데이터 정리 실패는 기업의 AI 도입을 방해한다 – 기업이 스스로를 정리하는 방법

헬스케어 스타트업들은 불분명한 규제가 AI 혁신을 방해하고 있다고 말합니다. 물론, 의료 분야에서는 생명과 죽음의 문제이기 때문에 이러한 예방 조치는 필요합니다. 그러나 엔터프라이즈 SaaS와 같은 분야에서는 이러한 규제가 존재하지 않기 때문에 AI를 채택하지 않는 것은 이해하기 어렵습니다.

엔터프라이즈가 AI를 채택하지 못하는 이유는 무엇일까요? 가장 큰 이유는 데이터가 정리되지 않아 기업이 성장하고 새로운 도구와 제품을 추가할수록 데이터가 더 복잡해진다는 것입니다. 이 글에서는 데이터가 어떻게 AI 혁신을 방해하는지와 해결 방법을探구해 보겠습니다.

데이터 정글에 오신 것을 환영합니다

첫째, 많은 현대 기업들이 직면하는 일반적인 데이터 문제를 살펴보겠습니다. 초기에 기업은 한정된 제품을 제공하고 단일 시스템에 모든 수익 데이터를 보유하고 있기 때문에 깨끗한 수익 데이터를 가지고 있습니다. 그러나 제품을 확대하고 수익 모델을 다양화하면 데이터가 더 복잡해집니다.

예를 들어, 기업은 초기에 일회성 구매 모델을 사용했지만 나중에 구독이나 사용량 기반 가격 모델을 도입할 수 있습니다. 또한 판매 채널을 다양화할 수 있습니다. 초기에 100% 제품 중심의 셀프 서비스 판매를 사용하는 기업은 나중에 더 큰 고객을 유치하고 크로스 판매 및 업셀링을 위해 판매 팀의 도움이 필요할 수 있습니다.

급성장 단계에서 많은 기업은 새로운 판매 시스템을 기존 시스템에 추가합니다. 각 동작, 가격 모델, 구매 프로세스 등에 대한 별도의 SaaS 도구를 구입합니다. 마케팅 부서만 20개의 다른 SaaS 도구와 20개의 다른 데이터 실로를 보유하고 있는 경우는 드문 일이 아닙니다.

따라서 기업은 초기에 깨끗한 데이터를 시작하지만 성장하면서 데이터가 빠르게 복잡해집니다. 이는 종종 기업이 이를 문제로 인식하기 전에 발생합니다. 데이터는 청구, 이행, 고객 성공 및 기타 시스템 사이에서 분리되어 기업이 내부 작동에 대한 전역 가시성을 잃어버리게 됩니다. 또한 데이터를 수동으로 조정하는 것은 매우 노동 집약적이고 시간이 걸리기 때문에 통찰력이 사용할 수 있을 때까지는 이미 구식이 될 수 있습니다.

AI는 데이터를 정리해주지 않습니다

몇몇 잠재 고객은 우리에게 물었습니다. “AI가 इतन나优秀한데, 데이터 문제를 해결해주지 않을까요?” 그러나 AI 모델은 깨끗한 데이터 세트가 필요합니다. 다양한 판매 동작, SaaS 플랫폼 및 수익 프로세스를 사용하는 기업은 필연적으로 불일치하고 분산된 데이터 세트를 축적합니다. 하나의 시스템에서 “제품”으로 표시된 것이 다른 시스템에서는 완전히 다른 의미일 수 있습니다. 이러한 미묘한 의미 차이는 AI가 식별하기 어렵고 오류로 이어질 수 있습니다.

데이터는 AI를 사용하기 전에 깨끗하게 정리되고, 맥락화되고, 통합되어야 합니다. 데이터 웨어하우스가 모든 문제를 해결하는 万能 해결책이라는 오랜誤解이 있습니다. 그러나 실제로는 데이터 웨어하우스를 사용해도 데이터를 수동으로 정제하고, 레이블을 지정하고, 맥락화해야 합니다. 따라서 데이터 웨어하우스와 AI는 모두 데이터를 정리하기 전에 의미 있는 통찰력을 얻을 수 없습니다.

또한, 데이터가 맥락화된 경우에도 AI 시스템은 적어도 3%의 경우에 데이터를歪曲할 수 있습니다. 그러나 기업의 재무 데이터는 정확성이 100% 있어야 하므로 인간의 개입이 여전히 필수적입니다. 데이터의 정확성과 일관성을 검증하기 위해 시간과 자원을 할당해야 합니다. 또한 AI를 미리 통합하면 인간 분석가가 이러한歪曲을 수정하기 위해 더 많은 시간과 자원을 할당해야 할 수 있습니다.

데이터의 모순

그러나 SaaS 솔루션의 普及과 데이터의 복잡성에도 불구하고, 몇 가지 해결책이 있습니다.

첫째, 기업은 기술 스택을 정기적으로 평가하여 각 도구가 비즈니스 프로세스에 꼭 필요한지 확인해야 합니다. 10개 또는 20개 이상의 도구를 사용하고 있는 경우가 많습니다. 이러한 도구가真正로 부서와 전체 비즈니스에 가치를 제공하는 경우라면 제거하지 마십시오. 그러나 데이터가 혼乱하고 분리되어 프로세스와 통찰력을 방해하는 경우, 데이터의 일관성을 제공하는 통합 솔루션으로 전환하는 것을 고려해야 합니다.

이 경우, 기업은 소프트웨어를 선택할 때 딜레마에 직면합니다. 모든 기능을 포함하는 도구는 데이터의 일관성을 제공할 수 있지만, 특정 영역에서는 정밀도가 떨어질 수 있습니다. 중간 지점은 기업이 유연하고 적응력이 뛰어난 유니버설 오브젝트 모델을 제공하는 소프트웨어를 찾는 것입니다. 예를 들어, 아틀라시안의 지라(Jira)는 쉽게 이해할 수 있고 매우 확장 가능한 오브젝트 모델을 제공하여 다양한 유형의 프로젝트 관리에 쉽게 적응할 수 있습니다.

이 트레이드오프를 해결하기 위해, 가장 중요한 지표를 매핑하고 거기서 작업을 시작해야 합니다. 기업의 북스타를 식별하고 시스템을 그에 맞추면 데이터 인프라를 통해 필요한 통찰력을 얻을 수 있습니다. 단순히 운영 워크플로우나 사용자 편의만 고려하지 말고, 시스템이 전략적 의사 결정에 필수적인 지표에 기여하는지 여부를 고려해야 합니다.

결국, 데이터의 혼란을 해결하고 정리하는 기업이 AI의真正한 잠재력을 최초로 실현할 것입니다.