AI 분석: 스마트 알고리즘으로 더 크고 더 나은 인사이트 얻기

게시 됨: 2022-12-19

맥킨지(McKinsey)의 최근 설문조사에 따르면 컨설팅 회사가 "AI 고성과자"로 분류한 응답자들은 이자 및 세금 공제 전 수입(EBIT)의 최소 20%를 인공 지능 덕분이라고 밝혔습니다. Accenture의 또 다른 연구에 따르면 조사 대상 조직의 12%만이 실제로 AI 배포로 성공을 거두고 있습니다. 이들 회사의 경우 매출의 30%가 인공 지능에서 나옵니다.

이것이 당신이 활용하고 싶은 놓친 기회라고 생각하십니까? 그런 다음 계속 읽으면서 AI 분석, 비즈니스에 도움이 되는 방법, 구현 중에 예상되는 문제에 대해 자세히 알아보세요. 아마도 이것은 당신에게 영감을 주고 AI 개발 서비스 공급자에게 연락하는 데 필요한 지식을 제공할 것입니다.

AI 분석이란 무엇이며 기존 접근 방식과 어떻게 다릅니까?

분석은 데이터에서 의미 있는 패턴을 추출하고 이를 해석하고 전달하는 방식으로 작동합니다. 분석에 대한 기존의 접근 방식은 느리고 노력 집약적이지만 AI로 개선하면 프로세스 속도를 크게 높이고 결과 정확도를 높일 수 있습니다.

기존 분석에서 사용자는 데이터가 미리 정의된 규칙에 따라 엄격하게 처리되는 "if-then" 프로그래밍의 도움으로 시각화에서 패턴을 찾기 위해 대시보드를 만듭니다. 이러한 대시보드는 특정 비즈니스 요구 사항을 처리하며 범위가 제한됩니다. 전통적인 방법은 구조화된 데이터만 처리할 수 있습니다.

AI 분석은 기계 학습 및 기타 AI 하위 집합과 같은 기술을 사용하여 데이터 분석 프로세스를 자동화하는 것을 말합니다. 인공 지능 분석은 이미지 및 음성과 같은 복잡한 비정형 데이터를 처리할 수 있습니다. 사전 정의된 가설에 국한되지 않으며 예상치 못한 결과로 사용자를 놀라게 할 수 있습니다. 정적인 기존 접근 방식과 달리 AI 기반 방식을 사용하면 사용자가 데이터를 동적으로 집계하여 다양한 쿼리에 응답할 수 있습니다.

Gartner에 따르면 데이터 분석에는 네 가지 주요 접근 방식이 있습니다.

기술 분석은 과거 데이터를 해석합니다. 비즈니스 인텔리전스 도구와 대시보드를 사용하여 추세를 분석하고 과거에 발생한 일을 이해합니다. 그것은 미래를 예측하지 않습니다.
진단 분석은 데이터 마이닝 기술 을 사용하여 문제가 발생한 이유를 이해합니다.
예측 분석 은 조건이 일정하게 유지된다는 점에서 미래 결과를 예측하는 데 도움이 됩니다. 여기서 AI가 등장합니다.
행동 중심의 규범적 분석. 특정 결과를 달성하는 가장 좋은 방법을 결정하는 데 도움이 됩니다.

Gartner는 복잡한 비즈니스 문제를 해결하고 데이터 기반 의사 결정을 내리기 위해 예측 분석과 규범 분석을 결합할 것을 제안합니다. 따라서 원하는 경우:

모든 비즈니스 질문에 대한 대시보드를 구성하는 대신 비즈니스의 다양한 측면에 대한 데이터를 신속하게 집계합니다.
통찰력 있는 추천 받기
다른 관점에서 문제 보기
특정 일이 발생한 "이유"와 미래에 변화를 가져올 "방법"을 이해합니다.

그렇다면 AI 데이터 분석은 시도해보고 싶은 것입니다.

인공 지능 분석의 상위 5가지 사용 사례

이제 기존 접근 방식에 비해 AI 분석의 이점을 알았으므로 이를 적용하여 비즈니스 문제를 해결하는 방법을 살펴보겠습니다.

