도전과제 사용할 수 있는 데이터가 많아지고 고급 애널리틱스가 더욱 정교해질수록 관리자는 언제 기계를 신뢰하고 언제 직감을 믿어야 할지 고민하게 된다. 차이점 인간은 직관과 모호성 해결이 필요한 의사 결정에 뛰어나지만 기계는 추론, 세분화, 확장성이 필요한 의사결정에 훨씬 더 뛰어나다.
가이드 필자의 프레임워크는 의사결정의 유형 및 사용 가능한 데이터에 따라 최선의 접근방식, 인간과 기계 사이의 균형을 제시한다. 고급 애널리틱스는 기업이 마케팅, 영업, 공급망 운영과 관련된 문제를 비롯한 다양한 경영 문제들을 해결하도록 하므로 지속가능한 경쟁 우위를 확보하는 데 도움이 될 수 있다. 예를 들어 기업은 개별 고객의 행동과 선호도를 모델링하고 구매자가 지불할 의사가 있는 가격대에 최대한 근접한 맞춤형 제품을 제공한다. 이를 통해 의사결정을 통합하고 전체 가치사슬을 최적화하는 동시에 개별 거래에 대한 서비스 비용을 절감할 수 있다.
사용할 수 있는 데이터가 많아지고 고급 애널리틱스가 더욱 정교해질수록 관리자는 고민에 빠질 수 있다. 비즈니스 분석에 머신러닝을 언제, 어디서, 얼마나 포함해야 하는지에 대해서 말이다. 데이터 기반 의사결정을 내릴 때 개인적인 판단을 어느 정도까지 반영해야 할지에 대한 문제도 있다. 기존의 인간 중심 방식에서 분석 및 의사결정을 자동화로 전환하는 것이 합당한 시기는 언제인가? 어떻게 하면 이 두 가지 사이에서 적절한 균형을 찾을 수 있을까? 모두 관리자가 답해야 할 질문이다.
필자 중 한 명인 파브리치오는 고객이 AI를 사용해 가격 및 공급망 결정을 자동화하고 성과를 최적화할 수 있도록 지원하는 회사를 설립했다. 또 다른 한 명인 다스는 학자로서 마케팅과 영업, 지원 기능 강화를 위한 AI 사용에 초점을 맞춰 현장 사례를 반영한 MBA 과정을 개발했다. 우리는 인간과 기계의 잠재력을 극대화해 최고의 비즈니스 결정을 내릴 수 있는 방법을 찾고자 함께 연구를 시작했다.
일반적으로 직관력과 모호성 해결 능력은 인간이 더 뛰어나지만 추론능력, 세분화 및 확장성 측면에선 기계가 훨씬 뛰어나다. 어떻게 하면 이들 사이에 적절한 균형을 찾을 수 있을까? 애널리틱스에는 일반적으로 3가지 접근법이 있다. 주로 사람이 의사결정을 내리는 설명적descriptive 접근법, 기계가 예상되는 결과를 정하지만 어떤 과정을 따를지는 사람이 선택하는 예측적predictive 접근법, 일반적으로 기계의 자율적 관리를 뜻하는 처방적prescriptive 접근법이다. 이 글에서는 각 접근법을 언제, 어떻게 사용해야 하는지 설명하고 장단점과 한계를 살펴보고자 한다. 여기서는 마케팅과 영업에 초점을 맞추고 있지만 동일한 원칙을 보다 광범위하게 적용할 수 있다.
애널리틱스의 3가지 접근법
각 접근법에서 기계의 역할은 관리자가 비즈니스 상황을 이해하는 데 도움을 주는 도구, 관리자의 의사결정을 지원하는 보조 도구, 관리자의 의무를 덜어주는 의사결정자 등으로 크게 달라진다. 각 접근법을 살펴보자.
