정책초점 빅데이터(Big Data)를 활용한 비즈니스모델 혁신 송민정 KT경제경영연구소 수석연구원 mzsong@kt.com Ⅰ. 들어가면서 스마트폰의 대중화로 다양한 기기 기반의 데이터 이용이 급증하면서 기업이 가진 구매 이력 정보 와 로그(Log) 분석 결과, GPS(Global Positioning System) 등의 센서 데이터와 SNS(Social Network Service) 등의 소셜 데이터 간 결합을 통해 소비자가 원하는 서비스를 적기에 적절한 장소 에서 제안할 수 있는, 소위 말하는 빅데이터 예측분석 기술 기반이 갖추어지기 시작했다. 또한 소프 트웨어(Software: 이후 SW)도 분산병렬처리 기술, 클라우드 컴퓨팅(Cloud Computing) 등을 활용 하게 되어 효율적인 시스템 구축도 가능해졌다. 빅데이터는 이전에도 있었다. 하지만 무용지물이었다. 이것이 다시 중요해진 이유는 스마트폰, 소셜 미디어 등의 출현 때문이기도 하지만, 무엇보다도 심층분석과 같은 기술적 지원이 가능해졌기 때문이다. 게다가 이것이 기업에 다시 가치가 있는 자산으로 인정되는 이유는 경계가 없어진 글로 벌 경쟁 상황도 한몫하고 있다. 기업 운영이 비교적 단순하고 경쟁이 제한적인 경영 환경에서는 획 기적 혁신이 요구되기보다는 시장을 안정적으로 유지하는 데 주력하였고, 의사결정 과정에서 중요 한 것은 경영자의 직관이었다. 그러나 산업 간 경계가 괴멸되면서 기업들은 그동안의 흘러 다니던 쓰레기와도 같은 (빅) 데이터를 주시하기 시작한다. 직관보다는 빠르고 정확한 증거 기반의 경영이 필요해진 것이다. 이에, 본고는 빅데이터를 기반으로 기업들이 경영 의사결정을 내리고 비즈니스모델을 혁신하고 있거나 할 예정인지에 대해 관심을 갖고, 선도적인 혁신 사례들을 찾아보고자 한다. 이러한 목적 하 에 먼저 빅데이터가 갖는 기본 특성에 대해 언급하고, 비즈니스모델 혁신을 위해 빅데이터 기반 예 측분석이 왜 필요한 지에 대해 에릭 지겔(Eric Siegel)이 제시한 이론적 틀에 대해 논의한다. 또한, 이에 기반하여 비즈니스모델 혁신 세상을 연 국내 선두 기업들의 사례들을 소개하고자 한다. 86 과학기술정책
Ⅱ. 빅데이터의 특성 첫 번째 빅데이터의 특성은 규모(Volume)이다. 규모는 수집되고 분석되는 데이터량이 매우 크다 는 것을 의미하며, 데이터 크기만이 아닌, 데이터가 갖는 가치까지 포괄한다. 스마트폰, 소셜미디어 의 등장으로 지난 몇 년 동안 데이터 크기는 상상을 초월할 정도로 급증하였다. IDC가 제시한 2011 년 데이터량이 1.8제타바이트(Zettabyte: 이후 ZB; 1제타바이트는 1조 기가바이트)였는데, 2012년 2.5ZB가 예상되었고, 이 수치는 매년 50%씩 증가해 2020년이 되면 약 100ZB가 생성될 것으로 전 망된다. 두 번째 빅데이터의 특성은 다양성(Variety)이다. 많은 데이터도 중요하지만, 가능하다면 다양한 유형의 데이터 자원이 활용되는 것이 혁신에 도움이 된다. 기업이 가진 데이터만이 아닌 다른 데이 터를 함께 활용하면 혁신을 위한 빅 인사이트(Big Insight)가 발현될 수 있기 때문이다. 다양성에는 정형화된 데이터뿐만 아니라, 비정형, 반정형 데이터도 포함된다. 세 번째 빅데이터의 특성은 속도(Velocity)이다. 이는 데이터가 처리되는 속도를 뜻한다. 신속한 데이터 분석이 더 큰 미래 예측의 가치를 제공한다. 이는 기존의 정형 데이터 분석 기반의 BI 사고 에서 비정형 데이터 분석까지 포함하는 비즈니스 애널리틱스(Business Analytics) 사고로 확장시켜 야 함을 말한다. 여기까지가 빅데이터가 갖는 본원적 특성이며, IBM은 이 세 가지 중에서 두 가지만 만족시키면 빅데이터 기술이라고 언급한 바 있다. 또한, IBM은 빅데이터의 이해(Understanding Big data) (2012)라는 백서에서 빅데이터의 부가적 특성으로 진실성(Veracity)을 언급하였다. 이는 빅데이터 의 모호성에서 진실성, 즉 가치를 찾아내라는 뜻이다. 빅 인사이트(Big Insight)는 빅데이터 자체에 서 나오지 않는다. 한편, 가트너(Gartner, 2012)는 데이터의 폭발적 증가에 대해 대비해야 함을 주장하면서 빅데이 터의 추가적 특성으로 복잡성(Complexity)을 언급했다. 