1. AI 분석은 감정 분석을 통해 고객 경험을 향상시킵니다.

감정 분석은 텍스트를 분석하여 브랜드, 제품 및 서비스에 대한 고객의 감정을 감지하는 데 사용되는 자연어 처리 분야입니다. 회사는 이 관행을 소셜 미디어 게시물, 설문 조사 응답, 고객 리뷰 등을 연구하여 브랜드 평판을 측정하고 고객의 요구를 이해하는 데 적용할 수 있습니다.

은행 부문의 AI 기반 정서 분석

은행은 감정 분석을 배포하여 사용자가 제품 및 서비스와 조직의 전반적인 경험에 대해 어떻게 생각하는지 알아냅니다. 또한 금융 기관은 이 전술을 사용하여 경쟁사의 캠페인에 대한 고객의 반응을 평가하고 더 성공적인 사례를 모방할 수 있습니다.

AI 기반 정서 분석의 도움으로 고객의 의견을 이해하는 한 가지 사례는 Durham에 기반을 둔 Atom Bank에서 나옵니다. 회사는 고객이 뱅킹 앱에 대해 어떻게 느끼는지 알아보기 위해 설문 조사와 온라인 커뮤니티의 데이터를 분석했습니다. 데이터는 "인증" 테마가 부정적인 정서와 연관되어 있음을 밝혀냈습니다. 또한 "얼굴 인식이 작동하지 않음"과 같이 불만을 유발하는 지속적인 문제를 인식했습니다.

Atom bank는 AI 기반 데이터 분석에서 얻은 지식을 사용하여 개선했으며, 최고의 리뷰 플랫폼인 Trustpilot에 따르면 최고 등급의 은행이 되었습니다.

소매업의 고객 정서 이해

소매업체는 소셜 미디어, 고객 피드백 및 고객 지원 쿼리를 분석하여 사람들이 일반적으로 브랜드 또는 특정 마케팅 캠페인에 대해 어떻게 느끼는지 알아낼 수 있습니다. 감정 분석은 또한 소매업체가 향후 트렌드를 파악하는 데 도움이 될 수 있습니다.

북미 의류 소매업체는 고객의 소셜 미디어, 특히 TikTok을 조사하여 트렌드를 파악하고 다양한 사용자 페르소나와 일치하는 방법을 설명했습니다. 그 결과 이 소매업체는 직물, 디자인, 가격 등 다양한 의류 트렌드가 다양한 구매자 페르소나에 어떻게 어울리는지 깊이 있는 통찰력을 얻었습니다. 조직은 목표 캠페인과 의류 라인 디자인에 이 정보를 사용했습니다.

2. AI 분석은 예측 유지 관리를 통해 장비 가동 중지 시간을 줄입니다.

AI 기반 예측 분석은 여러 기계에서 수집된 데이터를 처리하여 예정된 사람의 검사에 의존하는 대신 실시간으로 상태를 이해할 수 있습니다. 예측 유지보수는 원격 기계가 접근하기 매우 까다롭고 심지어 위험한 석유 및 가스 산업의 경우와 같이 접근하기 어려운 장비에 특히 유용합니다.

그러나 예측 유지보수 애플리케이션은 다른 부문에도 도움이 될 수 있습니다.

제조 분야의 예측 유지보수

AI 분석은 제조 분야에서 많은 장점이 있습니다. 과부하가 걸린 장비, 절반의 용량으로 작동하는 장비 또는 고장 가능성이 있는 장비를 찾아내어 전체 생산 프로세스를 지연시킬 수 있습니다.

자동차 부문의 선도적인 공급업체인 ZF Friedrichshafen은 프로세스 최적화를 위해 AI를 사용하기 위해 Microsoft와 협력했습니다. 이 프로젝트의 일환으로 회사는 기어 부품 생산 라인의 예측 유지 보수에 중점을 두었습니다. 수명이 다하기 직전에 호닝 머신의 호닝 링을 교체하기를 원했습니다. 최종 인공 지능 분석 솔루션은 생산 라인에 영향을 미치기 전에 호닝 링 파손의 99%를 감지할 수 있습니다.

