처방적 분석이란 무엇인가요?

처방적 분석은 데이터 분석의 하위 분야로, 그 자체로 비즈니스 분석, 비즈니스 인텔리전스 분야에 속하는 관행입니다. 이러한 분야는 광범위하게는 모두 데이터를 실행 가능한 인사이트로 변환하는 과정으로 정의할 수 있습니다.

데이터 분석에는 4가지 주요 유형이 있으며 그중 처방적 분석이 가장 발전한 형태입니다.

• 서술적 분석: "무슨 일이 일어났는가?"

• 진단적 분석: '왜 이런 일이 일어났는가?'

• 예측 분석: "다음에는 어떤 일이 일어날 것인가?"

• 처방적 분석: "다음에 해야 할 일은 무엇인가?"

4가지 유형의 분석은 모두 데이터 속에서 의미를 전달하는 데 유용하지만, 처방적 분석은 미래의 결과를 예측하는 데 중점을 둘 뿐만 아니라 원하는 결과를 달성하거나 바람직하지 않은 결과를 방지하기 위한 조치나 결정을 권장한다는 점에서 다른 유형과 다릅니다. 단순히 “미래에 무슨 일이 일어날 것인가?”뿐 아니라 “미래에 대비하기 위해 해야 할 일은 무엇인가?”를 다룹니다.

조직은 고객 세분화, 고객 이탈 예측, 사기 탐지, 위험 평가, 수요 예측, 처방적 유지 관리, 개인화된 권장 사항과 같은 다양한 작업에 처방적 분석을 사용합니다. 이 방식은 빅데이터가 출현하기 전에 등장했지만, 조직이 대량의 과거 데이터를 보편적으로 사용할 수 있게 되며 사용이 가속화되었습니다.

오늘날 처방적 분석 도구는 예측 모델링의 여러 통계 기법을 사용하지만 인공 지능, 머신 러닝 알고리즘과 모델도 활용합니다. 분석 소프트웨어는 대량의 데이터에 대해 학습된 머신 러닝 모델을 사용해 분석가가 위험과 기회를 보다 정확하게 식별할 수 있도록 지원해 비즈니스 리더의 의사 결정을 이끌고 개선합니다.

처방적 분석은 예측 분석 위에 추천 계층을 추가하며 중점 사항, 범위 및 접근 방식 측면에서 차이가 있습니다.

처방적 분석은 산업 및 응용 분야 전반에 걸쳐 광범위한 이점을 제공합니다. 다음은 처방적 분석의 예와 몇 가지 주요 이점입니다.

처방적 분석은 미래의 추세와 결과에 대한 인사이트를 제공함으로써 조직이 데이터 기반 의사 결정을 내릴 수 있도록 지원합니다. 예를 들어 새로운 제품에 대한 수요를 예측하려는 소매 체인이 있다고 생각해 봅시다. 이 소매 체인은 과거 소비자 행동 데이터를 기반으로 한 예측 인사이트를 통해 신제품 출시 여부와 시기 및 방법, 가격 책정 및 홍보 방법에 대해 더 정확한 정보에 입각한 결정을 내릴 수 있습니다.

처방적 모델을 지속적으로 개선하고 새로운 데이터 소스로 실험하고 혁신적인 접근 방식을 모색함으로써, 기업은 시장에서 차별화하고 경쟁 우위를 유지할 수 있습니다. 미래의 결과에 대한 판단이 생사를 가를 수 있는 의료 분야에서는 처방적 분석을 사용하여 다양한 요소를 기반으로 최적의 치료법이나 약물을 결정할 수 있습니다.

처방적 분석은 조직이 리소스 할당을 개선하고 비즈니스 프로세스를 간소화하여 운영을 최적화하는 데 도움이 됩니다. 유지 관리 요구 사항을 예측하고 재고 수준을 관리하고 생산 일정을 최적화함으로써, 기업은 비용을 최소화하고 낭비를 줄일 수 있습니다.

부품 조달, 조립, 품질 관리 및 포장을 포함해 상호 연결된 다양한 프로세스로 구성된 조립 라인이 있는 제조 회사를 생각해 봅시다. 처방적 유지 관리를 사용하여 온도, 진동 및 압력 판독값과 같은 센서의 데이터를 분석하고 고장률을 예측하여 시설 관리자는 장비를 사전 예방적으로 정비할 수 있습니다.

처방적 분석을 통해 조직은 잠재적 위협을 나타내는 이상 징후와 추세를 탐지하여 위험을 식별하고 완화할 수 있습니다. 금융 서비스, 보험, 사이버 보안과 같은 부문에서는 모델을 통해 신용 위험을 평가하고 사기 행위를 탐지하여 자산을 보호하고 신뢰를 유지할 수 있습니다.

