기업의 의사결정에 ‘지능’과 ‘자동화’를 접목하면 민첩성과 효율성이 크게 개선될 수 있다. 하지만 지속적인 ‘튜닝’이 반드시 요구된다는 점에 유의할 필요가 있다.
철 지난 보고서 이상을 원하는 조직이라면 ‘의사결정 인텔리전스’(decision intelligence)에 주목할 만하다. 인공지능과 머신러닝을 활용하는 정교한 도구를 결합하여 데이터 대시보드나 비즈니스 애널리틱스 플랫폼을 좀더 포괄적이면서도 지능성인 의사결정 지원 플랫폼으로 변모시키는 도구이자 기술, 관행을 의미한다.
하지만 의사결정 인텔리전스 전략에는 많은 요건이 필요하다. 조직의 의사결정 방식에 대한 이해뿐 아니라 결과를 평가하고 피드백을 통해 의사결정 프로세스를 관리 및 개선하려는 과정도 포함되어야 한다. 가트너 분석가 에릭 브레테녹스는 “단순한 기술이 아니다. 다양한 기술로 구성된 분야이다”라고 말했다.
가트너에 따르면 의사결정 인텔리전스는 ‘2022년의 주요 전략 기술 트렌드’이며, 대형 조직의 1/3 이상이 2023년까지 이를 실행에 옮길 것으로 예상된다. 의사결정 인텔리전스는 자동화된 의사결정 수단을 제공하는 데 도움이 되어 기업이 경쟁력을 유지하고 시장 수요를 충족하는 데 도움이 될 수 있다고 브레테녹스가 말했다.
하지만 이를 위해 의사결정 프로세스, 각 결정의 위험과 보상, 수용 가능한 오류 마진, 자동화된 의사결정 프로세스가 제공하는 결정에 대한 신뢰도 검증 능력에 대한 심층적인 이해가 필요하다.
Image Credit : Getty Images Bank
손쉽게 달성할 수 있는 목표부터 시작하라
잘 정의되고 사례가 풍부하며, 위험이 낮은 프로세스로 시작하는 것이 도움이 된다. 많은 기업들이 이미 이런 프로세스를 보유하고 있으며, 아직 모두가 자동화된 것은 아니다.
일상이 너무 바쁜 기업들은 이런 기회를 놓치고 있음을 알아차리지 못할 수 있다고 컨스틸레이션 리서치(Constellation Research)의 수석 분석가 겸 설립자 레이 왕이 말했다. 그는 “프로세스가 이미 자동화되었더라도 의사결정 엔진에 추가적인 요소를 추가하면 정확도가 개선될 수 있”라고 말했다. 예를 들어, 위험 점수 결정은 시간대 또는 사용자의 위치를 고려하여 개선될 수 있다.
하지만 이러한 프로세스라도 일회성 개선이어서는 안 된다. 피드백에 따라 접근방식을 지속적으로 수정되는 프로세스를 도입해야 한다고 전문가들은 권고했다.
새로운 데이터를 활용하라
프로세스가 자주 반복될수록 결과가 더 명확해지고 기업이 이를 개선할 기회가 많아진다. 예를 들어, 렉시스넥시스(LexisNexis)는 자사의 TM(ThreatMetrix) 제품을 사용하여 매일 3억 개의 사기 관련 결정을 내리지만 결정이 100% 완벽한 것은 아니다.
LNRS(LexisNexis Risk Solutions)의 CTO 매티어스 바움호프는 “거대한 데이터세트를 통해 많은 결정을 내리고 있다. 우리가 99% 정확하게 하면 고객들에게 엄청난 가치가 제공된다”라며 지속적으로 정확성을 높여가고 있음을 강조했다.
렉시스넥시스는 머신러닝 알고리즘을 사용하여 트랜잭션을 행동 프로필로 분류하고 특정 거래가 사기이거나 의심스러운지 예측한다. 초기 훈련 세트와 지속적인 훈련을 위한 이력 데이터가 존재한다.
그는 “며칠 후 기존의 거래가 사기로 확인되고 이를 우리와 공유하면 확인된 사기 행동으로부터 배울 수 있다”라고 말하면서, “의사결정 인텔리전스를 활용하려는 사람에게 있어서 행동 패턴이 바뀌게 된다. 일정량의 학습은 항상 일상적인 비즈니스이고, 배우지 않으면 뒤처지게 된다”라고 밝혔다.