이에 따르면, 정형 데이터와 사진, 이메일, SNS 데이터는 사람 수에 비례하고, 결국 폭발적으로 증가할 여지가 큰 데이터는 인터넷 접속 단말 의 증가로 인한 센서 데이터이다. 시스코(Cisco, 2013)는 스마트폰 보급으로 2012년 인터넷 접속 기기가 190억 개에 육박하고 인터넷 크기 자체는 네 배나 증가할 것이라고 분석한 바 있다. 정 책 초 점 Ⅲ. 빅데이터 기반의 예측분석 모델 본고는 에릭 지겔(Eric Siegel)의 2010년 백서(White paper)인 오늘날 예측분석이 필요한 일곱 가지 이유(Seven reasons you need predictive analytics today) 에 제시된 내용에 주목하였다. 백서의 제목은 이유이지만, 부제는 주요 전략 목표들(Key strategic objectives)이다. 제23권 제3호 87
정책초점 [그림 1] 사업부서별로 관찰된 기업의 예측분석 모델 프레임워크 자료: Siegel, Eric(2010), Seven Reasons You Need Predictive Analytics Today, Prediction Impact Inc. [그림 1]에서 보듯이 경쟁(Compete), 성장(Grow), 강화(Enforce), 개선(Improve), 만족(Satisfy), 학습(Learn), 행동(Act) 등 일곱 가지 전략 목표들이 설정되어 있고, 이들이 성취되기 위해 필요한 것이 예측분석(Predictive analytics)이다. 이는 각 사업부서별로 필요한 예측모델들(Predictive models)의 집합체이며, 학습이라는 전략 목표에서 축적된다. 그는 기업의 경쟁우위 유지에 필수적 인 핵심적 기업 실행(Core enterprise practice)으로 예측분석을 보았으며, 이 기술이 조직의 학습 과정을 통해 여러 사업분야에 특화된 데이터 기반 리스크 관리 체제를 구현하여 기업의 진화에 있 어 완전히 새로운 단계(New phase)를 실행시킨다고 보고 있다(Siegel, 2010: 2). 지겔에 의하면, 기업 데이터는 조직 경험의 집합체이자 고객과 나눈 상호작용 역사이기 때문에 값으로 따질 수 없는 중요한 전략적 자산이다. 예컨대, 고객의 반응 내지 무반응, 구매 의사결정, 고객 유치 및 이탈, 부정행위, 신용 부도, 제품 결함에 대한 불만 등은 기업에 학습 경험을 제공한 다. 그리고 다양한 예측모델들은 데이터마이닝(Data mining) 기술을 통해 풍부한 경험의 핵심을 찾 을 수 있게 해준다. 따라서 예측모델은 데이터에서 찾은 경험으로부터 나오는 학습 활동이다. 즉, 예측모델 자체가 학습의 결과물이 되는 것이다(Siegel, 2010: 2). 지겔이 제시한 일곱 가지 전략 목표들에 대해 간략히 살펴보면, 첫 번째 전략 목표인 경쟁에서는 가장 강력하고 독보적인 경쟁력의 원천을 확보하는 것이 핵심이다. 기업이 제공하는 제품이나 서비 스가 범용화되면 결국 경쟁우위는 업무 프로세스 개선 여부에 달려 있게 된다. 예측분석 모델들은 판매나 고객 유지에 활용할 비즈니스 인텔리전스(Business Intelligence: 이후 BI)의 원천을 제공하 며, 고객 마이크로세그먼츠(Customer microsegments) 형태로 좀 더 정교하게 고객의 구매 패턴을 다루게 해준다. 이 전략 목표는 세부적인 예측모델들의 개발을 위한 상위의 전략 목표가 된다. 두 번째 전략 목표인 성장에서는 경쟁 상황에서의 매출 증대와 고객 유지가 핵심이다. 예측분석 을 마케팅, 영업에 활용하는 것은 모든 업종에 적용된다. 고객별 구매, 반응, 이탈, 클릭 수 등 판매 88 과학기술정책
