[AI Algorithm] AI 알고리즘의 비즈니스 활용과 제조부문 활용방향 Part 1.

ABC 가 비즈니스 부문의 화두로 떠오른지 꽤 오랜시간이 흘렀습니다

ABC라 함은 AI, Big Data, Cloud 죠 '-'

막연하기만 했던 AI, Big Data, Cloud의 실체도 점점 잡혀가고, 활용방안에 대해서도 많이 구체화 되고 있습니다.

Part1에서는 AI, 인공지능의 근간이 되는 AI Algorithms에 대해 알아보고,

AI Algorithms이 기업의 마케팅과 가격전략 부문에서 어떻게 활용되는지에 대해 알아보도록 하겠습니다!

(Part2는 금융부문과 제조부문에 대해 함께 알아보도록 해요 '-')

---

"AI Algorithms / Machine Learning / Deep Learning"

 

AI, 인공지능은 기본적으로 '알고리즘(Algorithms)을 활용하여 인간의 사고 프로세스를 모방하는 것' 입니다

이러한 인간의 사고 프로세스를 활용하여 미래예측과 목표달성의 목적으로 활용하게 됩니다 '-'

 

인공지능(AI)은 고도화/활용방안에 따라 머신러닝(Machine Learning, ML)과 딥러닝(Deep Learning, DL)로 세분화 될 수 있습니다. '-' 따라서 Machine Learning과 Deep Learning은 인공지능(AI)를 대표하는 두가지 기술이라고 볼 수 있습니다.

 

 

각각의 기술을 살펴보면,

머신러닝(Machine Learning, ML) : 대량의 데이터를 분석하고, 패턴을 찾아내 예측하는 기법

딥러닝(Deep Learning, DL) : 컴퓨팅 기술을 통해 심층신경망(DNN : Deep Neural Network) 알고리즘을 활용하는 기법

으로 정의될 수 있습니다 '-'

 

인공지능의 활용 목적은 Predictive와 Prescriptive로 나눌 수 있습니다.

Predictive란, 확률에 기반하여 미래에 일어날 일을 예측하는 것을 뜻하며,

Prescriptive란, 기업/조직의 목표달성을 위해 필요한 방안을 제시하는 것을 뜻합니다 '-'

 

이러한 머신러닝(Machine Learning)과 딥러닝(Deep Learning)의 종류는 주어진 조건요인/Input을 토대로 결과값을 제공하는 "Supervised", 랜덤의 조건요인/Input에 따라 스스로 결정하는 "Unsupervised", 알고리즘이 환경 속에서 변화되는 요인들에 대해 적절히 반응하며 발전되는 "Reinforcement" 로 나뉠 수 있습니다.

 

초기에는 "AI를 어떻게 활용할 것인가"에 대한 고민이 많았다면, 현재는 기업과 조직의 가치창출을 위한 목적으로 그 활용도가 높아지고, 구체화되고 있습니다.

 

 

기업과 조직의 가치창출은 단순한 '이윤창출'이 아니라 소비자와 사회 전체의 공익을 증진하는 가치를 초함하는 만큼 인공지능(AI), 머신러닝(Machine Learning, ML), 딥러닝(Deep Learning)의 활용은 중요하다고 볼 수 있습니다!

 

 

이번 포스팅에서는 기업이 마케팅, 가격전략 부문에서 AI Algorithms를 어떻게 활용하는지에 대해 살펴보도록 하겠습니다 '-'

---

"적절한 때에 적절한 상품을, 적절한 가격에 추천하는 추천시스템!"

 

먼저 마케팅 부문에 대해 알아보도록 하겠습니다.

마케팅 부문에서 AI Algorithms를 기반으로한 추천시스템을 활용하고 있는데요, 고객 행동패턴을 분석하여 적절한 때에, 적절한 상품을, 적절한 가격에 추천하게 됩니다. 이 때, 고객 행동 패턴이란 "클릭, 검색, 지불, 리뷰, 평점, 구매, 장바구니, 거래내역 등" 온라인 상에서 행해지는 모든 '행동'이 될 수 있는 만큼 "보다 더 정확한" 추천을 만들 수 있죠 '-'

 

기업에서는 컨텐츠 기반 필터링(CBF)과 협력 필터링(CE)의 장단점을 결합한 하이브리드 형태의 추천시스템을 통해 온라인 상에서 고객이 "원하는, 원할 수 있는, 필요한" 상품이나 서비스를 노출하고 있습니다.

 

각각의 필터링은 장/단점을 갖고 있기 때문에, 하이브리드 형태의 추천시스템을 활용하게 되는 것입니다 '-' 각각의 장/단점을 간략히 설명드리자면,

▶ Content Based Filtering (CBF)은 새로 추가된 아이템에 대해서도 추천이 가능하지만, 사용자의 선호도를 특정 단어로 표현하기 어렵다는 단점이 있으며,

▶ Collaborative Filtering (CF)은 추진성과가 좋으며, 다양한 범위에 대한 추천이 가능하다는 장점을 갖고 있지만, 초기 사용자에 대해서는 추천의 정확도가 떨어질 수 있습니다.

