비즈니스 인텔리전스란 무엇인가요?

"생성형 BI" 또는 "Gen BI"라고도 하는 생성형 비즈니스 인텔리전스는 생성형 AI를 비즈니스 인텔리전스 프로세스에 적용하는 방식입니다. 생성형 BI 도구는 패턴 식별 및 시각화 작성과 같은 주요 데이터 분석 작업을 자동화하고 간소화할 수 있습니다.

비즈니스 인텔리전스 또는 BI는 비즈니스 의사 결정을 위해 비즈니스 데이터를 분석하는 일련의 프로세스를 말합니다. 기존의 BI 도구와 워크플로는 고도로 수작업으로 이루어지므로 원시 데이터를 실행 가능한 인사이트로 변환하는 데 상당한 시간과 기술 전문 지식이 필요합니다. 데이터 과학에 대한 배경 지식이 부족한 이해 관계자는 BI 기술을 최대한 활용할 수 없는 경우가 많습니다.

생성형 BI를 사용하면 더 많은 사람들이 비즈니스 분석에 참여할 수 있습니다. 일반적으로 대규모 언어 모델(LLM)을 사용하는 생성형 BI 툴은 ChatGPT나 Microsoft Copilot 등과 같은 다른 일반적인 생성형 AI 툴과 매우 유사하게 작동합니다. 사용자가 자연어 명령을 입력하면 툴이 그에 따라 응답합니다. 

기존 BI와 달리 사용자는 특별한 프로그래밍 언어를 배우거나 수동 계산을 수행하거나 처음부터 차트를 작성할 필요가 없습니다. 그들은 생성형 BI 도구에 평범한 언어로 고급 분석을 수행하고 보고서를 작성해 달라고 요청할 수 있습니다.  

이런 방식으로 생성형 BI는 기술 수준에 관계없이 조직 전체의 사용자를 위한 셀프 서비스 분석 을 가능하게 합니다. 셀프 서비스 분석은 조직이 더 많은 데이터 기반 의사 결정을 내리는 데 도움이 됩니다.

생성형 BI는 비교적 새로운 기술 카테고리입니다. 한 설문조사에 따르면, 생성형 BI를 '운영에 완전히 활용'했다고 응답한 조직은 3%에 불과했습니다. 그러나 절반 이상의 조직이 다양한 단계에 걸쳐 생성형 BI를 탐색하고 있다고 답했습니다.¹ 생성형 BI 도구가 더욱 정교해지고 더 쉽게 사용할 수 있게 되면서 채택률은 증가할 것으로 예상됩니다. 

생성형 BI와 생성형 AI는 서로 다른 종류의 기술이나 AI 모델이 아닙니다. 오히려 생성형 BI를 생성형 AI의 사용 사례로 생각할 수 있습니다. 구체적으로 생성형 BI는 생성형 AI 솔루션을 사용하여 조직 데이터를 수집, 관리 및 분석하여 비즈니스 운영에 정보를 제공하는 관행입니다.

생성형 AI(gen AI)는 사용자의 프롬프트에 따라 텍스트, 이미지 또는 코드와 같은 독창적인 콘텐츠를 생성할 수 있는 인공 지능(AI) 및 머신 러닝(ML) 모델의 카테고리를 말합니다. 생성형 BI는 AI 알고리즘을 적용하여 비즈니스 데이터를 처리하고 분석하기 때문에 AI 분석의 한 유형입니다.

생성형 BI 툴은 다른 생성형 AI 기반 툴과 동일한 방식으로 작동합니다. 사용자가 자연어 프롬프트를 입력하면 툴이 이에 대한 응답으로 콘텐츠를 생성합니다.  

예를 들어, 사용자는 “작년에 가장 많이 팔린 제품 5개를 각 제품의 판매 비율로 나눈 파이 차트를 보여줘”라고 입력할 수 있습니다. 생성형 BI 도구는 해당 데이터 세트를 분석하여 정확히 그 데이터를 반환합니다. 즉, 가장 많이 팔린 제품을 매출의 백분율별로 분류한 파이 차트입니다.

대부분의 생성형 BI 도구는 다음 세 가지 형태 중 하나로 제공됩니다.  

1. Meta의 Llama와 같은 범용 생성형 AI 모델이 BI 작업에 적용되었습니다.   

2. AI 모델이 내장된 BI 플랫폼입니다. 예를 들어 Amazon QuickSight Q는 아마존 웹 서비스(AWS)의 비즈니스 인텔리전스 도구인 QuickSight에 LLM 기반 챗봇 Amazon Q를 내장하고 있습니다. 
    

