์ฌ์ ๋ฆฌ๋
๋น์ ํ ๋ฐ์ดํฐ๊ฐ ๊ธฐ์ AI ์ฑํ์ ๋ฐฉํดํ๊ณ ์๋ค – ๊ธฐ์ ์ด ์ด๋ป๊ฒ ๋ฐ์ดํฐ๋ฅผ ์ ๋ฆฌํ ์ ์๋๊ฐ
헬스 스타트업들은 불분명한 규제들이 AI 혁신을 억제하고 있다고 말하고 있다. 물론, 이러한 예방 조치는 의료 산업에서 필수적이며, 이는 실제로 생명과 죽음의 문제이다. 그러나 더 이해하기 어려운 것은 느린 AI 채택이 기업 SaaS 전반에 걸쳐 나타나고 있다는 것이다 – 이는 다른 산업과 달리 규제로 인해 억제되지 않는 영역이다.
그러면 기업이 프로세스를 최적화하고 스트림라인하기 위해 AI를 채택하지 못하는 이유는 무엇일까? 주요 원인은 기업이 성장하고 새로운 도구와 제품을 추가함에 따라 축적되는 비정형 데이터이다. 이 기사에서는 비정형 데이터가 기업에서 AI 혁신을 방해하는 요인으로 작용하는 방법과 해결책을探구한다.
데이터 정글에 오신 것을 환영합니다
먼저, 현대적인 비즈니스에서 흔히 직면하는 데이터 도전을 살펴보자. 처음에, 비즈니스가 제한된 제품을 제공할 때, 일반적으로 단일 시스템 내에 정리된 수익 데이터를 가지고 있다. 그러나 비즈니스가 제품을 확장하고 다양한 수익 모델을 채택함에 따라 상황은 빠르게 복잡해진다.
예를 들어, 비즈니스가 처음에 일회성 구매 모델을 사용할 수 있지만, 나중에 구독이나 소비 기반 가격 책정과 같은 추가 옵션을 도입한다. 비즈니스가 확장됨에 따라, 판매 채널도 다양화할 가능성이 있다. 100% 제품 주도형 셀프 서비스 판매에서 시작한 회사일 수 있지만, 시간이 지남에 따라 업셀링, 크로스 셀링, 더 큰 고객을 유치하기 위해 판매 팀의 도움이 필요할 수 있다.
급성장 단계에서, 많은 비즈니스가 새로운 판매 시스템을 기존 시스템에 단순히 쌓아가는 경향이 있다. 각기 다른 동작, 가격 모델, 구매 프로세스 등에 대해 다른 SaaS 도구를 구입한다. 마케팅 부서만 20개의 다른 SaaS 도구와 20개의 다른 데이터 실로를 가지고 있는 경우는 드문 일이 아니다.
따라서, 비즈니스는 일반적으로 정리된 통합 데이터에서 시작하지만, 성장은 데이터를 빠르게 제어할 수 없게 만든다. 이는 종종 비즈니스가 이 문제를 인식하기도 전에 발생한다. 데이터는 청구, 충족, 고객 성공, 기타 시스템 사이에서 분리되어, 비즈니스가 내부 작동에 대한 전역 가시성을 잃는다. 그리고 불행히도, 데이터를 수동으로 조정하는 것은 इतन으로 노동 집약적이고 시간 소요가 크기 때문에, 통찰력이 사용할 수 있게 되기 전에 구식이 될 수 있다.
AI는 당신의 비정형 데이터를 해결해주지 않는다
몇몇 잠재 고객은 우리에게 “잘, AI가这么伟大한데, 왜 우리의 비정형 데이터 문제를 해결해주지 못하는가?”라고 물었다. 아쉽게도, AI 모델은 이 데이터 문제의 해결책이 아니다.
