시리즈 1편. 해석되지 않은 데이터는 아무 것도 아니다.
시리즈 2편에서 온톨로지에 대해 얘기했던 것 기억나시나요? 온톨로지는 LLM이 기업 데이터를 이해할 수 있도록 하는 시작점이자 기준이라고 말씀드렸습니다.
온톨로지가 잘 설계되었다면 다음 단계는 의사결정을 내려야 하는 사람이 필요한 시기에, 필요한 데이터를 보고, 원하는 목적을 달성할 수 있도록 하는 것입니다. 이렇게 되려면 단순히 차트와 리포트를 만드는 것에 머물지 않고 AI가 해석한 데이터를 다양한 관점에서 조회하고, 변화의 흐름을 추적하고, 핵심 지표를 요약하고, 속성별로 쪼개서 보는 것이 필요합니다.
위에서 언급한 네 가지 항목이 제공될 때 비로소 의사결정에 필요한 데이터를 얻을 수 있습니다. 이 목적을 달성하기 위해 데스크룸은 Search, Trend, Summary, Aggregate까지 총 네 가지 관점으로 Analytics 기능을 설계했습니다.
Seacrh: 해석된 데이터 탐색
Search는 온톨로지를 기준으로 해석된 데이터의 출처가 어딘지, 어떻게 연결되어 있는지, 어떤 의미를 갖는지를 사용자가 조회할 수 있도록 만든 기능입니다.
여기서 중요한 점은 이 기능을 활용하기 위해 개발 부서에 도움을 요청하거나 SQL 같은 개발 언어를 알아야 할 필요가 전혀 없다는 것입니다. 평소에 컴퓨터로 업무를 처리하는 구성원이라면 노션이나 엑셀에서 필요한 내용을 필터링하듯 누구라도 손쉽게 원하는 데이터를 조회할 수 있습니다.
예를 들어 A라는 커머스 기업에서 Search 기능을 활용하게 되면 ‘배송 지연’ 건수를 확인하고 싶을 때 단순히 총 숫자만 보여주는 것이 아니라 아래 내용들을 객체 단위에서 종합적으로 추적할 수 있도록 보여줍니다.
배송 지연 데이터의 출처가 어떤 고객 문의인지
배송 지연 데이터가 발생한 주문 채널은 어디인지
배송 지연 데이터들이 묶이는 단위가 상품인지 날짜인지
Trend: 시간에 따른 데이터 흐름 파악
Trend는 시간의 흐름에 따른 데이터 변화를 볼 수 있도록 만든 기능입니다. 대부분의 데이터는 단일 데이터로서 의미를 가지기 어렵습니다. 흐름과 변화를 볼 때 비로소 의사결정에 도움이 되는 데이터가 됩니다.
예를 들어 A라는 커머스 기업이 Trend 기능을 활용할 때 아래와 같은 데이터를 확인할 수 있습니다.
주말이 끝난 후 월요일마다 급증하는 CS 문의
신규 상품 출시 직후 급상승한 반품 요청 건수
특정 택배사를 이용한 기간 동안 이탈률이 높아진 주문 건수
위 데이터는 고정된 시점의 데이터만으로는 확인하기 어려운 데이터입니다. 이렇게 시간에 기반한 패턴 분석은 데이터를 이해하는 가장 기본적인 관점이자 향후 데이터 예측, 이상치(스파이크) 감지는 물론 데이터 기반 의사결정의 출발점이 됩니다.
Summary: 주기적으로 확인해야 하는 핵심 데이터 요약
Summary는 다양한 데이터 중에서도 주기적으로 모니터링해야 하는 핵심 데이터들만 모아서 볼 수 있게 만들어진 기능입니다.
Summary 기능을 활용하면 복잡한 조건 설정이나 검색 없이 필요한 데이터를 일간/주간/월간 대시보드 형태로 확인할 수 있습니다. 또한 요약된 데이터는 동일한 기간의 이전 데이터와 비교해서 확인하는 것도 가능합니다.
예를 들어 A라는 커머스 기업의 CS 부서가 Summary 기능을 활용한다면 아래와 같이 확인할 핵심 데이터를 리스트업할 수 있습니다.
일간/주간/월간 CS 채널에 접수된 고객 문의 건수
일간/주간/월간 CS 팀의 응대 완료율
일간/주간/월간 CS 팀의 평균 문의 처리 시간
일간/주간/월간 가장 많이 접수된 불만 유형
지난 주 대비 이번 주 고객 문의 건수
Aggregate: 데이터 쪼개 보기
Aggregate은 하나의 조건으로 그룹 지어진 데이터를 다양한 속성 기준으로 나누어, 속성별 구성 비율과 이상 패턴을 확인할 수 있도록 만들어진 기능입니다.
데이터를 볼 때 전체 수치만을 확인하게 되면 진짜 문제를 발견하지 못할 수 있습니다. 전체 데이터에 묻혀 있는 문제를 발견하려면 데이터를 나누고 쪼개서 봐야 합니다.
예를 들어 A라는 커머스 기업의 데이터는 아래처럼 쪼개서 볼 수 있습니다.
유입된 CS 문의 처리 시간을 상담원별로 쪼개보기
상품 반품률을 구매 채널별로 쪼개보기
구매 퍼널의 이탈률을 가입 경로별로 쪼개보기
이렇게 하면 전체 수치에서는 보이지 않던 특이값이 아래처럼 드러납니다.
전체 CS 문의 처리 시간은 1분이었는데 상담원 C의 문의 처리 시간은 4분이었다.
세 개의 채널 중 두 개 채널은 반품률이 5% 미만이었는데 한 개의 채널이 15%였다.
세 개의 가입 경로 중 두 개는 이탈률이 10%였는데 한 개의 채널은 2%였다.
전체 수치만 봤을 때는 보이지 않던 문제나 특이사항이 데이터를 쪼개서 보면 명확히 드러납니다. 하위 속성별 차이를 근거로 인사이트를 도출하고 문제를 설명해야 할 때, 문제해결을 위한 의사결정을 내려야 할 때 Aggregate기능은 큰 도움이 될 수 있습니다.
데이터 기반 의사결정의 시작점
온톨로지를 기반으로 LLM이 조직의 데이터를 해석할 수 있는 기반을 마련했다면 해석된 데이터를 어떻게 활용해야 의사결정에 도움이 될지를 고민해야 합니다.
데스크룸은 그 고민의 결과물로 Search, Trend, Summary, Aggregate이라는 네 가지 관점을 통해 Analytics 인사이트를 제공합니다.
해석된 데이터를 사용자가 필요할 때 맥락에 맞게 보여주는 것. 이것이 데스크룸이 추구하는 Analytics의 방향성이고 데이터 기반 의사결정의 시작점이 될 수 있습니다.
Next. AI로 의사결정을 자동화하는 방법 2: Assist
다음 글에서는 LLM이 해석한 데이터를 기반으로 조직 구성원들이 빠르고 정확하게 의사결정할 수 있도록 돕는 Assist 기능에 대해서 알아보겠습니다.
