보너스’ 효과 있었다··· 데이터 분석해 본 6개 기업 사례

그러나 데이터 분석의 탐구적 특성 때문에 갑자기 예상하지 못한, 원래 비즈니스 계획에 없던 혜택이나 인사이트를 발굴하는 경우도 있다. 이런 ‘행운’은 데이터 분석에 노력할 가치가 있다는 주장에 힘을 실어준다. 어떤 혜택을 누리게 될지 알 수 없기 때문이다.

여기 분석 활동을 통해 예상 못 한 이점과 혜택을 얻거나 누린 기업과 기관들의 실제 사례를 소개한다.

운영 상태 계속 주시
올레지스 글로벌 솔루션(Allegis Global Solutions)은 ‘프로그램들이 얼마나 잘 작동하고 있나?’, ‘다른 프로그램들과 비교했을 때 얼마나 잘 작동하고 있나?’, ‘다음에 해야 할 일은 무엇일까?’라는 질문에 대한 답을 찾기 위해 분석 플랫폼인 아큐먼 워크포스 인텔리전스(ACUMEN Workforce Intelligence)를 개발했다.

이 회사의 BI 담당 전무인 팀 존슨은 “계획 수립에 활용할 수 있는 ‘역사적 관점’을 개발하기 위해 분석 플랫폼을 개발했다. 그런데 3가지 질문에 대한 답을 찾고자 사용한 분석이 조직에 도미노 효과를 가져왔다”고 밝혔다.

이어서 존슨은 “모든 프로그램에서 데이터를 수집하고, 매일 업데이트한 덕분에 운영에서 최신 현황을 파악할 수 있게 되었다. 그 결과, 최근 프로그램과 전사적인 수준에서 일상 활동을 분석하는 데 도움을 주는 새로운 데이터 애플리케이션을 도입했다”고 설명했다. 운영자는 프로그램 인사이트를 수집하기 위해 보고서를 생성하거나 정보를 분석할 필요가 없다. 이미 체계적으로 정리된 정보를 바탕으로 움직일 수 있기 때문이다.

존슨은 “데이터를 운영에 사용했을 때 또 다른 혜택은 분석 도입률이 애초 예상보다 훨씬 높다는 것이다. 그 때문에 1주를 단위로 100%의 내부 도입률을 달성한다는 목표를 세웠다. 최종 사용자들은 매일 데이터를 사용해 성과를 높이고 있으며, 그 결과 정보를 더욱 밀접히 주시하면서 데이터 품질이 새로운 수준으로 향상되고 있다”고 이야기했다.

최초 데이터 분석과 관련해 세운 목적과 목표를 기준으로 할 경우, 데이터의 정확도는 90~95%면 충분했다. 그러나 운영에 활용하기 위해서는 98~99%의 정확도가 보장돼야 한다. 존슨은 “전사적으로 데이터 분석을 수용해 활용하면서 현재 상태에 도달했다. 3가지 질문에 대답을 찾으려 한 것이 전사적인 데이터 트랜스포메이션의 출발점이 되었다”고 언급했다.

단기적인 ‘손해’, 장기적인 ‘이익’
데이터 분석은 온라인 부동산 정보 회사인 트루리아(Trulia)가 광고 및 홍보 캠페인 중 하나인 이메일 전략을 정밀하게 조정해, 트래픽이 증가하도록 도움을 줬다.

이 회사의 엔지니어링 담당 VP 디프 바르마에 따르면, 매일 여러 이메일을 발송하는 전략을 사용했는데, 그 결과 구독을 취소하는 고객들이 증가하는 문제가 생겼다. 그는 “접근법을 바꿔 이메일을 통합했다. 하루에 1개의 이메일만 발송하기 시작했다”고 말했다.

처음에는 사용자의 참여가 오히려 저조했다. 그래도 새로운 방법을 사용하지 않기로 했다. 그러다 더 장기간 새로운 형태의 방법을 테스트해 보기로 했다. 그런데 성과가 개선됐다. 예상하지 못했던 결과였다.

바르마는 “테스트 범위를 확대하지 않았기 때문에, 처음에는 데이터가 무언가 잘못되었다고 알려줬다. 그러나 범위를 확대하자, 예상하지 못한 결과를 확인할 수 있었다. 우리는 트래픽이 증가하리라고는 생각하지 않았다. 1주 차 데이터에 따르면, 트래픽이 감소하고 있었기 때문이다. 그러나 더 장기간 적용해 분석한 결과, 트래픽이 증가했음을 확인할 수 있었다”고 설명했다.

데이터 분석은 새로운 상품 개발에도 도움을 줬다. 역시 처음에 의도하지 않았던 성과다.

바르마는 “에이전트에 문의한 후 이탈하는 고객들이 있었다. 그래서 고객이 문의한 것과 유사한 부동산을 추천하는 환경을 만들었다. 그러자 고객들이 다시, 더 자주 방문하기 시작했다. 새로운 ‘추천’ 때문이다”고 말했다.
 