현재 AI 모델은 제대로 작동하기 위해 정리된 데이터 세트가 필요하다. 다양한 판매 동작, SaaS 플랫폼, 수익 프로세스를 사용하는 회사는 필연적으로 이질적이고 단편적인 데이터 세트를 축적한다. 비즈니스의 수익 데이터가 서로 통신할 수 없는 호환되지 않는 시스템에 산재해 있을 때, AI는 이를 이해할 수 없다. 예를 들어, 한 시스템에서 “제품”으로 표시된 것이 다른 시스템에서 “제품”으로 표시된 것과 매우 다를 수 있다. 이러한 미묘한 의미 차이는 AI가 식별하기 어렵고, 필연적으로 부정확성을 초래할 것이다.
데이터는 제대로 정리되고, 맥락화되고, 통합되어야 그 후에 AI가 등장한다. 데이터 웨어하우스가 일괄적인 해결책을 제공한다는 오랜誤解이 있다. 실제로, 데이터 웨어하우스를 사용하더라도, 데이터는 여전히 수동으로 정제되고, 레이블이 지정되고, 맥락화되어야 비즈니스가 이를 의미 있는 분석을 생산하기 위해 사용할 수 있다. 따라서, 데이터 웨어하우스와 AI 사이에는 비즈니스가 비정형 데이터의 근본적인 문제를 해결하기 전에 두 도구의 이점을 누릴 수 없다는 점에서 유사성이 있다.
데이터가 맥락화된 경우에도, AI 시스템은 아직 적어도 3%의 경우에幻觉을 일으키는 것으로 추정된다. 그러나 회사의 재무 상태 – 여기서 даже 소수점 자릿수가 잘못되어 여러 프로세스를混乱하게 할 수 있다 -는 100%의 정확성이 필요하다. 이는 인간의 개입이 여전히 데이터 정확성과 일관성을 검증하기 위해 필수적임을 의미한다. AI를 조기에 통합하면, 이러한幻觉을 교정하기 위해 추가 시간과 자원을 할당해야 하는 인간 분석가에게 더 많은 작업을 tạo출할 수 있다.
데이터의 딜레마
그럼에도 불구하고, SaaS 솔루션의 확산과 그 결과로 발생하는 비정형 데이터에는 여러 해결책이 있다.
첫째, 회사는 기술 스택을 정기적으로 평가하여 각 도구가 비즈니스 프로세스에 엄격히 필요한지, 아니면 단지 데이터를 복잡하게 만들고 있는지 확인해야 한다. 10개 또는 20개 이상의 도구를 사용하고 있을 수 있다. 만약 그것들이真正로 부서와 전체 비즈니스에 가치를 제공한다면, 그것들을 제거하지 마라. 그러나 비정형이고 분리된 데이터가 프로세스와 지능 수집을 방해한다면, 그것의 이점을 가중하고, 통합된 솔루션으로 전환하여 모든 데이터가 동일한 도구와 언어에 저장되는지 확인해야 한다.
이 시점에서, 비즈니스는 소프트웨어를 선택할 때 딜레마에 직면한다. 일괄 도구는 데이터 일관성을 제공할 수 있지만, 특정 영역에서 정밀도를 낮출 수 있다. 중간 지점은 비즈니스가 유니버설 객체 모델을 제공하는 소프트웨어를 찾는 것이다. 이는 유연하고, 적응 가능하며, 일반적인 생태계와 無缝하게 통합된다. 예를 들어, Atlassian의 Jira는 프로젝트 관리 도구로, 이해하기 쉬우며, 매우 확장 가능한 객체 모델을 운영한다. 이는 다양한 유형의 프로젝트 관리, 포함하여 애자일 소프트웨어 개발, IT/헬프데스크, 마케팅, 교육 등을 쉽게 적응할 수 있다.
이 트레이드오프를 탐색하기 위해, 가장 중요한 지표를 매핑하고 거기서부터 작업하는 것이 중요하다. 회사의 북극성을 식별하고 시스템을 그것에 맞춰 조정하면, 데이터 인프라를 구축하여 필요한 통찰력을 제공할 수 있다. 단순히 운영 워크플로우 또는 사용자 편의성에만 집중하는 대신, 시스템이 전략적 의사 결정에 필수적인 지표에 기여하는지 여부를 고려한다.
궁극적으로, 데이터 메스를 풀기 위해 시간과 자원을 투자하는 회사가真正로 AI의 잠재력을 해방할 것이다.
