AI 통합, 앞서가는 회사는 무엇을 알고 있나
HBR 구독에서 일상 활용으로
HBR 2023. 7-8월호 <AI 통합, 앞서가는 회사는 무엇을 알고 있나>를 읽고 배운 점을 기록합니다.[1]
알림 기능의 설계와 UX
다음 내용을 읽을 때는 AI와 관계없이 최근 있던 두 가지 일로 인해 고민했던 생각을 다시 히게 되었습니다.
고객에 따라 문자메시지에 호응하는 사람이 있고, 이메일에 호응하는 사람이 있었다. 행동일 2주 전부터 반응하는 고객이 있는 반면 이틀 전에야 응답하는 고객도 있었다. 이런 요소들은 단독으로 또는 전체적으로 맞물려 고객 반응에 영향을 준다. 고객이 적극적으로 호응하느냐 아니면 극도의 불만을 품게 되느냐가 역기서 갈린다.
하나는 저희가 맺고 있는 Cloud ITO 계약의 클라이언트께서 알림 기능을 요구한 일에서 기인합니다.
후보자 혹은 Client와의 이슈 혹은 계획을 놓치지 않기 위해 OOO 구성원들이 특정 내용을 넣고 리마인드를 받아볼 수 있는 기능. 후보자 혹은 Client에게 알람이 가는 것이 아닌 리마인더를 설정한 팀빌더 구성원에게 나중에 알람이 가는 형식
클라이언트의 글을 읽는 순간 몇 가지 질문이 연쇄적으로 떠올랐습니다. 업무용 노트북에서 로그인을 한 뒤에 알려줄 것인가? 아니면 선호하는 채널 예를 들면 이메일이나 카톡으로 알림을 주고 클릭하면 관련한 화면으로 이동하는 링크를 연결해 줄 것인가?
나아가 AI는 과거 데이터를 이용한다면 이런 선호에 대해 고객에게 직접 묻거나 선택하는 번거로움을 없애고 맞춤 개인화를 할 수 있다는 주장이 담긴 기사입니다.
자극을 주는 일이 하나 더 있었습니다. 제가 금요일 퇴근 이후 풋살 동호회 활동을 하는데, 동호회 회장이 카톡으로 참석 여부를 물을 때 사람들의 반응이 매우 다르다는 사실입니다. 참석 여부를 안 밝히는 사람도 있지만, 재촉해야 결정하는 분들도 있습니다.
반면 투표를 올리자마자 하는 분도 있죠. 그리고 투표 후에 이유나 배경을 설명하는 채팅을 남기는 분들도 있고, 그냥 투표만 하는 사람도 있죠. 이들을 포용하는 일은 모두 UX가 고려할 범주라고 생각합니다. 그리고, 포용력을 유지하면서 회장(중재자)의 고통을 줄여 주는 것 역시 UX의 숙제죠.
기사 중에 AI를 적용하면 UX를 개선할 수 있다고 추정할 수 있는 내용이 등장합니다.
여기에 엄청나게 많은 실험이 필요했다. 메시지의 변경(제안사항과 창의적인 내용을 포함), 인센티브 테스트, 메시지 발송 시간 및 순서의 변경 등이 이뤄져야 했다.
기존 기술 습득 방식 제고하기
120% 공감하는 내용입니다.
이런 종류의 기업에 인공지능 혁신이란 기존의 디지털 역량을 뿌리로 하면서 새로운 솔루션을 더하는 일이라 할 수 있다.
과거에 반복되는 기업 IT 담당자들의 잘못된 관행에 대해 글을 쓰며 이렇게 말한 일이 있습니다.
솔루션부터 찾으면 100% 실패한다.
안타깝게도 글만 쓴 것이 아니라 실제 벌어진 일이고, 조언을 드렸으나 지인이 어떤 이유에서인지 필자가 반대하는 방식으로 일을 추진했습니다. AI 적용에 대한 사안은 아니었지만 행동 패턴은 정확하게 일치합니다.
이러한 시행착오를 회피하는 전략이 바로 '기존의 디지털 역량을 뿌리로 하면서'라는 표현입니다. 디지털 역량이 부족한데 인공지능으로 혁신을 일으킬 방법은 존재하지 않습니다.
그리고 다음 문장이 바로 기사의 주제에 대한 훌륭한 요약이라 여겨집니다.