관련 행동에 대한 예상 점수가 책정될 수 있으며, 이는 마케팅, 영업, 고객 관리, 기업의 웹사이트 활동 등 운영 전반에 영향을 준다. 특히 다이렉트 마케팅에 대한 반응 예측모델은 비즈니스모델 혁 신 가운데 가장 확실하게 입증된 부문이다. 왜냐하면 반응할 가능성이 낮은 고객을 제외시키면 비 용이 대폭 줄고 수익이 늘어나게 되기 때문이다. 예컨대, 전체 고객 중 반응할 가능성이 매우 높은 40%에 전체 반응 고객의 80%가 포함되어 있다면, 나머지 60% 중 상당 부분이 제외될 것이므로 마 케팅 비용이 크게 절감되어 최종 수익이 대폭 증가하게 된다. 세 번째 전략 목표인 강화에서는 부정행위의 관리를 통한 비즈니스 무결성 유지가 핵심이다. 여 러 업종에 걸쳐, 송장, 신용카드 구매, 세금 환급, 보험금 청구, 휴대폰 통화, 온라인 광고 클릭 수, 가계수표 등과 관련된 부정 및 사기 거래가 막대한 비용을 초래하곤 한다. 예측모델을 통한 거래 평 가와 분류는 사기 행위와 관련된 해당 기업의 기록된 경험을 활용하게 하여 사기탐지 및 적발 능력 을 획기적으로 높일 수 있다. 이 백서에서 예로 제시한 자동차 보험금 부정 청구 적발률은 보험금 청구 평가나 채점 수단이 없었던 때에 비해 6.5배나 증가했다고 한다(Siegel, 2010: 9). 네 번째 전략 목표인 개선에서는 핵심 사업역량의 경쟁력 강화가 핵심이다. 지겔에 의하면, 매출 증대와 사업 거래 무결성 확보 외에 예측분석이 가장 활발하게 활용되는 영역은 제품 개선 및 생산 성 효율 증대이다. 예측 결과는 핵심 사업역량의 혁신에 도움이 된다. 예컨대, 생산 중에 결함 품목 이 조립 라인에서 감지될 수도 있고, 제품이 출고되면 고장 가능성이 높거나 수리가 필요한 부품을 파악해 급송 차량에 적재하게 할 수도 있다. 일례로 한 자동차 서비스 업체에서는 차량 수리 요청과 관련해 서비스 차량 파견 여부에 대한 판단력을 개선했다고 백서는 언급하고 있다. 또한, 보험상품 의 가치와 경쟁력도 리스크 스코어 예상 평가에 달려있는 경우가 많다. 즉, 많은 보험금을 청구할 가능성이 있는 신청인을 정확히 파악할수록 보험료 책정 효과를 높이게 되어, 그만큼 손실률을 최 소화한다는 것이다. 다섯 번째 전략 목표인 만족에서는 갈수록 높아지는 고객의 기대 충족이 핵심이다. 예측분석은 기 업에 다양한 혁신의 가능성을 부여할 뿐 아니라, 고객 역시 더 나은 제품을 더 낮은 가격으로, 더 편 리하게, 더욱 안심하면서 구입할 수 있게 해준다. 특히 고객은 갈수록 심해지는 기업의 마케팅 활동에 대해 적절성 향상을 요구할 것이다. 정크메일이나 스팸메일에 대한 고객의 인내는 이미 한계상황에 도 달했다. 제품 추천은 더욱 중요해질 것이며 기업들이 혁신하려면 예측분석은 기본 사양이 될 것이다. 여섯 번째 전략 목표인 학습에서는 가장 앞선 심층분석 기술을 채택하는 것이 핵심이다. 일반적 인 BI 보고 방식은 과거를 돌아보는 기능을 통해 가치를 제공해왔다. 성과표, 상황판, 주요성과지표 (Key Performance Indicator: KPI) 등이 대표적인 예이다. 한편, 예측분석 기술은 과거의 경험으 로부터 반복적으로 학습해가는 과정을 통해 예측력을 축적하므로 BI 분석기법과 차별화된다. 즉, 예측모델들은 고객 이탈 방지 등과 같은 당장의 현실적인 전략 목표에 최적화되어 있다. 데이터로 부터 패턴이 발견되면, 이는 미래 사례에 적용되었을 때 유효하다는 차원에서 예측모델들의 최적화 과정 자체는 곧 학습과정이 된다. 정 책 초 점 제23권 제3호 89
정책초점 마지막 전략 목표인 행동에서는 BI와 예측분석의 실천을 구현하는 것이 핵심이다. BI 보고방식이 제공해주는 인사이트는 즉시 행동으로 옮기기에 역부족이다. 이와 대조적으로 예측분석은 최종 행 동 명령을 도출하도록 설계된다. 예컨대, 개별 고객의 예측 점수에 따라 그 고객에게 수행할 행동이 결정되는 방식으로 마이크로마케팅(Micro marketing)이 가능한 것이다. 이러한 차원에서 예측분석 은 가장 실천적인 형태의 BI가 된다. Ⅳ. 성장, 강화, 개선, 만족 전략 목표별 비즈니스모델 혁신 사례 이상의 예측모델에서 얻어지는 소 결론은 빅데이터 활용을 통해 비즈니스모델 혁신이 가능한 주 요 비즈니스 업무가 마케팅 및 영업, 부정 및 사기 방지, 핵심 사업역량의 개선, 그리고 고객 대응 등이라는 것이다. 지겔이 언급한 경쟁이라는 전략 목표는 경쟁사의 약점을 먼저 파악하는 등 비즈 니스 단위별 전략 목표라기보다는 기업 경영 전반의 전략 목표가 되며, 학습이라는 전략 목표에 나 타나는 예측분석은 사업부서별로 수행된 다양한 예측모델들의 풀(Pool)을 최적화해 나가는 학습과 정이다. 