[아이티데일리] 의사결정 관리는 조직의 성과를 높일 수 있는 기업 전략의 핵심 부분이다. 의사결정 관리는 데이터, 규칙 및 분석(Analytics)을 사용해 정확하면서도 효과적이어야 하며 사실에 기반해야 한다.

일부 데이터 및 분석 리더는 의사결정 관리를 비즈니스 규칙 프로세스를 지양해야 하는 구식 기술로 간주하는데, 이러한 잘못된 인식은 그동안의 노력을 헛되게 하고 혼란을 야기할 수 있다. 실제 규칙은 모든 의사결정 관리 솔루션의 일부이며, 특히 분석과 규칙은 상호 보완적인 관계다. 조직은 가끔 비교적 간단한 계산이 포함된 규칙 세트를 사용해 의사결정을 내린다. 또한 머신러닝, 최적화 또는 이 두 가지의 조합과 같은 고급 분석과 함께 규칙을 사용하기도 한다.

분석

비즈니스 규칙을 사용해 법률, 규정, 비즈니스 정책 및 전문가 판단에서 도출된 의사결정 논리를 체계화하라

간단히 말해 규칙은 ‘만약-그렇다면(if-then)’이라는 논리를 구현한다. ‘만약’은 참 또는 거짓인 조건절을 사용해 하나 또는 하나 이상의 조건을 테스트한다. ‘그렇다면’은 결정을 위한 입력 데이터가 ‘만약’ 조건을 충족할 때 참인 결론을 도출한다. 다만 규칙은 항상 ‘만약-그렇다면’ 논리를 적용해 문자 그대로 구현되는 것은 아니며, 사용하는 소프트웨어(SW)에 따라 다른 방식으로 표현될 수 있다.

일부 의사결정 관리 솔루션 규칙은 공식 지침을 기반으로 하지만, 경험적 지식에 의존한 휴리스틱(heuristic) 및 기타 규칙들은 비공식적 판단에서 도출된 인사이트를 기반으로 한다. 이 외에도 머신러닝 또는 최적화된 분석을 토대로 하는 규칙도 있다. 많은 비즈니스 결정은 외부 법률, 규정 또는 내부 기업 정책에 의해 영향을 받거나 결정되는데, 공식 지침은 새로운 의사결정 관리 솔루션이 개발되기 전 항상 문서화된다.

또 다른 비즈니스 규칙은 한 개 또는 그 이상의 특정 분야를 다루는 전문가의 경험, 일반 상식, ‘직감’ 또는 ‘경험 법칙’ 등 휴리스틱 개념에 기초한다. 이러한 전문가의 판단은 일반적으로 의사결정 관리 솔루션이 개발되기 전에는 문서화되지 않는다. 전문가들이 직접 규칙을 입력하지 않는 한 분석가들이 작업자, 관리자, 또는 기타 전문가와 진행한 인터뷰를 통해 비즈니스 규칙을 설계하기 때문이다.

많은 비즈니스 상황 특히 법률, 규정 및 일부 기업 정책과 관련된 상황에서는 가능한 모든 조건의 조합을 테스트하기 위해 수백 또는 수천 개의 규칙이 필요하다. 이에 의사결정에는 규칙 간 복잡한 관계가 포함될 수 있다. 추론 기술을 사용하는 시스템에서 규칙은 동일한 집합 세트 내에 있는 다른 규칙을 작동한다. 다른 기술은 중첩 규칙(Nested Rules), 의사결정 나무(Decision Trees) 또는 다단계 의사결정을 사용한다.

다단계 의사결정은 특정 규칙 집합 세트 실행 뒤에 다른 규칙 세트를 진행시킨 다음, 분석 단계와 추가 규칙 등이 따르는 흐름을 사용한다. 또한 다단계 의사결정 흐름은 더 큰 애플리케이션의 일부인 의사결정 서비스, 비즈니스 프로세스 또는 자체적으로 보다 큰 프로세스 흐름을 갖는 서비스형 소프트웨어(SaaS) 내에 포함될 수 있다.

