비즈니스 인텔리전스(BI)란 무엇인가요?

비즈니스 인텔리전스(BI)는 서술적이어서 현재 비즈니스 데이터를 기반으로 더 나은 비즈니스 결정을 내릴 수 있습니다. 비즈니스 분석(BA)은 BI의 하위 항목으로서 처방적이고 미래 지향적인 분석을 제공합니다. 의사 결정을 위한 데이터의 식별 및 저장 도구를 포함하는 것은 포괄적인 BI 인프라 개념입니다.

BI는 지난달에 얼마나 많은 신규 고객을 확보했는지, 그리고 그달의 주문 규모가 증가했는지 또는 감소했는지를 조직에 알려줄 수 있습니다. 반면 비즈니스 분석은 해당 데이터를 기반으로 조직에 가장 도움이 되는 전략을 예측할 수 있습니다. 예를 들어, "신규 고객에게 특별 제안을 제공하기 위해 광고 지출을 늘리면 어떻게 될까?"를 예측하는 것입니다.

BI 플랫폼은 일반적으로 기본 정보를 위해 데이터 웨어하우스를 사용합니다. 데이터 웨어하우스의 강점은 비즈니스 데이터 분석 및 보고를 지원하기 위해 여러 데이터 소스의 데이터를 하나의 중앙 시스템에 취합하는 것입니다. BI는 대시보드를 통해 표시할 수 있는 보고서, 차트 및 지도의 형태로 사용자에게 결과를 제공합니다.

데이터 웨어하우스에는 다차원 쿼리를 지원하는 온라인 분석 처리(OLAP) 엔진이 포함될 수 있습니다. 예를 들면 "작년에 비해 올해 동부 지역과 서부 지역의 매출은 어떻게 되는가?"를 확인합니다.

OLAP는 데이터 디스커버리를 위한 강력한 기술을 제공해 BI, 복잡한 분석 계산, 예측 분석을 용이하게 합니다. OLAP의 주요 이점 중 하나는 제품 품질, 고객 상호 작용 및 비즈니스 프로세스를 개선할 수 있는 계산의 일관성입니다.

이제 데이터 레이크하우스도 BI에 사용되고 있습니다. 데이터 레이크하우스의 이점은 데이터 웨어하우스와 데이터 레이크 모두에서 발생하는 핵심적인 과제를 해결해 조직에 더 이상적인 데이터 관리 솔루션을 제공한다는 점입니다. 레이크하우스는 데이터 관리 솔루션의 차세대를 대표합니다.

BI의 단계는 일반적으로 다음과 같은 순서로 진행됩니다.

• 데이터 소스: 데이터 웨어하우스 또는 데이터 레이크, 클라우드, Hadoop, 산업 통계, 공급망, CRM, 재고, 가격 책정, 판매, 마케팅 또는 소셜 미디어 등 검토 및 분석할 데이터를 식별합니다.
  
  
• 데이터 수집: 다양한 소스에서 데이터를 수집하고 정제합니다. 이 데이터 준비 과정에서는 스프레드시트나 자동 ETL(추출, 변환 및 로드) 프로그램에서 수동으로 정보를 수집할 수 있습니다.
  
  
• 분석: 데이터에서 추세나 예상치 못한 결과를 찾습니다. 여기에는 데이터 마이닝, 데이터 디스커버리 또는 데이터 모델링도구가 사용될 수 있습니다.
  
  
• 시각화: Tableau, Cognos Analytics, Microsoft Excel 또는 SAP와 같은 비즈니스 인텔리전스 도구를 사용하여 데이터 시각화, 그래프 및 대시보드를 만들 수 있습니다. 이 시각화에는 드릴다운, 드릴스루, 드릴업 기능이 포함되어 있어 사용자가 다양한 데이터 수준을 조사할 수 있도록 하는 것이 바람직합니다.
  
  
• 실행 계획: 과거 데이터와 핵심 성과 지표(KPI)의 분석을 기반으로 실행 가능한 인사이트를 개발합니다. 실행 조치에는 보다 효율적인 프로세스, 마케팅 변경, 공급망 문제 해결 또는 고객 경험 문제 조정이 포함될 수 있습니다.
  
  

일부 최신 BI 제품은 Hadoop과 같은 기술을 사용하여 원시 데이터를 직접 추출하고 로드할 수 있지만, 데이터 웨어하우스가 여전히 데이터 소스로 선택되는 경우가 많습니다.

'비즈니스 인텔리전스(BI)'라는 용어는 1865년 작가 Richard Millar Devens가 경쟁사에 앞서 시장에 대한 정보를 수집한 은행가를 언급하면서 처음 사용되었습니다. 1958년, IBM의 컴퓨터 과학자인 Hans Peter Luhn은 기술을 사용하여 BI를 수집할 수 있는 가능성을 모색했습니다. 그의 연구는 IBM의 초기 분석 플랫폼 중 일부를 만드는 방법을 확립하는 데 도움이 되었습니다.