가장 중요한 차이점은 회사가 AI에 학습시키는 데이터다. 경쟁우위는 끊임없는 데이터의 수집, 그리고 세분화한 변환 또는 강화, 그리고 최선의 행동 기능을 알려주는 AI 라이브러리에 데이터를 공급하는 것에 있다. 마케터의 역할을 이런 AI 기반 추천 내용을 실제 마케팅에 창의적으로 응용하고 그 결과를 다시 반복적으로 학습하는 것에 있다.
저자는 또한, 다음 3가지 제약으로 인해 적절한 AI 솔루션을 도입해도 통합 진행이 어려워질 수 있다고 지적합니다.
데이터 수집 제약
AI 솔루션과 마케팅 사이의 연결성 부족: 마테크martech 시스템 결여
시스템의 자동 확장 능력 부재
스마트한 통합을 위한 4가지 핵심
그러고 나서 성공한 AI 통합이 공통적으로 갖춘 특성을 네 가지로 제시합니다.
목표의 명확성과 일관성
온전한 데이터 계측 환경 구축
느슨하게 연결한 기술 아키텍처
실험적인 문화
목표의 명확성과 일관성
분명한 쓰임새use case 정의 강조란 측면에서 완전히 동의할 수 있는 조언입니다.
AI 마케팅이라면 '대기 시간 최소화'나 '판매당 인센티브 비용 절감', '고객이 반드시 수락할 제안하기' 같은 목표가 더 적합하다.
앞서 '데이터 수집 제약'이나 'AI 솔루션과 마케팅 사이의 연결성 부족'을 언급한 맥락과 연결되는 듯한 조언입니다.
AI 애플리케이션이 예측할 때는 주로 과거 데이터를 근거로 한다. AI의 타깃이 너무 광범위하면 AI의 최적화 성능은 크게 줄어든다. 따라서 전례 없는 상황에서 예측력이 떨어진다.
기사에서 AI 통합의 성공적인 사례로 스타벅스의 예를 듭니다.
스타벅스는 실제로 고객 구매를 유도할 가능성이 가장 높은 고객 접촉 지점을 최적화하기로 결정했다. 스타벅스는 실제 고객 응답 데이터와 함께 암묵적인 관심사를 포착했다. 이를테면 고객 검색 기록이나 특정 이미지에 머무는 시간, 설명 클릭 여부 및 빈도, 일주일에 3차례 동일 페이지 재방문 여부 등을 조사했다.
온전한 데이터 계측 환경 구축
설계 경험이 있는 제 입장에서는 아래 문장이 아키텍처 수립에 대한 단서를 제공합니다.
AI 개인화 프로그램의 정수는 고객 상호작용과 회사의 관련 조치 및 결과에 대한 데이터를 기록, 구성 및 공유하는 메커니즘에 있다.
예를 들어 기록, 구성, 공유는 프로그래밍 처리의 원형이 IPO(Input-Process-Output)의 패턴이고, 기록의 기본 형태(입자)는 상호작용과 관련 조치이고 이들을 어떻게 연결할 것인가를 파동처럼 혹은 이벤트로 정의하는 일로 인식할 수 있습니다.
역시 비슷하게 아키텍처 요건 혹은 구조적 필요성을 깨닫게 하는 문장입니다.
채널에 관계없이 고객과 상호작용한 정보를 포착하는 '수신기receptor'가 필요하다.
일단 데이터 입수가 가능해야 하고, 신호 형태의 데이터 혹은 채널별로 다른 형식을 이해하여 기록할 수 있는 수신기의 필요성을 동시에 설명한다 할 수 있습니다.
우리 회사에서 연구 중인 추적성 확보나 사용자 맥락 유추와도 유관한 내용도 있습니다.
태깅 아키텍처Tagging architecture를 이용하면 테스트와 학습이 가능하다. 태깅 아키텍처란 이 같은 고객 상호작용 및 커뮤니케이션 관련 메타 데이터를 캡처해 분류하는 기술이다.
기사에는 CVS헬스에서 적용한 이에 대한 상세 설명도 있습니다.
모든 상호작용에는 해당 데이터를 설명하는 포괄적인 디스크립터descriptor를 태그 해 텍스트의 색상, 이미지의 특성, 어조, 구체적인 단어를 알 수 있도록 했다. 그리고 모든 상호작용 지점을 상세하게 기록하도록 했다. 고객이 언제 상호작용했는지, 몇 번 클릭했는지, 고객이 떠났다가 재방문했는지, 최초 클릭 이후에는 고객 여정이 어떻게 진행됐는지 등 모든 정보를 수집하도록 했다.
