비즈니스 분석 (Business Analytics)

 

비즈니스 분석(Business Analytics)이란

• 수학과 통계적인 방법을 사용하여 데이터를 수집, 분석, 해석하여 의미를 도출하고, 정보에 입각한 비즈니스 의사 결정을 내리는 프로세스

 

비즈니스 분석 (source : HBS)

 

비즈니스 분석의 주요 유형 4가지

1. Descriptive (기술 분석) : 과거 데이터를 해석하여 추세와 패턴을 파악 ☞ 참고링크
2. Diagnostic (진단 분석) : 문제의 근본 원인을 파악하기 위한 과거 데이터 해석 ☞ 참고링크
3. Predictive (예측 분석) : 정보를 사용하여 미래 결과를 예측하는데 중점 ☞ 참고링크
4. Presciptive (처방 분석) : 주어진 시나리오에서 어떤 결과가 최상의 결과를 산출할 것인지 결정하기 위해 테스트 및 기타 기법을 사용 ☞ 참고링크

 

What is Business Analytics? - HBS Online

 

비즈니스 분석 (Business Analytics) vs. 데이터 과학 (Data Science)

두 프로세스 모두 비즈니스 문제를 해결하기 위해 빅데이터를 사용하지만 다른 분야임

주요 목표

• Business Analytcis (비즈니스 분석) : 데이터에서 의미 있는 인사이트를 추출하여 조직의 의사 결정을 이끄는 것
• Data Science (데이터 과학) : 알고리즘 및 통계 모델을 사용하여 데이터에서 의미 있는 결론으로 전환하는데 중점

역할

• Business Analyst (비즈니스 분석가) : 예산 책정, 예측 및 제품 개발
• Data Scientist (데이터 과학자) : 데이터 처리(Data Wrangling), 프로그래밍 및 통계적 모델링에 중점

비즈니스 분석과 데이터 과학은 서로 다른 기능과 프로세스로 구성되어 있지만, 오늘날 조직에서는 둘 다 중요함

 

비즈니스 분석 (Business Analytics) 기업 사례

성장을 위해 분석을 사용하는 조직의 비율이 증가하고 있음 (출처: 맥킨지(McKinsey) 설문조사)

1. Microsoft : 생산성과 협업 향상

• 마이크로소프트는 협업이 생산성과 혁신적인 업무 환경을 만드는 핵심이라는 가설을 세우고, 엔지니어링 그룹 사무실을 2015년에 옮기면서, 회사는 직원 간 대면 상호작용을 촉진하여 직원 성과를 높이고 비용을 절약할 수 있는 방법을 이해하고자 했다.
• 마이크로소프트 워크플레이스 분석 팀은 이전 연구 결과를 바탕으로, 5개 건물에서 4개 건물로 그룹을 이동하면 직원 수가 증가되어 상호 협력이 개선되고 회의에 필요한 직원 이동 거리가 감소할 것으로 추측했다. 이전 연구에서는 서로 더 가까이 위치한 직원들은 더 많이 협력할 가능성이 있다는 결론을 얻은바 있다.
• 마이크로소프트는 이사 후 직원들의 일정에 메타데이터를 붙여 분석한 결과, 회의 이동 시간이 46% 감소했으며, 이는 모든 이사한 직원의 주당 100시간과 연간 52만 달러의 비용 절감으로 이어졌다. 이사 이후 직원들은 가까이 있어서 더 자주 회의를 하게 되었으며, 인당 주간 회의 횟수가 14회에서 18회로 증가했고 회의 시간이 약간 감소했다.
• 마이크로소프트는 이 분석 결과로부터 대면 상호작용의 중요성을 깨닫고, 직원 작업 공간에 대한 사전 계획이 시간과 비용 절감을 이끌어낼 수 있다는 것을 이해하게 되었다.

 