 

 

이러한 추천시스템의 구체적인 예로는

불특정 다수에게 동일하게 제공되는 '전체추천',

특성을 갖고 있는 그룹(연령/성별/교육수준/소득수준 등)에 대해 적합한 컨텐츠를 제공하는 '그룹추천',

개인의 행동패턴(구매내역, 클릭/조회 traffic 등)에 기반하여 광고를 노출하는 '개인화 추천',

그리고 동일한 컨텐츠를 확인했던 다른 사람들이 관심을 갖게 되었던 컨텐츠를 추천하는 '연관아이템 추천'이 있습니다.

 

2019년 부터 한국에서 공식적으로 다양한 서비스를 제공하고 있는 NETFLIX와 미국의 음악 streaming 업체인 Spotify를 대표적인 사례로 볼 수 있습니다 '-'

 

 

 

NETFLIX가 대표사례로 선정된 이유는 "추천시스템을 활용하여 매출과 고객만족도를 향상한 사례"이기 때문입니다 '-'

사용자의 과거 시청 영화 등 고객 행동을 약 7만개의 알고리즘(Algorithms)으로 분석하여 숨겨진 행동원인을 파악하고, 새로운 컨텐츠를 추천하여 결과적으로 사용자는 "원하는 컨텐츠를 즐길 수 있고" NETFLIX는 추천시스템을 통해 "75% 이상의 영화 대여"를 발생시킴으로써 매출을 향상시켰습니다.

NETFLIX의 이러한 결과물은 새로운 컨텐츠를 만드는 근거가 되지 않을까 생각하네요 '-'

 

 

Spotify 역시 2013년 이후 적극적으로 AI Algorithms 관련 스타트업을 지속적으로 인수하면서 보다 나은 컨텐츠 추천을 제공하고자 노력해 온 것으로 유명합니다. 이들은 사용자 프로파일, 과거 감상 음악목록 등의 다양한 요인을 근거로 다수의 알고리즘을 활용하여 적극적으로 추천을 진행해 오고 있습니다 '-'

한국에도 음악 스트리밍 업체들이 많은데 이와같은 노력으로 더 나은 컨텐츠 추천 환경을 제공 받을 수 있기를 기대합니다!

 

---

"고객에게 최고의 가치를 최적의 가격에 제공하는 Dynamic Pricing !"

 

기업은 Dynamic Pricing 전략을 활용하여 더 많은 이윤을 창출하고자 노력하고 있습니다.

Dynamic Pricing이란, 알고리즘(Algorithms)을 기반으로 실시간 가격 차별화를 통해 가격 민감도가 다른 고객들에게 접근함으로써 단일가격/가격 차별화 전략 대비 더 큰 이익을 창출하는 전략입니다.

이 전략을 수행하기 위해 기업은 과거 수요/공급 데이터 및 기타 구매 의사결정에 영향을 미치는 외부 데이터를 바탕으로한 실시간 가격을 책정하여 포기/방치 이익을 실현이익으로 전환해야 합니다.

그렇다면 본 전략에 대해서 좀 더 자세히 알아볼까요 '-'?

 

 

 

그래프를 보시면 단일가격/가격 차별화 전략과 Dynamic Pricing 전략의 비교를 볼 수 있습니다.

기존의 단일가격/가격차별화 전략은 제품과 서비스의 품질 차이가 거의 없는 상품을 위주로 적용되었던 전략입니다. 비행기표, 호텔, 영화, 조조할인 등이 그 예시일 수 있겠네요 '-' 그 이후 온라인 전자상거래, e-commerce, 분야에서 확산되었습니다 '-'

단일가격/가격차별화의 경우 특별한 알고리즘 없이, 과거의 수요/공급 데이터를 기반으로 가격을 결정하였으며 온라인 전자상거래(e-commerce)에서 전체 고객을 시간대/연령/특성 별 가격 차별화 전략을 더하여 발전해 왔다고 할 수 있습니다.

하지만 이러한 단일가격/가격 차별화 전략의 큰 단점은 "가격을 아무리 낮춰도 구매가 일어나지 않거나(포기이익)", "가격이 너무 높아서 구매가 일어나지 않는(방치이익)"이 생긴다는 점입니다.

기업의 입장에서는 이러한 포기이익이나 방치이익이 방치재고로 이어지기도 하고, 고객은 원하는 제품을 구입할 수 없기 때문에 모두에게 좋지 않은 현상이라고 볼 수 있습니다 ㅠ.ㅠ

 

반면, Dynamic Pricing의 경우 과거 수요/공급 데이터 뿐만 아니라 구매 의사결정에 영향을 미치는 외부 데이터(날씨/트렌드/환경 등)을 함께 알고리즘을 통해 분석하여 "실시간 개별 맞춤가격 설정"을 이루게 됩니다.

이러한 Dynamic Pricing은 온라인 상에서 수요자와 공급자를 연결해주는 마켓플레이스 형태의 플랫폼 에서 대표적으로 활용되고 있으며, 온라인을 넘어 오프라인 마켓에서도 센서 등 ICT기술을 적용하는 방향으로 확대되고 있습니다.

