AIㆍML / BI|분석 / 데이터ㆍ분석 / 애플리케이션

"아니, 이런 결과가?" 데이터 분석의 예상치 못한 효과들

Bob Violino  | CIO 2018.01.25
데이터 분석은 예기치 못한 새로운 프로그램이나 제품 아이디어로 이어지는 놀라운 통찰력을 가져올 수 있다.

성공적인 IT 프로젝트를 위해서는 명확한 목표가 필요한데, 데이터 분석도 예외는 아니다. 분석을 수행할 때, 데이터 팀은 고객에 대한 유용한 정보를 찾고, 해당 프로젝트에 대한 의사 결정을 지원하고, 생산성을 향상시키고, 다른 여러 결과를 추구한다.

그러나 데이터 분석은 탐색적 특성을 감안한다면, 때로는 예상했던 효과나 통찰력이 아닌, 원래 비즈니스 계획의 일부에도 없었던 완전히 예상치 못한 것이 도출될 수도 있다.

이런 행복한 사건은 무엇이 나타날 지 모르기 때문에 모든 데이터 분석이 노력할 가치가 있다는 생각을 지지하게 만든다. 분석 작업을 통해 예기치 않았던 효과를 얻은 조직의 실제 사례를 알아보자.

비즈니스 운영 향상
올레지스 글로벌 솔루션(Allegis Global Solutions)는 자체 분석 프로그램인 아큐맨 워크포스 인텔리전스(ACUMEN Workforce Intelligence)를 개발해 세 가지 사항을 파악하고자 다음과 같은 세 가지 질문을 던졌다.

- 프로그램을 어떻게 수행하는가?
- 우리는 무엇을 해야 하나?
- 우리가 다음에 해야할 것은?


올레지스 비즈니스 인텔리전스 총괄 책임자 팀 존슨은 "분석 플랫폼은 원래 이력 전망을 개발하기 위해 만들어졌다. 하지만 세 가지 질문에 답하는 데 사용된 이 분석은 조직 내 도미노 효과가 있음을 발견했다"고 말했다.

존슨은 "모든 프로그램에서 데이터를 가져와 이를 매일 업데이트하기 때문에 작업에 대한 새로운 시각을 갖게 됐다. 이로 인해 프로그램과 엔터프라이즈 수준에서 일상적인 활동을 분석하는데 도움이 되는 새로운 데이터 애플리케이션이 최근 출시됐다. 운영자는 프로그램 통찰력을 얻기 위해 보고서를 가져와 정보를 분석할 필요가 없다. 대신 그들은 이미 구조화되어 있는 이전 정보를 가져와 분석하고 조치를 취하면 된다"고 설명했다.

존슨은 "데이터를 운영적으로 사용하는 추가적인 효과로는 분석 채택율이 초기 예상보다 훨씬 높다는 점"이라고 말했다. 존슨은 "현재 우리는 매주 100% 내부 도입이라는 목표를 설정했다. 최종 사용자들은 성능 향상을 위해 일상적으로 데이터를 사용하고 있기 때문에 정보에 더욱 주력하고 데이터 품질을 새로운 최고의 수준으로 끌어올리고 있다"고.

이 기업이 초기 분석 목적을 위해서는 데이터가 90~95% 정도로 정확해야 했다. 그러나 운영을 위해서는 98~99%의 정확성이 필요하다. 존슨은 "조직 전반에 걸쳐 데이터를 통한 운영, 즉 조직 전반의 데이터 트랜스포메이션이 시작된 것이 이 세가지 질문이라는 점이 재밌다"고 말했다.

단기적인 손실의 장기적인 효과
데이터 분석 노력을 통해 온라인 부동산 리소스 제공업체인 트루리아(Trulia)는 캠페인 가운데 하나인 이메일 전략을 미세 조정해 궁극적으로 트래픽을 증가시켰다.

트루리아 엔지니어링 담당 부사장 딥 바르마는 "트루리아는 하루에 여러 번의 이메일을 보내는데, 구독 취소한 고객의 수가 증가했다. 그래서 트루리아는 접근 방식을 바꿔 이메일을 정리해 하루에 한번씩만 이메일을 보내기로 했다"고 말했다.

새로운 접근 방식을 채택한 처음에는 사용자의 참여가 감소하는 것을 볼 수 있었다. 그러나 트루리아는 좀 더 오랜 기간 테스트하기를 결정했고, 그 결과 기대보다 더 나은 결과를 가져왔다.

바르마는 "이 사례에서 처음에는 테스트 범위를 넓히지 않았기 때문에 데이터가 잘못됐다. 일단 시작한 후, 일주일 동안 데이터 트래픽이 감소한 결과를 봤기 때문에 트래픽이 증가할 것이라고는 생각하지 못했다. 그러나 분석을 실행하면서 그 반대가 사실임을 입증할 수 있었다"고 설명했다.

