시리즈 1편. 해석되지 않은 데이터는 아무 것도 아니다.
시리즈 6편. AI로 의사결정을 자동화하는 방법 1: Analytics
시리즈 6편에서 소개한 Analytics 기능을 활용하면 쉽고 빠르게 데이터 기반 인사이트를 얻는 것이 가능합니다. 하지만 데이터를 보는 것만으로 의사결정이 내려지진 않습니다. 여전히 최종 결정은 사람이 내려야 하고, 결정을 내리기 위해서는 맥락적 해석과 고민의 시간이 필요합니다.
데스크룸은 결정까지의 시간을 효율적으로 줄이고 보조하기 위해 Assist 기능을 제공합니다. Assist 기능은 Recommendation과 Ideation으로 구성되며 두 기능은 각각 다른 유형의 의사결정을 지원하는 동시에 상호 보완적으로 작동합니다.
Recommendation: 반복되는 작업을 위해 정답을 추천한다
어떤 기업이나 매뉴얼은 존재합니다. 하지만 100% 자동화하기에 부담되는 업무. 반복되는 업무지만 맥락에 따라 사람의 판단이 개입되어야 하는 업무가 다수 존재합니다.
Recommendation은 이런 업무를 진행할 때 가능한 선택지의 범위를 좁히고 우선순위를 측정하여 결정의 속도를 높여주는 기능입니다. LLM은 해석된 데이터와 온톨로지를 기준으로 현재 상황에 맞는 대응안을 제안하고, 사용자는 그중 적절한 항목을 선택하거나 수정하여 활용할 수 있습니다.
예를 들어 커머스 기업의 MD 팀이 주간 매출 변동을 분석할 때, Recommendation은 아래처럼 활용될 수 있습니다.
MD 담당자가 "이번 주 매출이 지난 주 대비 왜 떨어졌는지" 분석을 요청합니다.
LLM이 자동으로 비교 기간을 설정하고(현재: 최근 7일 2025-10-06 ~ 2025-10-12, 이전: 그 전 7일 2025-09-29 ~ 2025-10-05) 전체 주문 데이터를 분석합니다.
LLM은 전체 변화 요약(주문 수 -940건, -84.4% 감소), 주요 원인 파악(색상별로는 '브릭 레이크', '돔블널', '해질녘'이 각각 12.4%, 10.7%, 9.8% 기여도로 주요 원인, 네이버페이 전용 옵션에서도 '브릭 레이크'와 '칵테일 자몽'이 9.7%, 8.7% 기여), 상세 분석, 그리고 대응을 위한 인사이트까지 구조화된 리포트를 즉시 생성합니다.
MD 담당자는 엑셀에서 수백 개의 옵션을 일일이 비교하는 대신, 몇 초 만에 핵심 원인을 파악하고 다음 액션(해당 색상 프로모션, 재고 조정 등)을 결정합니다.
Recommendation은 반복적으로 발생하는 매출 변동 분석 업무에서 담당자가 매번 엑셀을 뒤지고 피벗 테이블을 만들며 원인을 찾는 과정을 자동화합니다. 전반적인 업무 절차, 다음에 취해야 할 액션 등 다양한 경우에 응용되어 활용될 수 있습니다.
Recommendation의 목적은 의사결정에 필요한 정보를 학습한 상태에서, 사용자가 선택할 수 있는 후보지를 제공하여 더 빠르고 덜 피로하게 결정을 내리도록 돕는 것입니다. 비슷한 맥락의 반복 업무가 지속적으로 발생하는 조직일수록 Recommendation을 통한 생산성 향상 효과가 크고 사용자는 큰 효용감을 느낄 수 있습니다.
Ideation: 정답이 없는 문제에 방향성을 제시한다
제품 개선, 마케팅 전략, 캠페인 설계 등 많은 업무는 답이 정해져 있지 않고 탐색해야 합니다. 이때 필요한 것은 단순히 자동화된 제안이 아니라 데이터에 근거한 사고의 출발점과 탐색 방향 제안입니다.
Ideation은 해석된 온톨로지 기반 데이터와 분석 결과를 바탕으로 사람이 특정 목적 달성을 위한 아이디어를 더 빨리 떠올리고 방향성을 쉽게 잡을 수 있도록 지원하는 기능입니다.
예를 들어 커머스 기업 A의 마케팅팀이 메타 광고 성과 개선 전략을 수립할 때, Ideation은 아래처럼 활용될 수 있습니다.