개발자나 엔드 유저는 의사결정 서비스에서 의사결정 관리 솔루션을 분리함으로써 나머지 애플리케이션을 중단하지 않고 의사결정 알고리즘을 점진적으로 수정할 수 있다. 의사결정 논리는 일반적으로 시스템의 다른 요소들에 비해 더 자주 변경된다.

의사결정 관리 제품군(DMS, Decision Management Suites), 데이터 사이언스 및 머신러닝(DSML, Data Science and Machine Learning) 플랫폼, 최적화 플랫폼과 같은 특정 목적을 위한 툴은 의사결정 논리를 구현하는데 있어 범용 프로그래밍 언어보다 생산적이다. 분석가들은 규칙 지향적인 도메인 특화 언어(DSL, Domain-Specific Language), 일반화된 표현 언어, 그래픽 모델 및 메뉴를 조합하여 규칙을 DMS의 저작 스튜디오(Authoring Studio)에 수동으로 입력한다. 전문 분석가나 개발자가 아닌 일반 엔드 유저가 더 많은 프로젝트에서 규칙을 입력하는 사례들이 점차 증가하고 있다.

머신러닝을 사용하여 과거 데이터로부터 인사이트를 확보하라

조직은 4가지 방법으로 머신러닝을 사용할 수 있다.

1. 오프라인 머신러닝 모델은 특정 분야의 전문가 판단을 형성하여 휴리스틱 규칙에 간접적으로 영향을 줄 수 있다. 해당 솔루션의 런타임에는 분석이 포함되지 않으며, 분석의 영향은 간접적이며 대부분 추적이 불가하다.

2. 비즈니스 규칙은 이전에 오프라인으로 실행된 분석 모델의 결과를 조회할 수 있다. 예를 들어, 고객의 신용 점수는 지불 내역, 크레딧 사용률, 크레딧 이용 기간, 새로운 신용 및 지표, 그리고 크레딧 구성(Credit Mix)과 같은 데이터를 사용하는 복잡한 알고리즘을 통해 미리 계산이 가능하다.

3. 분석가나 개발자는 오프라인 머신러닝 모델의 결과를 사용해 비즈니스 규칙에 반영되는 매개변수 또는 공식을 개발할 수 있다. 런타임 알고리즘은 규칙만 포함하지만, 규칙에 구현된 정량적 기준과 계산은 머신러닝을 기반으로 한다. 예를 들어 기업은 과거 사건을 기반으로 정교한 오프라인 사기 위험 평가 모델을 개발할 수 있다.

4. 분석은 의사결정 관리 솔루션에서 알고리즘의 일부로 런타임에 계산될 수 있다. 데이터 과학자 또는 기타 분석가는 먼저 DSML 플랫폼이나 유사한 데이터 과학 툴을 사용해 오프라인으로 머신러닝 모델을 구축한다. 데이터 과학 툴은 오프라인 또는 백그라운드에서 해당 모델을 훈련하고 평가 코드(Scoring Code) 혹은 완전한 머신러닝 모델을 생성한다.

분석가, 데이터 과학자 및 데이터 엔지니어는 또한 파이썬(Python), R, 자바(Java) 또는 다른 언어로 맞춤형 분석을 작성할 수 있다. 새로운 런타임 결정을 위한 데이터가 도출되면 해당 평가 코드나 모델은 다단계 의사결정 흐름 안에서 분석 기능을 실행한다.

방법 3번과 4번의 주요 차이점은 런타임 분석의 복잡성이다. 런타임 계산이 간단한 경우, 머신러닝에서 파생된 매개변수나 공식을 통해 규칙을 작성하는 것이 실용적이다(방법 3). 런타임 계산이 복잡한 경우, 평가 코드, DSML 또는 유사한 플랫폼에서 생성된 머신러닝 모델이나 맞춤형 분석 코드를 사용하는 것이 더 효과적이다(방법 4).