알고리즘을 수정하라
전통적으로 위험 채점에는 일련의 가정법에 기반한 결정이 수반됐다. 거래가 일정량을 초과하거나 사용자의 집 영역 밖에서 수행되거나 새로운 상인과 수행되면 검토를 위해 플래그 처리된다. 하지만 의사결정이 복잡해지면서 가정법 시스템에 한계가 드러나고 있다.
바움호프는 “고객이 이 분야를 아는 분석가와 함께 몇 년 동안 규칙을 조정하는 것보다 머신러닝 모델이 더 정확할 수 있다. 하지만 이를 병렬로 실행하고 양쪽의 장점을 누릴 수 있다”라고 말했다.
기존의 머신러닝 시스템은 전통적인 규칙 기반 시스템만큼 빠르게 의사를 결정할 수 있다. 하지만 6년 전, 렉시스넥시스가 규칙 기반 시스템의 대체재로써 머신러닝에 투자하려 할 때 선형 회귀 모델로 시작했다. 선형 사기 관계의 예로는, 구매가 집에서 먼 곳에서 이루어질수록 사기일 가능성이 높다는 것이 있다.
하지만 이 접근방식은 너무 단순해서 한 방향으로 원활하게 진행되지 않는 비선형 관계를 감지할 수 없었다. 예를 들어, 일반적으로 작은 거래는 사기의 조짐일 수 있으며 범죄자들이 카드번호 또는 계좌가 정상인지 테스트할 수 있다. 이를 위해 해당 기업은 경사도 머신러닝(gradient machine learning)으로 전환했다.
바움호프는 “우리는 경사도 강화 트리를 통해 크게 발전할 수 있었다. 짧은 지연 속도로 높은 정확도를 제공한다”라고 말했다.
이 새로운 접근방식은 지난 1년 동안 테스트를 거쳤고 올 해 2분기에 생산에 투입될 예정이다. 해당 기업은 딥러닝 등의 새로운 기술을 연구할 계획이라고 바움호프가 말했다. “기존에 보유한 모델을 능가할 수 있는지 확인하는 것도 중요하다”라고 그는 말했다.
즉 새로운 데이터를 의사결정 인텔리전스 전략에 통합하는 것 외에 기본적인 알고리즘을 다시 생각해 보면 결과의 질을 높이는 데 도움이 될 수 있다.
데이터 수집을 위한 프로세스를 강화하라
의사결정 단계가 덜 명확하거나 결과가 더욱 모호하거나 잘못된 의사결정의 위험이 더 클 때 지능 시스템이 모든 의사결정을 대체할 수는 없다. 하지만 이를 강화할 수는 있을 것이다.
예를 들어, 렉시스넥시스는 머신러닝을 사용하여 법원 문서를 분석한다. 바움호프는 예를 들어 특정 판사로부터 긍정적인 반응을 얻기 위해 사유서를 특정 방식으로 작성해야 할 수 있다고 밝혔다.
또는 제3자와의 계약 분석 시 훈련을 위해 수백 만 개의 관련된 예를 확보하는 대신에 수천 또는 수백 개의 예만 제공할 수도 있다. 그는 “이런 경우 머신러닝이 제안을 할 수 있다. 하지만 인간이 최종 버전을 수행하게 된다”라고 말했다.
의사결정 인텔리전스의 자동화 구성요소는 의사결정의 데이터 수집 단계에 적용될 수 있다고 콘스텔레이션의 왕이 지적했다. 최종 결론을 내릴 필요가 없으며 이를 활용해 보고서를 생성하거나 트렌드 및 상관관계를 생성할 수도 있다.
적절한 것과 운이 좋은 것을 구분하라
데이터 세트가 작으면 의사결정이 적절했는지 판단하기가 어렵다. 순수하게 운을 통해 잘못된 결과로 이어질 수 있다. 또는 의사결정이 잘못되었지만 운 때문에 결과가 좋을 수도 있다.
젠팩트(Genpact)의 글로벌 분석 책임자 아마레쉬 트리패시는 “결과의 질과 의사결정의 질은 다르다. 때로는 좋은 카드가 있고 옳은 의사결정을 해도 잃을 때가 있다”라고 말했다.
