마이크로 조사: 더 강력한 공급망 컴플라이언스를 위한 전략적 경로

2020년의 도전은 2021년 공급망 컴플라이언스와 리스크에 심각한 함의를 갖습니다. 작년은 모든 미국 기업을 시험했고, 이전에 보지 못한 규모의 도전을 안겼습니다. 많은 기업이 영업 유지를 위해 며칠, 길어야 몇 주 만에 중대 결정을 내려야 했습니다. 당시 신속한 행동은 의심할 여지 없이 필요했지만, 그 결정들의 컴플라이언스 함의는 올해 더 집중적인 조명을 받을 것입니다.

몇 가지 예만 들어보겠습니다. 팬데믹 초기에 기업들과 정부는 돌연 희소해진 필수 개인보호장비(PPE) 확보에 뛰어들며 서로 경쟁했습니다. 일부(아마 많은) 조직은 전통적 컴플라이언스 프로세스로 공급업체를 심사할 옵션이 없어 비전통적 채널을 통해 필요 물자를 확보해야 했습니다. 이런 긴급성과 자원 경쟁 심화로 공급업체들이 전통적 컴플라이언스 프로세스로 심사되지 않았을 가능성이 커, 많은 조직이 잠재적 리스크에 노출되었습니다.

몇 주 후 연방정부는 미국 경제 엔진을 돌리려 5조 달러 이상을 경제에 투입했습니다. 자극책의 범위는 규모뿐 아니라 분배 면에서도 전례 없었습니다. 2007~2008년 대공황 후 섹터 타깃 자극책이나 지리적 타깃 자연재해 구호와 달리, 코로나19 자극책은 미국 경제 거의 구석구석에 닿았습니다. 연방 구제 자금이 늘어나면 보통 사기가 병행해 늘고, 결국 빗나간 돈을 회수하려는 노력이 뒤따릅니다.

마지막으로, 팬데믹으로 많은 조직이 재정적 스트레스를 겪으며 '배 바로잡기' 압력이 조직 내부에 커졌습니다. 여기엔 영업 인력 인센티브 증대나 서드파티 활용해 회복·성장 추진이 포함됩니다. 소매, 호텔, 항공처럼 특히 큰 타격을 입은 업계는 이 리스크가 특히 크며, 감시 강화에 대비해야 합니다.

증가한 컴플라이언스 리스크

결국 2020년 사건들이 올해 다뤄야 할 컴플라이언스 리스크를 수많은 방식으로 촉발했습니다. 일부 기업은 급히 직접 소비자 유통(D2C)으로 피벗해 캘리포니아 소비자 프라이버시법(CCPA) 등 데이터 프라이버시법상 잠재적 책임에 노출되었을 수 있습니다. 병원 등 의료기관용 PPE를 갑자기 조달하게 된 조직은 HIPAA(건강보험 양도·책임법) 규정 준수 필요성을 발견할 수 있습니다. 예컨대 비즈니스 어소시에이트 계약(BAA) 대상이 될 수 있습니다.

여기에 바이든 신행정부의 우선순위가 더해져 이미 어려운 상황에 또 다른 복잡성 층이 추가됩니다. 허위청구법(False Claims Act) 위반이 연방정부와 거래하는 조직, 특히 CARES Act, PPP(급여보호프로그램), 취임 후 제정될 추가 자극책 확대 등을 고려할 때 집행이 강화될 것으로 널리 예상됩니다. 해외부패방지법(FCPA) 집행은 초당적이며 발효 이래 꾸준히 증가해왔습니다. 해외에서 의료용품과 PPE를 조달하는 공급업체들에 대한 FCPA 추가 집행이 놀라운 일은 아닙니다. 또한 팬데믹이 노출한 공급망 교란과 취약성 관련 추가 SEC 보고 요건도 충분히 가능한 결과입니다.

이처럼 많은 조직의 컴플라이언스 지형이 극적으로 변하고, 팬데믹이 안긴 잠재적 재정 스트레스 속에서, 조직들은 이러한 리스크를 매우 표적화되고 비용 효율적인 방식으로 조사할 필요가 있습니다. 아주 효과적인 해법 중 하나는 '마이크로 조사(Micro-investigation)'라 불리는 접근법을 채택해 더 적은 것으로 더 많은 것을 이루는 것입니다.

마이크로 조사를 '작은 것'으로 생각하는 건 오해일 수 있습니다. 대신 고도로 표적화된(Highly targeted) 것으로 생각하는 게 더 적절합니다. 이 접근법의 목적은 특정 컴플라이언스 리스크에 가장 중요한 문서를 신속하고 비용 효율적으로 식별하는 것입니다. 목표는 모든 관련 문서를 찾는 게 아니라, 최선(Best)의 문서를 찾는 것입니다. 이를 위해 깊은 검색 전문성과 고급 검색 기술을 결합해야 합니다.

종종 조사는 두 가지 둔중한 도구로 접근됩니다: 전통적 키워드 검색과 머신러닝 모델. 하지만 키워드 검색은 두 가지 면에서 문제가 있습니다. 첫째, 일반적으로 과도하게 광범위합니다. 많은 선도적 문서 검토 도구의 검색 구문이 견고함이 아닌 단순성에 초점 맞춰 설계되었기 때문입니다. 이 과도한 단순성은 너무 많은 문서를 반환하는 검색을 낳고, 이는 조사를 비용 금지적으로 만듭니다. 둘째, 키워드 검색은 종종 중요한 문서를 놓치며, 품질 관리 프로세스가 그 공백을 항상 잡아내진 못합니다.

반면 머신러닝 모델은 종종 이런 유형의 조사에 특히 적합하지 않습니다. 그런 조사에서 핵심 문서 유병률(Prevalence)이 종종 꽤 낮기 때문입니다. 소송 시나리오와 달리, 사건 성숙도가 더 높은 반면, 마이크로 조사는 거의 정의상 숨겨진 것, 많은 경우 초기 단계인 것을 찾습니다. 유병률이 이토록 낮으면 머신러닝 모델은 신호와 잡음을 구분하기 어려워집니다. 이 모델들을 튜닝하려는 노력은 시간과 비용 양면에서 큰 대가를 치를 수 있습니다. 머신러닝 모델도 분명 자리가 있지만, 이 상황에선 단점이 드러납니다.

기술과 전문성의 결합

훨씬 더 효과적인 접근법은 고급 검색 구문을 갖춘 기술과, 언어에서 핵심 패턴을 식별하고 사안의 핵심을 파고드는 쿼리를 만드는 언어학 전문가를 결합하는 것입니다. 전통적 키워드 검색이 지나치게 단순한 검색 구문 제한에 발목 잡힌 반면, 더 진보된 도구는 언어 뉘앙스의 힘을 활용해 좁게 맞춤화되고 고도로 효과적인 언어적 검색 모델을 만들 수 있습니다. 머신러닝이 저유병률 집단에서 어려움을 겪는 반면, 언어학 전문가는 작게 시작해 성장하는 엄격하고 체계적 접근법을 적용해, 중요한 탐구 경로를 따라 단서를 추적하고 발견된 실제 언어 패턴을 모델링합니다.

컴플라이언스 지형은 어쩌면 그 어느 때보다 도전적일 수 있습니다. 하지만 적극적인 조직들은 잠재적 리스크를 신중하고 체계적으로 조사해 반대편에서 더 강하게 나올 수 있습니다.

에릭 펜더(Eric Pender)는 H5의 인게이지먼트 매니저입니다. H5는 기업과 로펌을 위한 민감 데이터 분류, 관리, 분석 제공업체입니다.