IoT 솔루션으로 바뀐 보증 문제
로크웰 오토메이션(Rockwell Automation)의 분석팀은 제품 품질 부서의 요청을 계기로 프로젝트를 시작하게 됐다.

로크웰 오토메이션의 BI 디렉터 산지타 에드윈은 “보증 관리 문제가 도전과제였다. 단순히 문제를 조사하는 대신, 데이터 분석팀으로 하여금 반품의 근본 원인을 규명하는 데 초점을 맞추도록 만들었다”고 밝혔다.

머신 수준에서 데이터를 추적해, 생산설비의 문제와 상관관계가 있는 생산 측면의 결함이 이런 문제를 초래한다는 점을 발견했다. 에드윈은 “이는 전략과 플랫폼이 IoT 기기 데이터 분석을 포함해 발전하도록 도움을 줬다”고 이야기했다.

간단한 데이터 분석이 비즈니스에 큰 도움을 준 ‘솔루션’으로 탈바꿈한 것이다. 그녀는 “품질 관리 부서의 교훈을 토대로 고객들을 위해 독자적인 장치 수준의 데이터 분석 플랫폼을 개발했다. 우리는 데이터 분석을 통해 비즈니스 문제를 고객에 도움을 주는 도구로 바꾸고, 이를 통해 새로운 수익원을 창출하고 있다”고 이야기했다.

변수와 관련된 실수 덕분에 숨은 원인 규명
의료업계 소프트웨어 제품 공급업체인 디시전 포인트 헬쓰케어 솔루션(Decision Point Heathcare Solutions)는 ‘현장 및 전화 건강 관리 프로그램’에서 여러 번 입원할 위험이 높은 고객들을 공략하는 방법으로 의료보험 고객들의 재입원율을 크게 낮추고 있다.

이와 관련, 디시전 포인트는 최초 ‘인덱스’ 입원에 앞서 30일 간격으로 2번 입원할 확률이 있는 회원/환자를 규명하는 전용 예측 모델링 알고리즘을 사용하고 있다. 디시전 포인트를 설립한 CEO 사에드 아민자데는 “간단히 말해, 첫 입원, 재입원, 둘 모두를 피할 수 있도록 적합한 사람들에 초점을 맞추는 방법으로 의료 보험에서 재입원을 적절히 제때 처리할 수 있게 만들었다”고 설명했다.

그런데 디시전 포인트는 우연한 계기로 이런 방법론을 발견했다. 디시전 포인트는 건강 관리에 있어 입원과 응급실(ER) 방문, 비용 발생을 피하고자, 전통적으로 고위험 환자들을 예측하는 방법을 사용했다.

그런데 디시전 포인트의 데이터 과학자가 예측 모델 개발 과정에서 예측 종속 변수인 입원율을 재입원율로 바꾸면서 집중된 기간에 여러 번 입원하는 환자나 고객을 예측하는 새로운 방법을 찾아 적용하게 되었다.

자세히 분석한 결과, 새 모델이 디시전 포인트가 전통적으로 사용했던 예측 모델과 크게 다르다는 점을 발견했다. 입원과 비용, ER방문을 예측하는 전통적인 모델은 임상적인 문제와 유틸리제이션(Utilization) 문제가 복합적인 고위험 고객, 환자를 찾는다. 반면 집중된 기간에 여러 번 입원할 고객, 환자를 예측하는 모델은 새로운 임상적 문제, 사회경제적 문제가 있는 고객, 환자를 찾는다.

아민자데는 “기존 모델의 경우, 여러 만성 질환을 앓고 있는 고위험 고객, 환자를 찾는다. 반면 새 모델은 만성 질환과 함께 혼자 살고 있거나, 병원을 자주 방문하지 못하거나, 신용카드가 없거나, 의료 지식이 부족하거나, 행동 건강에 문제가 있는 고위험 고객, 환자를 규명한다”고 설명했다. 이는 아주 중요한 발견이었다. 재입원율을 낮추기 위해서는, 의료기관들이 임상적인 문제와 함께 이런 임상적인 문제를 가중시키는 사회경제적 문제를 없애는 것이 중요하다는 점을 알려주기 때문이다.

1차 의료(진료)의 중요성 재발견
의료보험 회사인 헬쓰케어 서비스(Health Care Service Corp)도 예상치 못했던 데이터 분석 혜택을 얻었다.

헬쓰케어 서비스의 분석 및 거버넌스 담당 전무 히만슈 아로라는 “충분히 피할 수 있는 원인 때문에, 즉 응급실을 찾을 이유가 없는 원인 때문에 응급실을 방문하는 회원들을 찾으려 데이터 분석을 시도했다. 그런데 이 과정에 ‘숨겨진 보석’을 발견했다”고 밝혔다.

