셀프 서비스 분석 알아보기: 모범 사례 및 전략

비즈니스 리더는 중요한 의사 결정을 수행하고, 업계 및 시장의 변화를 예측하고 대응하기 위한 정보를 필요로 합니다. 이론적으로는 오늘날의 기업들이 축적한 방대한 데이터가 인사이트 확보를 보다 용이하게 만들어 주었어야 합니다. 그러나 그에 필요한 데이터를 얻기 위해서는 이미 다른 많은 업무를 처리 중인 IT 담당자에게 도움을 요청해야 하는 경우가 너무 많은 것이 현실입니다.

셀프 서비스 분석 플랫폼은 IT팀에 관련 지원, 데이터 추출, 보고서 등을 요청해야 한다는 장벽을 없애 줄 뿐만 아니라, 비전문가도 직접 데이터를 수집 및 조작하고, 머신러닝(ML) 및 인공지능(AI) 등의 고급 기술을 활용하고, 자체 시각화 자료 및 보고서를 생성할 수 있는 기술적 지원을 제공함으로써 기업인들의 업무 방식을 크게 변화시킵니다. 비즈니스 사용자는 셀프 서비스 분석을 통해 본인의 직감 및 호기심을 바탕으로 겪고 있는 문제에 대한 해답을 직접 발견할 수 있습니다. 분석 결과가 문제와의 관련성 및 실용성을 잃어버리기 전에 원하는 결과를 신속하게 도출할 수 있음은 물론입니다.

셀프 서비스 분석이란?

셀프 서비스 분석은 IT 또는 데이터 과학 관련 전문성이 없는 사용자도 직접 운영 데이터를 탐색하여 시의적절하고 관련성 있는 인사이트를 확보할 수 있는 기술입니다. 셀프 서비스 분석 도구를 사용하면 영업, 마케팅, 제조 등을 담당하는 비즈니스 사용자들이 데이터 과학자 또는 IT 전문가의 지원 없이도 데이터 분석 플랫폼의 강력한 기능을 활용할 수 있습니다.

셀프 서비스 분석을 활용하고자 하는 기업은 먼저 관련 분석 도구를 구현합니다. 많은 경우 클라우드 환경에 구현한 뒤 자사의 데이터 저장소에 연결합니다. 과거 사용된 데이터 분석 방식은 IT 담당자가 비즈니스 사용자의 데이터 추출 및 다운로드 요청을 대신 처리해야 하는 경우가 많았습니다. 마찬가지로 영업 및 마케팅 담당자가 데이터 분석을 수행하고 분석 결과의 요약본이나 보고서를 생성하기 위해 비즈니스 인텔리전스 또는 데이터 과학 팀의 도움을 요청하곤 했습니다. 셀프 서비스 분석의 '셀프 서비스'라는 표현은 비즈니스 사용자가 전문가의 도움 없이 데이터 분석과 관련된 모든 작업을 처리할 수 있음을 의미합니다. 데이터와 분석 소프트웨어가 직접 연결되어 있으므로 사용자가 직접 적절한 데이터를 선택하고 플랫폼이 제공하는 도구를 사용하여 분석 및 시각화를 실행할 수 있습니다.

비즈니스 사용자는 셀프 서비스 분석을 통해 데이터 세트 처리, 인사이트 생성, 대시보드 설계, 시각화 제작 등 관련 전문 지식을 필요로 했던 많은 작업을 직접 수행할 수 있습니다. 일부 셀프 서비스 분석 도구에는 매우 큰 데이터 세트를 빠르게 검색하여 인사이트를 도출하고 숨겨진 패턴을 발견하는 AI 및 ML 기능이 내장되어 있습니다. 최근 진행 중인 AI 및 ML 기술의 통합은 데이터 분석 플랫폼을 혁신하고 있습니다. 자동화를 통해 기술 전문가가 아닌 사용자의 데이터 검색 역량이 크게 강화되었습니다. 데이터 분석 애플리케이션을 소스에 연결하는 것만으로도 관련된 데이터의 프로필이 자동으로 생성되므로 사용자가 원하는 정보를 찾는 과정에서 수많은 단계를 건너뛸 수 있습니다. 많은 경우 이는 사용자가 직접 특정한 쿼리를 입력하지 않고도 자유롭게 데이터 검색을 수행할 수 있도록 만들어 줍니다.