안타깝게도 복잡하고 빈번하지 않은 의사결정의 경우 기업들은 일반적으로 이를 측정하는 메커니즘이 없다. 이 문제를 해결하려면 기술이 중요하다고 트리패시가 말했다.
그는 “첫 번째 단계는 조직의 의사결정 프로세스를 공식화하는 것이고, 그 후에 이 프로세스를 지원하기 위한 소프트웨어 추가에 관해 생각할 수 있다”라고 말했다.
하지만 이런 결정의 결과를 수집하고 의사결정 인텔리전스 프로세스와 다시 연계시키는 것은 쉽지 않다. 마케팅 분야의 기업들이 현재 가장 잘 적응하고 있다고 트리패시가 말했다. 그는 “그들은 정기적으로 A-B 테스트를 수행하고 색상과 글꼴을 변경한다. 아니면 메뉴 항목을 바꾼다. 그들은 테스트를 많이 한다”라고 말했다.
생명 공학 분야에서 유사한 프로세스가 약물 발견과 백신 개발에 적용된다고 그가 덧붙였다. 인적 자원 분야에서도 기업들은 의사결정 프로세스를 검토하고 결과를 살펴보곤 한다. 그는 “고용을 통해 결과가 상대적으로 명확해진다. 고용자의 성과를 확인할 수 있고, 기업에서 가장 어려운 부분은 결과가 그렇게 명확하지 않을 때이다”라고 말했다.
편향된 데이터에 주의하라
의사결정은 기초 데이터가 중요하다. 기업의 이력에 문제가 있다면 이력에 기초한 훈련 세트에도 같은 문제가 내재될 수 있다. 예를 들어, 과거에 아이비리그 출신의 백인을 고용했던 기업은 아이비리그 학위가 있는 백인만 추천하는 고용 추천 시스템을 도입할 수도 있다.
사람들도 내재적으로 편향되어 있다고 부즈앨런해밀턴(Booz Allen Hamilton)의 CIO 브래드 스톤이 말했다. 그리고 그들은 그들의 편견을 뒷받침하는 데이터를 찾는다. 그는 “우리는 더 많은 신입 직원이 필요하다고 생각되면 더 많은 신입 직원이 필요하다는 사실을 뒷받침하는 데이터를 찾는다. 그리고 더 많은 비즈니스 운영 인력이 필요하다고 생각하면 이를 뒷받침하는 데이터도 찾는다”라고 말했다.
그는 “그리고 사람들이 데이터를 살펴볼 때 자신의 경험에 비추어 생각하기 때문에 결함이 있는 의사결정으로 이어질 수 있다. 팬데믹을 통해 우리는 과거를 기준으로 미래를 예측할 수 없다는 사실을 배웠다”라고 말했다.
그는 의사결정을 위한 적절한 기준을 제공하는 것이 해결책이라고 말했다. 그는 “미래의 성공적인 비즈니스와 임무도 이런 편견을 관리하면서 과거로부터 배울 수 있다”라고 말했다.
효과가 있다면 AI를 신뢰하라
때로는 데이터에 기초한 추천이 본능에 반할 때가 있다. 이를 간과하면 기업이 몇 년이나 뒤쳐질 수 있다.
공급망 관리 기술 기업 블루 욘더(Blue Yonder)의 전략적 자문가 겸 설립자 마이클 페인트는 많은 기업들이 자신의 본능이 틀릴 수 있음을 인정하느라 분투하는 모습을 보았다. 예를 들어, 식료품점에서 신선 식품을 주문하는 것은 대칭 비용 함수라고 그가 말했다. 너무 적으면 고객들이 실망하게 되지만 너무 많으면 식품이 상하게 된다.
인간의 두뇌는 위험을 올바르게 계산하지 못하기 때문에 같은 원리가 의류 업계의 계절 패션 등 수명이 제한된 제품에도 적용된다. 예를 들어, 독일의 백화점 체인 페인트는 6~7년 전 주문에 AI를 사용하기 시작했다가 3년 만에 포기했다. 그는 “직원과 관리자들 모두 이를 이해하지 못했다. 관리자는 수학자가 아니다. 그들은 자신의 직감과 경험이 더 옳다고 생각하곤 했다”라고 말했다.