의사결정 관리 솔루션의 분석은 항상 어떤 방식으로든 규칙과 함께 사용된다. 실시간 데이터를 사용하는 런타임 분석(방법 4)은 단순 계산(방법 3), 이전 데이터를 기반으로 하는 오프라인 분석(방법 2) 또는 휴리스틱 규칙(방법 1)보다 더 나은 결정을 내릴 수 있게 한다. 이는 오래된 데이터를 사용해 고정된 규칙에 의존하기보다는 머신러닝 및 기타 정교한 계산을 통해 다양한 종류의 실시간 데이터를 처리하기 때문이다.

예를 들어 조직은 런타임 분석을 통해 고객의 제안으로부터 더 높은 수익률을 달성하거나 보다 효과적으로 사기 행위를 탐지할 수 있다. 이 때문에 비즈니스 상황에 따라 결론이 달라질 수 있음에도 일부 조직들은 분석이 규칙보다 낫다고 말한다.

머신러닝 분석에는 훈련 데이터가 필요하다. 관련된 훈련 데이터가 없는 프로젝트는 휴리스틱 규칙에 따라 생산에 들어간 다음, 애플리케이션을 실행해 경험 사례를 수집한 후 머신러닝 분석에 기반한 평가 논리를 적용할 수 있다.

제약 조건 속에서 설정한 목표들의 균형을 이루기 위한 결정에 최적화 기술을 사용하라

최적화 기술은 가능한 많은 대체 조치 또는 상호작용하는 다수의 결정을 내릴 때 유용하다. 최적화 기술에는 제약 조건 해결, 선형 계획법(Linear Programming), 비선형 계획법(Nonlinear Programming), 정수 계획법(Integer Programming) 및 유전 알고리즘이 포함된다. 이러한 기술들은 제약 조건에 따라 목표를 최대화 또는 최소화하는 의사결정을 생성하는 처방적 분석(Prescriptive Analytics)을 제공한다.

실시간 최적화로 가장 잘 알려진 예시로는 모바일 기기의 내비게이션 기능이다. 지도 앱은 가능한 여러 경로와 수십 개 이상의 개별 회전을 평가하여 목적지까지의 최단 또는 가장 빠른 경로를 동적으로 계산한다.

의사결정 관리에서 최적화와 규칙 간의 관계는 머신러닝과 규칙 간의 관계와 같다.

1. 오프라인 최적화 모델은 특정 분야의 전문가 판단을 형성해 휴리스틱 규칙에 간접적으로 영향을 줄 수 있다. 해당 솔루션의 런타임에는 분석이 포함되지 않으며, 최적화 기술의 영향은 간접적이며 대부분 추적이 불가하다.

2. 비즈니스 규칙은 이전에 오프라인으로 실행된 최적화 모델의 결과를 조회할 수 있다. 예를 들어, 은행은 오프라인 최적화 모델을 사용해 수익과 리스크 목표의 균형을 맞추기 위해 다양한 유형의 고객에게 부과할 이자율을 결정한다. 은행은 런타임에 대출 신청을 심사할 때 의사결정 관리 솔루션 규칙을 사용해 사전에 계산된 이자율 중 고객에게 적용할 이자율을 결정하기 위해 여러 조건들을 평가한다.

3. 분석가 또는 개발자는 오프라인 최적화 모델의 결과를 사용해 비즈니스 규칙에 반영되는 매개변수나 공식을 개발할 수 있다. 재차 강조하지만 런타임 알고리즘에는 규칙만 포함되지만, 매개변수나 규칙에 구현된 여타 계산들은 최적화 기술에 기초한다. 예를 들어 항공사는 각 비행에서 가능한 한 많은 좌석을 채움으로써 수익 극대화를 목표로 하며, 항공권 취소 개수를 예측하기 위해 과거 데이터를 사용한다. 또한 오프라인 최적화 모델을 사용하여 초과 예약에 따른 수익과 지출 비용을 미리 계산함으로써 보상 비용을 상쇄한다.

