인공지능에 대한 관심은 날로 높아져가고 있을까요? 한국에서의 인공지능, 머신러닝, 데이터분석에 대한 관심을 구글트렌드로 확인해본 결과 아래와 같았습니다.
보시다시피 2017년부터 5년동안 모든 키워드에 대한 검색은 꾸준히 증가하고 있습니다. 더불어서, 인공지능이라는 상대적으로 일반적인 키워드보다는 비즈니스 산업 적용 방안에 가까운 머신러닝과 데이터분석이라는 키워드가 더욱 비중있게 상승하고 있는 것을 확인할 수 있네요.
최근 Mckensey 설문조사에 따르면 기업 조직의 56%가 적어도 하나 이상의 인공지능 기술을 활용하고 있다고 답변했다고 합니다. 막연히 생각했던 것보다 더욱 높은 수치인데요, 이는 방대한 의미에서의 자동화에서부터, 엄격한 의미에서의 의사결정 지능까지 모두 인공지능 활용 사례로 간주될 수 있기 때문입니다.
그렇다면 각 업무 별로, 어떤 사례가 있는지 확인해봅시다. 인공지능을 자신의 업무에 적용시키기 위해서는 가장 먼저 기존에 적용되었던 사례를 살펴보는 게 가장 쉬운 길이겠죠?
1. 운영 (Operation)
● RPA (로보틱 프로세스 자동화, Robotic Process Automation) : 사용자가 컴퓨터나 단말기를 통해 수행하는 반복 업무를 로봇 소프트웨어가 자동으로 대신 해주는 것을 의미합니다. 예를 들어 은행의 경우 자금 경제를 관리하거나 현금/외환/투자 현황 보고서를 작성하거나 이상탐지 거래를 분석하고 모니터링하는 게 있죠. 제조업의 경우 거래처 정보를 등록하거나 견적을 비교하고, 제조된 물품의 검사 보고서를 자동으로 생성합니다. 또한 상품/고객별 수익성을 분석하는 등 경영 재무에서도 활용될 수 있으며, 인사분야에서도 직원의 입사 절차나 복리후생 등의 업무를 자동 처리해주죠.
● 프로세스 마이닝(Process Mining) : ERP, CRM, MES 등 솔루션에 기록되는 이벤트 로그를 분석하여 업무가 처리되는 프로세스를 한눈에 확인할 수 있도록 이미지 맵으로 생성해줍니다. 업무의 순서가 어떻게 이루어지고 있는지, 업무를 처리하는 과정 중에서 불필요한 과정이 어떤 것이었는지, 실수나 오류로 인한 재작업은 없는지 파악하여 소요 시간과 비용을 절감할 수 있습니다.
● 예측 모델을 통한 유지보수 : 로봇이나 제조 장비 등에서 산출되는 신호와 각종 데이터를 분석하여 고장이 나거나 운영이 중단될 수 있는 가능성을 예측합니다. 어떤 변수가 장비의 고장에 영향이 있는지 판별되면, 적절한 대응책을 마련할 수 있습니다.
● 수요 예측을 통한 재고량, 공급망 최적화 : 머신러닝을 활용하여 향후 상품별 판매량, 적정 출하량을 예측할 수 있으며 이를 통해 불용재고와 폐기물을 감소시킬 수 있습니다. 품목별 최종 판매량을 예측하고 싶을 때에는 지도학습 머신러닝 방법론을 활용할 수 있으며, 시간의 흐름에 따른 날짜별 판매량을 추정하고 싶을 때에는 시계열분석(Time-Series Analysis) 기능을 활용해볼 수 있습니다.
● 자동 셀프 구매 : 소매 회사에서 캐셔 없이 고객이 상품을 구매할 수 있도록 시스템화할 수 있습니다. 이를 캐셔리스(Cashierless) 또는 자동 체크아웃 시스템(Automated checkout system) 이라고도 합니다. 사용자가 기기를 이용해서 구매할 제품을 스캔하고 비용을 지불하는 기술 자체는 마트에서도 이미 흔한 일상이 되었기에 여기에 인공지능이 왜 필요한지 궁금해하실 수 있겠지만, 예를 들어 장바구니에 넣는 즉시 자동으로 요금을 청구해준다거나 관련 상품을 추천해준다든지 등의 다양한 인공지능 기술이 접목될 수 있습니다.
● 자동 인보이스 발행 : 어느 회사이든지 인보이스 발행은 필수적이며, 아직도 많은 회사에서는 수동으로 진행하고 있는 업무입니다. 많은 양의 인보이스를 처리해야 하는 경우 시간과 비용이 낭비되고 실수가 발생하기 마련이죠. 인보이스 발행 절차를 자동화하면 오류를 줄이고 상당한 시간을 절약할 수 있게 됩니다.
2. 마케팅 (Marketing)
비즈니스 인공지능 활용 사례 중에서는 마케팅 캠페인 적용 사례가 항상 대표적으로 꼽히곤 합니다. 마케팅에서의 인공지능 활용은 지속적인 과거 이력의 학습을 통해 적절한 시간과 채널에 적절한 제안과 메세지를 고객에게 전달하는 것을 목적으로 합니다. 인공지능 도구를 활용하여 고객을 더 잘 알게 되고, 더 매력적인 컨텐츠를 만들고, 개인화된 마케팅 전략을 수행할 수 있게 되죠.