핵심 요점

• 비즈니스 사용자는 셀프 서비스 분석을 통해 보고서, 시각화 자료, 분석 결과를 보다 쉽고 빠르게 생성하고, 변화하는 상황에 더욱 효과적으로 대응할 수 있습니다.
• 데이터 분석을 수행하는 인원이 데이터 및 분석 도구에 직접 액세스할 수 있으므로 비즈니스 사용자는 필요한 만큼 조사를 반복하고 새로운 데이터 원본을 추가할 수 있습니다.
• IT 담당자의 도움을 구할 필요 없이 직원이 직접 가정(what-if) 시나리오 분석을 실행하고, 새로운 문제나 기회를 포착하는 대로 신속하게 대응할 수 있습니다.
• 셀프 서비스 분석은 IT 담당자들의 업무량을 줄여주므로 IT 담당자는 새로운 데이터 원본을 통합하거나 데이터 분석 및 거버넌스를 위한 새로운 도구를 찾는 등의 업무에 더 많은 시간을 할애할 수 있습니다.

셀프 서비스 분석이 중요한 이유는 무엇인가요?

재무, HR, 운영, 영업 및 마케팅 등 기업 내 다양한 부서의 성공은 현재 일어나고 있는 사건 및 변화에 대한 명확한 인사이트를 도출하고, 그에 대한 대응 계획을 신속하게 수립 및 실행하는 데 달려 있는 경우가 많습니다. 신속한 조치를 방해하는 요소는 무엇일까요? 현업 팀이 상황을 명확하게 이해하기 위한 데이터 분석을 기업 내 다른 부서에 의뢰하는 과정에서 지연이 발생하는 경우가 많습니다.

셀프 서비스 분석을 통해 그와 같은 장애물을 제거할 수 있습니다. 사용자는 기술 지원을 위한 티켓을 제출하거나 이메일을 보내는 대신 셀프 서비스 분석 플랫폼에서 데이터 집합에 직접 액세스하고 매개 변수를 선택한 뒤, 플랫폼이 제공하는 분석 도구를 사용하여 데이터 기반 인사이트를 생성하고 시각화 및 보고서를 작성할 수 있습니다. 스프레드시트와 같은 애플리케이션을 사용하여 데이터를 수집하는 대신, 데이터가 도구 내에서 자체적으로 로드되고 분석됩니다. 따라서 인적 오류나 실수로 인한 데이터 삭제 가능성이 최소화됩니다. 또 다른 개선점은 셀프 서비스 분석을 통해 반복 작업을 훨씬 더 쉽게 수행할 수 있다는 점입니다. 즉, IT팀의 지원을 기다릴 필요 없이 반복 작업을 수행하고 핵심 데이터를 찾은 뒤 다양한 경로로 분석해 볼 수 있습니다.

데이터 분석 도구가 기업이 사용하는 애플리케이션과 별도로 존재할 필요는 없습니다. 실제로 관련 연구에 따르면 사용자가 애플리케이션 내에 내장된 분석 도구에 직접 액세스할 수 있는 경우 데이터 분석 활용도가 크게 증가하는 것으로 나타났습니다 그 이유는 무엇일까요? 인간의 심리는 단순합니다. 더 쉽고 더 적은 단계를 통해 완료할 수 있는 작업일수록 사람들이 해당 작업을 시도할 가능성이 훨씬 더 높아집니다. 임베디드 분석의 경우, 환경 자체가 데이터 분석을 지원하면 데이터 내보내기/가져오기 장애물이 사라져 데이터가 저장된 장소에서 바로 분석 작업을 수행할 수 있으므로 더 빠르게, 더 자주 인사이트를 확보할 수 있게 됩니다. 웹에서 흔히 볼 수 있는 예로는 분석 데이터와 보고서를 문서 또는 페이지에 임베드하여 사용자가 즉시 액세스할 수 있도록 하는 것입니다.

11가지 셀프 서비스 분석 모범 사례 및 전략

셀프 서비스 분석을 구현하는 데에는 클라우드 기반 도구를 구입하고 '켜기' 스위치를 누르는 것 이상의 다양한 작업이 필요합니다. 셀프 서비스 분석 도구의 성공적인 전사적 배포를 위해서는 직원 교육, 데이터 표준 만들기 등 여러 가지 비즈니스 전략 및 기술적 고려가 필요합니다. 다음은 기업의 성공적인 셀프 서비스 분석 도입과 관련된 주요 모범 사례 및 전략입니다.