3. 비즈니스 인텔리전스에 맞게 특별히 조정된 AI 모델입니다. 예를 들어, IBM Project Ripasso는 엔터프라이즈 관련 콘텐츠로 훈련된 LLM 기반 플랫폼으로, 데이터 거버넌스 기능이 내장되어 있습니다.

범용 AI 모델도 많은 BI 기능을 수행할 수 있지만, 많은 조직에서는 보다 전문적인 BI 도구와 모델을 선택합니다. 이를 통해 조직은 일반적으로 데이터 사용 방식을 더 잘 제어할 수 있습니다.

툴마다 기능은 다를 수 있지만 일반적으로 생성형 BI의 기능은 다음과 같습니다.

• 자연어 처리(NLP): 생성형 BI 도구는 NLP 및 채팅 인터페이스를 사용하므로 사용자는 구조화된 쿼리 언어(SQL) 또는 기타 특수 구문을 사용하지 않고도 프롬프트를 제출하고, 데이터 세트를 쿼리하고, 계산을 실행할 수 있습니다. 

• 사용자 지정 대시보드, 보고서 및 시각적 요소: 대부분의 생성형 BI 솔루션에는 사용자가 수동으로 구축하는 대신 필요한 내용을 설명하여 대시보드, 데이터 시각화, 서면 보고서 및 데이터 스토리를 만들 수 있는 작성 도구가 있습니다. 

• 통합: 생성형 BI 도구는 데이터베이스, 데이터 웨어하우스, 데이터 레이크 및 데이터 레이크하우스를 비롯한 다양한 데이터 소스와 통합할 수 있습니다.

• 권장 사항: 많은 생성형 BI 도구는 관련 데이터 세트를 추천하고, 관련 쿼리를 제안하고, 보고서 최적화에 대한 피드백을 제공하고, 기타 지침을 제공하여 분석을 강화할 수 있습니다. 

• 비즈니스 용어집: 일부 생성형 BI 도구는 비즈니스 용어집을 지원하거나 비즈니스 용어집과 통합됩니다. 조직은 용어집을 통해 중요한 용어, 개념 및 프로세스를 정의하여 툴이 조직의 고유한 상황에 맞는 답변을 제공할 수 있도록 할 수 있습니다.

생성형 AI는 비즈니스 인텔리전스 프로세스의 모든 단계에서 사용할 수 있지만, 데이터 수집, 데이터 분석, 데이터 시각화 및 조치 계획을 지원하는 데 가장 일반적으로 사용됩니다.

생성형 BI 도구는 사용자가 분석을 위해 데이터를 검색, 정리, 변환 및 집계하는 데 도움이 될 수 있습니다.  

예를 들어, 사용자는 생성형 BI 툴에 사업부별 지출에 대한 보고서를 작성해 달라고 요청할 수 있습니다. 툴은 비즈니스 전반의 재무 기록과 부서별 기록을 모두 포함한 통합 데이터 소스에서 관련 데이터를 찾아 데이터 포인트 형식을 표준화하고 일관된 보고서로 모두 취합합니다.  

생성형 BI 툴은 방대한 양의 복잡한 데이터를 사용하여 패턴을 표면화하고, 질문에 답하고, 추세를 파악하는 등의 작업을 수행할 수 있습니다. 이를 통해 사용자는 수동 계산을 수행하지 않고도 데이터에서 인사이트를 도출할 수 있습니다.

예를 들어 사업부 지출에 대한 보고서를 작성하는 사용자는 지난 8분기 동안 지속적으로 예산을 초과한 단위를 식별하도록 생성형 BI에 요청할 수 있습니다. 사용자는 이러한 단위가 과도하게 지출될 수 있는 이유를 식별하는 데 도움이 되도록 생성형 BI에 요청할 수도 있습니다.  

생성형 BI는 분석 결과를 이해하기 쉽고 공유하기 쉬운 그래픽과 요약으로 변환하여 주요 메트릭과 기타 중요한 데이터 포인트 및 인사이트를 강조합니다.

예를 들어, 사용자는 분기별 사업부 지출을 할당된 예산과 비교하여 계획된 지출과 실제 지출 간의 차이를 강조하는 막대형 차트를 생성할 수 있습니다.  

생성형 BI 도구는 데이터 분석을 기반으로 조직이 취해야 할 단계를 권장할 수 있습니다. 예를 들어, 이 도구는 지속적인 투자를 정당화하기에 충분한 수익을 제공하지 못하는 프로젝트를 식별하기 위해 프로젝트별로 사업부 지출을 세분화하도록 권장할 수 있습니다.