● 마케팅 분석 : 인공지능은 과거 마케팅 활동들을 학습하고 분석할 수 있습니다. 고객이 얼마나 참여하였고, 트래픽과 수익이 어느정도 발생하였으며, 그에 영향을 끼치는 요소에는 무엇이 있었는지 추출할 수 있습니다. 결과적으로 기업은 고객에게 보다 더 정확한 마케팅 서비스를 적재적소에 배치할 수 있죠. 또한 고객 분석을 통해 어떤 유형이 충성도와 반응도가 높은지, 어떤 고객이 이탈률이 높은지 분별함으로써 이전 제품과 서비스에 관심을 보인 고객에게 리타게팅을 실행하고 이탈을 방지할 대책을 세우게 합니다.
● 개인화 마케팅 (Personalized Marketing) : 당연한 얘기겠지만 기업이 고객을 잘 이해할 수록 더 나은 서비스를 제공할 수 있겠죠. 인공지능은 이 부분에서 고객에게 개인화된 경험을 제공하도록 돕습니다. 예를 들어 온라인 제품 사이트 방문 후 구매하지 않은 고객이더라도 다시 한번 그 고객에게 해당 상품을 각종 사이트에서 노출시킬 수 있습니다. 뿐만 아니라 개인별로 맞춤형 이메일을 보내거나 그 고객에게 한정된 특가 상품, 취향에 맞는 신제품을 추천할 수 있습니다.
● 컨텍스트 맞춤형 마케팅 (Context-Aware Marketing) : 머신비전과 자연어처리(NLP)를 활용하면 광고가 게재되는 곳의 컨텍스트를 인공지능이 이해할 수 있습니다. 이 경우 마케팅 메세지는 단일화되어있지 않고, 컨텍스트에 따라 자연스럽게 메세지를 변화시킵니다. 마케팅 효율성을 높이는 참신한 방법이라고 할 수 있죠.
3. 영업 (Sales)
● 판매 여부 또는 판매량 예측 : 인공지능은 고객 정보와 과거 판매 이력을 학습하여 앞으로의 판매량을 예측할 수 있습니다. 또한 어떤 고객이 그 상품을 구매할 가능성이 높은지에 대한 정보를 영업사원에게 전달하여, 영업 효율성을 끌어올려주죠.
● 유효 리드 식별 : 상점이나 사이트에 방문한 고객의 프로필과 활동 경로를 인식하여, 영업 진전 가능성이 높은 유효 리드를 식별해줍니다. 영업 담당자는 무분별한 영업보다는 유효 리드를 중심으로 효율적인 영업을 실행할 수 있습니다.
● 판매 데이터 자동 입력 및 분석 : 인공지능이 가미된 CRM을 사용하는 경우 고객 정보를 효율적으로 관리하고 영업에 활용할 수 있습니다. 구매까지 이어지는 고객과의 영업 활동(전화통화, 문자, 이메일, 상점 방문, 미팅 등)이 모두 자동으로 CRM에 동기화되며, 고객들이 어떤 단계에 속해 있는지, 그 단계에서 영업 사원이 취할 수 있는 가장 적절한 대응은 무엇인지 인공지능이 제안해줄 수 있습니다. 예를 들어 전화 통화 횟수와 타이밍이 어떠했을 때에 고객에게 기대했던 행동이 발생했는지, 이메일 주제에 따라 반응률이 달라지는지 분석해서 최적의 영업 전략을 도출해볼 수 있죠.
● 영업 챗봇 (Sales Chatbot) : 일반적으로 처음 상점에 방문하는 고객을 대상으로 챗봇이 질의응답을 대응할 수 있으며, 챗봇으로 적절한 대응이 어렵다고 인식될 경우 자동으로 상담원으로 연결해줄 수 있습니다. 챗봇의 장점은 24시간 활용이 가능하다는 점과, 수많은 고객의 초기 컨택을 효율적으로 처리할 수 있다는 데에 있죠. 또한 앞서 얘기했듯이 고객과의 대화를 통해서 유효리드를 발굴하는 데에도 도움을 줄 수 있습니다.
● 에이전트 코칭 (AI-based agent coaching) : 상담원이 고객과 통화하거나 메세지를 보내는 도중에, 실시간으로 인공지능이 고객의 질문을 인식하여 적절한 대답을 상담원에게 제공합니다. 전문 기술 능력이 부족한 상담원의 경우에도 인공지능의 도움을 받아 전문적인 대답을 제공할 수 있으며, 고객 만족도도 높일 수 있는 고도화된 기술이라고 할 수 있습니다.
● 영업 성과에 대한 보상 : 단순히 클로징을 한 사람에게만 성과를 인정하는 것이 아니라, 단계별로 영업 사원이 거쳐왔던 액션을 면밀히 분석하여 객관적인 보상을 도출할 수 있습니다.
