"AI와 Data를 하나의 단위로 프레이밍해야 한다. 즉, 어떤 Using scene에 어떤 Data를 기반으로 AI를 어떻게 접목시켜서 비즈니스의 성과를 높일지 하나의 단위로 조망하는 것이 중요하다."
1. AI, Data의 디지털 사업 시사점
새로운 기술의 등장과 비즈니스 혁신 간의 관계
신기술 도입으로 혁신적인 결과를 만든 케이스는 많지 않아
- 랩3, NFT, 데이터 등 혁신적인 기술이 지속적으로 등장하고 있지만, 신기술이 비즈니스와 고객 경험을 눈에 띄게 혁신한 케이스는 많지 않다. 사실 탑라인 관점에서 고객 경험의 차원에 혁신 기술을 도입하는 것도 중요하지만, 오퍼레이션 차원에서 내부 업무 효율화에 혁신 기술을 도입할 때 더 많은 이점이 있다.
- 예를 들어, 마케팅을 위한 사진 한 장을 찍기 위해 사진 기사, 포토샵 기술자, 조명 감독, 광고 기획자 등 여러 명의 인력이 필요한데 생성형 AI를 이용하면 훨씬 효율적으로 고도화된 결과를 만들어낼 수 있다.
► 생성형 AI 프롬프트 엔지니어링 예시
생성형 AI로 혁신적인 아웃풋을 만들기 위한 조건
AI를 통해 좋은 결과물 얻으려면, 양질의 데이터가 필요
- 생성형 AI 모델은 다양한 데이터 묶음을 학습한 후 그것을 기반으로 재조합하여 새로운 아웃풋을 생산해내는 프로그램이다. 따라서 기업 내부적으로 생성형 AI 모델을 사용하려면, 기업이 가진 데이터의 양이 아니라 질이 훨씬 중요하다. 예를 들어, 학습한 이미지의 퀄리티가 좋지 않다거나, 소비자가 반응할 만한 카피가 아닌 일반적인 카피를 학습했다면 좋은 아웃풋이 나올 수 없다.
- 생성형 AI 모델들은 이미 생태계가 만들어져 다양한 애플리케이션이 생겨나고 있다. 이를 통해 앞으로 누구나 생성형 AI 모델을 원하는 방식으로 활용 가능하며 어느 기업이든 구비하여 도입할 수 있게 된다. 이때 가장 중요한 포인트는 누가 양질의 데이터를 더 많이 지니고 있느냐가 경쟁력이 될 것이다.
► 생성형 AI Foundation Model 활용 사례 (벤츠 공식홈페이지 가을 프로모션 이벤트)
AI, Data를 활용한 디지털 사업의 본질
AI, Data를 활용할 지점, 방법, 결과에 대한 명확한 정의가 필수적
- 디지털 사업 전개 초반, 가장 흔한 착각은 데이터와 AI가 모든 비즈니스 문제를 해결해줄 것이라는 환상이다. 그러나 기술은 도구일 뿐, 어떤 고객군에게 어떤 기획으로 어떤 혜택을 제공할 것인지 그 정의에 따라 얻을 수 있는 결과가 달라진다.
- 디지털 비즈니스를 위해 중요한 것은 기술에 의존하려는 태도보다 새로운 기술들을 더 효과적으로 활용할 수 있는 조직 내 DNA가 중요하다. 이런 DNA가 선행되면, 강력한 도구 없이도 디지털 비즈니스의 실질적인 성장이 가능하다.
► 강력한 도구 없이도 성장하고 있는 디지털 사업 사례 (토스)
2. 대부분 실전에서 실패하는 원인
전략과 실행의 간극
데이터의 단절로 인한 활용의 어려움
- 대부분의 경우 밸류 체인 상에서 많은 데이터가 생성됨에도, 각각의 데이터가 서로 단절되어 있어 의미 있게 활용되지 못하고 있다. 단절이 일어나는 지점은 크게 3가지로 나눌 수 있다.
고객 여정 데이터의 단절
상품/서비스 소비자 반응 데이터를 전략 인사이트 획득에 활용할 수 있어야 하지만, 마케팅 데이터의 분절로 반응 현황 파악 정도만 가능한 경우다.
데이터 공조의 단절
온라인 소비자 검색 데이터와 구매 예측 데이터를 생산을 위한 수요 예측에 활용할 수 있어야 하지만, SKU(상품 최소 분류 단위) 및 브랜드별 구매 데이터와 수요 예측 데이터 간 통합이 되지 않아 연관성을 인식하지 못하는 것이 이 경우이다.
매출 단위와의 단절
상품/서비스 소비자 반응 데이터를 상품 기획/디자인에 반영할 수 있어야 하지만, 정량 데이터 중심으로 소비자 반응을 분석하고 있어 실제적인 소비자의 관심사와 관련된 데이터는 활용하지 못하는 경우이다.