또한 행동이라는 전략 목표는 기업이 진정한 혁신을 위해 BI 보고방식을 개선하여 실행화 시키는 실천단계를 의미한다. 따라서 본고는 비즈니스모델 혁신 사례들을 탐색하기 위해, 지겔이 제 시한 일곱 가지 전략 목표들 중에서 비즈니스와 직접 관계되는 성장, 강화, 개선, 만족 등 네 가지 전략 목표들로 한정하며, 국내 사례에 초점을 두어 살펴보고자 한다. 1. 성장전략의 핵심인 매출 증대 및 비용 절감을 달성한 혁신적 기업 사례 지겔이 백서에서 관심 갖는 핵심 목표는 매출 증대 및 비용 절감이며 주요 업무는 영업 및 마케팅 이다. 매출 증대는 궁극적으로 비용 절감과 연계되며, 우선적으로는 시장의 확대나 매출 증대의 척 도인 투자수익률(Return on Investment: 이후 ROI) 상승을 의미하게 된다. 지겔은 전자에 대해 특 히 응용의 확대(More application) 라는 용어를 사용하였다. 응용의 확대 를 통한 매출 증대 및 비용 절감 경우를 국내에 한정하여 살펴보면, 잠재고객의 정 보 평가, 교차판매 증대 및 제품 추천을 위한 설문 결과 분석 등이 관련된다. 대표 사례로 2013년 (올해) 1월 17일 한국정보통신진흥협회에서 주최한 제1회 빅데이터 활용 분석 경진대회 에서 은상 으로 선정된 국내 제약회사, 유유제약이 있다. 이 기업은 멍든 데 바르는 연고에 대한 소비자 인식 조사를 위해 자사 데이터 외의 외부 데이터를 활용했다. 유유제약은 다음소프트가 제공하는 소셜분석 기술인 소셜매트릭스를 통해 소셜 데이터를 분석하 게 한 결과 멍들었을 때 계란, 소고기를 바르는 것 과 어린이보다 성인에게서 멍이 더 많이 발생한 다 는 점을 발견하였고 이를 마케팅에 적극 활용해 제품의 응용 분야를 확대하였다. 베노플러스 라 90 과학기술정책
는 제품은 일시적 증상 완화 작용만 갖는 기존 연고나 파스와 달리, 피부 속에 침투하여 질환의 원 인을 제거하고 부종과 멍든 피부를 되돌리는 데 효과가 탁월하다. 즉, 멍 외에 단순 타박상이나 벌 레물린 데에도 좋은 효과를 보인다. 생약성분 복합처방으로 무자극, 흡수력도 빠르다. 피부가 민감 한 이들을 위해 피부건조, 피부침윤, 발진 등의 부작용도 최소화했다. 결국, 유유제약은 베노플러스 의 마케팅을 위해 기존 고객보다는 지겔이 언급한 잠재고객 정보 평가에 더 초점을 두었다. 그 결과, 시장은 기존 마케팅 대상인 어린이에서 여성들로, 기존 마케팅 시기인 여름에서 겨울(수험생 성형수술)로, 그리고 기존의 치료 용도에서 미용 용도로까지 확대 응 용될 수 있었다. 이를 통해 유유제약은 매출이 50% 이상 증가하는 경험을 하였으며(중앙일보, 2013. 1. 18.), 한국모델협회 등과 업무 계약을 체결하는 등 지겔이 언급한 교차판매 증대를 위한 제품 추천도 아울러 진행하게 되는 결과를 얻게 된다(한경닷컴, 2013. 1. 18.). 정 책 초 점 2. 강화전략의 핵심인 무결성( 無 缺 性 )을 달성한 혁신적 기업 사례 온라인 자동화가 확대되면서 이에 대한 반대급부로 범죄 기회도 증가하고 있다. 강화전략의 핵심 은 부정행위의 관리를 통해 사업의 무결성(Integrity)을 확보하는 것이다. 따라서 부정 및 사기 방 지가 주요 업무이며 빅데이터를 활용해 사기 의심 거래 후보군을 이전보다 더 정밀하게 파악해서 제공하고, 아울러 허위 정보를 줄여나가는 일 등이 요구된다. 국내의 대표 사례로 대한생명이 있다 (송민정, 2012). 2007년에 국내 벤처기업인 지식시스템(KSTEC)이 차세대 비즈니스 룰 엔진인 아이로그제이룰즈 (ILOG JRules)를 개발했고, 대한생명의 보험사기방지시스템(Insurance Fraud Detection System; 이후 IFDS)을 구축했다. 예측분석을 통해 사기 의심 거래 후보군을 더 정밀하게 실시간으로 파악하 는 것이다. 이 시스템은 보험금 청구 고객에 대한 스코어링(Scoring) 수단을 토대로 보험금 지급 여 부를 판단할 수 있도록 지원한다. 보험사기 청구에 대한 데이터 분석 스코어링(Scoring)이 100여 개 팩터(Factor)로 분류되어 사기방지 프로세스가 구축되었고, 사기징후 감지 기준이 표준화되어 있다. 이는 보험사기로 적발된 사례들을 수집, 패턴화하여 보험사기 혐의자(사기 의심 거래 후보군) 를 자동으로 추출하는 시스템이다. 