1960년대와 70년대에는 늘어나는 데이터 양을 저장하고 정리하기 위해 최초의 데이터 관리 시스템과 의사 결정 지원 시스템(DSS)이 개발되었습니다. "많은 역사학자들은 현대 버전의 BI가 DSS 데이터베이스에서 진화했다고 말합니다."라고 IT 교육 사이트 Dataversity는 말합니다. "이 기간 동안 더 간단한 방법으로 데이터에 액세스하고 정리할 수 있는 다양한 도구가 개발되었습니다. DSS와 연동하기 위해 개발된 도구로는 OLAP, 경영진 정보 시스템 및 데이터 웨어하우스가 있습니다."²

1990년대에 들어서면서 BI의 인기가 점점 높아졌지만, 기술은 여전히 복잡했습니다. 일반적으로 IT 지원이 필요했고, 이로 인해 백로그가 발생하고 보고서가 지연되는 경우가 많았습니다. IT 부서가 없더라도 BI 분석가와 사용자는 데이터를 성공적으로 쿼리하고 분석하기 위해 광범위한 교육을 받아야 했습니다.³

비즈니스 인텔리전스는 단순히 하드웨어와 소프트웨어로 구성된 것이 아니라 사고 방식입니다. 완전한 접근 방식, 프로세스, 디지털 기술 및 데이터 분석을 기반으로 하는 데이터 기반 문화를 도입함으로써 조직은 더 나은 비즈니스 결정을 내리고 새로운 이점을 얻는 새로운 인사이트를 찾을 수 있습니다. 새로운 BI 소프트웨어 패키지를 설치하는 것만으로는 이러한 문화 변화를 일으킬 수 없습니다.

BI의 이점:

• 보다 명확한 보고: BI를 통해 조직은 평이한 언어로 질문하고 이해할 수 있는 답변을 얻을 수 있습니다. 대시보드에는 가장 중요한 인사이트의 우선순위를 지정하여 데이터 전문가와 기술 전문가가 아닌 팀 구성원 모두의 시간을 절약할 수 있습니다.
  
  직원들은 최선의 추측에 의존하지 않고 생산, 공급망, 고객 또는 시장 동향과 관련된 비즈니스 데이터가 알려주는 내용을 기반으로 의사 결정을 내릴 수 있습니다. 이 데이터 통해 "이 지역에서 매출이 감소하는 이유는 무엇인가?", "초과 재고는 어디에서 발생하는가?", "소셜 미디어에서 고객들은 뭐라고 말하는가?" 등 조직에 가장 긴급한 문제를 해결할 수 있습니다.
  
  
• 통합 데이터: BI는 완벽한 분석을 위해 내부 및 외부의 여러 소스에서 데이터를 가져오고 통합하여 비즈니스 인사이트를 제공합니다. BI는 비즈니스와 시장에 대한 정확한 그림을 제공함으로써 조직에 비즈니스 전략을 설계할 수 있는 수단을 제공합니다.
  
  
• 새로운 효율성 창출: 조직은 벤치마크를 기준으로 비즈니스 운영을 모니터링하고 지속적으로 수정하거나 개선할 수 있으며, 이 모든 것은 데이터 인사이트를 기반으로 합니다. 분석을 통해 제조 또는 공급망 병목 현상을 발견하고 제거할 수 있습니다. 관리자는 직원 성과를 모니터링하여 조직의 변화가 필요한 부분을 정확히 파악할 수 있습니다. 라인 상하의 활동을 모니터링하고 파트너 및 공급업체에 결과를 전달하여 공급망 관리를 개선할 수 있습니다.
  
  
• 심층적인 데이터 인사이트: BI는 조직이 데이터 기반을 강화하여 비즈니스 성과를 지속적으로 개선하고, 경쟁 우위를 확보하고, 새로운 고객과 새로운 기회를 찾을 수 있도록 지원합니다. 비즈니스와 시장을 이해하고 전략적 목표를 달성하기 위해 리소스를 지능적으로 할당하여 ROI를 개선할 수 있습니다. 새로운 데이터 인사이트를 통해 고객 행동, 선호도 및 시장 동향을 파악할 수 있습니다. 이러한 인사이트를 통해 마케터는 잠재 고객을 더 효과적으로 타겟팅하거나 변화하는 시장 요구에 맞게 제품을 조정할 수 있습니다.
  
  
• 더 빠른 의사 결정: 진행 상황이 디지털 방식으로 모니터링되고 분석되므로 더 나은 정보를 기반으로 더 빨리 결정을 내릴 수 있어 시장에서 더 빠르게 조정할 수 있습니다.
  