4. 서비스
● 지능형 통화 라우팅 (Intelligent Call Routing) : 고객 별로 대응하기에 적합한 상담원을 자동 배치해줄 수 있습니다. 뿐만 아니라 기존 고객의 구매 패턴과 상담 이력을 참조하여 상담원은 빠르게 고객이 원하는 서비스가 무엇인지 잡아낼 수 있습니다. 만약 통화를 하기 전 고객이 남긴 메세지나 반응 이력이 남아있는 경우, 자연어처리(NLP)를 활용하여 고객 요구의 특성을 미리 분류해낼 수 있고, 적합한 부서에게 전달이 가능합니다. 좀 더 고도화된 기술의 경우 고객의 목소리 톤과 성량, 실시간 고객 음성 처리를 통해 감정을 읽어내어 고객 의도를 더 빠르게 판단할 수도 있습니다.
● 음성 인증 : 지문 인식을 통한 인증과 마찬가지로 비밀번호 없이 고객의 음성만으로 인증이 가능합니다. 비밀번호 분실과 관련된 문제를 줄일 수 있을 뿐더러, 음성 이력을 통해 더욱 만족도 높은 서비스 제공이 가능합니다.
● 고객 서비스 챗봇 : 위에서 얘기했듯이, 상담원과 고객의 통화 내용을 챗봇이 듣고 모범 답안을 전달해줄 수도 있으며, 적절한 상품 제안을 통해 영업 성과를 거둘 수도 있습니다. 학습량이 많아질수록 챗봇 성능도 상승하게 되며, 시간과 공간의 제약을 받지 않으므로 서비스 비용을 절감할 수 있죠. 만약 챗봇이 고객을 적절히 대응하지 못했을 경우, 실패 이력도 함께 학습하여 성능을 지속적으로 업그레이드 할 수 있습니다.
● 설문조사 후 분석 : 기존 설문조사의 컨텐츠와 응답률 이력을 분석하여 적절한 키워드와 문항 수, 배포 방법에 대한 전략을 최적화할 수 있고 결과 보고서를 정리하는 시간도 줄일 수 있습니다. 특히 정량적 데이터 뿐만 아니라 문장으로 구성된 텍스트와 같은 정성적 데이터도 분석이 가능하기 때문에 효율적으로 고객 응답 메세지를 정리할 수 있습니다.
5. 데이터 관련
● 데이터 시각화 : 의사결정을 위해 데이터 분석 결과를 시각화해서 보여줍니다. 간단하게는 상관관계나 각 변수의 히스토그램이 있으며, 패턴 분석 이후 예측 모형을 만드는 경우 변수의 중요도나 영향도, 안정도 등을 그래프로 표현해낼 수 있습니다. 또한 의사결정에 필요한 전략을 시뮬레이션할 때, 어떤 변수를 조정해야 목표했던 타겟 값을 변화시킬 수 있는지 시각화 자료를 통해 쉽게 접근할 수 있습니다.
● 데이터 관리 및 전처리 : 효과적인 데이터 분석을 위해서는 데이터의 품질이 중요합니다. 데이터를 정리하는 인공지능 기술이 있는 경우 정기적으로 데이터의 품질을 검사하여 의미가 없는 데이터를 필터링할 수 있고, 부가적으로 결측치를 보완하거나 양식에 맞지 않은 데이터를 변환하여 의미 있게 활용할 수도 있습니다. 또한 분리되어있는 데이터를 통합하여 관리하거나 머신러닝 활용을 위해 학습 세트, 검증 세트, 테스트 세트로 자동 분리할 수도 있습니다. 머신러닝 모델 성능을 높이기 위해 많이 쓰이는 전처리 기능 중에는 Feature Selection과 Feature Engineering이 있습니다. Feature Selection은 데이터가 보유한 변수가 과도하게 많을 때에 학습 시간을 줄이기 위해 유의미한 변수들만 자동 선별해주는 기능이며, Feature Engineering은 반대로 주어진 변수만으로는 모델 성능이 부족하여 기존 변수를 가공 조합하여 새로운 변수로 만들어주는 기능입니다.
● 합성 데이터 (Synthetic Data) : 합성 데이터는 이름에서 알 수 있듯이 실제로 과거에 발생한 이력에 의해 생성된 데이터가 아니라, 컴퓨터가 인위적으로 생성한 데이터를 말합니다. 실제로 존재하지 않는 사람이지만 과거 존재하는 사람들의 이미지를 합성하여 만들어낸 새로운 사람 이미지가 바로 합성데이터인거죠. 기존 이력을 통해 충분히 패턴을 발견할 수 있고 이를 통해 미래를 예측하는 데에 문제가 없다면 기존 데이터의 활용이 가능하지만, 아직 발생하지 않은 조건을 시뮬레이션해보고 싶다거나 신제품에 대한 테스트를 해보고 싶은 경우 인위적으로 합성 데이터를 생성해볼 수 있습니다. 특히 실제 데이터 중에서 개인정보에 민감하거나 각종 규정에 의해 사용이 제한된 데이터인 경우, 실제 데이터의 중요한 통계적 속성만을 뽑아내어 새로운 데이터로 가공해볼 수도 있습니다.
6. 인사 관련
● 고용 : 고용이야말로 진짜 정밀한 예측이 필요한 분야라고 할 수 있습니다. 과연 어떤 지원자가 회사에 더 많은 기여를 할 수 있을지, 우리 회사의 문화나 가치관에 잘 맞을지, 적절한 연봉을 제시할 수 있을지 등의 시뮬레이션이 필요하죠. 적격한 후보자를 가려내거나, 좀 더 엄밀한 판단을 위해 인공지능이 직접 지원자를 인터뷰할 수도 있습니다. 이 때 인공지능은 지원자의 음성, 표정, 말투, 습관 등을 분석하여 기업이 바라는 인재상에 맞도록 정량적인 데이터를 전달해줍니다.