운송 예측 유지보수

운송 산업에서 예측 유지 관리의 AI 데이터 분석은 차량 오작동을 감지하여 선로가 엉뚱한 곳에 갇히는 상황을 방지하는 데 도움이 됩니다. 예를 들어, 벨기에 철도 회사인 Infrabel은 온도 및 전력 소비 측정 센서를 포함하여 트랙에 다양한 유형의 센서를 사용합니다. 데이터를 분석한 후 회사 운영자는 과열 및 비정상적인 전력 소비 드리프트를 감지하고 편리한 순간에 수리를 위해 차량을 서비스에서 제외할 수 있습니다.

3. AI 분석을 통한 재고 최적화 수요 예측

재고 관리에 대한 전통적인 접근 방식은 고객 주문 데이터에 의존합니다. 이 방법이 효과적일 수 있지만 제한된 데이터 소스를 사용하기 때문에 종종 과잉 재고 및 부족 재고로 이어집니다. AI 분석은 공급망 관리자가 현재 추세, 과거 판매, 심지어 소셜 미디어 콘텐츠와 같은 더 광범위한 데이터를 고려할 수 있도록 지원합니다.

McKinsey에 따르면 인공 지능 분석을 공급망 관리 운영에 통합하면 오류를 최대 50%까지 줄이고 판매 기회 손실을 약 65% 줄일 수 있습니다.

이케아는 최대 200개 소스의 데이터를 분석해 각 제품의 인기도를 예측할 수 있는 AI 기반 수요 예측 도구를 사용한다. 이 도구는 계절 변화, 축제, 일기 예보 등의 요소를 고려할 수 있으며 당일 기준에서 4개월 전까지의 수요를 예측할 수 있습니다. 이 새로운 도구는 Ikea의 예측 정확도를 98%로 높였습니다.

4. AI 분석을 통해 개인화된 제안을 생성할 수 있습니다.

다시 말하지만, AI 분석은 상당한 양의 데이터를 처리함으로써 다양한 부문에서 운영되는 회사가 개인화된 제품 및 서비스를 만들고 적시에 적절한 사람에게 표시할 수 있도록 합니다.

소매업에서 개인화된 제품 및 타겟 마케팅

AI 분석은 더 나은 대상 세분화를 수행하여 맞춤형 마케팅 캠페인을 가능하게 합니다. 이를 통해 소매업체는 조치를 취할 가능성이 높은 고객에게 영향력 있는 광고를 보낼 수 있습니다. 또한 회사는 AI 기반 추천 엔진을 전자 상거래 플랫폼에 연결하여 선호도, 인구 통계 및 현재 추세를 기반으로 고객에게 제품을 제안할 수 있습니다.

영국의 한 신발 소매업체는 웹사이트에서 제품을 추천하기 위해 인공 지능 및 데이터 분석을 실험한 결과 장바구니에 추가 비율이 8.6% 증가했습니다.

의료 분야의 맞춤형 치료

의료 분야의 AI 분석은 환자의 바이오마커, 유전 정보 및 기타 의료 데이터에서 통찰력을 얻어 다양한 치료 옵션에 대한 환자의 반응을 예측할 수 있습니다.

일본 지바대학교는 AI 분석을 이용해 치료 전 난소암 환자의 유전체, 임상, 대사 데이터를 처리해 기존 치료에 잘 반응하지 않을 것 같은 예후가 좋지 않은 집단을 발견했다. 그 후 연구원들은 이 결과를 사용하여 이 인구 집단에 대한 개인화된 치료법을 개발했습니다.

5. 인공 지능 분석으로 고객 행동 예측

고객 이탈 방지

AI 분석은 소셜 미디어, 고객 리뷰, 지원 티켓 및 기타 정보를 분석하여 만족하지 못하고 경쟁업체로 이직을 고려하는 고객을 찾아낼 수 있습니다. 이를 통해 고객을 떠나게 하고 새로운 고객을 유치하기 위해 더 높은 비용을 지불하는 대신 고객을 유지하는 데 필요한 조치를 취할 수 있습니다. 연구에 따르면 새로운 고객을 확보하는 것이 기존 고객을 유지하는 것보다 5배 더 비쌉니다.

