데이터를 금맥으로: 조직의 가장 소중한 자산을 활용하는 검증된 전략

데이터를 자산으로 전환하는 것은 비즈니스 최우선 과제가 되어야 합니다.

데이터를 보여주세요!

일반적으로 조직은 방대한 양의 데이터에 접근할 수 있습니다. '새로운 원유'라 불리는 데이터를 확보하는 것 자체가 문제는 아닙니다. 진짜 어려움은 그 데이터를 어떻게 활용하느냐에 있습니다. 직접적인 고객 데이터든 IoT 기기 데이터든 말이죠. 이 소중한 자산을 어떻게 최적으로 활용하고 실질적인 업무에 적용할 수 있을까요?

어떤 조직이든 할 수 있는 가장 중요한 일은 효과적이고 전체적인 데이터 관리 전략을 수립하는 것, 즉 이를 최우선순위에 두는 것입니다.

첫째, 어떤 데이터를 보유하고 있는지 파악해야 합니다. 둘째, 그 데이터를 분석할 수 있어야 합니다. 셋째, 데이터 위에 지능을 얹어 "다른 유형의 경험, 계산, 워크플로를 구동"할 수 있어야 한다고 Ushur의 공동 창업자이자 CEO인 심하 사다시바(Simha Sadasiva)는 말합니다.

이러한 포괄적인 데이터 관리 전략을 실현하려면 적절한 파트너가 필요합니다. 이 파트너는 기업이 보유한 데이터를 단순히 들여다보는 것을 넘어, 인공지능과 머신러닝 기법을 통해 자동화를 주도하고, 데이터를 분석하며 누락된 데이터를 보완할 수 있게 해야 합니다. "이는 다양한 이해관계자와 상호작용하거나, 현재 백오피스에 있는 데이터를 기반으로 고객이 얼마나 가까운지에 대한 인사이트를 보여줌으로써 가능합니다."라고 사다시바는 덧붙입니다.

데이터의 출처

전통적인 데이터 출처는 기업 내부에 오랫동안 존재해 온 것들입니다. 여기에는 구조화된* SQL 데이터베이스나 비구조화된** 문서 데이터베이스(예: "몽고DB 같은 것들")가 포함된다고 사다시바는 설명합니다. 이는 기업 후방에 존재하는 데이터입니다.

하지만 오늘날의 초연결 환경에서는 기업과 상호작용하는 구성원들로부터 데이터가 유입됩니다.

"최종 사용자, 에이전트, 비즈니스 파트너, 심지어 직원을 생각해 보세요. 그들은 사진, 이미지, 비디오 등의 형태로 데이터 소스에 기여하고 있습니다."라고 사다시바는 말합니다.

이러한 새로운 데이터 출처(고객/직원 영수증 등)를 이해하려면 인공지능 기법이 필요합니다. 예를 들어 광학 문자 인식(OCR)을 사용해 영수증을 분석하면 조직은 정보를 자동으로 추출해 기업 백엔드의 데이터 웨어하우스로 가져올 수 있습니다. "이는 엄청난 양의 역량과 정보를 백오피스로 안전하게 전송할 수 있는 능력을 요구합니다."라고 사다시바는 설명합니다.

올바른 종류의 데이터

자동화와 머신 인텔리전스 관점에서 딥러닝 기법은 기업이 현재 보유한 모든 유형의 데이터(인간 출처든 과거 데이터든)를 분석할 수 있습니다. 조직은 이 기본 데이터 세트를 지도 학습 및 비지도 학습과 결합해야 합니다.

예를 들어 Ushur은 기업 코어에 존재하는 데이터를 활용해 지도 및 비지도 학습을 수행하는 도구를 개발했습니다.

분석할 수 있는 데이터 유형과 출처는 매우 다양합니다. 하지만 문제가 발생하기도 합니다. 다만 기업 백엔드에서는 그다지 관련이 없을 수 있습니다.

잘못된 유형의 데이터나 편향된 데이터를 시스템에 주입하면 비즈니스나 기관에 해로운 부정적 결과를 초래할 수 있습니다. 아마존이 작년에 폐기한 성차별적 AI 채용 도구나, 2016년 미국 법원에서 피고인의 운명을 결정하는 데 사용된 위험 평가 알고리즘이 인종적 편향을 보였다는 사실(동일한 범죄에도 백인에게 더 관대한 형량을 내림)을 보면 알 수 있습니다.