그는 “일례로 매년 크리스마스때마다 매장 관리자들은 충분한 제품을 확보하지 못할까봐 허둥댄다. 그리고 그들은 미친듯이 사들인다. 크리스마스 2주 전, CEO조차도 ‘우리는 고기와 쿠키가 더 많이 필요하다. 더 많이 주문하라. 주문하고 싶은 것에 50%를 추가하라’라고 말했다. 그리고 크리스마스가 지난 후 그 50%를 버린다. 100만 유로 이상의 비용이 발생한다”라고 말했다.
그는 최소한 분석이 어떻게 작용하는지 이해하는 1명의 사람과 경영진이 신뢰라는 정성적인 사람 1명이 있다면 해결할 수 있다고 말했다.
합성 데이터를 활용하라
경우에 따라 훈련 데이터의 부재를 합성 데이터로 보완할 수 있다. 실제 이력 데이터 대신에 사용하도록 정확하게 모델링 된 인공적으로 생성된 정보인 합성 데이터는 머신러닝 시스템에 추가적인 연료를 제공할 수 있다. 기업은 이를 활용해 더 많은 사례에 자동화된 정보를 적용할 수 있다고 브레테녹스가 말했다.
또한 기업들은 블랙 스완(Black Swan) 이벤트나 이례적인 시나리오에 대비하여 훈련할 수 있다.
가트너 분석가 스베틀라나 시큘라에 따르면 2024년까지 AI 및 분석 솔루션 개발에 사용되는 데이터의 60%가 합성하여 생성될 것으로 전망된다(2021년에는 1%).
다양한 결과를 시뮬레이션 하라
많은 경우 너무 많은 외부적인 요소가 결과에 영향을 미치기 때문에 적절한 의사결정이 불가능하다. 새로운 코로나19 물결, 운하에 갇힌 또 다른 유조선, 지역적 가뭄, 전쟁 발발 등은 비즈니스에 큰 영향을 미칠 수 있지만 예측이 불가능하다.
그렇다고 기업이 무력하다는 것은 아니다. 대신에 시뮬레이션을 실행하여 여러 시나리오에 대비할 수 있다. 그리고 모든 데이터를 수집하여 정보에 기초한 의사를 결정할 수 있다.
하지만 데이터와 분석에는 한계가 있다. 브레테녹스는 “나는 많은 인수 의사결정에 참여했다. 때로는 CEO가 거래와 사랑에 빠진다. 그리고 때로는 기본적인 원칙을 잊어버린다”라고 말했다.
하지만 중요한 의사결정에는 많은 요소가 작용한다고 그가 말했다. 이런 요소 중 하나는 CEO가 모든 어려움에도 불구하고 사람들을 결집시키는지 여부이다. 그는 “그들은 예지력이 있을 때가 있다. 그들은 거래의 가치와는 상관없이 카리스마로만 일을 성사시킨다. 그런 사람이라면 CEO가 가능하게 할 수 있기 때문에 데이터를 무시할 수 있다”라고 말했다.
작게 시작하고 학습하라
중요한 것은 의사결정 인텔리전스에 주목하고 테스트하는 것이다. 브레테녹스는 “작게 시작할 수 있다. 사실, 많은 기업들이 이미 의사결정 인텔리전스이라고 부르지 않으면서 의사결정 인텔리전스를 수행하고 있다”라고 말했다.
여기에는 추천 엔진이 있는 온라인 소매기업이 포함된다. 하지만 항상 의사결정 인텔리전스의 모든 관점을 활용하는 것은 아니다.
그는 “사람들이 추천에 따라 행동하면 거래가 발생한다. 하지만 구매하지 않는 상황을 분석하는 조직이 거의 없다. 하지만 사람들은 구매하지 않았을까? 제품, 가격 또는 시기가 잘못되었을까?”라고 말했다.
그는 “의사결정 인텔리전스 사고방식이 있다면 거래가 아닌 것들도 분석해야 한다. 지금 당장 의사결정 인텔리전스를 수행할 수 있다. 투자를 약간만 더 늘리고 행동을 취하면 된다”라고 말했다. ciokr@idg.co.kr
원문보기:
https://www.ciokorea.com/news/231034?page=0,1#csidx61b105116e101c993a03b8750671a9d 
원문보기:
https://www.ciokorea.com/news/231034#csidx78ddb2c04497e1bab183178c9ffd039 
기업의 의사결정에 ‘지능’과 ‘자동화’를 접목하면 민첩성과 효율성이 크게 개선될 수 있다. 하지만 지속적인 ‘튜닝’이 반드시 요구된다는 점에 유의할 필요가 있다.