2. Uber : 고객 지원 강화

• Ride-hailing (승차 호출) 회사인 우버는 사용자 경험을 보장하는 것을 최우선 과제로 삼고 있다.
• 고객 서비스 기능을 간소화하기 위해, 2018년 초 Machine Learning(기계학습)과 자연어 처리(NLP) 기반의 Customer Obsession Ticket Assistant (COTA)를 개발해 고객 호출에 에이전트가 응답하는 속도와 정확도를 향상시킬 수 있도록 했다. COTA의 도입으로 시간이 절약되었으며, 이에 대한 성공적인 결과는 Uber 엔지니어링 팀이 COTA의 개선 방안을 모색하게 만들었다.
• 두 번째 버전인 COTA v2의 경우, 회사의 성장과 함께 확장 가능한 Deep Learning 아키텍처를 통합하는 데 중점을 두었다. 이 업데이트를 출시하기 전에 Uber는 A/B 테스트를 활용하여 두 가지 선택지 (여기서는 COTA v1과 COTA v2)의 결과를 비교하는 방법을 사용하여 업그레이드된 도구의 성능을 검증했다.
• A/B 테스트를 시작하기 전에, A/A 테스트가 진행되었는데, 여기에서 대조군과 실험군 모두 1주일 동안 COTA의 첫 번째 버전을 사용했다. 그 다음 실험군은 A/B 테스트 단계를 시작하기 위해 COTA v2에 대한 액세스 권한을 부여받았고, 이 테스트는 1개월 동안 진행되었다.
• 테스트 종료 후, A/B 단계에서 실험군의 평균 처리 시간이 거의 7% 상대적으로 감소했으며, 이는 COTA v2의 사용이 더 빠른 서비스와 더 정확한 문제 해결 권장 사항을 제공하도록 이끌었다는 것을 나타낸다. 결과는 고객 만족도 점수가 약간 향상되었음을 보여주었다.
• A/B 테스트를 통해 Uber는 COTA v2를 도입함으로써 고객 서비스를 개선하고 문제 해결 과정을 간소화하여 수백만 달러를 절약할 수 있다는 결론을 내렸다.

 

3. Blue Apron : 주문과 요리법 예측

• 밀키트 배달 서비스 회사인 블루 에이프런은, 고객의 행동과 취향을 이해하는 것이 중요한 Business Model 이다. 
• 블루 에이프런은 매주 구독자에게 구매 가능한 고정 메뉴를 제공하고 예측 분석을 사용하여 수요를 예측한다. 이는 제품 손상을 방지하고 주문을 이행하기 위한 목적으로 사용된다.
• 예측을 위해, 일반적으로 고객 관련 변수(Customer-related features), 레시피 관련 변수(Recipe-related features) 및 계절성 변수(Seasonality features)의 세 가지 범주로 분류되는 여러 변수를 고려하는 알고리즘을 사용한다. 고객 관련 기능은 특정 사용자의 주문 빈도를 나타내는 과거 데이터를 설명하는 반면, 레시피 관련 기능은 가입자의 과거 레시피 선호도에 초점을 맞추어 회사가 어떤 다가오는 음식을 주문할지 추론할 수 있도록 한다. 계절성 특성의 경우, 구매 패턴을 검사하여 연중 시기에 따라 주문 비율이 더 높거나 더 낮을 수 있는 시기를 결정한다.
• 엔지니어링 팀은 변수 간의 관계를 조사하는 데 사용되는 통계적 방법인 회귀 분석(Regression Analysis)을 통해 예측 모델의 Precision(정밀도)를 측정했다. 연구팀은 전체적으로 미래 주문 예측의 RMSE(평균 제곱근 오차, 예측 값과 관측 값의 차이)가 6% 미만으로 일관되게 예측 정확도가 높다고 보고했다.
• 예측 분석을 활용하여 고객을 더 잘 이해하고 가입자의 취향이 어떻게 변화하는지 파악하고, 선호도 변화가 레시피 제공에 어떻게 영향을 미치는지 파악했다.

 

4. PepsiCo : 고객 타겟팅

• 펩시코는 매출을 올리기 위해 매년 10억 명의 소비자들에게 적절한 양과 유형의 제품을 공급한다. 이를 위해 빅데이터와 예측 분석을 사용하여 제품의 수요 예측을 진행한다. 또한, Pep Worx라는 클라우드 기반 데이터와 분석 플랫폼을 사용하여 제품 상품화를 위한 보다 정확한 결정을 내리고 있다.
• 예를 들어, Pep Worx는 펩시코가 퀘이커 오버나이트오트밀(Quaker Overnight Oats)에 가장 관심이 있을 것으로 예상되는 미국 1억 1천만 가구의 데이터 세트에서 2,400만 가구를 구별할 수 있도록 했다. 그런 다음 이 가정들이 쇼핑할 수 있는 특정 소매업체를 식별했다. 궁극적으로 이러한 고객은 출시 후 첫 12개월 동안 제품 매출 성장의 80%를 견인했다.
• 펩시코는 분석 결과를 바탕으로 타겟 소비자를 정확하게 파악하고, 이들의 쇼핑 동향을 예측함으로써 매출을 증대시키고 있다. 펩시코의 소비자 데이터 분석은 데이터 중심의 의사 결정이 오늘날의 조직이 수익을 극대화하는지 보여주는 대표적인 예다.

 

(원문 출처 : 4 Examples of Business Analytics in Action @HBS)