개요
예측 및 규범적 분석은 비즈니스 의사 결정과 관련하여 수반되며 모든 업계의 조직을 위한 강력한 도구를 만들 수 있습니다. 그러나 많은 CEO들이 예측 데이터의 정확성에 회의적인 이유는 무엇일까요? 예측 모델의 정확성에 영향을 미치는 주요 요소에 대해 알아보고 성공적인 규범적 분석을 위해 조직을 설계하세요.
고객이 서비스 구독을 취소할지, 비행기 부품이 고장날 수 있는지, 주가가 상승할 수 있는지 여부를 결정할 때 예측 분석의 잠재력은 모든 산업 분야에서 분명합니다. 그리고 예측 분석이 "어떤 일들이 일어날까요?" 라는 질문에 답을 한다면, 규범적 분석은 프로세스의 다음 단계로 "지금 어떻게 해야 하나요?" 라는 질문에 대답합니다. 두 종류의 모델 모두 비즈니스 의사 결정에서 중요한 역할을 합니다.
그러나 큰 화제를 모았음에도 불구하고 - 또는 어쩌면 그것 때문에 - 엔터프라이즈 리더는 이러한 분석 접근 방식에 회의적일 수 있습니다. 실제로 KPMG의 2018 글로벌 CEO Outlook 보고서에 따르면 조사대상 CEO의 절반 이상이 "기록 데이터에 비해 예측 분석의 정확성에 대한 확신이 부족하다"고 답했습니다. 예측 모델이 선거의 승자 또는 독감의 확산을 정확하게 확인하지 못할 때 공공 영역에서 의문이 제기된 경우 확신을 심어주는 데 도움이 되지 않습니다. 그리고 COVID-19 관련 사망자 및 입원 현황에 대한 예측을 볼 때 이러한 예측에 대한 명확성이 결여되면 대중의 신뢰를 흔들고 공공 정책에 심오한 영향을 미칠 수 있습니다.
정확한 예측 모델에 기여하는 몇 가지 주요 요소가 있으며, 이는 보다 정확한 규범적 분석으로 이어집니다. 그리고 이는 기술적 측면에 국한되지 않고, 실질적으로 귀하의 예측 모델이 성공하도록 보장하는 것은 조직 수준에서 성공하기 위해 설계하는 것의 일부입니다.
조직 준비
Eric Siegel이 설명했듯이, 양적 및 비즈니스 이해 관계자 간의 협업 프로세스를 통해 운영 배포를 계획하는 것은 예측 분석이 작동하도록 보장하는 데 매우 중요합니다. 여기에는 각 프로젝트 초기의 두 가지 주요 단계가 포함됩니다.
1. 비즈니스 목표 수립
기존 운영에 긍정적인 영향을 미치기 위해 예측 모델을 어떻게 통합할 것인가? 예를 들어 고객 이탈 모델은 마케팅 부서에서 고객 유지 캠페인을 보다 효과적으로 기획하는 데 도움이 될 수 있습니다.
2. 특정 예측 목표 정의
이 목표는 #1에서 설명된 비즈니스 목표를 지원하고 비즈니스 이해 관계자로부터 승인을 받기 위한 구체적인 질문이어야 합니다. 예측 질문의 예로는 "적어도 1년 이상 우리와 함께하고 1,500달러 이상의 제품을 구매한 고객 중 향후 3개월 동안 서비스를 취소하고 남은 기간 동안 재가입하지 않을 가능성이 큰 현재 고객은 누구입니까?" 라는 질문이 있습니다.
이러한 단계를 완료한 후 기계 학습 소프트웨어에 대한 교육 데이터를 준비하고 모델을 배포할 수 있습니다. 모델의 예측을 기존 작업에 통합하는 것이 좋습니다. 예를 들어 예측 목표 질문에서 "현재 고객"에 속할 가능성이 가장 높다고 생각하는 상위 5%의 고객을 대상으로 고객 유지 캠페인을 기획할 수 있습니다.
하지만 먼저 올바른 기술 기능을 갖추고 있는지 확인해야 합니다.
기술 준비
1. 다중 장르 분석
다중 장르 분석을 예측 모델링 및 기계 학습 분류에 통합하면 다양한 분석 기법 그룹을 활용하여 비즈니스 결과의 가능성을 파악할 수 있습니다.
예를 들어 고객 이탈 가능성 예측을 시도했다고 가정해 보겠습니다. 데이터 준비, 검색, 탐색, 시각화, 기계 학습 모델 빌드 및 채점, 모델 평가와 관련된 알고리즘 또는 함수를 포함해야 할 수 있으며, 모두 순차적인 워크플로우로 전달되어 통찰력을 제공하고 운영합니다.
2. 단일 프레임워크에 통합된 다양한 분석
예측 모델링은 어렵고 복잡합니다. 특히 분석 기능과 알고리즘을 사용자 환경, 설명서 및 워크플로우로 수동으로 패치해야 하는 경우 어렵고 복잡합니다. 이러한 기능을 한 곳에 통합하고 사용자가 자동으로 함수를 호출할 수 있도록 하면 업무가 훨씬 쉬워지며 인간의 실수 가능성이 줄어듭니다.
3. 확장성
예측 기능은 방대한 양의 데이터를 분석할 뿐만 아니라 비즈니스 요구만큼 빈도가 많은 다중 장르 분석을 반복적으로 구현하는 플랫폼의 이점을 누릴 수 있습니다. 대규모 데이터 집합은 모델의 풍부성을 알리므로 더 나은 예측 및 분류로 이어집니다. 모델 확장성은 또한 데이터 과학자가 필요할 때마다 모델을 수동으로 다시 만들고 운영하는 것을 방지하는 데 중요합니다.
4. 성능
조직에 스트리밍되는 모든 데이터를 유지하려면 데이터 수집과 운영화 간의 지연 시간을 단축할 수 있는 플랫폼이 필요합니다. 매 순간이 중요하며, 기업 전체에서 실시간 데이터에 대한 협업을 장려할 때 특히 중요합니다.
테라다데이터 Vantage와 같은 제품에는 이러한 모든 전선에 제공하는 원활하고 강력한 플랫폼이 있습니다. 이 플랫폼은 다중 장르의 분석 기능을 하나의 인터페이스로 결합하여 엔터프라이즈 전체의 사용자가 추가 코드나 지침을 작성하지 않고도 미리 코딩된 함수를 호출할 수 있도록 합니다. 이를 통해 예측 모델링 프로세스의 속도를 높일 뿐만 아니라 더 많은 단계가 자동화되어 인간의 오류 가능성도 줄어듭니다. 이 플랫폼은 확장성이 뛰어나 사용자가 대량의 데이터에 쉽게 액세스하고 분석할 수 있으며 다양한 복잡성을 가진 여러 모델을 반복적으로 구현할 수 있습니다. 마지막으로 Vantage의 성능은 고객이 비즈니스 결과를 빠르고 안정적으로 제공할 수 있도록 돕는 주요 시장 차별화입니다.