생성형 BI 툴을 사용하면 셀프 서비스 고급 데이터 분석을 구현할 수 있습니다. 사용자는 더 이상 데이터 작업을 위해 특정 프로그래밍 언어, 수학 공식 또는 툴을 익힐 필요가 없습니다. 대신 자연어를 통해 쿼리, 계산 및 보고서를 생성할 수 있습니다.

전통적으로 비즈니스 사용자는 BI 작업의 상당 부분을 데이터 과학자와 비즈니스 분석가에게 의존해 왔습니다. 생성형 BI는 비즈니스 인텔리전스에서 복잡성을 상당 부분 제거하여 비즈니스 전반의 사용자가 의사 결정에 실제 실시간 데이터를 활용할 수 있도록 지원합니다. 예를 들면 다음과 같습니다.

• 인사(HR) 사용자는 생성형 BI 툴에 인재 동향을 분석하고 인력 계획에 대한 권장 사항을 요청할 수 있습니다. 

• 재무팀은 생성형 BI 도구를 사용하여 고객, 제품 및 채널 수준에서 수익을 분석하여 더욱 세부적인 예측을 생성할 수 있습니다.

• 공급망 및 조달 팀은 생성형 BI를 통해 과거 추세를 사용하여 미래 구매 패턴을 예측함으로써 재고를 최적화할 수 있습니다.

• 마케팅 팀은 생성형 BI 도구를 사용하여 고객 피드백에 대한 의미 분석을 수행하여 고객 경험을 개선하는 데 사용할 수 있는 인사이트를 얻을 수 있습니다.

• 영업팀은 생성형 BI 도구를 사용하여 다양한 가격대가 고객 지출에 미치는 영향을 분석할 수 있습니다. 결과를 사용하여 가격을 최적화할 수 있습니다.

또한 셀프 서비스 분석을 도입하면 데이터 과학자와 비즈니스 분석가가 보다 전략적인 프로젝트에 집중할 수 있습니다. 예를 들어, 데이터 전문가는 이제 사용자가 스스로 답할 수 있는 좁은 질문에 답하는 대신 새로운 데이터 도구를 구축하거나 AI 모델을 학습할 수 있습니다.

생성형 BI 도구는 다음과 같은 많은 이점을 제공할 수 있습니다.

• 비즈니스 인텔리전스 도구 및 관행 채택 개선
• 비즈니스 인텔리전스 성과 향상
• 데이터 과학 기술 부족 문제 해결
• 더 많은 양의 더 복잡한 데이터 분석
• BI 작업 비용 절감

한 설문조사에 따르면 사용자의 25%만이 비즈니스 인텔리전스 툴을 사용하고 있다고 답했습니다.² 채택률이 낮은 이유 중 하나는 기존 BI 프로세스의 기술적 복잡성 때문입니다.

그러나 생성형 BI 도구를 사용하면 더 많은 사용자가 데이터 과학자와 분석가를 거치지 않고도 데이터로 직접 작업할 수 있습니다. 이 것은 결과적으로 더 많은 사람들이 비즈니스 인텔리전스를 사용하여 조직 전체에서 더 많은 데이터 기반 의사 결정을 지원할 수 있음을 의미합니다.

생성형 BI는 비즈니스 인텔리전스의 더 많은 사용을 장려하는 것 외에도 비즈니스 분석 노력의 결과를 향상시킬 수 있습니다.

AI 기반 BI 툴은 인간 사용자나 기존 BI 툴보다 더 많은 데이터를 더 빠르게 분석할 수 있기 때문에, 사람들이 놓칠 수 있는 트렌드를 발견할 수 있는 경우가 많습니다.

또한 많은 생성형 BI 툴은 분석을 개선하는 데 도움이 되는 제안된 질문, 데이터 및 인사이트를 사용자에게 제공합니다. 또한 생성형 BI 툴은 데이터 분석 결과를 시각적 개체 및 보고서로 변환하여 쉽게 공유하고 사용할 수 있습니다. 

기존 BI에는 모든 사람이 갖추지 못한 일정 수준의 데이터 전문 지식이 필요합니다. 모든 BI 프로젝트에 인력을 충원할 수 있을 만큼 숙련된 데이터 과학자와 비즈니스 분석가를 충분히 찾는 것은 어려울 수 있습니다.

생성형 BI 도구는 셀프 서비스 분석을 가능하게 함으로써 조직이 데이터 과학 기술 부족으로 인한 BI 활동의 영향을 완화하는 데 도움이 될 수 있습니다.