약속 노쇼 예측

약속을 지키지 않으면 미국 의료 시스템에 매년 약 1,500억 달러의 비용이 발생합니다. 인공 지능 기반 데이터 분석을 통해 병원과 개인 개업의는 알림 없이 약속을 건너뛸 가능성이 있는 환자를 예측할 수 있습니다.

Boston Children's Hospital의 연구원들은 기상 조건 외에도 환자의 병력, 보험 가용성, 인종, 어머니의 교육 수준과 같은 정보를 분석하여 잠재적인 노쇼를 발견할 수 있는 AI 모델을 구축했습니다. 연구팀은 또한 알고리즘에 일정 유형의 미리 알림을 구현하여 약속을 놓칠 가능성이 있는 환자를 식별한 후 모델이 환자가 문자 메시지나 전화로 혜택을 받을 수 있는지 판단하고 선호하는 방법.

데이터 분석에서 AI 구현과 관련된 과제

인공 지능 프로젝트는 높은 실패율로 유명합니다. Forbes는 AI 프로젝트의 60~80%가 실패한다고 보고합니다. Gartner는 프로젝트의 85%가 올바른 방향에서 벗어난다는 훨씬 더 암울한 그림을 그리고 있습니다.

직면할 수 있는 주요 어려움과 성공 가능성을 높이는 방법을 살펴보겠습니다. 블로그에서 AI와 관련된 문제에 대한 자세한 정보를 찾을 수 있습니다. 또한 AI로 목표를 달성하는 데 도움이 될 상세한 AI 구현 가이드를 제공합니다.

불충분한 학습 데이터

연구에 따르면 기업의 96%가 AI 분석과 관련하여 데이터 관련 문제에 직면합니다. 적절한 교육에 대한 요구를 완전히 충족하는 기존 데이터 세트를 찾는 것이 항상 가능한 것은 아닙니다. 기존 세트는 편향되어 있거나 대상 모집단에 대해 너무 일반적이거나 불완전하거나 단순히 부정확할 수 있습니다. University of California와 Google Research에서 실시한 최근 연구에서는 실무자와 연구자 사이에서 데이터를 "과도하게 차용"하는 관행을 발견했습니다. 즉, 한 작업을 수행하는 커뮤니티가 다른 환경에서 사용할 데이터를 채택한다는 의미입니다. "차용한" 데이터에 대해 훈련된 모델은 현장별 사례에 익숙하지 않기 때문에 정확한 결과를 제공할 가능성이 낮습니다.

모델 교육 품질을 개선하는 방법으로 데이터 과학자는 도메인 전문가 및 데이터 소유자와 협력하여 해당 분야를 대표하는 교육 데이터 세트를 컴파일해야 합니다. 또한 수동으로 또는 Supervise.ly와 같은 주석 도구의 도움을 받아 깨끗하고 정확하게 레이블이 지정되었는지 확인해야 합니다.

특히 다른 국가 및 문화의 데이터를 해석해야 하는 경우 도메인 전문가 컨설팅을 건너뛰지 마십시오. 성공적인 AI 스타트업인 CrowdAI의 CEO인 Devaki Raj에 따르면 "효과적으로 자동화하려면 문제에 가장 가까운 사람들이 자동화에 대한 정보를 제공해야 합니다."

편향된 결과

AI 모델이 생성한 결과는 훈련 데이터에 크게 의존합니다. 그리고 이 데이터를 엄격하게 조사하지 않으면 민족, 연령 기반 및 기타 유형의 편견이 쉽게 침투하여 알고리즘을 흔들어 잘못된 예측을 제공할 수 있습니다. 적절한 초기 교육을 받더라도 AI 알고리즘은 학습을 계속하면서 편견을 발전시킬 수 있습니다.