● 성과관리 : 직원의 동기를 손상시키지 않고 공정하게 직원의 성과를 관리할 수 있습니다. 대시보드를 통해 직원 별 KPI를 쉽게 확인할 수 있을 뿐더러 직원의 업무 프로세스에 따른 실시간 피드백도 전달이 가능합니다.
● HR : 퇴사 가능성이 높은 직원을 미리 예측할 수 있고, 이를 유지할 수 있는 적절한 보상책을 마련하여 직무 만족도를 끌어올릴 수 있습니다. 또한 주기적인 만족도 조사나 변화된 직원의 역량을 인공지능으로 분석하여, 더 적합한 부서를 추천하거나 조직 관리에 활용할 수 있습니다.
● 인공지능 비서 : 이메일 내용을 분석하여 자동으로 회의를 예약하거나, 향후 스케쥴을 캘린더에 자동 반영할 수 있습니다. 모든 직원이 24시간의 비서를 활용할 수 있게 되는 것이죠.
7. 헬스테크
● 환자 데이터 분석 : 인공지능은 환자의 증상을 더욱 객관적으로 진단하고 적절한 조치를 제안할 수 있습니다. 비단 질병 진단 뿐만 아니라 환자의 생활습관에 맞는 최적의 치료 방법을 계획해볼 수 도 있으며, 유전자 프로필을 활용하여 적합한 약물도 추천이 가능합니다.
● 서비스 제공의 우선순위 판단 : 긴급 치료가 필요한 환자의 우선순위를 자동으로 조정하고 실시간으로 대응이 가능하도록 돕습니다.
● 조기 진단 및 처방 : 향후 발생할 가능성이 있는 질병에 대해서 조기에 진단하고 적합한 처방을 내릴 수 있습니다. 유전자 데이터와 환자의 검진 결과, 생활 방식을 기반으로 정확도가 높은 발병 가능성을 확인할 수 있습니다. 이는 특히 산모와 태아의 건강을 지속적으로 모니터링하여 유산 가능성을 낮추고 향후 임신관리 계획에 도움을 줄 수 있습니다.
● 의료 시장 분석과 마케팅 : 각 의약품에 대한 시장 가격을 분석하여 병원의 성과를 높이는 전략에 반영할 수 있습니다. 보험 플랜, 의약품의 적합한 가격, 헬스케어 브랜드의 관리와 마케팅, 타겟 고객의 설정 등 서비스를 최적화할 수 있습니다.
● 의료 챗봇 : 위에서 설명한 챗봇과 마찬가지로 의료쪽에서도 맞춤형 고객 대응을 위해 챗봇을 활용할 수 있습니다. 환자의 예약, 특정 질병이나 규정에 대한 정보 제공, 환자 정보의 자동 입력, 보험에 대한 문의 처리 등을 자동화하여 고객 만족도를 높일 수 있습니다.
8. 금융
● 사기 탐지 : 사기 범죄 행위나 비정상적인 금융 행위를 자동으로 탐지합니다. 일반적으로 머신러닝에서는 과거의 패턴을 토대로 미래를 예측하는 방법론을 지도학습이라고 하는데, 사기 탐지나 이상치 탐지의 경우 비지도학습이라는 방법론을 사용합니다. 즉 별도로 사기 행위라는 타겟을 정의하지 않고도, 특별한 데이터 그룹을 분리시킬 수 있는 방법을 얘기합니다. 사기 행위는 과거와 다른 신종 유형이 언제든지 발생할 수 있기 때문인데요, 이 때문에 인공지능은 정상적인 패턴과는 다르게 새롭게 특이한 데이터가 발생할 경우 사용자에게 경고를 전달할 수 있습니다. 수동으로 데이터를 들여다보면서 사기를 탐지했던 것보다 신속하게 경고를 받아 범죄를 막을 수 있는 장점이 있죠.
● 보험, 인슈어테크 : 보험 상품을 제안할 때 고객이 가입할 가능성과 최적의 가격을 예측해볼 수 있습니다. 또한 보험 가입 이후 해약하거나 실효될 가능성을 미리 예측하여, 보험 설계사가 적절한 대응책을 마련할 수 있도록 도울 수 있죠. 부가적으로 고객에게 최적의 설계사를 매칭해주는 방안으로도 인공지능이 활용됩니다.
● 신용 대출 심사 : 고객의 과거 금융 이력과 비재무정보를 분석하여 대출 상환 여부를 예측할 수 있으며, 이를 심사에 반영하여 적정 대출 금액까지도 제안할 수 있습니다. 부실가능성이 높다고 판단될 경우 대출을 승인하지 않는 경우도 있겠지만, 인공지능을 통해 대출 가능 금액을 조정하거나 금리가 다른 별도의 대출 상품을 추천하는 것도 가능합니다.
● 인공지능 금융 어드바이저 : 금융 챗봇이나 모바일 앱 어시스턴트를 활용하여 개인 금융을 모니터링하고 적정한 재무 관리 방안을 제안할 수 있습니다.