처방적 분석은 사기 가능성에 따라 개별 거래 또는 개체에 위험 점수를 할당합니다. 고급 분석 알고리즘이 거래 금액, 빈도, 위치 및 고객 행동과 같은 다양한 위험 요소를 고려하여 경고의 우선순위를 지정하고 고위험 거래 또는 개체를 집중적으로 조사합니다. 이를 통해 사기 탐지 팀은 리소스를 보다 효과적으로 할당하고 잠재적 위협에 신속하게 대응할 수 있습니다.

고객의 요구와 선호도를 예측함으로써 기업은 개인화된 경험과 맞춤형 솔루션을 제공할 수 있습니다. 처방적 분석을 통해 조직은 고객 기반을 세분화하여 타겟팅을 개선할 수 있으며, 모델이 제시한 고객의 선호 사항을 기반으로 구체적인 추천을 제안하고 사전적으로 대응할 수 있습니다.

오늘날의 기업은 과거에 추측에만 의존했던 의사 결정을 데이터 기반으로 전환하여 고객이 브랜드 및 제품을 어떻게 이용하기를 원하는지 예측함으로써 고객 이탈을 줄일 수 있습니다. 이러한 도구는 영업 및 마케팅만을 위한 것이 아니라 조직 전체를 위한 것입니다. 처방적 분석은 이제 시간에 따른 제품 개발 및 진화의 모든 과정에서 고객 만족을 이끌어 낼 최선의 권장 조치를 제시할 수 있습니다.

처방적 분석은 일반적으로 다음 단계를 따릅니다.

1. 문제 정의: 먼저 실무자는 올바른 접근 방식을 결정하기 위해 모델이 예측할 대상을 정의해야 합니다. 사용 사례별로 적합한 모델 유형에는 여러 가지가 있습니다. 최상의 결과를 더 빠르고 비용 효율적으로 얻으려면 올바른 모델과 올바른 데이터를 사용하는 것이 중요합니다.

2. 데이터 수집 및 전처리: 이 프로세스는 다양한 내부 소스에서 관련 데이터를 수집하고 제삼자 공급업체로부터 외부 데이터를 수집하는 것에서 시작됩니다. 수집된 데이터의 품질과 양은 모델의 정확성과 효율성에 매우 중요합니다. 데이터가 수집되면 분석을 위해 데이터를 정제하고, 변환하고, 준비하는 전처리를 거칩니다. 이 과정에서는 누락된 값 처리, 중복 제거, 형식 표준화, 범주형 변수 인코딩이 이루어질 수 있습니다. 데이터 전처리는 모델링을 위해 데이터의 일관성과 적합성을 보장하도록 도와줍니다.

3. 특징 선택 및 엔지니어링: 다음으로, 모델의 입력으로 사용할 관련 특징을 데이터 세트에서 선택하거나 엔지니어링합니다. 이 단계에서는 예측력이 있는 가장 유용한 특징을 식별하며 예측 작업과 가장 관련이 있는 변수를 결정하기 위해서는 그 분야의 전문 지식이 필요합니다.

4. 서술적 분석 및 예측 분석: 처방적 분석을 적용하기 전에 조직에서는 일반적으로 서술적 분석을 수행하여 과거 성과를 파악하고 예측 분석을 수행하여 미래 결과를 예측합니다. 서술적 분석은 데이터를 요약하고 시각화하여 과거 추세와 패턴에 대한 인사이트를 얻는 것이고, 예측 분석은 통계 및 머신 러닝 모델을 사용하여 미래의 이벤트 또는 행동을 예측하는 것입니다.

5. 처방적 모델링: 처방적 분석 솔루션을 구축하려면 최상의 비즈니스 결과를 끌어낼 비즈니스 의사 결정을 권장할 수 있는 수학적 모델과 최적화 알고리즘을 구축해야 합니다. 이 모델은 제약 조건, 목표, 불확실성, 교환 등의 다양한 요소를 고려합니다. 결과는 서술적 분석과 예측 분석의 결과를 기반으로 하며, 조직이 다양한 잠재적 가능성에 어떻게 대응해야 하는지에 대한 권장 사항을 제공합니다.

6. 배포: 평가가 끝나면 모델은 운영 시스템이나 애플리케이션에 배포되어 실시간 예측을 수행하고 최선의 행동 방침에 대한 권장 사항을 제시합니다. 여기에는 의사 결정 프로세스를 자동화하거나 사용자에게 처방적 인사이트를 제공하기 위해 기존 소프트웨어 시스템, API 또는 대시보드에 모델을 통합하는 것이 포함될 수 있습니다. 자동화를 통해 인사이트를 더 원활하게 수집하고 사용할 수 있습니다.

7. 모니터링 및 개선: 시간이 지나도 모델의 효과와 관련성을 보장하기 위해 지속적인 모니터링과 유지 관리가 필요합니다. 모델 성능을 모니터링하고 새 데이터로 모델을 업데이트하고 모델을 주기적으로 재학습시켜야 하며, 변화하는 상황이나 데이터의 진화하는 패턴에 적응하도록 모델을 개선해야 합니다.