이 문제를 극복하려면 포함을 염두에 두고 알고리즘을 설계하고 대표 데이터에 대해 교육해야 합니다. 그리고 배포 후에는 제어 프레임워크에 투자하고 정기적인 감사를 수행하여 모든 인공 지능 기반 데이터 분석 도구가 적절하고 편향되지 않은 결과를 생성하도록 합니다.

기술과 관련된 높은 비용

기계 학습 및 딥 러닝 알고리즘은 작동하기 위해 엄청난 양의 전력을 소비합니다. 작동하려면 점점 더 많은 수의 GPU와 코어가 필요합니다. 그리고 이 모든 것은 다소 비용이 많이 듭니다. 클라우드 컴퓨팅 덕분에 모든 리소스를 사내에 보유할 필요는 없지만 여전히 저렴하지는 않습니다. 그리고 알고리즘이 더 지능적이고 정확할수록 개발 비용이 더 많이 듭니다.

AI 구현 비용 및 데이터 분석 비용의 요인에 대한 자세한 내용은 블로그를 참조하세요.

우선순위 사용 사례를 식별하고 MVP를 구축하여 아이디어를 검증하고 개선이 필요한 영역을 찾아냄으로써 초기 개발 단계에서 비용을 최소화할 수 있습니다. 처음부터 극도의 정확성을 위해 번창하지 말고 부족한 자금으로 꼼짝하지 마십시오. 프로젝트가 실현 가능하다는 증거가 있으면 AI 분석 도구에 보다 관련성 높은 데이터를 점진적으로 공급하여 정확도를 높일 수 있습니다.

AI 알고리즘의 블랙박스 특성

일부 산업에서는 시스템이 결론에 도달한 방법에 대해 자세히 설명하지 않으면 인공 지능 및 데이터 분석 권장 사항을 수락하기가 어렵습니다. 설명의 필요성은 규정 준수 원칙 또는 개인적인 이유로 인해 발생합니다. 예를 들어, 의료 분야에서 의사는 특정 치료법을 선택하는 이유를 이해하지 못하면 AI 모델이 권장하는 치료법을 처방하기 어려울 것입니다.

현장에서 의사 결정의 투명성이 필요한 경우 설명 가능한 AI를 배포할 수 있습니다. 인간 사용자가 AI 알고리즘의 출력을 이해할 수 있도록 하는 일련의 프로세스입니다. 또한 설명 가능한 AI 기술을 통해 사용자는 편향되고 부정확한 결과를 찾아 수정할 수 있습니다. 그러나 화이트 박스 모델에는 블랙 박스 대응 모델의 예측력이 부족하다는 점에 유의할 가치가 있습니다.

그렇다면 AI 분석은 그만한 가치가 있습니까?

인공 지능 분석은 구현하기 어렵고 모든 조직이 이 노력에 성공하는 것은 아니지만 성공적인 배포의 이점은 많습니다. 경쟁이 가속화되는 이 급변하는 세상에서 기업은 기존 분석을 사용하여 전략적 질문에 답하는 데 몇 달을 낭비할 여유가 없습니다. 그들은 AI 기반 데이터 분석에 의존하고 동일한 결과를 훨씬 더 빨리 달성할 수 있는 회사에게 시장 지위를 잃게 될 것입니다.

혁신적인 AI 스타트업인 Orbital Insight의 CEO인 James Crawford가 설명하는 시간 프레임을 살펴보십시오.

그리고 현재 분석 작업에 얼마나 많은 시간을 할애하고 있습니까? 의사 결정 능력을 향상하고 AI 분석이 제공하는 다른 이점을 얻으려면 데이터를 최대한 활용할 수 있도록 도와줄 신뢰할 수 있는 빅 데이터 분석 컨설턴트에게 문의하십시오.

AI 분석으로 비즈니스를 개선하는 데 관심이 있습니까? 연락하세요! 예산 및 사용 사례에 가장 적합한 접근 방식을 고안하고 모델 훈련을 돕고 알고리즘이 편향되지 않도록 합니다.

원래 2022년 12월 13일 https://itrexgroup.com에 게시되었습니다.