이 회사는 회원 중 10%가 HMO의료보험을 이용하고 있다고 가정했다. 그 결과 이들의 PCP(Primary Care Physician, 1차 의료 시설) 접근성을 감안했을 때, 이 집단이 ER서비스를 이용하지 않아도 되는 집단에서 차지하는 비율이 10% 미만으로 가정됐었다. 아로라는 “그런데 정반대의 추세를 발견했다. 예상보다 약 4배가 많았다. 이 10%가 ER서비스를 이용하지 않아도 되는 집단에서 차지하는 비율이 40%였다”고 말했다.

ER을 방문하면 큰 비용이 발생하기도 하지만, 불편도 초래된다. 또한 ER을 방문하지 않도록 질병을 예방하거나 낮추는 서비스가 있는데도, 이 혜택을 누리지 못한다는 게 문제다. 그 때문에 ‘인-네트워크(의료보험을 적용 받는)’ 의료 시설 접근성 이외에 회원들에게 도움을 줄 방법을 찾았다.

아로라는 “결정적인 요소에 대한 이해를 높이려 했다. 언어 장벽, 교통 접근성, 예약 문제 등이 여기에 해당된다. 이런 부분들이 HMO를 이용하는 회원들이 PCP 대신 ER을 방문할 수밖에 없도록 만든다. 우리는 소속 의료 기관을 참여시켜, 회원들이 필요한 의료 서비스를 미리 받도록 도움을 주고, 의료 기관과의 위험 분담 모델을 강화하기 위해 제품과 네트워크 설계를 재평가했다. 분석을 바탕으로 행동하도록 더 많은 인센티브를 제공하고 있다”고 설명했다.

고객 성과와 분석 방법론 재정립
마케팅용 소프트웨어 플랫폼을 공급하고 있는 제타 글로벌(Zeta Global)은 클라이언트 데이터와 관련된 예측 알고리즘 개발, 네트워크 흐름 관리를 위한 트래픽 로그 분석, 보안 관리를 위한 신호 분석 등 내부 이니셔티브와 고객을 지원하기 위해 분석을 활용하고 있다.

제타 글로벌의 CIO 제프리 니메로프 는 “데이터의 ‘예측력’이 기대 이상의 성과를 가져다주는 경우가 많다. 비지도 기법이 존재하는 이유는 (영리한 사람을 포함)개인이 표적화해 구체화할 수 있는 이상의 정보가 데이터에 존재하기 때문이다. 예상하지 못한 결과가 나온다. 이런 결과에 놀라는 때가 아주 많다”고 설명했다.

기술 관련 비용 절감을 예로 들 수 있다. 니메로프는 “기술에 투자하고, 그 결과 기술 비용이 발생하는 기업들 가운데 대다수가 ‘섀도우 기술’에 직면하게 된다. 개개인이 생산성을 높이기 위해 자신에게 효과가 있는 도구를 찾기 때문이다”고 언급했다.

이 회사는 최근 보안 운영 센터의 파트너십 노력의 일환으로 위협 인텔리전스에 초점을 맞췄다. 보안 체계가 발전하고 강화되는 것은 예상한 결과다. 그러나 예상하지 못한 결과도 있다. 보안 기술의 숨겨진 비용을 발견한 것을 예로 들 수 있다.

니메로프는 “이런 시각화를 토대로, 특정인과 특정 기술에 대해 논의할 수 있게 되었다. 일부는 이에 대해 잊고 있었다. 이를 통해 불필요한 서비스를 끊어 6자리 수의 비용 절감을 달성할 수 있었다”고 말했다.

고객사가 가장 큰 성과를 일궈낼 수 있는 고객을 파악하도록 도움을 준 것도 예상 못 한 성과다.

니메로프는 “클라이언트 분석은 주로 청중(고객) 확대에 초점을 맞춘다. 제타는 고유 데이터를 이용, 고객사가 제공하는 프로필과 속성(특징)을 공유하는 사람들에 프로필을 매칭하고 있다. 높은 성과를 일궈낼 수 있는 고객들이 많아야 성과가 개선된다”고 말했다.

제타는 고객사가 성과를 극대화하기 위해 ‘최고’의 고객들에게 제공할 마케팅 메시지를 예측하는 모델을 개발한 후, 고객 성과가 통제 집단을 맴돌고 있는 점을 발견했다. 그는 “메타 분석 결과, 고객사가 제공한 데이터는 가장 높은 성과를 일궈낼 수 있는 고객 집단의 데이터 세트가 아니라는 점이 밝혀졌다. 고객사가 고객 성과 규정에 중요한 것으로 간주한 속성들을 제한했기 때문에 나온 결과다”고 설명했다.

제타는 인사이트를 추가하고, 고객사 데이터베이스로 분석을 확대 적용했다. 더 많은 속성을 활용하기 위해서다. 그 결과, 데이터 품질을 높일 수 있었다. 고객사 데이터베이스와 메시징 목표를 출발점으로 삼았다. 그러나 중요한 속성을 미리 규정하지 않았다. 그 결과, 최고의 데이터세트를 도출할 수 있었다. 니메로프는 “이렇게 확대된 방법론으로 새로운 ‘프랙티스 영역’을 만들었다”고 강조했다. dl-ciokorea@foundryco.com