사기유형, 계약 및 사고유형을 개인, 보험 모집인, 병원, 정비업 소별로 구별하여 다양한 지표들이 개발되었고, 혐의자 선정을 통해 가해자, 피해자, 동승자가 자동 추출되며, 사고 관련성, 공모 여부를 판단할 수 있는 연계분석시스템이기 때문에, 체계적이고 정밀 한 실시간 분석이 가능하다. 대한생명은 보험사기방지시스템을 가동한 결과, 적발률을 제고하였고 보험사기 예방효과가 나타 나, 결과적으로 보험가입자들의 보험 혜택에 기여하게 된다. KSTEC이 구축한 보험사기방지시스템 인 스마트웍스 사기 감지 시스템(SmartWorks Fraud Detected System) 은 보험사고 허위사실이 나 확대 청구 등 다양한 사기 행위들을 객관적이고, 현실적으로 적발하는 지능형의 예측모델 시스 템이다([그림 2] 참조). 제23권 제3호 91
정책초점 [그림 2] KSTEC의 지능형 보험사기방지시스템 SmartWorks FDS ODS (EDW) Business Policy Manager Teller Investigator E IBM ILOG BRMS ILOB BRMS Rule Team Server deploy F ILOB BRMS Rule Execution Server FDS Business Rules Fraud Detected System D MR to ILOG Transform Used For Rute Execution Tracing A Predictive Analytics Mart DBMS BI & Data Mining Predictive Model C update Risk Factor Data DBMS B Business Analyst 자료: KSTEC 홈페이지, 송민정(2012) 재인용. G Outcome performance Monitoring Web Application Server EDW 등을 통해 Legacy 데이터 다운로드 데이터 분석 및 FDS 예측 스코어 모델 생성 도출된 리스크 팩터/집계성 팩터 룰 실행 DB 이관 FDS 예측 스코어 모델(MR)을 ILOG으로 자동 전환 Used For outcome Monitoring Rule Execution Trance DBMS KSTEC 현업 사용자의 BR 작성 FDS 기반 지급 심사 수행(룰 엔진에 의해 자동 실행) 시스템 성과(KPI) 및 추이 모니터링(대시보드) 이후, 대한생명은 자사 데이터만을 활용한다는 한계를 극복하고자 2010년 보험사기방지시스템을 업그레이드하여 K CESS(Korealife Claim Expert Search System)이라 명명했다([그림 3] 참조). 타 보험사와 구별되는 차별점은 자사 데이터뿐만 아니라 보험개발원, 보험협회 등의 공공 데이터를 함께 활용했다는 점이다. 이와 함께 생명보험, 손해보험 전체 계약을 토대로 하여, 대한생명은 세부 적인 항목을 평가할 수 있게 되었다. 결과적으로 이를 통해 연간 50억 원의 사기방지 효과가 발생했 다(Fntime.com, 2010. 7. 19.). [그림 3] 대한생명이 업그레이드한 보험사기방지시스템 분석 흐름도 대한생명 EDW 생명보험협회 KLICS 보험개발원 ICPS 모델링 대상 기간에 해당하는 접수건 EDW에 있는 원천 데이터를 이용하여 Factor 설계에서 정의한 로직에 따라 Factoror(파생면수)를 생성 통계분석 생명보험협회로부터 KLICS에 및 점수화 등록한 데이터를 Factor 설계에서 정의한 대로 가공한 Factor 전달받음 보험개발원으로부터 ICPC에 등록된 데이터를 Factor 설계에서 정의한대로 가공한 Factor 전달받음 사 고 계 약 고 객 Factor 병 원 설계사 Fraud/Non-Fraud Target Non-Fraud 영역(정상지급) Fraud 영역(사기성 면책, 노력 면책) 자료: Fntime.com(2010. 7. 19.). 92 과학기술정책