 

Dynamic Pricing을 통한 실현이익 증가는 기업의 매출향상과 더불어 고객만족도를 함께 높일 수 있다는 점에서 시장 내 이해관계자들을 모두 만족시킬 수 있는 가격전략이라고 볼 수 있습니다 '-'!

 

그렇다면 수요자-공급자 연결 마켓플레이스의 대표주자인 airbnb와  uber의 사례를 살펴보겠습니다 '-'

 

 

 

숙박 플랫폼이 크게 붐이 한번 일어난 후 대형 여행업체들이 숙박 플랫폼 서비스를 시작했음에도 불구하고 Airbnb가 선두주자를 이어갈 수 있는 원동력 중 하나가 'Smart Pricing'이 아닐까 생각합니다.

Airbnb가 제공하는 'Smart Pricing'이란, 숙소를 공급하는 공급자(host)가 최대/최소 희망 숙박료, 장기 렌트 할인율, Smart Pricing 반영여부 등을 기반으로 외부요인(숙소 지역/위치, 계절, 수요량, 이슈 등)을 종합하여 실시간으로 숙소 임대료를 책정하여 반영하는 서비스입니다.

이를 통해 수요자(guest)는 더 저렴한 숙박이용료로 숙소를 이용할 수 있는 동시에 숙소 공급자(host)는 공실률을 최소화 하여 이윤을 극대화할 수 있는 환경이 만들어집니다.

물론, 플랫폼을 제공하는 Airbnb는 거래량에 따른 수수료를 받기 때문에 이윤을 향상시킬 수 있고요!

공급자/수요자/플랫폼이 모두 공생하며 보다 나은 결과를 만드는 알고리즘 서비스가 아닐까 생각됩니다 '-'

 

 

차량 공유 플랫폼 'UBER'에서는 'Surge Pricing'을 운영하고 있습니다 '-'

국내에는 법규나 안보 문제 때문에 운영되지 않는 차량공유 플랫폼이지요 ㅠ.ㅜ

Surge Pricing은 지역/시간대/날씨/교통상황 등 다양한 외부환경 요인을 고려하여 실시간으로 운행거리에 따른 비용을 책정하는 가격제도입니다 '-'

차량을 운전하는 서비스 제공자(공급자)의 경우, 비가 오거나 길이 막힐 경우 '거리에 따른 비용'보다 더 많은 서비스를 제공하고 합당하지 않은 보상을 받을 수 있기 때문에 이를 방지하기 위한 알고리즘 입니다 ^^ 이렇게 서비스와 재화의 균형이 맞지 않아서 생기는 손실을 '자중손실'이라고 하는데요. Surge Pricing을 통해 이러한 자중손실의 발생을 최소화 한다는 평을 받고 있습니다.

 

반면 아쉽게도 이 Surge Pricing은 현재 'Hub-and-Spoke' 모델이라는 이슈 속에 있는데요, Hub and Spoke 모델이란 중앙에서 동일한 힘/데이터를 공유하는 방식으로 플랫폼에서 이와같이 중앙에서 가격을 결정할 경우 가격경쟁이 저하되어 담합과 같은 결과를 초래할 수 있다는 논점입니다. AI알고리즘에 따라 일어날 수 있는 부작용 중 하나라고 볼 수 있겠네요 ㅠ.ㅠ 이 부분에 대해서는 아직 활발히 논쟁 중입니다!

 

---

"Part 1을 마치며.."

 

 

지금까지 기업과 고객이 함께 이윤과 만족도를 향상할 수 있는 마케팅과 가격전략 속 AI Algorithms에 대해 알아 보았습니다 '-' Part 2에서는 금융 부문과 제조산업에서 어떻게 AI Algorithms이 활용되고 있고, 특히 제조산업에서 향후 어떤 방향으로 AI Algorithms이 발전할 수 있는지에 대해 알아보도록 하겠습니다 !

 

---

Source

1. “Machine Learning Provides Predictive and Prescriptive”(2016), Mckinsey

2. “AL l ML l DL Use Cases Across Industries (2018)”, IDC 재구성

3. Koscom 웹사이트 재구성

4. 금융보안원, 금융보안 분야 레그테크 도입방향, 금감원 레그테크 포럼 발표자료(2017) 재구성

5. “Big Data: 20 Mind-Boggling Facts Everyone Must Read(2015)”, Forbes, “The Digital Universe In 2020(2012)”, EMC, “The age of Analytics(2016)”, McKinsey Global Institute, “Big data(2011)”, McKinsey Global Institute, “Industrial Design(2017), National Endowment for the Arts

6. “Shenzhen China Star Optoelectronics Technology Co., Ltd(2018)” IBM

7. “Fabrication plants are struggling to manage increased complexity along the semiconductor value chain(2016), McKinsey&Company

8. 삼정KPMG “비즈니스 기회 창출을 위한 AI알고리즘의 활용(2018)＂