많은 효과적인 비즈니스 강좌에서 능동적이고 전략적인 태도의 이점을 강조합니다. 오늘날과 같이 경쟁이 치열한 환경에서는 모든 혁신적인 변화와 일시적인 차질에 대응하는 것만으로는 충분하지 않습니다. 대신 조직은 결과를 예측하고, 기회를 활용하고, 손실을 예방하는 등 선견지명이 있어야 합니다. 데이터 볼륨 증가와 사용하기 쉬운 소프트웨어 덕분에 그 어느 때보다도 예측적 분석에 대한 접근성이 높아져, 조직이 더욱 선제적으로 대응하고 수익을 늘릴 수 있습니다.
일반적인 예측적 분석 기법으로는 어떤 기법이 있을까요?
예측적 분석의 잠재적 응용 분야는 광범위하며, 그 결과로 얻는 인사이트를 뒷받침하는 데 사용되는 모델 유형 또한 광범위합니다. 조직에 가장 적합한 예측적 분석 기법의 유형을 결정하려면 먼저 명확하게 정의된 목표부터 설정해야 합니다. 해답을 찾고 싶은 질문이 무엇인지 알게 되면 자신에게 가장 적합한 모델을 선택할 수 있습니다. 예측적 분석 모델은 다음과 같이 크게 4가지 유형으로 분류할 수 있습니다.
회귀 모델
회귀 모델은 변수 간 관계의 강도를 추정합니다. 이 모델은 동작(독립 변수)이 결과(종속 변수)에 미치는 영향을 추적하고, 그 정보를 사용하여 미래에 미칠 영향을 예측합니다. 이러한 통계 모델은 독립 변수와 종속 변수가 1개씩 있는 단순한 모델이거나, 독립 변수가 2개 이상인 다중 선형 회귀 모델일 수 있습니다. 다양한 회귀 분석 기법이 존재하며 응용 분야와 관련 변수의 유형에 따라 알맞은 기법을 사용할 수 있습니다. 조직에서는 변수 간의 관계를 정의함으로써 흔히 '가정(what-if) 분석'이라고 부르는 시나리오 분석을 수행하여 새로운 독립 변수를 고려하고 이러한 독립 변수가 결과에 미치는 영향을 알아볼 수 있습니다.
조직에서는 회귀 모델을 사용하여 제품 품질이 구매 가능성에 미치는 영향을 확인할 수 있습니다. 제품 색상과 구매 가능성 사이의 관계를 분석하여 파란색 셔츠와 판매량 증가 사이의 상관 관계가 알 수도 있습니다. 상관 관계가 인과 관계와 같은 것은 아니므로, 조직에서는 규모, 계절성 또는 제품 배치와 같은 다른 요인이 구매 가능성에 미치는 영향을 살펴볼 수도 있습니다. 이러한 인사이트를 활용하여 마케팅 활동이나 제품 개발을 지원하고, 앞으로 좋은 성과를 낼 수 있는 제품을 판단할 수 있습니다.
분류 모델
분류 모델은 과거 지식을 기반으로 데이터를 여러 범주로 분류합니다. 분류는 각 데이터 항목에 레이블이 이미 지정된 학습 데이터 집합에서 시작됩니다. 분류 알고리즘은 데이터와 레이블 간의 상관 관계를 학습하고 새로운 데이터를 범주에 따라 분류합니다. 널리 사용되는 분류 모델 기법으로는 의사 결정 트리, 랜덤 포레스트, 텍스트 분석 등이 있습니다. 분류 모델은 새로운 데이터로 손쉽게 다시 학습시킬 수 있어 많은 산업 분야에서 사용됩니다. 은행에서는 분류 모델을 사용하여 사기 거래를 식별하는 경우가 많습니다. 알고리즘을 통해 수백만 건의 이전 거래를 분석하여 미래의 사기 거래가 어떤 양태를 띨 수 있을지 학습하고 고객 계정에서 이루어지는 활동이 의심스러워 보일 경우 고객에게 알림을 보낼 수 있습니다.
클러스터링 모델
클러스터링 모델은 유사한 특성을 기준으로 데이터를 여러 그룹으로 나눕니다. 클러스터링 모델은 각 항목을 관련성 있는 특징과 연결하는 데이터 행렬을 사용합니다. 클러스터링 모델의 알고리즘은 이 행렬을 사용하여 동일한 특징을 가진 항목을 함께 묶어, 이전에는 데이터 속에 숨겨져 있었을지도 모르는 패턴을 식별합니다. 조직에서는 클러스터링 모델을 사용하여 고객을 그룹으로 분류하고 더욱 개인화된 타겟팅 전략을 수립할 수 있습니다. 레스토랑을 예로 들면, 위치를 기준으로 고객을 클러스터로 묶고 새로 문을 연 레스토랑에서 자동차 탑승 거리로 일정 거리 이내에 거주하는 고객에게만 전단지를 발송할 수 있습니다.
