패턴을 무엇으로 보고 어떻게 해석하느냐

 

데이터 과학자가 아니더라도 머신러닝을 활용한 업무는 누구나 할 수 있습니다. 직접 기존 알고리즘을 변형하고 새로 만드는 것이 아니라면 기존 알고리즘을 활용해서 일하는 것은 생각보다 어렵지 않습니다. 기존에 연역적 사고로만 기획했던 일 중 데이터를 통해 귀납적인 방법으로 검증하고 인사이트를 찾는 작업을 할 수 있습니다.

머신러닝을 포함한 인공지능의 핵심은 과거 패턴을 통해 미래를 파악하는 것입니다. 현장 전문가나 전략 기획자들도 과거 패턴을 가지고 일하는 데 활용하고 있습니다. 우수사례를 찾아 그 패턴을 통해 새로운 일에 적용해보려는 시도는 대부분이 하고 있는 일하는 방법입니다.

하지만 틀린 패턴들도 피드백 없이 반복 사용하고 있는 경우도 있습니다. 머신러닝을 어떻게 활용하느냐에 따라 이것을 새로 대체해서 정확한 패턴을 통해 미래를 예측하는 것도 가능합니다.

 

사업성 분석이 어려운 이유들

과거 점포 개발 업무는 점포개발 담당자의 영업망으로 하는 일이었습니다. 영업을 기획하는 팀에서는 이렇다 할 계획보다는 몇 개의 패턴과 기존 네트워크를 통해 신규 점포를 개발했습니다. 가령 대중교통의 발달에 따라 ‘버스 정류장 앞 가게’라든지 ‘지하철 출입구 앞 상가’ 등으로 패턴을 정한 것이죠.

이런 패턴이 성과를 거두기도 했습니다. 사람이 많이 몰리는 곳은 온라인, 오프라인, 지금과 예전을 가리지 않고 매출이 발생하는 기존 조건이니까요. 하지만 모든 곳이 좋은 매출을 거둔 것도 아니었습니다.

좋은 자리는 임대료가 비쌌기에 매출이 나와도 수익구조를 버티지 못하는 매장들이 나왔습니다. 점포 개발팀은 매출이 나와도 손해를 보는 매장에 대안을 내야 했습니다. 기존 패턴을 바꾸어야 하는 것이죠. 상가 2층으로 자리를 옮겨서 임대료를 줄여 보기로 했습니다. 하지만 업종에 따라 2층으로 옮기는 것은 매출을 급격하게 떨어뜨리는 원인이 되었습니다. 대신 더 멀리 입지를 바꾸는 일도 했죠. 그러다 적정한 위치에서 매출과 비용이 납득할만한 수준의 자리를 찾게 되었습니다. 임대료의 변화에 따라 몇 년간의 시행착오를 거쳐 패턴을 바꾸는 데 성공한 조직도 있었고 그렇지 못한 조직도 있었습니다.

흔히 전문가 시스템이라 불리는 ‘휴리스틱 로직’은 이렇게 시간의 단면을 잘라 그때의 암묵지 같은 원리를 정리할 수는 있지만 변화하는 패턴을 늘 따라가지는 못합니다. 사람이 늘 변화에 민감하게 반응해야 하는 숙제가 따릅니다. 아무리 트렌드를 잘 파악하는 기획자라고 해도 감각이 떨어지면 금새 경쟁력을 잃고 마는 것입니다. 변화가 빠른 소비재나 유통, 패션, 코스메틱 업계에서 나이 든 기획자가 드문 것도 의도적으로 기업에서 내 치는 것도 있지만 자신이 타깃 고객의 감성에 맞게 늘 유지할 수 없는 기획자 숙명이 자리 잡고 있기도 합니다.

그래서 대안이 필요했습니다. 점포개발 업무를 한 번 정리된 패턴으로 ‘역 앞에 큰길이 아닌 바로 옆 길에 1층으로 개발해서 고객 수와 임대료의 균형을 잡겠다’라고 정하고 전국에 그런 곳들을 찾아 미리 지도에 찍어둔다 해도, 원리 자체가 변화는 상황을 겪는다면? 정리 자체가 무쓸모가 되겠죠.

그래서 기획이 하는 모든 일도 이런 식으로 전문가 시스템은 넘어 대안이 필요합니다. 머신러닝의 등장도 바로 이 지점에서 기획과 만날 수 있습니다.