1. 니즈 파악하기

기업이 셀프 서비스 분석 플랫폼을 도입하기 전 비즈니스 리더들은 자사의 가장 중요한 데이터 기반 프로세스를 파악하고, 더 강력한 데이터 분석 기능을 통해 해당 프로세스를 어떻게 개선할 수 있을지 브레인스토밍해야 합니다. 운영팀은 해당 비전을 지원하기 위해 필요한 내부 및 외부 데이터 소스 목록을 작성하고, 추가 데이터 소스 또는 AI 기반 데이터 분석 및 모델링과 같이 보다 강력한 기술을 활용하는 것이 도움이 될 수 있는 영역도 함께 제시해야 합니다. 이와 같은 인사이트를 통해 기업은 어떤 분석 플랫폼이 자사에 필요한 기능을 제공하는지 파악할 수 있습니다.

2. 적합한 플랫폼 제공업체 찾기

기업의 IT 담당자들은 니즈 파악 결과를 바탕으로 자사에 적합한 데이터 분석 플랫폼 제공업체의 짧은 목록을 작성할 수 있습니다. IT 부서는 제품 검토 및 선택 과정에서 해당 도구를 직접 사용할 비즈니스 그룹과 협력해야 합니다. 제공업체의 데모 세션을 예약하여 직원들에게 해당 업체의 UI를 보여주고 사용자정의가 필요한 옵션을 검토해 보세요. 재무팀에게 질문해 보세요. 클라우드 또는 온프레미스 플랫폼 중 어느 쪽이 좋을까요? 비용 구조는 자사의 니즈에 부합하도록 조정되어 있나요? 보안팀과 법무팀을 제품 검토 프로세스에 참여시켜 데이터 보안 및 거버넌스 기능을 함께 평가해 보세요.

제품 검토 과정에서 주목해야 하는 주요 기능은 다음과 같습니다.

• 셀프 서비스, 드래그 앤 드롭 방식의 데이터 로딩, 데이터 변환, 비즈니스 모델링.
• 비기술 사용자의 접근성을 높여 줄 AI 및 ML 기반의 데이터 분석 엔진.
• 데이터 엔티티 간의 관계와 연결을 시각화해주는 내장 그래프 분석 기능. 예: 이 플랫폼을 통해 CFO가 특정 고객 프로젝트와 관련된 모든 공급업체 비용 및 내부 인력을 확인할 수 있나요?
• 악천후가 배송에 미친 영향, 특정 상향 판매 제안에 긍정적으로 반응할 만한 고객 집단 등을 파악할 수 있는 공간 분석 기능.

3. 작은 것부터 시작하기

기업의 모든 구성원들이 새로운 셀프 서비스 분석 플랫폼을 사용하도록 유도하는 것은 가장 어려운 과업이 될 수 있습니다. 사람은 불완전하더라도 익숙한 프로세스를 선호하기 때문입니다. 직원들이 새로운 플랫폼을 완전히 활용하도록 하는 가장 좋은 방법은 각 팀이 자주 수행하고 많은 시간이 소요되는 작업을 새로운 플랫폼을 통해 더 쉽게 수행하는 방법을 직접 보여주는 것입니다. 해당하는 작업의 예로는 캠페인 전환율 분석(마케팅), 지역별 매출 성장률 분석(영업), 재고 회전율 분석(운영) 등이 있습니다.

4. 복잡한 사용 사례로 확장하기

성공적인 셀프 서비스 분석 도입의 핵심은 사용자가 점진적으로 보다 복잡한 분석을 수행할 수 있도록 유도하는 것입니다. 셀프 서비스 분석 플랫폼은 다중 데이터 소스, 대용량 데이터 볼륨 등을 활용하는 작업을 보다 간단히 수행하고, 머신러닝과 같은 기술에 기반한 고급 기능도 보다 쉽게 사용할 수 있도록 지원합니다. 영업팀의 리더는 이와 같은 기능들을 활용하여 마케팅 캠페인 데이터를 가져와 성장율 분석에 새로운 차원을 추가하고 각 지역에서 마케팅 캠페인 지원이 어떤 효과를 거두었는지 확인할 수 있습니다. 수작업을 통해 새로운 데이터를 통합할 때 발생하는 복사/붙여넣기 문제에서도 자유로와질 수 있습니다.