► 데이터 단절이 일어나는 지점 3가지
고객 여정 데이터 간극의 원인 및 시사점
각 데이터를 횡적으로 조망해, 매출 기여 체계 수립해야
- 고객 여정 각 단계별로 발생하는 데이터들이 별개로 존재할 뿐 횡적으로 연결되지 않는다. 또한 각각의 데이터가 비즈니스 매출에 어떻게 기여할 수 있는지에 대한 분석이 이루어지지 않고 있다. 이를 통해 고객 여정 데이터를 유의미하게 활용하기 위해 선행되어야 하는 작업을 다음과 같이 정리할 수 있다.
① 고객 여정을 횡적으로 조망해, 비즈니스 지표와 관련된 데이터 지표를 발굴해야 한다.
② 각 데이터의 종적으로 추출해, 비즈니스 매출과 연동하여 분석해야 한다.
③ 데이터 통합 시, 활용처를 기준으로 필요 데이터가 무엇인지 명확히 정의해야 한다.
► 고객 여정 및 고객 여정에서 발생하는 데이터
데이터 공조 간극의 원인
고객 데이터를 비즈니스 매출을 위한 선행지표로 활용할 수 있어야
- 고객 여정 데이터 추이를 보면, 실제 매출에 높은 연관성을 보이는 데이터가 있다. 예를 들면, 포털 검색량 데이터는 판매량 데이터와 거의 비슷한 추이를 보인다. 이를 통해 검색량이 높은 제품, 검색량은 높으나 구매 전환이 되지 않는 제품, 검색을 통해 구매하는 타겟 고객군 등 유의미한 데이터를 추출하는 선행지표로 활용할 수 있다.
- 그러나 검색 패턴, 마켓 셰어, 세일즈 간 데이터 공조가 활발하게 일어나지 못하는 원인은 다음과 같다.
① 조직 내부에 디지털 데이터 적용에 대한 인식이 부족하다.
② 조직 내부에 디지털 및 데이터에 대한 부서 간 장벽이 존재한다.
③ 데이터와 기술을 비즈니스 매출을 위한 수단이 아닌 목적으로 인식한다.
► 고객 여정 데이터와 비즈니스 지표 상관성1
매출 단위와의 간극 의 원인
기술 도입만으로 프로세스 혁신이 이루어지지 않음을 명심해야
- 이상적인 디지털 비즈니스 업무 체계는 제품 탐색, 구매, 사용, 재구매의 소비자 구매 여정별로 온/오프라인 채널의 데이터가 수집되어 통합 분석되고 다시 상품 기획/실행에 반영되는 것이다.
- 그러나 현실적으로는 온/오프라인 채널의 데이터와 소비자 여정 데이터간 연계가 불가능하며, 통합 분석할 수 있는 체계도 부재하다. 또한 실제 소비자 데이터를 상품 기획/실행에 반영하는 사례도 찾기 어렵다. 그 원인은 다음 세 가지로 정리할 수 있다.
① 조직 내 표준 고객 분류가 부재하며, 타겟팅이 불가능한 수준의 분류 체계를 따르고 있다.
② 데이터를 활용하기 위한 사전 시나리오 없이 솔루션을 도입한 후, 일부 데이터만 분절적으로 활용하고 있다.
③ 각 조직이 보유한 데이터를 통합 사용 가능한 단위로 정제하는 노하우가 부재하다.
► 신규 기술에 대한 환상으로 인한 이상과 현실의 괴리
3. AI, Data를 활용한 성공 스토리
Customer Facing 측면
주로 마케팅, 플랫폼에 도입해 고객경험 개인화에 활용
- 디지털 상의 데이터들을 LLM이 체계적으로 분류하여, 분류 결과를 바탕으로 개별 타겟에게 개인화된 고객 경험을 제공하는 용도로 기술이 활용되고 있다. 그러나 AI를 활용한 개인화된 고객 경험이 혁신적인 결과를 내기 위해서는 고객 세그먼트 구분에 대한 명확한 정의가 선행되어야 한다.
► 대 고객 업무에서 AI, Data가 활용되는 영역 사례
Consumer Facing
Company Facing 및 E2E 측면
노동집약적 업무에 도입해 업무 효율화를 위해 활용
- 코딩 테스트, 내부 지식 관리 등 사람이 하기에 지나치게 반복적인 업무 혹은 사람이 할 때보다 AI가 더 높은 정확성을 보일 수 있는 업무에 기술이 주로 사용되고 있다.
► 내부 업무, E2E에서 AI, Data가 활용되는 영역 사례
Company Facing
E2E Enablers
소비재 기업의 생성형 AI 도입 성공 사례
광고 마케팅 최적화, 플랫폼 경험 개인화에 주로 활용
- 대부분 기업들이 도입 적용이 쉽고, 효과성이 높은 대고객 영역에서 생성형 AI를 많이 활용하고 있다. 그러나 이를 통한 엄청난 매출 혁신이 일어났다고 보기는 어렵다. 이 사례를 통해 볼 수 있는 시사점은 현 시점에서 AI와 Data가 주는 가장 큰 혜택이 노동 집약적인 업무 부담 감소와 전반적인 고객 경험의 상향 평준화이라는 사실이다.