마케터가 "최근 2개월 광고 캠페인 기준으로, 전환율이 어떻게 될 것 같아?"라고 질문합니다.
LLM은 최근 7일간 평균 CTR 예측 데이터를 분석합니다. 실제 데이터(파란 실선)와 예측(보라 점선), 그리고 신뢰구간(80%, 연보라 영역)을 시각화하여 제시합니다.
LLM은 분석 결과를 바탕으로 구체적인 인사이트와 함께 세 가지 개선 아이디어를 제안합니다.
"10월 11일 최대 전환율을 기록한 시점의 소재/타겟팅 조합을 분석하여 재현 전략 수립"(그래프 상 CTR 약 1.3건으로 전체적으로 감소할 것으로 예상됨)
"10월 12일 이후 가장 낮은 전환율 구간에서의 공통 패턴(요일/시간대/소재 유형 등) 파악 및 개선"(일요일과 월요일 사이 하락 패턴 감지)
"신뢰구간이 넓은 주말 시간대에 대한 A/B 테스트를 통해 변동성 원인 규명 및 안정화 전략 마련"(주말 구간의 넓은 신뢰구간 기반)
마케터는 과거 데이터를 일일이 엑셀로 정리하고 패턴을 찾는 대신, 몇 초 만에 데이터 기반 개선 아이디어와 우선순위를 파악할 수 있습니다.
예시처럼 Ideation은 일반적인 이론이 아닌, 우리 조직의 실제 데이터에 근거한 아이디어를 제안하기 때문에 특정 목적 달성을 위한 전략 수립 시간을 효율적으로 줄일 수 있습니다. 더불어, 각각의 제안에는 해당 아이디어를 제안하게 된 근거 데이터도 함께 포함되므로 검증 가능한 출발점이 된다는 점도 큰 장점입니다.
Ideation의 목적은 사람이 질문을 던지는 시간을 줄이고, 조직 데이터에 근거하여 아이디어 후보를 빠르게 확보하게 하는 것입니다. 정답이 정해져 있지 않은 문제를 자주 풀어야 하는 조직일수록 Ideation을 통해 창출되는 가치를 크게 느낄 수 있습니다.
Recommendation과 Ideation은 함께 활용할 때 더 강력합니다.
Recommendation과 Ideation은 따로 사용할 수도 있지만 상호보완적으로 활용할 때 더욱 강력해집니다.
예를 들어 커머스 기업 A에서 두 가지 기능을 아래처럼 이어서 활용할 수 있습니다.
Ideation 기능을 활용해 가장 많이 발생하는 고객 불만에 대한 대응 방안을 도출합니다.
1번에서 도출한 방안의 일부를 Recommendation 템플릿에 추가하거나 반영합니다.
Ideation 기능으로 개선된 고객 불만 b에 대한 논의, 혹은 새로운 고객 불만 c에 대한 대응 방안을 도출합니다.
3번에서 도출한 방안을 Recommendation 템플릿에 추가합니다.
예시처럼 Recommendation과 Ideation은 완전히 별개가 아닌 상호보완적으로 활용할 때 문제 발견부터 해결까지의 주기를 단축하고, 새로운 패턴이 관측될 때마다 조직 전체에 인사이트를 빠르게 반영하는 운영 구조를 만들 수 있습니다.
의사결정을 위한 조력자 역할
LLM이 데이터를 해석하게 하는 것은 효율적인 의사결정을 위한 시작점에 불과합니다. 빠르고 퀄리티 있는 의사결정을 내리기 위해서는 LLM이 해석한 데이터가 사람의 의사결정에 직접적인 도움을 줄 수 있는 형태로 제공되어야 합니다.
데스크룸 Assist는 이를 위해 Recommendation과 Ideation이라는 기능을 제공하며 두 가지 기능은 궁극적으로 AI의 해석이 인간의 판단을 보조하고, 빠르게 실행까지 일어나는 연결 고리를 촘촘하게 만듭니다.
AI가 있더라도 최종 결정권은 언제나 사람에게 남아 있으며 데스크룸 Assist의 방향성은 AI를 통해 사람들이 빠르고 효율적으로 결정을 내리도록 하는 것입니다.
Next. AI로 의사결정을 자동화하는 방법 3: Automate
다음글에서는 조직의 다양한 반복 업무를 자동화함으로써, 사람이 하던 업무량을 획기적으로 줄여주는 데스크룸의 Automate 기능에 대해서 알아보겠습니다.