당시 AI 연구자 조안나 브라이슨(Joanna Bryson) 교수는 "기저 데이터가 고정관념을 반영하거나, 인간 문화로부터 AI를 훈련시키면 편향을 발견하게 될 것"이라고 말했습니다.

해결책은 고정관념과 편향을 제거하고, 데이터가 이를 반영하도록 하는 것입니다.

비구조화** 데이터 vs 구조화* 데이터

구조화된 데이터는 일반적으로 SQL 같은 데이터베이스를 가리킵니다. 고객 정보나 특정 비즈니스 문제에 대한 특정 유형의 정보를 기반으로 정리할 수 있는 구조화된 정보입니다.

반면 비구조화된 데이터는 텍스트 정보의 "큰 덩어리(big blob)"일 수 있습니다. "예를 들어 고객이 이메일이나 PDF 문서를 통해 설명한 문제 진술일 수 있습니다."라고 사다시바는 말합니다. "그 안에는 고객 이름, 전화번호, 청구 번호, 보험증권 번호, 신용카드 번호 같은 반구조화된 정보의 '알맹이'가 숨어 있을 수 있습니다."

이런 유형의 정보를 반구조화 데이터라고 하며, 비구조화 정보 속에 묻혀 있습니다. 비구조화 데이터에서 이 반구조화 정보를 추출하는 능력은 상당히 최첨단인 '인공지능' 기법을 필요로 합니다.

데이터를 위한 비즈니스 케이스

좋은 데이터 관리의 비즈니스 케이스를 보여주는 가장 좋은 방법은 사례입니다. 바로 '이메일 과부하'입니다.

대기업은 고객으로부터 수만 통의 이메일을 받습니다. "이를 수동으로 검토해 분류하고, 적절한 부서와 담당자에게 전달한 뒤 고객에게 회신하는 것은 비현실적입니다."라고 사다시바는 말합니다. "이는 상당한 수작업이 필요한 1차 문제입니다.

이 문제를 해결하려면 이메일의 비구조화 정보 속에 존재하는 반구조화 데이터를 추출하고 분리해내는 능력이 필요합니다. "광범위한 데이터 도구를 사용해 이 고객 정보를 추출하면 자동으로 적절한 담당자에게 분류해 전달하고 텍스트에 기반한 조치를 취할 수 있습니다. 이는 기업이 이미 보유한 데이터 위에 자동화를 적용하는 간단한 예시입니다."라고 사다시바는 계속합니다.

"대부분 기업은 이메일, 문제 진술, 기사, 정보 출처 등의 형태로 수백만 바이트의 비구조화 정보를 보유하고 있습니다.

"이는 이미 보유한 레거시 정보입니다. 여기에 데이터 사이언스를 적용하면 미래의 수작업을 줄이기 위해 컴퓨터 모델을 훈련하는 데 유용하게 쓸 수 있습니다."

고객 데이터 활용: 새로운 사고방식

사다시바에 따르면 핵심은 '마이크로 인게이지먼트(micro-engagement)'입니다. 소비자와 기업 간의 짧고 반복적인 상호작용 스니펫을 말합니다. 기업이 고객과의 모든 상호작용을 마이크로 인게이지먼트로 보기 시작하면, 전체 고객 여정을 재고하고 잠재 고객 발굴, 온보딩, 지원, 업셀링, 크로스셀링, 최종 사용자와의 관계 유지 등으로 세분화하게 됩니다.

고객 여정 동안 다양한 인게이지먼트 상호작용이 발생할 수 있습니다. 데이터 사이언스를 적용해 고객으로부터 정보를 수집하고 상호작용하면 실질적인 인사이트를 얻을 수 있습니다.

"이는 특정 브랜드가 고객과 얼마나 가까운지, 고객이 브랜드를 얼마나 가깝게 느끼는지 평가하는 새로운 시대, 새로운 방식의 시작입니다."라고 사다시바는 말합니다.

인공지능, 데이터 분석, 머신러닝 등을 이 마이크로 인게이지먼트 수준의 소비자 데이터에 결합 적용하면 고객 인게이지먼트를 혁신할 수 있습니다.