또 다른 예로, 데이터 분석은 원래 목적이 아닌 새로운 제품에도 영감을 줬다.
바르마는 "상담원에게 질문을 제출한 후, 소비자는 방문율이 떨어지는 것을 봤다. 이후 리드 경험을 만들어 문의한 것과 유사한 추천 자산을 제시하기 시작했다. 결과적으로 소비자는 새로운 추천 정보 프로파일로 인해 다시 돌아오기 시작했으며, 더 자주 방문했다"고 말했다.

IoT 솔루션에 대한 보증 문제
로크웰 오토메이션(Rockwell Automation) 분석 팀이 실시한 한 프로젝트는 회사의 제품 품질 그룹을 통해 분석팀에 전달됐다.

로크웰 오토메이션 비즈니스 인텔리전스 담당 이사 산지타 에드윈은 "로크웰은 보증 관리 문제로 어려움을 겪었다. 문제를 제시하는 대신 데이터 분석 팀을 확대해 수익의 근본 요소를 파악하는데 주력했다"고 말했다.

데이터를 기계 수준에서 다시 추적하면서 어셈블리 오류가 보증 반환과 관련이 있는 제조상의 결함을 발견했다. 에드윈은 "이는 IoT 데이터를 데이터 분석에 포함하도록 한 것이 주효했다. 이는 우리의 전략과 플랫폼을 발전시키는 데 큰 도움이 됐다"고 설명했다.

이 간단한 데이터 분석 시나리오는 비즈니스를 위한 놀라운 솔루션으로 변모했다. 에드윈은 "우리는 품질 그룹에서 얻은 교훈을 바탕으로 고객을 위한 자체적인 데이터 분석 플랫폼을 브랜드화했다. 데이터 분석을 통해 비즈니스 문제를 고객을 도울 수 있는 도구로 전환해 새로운 매출 흐름을 창출했다"고 말했다.

변수 오류가 숨겨진 원인 발견
의료 산업용 소프트웨어 제품 공급업체인 디시즌 포인트 헬스케어 솔루션(Decision Point Healthcare Solutions)은 수년 동안 건강 보험 가입자 가운데 다중 입원 위험이 높은 개인을 대상으로 병원 재입원율을 크게 낮추는 것을 목표로 하는 전화 관리 프로그램을 개발했다.

디시즌 포인트 설립자이자 CEO 사이드 아민자드는 "이 때, 디시즌 포인트는 전문 예측 모델링 알고리듬을 사용해 초기 인덱스 임무 이전에 30일 간격으로 두번 입원할 것으로 예상되는 회원/환자를 식별한다. 간단히 말해 초기 입원, 재입원 또는 두 가지를 모두 피하기 위해 개인을 대상으로 건강 계획을 세우고자 했다"고 말했다.

아민자드는 "지나고 나서 보니, 이는 훌륭한 접근 방법이었다. 하지만 디시즌 포인트는 이 방법론을 예기치 않게 발견했다"고 말했다.

치료 관리를 위해 디시즌 포인트의 전통적인 접근 방법에서는 피할 수 있는 입원, 응급실 방문과 비용에 대한 위험이 높은 개인을 예측하는 것을 포함했다. 디시즌 포인트의 데이터 과학자가 예측 모델 개발 프로세스에서 입원을 종속 변수로 대체한 적이 있었는데, 이를 통해 여러 번의 입원을 예측하는 새로운 접근 방식을 발견했다.

신중한 분석을 거친 후, 이 새로운 모델은 디시즌 포인트의 기존 예측 모델과 상당히 다른 것을 발견했다. 입원, 비용, 응급실 방문을 예측하는 고위험 개인을 식별할 때 전통적인 모델은 진료와 장비 이용 문제의 합에 중점을 뒀지만, 이 모델은 응급 진료와 사회 경제적 문제 모두를 갖고 있는 개별 개인의 하위 집합에 집중했다.

아민자드는 "예를 들어, 전통적인 모델은 여러 만성적인 질환을 갖고 있는 고위험 개인을 확인한 반면, 새로운 모델은 만성 질환과 혼자 사는 것, 주치의와의 관계 부족, 신용카드 유무, 건강정보 이해 능력, 행동 건강 상태 등과 같은 다른 문제들이나 다른 우려들을 모두 보았다. 이는 재입원율을 낮추기 위해 의료 기관이 개인의 진료 문제를 악화시키는 사회 경제적 장벽을 제거해야 한다는 것을 보여주기 때문에 아주 중요한 발견이었다"고 말했다.

1차 진료의 중요성 재발견
의료보험 공급업체인 HCSC(Health Care Service Corporation)는 데이터 분석에서 예상치 못한 비슷한 결과를 발견했다.

HCSC 엔터프라이즈 분석 및 거버넌스 총괄 책임자 히만슈 아로라는 "처음에는 응급하지 않음에도 불구하고 응급실을 방문하는 회원들을 식별하고 이에 대한 원인을 파악하고자 했는데, 결과적으로 숨겨진 무언가를 발견했다"고 말했다.

아로라는 "회사 구성원의 10%가 HMO(Health Maintenance Organization) 계획에 등록되어 있다면 주치의가 1차 진료 기록에 대한 접속 권한을 부여해봤자 피할 수 있는 응급 서비스는 10% 미만이라고 예상했다. 하지만 우리가 발견한 것은 예상과는 정반대로 거의 4배 정도였다. 이 10%의 회원이 피할 수 있는 응급 서비스 가운데 40%를 차지하고 있었다"고 설명했다.