철 지난 보고서 이상을 원하는 조직이라면 ‘의사결정 인텔리전스’(decision intelligence)에 주목할 만하다. 인공지능과 머신러닝을 활용하는 정교한 도구를 결합하여 데이터 대시보드나 비즈니스 애널리틱스 플랫폼을 좀더 포괄적이면서도 지능성인 의사결정 지원 플랫폼으로 변모시키는 도구이자 기술, 관행을 의미한다.
하지만 의사결정 인텔리전스 전략에는 많은 요건이 필요하다. 조직의 의사결정 방식에 대한 이해뿐 아니라 결과를 평가하고 피드백을 통해 의사결정 프로세스를 관리 및 개선하려는 과정도 포함되어야 한다. 가트너 분석가 에릭 브레테녹스는 “단순한 기술이 아니다. 다양한 기술로 구성된 분야이다”라고 말했다.
가트너에 따르면 의사결정 인텔리전스는 ‘2022년의 주요 전략 기술 트렌드’이며, 대형 조직의 1/3 이상이 2023년까지 이를 실행에 옮길 것으로 예상된다. 의사결정 인텔리전스는 자동화된 의사결정 수단을 제공하는 데 도움이 되어 기업이 경쟁력을 유지하고 시장 수요를 충족하는 데 도움이 될 수 있다고 브레테녹스가 말했다.
하지만 이를 위해 의사결정 프로세스, 각 결정의 위험과 보상, 수용 가능한 오류 마진, 자동화된 의사결정 프로세스가 제공하는 결정에 대한 신뢰도 검증 능력에 대한 심층적인 이해가 필요하다.
손쉽게 달성할 수 있는 목표부터 시작하라
잘 정의되고 사례가 풍부하며, 위험이 낮은 프로세스로 시작하는 것이 도움이 된다. 많은 기업들이 이미 이런 프로세스를 보유하고 있으며, 아직 모두가 자동화된 것은 아니다.
일상이 너무 바쁜 기업들은 이런 기회를 놓치고 있음을 알아차리지 못할 수 있다고 컨스틸레이션 리서치(Constellation Research)의 수석 분석가 겸 설립자 레이 왕이 말했다. 그는 “프로세스가 이미 자동화되었더라도 의사결정 엔진에 추가적인 요소를 추가하면 정확도가 개선될 수 있”라고 말했다. 예를 들어, 위험 점수 결정은 시간대 또는 사용자의 위치를 고려하여 개선될 수 있다.
하지만 이러한 프로세스라도 일회성 개선이어서는 안 된다. 피드백에 따라 접근방식을 지속적으로 수정되는 프로세스를 도입해야 한다고 전문가들은 권고했다.
새로운 데이터를 활용하라
프로세스가 자주 반복될수록 결과가 더 명확해지고 기업이 이를 개선할 기회가 많아진다. 예를 들어, 렉시스넥시스(LexisNexis)는 자사의 TM(ThreatMetrix) 제품을 사용하여 매일 3억 개의 사기 관련 결정을 내리지만 결정이 100% 완벽한 것은 아니다.
LNRS(LexisNexis Risk Solutions)의 CTO 매티어스 바움호프는 “거대한 데이터세트를 통해 많은 결정을 내리고 있다. 우리가 99% 정확하게 하면 고객들에게 엄청난 가치가 제공된다”라며 지속적으로 정확성을 높여가고 있음을 강조했다.
렉시스넥시스는 머신러닝 알고리즘을 사용하여 트랜잭션을 행동 프로필로 분류하고 특정 거래가 사기이거나 의심스러운지 예측한다. 초기 훈련 세트와 지속적인 훈련을 위한 이력 데이터가 존재한다.
그는 “며칠 후 기존의 거래가 사기로 확인되고 이를 우리와 공유하면 확인된 사기 행동으로부터 배울 수 있다”라고 말하면서, “의사결정 인텔리전스를 활용하려는 사람에게 있어서 행동 패턴이 바뀌게 된다. 일정량의 학습은 항상 일상적인 비즈니스이고, 배우지 않으면 뒤처지게 된다”라고 밝혔다.