여기에 더하여 외부 데이터로 종합적 맥락을 얻는 방법도 설명합니다.
기후, 정전, 인구통계 및 심리통계 데이터 등 제3의 출처에서 얻은 데이터와 우편번호(행정구역) 별 인구의 일반 건강 데이터를 종합해 살펴보면 더 큰 맥락이 보인다.
느슨하게 연결한 기술 아키텍처
다음 문장은 AI 적용 이전에도 우리 제품(베터 어드민)에서도 참조할 만한 내용입니다.
고객경험 기술 스택은 예측 엔진, 시퀀싱 엔진이나 경험관리 엔진, 콘텐츠 엔진, 채널전송 엔진, 실험 및 분석 엔진으로 구성된다.
제가 가장 좋아하는 설계 원칙을 언급합니다.
상호의존적으로 작동하는 것보다는 느슨하게 연결된 기술 아키텍처가 가장 이상적이다.
느슨한 결합은 API가 표준어처럼 쓰이는 Cloud Native 환경에 보편적으로 어울리는 접근일 수 있습니다.
API는 서로 다른 플랫폼끼리 디지털 대화를 나눌 때 통용되는 만국 공통어다.
고객 상호작용을 담기에는 이벤트라는 빌딩 블록이 잘 어울립니다.
고객 상호작용은 시간순으로 추적되며 타임스탬프가 찍힌다.
이벤트의 내용은 비즈니스 상황에 따라 혹은 도메인에 따라 다른 내용을 담을 수 있어야 하기 때문에 역시 또 '느슨한 결합'이 유용합니다.
실험적인 문화
<Data Driven 2023> 시리즈를 썼던 의도와 부합하는 내용입니다.
AI는 어디까지나 '예측'을 하지 '발명'하지는 않는다. 과거 패턴에 비춰 내다볼 뿐이다. 발명은 마케터의 몫이며 AI는 언제 누구에게 어떻게 효과가 있는지를 학습한다. 발명은 실험의 중요성을 높이 사고 리스크를 기꺼이 감수하는 문화 속에서 탄생한다.
실험을 수행하려면 애자일이 필수란 저자의 말에 저 역시 동의합니다.
이 과정에서 애자일 팀은 필수다. <중략> 자금줄을 엄격하게 조일수록 혁신이 꽃 피기 어렵다. 위험을 감수하지 않고 실험하기란 불가능하다.
위험을 감수하는 자금 집행은 실행이 쉽지 않아 (과거에 저 역시) 어떻게 풀 수 있을까 고민하다 찾았던 Lean Budgets이 떠오릅니다.
출처: https://www.scaledagileframework.com/lean-budgets/마지막으로 실험적인 문화의 성과 사례로 스타벅스의 마케팅 성과를 전합니다.
스타벅스 지점 방문 고객의 상호작용은 대개 스타벅스 앱을 통해 이뤄지도록 인센티브를 주고 있으며 앱에 많은 개인 정보digital breadcrumb를 남기고 간다. 그래서 앱으로 다양하고 많은 정보를 수집할 수 있다. 언제 어디서 무엇을 주문했는지, 단골 메뉴를 주문했는지 아니면 추가 주문한 메뉴가 있는지, 홍보 메시지의 워딩과 인센티브 내용, 발송 시간, 열람 시간 등 세부 정보를 파악한다. 스타벅스 앱은 이 모든 정보를 속속들이 활용해 고객 개개인에 맞춘 맞춤형 마케팅을 진행한다.
주석
[1] 제 잠재 업무 범위에 맞춰서 살펴본다는 점에 유의하시기 바랍니다.
지난 HBR 활용기사
10. 좋은 후원자가 되는 법 활용
12. 전략과 원칙의 의미와 활용
14. 현명한 업무 설계를 돕기
15. 비허가형 기업 만들어가기
17. 위대한 리더는 무엇이 다른가
18. 가격 책정 패러다임을 확장하라
19. 세계 최대 규모의 완전 원격근무 기업 CEO에게 배우기
20. 분노의 시대에 경영하기
21. 자동화는 생산성보다 유연성에 초점을 맞춰야 한다
22. 진격을 위한 비허가형 기업
23. 좋은 직업이란 무엇인가?
24. 인간의 얼굴을 한 AI
28. 직장에서의 뉴로테크
31. 좋은 일자리 만들기의 장애물
33. 혁신이 파괴적일 필요는 없다
40. 따를 만한 리더가 되는 법
