“코딩 모르는 일반 직원도 손쉽게 데이터분석 가능”…SAS가 제시한 `Auto ML` 전

실시간
뉴스

국제

“코딩 모르는 일반 직원도 손쉽게 데이터분석 가능”…SAS가 제시한 'Auto ML' 전

디지털데일리 발행일 2020-06-23 10:09:06

박기록

URL복사

* 본 기사는 6월말 발간 예정인 <디지털금융 혁신과 도전>2020년 특별호에 게재된 내용을 온라인으로도 미리 제공되는 기사입니다.

- SAS 'AI-Enhanced Analytics'로 글로벌뱅킹 지속 가능한 비즈니스 혁신 주도

- AI·머신러닝(ML) 기술의 진화로 업무 자동화 분석 플랫폼의 필요성 대두

- SAS, 확장된 AutoML 전략으로 분석 라이프사이클 및 의사결정 프로세스 통합

최근 몇 년간 산업 전반에 인공지능(AI) 기술 도입이 폭발적으로 늘어남…에 따라, 금융산업 역시 급격한 변화의 시기를 겪고 있다.

핀테크, 레그테크, 오픈뱅킹을 비롯한 새로운 디지털 트렌드가 끊임없이 금융 서비스 생태계를 혁신하는 가운데, 금융 기관들은 머신러닝(ML)과 자연어처리(NLP), 로봇프로세스자동화(RPA) 등 다양한 형태의 AI 기술을 활용해 생존을 위한 변화를 모색하고 있다. 금융 범죄 및 사기 방지부터 리스크 관리, 고객 경험 강화에 이르기까지 오늘날 금융 기관이 직면한 모든 비즈니스 문제에 AI가 도입되고 있는 현실이다.

이처럼 비즈니스 전반에 혁신을 주도하고 있는 AI의 실질적 가치는 ‘데이터 분석(data analytics)’에서 출발한다. 문제를 정의하고 데이터를 수집하여 탐색 및 모델링, 해석 및 시각화에 이르는 전체 분석 라이프사이클을 구축한 기업만이 데이터 중심의 의사결정을 통해 AI를 비즈니스 기회로 활용할 수 있기 때문이다.

그러나 여전히 대다수의 금융 기관이 분석을 통한 비즈니스 가치 창출에 어려움을 겪고 있는 것으로 나타났다. 2020년 1월, 유럽은행감독청(European Banking Authority; EBA)이 발표한 보고서를 보면, 은행 부문의 고급분석 및 빅데이터에 대한 사용 수준이 ‘초기 단계(early stage)’에 머물러 있다고 밝혔다. 이러한 원인으로는 전문 지식 및 역량의 부재 등이며, 데이터 품질(data quality) 관리부터 거버넌스에 이르는 분석 프레임워크 확립이 향후 과제로 제시됐다.

AI 자동화 분석 플랫폼 구축의 필요성

기존의 분석 업무는 데이터 사이언스 전문가만의 영역이었다. 이 때문에 현업 사용자는 분석가와 IT팀에 분석 업무를 요청하고 그 결과를 실제 비즈니스에 적용하기까지 오랜 시간이 소요된다는 문제가 있었다.

이러한 문제를 해결하고 기업이 전사적 차원의 분석 기반 의사결정 프로세스를 실현하기 위해서는 모든 조직 구성원들이 참여할 수 있는 단일화된 통합 플랫폼 환경 구축이 필수적이다. 나아가 일반 비즈니스 사용자부터 데이터 과학자까지 직접 데이터를 분석하고 원하는 모델을 적용하려면 AI 기반의 자동화된 분석 기능이 함께 제공돼야 한다.

SAS, "강력한 AutoML 기반 엔터프라이즈 분석 플랫폼 제공"

'자동화된 머신러닝', 일명 AutoML(Automated Machine Learning)은 최근 몇 년간 가장 빠르게 진화하고 있는 AI 기술 중 하나다. 기존에는 데이터 과학자가 예측 가능성이 가장 높은 모델을 개발하기 위해 모델 평가 지표를 수립하고 주요 변수 및 알고리즘 선정, 모델링, 평가, 보완에 이르는 작업을 반복적으로 수행해야 했다.

SAS의 AutoML 솔루션은 특히 많은 시간을 소요했던 코딩, 알고리즘 선택, 튜닝 작업을 자동화함으로써 일반 비즈니스 사용자도 손쉽게 머신러닝을 활용해 분석을 진행할 수 있도록 지원한다. 데이터 과학자 역시 더 짧은 시간에 더 많은 모델을 구축함으로써 모델의 성능과 정확도를 개선하고 보다 생산적인 과제에 집중하여, 기업은 조직 전반의 업무 효율 및 전문성을 강화할 수 있다.