3. 개선전략의 핵심인 핵심역량 경쟁력을 확보한 혁신적 기업 사례 개선전략의 핵심 업무는 핵심 사업역량의 강화이다. 여기서 예측분석은 제품의 생산 효율, 검사, 정 비 개선에 기여한다. 결국 생산과 공급의 효율성을 높이는 것이 중요하다. 이의 대표적 국내 사례는 포스코(POSCO)이다. 포스코는 철광석 가격 예측 및 생산 공정 개선에 빅데이터 분석을 활용했다. 세계 제일의 철강 기업인 포스코는 해외 20여 개 광산을 소유하고 있는데, 이는 원재료 가격 상 승에 대비한 자급 정책의 일환이다. 포스코의 이러한 원재료 확보를 위한 정책적 노력은 바로 빅데 이터 분석에 대한 투자로 이어졌다. 삼정KPMG에 따르면, 철강산업은 국제적인 원자재 투기 세력의 개입으로 원료 가격의 변동이 크기 때문에 위험 관리 차원에서 빅데이터 분석이 필요하다(삼정 KPMG, 2012: 12). 포스코는 남미와 호주 광산의 생산 상황과 해당국의 사회 경제적 상황, 런던금속거래소(London Metal Exchange: LME)의 광물가격, 해외 지역별 광물가격을 수집하고 분석함으로써 미래의 철광 석 가격을 예측하고 있으며, 고객사의 수요 데이터와 전 세계 철광석 및 현물거래소의 가격 데이터 를 조합한 뒤 철광석 구매의 최적 타이밍을 결정한다. 그 외에도 생산 과정 중 수십만 가지의 공정 별 온도와 습도, 압력, 성분 등에 대한 데이터를 분석함으로써 공정별 불량률 감소를 꾀하고 있다. 즉, 포스코는 철강 생산 공정별 전 과정의 각종 데이터를 0.001초 단위로 수집 분석해 불량률을 최 소화하고, 생산 과정에서 공정별로 어떤 온도 습도 압력에서 어떤 성분을 넣었을 때 실패하고 성공 했는지에 대한 데이터 분석을 통해 최상의 철을 생산한다. 정 책 초 점 4. 만족전략의 핵심인 고객의 기대 충족을 달성한 혁신적 기업 사례 고객만족 전략의 핵심 목표는 보다 나은 제품, 가격, 안전 구매 등이며, 업무는 고객 대응이다. 기업의 마케팅 업무 중에, 마치 웹사이트의 상품 추천 광고 메일처럼, 우연히 최종 소비자에게 명시 적 셀링 포인트로 재차 활용되기도 한다. 다시 말해 처음에는 마케팅 대상 선정의 정확성 개선을 도 모하였지만, 부수적으로 고객 만족을 일어나게 하여 시너지가 발생하게 된다. 이와 마찬가지로 품질 관리, 서비스 능률 향상 등 개선 효과도 궁극적으로 소비자의 요구 수준을 충족하게 되어 고객 만족 을 불러오게 된다. 기업이 성장하면 비즈니스 생산성 측면에서 새로운 규모의 경제가 발생하게 되 는데 효율 향상을 통한 가격 인하가 대표적 예이다. 처음에는 비용 절감을 목표로 시작된 예측분석 의 결과가 최종 소비자에게 더욱 편하고 유익한 이용으로 작용하는 것이다. 그런데 아예 처음부터 고객 경험이 경쟁의 초점이 될 것으로 보고 고객만족 전략에 중점을 둔 사 례로 아모레퍼시픽이 있다(IDG Korea, 2011). 이 기업은 구매 정보부터 콜센터 불만 접수까지 모든 기업 데이터를 지난 10여 년 동안 수집해왔는데, 여기에 SNS 데이터를 통합했고, 특히 최소 1년 내 거래 고객을 활성고객 으로 정의해 이들의 흔적들에 집중했다. 이렇게 쌓은 데이터량은 B2C 데이터 경우에 2011년 15.2테라바이트(Terabyte: 이후 TB)로, B2B 제23권 제3호 93
정책초점 데이터는 13.2TB로 늘어났다. B2C 데이터는 2007년부터 연평균 71%, B2B는 31% 각각 증가했다. 여 기에는 매장 내 서비스접점(POS)의 판매 기록, 환불 및 교환 내역, 콜센터에 접수된 고객 불만, 페이 스북 페이지의 의견 및 좋아요 클릭, 트위터의 멘션, 캠페인 결과 등과 아모레퍼시픽의 ERP, 비즈니 스 데이터웨어하우스(Data Warehouse: DW), 협력사관계관리(Partner Relationship Management: PRM) 등의 데이터가 모두 포함된다. 아모레퍼시픽은 B2C 데이터로 고객의 관심과 흔적을 분류하고 관리하고자 빅데이터를 활용, 분 석해 고객진화단계모델을 수립하였으며, 각 단계에 맞는 마케팅 캠페인을 전개하였다. 이 기업은 먼 저 IBM 컨설팅을 통해 고객을 상세하게 분류하고 조합해 고객 행동 패턴을 정의했고, 컨설팅 결과 물을 토대로 하여 시스템을 설계해 구축했다. 이를 통해 상품 중심에서 고객 중심 관점으로 전환하 고 고객이 어떤 생각을 하는지 알기 위해 구매 이전에 고려 단계, 관심 단계별로 각각 행동과 생각 이 다르다는 것을 파악했다. 또한 신규로 구매할 때부터 떠날 때까지 신규, 유보, 시도, 정착(단골), 휴면, 이탈의 과정별로 고객의 행동이 변화하는 것을 알아냈다. 