예측 분석이란?
기업은 예측 분석을 통해 합리적인 정확도로 가까운 미래와 주변의 동종 업체를 살펴볼 수 있습니다. 이러한 능력은 항상 중요했지만 이제는 그 어느 때보다 더 중요합니다. 기업은 주요 무역 및 공급망 중단, 수요 급증(또는 급감), 새로운 리스크와 당면 과제 등 전반적으로 미지의 영역을 다뤄야 했습니다. 이것이 바로 전 세계 기업이 예측 분석을 우선순위 목록에서 최고로 꼽은 이유입니다.
예측 분석의 정의
예측 분석은 고급 분석의 한 분야로, 미래의 이벤트, 행동, 결과에 대해 예측합니다. 머신러닝 알고리즘 및 정교한 예측 모델링 등의 통계 기술을 적용해 현재 및 이력 데이터를 분석하고 비즈니스 레이더에는 잡히지 않더라도 어떤 일이 발생할 가능성을 평가합니다.
예측 분석은 대부분의 산업과 관련이 있으며 그 용도는 다음을 비롯해 무궁무진합니다.
- 직원 및 고객 이탈 감소
- 지불 불이행 가능성이 가장 높은 고객 식별
- 데이터 기반 판매 예측 지원
- 최적의 가격 책정
- 기계 유지보수나 교체 시기 추적
실행 가능하고 정확한 예측은 의사결정자가 급격한 변화와 시장 변동이 끊임없이 발생하는 환경에서 세계적인 추세를 파악하는 데 필수적입니다. 코로나19 이전에도 그랬지만 특히 팬데믹 상황에서는 발생할 수 있는 다양한 시나리오를 다각도로 살펴보고 방향 전환, 예측, 계획하는 능력이 그 어느 때보다 중요합니다.
예측 분석은 코로나19와의 싸움에도 사용되고 있습니다. 병원 및 의료 시스템은 예측 모델을 사용해 리스크를 측정하고 질병 결과를 예측하며 의료 장비와 개인보호장비(PPE) 공급망을 관리합니다. 결과적으로 연구자들은 모델을 사용해 바이러스의 확산을 보여주고 확진자 수를 예측하며 접촉자를 추적 관리하고 있습니다. 이 모든 활동은 감염자와 사망자를 줄이기 위한 노력입니다.
Predictive analytics, as shown above, can help businesses anticipate cash flow.
예측 분석과 처방 분석 비교
정확하고 시기적절한 예측을 생성하는 예측 모델을 구축하고 배포한 후에는 무엇을 해야 할까요? 많은 기업이 처방 분석을 다음 논리적 단계로 보고 있습니다.
예측 분석은 다음에 일어날 수 있는 일을 결정하는 데 도움이 되는 반면, 처방 분석에서는 어떤 작업을 수행해야 하는지 또는 X, Y 또는 Z를 수행할 때 어떻게 하면 더 좋은 결과를 얻을 수 있는지를 알 수 있습니다. 이 유형의 고급 분석은 예측 분석을 기반으로 하며 가능한 최선의 행동 방침이나 의사결정을 제시하기 위해 수많은 요소를 고려합니다.
처방 분석은 흔히 '비즈니스 분석의 최종 단계'로 묘사됩니다. 또한 가장 복잡하고 비교적 새롭습니다. 현재 Gartner의 분석 및 비즈니스 인텔리전스 2020 하이프 사이클의 정점에 있습니다.
현재의 예측 분석
앨라이드 마켓 리서치(Allied Market Research)의 연구에 따르면 글로벌 예측 분석 시장은 2027년까지 연평균 21.9%의 성장률로 성장하며 354.5억 달러 규모에 이를 전망입니다. 예측 분석은 방대한 양의 데이터가 생성되고 컴퓨터의 처리 능력이 기하급수적으로 빨라졌으며 소프트웨어의 대화 기능과 사용 용이성이 개선된 현재의 환경에서 진정한 의미를 갖게 되었습니다.