시계열 모델
시계열 모델은 시간에 관해 데이터 요소를 캡처합니다. 전 세계 데이터 중 많은 비중의 데이터를 시계열로 모델링할 수 있으므로, 시간은 예측적 분석에서 사용되는 가장 일반적인 독립 변수 중 하나입니다. 일반적인 모델은 지난 1년간의 데이터를 사용하여 어떤 메트릭를 분석한 다음 향후 몇 주 동안 그 메트릭이 어떻게 변할지 예측할 수 있습니다. 조직에서는 Tableau의 고급 분석 도구를 사용하여 시간과 노력을 허비하지 않고 여러 시나리오를 예측하고 탐색할 수 있습니다. 시간은 공통 변수이므로, 조직에서는 다양한 용도로 시계열 분석을 사용합니다. 자산이 연중 특정 시기에 어떤 영향을 받는지 예측하는 계절성 분석이나 시간 경과에 따른 자산의 변동을 확인하는 추세 분석에 이 모델을 사용할 수 있습니다. 실제 응용 사례로 다음 분기 매출 예측, 매장 방문객 수 예측, 심지어 사람들이 독감에 걸릴 가능성이 가장 높은 시기 파악 등이 있습니다.
기타 예측적 분석 기법
데이터 마이닝을 통해 인사이트와 기회를 파악할 목적으로 이러한 모델을 조합하여 사용하는 경우가 많습니다. 예를 들어, 신경망은 인간의 뇌를 모방하고 데이터 내에 숨겨진 패턴을 식별하도록 설계된 알고리즘 집합입니다. 신경망은 회귀, 분류, 클러스터링 및 시계열 모델을 조합하여 사용하므로 빅 데이터를 처리하고 극히 복잡한 관계도 모델링할 수 있습니다. 사실, 신경망은 텍스트 데이터뿐만 아니라 더 다양한 종류의 데이터도 처리할 수 있습니다. 딥 러닝 기법을 사용하여 이미지, 오디오, 동영상 등을 입력할 수도 있고, 레이블이 지정된 데이터 집합을 바탕으로 학습하면 이러한 신경망의 정확도를 높일 수도 있습니다. 이러한 딥 러닝 기법은 현재 음성 및 안면 인식 소프트웨어에 사용되고 있으며, 신경망은 얼굴의 움직임을 분석하여 사람의 기질을 파악할 수 있습니다. 기업에서는 이와 같은 정보를 활용하여 고객이 특정 제품이나 서비스를 사용할 때 느끼게 될 감정을 예측할 수 있습니다.
데이터를 사용해 아름다운 비주얼리제이션을 만들어 보세요.
예측적 분석이 중요한 이유는 무엇일까요?
조직에서는 예측적 분석을 사용하여 비즈니스 방식을 더욱 선제적으로 조정하고, 추세를 감지하여 정보에 기반한 의사 결정을 유도할 수 있습니다. 위에서 설명한 예측적 모델을 사용하면 예측을 통해 추가적인 인사이트를 얻을 수 있으므로 조직이 더 이상 경험에 따른 추측에 기댈 필요가 없습니다. 예측적 분석의 이점은 업종별로 다르지만, 예측을 수행하는 일반적인 이유는 다음과 같습니다.
- 이익률 개선. 재고 예측, 가격 전략 수립, 고객 수 예측, 심지어 매출 극대화를 위한 매장 레이아웃 구성에도 예측적 분석을 활용할 수 있습니다.
- 마케팅 캠페인 최적화. 기업에서는 예측적 분석으로 새로운 고객 인사이트를 발굴하고 입력값을 기반으로 행동을 예측하여 맞춤형 마케팅 전략을 수립하고, 가치 있는 고객을 유지하며, 교차 판매 기회를 활용할 수 있습니다.
- 위험 축소. 예측적 분석으로 사기 거래, 기업 스파이 행위, 사이버 공격 등 정상적이지 않은 활동을 감지하여 대응 시간과 부정적인 결과를 줄일 수 있습니다.
예측적 분석 도구를 사용하려면 어떻게 시작해야 할까요?
예측 모델의 종류와 잠재적 응용 분야가 너무 많아 어디서부터 시작해야 할지 어렵게 느껴질 수 있습니다. 조직에서 예측적 분석 관행을 구현하기 위한 4가지 일반적인 단계를 따르십시오.
- 비즈니스 목표를 식별합니다. 다른 무엇보다도 먼저 할 일은 예측적 분석을 통해 해답을 얻으려는 질문을 명확하게 정의하는 것입니다. 질의 사항의 목록을 만들고 조직에 가장 의미 있는 질문을 우선순위에 따라 정리합니다.
- 데이터 집합을 결정합니다. 명확한 목표 목록을 작성했으면 묻고 싶은 질문에 대한 해답을 찾는 데 사용할 수 있는 데이터가 있는지 확인합니다. 데이터 집합이 예측 모델링에 적합하고 완전하며 충분히 큰지 확인합니다.
- 인사이트를 공유하고 활용하기 위한 프로세스를 만듭니다. 기회나 위협을 제때 잘 찾아내더라도 그러한 발견에 따라 적절한 조치를 취할 수 있는 프로세스가 마련되어 있지 않다면 무용지물입니다. 가치 있는 예측 정보가 적임자에게 올바로 전달되도록 적절한 커뮤니케이션 채널을 확보합니다.
- 올바른 소프트웨어 솔루션을 선택합니다. 조직에는 믿고 쓸 수 있는 플랫폼과 모든 기술 수준의 구성원이 데이터에 대해 더욱 심층적인 질문을 할 수 있도록 지원하는 도구가 필요합니다. Tableau의 고급 분석 도구는 시계열 분석을 지원하므로, 시각적 분석 인터페이스 내에서 예측 기능과 같은 예측적 분석을 실행할 수 있습니다.
이러한 예측적 분석 사례, 방법, 첫 단계를 활용하여 데이터 예측으로 정보에 기반한 의사 결정을 내릴 준비가 되어 있고 그럴 의지도 있는 미래 지향적인 조직을 만드십시오.