인공지능에 대한 관심은 날로 높아져가고 있을까요? 한국에서의 인공지능, 머신러닝, 데이터분석에 대한 관심을 구글트렌드로 확인해본 결과 아래와 같았습니다.
보시다시피 2017년부터 5년동안 모든 키워드에 대한 검색은 꾸준히 증가하고 있습니다. 더불어서, 인공지능이라는 상대적으로 일반적인 키워드보다는 비즈니스 산업 적용 방안에 가까운 머신러닝과 데이터분석이라는 키워드가 더욱 비중있게 상승하고 있는 것을 확인할 수 있네요.
최근 Mckensey 설문조사에 따르면 기업 조직의 56%가 적어도 하나 이상의 인공지능 기술을 활용하고 있다고 답변했다고 합니다. 막연히 생각했던 것보다 더욱 높은 수치인데요, 이는 방대한 의미에서의 자동화에서부터, 엄격한 의미에서의 의사결정 지능까지 모두 인공지능 활용 사례로 간주될 수 있기 때문입니다.
그렇다면 각 업무 별로, 어떤 사례가 있는지 확인해봅시다. 인공지능을 자신의 업무에 적용시키기 위해서는 가장 먼저 기존에 적용되었던 사례를 살펴보는 게 가장 쉬운 길이겠죠?
1. 운영 (Operation)
● RPA (로보틱 프로세스 자동화, Robotic Process Automation) : 사용자가 컴퓨터나 단말기를 통해 수행하는 반복 업무를 로봇 소프트웨어가 자동으로 대신 해주는 것을 의미합니다. 예를 들어 은행의 경우 자금 경제를 관리하거나 현금/외환/투자 현황 보고서를 작성하거나 이상탐지 거래를 분석하고 모니터링하는 게 있죠. 제조업의 경우 거래처 정보를 등록하거나 견적을 비교하고, 제조된 물품의 검사 보고서를 자동으로 생성합니다. 또한 상품/고객별 수익성을 분석하는 등 경영 재무에서도 활용될 수 있으며, 인사분야에서도 직원의 입사 절차나 복리후생 등의 업무를 자동 처리해주죠.
● 프로세스 마이닝(Process Mining) : ERP, CRM, MES 등 솔루션에 기록되는 이벤트 로그를 분석하여 업무가 처리되는 프로세스를 한눈에 확인할 수 있도록 이미지 맵으로 생성해줍니다. 업무의 순서가 어떻게 이루어지고 있는지, 업무를 처리하는 과정 중에서 불필요한 과정이 어떤 것이었는지, 실수나 오류로 인한 재작업은 없는지 파악하여 소요 시간과 비용을 절감할 수 있습니다.
● 예측 모델을 통한 유지보수 : 로봇이나 제조 장비 등에서 산출되는 신호와 각종 데이터를 분석하여 고장이 나거나 운영이 중단될 수 있는 가능성을 예측합니다. 어떤 변수가 장비의 고장에 영향이 있는지 판별되면, 적절한 대응책을 마련할 수 있습니다.
● 수요 예측을 통한 재고량, 공급망 최적화 : 머신러닝을 활용하여 향후 상품별 판매량, 적정 출하량을 예측할 수 있으며 이를 통해 불용재고와 폐기물을 감소시킬 수 있습니다. 품목별 최종 판매량을 예측하고 싶을 때에는 지도학습 머신러닝 방법론을 활용할 수 있으며, 시간의 흐름에 따른 날짜별 판매량을 추정하고 싶을 때에는 시계열분석(Time-Series Analysis) 기능을 활용해볼 수 있습니다.
● 자동 셀프 구매 : 소매 회사에서 캐셔 없이 고객이 상품을 구매할 수 있도록 시스템화할 수 있습니다. 이를 캐셔리스(Cashierless) 또는 자동 체크아웃 시스템(Automated checkout system) 이라고도 합니다. 사용자가 기기를 이용해서 구매할 제품을 스캔하고 비용을 지불하는 기술 자체는 마트에서도 이미 흔한 일상이 되었기에 여기에 인공지능이 왜 필요한지 궁금해하실 수 있겠지만, 예를 들어 장바구니에 넣는 즉시 자동으로 요금을 청구해준다거나 관련 상품을 추천해준다든지 등의 다양한 인공지능 기술이 접목될 수 있습니다.
● 자동 인보이스 발행 : 어느 회사이든지 인보이스 발행은 필수적이며, 아직도 많은 회사에서는 수동으로 진행하고 있는 업무입니다. 많은 양의 인보이스를 처리해야 하는 경우 시간과 비용이 낭비되고 실수가 발생하기 마련이죠. 인보이스 발행 절차를 자동화하면 오류를 줄이고 상당한 시간을 절약할 수 있게 됩니다.
2. 마케팅 (Marketing)
비즈니스 인공지능 활용 사례 중에서는 마케팅 캠페인 적용 사례가 항상 대표적으로 꼽히곤 합니다. 마케팅에서의 인공지능 활용은 지속적인 과거 이력의 학습을 통해 적절한 시간과 채널에 적절한 제안과 메세지를 고객에게 전달하는 것을 목적으로 합니다. 인공지능 도구를 활용하여 고객을 더 잘 알게 되고, 더 매력적인 컨텐츠를 만들고, 개인화된 마케팅 전략을 수행할 수 있게 되죠.