기업은 방대한 양의 데이터를 수집할 뿐 아니라 기존의 정형 데이터부터 사물인터넷(IoT), 텍스트, 비디오, 다크 데이터와 같은 비정형 데이터에 이르기까지 다양한 유형의 데이터를 수집합니다. 예측 분석을 통해 다양한 소스의 빅데이터를 결합하고 분석할 수 있게 됨에 따라 예측의 정확도가 향상되고 더 심층적이고 강력한 인사이트를 확보할 수 있게 되었습니다. 클라우드는 이처럼 다양한 모든 데이터 소스를 연결하는 핵심이며, 클라우드 기반 데이터 웨어하우스와 데이터 레이크에 데이터를 저장하면 온프레미스 저장보다 비용 효율성과 확장성이 향상됩니다.
최근의 예측 분석은 머신러닝, 딥러닝, 신경망과 같은 인공지능(AI) 기술을 통해 "증강"되기도 합니다. 이러한 증강 분석에서는 대량의 데이터를 빠르게 분석하고, 사람이 놓칠 수 있는 인사이트를 노출하며 향후에 발생할 이벤트의 가능성을 더욱 정교하고 정확하게 예측할 수 있습니다. 또한 예측 모델 구축 및 테스트와 같은 복잡한 예측 분석 프로세스의 단계도 자동화합니다. 그리고 일종의 AI인 자연어처리(NLP)를 통해 사용자는 대화형 언어로 질문하고 답을 얻을 수 있으며 이러한 답을 전보다 쉽게 해석하고 이해할 수 있습니다.
역사적으로 예측 분석 도구와 기법은 매우 정교하고 복잡해 데이터 과학자와 전문 분석가만 효과적으로 사용할 수 있었습니다. 그러나 증강 분석을 사용하면 최소한의 교육을 받은 현업 사용자가 IT 부서의 도움 없이도 정확한 예측을 생성하고 미래 지향적인 스마트한 의사결정을 내릴 수 있습니다. 이는 경쟁이 치열한 시장에서 무시할 수 없는 이점입니다.
예측 분석의 예
예측 분석은 금융 서비스에서 항공우주에 이르기까지 거의 모든 산업에 적용할 수 있으며 가치가 있습니다. 예측 모델은 재고 예측, 리소스 관리, 티켓 가격 책정, 설비 유지보수 관리, 신용 리스크 모델 개발 등에 사용됩니다. 기업은 예측 모델을 통해 리스크를 줄이고 운영을 최적화하며 매출을 높일 수 있습니다.
HR의 예측 분석
HR은 대량의 인력 데이터를 자연스럽게 추적하는 분야입니다. 예측 분석으로 데이터를 분석해 채용 후보자가 문화적으로 적합한지, 어떤 직원이 퇴사할 위험이 있는지(아래 참조), 회사가 기술 격차를 해소하기 위해 직원에게 직무기술을 가르쳐야 할지 또는 채용해야 하는지, 직원이 비즈니스 성과에 생산적으로 기여하는지를 판단할 수 있습니다. 이러한 기능을 통해 HR은 고립된 직무 수행을 넘어 전반적인 비즈니스 성과에 기여할 수 있습니다.
Predictive analytics in HR can be used to predict employee churn.
의료 분야의 예측 분석
현재와 같은 환경에서 병원과 의료 조직은 리소스를 최대한 활용해야 한다는 엄청난 압박을 받고 있습니다. 예측 분석은 이를 가능하게 합니다. 의료 담당자는 예측 분석을 사용해 재무 및 운영 의사결정을 개선하고 재고 및 인력 수준을 최적화하며 공급망을 더 효율적으로 관리하고 의료 장비에 대한 유지보수 요구사항을 예측할 수 있습니다. 또한 예측 분석을 통해 환자의 증상이 악화될 조짐을 조기에 감지하고 재입원 위험이 있는 환자를 파악하며 환자 진단과 치료의 정확도를 개선함으로써 임상 결과를 개선할 수 있습니다.