생성형 BI 도구는 데이터 과학자나 비즈니스 사용자가 수동으로 처리할 수 있는 것보다 더 많은 양의 데이터를 처리합니다.

또한, 비즈니스 데이터에서 점점 더 많은 비중을 차지하고 있는 문서 및 이미지와 같은 비정형 데이터도 처리할 수 있습니다. 기존의 규칙 기반 AI 알고리즘은 경직된 형식을 따르지 않는 데이터로 어려움을 겪을 수 있지만 생성형 AI 도구에는 이러한 제한이 없습니다.

생성형 BI는 계산 실행 및 보고서 작성과 같이 비즈니스 인텔리전스에서 가장 시간과 리소스가 많이 소요되는 부분을 자동화하여 조직이 시간과 비용을 절약하는 데 도움이 될 수 있습니다. 즉, 조직은 실행 가능 인사이트를 유지하면서 비즈니스 분석에 지출하는 비용과 노동력을 줄일 수 있습니다.

생성형 BI는 많은 이점을 제공할 수 있지만, 생성형 BI 툴을 구현하는 데 어려움이 없는 것은 아닙니다. 가장 일반적인 장애물은 다음과 같습니다.

• 투명성과 설명 가능성
• 데이터 보안 및 개인정보 보호
• 할루시네이션
• 비효율적인 데이터 아키텍처

일부 생성형 AI 모델은 블랙박스처럼 작동하여 아웃풋의 프로세스에 대한 인사이트를 거의 제공하지 않습니다. 이는 사용자가 생성형 BI 도구의 결론을 신뢰하기 위해 데이터가 분석된 방법을 이해해야 하는 비즈니스 인텔리전스 작업에서 문제가 될 수 있습니다.

또한 EU AI 법과 같은 일부 규정은 조직이 AI 도구가 사람들의 데이터를 처리하는 방법을 투명하게 공개하도록 요구합니다.

사용하는 데이터와 결론에 도달하는 방법을 포함하여 "추론"을 설명하는 생성형 BI 도구를 사용하면 조직에서 투명성과 설명 가능성을 유지하는 데 도움이 될 수 있습니다. 

조직이 데이터 보안과 데이터 개인 정보 보호 를 우선시하는 데는 법적인 측면과 사업적 측면으로 2가지 이유가 있습니다. EU 일반 데이터 보호 규정(GDPR)과 같은 특정 법률은 기업이 다양한 종류의 데이터를 사용하는 방법을 제한합니다. IBM의 데이터 유출 비용(CODB) 보고서에 따르면, 데이터 침해로 인해 조직은 침해당 평균 488만 달러의 손실을 입습니다.

일부 생성형 AI 모델에는 강력한 데이터 프라이버시 및 보안 조치가 부족합니다. 특히 우려되는 점은 조직이 데이터를 사용한 후 이러한 모델이 데이터를 사용하는 방식을 제어하지 못할 수 있다는 사실입니다.

데이터 보안 및 데이터 거버넌스 기능이 내장된 생성형 BI 툴은 조직이 데이터에 대한 제어를 유지하고 무단 액세스를 방지하는 데 도움이 될 수 있습니다.

생성형 AI 모델은 할루시네이션을 경험할 수 있습니다. 즉, 이들은 무언가를 만들어내고 잘못된 아웃풋을 생성할 수 있습니다. 할루시네이션은 잠재적으로 비즈니스 인텔리전스 프로젝트를 탈선시켜 잘못된 정보를 기반으로 하는 비즈니스 전략 및 조치 단계로 이어질 수 있습니다.

조직은 고품질의 비즈니스 관련 데이터 세트로만 생성형 BI 툴을 학습시켜 할루시네이션을 완화할 수 있습니다. 또한 LLM이 사실에 기반한 외부 지식 소스를 기반으로 응답을 도출할 수 있도록 하는 검색 증강 생성(RAG) 등의 다른 기술도 살펴볼 수 있습니다.

다른 생성형 AI 모델과 마찬가지로 생성형 BI 도구는 방대한 양의 고품질 데이터에 액세스해야 합니다. 데이터가 사일로화되어 조직 전체에 흩어져 있는 단편화된 엔터프라이즈 데이터 아키텍처는 생성형 BI 도구가 필요한 데이터에 액세스하는 것을 방해할 수 있습니다.

통합 데이터 패브릭에 연결된 적절한 데이터 스토리지 시스템을 갖춘 효과적인 데이터 아키텍처는 생성형 BI 툴에 고품질 아웃풋을 생성하는 데 필요한 데이터를 확보하는 데 도움이 될 수 있습니다.