● 마케팅 분석 : 인공지능은 과거 마케팅 활동들을 학습하고 분석할 수 있습니다. 고객이 얼마나 참여하였고, 트래픽과 수익이 어느정도 발생하였으며, 그에 영향을 끼치는 요소에는 무엇이 있었는지 추출할 수 있습니다. 결과적으로 기업은 고객에게 보다 더 정확한 마케팅 서비스를 적재적소에 배치할 수 있죠. 또한 고객 분석을 통해 어떤 유형이 충성도와 반응도가 높은지, 어떤 고객이 이탈률이 높은지 분별함으로써 이전 제품과 서비스에 관심을 보인 고객에게 리타게팅을 실행하고 이탈을 방지할 대책을 세우게 합니다.
● 개인화 마케팅 (Personalized Marketing) : 당연한 얘기겠지만 기업이 고객을 잘 이해할 수록 더 나은 서비스를 제공할 수 있겠죠. 인공지능은 이 부분에서 고객에게 개인화된 경험을 제공하도록 돕습니다. 예를 들어 온라인 제품 사이트 방문 후 구매하지 않은 고객이더라도 다시 한번 그 고객에게 해당 상품을 각종 사이트에서 노출시킬 수 있습니다. 뿐만 아니라 개인별로 맞춤형 이메일을 보내거나 그 고객에게 한정된 특가 상품, 취향에 맞는 신제품을 추천할 수 있습니다.
● 컨텍스트 맞춤형 마케팅 (Context-Aware Marketing) : 머신비전과 자연어처리(NLP)를 활용하면 광고가 게재되는 곳의 컨텍스트를 인공지능이 이해할 수 있습니다. 이 경우 마케팅 메세지는 단일화되어있지 않고, 컨텍스트에 따라 자연스럽게 메세지를 변화시킵니다. 마케팅 효율성을 높이는 참신한 방법이라고 할 수 있죠.
3. 영업 (Sales)
● 판매 여부 또는 판매량 예측 : 인공지능은 고객 정보와 과거 판매 이력을 학습하여 앞으로의 판매량을 예측할 수 있습니다. 또한 어떤 고객이 그 상품을 구매할 가능성이 높은지에 대한 정보를 영업사원에게 전달하여, 영업 효율성을 끌어올려주죠.
● 유효 리드 식별 : 상점이나 사이트에 방문한 고객의 프로필과 활동 경로를 인식하여, 영업 진전 가능성이 높은 유효 리드를 식별해줍니다. 영업 담당자는 무분별한 영업보다는 유효 리드를 중심으로 효율적인 영업을 실행할 수 있습니다.
● 판매 데이터 자동 입력 및 분석 : 인공지능이 가미된 CRM을 사용하는 경우 고객 정보를 효율적으로 관리하고 영업에 활용할 수 있습니다. 구매까지 이어지는 고객과의 영업 활동(전화통화, 문자, 이메일, 상점 방문, 미팅 등)이 모두 자동으로 CRM에 동기화되며, 고객들이 어떤 단계에 속해 있는지, 그 단계에서 영업 사원이 취할 수 있는 가장 적절한 대응은 무엇인지 인공지능이 제안해줄 수 있습니다. 예를 들어 전화 통화 횟수와 타이밍이 어떠했을 때에 고객에게 기대했던 행동이 발생했는지, 이메일 주제에 따라 반응률이 달라지는지 분석해서 최적의 영업 전략을 도출해볼 수 있죠.
● 영업 챗봇 (Sales Chatbot) : 일반적으로 처음 상점에 방문하는 고객을 대상으로 챗봇이 질의응답을 대응할 수 있으며, 챗봇으로 적절한 대응이 어렵다고 인식될 경우 자동으로 상담원으로 연결해줄 수 있습니다. 챗봇의 장점은 24시간 활용이 가능하다는 점과, 수많은 고객의 초기 컨택을 효율적으로 처리할 수 있다는 데에 있죠. 또한 앞서 얘기했듯이 고객과의 대화를 통해서 유효리드를 발굴하는 데에도 도움을 줄 수 있습니다.
● 에이전트 코칭 (AI-based agent coaching) : 상담원이 고객과 통화하거나 메세지를 보내는 도중에, 실시간으로 인공지능이 고객의 질문을 인식하여 적절한 대답을 상담원에게 제공합니다. 전문 기술 능력이 부족한 상담원의 경우에도 인공지능의 도움을 받아 전문적인 대답을 제공할 수 있으며, 고객 만족도도 높일 수 있는 고도화된 기술이라고 할 수 있습니다.
● 영업 성과에 대한 보상 : 단순히 클로징을 한 사람에게만 성과를 인정하는 것이 아니라, 단계별로 영업 사원이 거쳐왔던 액션을 면밀히 분석하여 객관적인 보상을 도출할 수 있습니다.