알고리즘을 수정하라
전통적으로 위험 채점에는 일련의 가정법에 기반한 결정이 수반됐다. 거래가 일정량을 초과하거나 사용자의 집 영역 밖에서 수행되거나 새로운 상인과 수행되면 검토를 위해 플래그 처리된다. 하지만 의사결정이 복잡해지면서 가정법 시스템에 한계가 드러나고 있다.
바움호프는 “고객이 이 분야를 아는 분석가와 함께 몇 년 동안 규칙을 조정하는 것보다 머신러닝 모델이 더 정확할 수 있다. 하지만 이를 병렬로 실행하고 양쪽의 장점을 누릴 수 있다”라고 말했다.
기존의 머신러닝 시스템은 전통적인 규칙 기반 시스템만큼 빠르게 의사를 결정할 수 있다. 하지만 6년 전, 렉시스넥시스가 규칙 기반 시스템의 대체재로써 머신러닝에 투자하려 할 때 선형 회귀 모델로 시작했다. 선형 사기 관계의 예로는, 구매가 집에서 먼 곳에서 이루어질수록 사기일 가능성이 높다는 것이 있다.
하지만 이 접근방식은 너무 단순해서 한 방향으로 원활하게 진행되지 않는 비선형 관계를 감지할 수 없었다. 예를 들어, 일반적으로 작은 거래는 사기의 조짐일 수 있으며 범죄자들이 카드번호 또는 계좌가 정상인지 테스트할 수 있다. 이를 위해 해당 기업은 경사도 머신러닝(gradient machine learning)으로 전환했다.
바움호프는 “우리는 경사도 강화 트리를 통해 크게 발전할 수 있었다. 짧은 지연 속도로 높은 정확도를 제공한다”라고 말했다.
이 새로운 접근방식은 지난 1년 동안 테스트를 거쳤고 올 해 2분기에 생산에 투입될 예정이다. 해당 기업은 딥러닝 등의 새로운 기술을 연구할 계획이라고 바움호프가 말했다. “기존에 보유한 모델을 능가할 수 있는지 확인하는 것도 중요하다”라고 그는 말했다.
즉 새로운 데이터를 의사결정 인텔리전스 전략에 통합하는 것 외에 기본적인 알고리즘을 다시 생각해 보면 결과의 질을 높이는 데 도움이 될 수 있다.
데이터 수집을 위한 프로세스를 강화하라
의사결정 단계가 덜 명확하거나 결과가 더욱 모호하거나 잘못된 의사결정의 위험이 더 클 때 지능 시스템이 모든 의사결정을 대체할 수는 없다. 하지만 이를 강화할 수는 있을 것이다.
예를 들어, 렉시스넥시스는 머신러닝을 사용하여 법원 문서를 분석한다. 바움호프는 예를 들어 특정 판사로부터 긍정적인 반응을 얻기 위해 사유서를 특정 방식으로 작성해야 할 수 있다고 밝혔다.
또는 제3자와의 계약 분석 시 훈련을 위해 수백 만 개의 관련된 예를 확보하는 대신에 수천 또는 수백 개의 예만 제공할 수도 있다. 그는 “이런 경우 머신러닝이 제안을 할 수 있다. 하지만 인간이 최종 버전을 수행하게 된다”라고 말했다.
의사결정 인텔리전스의 자동화 구성요소는 의사결정의 데이터 수집 단계에 적용될 수 있다고 콘스텔레이션의 왕이 지적했다. 최종 결론을 내릴 필요가 없으며 이를 활용해 보고서를 생성하거나 트렌드 및 상관관계를 생성할 수도 있다.
적절한 것과 운이 좋은 것을 구분하라
데이터 세트가 작으면 의사결정이 적절했는지 판단하기가 어렵다. 순수하게 운을 통해 잘못된 결과로 이어질 수 있다. 또는 의사결정이 잘못되었지만 운 때문에 결과가 좋을 수도 있다.
젠팩트(Genpact)의 글로벌 분석 책임자 아마레쉬 트리패시는 “결과의 질과 의사결정의 질은 다르다. 때로는 좋은 카드가 있고 옳은 의사결정을 해도 잃을 때가 있다”라고 말했다.
