수 있고 또는, 과거에 신뢰할 수 없는 고객이라면 유의하며 진행하되, 이 결정에 대한 관리자의 승인이 필요하다는 답변을 도출할 수도 있다.

이러한 환경에서는 보다 빠른 속도, 정확성, 비용 효율성을 기반으로 의사결정의 균형을 유지할 수 있다. 어떤 플래너가 시스템을 관리하든 관계없이, 담당자의 편견이 제거되고 의사결정의 연속성이 보장되는 것이다.

연결되지 않은 데이터를 연결하여 통합 계획 및 의사결정 모델 생성

거의 모든 기업들이 연결되지 않은 데이터를 보유하고 있다. 이는 어느 기업에게나 공통된 과제이다. 시장조사기관인 ‘밴슨 본(Vanson Bourne)’의 조사에 의하면 미국과 영국의 조직들은 연결되지 않은 데이터로 인해 매년 1,400억 달러(약 164조원)의 손실을 입고 있는 것으로 나타났다. 기업의 기술적, 구조적, 문화적 역학에 의한 다양한 이유로 데이터 사일로(Data silos)가 존재한다.

연결되지 않은 엔터프라이즈 데이터와 관련된 대표적인 문제 중 하나는 많은 기업들이 인수, 합병을 통해 성장한다는 점에 기인하고 있다. 합병된 회사는 세계적으로는 하나의 기업이 될 수 있다. 그러나 그 뒤에는 여러 부서들이 때로는 수십년간 하나로 통합되지 못한 채 그대로 남아 있다. 영업, 공급망, 제품 관리를 위한 사일로 시스템과 여러 ERP(Enterprise Resource Planning) 시스템이 존재할 수 있는 것이다. 한 회사의 지붕 아래, 단일 제품이 여러 개별 시스템에서 다양한 명칭으로 불릴 수도 있다.

이로 인해 계획(planning)을 위한 의사결정에 토대가 되어야 하는 ‘통합 그림(consolidated picture)’에 중대한 문제가 발생한다. 이를 바꾸기 위해서는 단일 ERP 시스템을 구현하거나, 모든 소스 시스템의 데이터를 수정하는 방법이 있다. 그러나 이러한 프로젝트는 시간과 비용이 많이 들기 때문에, 많은 기업들이 “이러한 문제를 알고 있지만 당장 수정할 수는 없다”라는 결론을 내리게 된다.

연결되지 않은 데이터 문제를 가진 기업들은 필연적으로 통합 계획 및 의사결정 문제를 해결하는데 많은 어려움을 겪고 있다. 그러나 AI와 자연어 처리(natural language processing)를 통해 시스템은 서로 다른 데이터 포인트를 사실상 동일한 것으로 정할 수 있다. 소스 변경 없이 모든 제품을 상호 연계(correlate)시키는 모델을 생성할 수도 있다. 시스템이 이들 제품을 동일한 것으로 인식하기 때문에 재고 가시성, 통합 계획(planning), 의사결정을 서로 연결할 수 있다.

계획 시스템(planning systems)에서 마스터 데이터 과제 해결

마지막으로 계획 시스템(planning systems)을 만드는데 AI의 장점은 지능적이며, 자동화된 의사결정을 보다 신속하게 유도하는데 있다. 그러나 기업 리더들이 말하는 공통된 어려움은 계획에 대한 의사결정에 필요한 대부분의 데이터들이 모든 레코딩 시스템에는 없는 ‘마스터 데이터’라는 사실이다.

예를 들어, 한 대규모 리테일러는 유통센터 및 매장 네트워크를 통해 방대한 양의 상품 품목 수(Stock Keeping Unit, SKU)를 유통하고 있다. 이 리테일러는 운송 중에, 또한 유통센터 및 매장에서 상품을 처리하는데 필요한 스토리지 및 노동력 등 여러 관점에서 최적의 용량이 얼마인지 모델링해야 한다. 필요한 용량 요구사항을 결정하기 위해 리테일러는 각각의 SKU에 필요한 다양한 리소스가 무엇인지 파악해야 한다. TV 선적에 필요한 시간(노동 집약적인 작업)은 상대적으로 가벼운 이부프로펜(ibuprofen, 소염제) 선적에 드는 시간과는 큰 차이가 날 것이다.

최적의 계획 의사결정(planning decision)을 내리기 위해서는 물류 센터를 통해 유통되는 특정 제품의 양, 그와 관련된 용량 요구사항이 포함된 정보가 기반이 되어야 한다. 그러나 누가 이 모든 데이터를 유지, 관리할까? 과거에는 합계 수준(aggregate levels)에서 모델링을 수행해야했기 때문에 세부정보를 모델링하기가 어려웠으며, 해당 데이터를 캡처하고 유지 관리하는 담당자도 없었다.

이제 리테일러들은 빅데이터와 AI를 통해 센서에서 제공하는 IoT 데이터를 사용하여 용량 요구사항을 결정할 수 있다. 담당자가 트럭에서 제품을 선적 시에, 이를 유통센터로 옮길 때, 기타 여러 경우에 방대한 양의 트랜잭션 데이터가 기록된다. 리테일러들은 AI를 통해 의사결정에 필요한 마스터 데이터를 자동으로 생성할 수 있다. 그들은 TV 선적 차량의 도착시간을 파악하고, 제품 이동에 얼마만큼의 노동력이 필요한지에 대한 특정한 자동-생성(auto-generated) 지식을 확보할 수 있다.

결론적으로 이 같은 4가지 사용 사례에서 살펴보듯이, 빅데이터의 영향은 단순한 데이터 및 분석 그 이상이다. 빅데이터와 AI를 결합하여 혁신과 비즈니스 중단이 급격히 증가하는 강력한 기반을 제공한다. 빅데이터의 첫 번째 물결은 속도와 유연성에 관한 것이었지만, 다음 빅데이터 물결은 AI와 머신러닝의 힘을 활용하여 비즈니스 가치를 대규모로 제공하는 것으로 이제, AI는 기업들이 데이터를 가장 소중한 기업 자산으로 전환할 수 있도록 해주는 것이다.


댓글삭제
삭제한 댓글은 다시 복구할 수 없습니다.
그래도 삭제하시겠습니까?
댓글 0
댓글쓰기
계정을 선택하시면 로그인·계정인증을 통해
댓글을 남기실 수 있습니다.