4. 서비스
● 지능형 통화 라우팅 (Intelligent Call Routing) : 고객 별로 대응하기에 적합한 상담원을 자동 배치해줄 수 있습니다. 뿐만 아니라 기존 고객의 구매 패턴과 상담 이력을 참조하여 상담원은 빠르게 고객이 원하는 서비스가 무엇인지 잡아낼 수 있습니다. 만약 통화를 하기 전 고객이 남긴 메세지나 반응 이력이 남아있는 경우, 자연어처리(NLP)를 활용하여 고객 요구의 특성을 미리 분류해낼 수 있고, 적합한 부서에게 전달이 가능합니다. 좀 더 고도화된 기술의 경우 고객의 목소리 톤과 성량, 실시간 고객 음성 처리를 통해 감정을 읽어내어 고객 의도를 더 빠르게 판단할 수도 있습니다.
● 음성 인증 : 지문 인식을 통한 인증과 마찬가지로 비밀번호 없이 고객의 음성만으로 인증이 가능합니다. 비밀번호 분실과 관련된 문제를 줄일 수 있을 뿐더러, 음성 이력을 통해 더욱 만족도 높은 서비스 제공이 가능합니다.
● 고객 서비스 챗봇 : 위에서 얘기했듯이, 상담원과 고객의 통화 내용을 챗봇이 듣고 모범 답안을 전달해줄 수도 있으며, 적절한 상품 제안을 통해 영업 성과를 거둘 수도 있습니다. 학습량이 많아질수록 챗봇 성능도 상승하게 되며, 시간과 공간의 제약을 받지 않으므로 서비스 비용을 절감할 수 있죠. 만약 챗봇이 고객을 적절히 대응하지 못했을 경우, 실패 이력도 함께 학습하여 성능을 지속적으로 업그레이드 할 수 있습니다.
● 설문조사 후 분석 : 기존 설문조사의 컨텐츠와 응답률 이력을 분석하여 적절한 키워드와 문항 수, 배포 방법에 대한 전략을 최적화할 수 있고 결과 보고서를 정리하는 시간도 줄일 수 있습니다. 특히 정량적 데이터 뿐만 아니라 문장으로 구성된 텍스트와 같은 정성적 데이터도 분석이 가능하기 때문에 효율적으로 고객 응답 메세지를 정리할 수 있습니다.
5. 데이터 관련
● 데이터 시각화 : 의사결정을 위해 데이터 분석 결과를 시각화해서 보여줍니다. 간단하게는 상관관계나 각 변수의 히스토그램이 있으며, 패턴 분석 이후 예측 모형을 만드는 경우 변수의 중요도나 영향도, 안정도 등을 그래프로 표현해낼 수 있습니다. 또한 의사결정에 필요한 전략을 시뮬레이션할 때, 어떤 변수를 조정해야 목표했던 타겟 값을 변화시킬 수 있는지 시각화 자료를 통해 쉽게 접근할 수 있습니다.
● 데이터 관리 및 전처리 : 효과적인 데이터 분석을 위해서는 데이터의 품질이 중요합니다. 데이터를 정리하는 인공지능 기술이 있는 경우 정기적으로 데이터의 품질을 검사하여 의미가 없는 데이터를 필터링할 수 있고, 부가적으로 결측치를 보완하거나 양식에 맞지 않은 데이터를 변환하여 의미 있게 활용할 수도 있습니다. 또한 분리되어있는 데이터를 통합하여 관리하거나 머신러닝 활용을 위해 학습 세트, 검증 세트, 테스트 세트로 자동 분리할 수도 있습니다. 머신러닝 모델 성능을 높이기 위해 많이 쓰이는 전처리 기능 중에는 Feature Selection과 Feature Engineering이 있습니다. Feature Selection은 데이터가 보유한 변수가 과도하게 많을 때에 학습 시간을 줄이기 위해 유의미한 변수들만 자동 선별해주는 기능이며, Feature Engineering은 반대로 주어진 변수만으로는 모델 성능이 부족하여 기존 변수를 가공 조합하여 새로운 변수로 만들어주는 기능입니다.
● 합성 데이터 (Synthetic Data) : 합성 데이터는 이름에서 알 수 있듯이 실제로 과거에 발생한 이력에 의해 생성된 데이터가 아니라, 컴퓨터가 인위적으로 생성한 데이터를 말합니다. 실제로 존재하지 않는 사람이지만 과거 존재하는 사람들의 이미지를 합성하여 만들어낸 새로운 사람 이미지가 바로 합성데이터인거죠. 기존 이력을 통해 충분히 패턴을 발견할 수 있고 이를 통해 미래를 예측하는 데에 문제가 없다면 기존 데이터의 활용이 가능하지만, 아직 발생하지 않은 조건을 시뮬레이션해보고 싶다거나 신제품에 대한 테스트를 해보고 싶은 경우 인위적으로 합성 데이터를 생성해볼 수 있습니다. 특히 실제 데이터 중에서 개인정보에 민감하거나 각종 규정에 의해 사용이 제한된 데이터인 경우, 실제 데이터의 중요한 통계적 속성만을 뽑아내어 새로운 데이터로 가공해볼 수도 있습니다.
6. 인사 관련
● 고용 : 고용이야말로 진짜 정밀한 예측이 필요한 분야라고 할 수 있습니다. 과연 어떤 지원자가 회사에 더 많은 기여를 할 수 있을지, 우리 회사의 문화나 가치관에 잘 맞을지, 적절한 연봉을 제시할 수 있을지 등의 시뮬레이션이 필요하죠. 적격한 후보자를 가려내거나, 좀 더 엄밀한 판단을 위해 인공지능이 직접 지원자를 인터뷰할 수도 있습니다. 이 때 인공지능은 지원자의 음성, 표정, 말투, 습관 등을 분석하여 기업이 바라는 인재상에 맞도록 정량적인 데이터를 전달해줍니다.