 

 

전통 제조업 기획자도 머신러닝을 활용한다

머신러닝은 오픈소스 확산을 통해 대중화됐습니다. 최근에 제가 아는 영업기획을 하시는 분도 회사에서 파이썬을 이용해 데이터를 돌려 패턴을 찾는다는 말을 했습니다. IT 부서에서만 할 것 같은 일을 경영학 전공인 영업 기획자가 한다는 게 이제는 많이 놀랄 일은 아닌 게 되었네요. 더군다나 로컬 서버로 간단하게 실행하면 프로그램 비용도 들지 않는 장점은 개인이든 법인이든 설명만 할 수 있다면 더 이상 머신러닝이 먼 이야기로만 남지 않게 만들어주었습니다.

가장 쉬운 머신러닝 방법은 판단입니다. 그게 맞냐, 아니냐 하는 양자 선택의 문제는 지도 학습을 통해 가장 쉽게 접근할 수 있습니다. 미리 정답을 알려주고 정답을 만든 패턴들을 컴퓨터에게 학습시킨 다음 비슷한 패턴을 보이지만 아직 맞는 시점이 도래하지 않은 고객이나 상품을 찾아내는 것이죠.

기존 제조업은 상품을 고객과 분리해서 다루었습니다. SCM을 담당하는 부서와 CRM을 맡는 조직은 서로 많은 교류를 할 기회가 없었습니다. 상품을 잘 기획하고 잘 만들고 매출이 일어나게 하는 일과 구매하고 평가하는 고객을 한 번에 관리하는 게 별개의 일이 아닌 것처럼 들리지만 실제 조직에서는 전통적으로 SCM 관련 조직에 많은 힘을 실어준 반면 고객 관리는 부수적인 것으로 인식하는 편이 많았습니다. 물론 좋은 상품과 서비스가 핵심이지만 그것은 고객의 반응과 수요를 알고 제대로 피드백이 되어야 완성될 수 있는 건데 말이죠.

따라서 기획자의 관심은 주로 상품에 대한 것이었습니다. 데이터 분석을 한다고 하면 상품이 어떻게 팔리고 어떤 수익을 내는지 정도였죠. 간단한 집계를 엑셀이나 액세스, SQL 정도면 할 수 있었습니다. 기술과 트렌드를 파악하면 되는 일이기에 더 앞선 시장의 트렌드와 기술이 언제 여기서 어떤 식으로 푸는 지만 보면 되는, 벤치마킹의 시대였죠.

하지만 시장이 더욱 세분화되는 수요보다는 공급이 넘쳐나는 시대에 들어오면서 고객을 뒤늦게 인식하기 시작했습니다. 이제 기획자에게 고객 데이터는 더 이상 부수적인 것이 아닌 것이죠. 고객이 어떻게 정보를 탐색하는지 관련된 데이터가 우리 회사 서버에 어떤 형태로든 있는 게 패턴을 잃지 않고 늘 찾을 수 있는 경쟁력이 되었습니다.

머신러닝을 여기에 적용하면 할 일이 많습니다. 상품과 고객과 관련된 데이터를 모두 모아 두고 상품과 고객을 매칭 하는 작업부터 시작할 수 있습니다. 지금까지 타깃 고객에 대한 암묵지만 있던 공급을 고객을 분석해서 고객에 맞게 공급할 계획을 만들 게 됩니다. 의사결정 나무나 군집분석 등을 활용하면 이 상품을 구매하는 고객이 어느 기준으로 나뉘게 되는지 설명할 수 있습니다.

 

 

계속, 방향성을 가지고 조금씩

커머스 기업에서 여러 카테고리의 상품들을 모아 고객에게 마케팅 할 때, 어떤 포인트를 내세울지 고민하는 것도 머신러닝을 통하면 전혀 다른 인사이트를 얻을 수 있습니다.

머신러닝 알고리즘에 일별 단위의 데이터를 넣으면 시각 변하는 고객의 프로파일을 확인할 수 있습니다. 기본적으로 고객의 가입 정보인 연령, 성별, 거주지, 결혼 여부나 자녀 수부터 출발해 접속 디바이스, 운영체제, 시간, 장소를 알 수 있죠. 또, 데이터 확보 여부에 따라 고객이 주로 검색하는 키워드나 장바구니에 담아 둔 상품이 무엇인지도 알 수 있습니다. 그리고 고객이 어느 지점에서 이탈했고, 어떤 제휴 채널을 통해 접속하는지도 알 수 있습니다.

단순한 마케팅 루트를 파악하는 것이 아니라 고객 프로파일이 어떻게 변하는지를 관찰해 서비스를 이용하는 고객이 누구인지, 그들을 대상으로 어떻게 사업을 확장할 것인지 기획할 수 있죠. 그리고 고객이 남긴 댓글이나 평가, 상담, SNS 메시지 등을 데이터로 분석하면 현재 개선이 필요한 부분도 파악할 수 있습니다. 굳이 고객을 만나 설문하고, 조사하는 과정을 거치지 않아도 된다는 말이죠.