4. 최적화는 의사결정 관리 솔루션에서 알고리즘의 일부로 동적으로 계산될 수 있다. 최적화 모델은 사전에 설계돼 의사결정 단계에서 SW 기능으로 배치된다. 예를 들어 운송 관리 시스템에 경로 계획 및 최적화, 화물 운송, 야드 관리 및 기타 목적에 맞춰 동적 최적화 기능을 적용한다.

구조화된 다단계 의사결정 흐름에 내장된 최적화 기능에는 입력 데이터를 필터링, 변환 및 검증하는 규칙이 선행될 수 있다. 또한 적절한 조치를 구현하기 위해 다른 규칙을 따를 수 있다.

머신러닝 분석과 달리, 많은 최적화 모델은 과거 데이터 없이도 구축될 수 있다. 경영과학자들은 비즈니스 상황의 구조를 이해함으로써 최적화 모델을 개발한다. 다만 일부 최적화 솔루션은 머신러닝을 활용해 불확실한(확률적인) 입력 값을 계산한다. 이러한 솔루션에는 학습 데이터가 반드시 필요하다. 예를 들어 항공사는 머신러닝 모델을 활용해 좌석 초과 예약에 대한 과거 데이터를 기준으로 항공권 취소와 관련된 인사이트를 어느 정도 예측할 수 있다.

절충이 복잡한 상황에서 최적화 기술은 인간의 판단, 일반 규칙 또는 머신러닝 모델에 의한 결과보다 더 높은 수익이나 더 낮은 비용을 생성하는 의사결정을 유도한다. 이는 물류, 스케줄링, 정유, 제조, 공급망 및 운송 작업과 더불어 일부 가격 책정, 마케팅 및 리스크 관리 애플리케이션에서도 사용된다. 그러나 대부분의 최적화와 관련된 문제에는 규칙이 많지 않기 때문에 DMS나 기타 규칙 관리 기술을 사용하지 않는다.

또한 최적화 모델은 ‘만약-그렇다면’ 논리를 사용하지 않고 규칙을 제약 조건으로 구현함으로써 적용 가능한 모든 규칙을 통합할 수 있다. 많은 최적화 애플리케이션은 애플리케이션, 비즈니스 프로세스 또는 SaaS에 통합된 의사결정 서비스가 아닌 독립적인 오프라인 또는 일회성 솔루션이다.

반대로, 대부분의 의사결정 관리 솔루션은 머신러닝 분석이 포함된 일반 규칙이나 이미 존재하고 있는 규칙들을 활용해 의사결정을 내렸기 때문에 과거에는 최적화 기술을 사용하지 않았다. 이에 대부분의 데이터 및 애널리틱스 리더, 아키텍트 및 비즈니스 분석가는 최적화 기술에 익숙하지 않다.

그럼에도 불구하고 DMS가 보다 편리한 툴 사용과 우수한 통합성을 지원하므로 조직에서 DMS를 통한 최적화 기술 사용을 늘릴 것으로 기대된다. 더욱이 기업들은 공급망, 판매 운영, 제조 및 기타 업무 측면의 대응력을 높이기 위해 의사결정 속도를 높이고 있다. 변화하는 상황 속에서 조직이 복잡한 비즈니스 사례를 처리할 때 최적화와 규칙 관리를 결합해 사용한다면 매우 정확하고 효과적인 의사결정을 내릴 수 있다.

결론

기업은 SW를 사용해 더 많은 결정을 자동화하고 인간만이 내릴 수 있는 특정 의사결정을 강화하고 있지만, 정확히 어느 시점에서 머신러닝, 규칙 또는 최적화 기술을 적용해야 하는지를 파악하는 데 어려움을 겪고 있다. 더 나은 비즈니스 의사결정을 가능하게 하는 데이터 및 분석 솔루션을 구현하고, 특히 규칙이 많거나 복잡한 분석으로 인해 규칙이 자주 변경되는 경우, 애플리케이션 흐름 논리와 별도로 의사결정 논리를 구현하는 것이 가장 적합하다.