● 성과관리 : 직원의 동기를 손상시키지 않고 공정하게 직원의 성과를 관리할 수 있습니다. 대시보드를 통해 직원 별 KPI를 쉽게 확인할 수 있을 뿐더러 직원의 업무 프로세스에 따른 실시간 피드백도 전달이 가능합니다.
● HR : 퇴사 가능성이 높은 직원을 미리 예측할 수 있고, 이를 유지할 수 있는 적절한 보상책을 마련하여 직무 만족도를 끌어올릴 수 있습니다. 또한 주기적인 만족도 조사나 변화된 직원의 역량을 인공지능으로 분석하여, 더 적합한 부서를 추천하거나 조직 관리에 활용할 수 있습니다.
● 인공지능 비서 : 이메일 내용을 분석하여 자동으로 회의를 예약하거나, 향후 스케쥴을 캘린더에 자동 반영할 수 있습니다. 모든 직원이 24시간의 비서를 활용할 수 있게 되는 것이죠.
7. 헬스테크
● 환자 데이터 분석 : 인공지능은 환자의 증상을 더욱 객관적으로 진단하고 적절한 조치를 제안할 수 있습니다. 비단 질병 진단 뿐만 아니라 환자의 생활습관에 맞는 최적의 치료 방법을 계획해볼 수 도 있으며, 유전자 프로필을 활용하여 적합한 약물도 추천이 가능합니다.
● 서비스 제공의 우선순위 판단 : 긴급 치료가 필요한 환자의 우선순위를 자동으로 조정하고 실시간으로 대응이 가능하도록 돕습니다.
● 조기 진단 및 처방 : 향후 발생할 가능성이 있는 질병에 대해서 조기에 진단하고 적합한 처방을 내릴 수 있습니다. 유전자 데이터와 환자의 검진 결과, 생활 방식을 기반으로 정확도가 높은 발병 가능성을 확인할 수 있습니다. 이는 특히 산모와 태아의 건강을 지속적으로 모니터링하여 유산 가능성을 낮추고 향후 임신관리 계획에 도움을 줄 수 있습니다.
● 의료 시장 분석과 마케팅 : 각 의약품에 대한 시장 가격을 분석하여 병원의 성과를 높이는 전략에 반영할 수 있습니다. 보험 플랜, 의약품의 적합한 가격, 헬스케어 브랜드의 관리와 마케팅, 타겟 고객의 설정 등 서비스를 최적화할 수 있습니다.
● 의료 챗봇 : 위에서 설명한 챗봇과 마찬가지로 의료쪽에서도 맞춤형 고객 대응을 위해 챗봇을 활용할 수 있습니다. 환자의 예약, 특정 질병이나 규정에 대한 정보 제공, 환자 정보의 자동 입력, 보험에 대한 문의 처리 등을 자동화하여 고객 만족도를 높일 수 있습니다.
8. 금융
● 사기 탐지 : 사기 범죄 행위나 비정상적인 금융 행위를 자동으로 탐지합니다. 일반적으로 머신러닝에서는 과거의 패턴을 토대로 미래를 예측하는 방법론을 지도학습이라고 하는데, 사기 탐지나 이상치 탐지의 경우 비지도학습이라는 방법론을 사용합니다. 즉 별도로 사기 행위라는 타겟을 정의하지 않고도, 특별한 데이터 그룹을 분리시킬 수 있는 방법을 얘기합니다. 사기 행위는 과거와 다른 신종 유형이 언제든지 발생할 수 있기 때문인데요, 이 때문에 인공지능은 정상적인 패턴과는 다르게 새롭게 특이한 데이터가 발생할 경우 사용자에게 경고를 전달할 수 있습니다. 수동으로 데이터를 들여다보면서 사기를 탐지했던 것보다 신속하게 경고를 받아 범죄를 막을 수 있는 장점이 있죠.
● 보험, 인슈어테크 : 보험 상품을 제안할 때 고객이 가입할 가능성과 최적의 가격을 예측해볼 수 있습니다. 또한 보험 가입 이후 해약하거나 실효될 가능성을 미리 예측하여, 보험 설계사가 적절한 대응책을 마련할 수 있도록 도울 수 있죠. 부가적으로 고객에게 최적의 설계사를 매칭해주는 방안으로도 인공지능이 활용됩니다.
● 신용 대출 심사 : 고객의 과거 금융 이력과 비재무정보를 분석하여 대출 상환 여부를 예측할 수 있으며, 이를 심사에 반영하여 적정 대출 금액까지도 제안할 수 있습니다. 부실가능성이 높다고 판단될 경우 대출을 승인하지 않는 경우도 있겠지만, 인공지능을 통해 대출 가능 금액을 조정하거나 금리가 다른 별도의 대출 상품을 추천하는 것도 가능합니다.
● 인공지능 금융 어드바이저 : 금융 챗봇이나 모바일 앱 어시스턴트를 활용하여 개인 금융을 모니터링하고 적정한 재무 관리 방안을 제안할 수 있습니다.