소매유통 분야의 예측 분석
유통업체는 온라인(예: 쿠키를 통한 온라인 활동 추적)과 현실 세계(예: 고객의 매장 이동 동선 모니터링) 양쪽에서 방대한 양의 고객 정보를 수집합니다. 추적하는 기타 정보에는 판매시점의 고객 연락처 세부 정보, 소셜 미디어 활동, 구매 항목, 특정 품목 구매 빈도 혹은 매장 방문 빈도가 포함됩니다. 소매업체는 예측 분석을 사용해 재고 최적화와 매출 예측부터 행동 분석, 쇼핑객 타겟팅, 부정 행위 감지에 이르는 모든 부분에서 데이터를 활용할 수 있습니다.
마케팅 분야의 예측 분석
예측 분석으로 생성된 모델은 거의 모든 온라인에서 고객이 원하는 것을 원할 때 주문할 수 있는 환경 안에서 마케터가 대상이 더 분명하고 효과적인 캠페인을 펼치는 데 있어 매우 유용합니다. 예측 마케팅 분석은 데이터 중심의 고객 및 잠재 고객 세분화, 신규 고객 확보, 영업 기회 평가, 콘텐츠 및 광고 추천, 초개인화를 주도합니다. 마케터는 고객 데이터를 사용해 고객에게 프로모션, 광고 캠페인, 고객이 좋아할 것 같은 기타 제품 제안 등을 적시에 제공해 고객 경험과 유지율을 개선할 수 있습니다.
공급망의 예측 분석
예측 분석은 민첩하고 탄력적인 공급망 운영과 문제 발생 방지에 필수적인 요소로 자리합니다. 예측 분석은 다양한 출처에서 발생한 방대한 데이터 세트를 분석해 정확한 공급 및 수요 예측, 최적의 재고 수준 결정, 물류 및 정시 배송 수준 개선, 장비 유지보수 문제 예측, 예기치 않은 조건 감지 및 조정 등의 작업을 수행합니다.
예측 분석 프로세스의 기본 단계
예측 분석 프로세스에는 목표나 목적을 정의하고 막대한 양의 데이터를 수집 및 정리한 후 정교한 예측 알고리즘 및 기법을 사용하여 예측 모델을 구축하는 작업이 포함됩니다. 이처럼 복잡한 기존 프로세스는 새로운 AI 기술 덕분에 더 자동화되고 평균적인 비즈니스 사용자도 더 쉽게 액세스할 수 있게 되었습니다. 그러나 기업은 특정 단계를 지원하거나 특정 모델을 구축하는 데 있어 여전히 IT 부서의 도움이 필요할 수 있습니다.
간단히 말하자면 예측 분석 프로세스의 단계는 다음과 같습니다.
The steps in the predictive analytics process.
- 프로젝트의 목표를 정의합니다. 어떠한 결과를 원하나? 해결하고자 하는 문제는 무엇인가? 첫 번째 단계는 프로젝트의 목표, 결과, 범위, 필요한 데이터를 정의하는 일입니다.
- 데이터를 수집합니다. 필요한 모든 데이터를 한곳에 모읍니다. 보다 심층적인 결과를 얻을 수 있도록 트랜잭션 시스템, 센서, 콜센터 로그를 비롯한 다양한 출처에서 제공하는 다양한 유형의 현재 및 이력 데이터를 포함합니다.
- 데이터를 정리하고 준비합니다. 데이터를 정리, 준비, 통합해 분석할 수 있도록 준비합니다. 예측 데이터 세트의 품질을 높이기 위해 특이값을 제거하고 누락된 정보가 있는지 확인합니다.
- 모델을 구축하고 테스트합니다. 예측 모델을 구축하고, 데이터 세트에서 훈련한 후 정확도를 보장하기 위해 테스트합니다. 오류 없는 모델을 만들기 위해서는 여러 번 반복해야 할 수 있습니다.
- 모델을 배포합니다. 예측 모델을 배포하고 새로운 데이터에서 작동하도록 합니다. 결과와 리포트를 받고 결과에 따라 의사결정을 자동화합니다.
- 모델을 모니터링하고 세부 조정합니다. 모델을 정기적으로 모니터링해 성능을 검토하고 예상 결과를 제공하고 있는지 확인합니다. 필요한 경우 모델을 세부 조정하고 최적화합니다.
SAP Insights 뉴스레터