이 과정에서 단골로 유지하는 고객 이 있는가 하면, 구매력이 쇠퇴하거나 증가하는 경우도 있다. 또한, 아모레퍼시픽은 정착 단계를 유 지, 증가, 쇠퇴 3개로 재분류해 전체 고객진화단계를 8개로 나눴다. 아모레퍼시픽은 고객이 구매 단계에서 어떤 패턴을 가지는지를 분석해 50여 개 행동 지표를 이끌 어냈고 1,500개 변수를 만들어 분석했다. 그 결과, 몇 가지 유의미한 패턴이 발견되었다. 가령, 마 일리지의 90%를 소진한 고객은 휴면으로 갈 확률이 일반 고객보다 3.5배 높아서 이들의 이탈을 방 지하기 위한 노력이 필요하며 이러한 성향을 가진 고객들에게 맞춤 서비스를 제안하게 되었다. 이 기업은 2010년에만 이러한 맞춤 서비스를 40여 개 이벤트로 분류하고 해당 고객에게 적절한 서비스 를 제공하기 시작했다. 아모레퍼시픽의 고객은 십대부터 중년층까지 다양한데 같은 사람이라 하더라도 기호 상품이 변화 한다. 특히 여성의 경우 사춘기, 대학, 취직, 결혼, 출산 등을 거치며 피부가 바뀌기 때문에 20대 때 는 라네즈 를, 30대에서는 헤라 를, 40대에 들어서는 설화수 로 바꾸는 경우도 있다. 한편, 고객 한 사람의 정보가 방대하기 때문에 아모레퍼시픽은 대용량의 데이터를 처리할 수 있 는 시스템이 필요했다. 이 기업이 데이터 처리를 위해 선택한 IBM의 DW 어플라이언스인 네티자 (Netezza)는 심층분석에 걸리는 시간을 과거 몇 시간에서 수 분으로, 수 분에서 수 초로 개선시켜 원하는 결과를 빨리 얻게 해주며 데이터 쿼리 속도는 50~500배 범위이다. 이처럼 빠른 쿼리 속도 는 실시간으로 분석할 수 있는 기반이 된다. 또한, 네티자는 데이터를 70% 압축해 저장하게 하는 데, 이 기술이 처리 속도를 높여준다. 94 과학기술정책
Ⅴ. 나가면서 이상에서는 빅데이터의 특성인 다섯 가지 요소들에 대해 먼저 논의하였고, 지겔이 체계화한 예측 분석 모델 프레임워크를 살펴보았다. 지겔이 제시한 일곱 가지 전략 목표들 중에서는 사업부서 단 위의 예측모델들이 필요한 네 가지 전략 목표들인 성장, 강화, 개선, (고객)만족 관련 기업 사례들을 탐색하였다. 다양한 사례들 중에서 연구자는 빅데이터의 주요 특성인 다양성과 속도 요소가 담겨 있는 사례들만을 선별하여 분석, 제시하였다. 그 내용을 요약하면 아래 <표 1>과 같다. 정 책 초 점 <표 1> 네 가지의 전략 목표를 중심으로 도출된 결과 요약 전략 목표 핵심 내용 업무 기업 사례 예측분석 응용 방법 성장전략 매출 증대/ 비용 절감 마케팅/ 영업 유유제약: 응용의 확대 잠재고객 정보평가/교차판매 증대 위한 제품추천 강화전략 부정행위 적발 사기 방지 대한생명: 사기 감지 (행위 적발률 제고) 사기의심 거래 후보군의 거래 스코어링 및 평가 (과거보험사기 적발 데이터 + 공공 데이터 활용) 개선전략 생산/검사/ 정비 개선 사업 역량 포스코: 생산성 제고 남미와 호주 광산 상황과 런던금속거래소(LME)를 통해 수 집한 광물 가격 데이터를 실시간 분석해 철광석 가격을 예측하고, 가격 변동이 큰 철광석 등의 자원의 적시 조달 전에 세계 철광산, 현물거래소의 가격 데이터를 조합한 뒤 이를 분석해 최적의 구매시기와 가격대를 결정 고객만족 전략 더 나은 제품/ 가격/구매 고객 만족 아모레퍼시픽: 고객 경험 1년간 활성고객의 흔적을 분석(고객 중심 관점) 지겔이 제시한 기업의 전략 목표 중심으로 관련 국내 기업 사례들을 분석하여 본 결과, 빅데이터 분석, 도구 및 기술 시장이 이미 매우 역동적이며 급속히 발전하고 있고, 특히 비용 절감이나 효율 성 향상을 위해 예측분석이 활용되는 경우에는 직접적인 생산성 향상으로 이어짐을 알 수 있었다. 경쟁이 확대되면서 기업들의 혁신에 대한 절박감은 그 어느 때보다도 커지고 있으며, 지난 수년 간 선두에 선 기업들이 이미 혁신을 촉진하기 위해 사업전략 목표에 예측모델들을 잘 활용하고 있음을 보게 된다. 혁신적 기업들의 예측분석 결과에서 보이는 아쉬움이 있다면 기업들은 아직 예측분석 기술을 비 즈니스 프로세스의 효율성 증가에만 활용하는 경향이 있다는 점이다. 물론 아모레퍼시픽 경우처럼 처음부터 고객 중심 관점이었다는 점은 주목할 만하다. 또 다른 아쉬움은 프로세스 자체 혁신 외에 신시장 기회를 포착해 새로운 비즈니스모델 혁신을 위해서도 예측분석이 활용될 수 있음이 간과되 고 있다는 점이다. 지겔의 예측분석 모델에도 신규 비즈니스 발굴이라는 전략 목표는 언급되지 않 고 있으며, 다만 여섯 번째인 학습과정을 통해 전략적 통찰력이 생기면 새로운 비즈니스 아이디어 가 도출될 수 있을 것이다. 지겔도 그의 백서 결론 부분에서 예측분석이 기업이 성장하고 진화하기 제23권 제3호 95