  
• 고객 만족도 향상: 고객 서비스 직원이 고객 데이터 및 인사이트에 액세스할 수 있으면 요청된 정보를 제공하고 문제를 보다 신속하게 해결할 수 있습니다.
  
  
• 직원 만족도 향상: 중요한 비즈니스 데이터에 대한 자가 진단을 통해 워크플로를 최적화할 수 있으므로 직원이 추가 단계나 반복적인 단계를 줄이면서 업무를 더 빠르게 수행할 수 있습니다.

BI의 과제

• 모순되는 결론: 셀프 서비스 BI는 여러 팀이 필요한 인사이트를 찾을 수 있도록 지원하지만, 서로 다른 결론으로 이어질 수 있으며 이로 인해 통합된 실행 계획 대신 더 많은 마찰이 발생할 수 있습니다. 특히 인간의 편견이 분석에 개입된다면 그 가능성이 더 커집니다.
  
  
• 기술 부족: 소스의 다양성 때문에 데이터 통합이 어려울 수 있으며 통합이 현재의 역량을 넘어설 수 있습니다. 분석을 통해 현실을 반영하는 인사이트를 얻기 위해서는 데이터 과학, 엔지니어링 및 아키텍처에 대한 전문 지식이 필요합니다.
  
  
• 초기 비용: 강력하고 현대적인 BI 시스템을 개발하는 데 드는 초기 비용이 커 보일 수 있지만 분석을 통해 절감된 비용이 투자를 상쇄할 것입니다.

데이터는 성공적인 조직의 생명선입니다. 데이터 엔지니어, 데이터 과학자, 분석가, 설계자 등 기존의 데이터 역할을 넘어서 조직 전체의 의사 결정권자가 인공 지능(AI)으로 가속화된 데이터 기반 인사이트에 셀프 서비스로 유연하게 액세스할 수 있어야 합니다. 마케팅에서 HR, 재무, 공급망 등에 이르기까지 의사 결정권자는 이러한 인사이트를 사용하여 전사적으로 의사 결정과 생산성을 개선할 수 있습니다.

조직은 운영 및 프로세스를 완전히 평가하고, 고객을 이해하고, 시장을 측정하고, 개선을 추진할 수 있을 때 이점을 얻습니다. 어디에서나 비즈니스 정보를 취합하고, 분석하고, 패턴을 발견하고, 솔루션을 찾을 수 있는 올바른 도구가 필요합니다. 이 모든 것을 가능하게 하는 BI 시스템을 제공하기 위해 조직은 다음을 수행해야 합니다.

• 명확한 비즈니스 목표 설정: 가장 가치 있고 실행 가능한 정보를 결정하면 조직은 수집하거나 소싱해야 하는 데이터를 결정하고 해당 정보를 제공하는 데 필요한 BI 시스템 기능을 선택할 수 있습니다.
  
  
• 종합적인 사용자 교육: 데이터 기반 조직으로의 문화 변화를 실현하는 가장 효과적인 방법은 모든 사용자를 대상으로 새로운 도구에 대한 명확하고 설득력 있는 교육을 제공하는 것입니다. 형식적인 교육이나 자가 학습은 팀의 호응을 얻지 못하거나 부정확한 결과를 초래할 수 있습니다.
  
  
• 데이터 품질 및 관련성 모니터링: 일관되고 신뢰할 수 있는 결과를 보장하기 위해 지속적인 데이터 모니터링이 필요합니다. 시장 상황이 변화함에 따라 명확성을 높이기 위해 새로운 조치를 추가하거나 다른 보고 형식을 개발해야 할 수 있습니다. 입력 데이터 세트는 건전하고 편향되지 않아야 하며, 보안성, 비공개성, 정확성, 사용 가능성을 보장하는 명확한 거버넌스 표준에 따라 관리되어야 합니다. 의사 결정 및 예측을 위한 정보를 제공하는 모든 AI 모델은 설명 가능하고 투명해야 합니다. 또한 BI 시스템은 비즈니스 기능 전반에 걸쳐 다양한 데이터 시스템에 연결되어야 하며 전문 데이터 분석가가 아닌 사용자도 사용할 수 있어야 합니다.
  
  
• 의사 결정권자의 데이터 액세스 보장: 많은 기업이 뒤처져 있습니다. 비즈니스 데이터의 최대 68%가 활용되지 않고 있다고 추정한 IDC 보고서⁴에서도 드러나듯이, 필수 데이터는 충분히 캡처되거나 분석되지 않고 있습니다. 최신 데이터 아키텍처와 강력한 BI를 갖춘 기업은 경쟁 우위를 누리고 있습니다. 이들은 실시간 의사 결정 관행과 예측 분석을 도입하여 한 걸음 더 앞서나가고 있습니다.
  

비즈니스 인텔리전스는 거의 모든 산업의 여러 기능에 걸쳐 가치를 더합니다. 예를 들면 다음과 같습니다.