5. 실험 장려하기

셀프 서비스 분석 플랫폼은 비즈니스 사용자가 자연어 처리를 통한 쿼리, 원터치 시각화, 예측 모델링 등 보다 심층적인 데이터 분석 도구를 간단히 활용할 수 있는 강력한 기능을 제공합니다. 직원들이 셀프 서비스 플랫폼을 통해 이같은 고급 기능들을 직접 활용해 볼 수 있도록 각각의 기능을 둘러보고 구체적인 사용 사례에 대한 예시를 살펴볼 수 있는 기회를 제공해 주세요. 전담 지원 리소스를 통해 파워 유저들을 육성하세요. 직원들이 셀프 서비스 분석 플랫폼은 단순히 스프레드시트를 대체하는 것이 아니라, 데이터에서 의사 결정에 이르는 전체 분석 워크플로에 사용할 수 있는 플랫폼임을 이해할 수 있도록 지원해야 합니다. 기존 애플리케이션 환경에 데이터 분석 기능을 내장하면 사용자 채택 과정의 장애물을 극복하고 활용도를 높임으로써 사용자가 고급 기능들을 실험해 보기까지의 과정도 보다 쉽고 빨라질 수 있습니다.

6. 데이터 격차 파악하기

데이터 분석 기반의 조직 문화에 익숙해진 팀원들은 데이터 격차를 채우거나, 불완전하거나 오래되었거나 작업하기 어려운 기존의 데이터 소스를 대체함으로써 분석 결과를 개선할 수 있는 새로운 데이터 소스를 파악할 수 있게 됩니다. 팀원들이 데이터 격차를 파악하고 새로운 데이터 스트림을 찾아낼 수 있도록 장려하는 것이 좋습니다. 각 직원이 본인의 데이터 관련 니즈를 상부로 전달할 수 있는 프로세스를 구축하세요. IT팀의 데이터 큐레이터는 이를 통해 새로운 데이터 소스나 데이터 변환 기술을 평가하여 데이터 격차를 메울 수 있습니다.

7. 데이터 준비성 구축하기

'데이터 준비성(Data readiness)'이란 셀프 서비스 분석 및 기타 도구가 사용할 수 있도록 정확하고, 완전하고, 중복 데이터가 제거된 형식의 데이터가 준비된 상태를 뜻하는 표현입니다. 셀프 서비스 분석의 가장 큰 장점은 비즈니스 사용자 및 기타 비전문가들도 데이터 세트에서 인사이트를 도출할 수 있다는 것입니다. 반면 이러한 사용자들은 데이터베이스 관리자나 데이터 과학자와 같은 전문 지식이 없으므로 데이터를 셀프 서비스 분석 도구에 입력하기 전에 데이터 형식이나 데이터 누락과 같은 데이터 준비성 관련 문제를 반드시 해결해야만 한다는 문제도 있습니다. 각 데이터 소스는 정확성을 검증받고 형식 및 정의 관련 표준을 충족하도록 정제되어야 합니다. 데이터 준비성을 구축하는 과정에서 각 부서의 고급 사용자들을 위한 교육을 제공해야 합니다. 교육 내용에는 잠재적 문제 및 IT 담당자에게 해당 문제를 전달하는 방법이 포함되어야 합니다.

8. 성장 계획 수립하기

셀프 서비스 분석 플랫폼을 구동하는 기저 인프라는 전사적인 사용량을 처리하고 플랫폼으로 가져오는 데이터 집합을 지원 및 관리할 수 있는 능력을 반드시 갖추어야 합니다. 확장에 필요한 요소는 사용자 수, 수행하는 분석의 유형, 데이터 세트의 크기, 구성된 데이터 소스의 수 등의 변수에 따라 기업별로 달라집니다. 거버넌스 문제, 데이터 소스에 정형 데이터 또는 비정형 데이터가 포함되어 있는지 여부 등도 추가로 고려해야 할 사항입니다. 정형 데이터는 특정 유형의 데이터 웨어하우스를 필요로 하는 등의 추가적인 니즈를 발생시킬 수 있고, 그로 인해 확장 비용이 더 많이 들 수도 있습니다. 많은 경우 기업 조직은 액세스 확장과 관련된 기술 및 교육적 요소 간의 균형을 잡기 위해 셀프 서비스 분석 플랫폼을 기업 전체가 아닌 부서 단위로 점진적으로 배포합니다.

