지난 글에서는 분석 모델을 배포하기까지 많은 시간이 소요되는 이유, 이를 극복하기 위한 방법으로서 운영계에 적용하는 ModelOps의 개념과 효과를 소개해드렸습니다. 하지만 통상적으로 기업의 의사결정이 분석의 결과만으로 이뤄지지는 않습니다. 분석 인사이트를 기반으로 하되 기업에서 설정한 비즈니스 룰을 확인해야 하며, 기업 안팎의 상황에 대한 검토도 필요합니다.

금융권을 예로 들면, 고객의 신용대출 요청에 따른 대출 가능 여부와 대출 한도는 전형적으로 분석 기법에 의존하여 의사결정을 내리는 영역입니다. 하지만 단순히 모델에서 도출된 스코어 값만으로 고객의 신용대출 한도를 결정하지는 않습니다. 해당 고객의 신용도를 파악하기 위해 신용평가사의 자료를 실시간으로 조회하기도 하며, 현재 해당 기업의 여신 잔고를 확인하기도 합니다. 또한 기업별로 주 단위 또는 월 단위로 관리되는 대출 정책도 고려해야 합니다. 물론 해당 고객의 연체 가망력 등 리스크 스코어를 산출하여 최종 대출 한도가 정해집니다.

실시간 의사결정에 필요한 기능 요소는 다음과 같습니다.

• 모델 관리(ModelOps)
• 모델 개발 및 등록, 성능 모니터링, 학습 프로세스 등 전체적인 모델 라이프사이클 관리
• 챔피언/챌린지 모델 선정, 최적의 모델이 수행되도록 관리
• 비즈니스 룰 관리
• 기업에서 사용하는 다양한 비즈니스 룰 관리 및 실시간 호출
  (일반적으로 IF-THEN-ELSE 구조로 관리)

• 필요에 따른 실시간 데이터 조회
• 외부 시스템과 실시간 인터페이스
• 필요한 내·외부 데이터 실시간 조회
• Open API로 지원되는 외부 데이터 조회 및 시스템 연계
• 유연한 시스템 통합
• 모바일 채널 등 실시간 의사결정이 필요한 시스템에서 간편한 호출
• 요청/응답식(Request/Response) 인터페이스 또는 메시지 큐 방식의 인터페이스

데이터를 준비하고, 모델을 개발 및 배포하고, 모니터링하는 ModelOps 프로세스 기반의 실시간 의사결정 구조를 도식화하면 아래와 같습니다. 분석가가 도출한 분석의 인사이트가 막힘없이 운영계에 배포되고, 이 분석 모델을 반영한 의사결정 결과가 바로 전달되고, 해당 결과가 그대로 분석 및 시스템 개선에 활용되는 프로세스가 바로, Operationalizing Analytics의 개념입니다.

기업은 Operationalizing Analytics를 통한 비즈니스 분석으로 혁신의 속도를 빠르게 높일 수 있습니다. Operationalizing Analytics가 기업에 제공하는 가치는 다음과 같습니다.

신속한 모델 배포

모델 및 비즈니스 규칙은대화식 의사결정 시스템으로 바로 배포됩니다. 이는 분석 인사이트가 시스템에 반영되는 시간(time-to-market)을 크게 단축하여 분석 결과가 활용되기도 전에 쓸모 없어지는 것을 방지합니다. 시간이 지나면서 데이터가 변경되면 모델은 관련성과 성능을 유지할 수 있도록 신속히 조정됩니다.

비용 절감

배포 프로세스 자동화로 프로세스 비용이 크게 절감됩니다. 수동으로 코딩하지 않고도 모델을 수정하고 실행할 수 있으므로 수작업으로 인한 오류도 감소됩니다. 데이터, 모델, 비즈니스 룰과 관련된 모든 프로세스 단계가 투명하게 문서로 정리되고, 프로세스 수행이 중앙에서 관리됩니다. 이로 인해 오류를 줄이고 수작업에 대한 의존도를 낮춰 결과적으로, 전체 IT 비용을 크게 감소합니다.

모델 정확도 향상

가장 효과적인 모델은 가장 최근에 생성한 모델입니다. 배포와 모델링 적용 시간이 빨라지면 모델의 정확도가 높아집니다. 또한 보고서 자동생성 기능 등이 포함된 모델 모니터링을 통해 재학습 및 모델 개선의 필요를 조기에 감지할 수 있습니다. 자동 재학습, 성능 임계치 자동 알림으로 모델의 지속 가능성을 높이고, 더 나은 결정을 내릴 수 있습니다.

더 나은 분석 효과

분석과 비즈니스 규칙을 모두 이용한 의사결정 구조 덕분에, 최신 비즈니스 요구 사항이 적용되는 복잡한 의사결정 흐름을 설계하고 실행할 수 있습니다. 실시간 데이터(data-in-motion)와 배치성 데이터(data-at-rest) 모두에 적용할 수 있으므로, 분석 애플리케이션에 유연성을 더합니다.

향상된 거버넌스 및 의사 결정 프로세스 제어 능력

주어진 시점에서 어떤 규칙과 데이터, 모델 버전으로 어떤 결정이 내려졌는지 추적할 수 있습니다. 이를 통해 자동 의사결정에 대한 의사결정 거버넌스를 적용할 수 있습니다.

SAS의 해법, SAS Intelligent Decisioning

간편한 분석 모델 구현

정보 액세스 및 관리, 분석 모델 선정, 실제 운영 등에 따라 상황을 설정하는 비즈니스 규칙 정의 방법을 일원화할 수 있습니다.