응급실 방문 비용이 높아지고 응급실에 갈 것을 예방하거나 완화시킬 수 있는 서비스를 통해 혜택을 받지 못하는 회원들에게 회사 내 진료소에서 제공하는 것 이외에도 회원을 도울 수 있는 방법을 찾았다.

아로라는 "언어 장벽, 교통 접근, 스케줄링 문제와 같은 진료 결정 요인들이 HMO 가입자들이 자신들의 PCP를 방문해 해결책을 찾는 대신 응급실을 방문하게 만드는 원인임을 알게 됐다"고 말했다.

"HCSC는 공급업체 네트워크를 통해 회원들이 필요로 하는 보살핌을 받을 수 있도록 적극적으로 연락하고, 제품과 네트워크 디자인을 재평가해 공급업체와의 위험 공유 모델을 강화함으로써 인센티브를 부여했다. 이런 분석들이 원인들을 파악하고 이에 대한 조치를 취하는 데 도움이 된다."

고객 성공 및 분석 방법론 재정의
마케팅 애플리케이션용 플랫폼 제공업체인 제타 글로벌(Zeta Global)은 고객 데이터 내 예측을 위한 알고리듬을 개발, 네트워크 플로우 관리를 위한 트래픽 로그 분석이나 보안 관리를 위한 신호 분석 등과 같은 클라이언트 및 내부 이니셔티브를 지원하기 위해 분석을 사용했다.

제타 글로벌 CIO 제프리 니메로프는 예상치 못한 곳에서 데이터 예측력이 높아
데이터 내에 예상치 못한 정보들이 존재한다는 것을 파악했다. 니메로프는 "개개별로 타겟팅하고 실행할 수 있는 예기치 않은 결과는 분석 결과의 일부이며 제타 글로벌은 발견한 것으로 많은 빛나는 사례들을 발굴할 수 있었다"고 말했다.

그 가운데 하나가 기술 비용 절감이다. 니메로프는 "기술을 도입하고 기술 비용을 발생시키는 대부분의 조직은 섀도우 기술의 형태로 끝난다. 생산성 향상을 추구하는 개인은 자신을 위해 적합한 도구를 찾는다"고 설명했다.

니메로프는 "최근 보안 운영센터 파트너십의 일환으로 위협 인텔리전스 이행에 중점을 두고 있다. 기대 효과는 보안 성숙에 대한 지속적인 진전이었지만, 예상치 못한 가치는 보안 기술에 숨겨진 비용을 발견한 것이다"고 말했다.

니메로프는 "이 시각화를 통해 특정 기술을 사용하는 사람들과 얘기할 수 있었는데, 그 가운데 일부는 완전히 잊어버리고 있었다. 이를 정리함으로써 수십만 달러의 서비스 비용을 줄일 수 있었다"고.

또 다른 예는 고객 실적이 가장 좋은 고객을 결정하는 것은 회사의 노력에 따른 것이라는 점이다.
니메로프는 고객 분석의 많은 작업은 잠재 고객 확장에 중점을 둔다. 이번 사례의 경우에도, 제타는 자사만이 소유한 데이터를 활용해 고객이 제공한 프로필과 속성을 공유하는 사용자와 프로필을 일치시켜 최고의 실적을 보이는 고객층을 확보하고자 했다. 최고 실적 고객층을 확보하면 더 큰 성과를 거둘 수 있기 때문이다.

결과를 극대화하기 위해 최상의 고객에게 제공하는 마케팅 메시지를 예측하기 위해 모델을 생성한 후, 제타는 청중들의 반응이 통제 그룹을 둘러싸고 떠받치는 것을 목격했다. 니메로프는 "제타는 메타 분석을 통해 고객이 제공한 원래 데이터는 고객 스스로가 성공한 고객을 정의한 것일뿐 실제 최고의 실적을 내는 고객이 아님을 알아냈다"고 말했다.

제타가 통찰력을 추가하고 더 많은 고객 속성을 활용해 고객 데이터베이스에서 분석을 확장했을 때, 더 나은 데이터를 제공할 수 있었다. 고객 데이터베이스와 메시징 목표로 시작했지만 이 분석은 중요한 특성에 대해 선입견이 없는 최고의 고객 데이터 집합을 추출하는데 도움을 줬다. 니메로프는 "이 확장된 방법론은 제타의 새로운 영역으로 이어졌다"고 말했다. editor@itworld.co.kr
 

회사명 : 한국IDG | 제호: ITWorld | 주소 : 서울시 중구 세종대로 23, 4층 우)04512
| 등록번호 : 서울 아00743 등록발행일자 : 2009년 01월 19일

발행인 : 박형미 | 편집인 : 박재곤 | 청소년보호책임자 : 한정규
| 사업자 등록번호 : 214-87-22467 Tel : 02-558-6950

Copyright © 2024 International Data Group. All rights reserved.