9. 전사적 데이터 표준 확립하기

셀프 서비스 분석에 대한 경험이 축적된 비즈니스 사용자는 흥미로운 가능성을 더 많이 파악할 수 있게 되며, 기업은 이와 같은 사고방식을 전사적으로 장려해야 합니다. 실무적인 측면에서 IT팀은 데이터 형식, 수집, 완전성, 조직화 등 데이터에 대한 전사적 표준을 개발해야 합니다. 사용자가 날짜/시간 형식이나 큰 자릿수의 숫자와 같은 요소들의 불일치를 직접 해결하도록 만들면 셀프 서비스 분석에 대한 사용자들의 열의가 꺾일 수 있습니다. 그 대신 전사적인 표준을 설정하여 데이터의 일관성을 보장하고, 팀원들이 새로운 데이터 소스로부터 인사이트를 확보하도록 장려하는 것이 좋습니다.

한 마디로, 데이터 표준은 정보를 보다 쉽게 사용하고 공유할 수 있는 수단입니다. IT 담당자에게 있어 데이터 표준은 데이터를 정규화하는 데 소요되는 작업을 최소화하는 동시에 이상 징후를 더 쉽게 발견할 수 있도록 도와 주는 요소입니다. 전사적 차원의 표준은 데이터 정의, 변환 프로세스, 데이터 소싱과 같은 높은 수준의 데이터 정책에 초점을 맞춰야 합니다. 또한 운영 차원에서 기업은 표준 보고서 형식을 설정하여 작성자와 열람자 모두가 보고서로부터 어떤 정보를 얻을 수 있는지 파악할 수 있도록 하고, 셀프 서비스 플랫폼이 관련 기능을 지원하는 경우 사용자 지정 보고서를 자유롭게 만들 수 있도록 할 수 있습니다. 예를 들어, 특정 머신러닝 알고리즘에 대한 표준 보고서 출력 방식을 설정하면 직원들이 해당 분석 결과를 본인이 작성한 보고서에 보다 신속하게 통합할 수 있습니다.

10. 데이터 보안, 개인정보 보호, 규제 준수를 우선시하기

셀프 서비스 분석을 위해 더 많은 직원들이 더 많은 데이터에 액세스할 수 있게 된 기업은 고객 정보나 민감한 운영 데이터가 공개되는 것과 같은 위험을 피하기 위한 조치를 취해야 할 수도 있습니다. GDPR 또는 국가별 데이터 보존 규정과 같은 규제 준수 및 개인정보 보호 요건은 기업이 관련 규정을 반드시 숙지하고 있을 것을 요구합니다. 또한 보안 문제를 해결하기 위해서는 민감한 데이터가 권한 없는 인원에게 노출되거나 공개 사이트에 업로드되지 않도록 해야 하며, 사용자 역할 및 데이터 중요도에 따른 세분화된 데이터 액세스 수준을 설정해야 합니다.

11. 셀프 서비스 분석의 한계 파악하기

셀프 서비스 분석은 생산성과 창의성을 높이는 데 도움이 될 수 있지만, 모든 데이터가 셀프 서비스 환경에 적합한 것은 아닙니다. 일부 데이터 세트는 그 크기가 너무 방대해서 데이터 분석이 전체 인프라에 부담을 줄 수 있습니다. 데이터 분석에 따른 이점이 불분명함에도 너무 많은 사전 정리를 필요로 하는 데이터 소스도 있고, 셀프 서비스 환경에서 공개해서는 안 되는 민감한 데이터가 포함된 데이터 소스도 있습니다. 각 현업 팀은 현재 사용할 수 없는 데이터 소스 중 가장 유용할 만한 것이 무엇인지 파악하고, 직원 시간, 인프라 사용량, 보안 측면에서 해당 데이터 소스를 추가하는 데 드는 비용과 관련하여 IT 부서와 상의해야 합니다.