안타깝게도 복잡하고 빈번하지 않은 의사결정의 경우 기업들은 일반적으로 이를 측정하는 메커니즘이 없다. 이 문제를 해결하려면 기술이 중요하다고 트리패시가 말했다.
그는 “첫 번째 단계는 조직의 의사결정 프로세스를 공식화하는 것이고, 그 후에 이 프로세스를 지원하기 위한 소프트웨어 추가에 관해 생각할 수 있다”라고 말했다.
하지만 이런 결정의 결과를 수집하고 의사결정 인텔리전스 프로세스와 다시 연계시키는 것은 쉽지 않다. 마케팅 분야의 기업들이 현재 가장 잘 적응하고 있다고 트리패시가 말했다. 그는 “그들은 정기적으로 A-B 테스트를 수행하고 색상과 글꼴을 변경한다. 아니면 메뉴 항목을 바꾼다. 그들은 테스트를 많이 한다”라고 말했다.
생명 공학 분야에서 유사한 프로세스가 약물 발견과 백신 개발에 적용된다고 그가 덧붙였다. 인적 자원 분야에서도 기업들은 의사결정 프로세스를 검토하고 결과를 살펴보곤 한다. 그는 “고용을 통해 결과가 상대적으로 명확해진다. 고용자의 성과를 확인할 수 있고, 기업에서 가장 어려운 부분은 결과가 그렇게 명확하지 않을 때이다”라고 말했다.
편향된 데이터에 주의하라
의사결정은 기초 데이터가 중요하다. 기업의 이력에 문제가 있다면 이력에 기초한 훈련 세트에도 같은 문제가 내재될 수 있다. 예를 들어, 과거에 아이비리그 출신의 백인을 고용했던 기업은 아이비리그 학위가 있는 백인만 추천하는 고용 추천 시스템을 도입할 수도 있다.
사람들도 내재적으로 편향되어 있다고 부즈앨런해밀턴(Booz Allen Hamilton)의 CIO 브래드 스톤이 말했다. 그리고 그들은 그들의 편견을 뒷받침하는 데이터를 찾는다. 그는 “우리는 더 많은 신입 직원이 필요하다고 생각되면 더 많은 신입 직원이 필요하다는 사실을 뒷받침하는 데이터를 찾는다. 그리고 더 많은 비즈니스 운영 인력이 필요하다고 생각하면 이를 뒷받침하는 데이터도 찾는다”라고 말했다.
그는 “그리고 사람들이 데이터를 살펴볼 때 자신의 경험에 비추어 생각하기 때문에 결함이 있는 의사결정으로 이어질 수 있다. 팬데믹을 통해 우리는 과거를 기준으로 미래를 예측할 수 없다는 사실을 배웠다”라고 말했다.
그는 의사결정을 위한 적절한 기준을 제공하는 것이 해결책이라고 말했다. 그는 “미래의 성공적인 비즈니스와 임무도 이런 편견을 관리하면서 과거로부터 배울 수 있다”라고 말했다.
효과가 있다면 AI를 신뢰하라
때로는 데이터에 기초한 추천이 본능에 반할 때가 있다. 이를 간과하면 기업이 몇 년이나 뒤쳐질 수 있다.
공급망 관리 기술 기업 블루 욘더(Blue Yonder)의 전략적 자문가 겸 설립자 마이클 페인트는 많은 기업들이 자신의 본능이 틀릴 수 있음을 인정하느라 분투하는 모습을 보았다. 예를 들어, 식료품점에서 신선 식품을 주문하는 것은 대칭 비용 함수라고 그가 말했다. 너무 적으면 고객들이 실망하게 되지만 너무 많으면 식품이 상하게 된다.
인간의 두뇌는 위험을 올바르게 계산하지 못하기 때문에 같은 원리가 의류 업계의 계절 패션 등 수명이 제한된 제품에도 적용된다. 예를 들어, 독일의 백화점 체인 페인트는 6~7년 전 주문에 AI를 사용하기 시작했다가 3년 만에 포기했다. 그는 “직원과 관리자들 모두 이를 이해하지 못했다. 관리자는 수학자가 아니다. 그들은 자신의 직감과 경험이 더 옳다고 생각하곤 했다”라고 말했다.