하지만 이런 자료는 회사 내부에 데이터가 없거나 일회에 그치기 때문에 기업 내부에서도 성과를 내기 어려운 환경입니다. 데이터에 대한 믿음이 부족한 것이죠. 데이터가 중요한 금융 시장에서도 퀀트가 펀드 매니저 이상으로 일을 해내기 때문에, 기획자의 입장에서 데이터로 인사이트를 뽑지 않는 것은 스스로 경쟁력을 약화시킬 뿐이니다.

데이터에 대한 믿음이 부족한 것이죠. 감각 있는 사람이 모든 일을 잘할 거라고 생각하지만 금융 시장에서도 이미 퀀트가 어지간한 펀드 매니저 이상으로 일을 잘 해내고 있는 것을 본다면 데이터를 가지고 기획의 인사이트를 뽑지 않는 것은 스스로의 경쟁력을 약화시킬 뿐입니다.

실제 업무에서 머신러닝을 적용할 때 가장 어려운 점은 적용 가능한 ‘주제’를 정하는 것입니다. 기획자가 내부를 이끌고 가기 힘든 상황이라면, 어려운 일이지만 실무 부서 몇 곳과 같이 협업해 테스트해보길 추천합니다. 그나마 쉽게 적용할 수 있는 CRM 캠페인이나 재고 할인 시기를 정하는 것을 예로 들 수 있겠군요. 그로스 해킹의 기본이 되는 서비스와 고객을 서로 맞춰가는 것도 좋은 출발이 될 수 있습니다.

사람이 하던 일을 머신러닝으로 조금씩 개선해나가고 데이터 기반으로 기획을 한다면 아주 좋은 시작이 될 거라 생각합니다. 20세기 방식만으로 기획하기엔 세상은 너무나 빨리 변하고 있으니까요.

 

 

거스를 수 없는 데이터 경영, 시작해보자

제가 머신러닝을 알고 난 뒤로 과거 기획한 가설들이 실제와는 얼마나 달랐는지 알 기회가 많았습니다. 앞서 예로 들었던 점포 개발 사례도 상권 분석이나 주변 거주자들의 구매력을 추산해 대형 점포를 개발했지만, 오픈 직후 매출이 부진했던 것으로 보면서 전문가 시대는 끝나가고 있음을 느끼기도 했죠.

데이터로 일하면 생각보다 단순하고 뻔한 패턴이 정답이 정답으로 결론날 때도 있습니다. 하지만 상당수는 핵심 데이터를 많이 확보할수록 더 빨리 정답에 가까워지는 경우도 있었습니다.

스스로 시스템 안에 갇힌다면 신규 고객은 유입되지 않는 서비스와 브랜드로 낙후될 수 있습니다. 과거 구매자들만 쫓는 것은 도움 되지 않는다는 뜻입니다. 잠재 고객과 현재 핵심 고객은 아니지만 그 주변 정도 되는 고객 데이터를 찾아 유입시키고 브랜드를 성장하게 하는 프로그램을 만드는 것이 필요합니다.

그리고 이런 프로그램을 구상하고자 한다면, 당장 기획 팀 인원 몇 명이 모여 스터디를 진행하면 됩니다. R이나 파이썬은 심지어 설치도 무료고 구글링을 통해 기본 학습을 익힐 수 있습니다. 그리고 조금 익숙해졌을 때, 데이터 확보와 서버 스팩이 문제 된다는 것도 알게 돼죠.

어차피 금융이나 추천 서비스가 아니라면 머신러닝 알고리즘을 굳이 튜닝하면서 쓸 필요는 없으므로 그대로 쓰는 것도 나쁘지 않습니다. 기본으로 많이 사용하는 회귀, 신경망, 의사결정 나무 알고리즘도 꽤나 정확한 결과를 구현하기 때문이죠.

 

이전 글

(5) 전략 기획자의 데이터 핸들링 원칙들
(4) 사무실은 과연 무엇을 하는 곳일까?
(3) 전략 기획자의 기업 역량 알기
(2) 경영을 과학으로 어떻게 만들 것인가 
(1) 전략 기획자의 시장 구분법

 

PETER님이 브런치에 게재한 글을 편집한 뒤 모비인사이드에서 한 번 더 소개합니다.

 

88x31

 

 

[fbcomments url=” https://www.mobiinside.com/kr/2019/06/19/peter-machine-learning/” width=”100%” count=”off” num=”5″ countmsg=”wonderful comments!”]