정책초점 위한 풍부한 기회를 제공한다고 언급하였다. 최근 기업들이 빅데이터를 신시장 기회 포착에 활용하는 데까지 관심을 가지고 있는지에 대해 그 렇지 않다 라는 답을 주는 설문조사 결과가 있다. 주니퍼 네트웍스의 EIU(Economist Intelligence Unit)가 미국, 독일, 일본, 영국의 IT 및 사업 담당 임원 474명을 대상으로 하여 IT의 역할이 어떻 게 변하고 있는지에 대해 설문을 실시한 바 있다. 이 설문조사에서 IT의 가장 중요한 업무를 묻는 질문에 대한 대답을 보면, 비즈니스 프로세스의 효율성 증가(52%), 하드웨어와 소프트웨어의 문 제 해결(32%), 잠재적인 IT 관련 위험 최소화를 위한 보안 개선(25%) 의 세 가지가 상위 순위에 나 타났으며, 신시장 기회 포착(9%) 은 주 관심에서 아직은 벗어나 있었다(베드나르즈, 2013). 향후 이 러한 전략 목표를 가진 빅데이터 분석이 활성화되기를 기대해본다. 참고문헌 김수지 이재희(2012. 12), 빅데이터 기업의 솔루션 및 서비스 추진 현황 II, 한국정보화진흥원. 김영석(2012), 빅데이터 기반 예측분석의 중요성과 활용방안, IDG Summary, Performance 2012. 김한나(2012. 10. 16.), 빅데이터의 동향 및 시사점, 정보통신정책연구원. 베드나르즈(Bednarz, Ann)(2013), 진검 승부: 혁신 vs. 비용절감, in: 2013 Tech forecast: 주목해 야 할 기술과 트렌드, IDG Deep Dive. 삼정KPMG(2012), 빅데이터 분석을 통한 기업 미래가치 창출, Issue Monitor, 10월. 송민정(2012), 빅데이터가 만드는 비즈니스 미래지도, 한스미디어. 아이디지코리아(IDG Korea)(2011), 아모레퍼시픽 프리즘, IDG Case Study. 아이디지코리아(IDG Korea)(2012), 마케터, 빅데이터를 만나다, IDG Tech Focus. 아이디지코리아(IDG Korea)(2012), 데이터 속에서 가치를 창출하는 데이터 과학자, IDG Tech Report. 유, 크리스(2012. 7), 빅데이터로 인한 기회, 동향분석 I 4, 한국정보화진흥원. 유지연(2012. 3. 2.), 세계경제포럼(WEF)을 통해 본 빅데이터 논의 동향과 함의, 정보통신정책연구원. 전승우(2012. 10. 17.), 빅데이터에 대한 기대와 현실, LG Business Insight. 정지선(2012. 4. 12.), 성공적인 빅데이터 활용을 위한 3대 요소: 자원, 기술, 인력. 정지선(2012. 9. 28.), 빅데이터 기업의 솔루션 및 서비스 추진 현황 Ⅰ, Ⅱ, 한국정보화진흥원. 채승병(2011), 정보홍수 속에서 금맥 찾기: 빅데이터(Big Data) 분석과 활용, SERI 경영노트, 제91호, 삼성경제연구소. 채승병(2012. 5. 2.), 빅데이터: 산업 지각변동의 진원, 삼성경제연구소. 한국정보화진흥원(2013. 2), 새로운 미래를 여는 빅데이터 시대, 증보판. 96 과학기술정책
Gartner(2012), Total IT Spending Driven by Big Data. IBM(2012), Understanding Big Data. IDC(2012. 10), Worldwide Big data Technology and Service Market Forecast. Siegel, Eric(2010), Seven Reasons You Need Predictive Analytics Today, PredictionImpact Inc (번역본: IBM Korea(2010), 예측분석이 필요한 7가지 이유 ). 정 책 초 점 제23권 제3호 97