SAS 플랫폼의 핵심은 프로세스 자동화에 있다. 데이터 기반 의사결정이 비즈니스 타이밍에 맞게 이뤄지려면 AI가 특정 영역이 아닌 ‘데이터(data)–분석(discovery)–적용(deployment)’에 이르는 분석 라이프사이클 전반으로 확대되어야 한다.

시장에서는 일반적으로 분석(discovery) 단계에서만 AutoML을 강조하는데, SAS 플랫폼은 데이터 준비부터 모델 적용에 이르는 분석 라이프사이클 전 과정에 AutoML 기능을 제공한다. 이를 통해 기업은 분석의 적용 범위를 확대해 더 많은 업무 시나리오에 분석을 적용할 수 있으며, 신속하게 분석 결과를 비즈니스에 적용할 수 있다.

또한 SAS 플랫폼은 인터페이스와 오픈소스를 포함한 다양한 코딩 언어에 대한 선택권을 제공한다. 효율적인 모델 개발과 배포에 어려움을 겪어 왔던 파이썬(Python), R, 자바(Java)와 같은 오픈소스 사용자들도 자신에게 익숙한 언어를 기반으로 SAS의 강력한 'AI-Enhanced Analytics' 환경과 기능을 활용할 수 있다.

SAS "AI-Enhanced Analytics로 지속 가능한 비즈니스 가치 실현"

AI와 머신러닝 도입이 가속화되면서 그 어느 때보다 많은 분석 모델이 개발되고 있지만 개발 단계를 넘어 실제 비즈니스에 적용되는 모델은 여전히 제한적이다. 데이터 준비에서 모델 배포까지 시간이 많이 소요될수록 의사결정은 그만큼 늦어지고, 결과적으로 비즈니스 기회 또한 잃게 될 가능성이 크다. 즉, 아무리 좋은 분석 모델을 개발해도 실제 비즈니스 환경에 맞게 이를 운영하지 못한다면 ‘분석의 최종 단계’인 비즈니스 가치 창출에 실패하는 것이다.

SAS는 기업이 더 많은 데이터를 준비해서 더 빠르게 모델을 구축하고, 이를 신속히 업무에 적용할 수 있도록 지원함으로써 비즈니스 기회 손실을 최소화한다. 나아가 분석 라이프사이클을 비즈니스 의사결정 프로세스에 통합하고, 지속적인 모델 모니터링과 비즈니스 영향 점검 등 일련의 과정을 통해 기업의 비즈니스 가치 실현을 가속화한다. 개방형 플랫폼에서 분석 시간을 줄이고, 그 결과를 운영 시스템에 빠르게 적용하여 비즈니스 가치를 극대화하는 것. 이것이 바로 비즈니스 혁신을 주도하는 SAS AI-Enhanced Analytics 전략이다.

美 씨코스트뱅크, SAS 머신러닝으로 고객 경험 개선 및 고객 당 매출 30% 증가

미국 씨코스트뱅크(Seacoast Bank)는 총 자산 67억 달러의 플로리다 지역 최대 규모의 은행으로, 다른 금융 기관과 마찬가지로 방대한 양의 고객 데이터를 보유하고 있다. 씨코스트뱅크는 고객 데이터를 활용해 고객 가치를 이해하고 보다 나은 서비스를 제공해 기존 고객을 유지하면서 신규 고객을 유치하기 위한 혁신적인 방법이 필요했다.

씨코스트뱅크는 SAS의 AI 기반 머신러닝 분석 플랫폼을 활용해 고객 당 위험 조정 매출 30% 증가와 동시에 마케팅 캠페인 자동화를 통해 세 자릿수의 높은 투자수익률(ROI)을 기록했다. 은행은 대규모 개인화 작업과 같은 특정 비즈니스 과제를 해결하기 위해 예측 모델을 추가하고 머신러닝을 적용했으며, 개별 고객의 선호도와 거래 이력에 맞춤화된 마케팅을 진행할 수 있게 됐다.

씨코스트뱅크의 마케팅 담당자들은 은행 전반에 구현된 분석 인사이트를 활용해 캠페인을 자동화하고 중요 고객들과의 관계를 강화할 수 있다. 또한 고객 개인 포트폴리오를 분석하고 인터랙티브 대시보드를 활용해 성과 트래킹 역시 가능하다.

제프 리(Jeff Lee) 씨코스트뱅크의 최고마케팅책임자(COO)는 “고객 가치에 대한 이해를 바탕으로 고객 전략과 신규 고객 유치 방안을 세밀하게 마련함으로써 높은 수익률을 달성하고 고객 충성도를 향상할 수 있다”며, “SAS의 머신러닝과 고급분석 솔루션은 데이터 접근과 시각화, 인사이트 확보, 협업 추진, 대규모 개인화 서비스를 통한 고객 경험을 향상해 실현가능한 미래 로드맵을 제공한다”고 말했다.

<정리 = 박기록 기자>rock@ddaily.co.kr