AI, Data 활용 성공을 위한 권고
왜, 어디에, 무슨 데이터로 어떤 부분을 개선할지 좁은 단위로 정의
- AI, Data를 활용하기 전에 실제 업무의 전체 프로세스를 아래와 같이 좁은 단위로 정리하는 작업을 선행하는 것이 필수적이다.
- 이 작업을 통해 실제 진행되는 업무의 과정 중 기술을 통해 효과/효율을 높일 수 있는 부분을 확인하고, 어느 부분을 어떻게 개선할 것인지 면밀하게 정의해야 한다.
- 좁은 영역부터 먼저 빠르게 도입하고, 차차 넓혀가는 방식이 AI 기술 도입 성공의 가능성을 훨씬 높일 수 있다.
► 실제 내부 업무 상세 프로세스의 좁은 정의 사례 (마케팅 영역)
AI, Data 활용 사례: 마케팅 텍스트, 이미지, 비디오 제작
소비자 데이터를 통해 좋아 할 만한 마케팅 컨텐츠를 AI 제작
AI, Data 활용 사례: 제품 및 백그라운드 3D 이미지 생성
3D 모델링을 통해 빠른 상세 이미지 생성해 비용 절감
AI, Data 활용 사례: 글로벌 마케팅 홀딩스 ‘Publicis’
생성형 AI 기반 솔루션으로 내부 업무 혁신 통해 큰 비용 절감
- 과거에 이용했던 텍스트, 이미지, 광고 등 내부 자산을 AI에 학습시켜, 원하는 단위로 원하는 시점과 활용처에 활용할 수 있도록 내부 업무를 혁신적으로 개선했으며, 이를 통해 최소 20% 이상의 리소스를 절감했다.
► Publicis의 생성형 AI 활용 체계
기획, 제작, 운영, 분석 관점에서 업무를 디지털화
- 마케팅 브리프를 생산하고, 제품 활용컷 및 카피, 배경이미지를 컨셉별로 생산하고, 컨텐츠를 포맷별로 제작해 배포하고, 컨텐츠 성과를 분석한 후 최적화하는 마케팅의 전 단계를 생성형 AI 기반으로 전환했다.
► Publicis의 자체 고객경험 생성 플랫폼
AI 솔루션 개발에 필요한 역량을 명확화해 적합한 파트너 마련
- 원천 AI 모델을 바탕으로 원하는 단위, 퀄리티의 결과를 얻기 위해서는 양질의 데이터를 평가하고 파인튜닝(fine-tuning)해 학습시키고 알고리즘화 시키는 다양한 역량이 필요하다. Publicis 사는 이러한 부분의 부족 역량을 파트너십을 통해 해소했다.
► 생성형 AI 솔루션 개발 단계별 필요 역량
기존 자료를 데이터베이스화해 누구나 사용할 수 있도록 공유
- 수만 개의 데이터를 정제하여 데이터베이스화, 플랫폼에 업로드하여 생성형 AI를 기반으로 앱을 만들어 누구든 검색, 검증, 소싱할 수 있도록 하였다.
► AI 기반 정형/비정형 데이터 정제 체계
4. 기술 기반 디지털 성장 메커니즘
밸류 체인 전반의 디지털 비효율 직시
비즈니스 과정에서 어떤 사업적 결핍이 발생하는지 확인
► 플랫폼 비즈니스 밸류 체인
기술을 접목할 Using Scene의 명확한 정의
좁고 명확한 정의를 통해 필요한 1st party Data 를 정제
- 고객 여정을 이해하고, 어떤 오퍼링을 통해, 어떤 지표를 달성할 것인지를 분석하여 그것을 위해 필요한 데이터와 툴을 마련해야 한다.
언어와 업무의 표준화 단위인 ‘룰셋’의 내재화
모든 조직구성원이 동일한 개념, 동일한 데이터를 사용할 수 있어야
- 룰셋은 디지털 플랫폼에서 ‘고객 구분자’, ‘매출’, ‘전환율’ 등의 업무를 다루는 표준화된 단위이자 개념이다. 모든 구성원이 서로 같은 개념과 이해를 DNA화 해야, 조직 내부에서 필요한 데이터를 누구에게 요청해서 어떻게 활용할지 체계화할 수 있다.
- 또한, 사람과 룰셋의 조합을 통해 언제, 누구에게, 어떤 비즈니스를, 어떤 전략적인 의사결정과 제안을 통해 이어갈 것인지 체계화하여 궁극적으로 디지털 사업의 성장으로 이어질 수 있다.
► 명확한 룰셋을 기반으로 한 디지털 사업 성장
► 표준화된 룰셋 사례와 디지털 비즈니스 성장 체계
5. 디지털 비즈니스 성공을 위한 3가지 제언
① AI와 Data 라는 도구가 아니라, 디지털 사업 성장의 결핍을 구체화 하라
② 양손잡이 조직이 아닌 양손잡이 인력이 리드하도록 하라
③ 사람이 아니라 룰셋의 루틴화가 디지털 사업 성장의 동인이 되도록 하라