그는 “일례로 매년 크리스마스때마다 매장 관리자들은 충분한 제품을 확보하지 못할까봐 허둥댄다. 그리고 그들은 미친듯이 사들인다. 크리스마스 2주 전, CEO조차도 ‘우리는 고기와 쿠키가 더 많이 필요하다. 더 많이 주문하라. 주문하고 싶은 것에 50%를 추가하라’라고 말했다. 그리고 크리스마스가 지난 후 그 50%를 버린다. 100만 유로 이상의 비용이 발생한다”라고 말했다.
그는 최소한 분석이 어떻게 작용하는지 이해하는 1명의 사람과 경영진이 신뢰라는 정성적인 사람 1명이 있다면 해결할 수 있다고 말했다.
합성 데이터를 활용하라
경우에 따라 훈련 데이터의 부재를 합성 데이터로 보완할 수 있다. 실제 이력 데이터 대신에 사용하도록 정확하게 모델링 된 인공적으로 생성된 정보인 합성 데이터는 머신러닝 시스템에 추가적인 연료를 제공할 수 있다. 기업은 이를 활용해 더 많은 사례에 자동화된 정보를 적용할 수 있다고 브레테녹스가 말했다.
또한 기업들은 블랙 스완(Black Swan) 이벤트나 이례적인 시나리오에 대비하여 훈련할 수 있다.
가트너 분석가 스베틀라나 시큘라에 따르면 2024년까지 AI 및 분석 솔루션 개발에 사용되는 데이터의 60%가 합성하여 생성될 것으로 전망된다(2021년에는 1%).
다양한 결과를 시뮬레이션 하라
많은 경우 너무 많은 외부적인 요소가 결과에 영향을 미치기 때문에 적절한 의사결정이 불가능하다. 새로운 코로나19 물결, 운하에 갇힌 또 다른 유조선, 지역적 가뭄, 전쟁 발발 등은 비즈니스에 큰 영향을 미칠 수 있지만 예측이 불가능하다.
그렇다고 기업이 무력하다는 것은 아니다. 대신에 시뮬레이션을 실행하여 여러 시나리오에 대비할 수 있다. 그리고 모든 데이터를 수집하여 정보에 기초한 의사를 결정할 수 있다.
하지만 데이터와 분석에는 한계가 있다. 브레테녹스는 “나는 많은 인수 의사결정에 참여했다. 때로는 CEO가 거래와 사랑에 빠진다. 그리고 때로는 기본적인 원칙을 잊어버린다”라고 말했다.
하지만 중요한 의사결정에는 많은 요소가 작용한다고 그가 말했다. 이런 요소 중 하나는 CEO가 모든 어려움에도 불구하고 사람들을 결집시키는지 여부이다. 그는 “그들은 예지력이 있을 때가 있다. 그들은 거래의 가치와는 상관없이 카리스마로만 일을 성사시킨다. 그런 사람이라면 CEO가 가능하게 할 수 있기 때문에 데이터를 무시할 수 있다”라고 말했다.
작게 시작하고 학습하라
중요한 것은 의사결정 인텔리전스에 주목하고 테스트하는 것이다. 브레테녹스는 “작게 시작할 수 있다. 사실, 많은 기업들이 이미 의사결정 인텔리전스이라고 부르지 않으면서 의사결정 인텔리전스를 수행하고 있다”라고 말했다.
여기에는 추천 엔진이 있는 온라인 소매기업이 포함된다. 하지만 항상 의사결정 인텔리전스의 모든 관점을 활용하는 것은 아니다.
그는 “사람들이 추천에 따라 행동하면 거래가 발생한다. 하지만 구매하지 않는 상황을 분석하는 조직이 거의 없다. 하지만 사람들은 구매하지 않았을까? 제품, 가격 또는 시기가 잘못되었을까?”라고 말했다.
그는 “의사결정 인텔리전스 사고방식이 있다면 거래가 아닌 것들도 분석해야 한다. 지금 당장 의사결정 인텔리전스를 수행할 수 있다. 투자를 약간만 더 늘리고 행동을 취하면 된다”라고 말했다. ciokr@idg.co.kr
원문보기:
https://www.ciokorea.com/news/231034?page=0,1#csidx61b105116e101c993a03b8750671a9d
원문보기:
https://www.ciokorea.com/news/231034#csidx78ddb2c04497e1bab183178c9ffd039