실시간 분석 기술

고객과 소통하는 동안이나 업무상 필요할 때 실시간 분석 기술과 비즈니스 규칙을 이력 데이터에 적용하여 분석 정보와 최선의 권고안을 확보할 수 있습니다.

신속한 의사결정 프로세스 구현 및 관리

수시로 바뀌는 의사결정과 고객 역학에 신속히 대응할 수 있습니다. 사용하기 쉬운 관리 콘솔에서 드래그 앤 드롭 방식으로 노드를 재사용하여 복잡한 의사결정 다이어그램을 작성하고, 프로세스에 데이터 소스와 분석 기술을 연결할 수 있습니다.

일관적인 의사결정 프로세스 수립 및 배포 환경

전체 의사결정 프로세스를 간편하게 검증할 수 있습니다. IT 부서와 일선 부서가 공유하는 환경에서 완벽한 버전 관리로 문서화 체계, 테스트 추적성 등에 대한 연속성을 유지할 수 있습니다.

사용자 친화적인 인터페이스

사전에 정의한 작업을 즉시 재사용하고, 기존 리포지토리에서 데이터와 모델을 선택하며 유연한 프로세싱 제어 로직을 공유함으로써 의사결정 프로세스를 직관적으로 설계할 수 있습니다.

SAS의 머신 러닝 기능과 통합

자동 등록 방식을 사용하여 모델 개발 프로세스를 통합합니다. 비즈니스 규칙 정의나 배포와 같은 일반적인 수작업 시간이 단축됩니다. 모델 리포지토리를 일원화하여 중앙 집중식으로 손쉽게 모델을 관리하고 모니터링할 수 있습니다.

더욱 자세한 사항은 웹사이트를 참조하시기 바랍니다.

Operationalizing Analytics 사례 : 온라인 대출 자동 심사

온라인 주택담보 대출 자동화 시스템은 이용하려는 고객에게는 매우 단순한 UI로 보이지만, 내부적으로는 정교하고 다양한 AI/ML 모델, 유관 부서 간의 비즈니스 룰이 복합적으로 연계된 의사결정 자동화 시스템입니다. 의사결정 프로세스를 주관하는 SAS Intelligent Decisioning은 SAS 및 오픈소스 AI/ML모델, 대출 및 고객의 조건, 테이블 룩업, 커스터마이징된 SAS 및 오픈소스 코드 등을 활용합니다.

소개해드리는 사례는 SAS Model Manager에 로드된 AI/ML 모델이 대출 승인여부 및 금액을 산출하며, 커스터마이징 된 파이썬 코드를 수행하여 고객에게 이메일을 전송합니다. 웹/앱과의 연계는 Rest API를 통해 시스템 간 인터페이스를 통합합니다. 사용하는 AI/ML 모델은 워크플로를 통해 셀프 러닝 프로세스를 수행하여 지속적으로 연체 가능성을 낮출 수 있습니다.

 

글로벌 고객 사례: 고객행동 분석 및 판매, 부품 유지보수 예측

이미 많은 글로벌 기업에서 Operationalizing Analtyics 시스템을 도입하여 실제적인 성과를 거두고 있습니다. 노르웨이의 대형 통신사인 텔레노어 노르웨이(Telenor Norway)는 고객의 행동을 수집·분석하고, 개인화 프로세스를 자동화하여 판매를50%까지 높였습니다. 매년 5,000만 개의 개인화된 NBO(Next-Best-Offers, 다음 번 구매를 유도하는 최적의 상품 제안)를 보내고 있으며, 특히 변화에 민감한 젊은 고객군의 이탈율을 8%가량 낮추는 성과를 거뒀습니다. 텔레노어 노르웨이는 SAS의 AI/ML 플랫폼인 Viya 제품과 실시간 의사결정 솔루션인 SAS Intelligent Decisioning을 활용하여 Operationalizing Analtyics 를 구축하였습니다.

더욱 자세한 성과는 웹사이트를 참조하기시 바랍니다.

 

IoT 분야도 Operationalizing Analtyics의 효과를 누릴 수 있는 분야입니다. 덴마크의 록히드 마틴(Lockheed Martin)은 항공기의 부품 고장 시기를 예측하고 사전에 대응하기 위해 SAS의 AI/IoT 기술을 활용하고 있습니다. 항공기 내 600개의 센서에서 수집된 데이터를 스트리밍하여 지능형 진단(Intelligent diagnostics)을 수행합니다. 록히드 마틴은 예측 유지보수 모델을 사용하여 다운 타임을 1,400 시간 줄였으며, 데이터 정리 시간을 95% 단축하여 실제 분석에 더 많은 시간을 할애할 수 있게 됐습니다.

더욱 자세한 성과는 웹사이트를 참조하기시 바랍니다.

 

지금까지 데이터 중심의 의사결정을 위한 마지막 관문인 모델 배포와 최적화, Operationalizing Analytics와 세가지 사례를 소개했습니다. 분석 고도화 시대를 이끌어 가고 있는 우리는 좋은 구슬(Data)을 모으고, 예쁘고 매력적으로 다듬는(Analytics) 데 많은 노력을 기울이고 있습니다. 좋은 구슬을 엮어서 어떤 작품을 만들 것인지(Operationalization)에도 집중해 보시기 바랍니다.

Operationalizing Analytics에 대한 보다 자세한 사항은 SAS 홈페이지 및 관련 자료를 참고하시기 바랍니다.