고객 서비스: 통합 데이터 소스를 통해 고객 정보와 제품 세부 정보를 모두 제공하면 고객 서비스 에이전트가 고객 질문에 신속하게 답변하고 고객 우려 사항을 해결할 수 있습니다.

금융 및 은행: 금융 회사는 현재 조직의 건전성 및 위험을 파악하고 고객 기록과 시장 상황을 종합적으로 확인하여 미래의 성공을 예측할 수 있습니다. 단일 인터페이스로 지점별 데이터를 검토하여 개선 또는 추가 투자 기회를 파악할 수 있습니다.

의료: 환자가 직원이나 의료진에게 시간이 많이 걸리는 질문을 할 필요 없이 여러 가지 긴급한 의료 관련 질문에 대한 답변을 빠르게 얻을 수 있습니다. 재고를 포함한 내부 운영을 분 단위로 추적하기가 더 쉽습니다.

소매: 소매업체는 매장, 채널 및 지역 전반의 실적과 벤치마크를 비교하여 비용 절감 효과를 높일 수 있습니다. 또한 보험사는 보험금 청구 프로세스에 대한 가시성을 확보하여 누락된 서비스 대상을 확인하고 해당 정보를 사용하여 결과를 개선할 수 있습니다.

영업 및 마케팅: 프로모션, 가격 책정, 판매, 고객 행동 및 시장 상황에 대한 데이터를 통합함으로써 마케터와 영업 팀은 향후 프로모션 및 캠페인을 더 면밀하게 계획할 수 있습니다. 상세한 타겟팅 또는 세분화를 통해 매출을 높일 수 있습니다.

보안 및 규정 준수: 중앙 집중식 데이터 및 통합 대시보드는 정확성을 높이고 보안 문제의 근본 원인을 파악하는 데 도움이 될 수 있습니다. 보고 데이터를 수집하기 위한 단일 시스템으로 규정 준수를 단순화할 수 있습니다.

통계 분석: 조직은 서술적 분석을 통해 통계를 검토하여 새로운 추세를 파악하고 이러한 추세가 발전하는 이유를 파악할 수 있습니다.

공급망: 단일 창(SPOG)으로 전 세계 데이터를 확인하면서 상품 이동과 공급망의 비효율성 및 병목 현상을 신속하게 파악할 수 있습니다.

최근 비즈니스 인텔리전스는 기술에 익숙하지 않은 사용자도 자동 분석 및 보고를 사용할 수 있는 셀프 서비스 BI 애플리케이션에 초점을 맞춰 발전하고 있습니다. IT 팀은 정확성 및 보안을 포함한 기업 데이터 관리에 대해 계속 책임을 지지만, 이제 IT가 실행될 때까지 작업이 대기열에서 기다리는 것이 아니라 여러 팀이 데이터에 직접 액세스하고 자체 분석을 수행할 수 있습니다.

최신 비즈니스 인텔리전스 및 분석 시스템은 머신 러닝 알고리즘과 AI를 통합하여 복잡한 작업을 간소화하며 지속적으로 발전할 것입니다. 셀프 서비스가 새롭게 부각되면서 이러한 기능은 데이터를 분석하고 더 심층적인 수준에서 인사이트를 얻는 기업의 능력을 가속화할 수 있습니다. AI 기반 시스템은 여러 소스에서 자동으로 데이터를 읽는 동시에 가장 관련성이 높은 정보를 가져와 의사 결정을 지원합니다.

예를 들어 데이터 분석과 시각적 도구를 결합하여 보고서용 맵 생성을 지원하는 IBM Cognos Analytics를 생각해 보세요. 이 시스템은 AI를 사용하여 지리 정보를 자동으로 식별합니다. 그런 다음 전 세계, 개별 지역 또는 그 사이의 모든 지역의 지리 공간 매핑을 추가하여 시각화를 구체화할 수 있습니다.

최신 BI 솔루션은 클라우드 기반 플랫폼에 상주하여 BI의 범위를 전 세계로 확장합니다. 빅데이터에서 소비자 인사이트를 얻을 수 있으며, 서술적 분석에서 예측 분석까지 다양한 정보를 생산할 수 있습니다. 이제 많은 BI 솔루션에 실시간 처리 기능이 포함되어 있어 즉각적인 의사 결정을 내릴 수 있습니다.

엔터프라이즈급 BI 시스템에서 발전한 또 다른 기능으로 SQL 전문가가 아닌 사용자도 쉽게 사용할 수 있는 자연어 쿼리가 있습니다. 일부 BI 시스템에서는 로우코드 또는 노코드 개발 기능을 사용할 수 있으므로 사용자는 자신만의 도구, 앱 및 보고 인터페이스를 만들어 빠르게 해답을 얻고 출시 시간을 단축할 수 있습니다.