셀프 서비스 분석으로 비즈니스 혁신하기

기업은 이상의 셀프 서비스 분석 모범 사례를 구현하기 위해 데이터를 활용하는 모든 구성원, 개중에서도 파워 유저, 사업부 책임자, IT팀, 경영진을 지원해 줄 플랫폼을 선택해야 합니다. 이상적인 셀프 서비스 분석 플랫폼은 비즈니스 사용자가 바로 활용할 수 있는 직관적인 인터페이스, 데이터 과학자 및 고급 사용자의 복잡한 프로젝트를 지원하기 위한 기능, 데이터 레이크 또는 데이터 웨어하우스와의 간편한 연결성, 새로운 실험을 장려하는 인공지능 기반 모델링 및 인사이트 기능 등을 제공합니다.

Oracle Analytics는 셀프 서비스 분석을 지원하기 위한 다양한 기능을 제공합니다. Oracle Analytics는 데이터 저장소에 통합할 수 있고, 다양한 기술 수준의 사용자들이 모두 원하는 결과를 얻을 수 있는 기능 모음을 갖추고 있습니다. Oracle Analytics는 셀프 서비스 분석, 실시간 스트리밍 분석, 데이터 시각화 등 바로 사용할 수 있는 기능을 제공하며 클라우드, 온프레미스 또는 하이브리드 환경에 저장된 모든 유형의 데이터로부터 실용적인 인사이트를 도출합니다.

거버넌스 및 표준과 관련된 문제로 인해 셀프 서비스 분석 플랫폼 도입을 늦출 필요는 없습니다. 비즈니스 사용자들이 스스로 데이터를 탐색하고 분석할 수 없는 기업의 IT 및 데이터 과학 담당자들은 언제나 과중한 업무와 엄청난 양의 지원 요청에 시달리게 되고, 직원들은 새로운 비즈니스 인사이트를 도출하려던 마음을 꺾게 됩니다.

형식이 없는 임시 데이터를 탐색할 수 있는 플랫폼을 도입한 기업은 새롭고 시의적절한 인사이트를 확보할 수 있게 될 뿐만 아니라, 직원들의 데이터 해독 능력을 향상시키고 자사의 비즈니스와 관련하여 '무엇'이 일어나고 있는지 뿐만 아니라 그것이 '왜' 일어나는지에 대해서도 알 수 있게 됩니다.

셀프 서비스 분석 모범 사례 FAQ

셀프 서비스 분석에 적합한 사용자는 누구인가요?

셀프 서비스 분석에 적합한 사용자는 데이터의 가치는 이해하지만 방대한 데이터 집합을 관리하고 선별할 수 있는 기술적 전문 지식을 갖추지 못한 사용자입니다. 대부분의 마케팅, 영업, 재무, 공급망 또는 제조 분야의 비즈니스 사용자가 이에 해당합니다. 해당 유형의 사용자는 데이터가 제공하는 잠재력을 이미 잘 이해하고 있으며, 인사이트를 확보하기 위해 정보를 간단히 분석할 수 있는 도구만을 필요로 합니다.

셀프 서비스 분석은 기존 데이터 분석과 어떻게 다른가요?

기존 데이터 분석 프로세스의 경우 비즈니스 사용자가 달성하고자 하는 특정한 목표를 먼저 수립하고 그와 관련된 데이터 세트를 요청해야 합니다. IT 부서가 요청을 신속히 처리하지 못할 경우 해당 사용자는 그와 관련된 비즈니스 기회를 놓칠 수도 있습니다. 반면 셀프 서비스 분석 플랫폼을 도입하면 사용자가 직접 분석 도구를 실행하고, 데이터 집합을 로드하고, 차원과 매개 변수를 정의하고, 데이터를 조작하여 어떤 유형의 인사이트, 시각화, 보고서가 도출되는지 확인할 수 있습니다.

정형 데이터와 비정형 데이터의 차이점은 무엇인가요?

정형 데이터는 YYYY-MM-DD 형식이 지정된 날짜 필드와 같이 사전 정의된 형식과 명명법을 사용합니다. 반면 비정형 데이터에는 정해진 형식이 없습니다.

정형 데이터의 예로는 고객 계정 번호, 시술 내용, 청구 코드 등이 정의된 각종 필드로 구성된 의료 보험 양식이 있습니다. 비정형 데이터의 예로는 MRI 스캔 결과, 방문 및 치료 옵션에 대한 의사의 메모 등이 있습니다. 비정형 데이터에는 해당 데이터 자산을 설명하고 컨텍스트를 제공하기 위한 태그 및 기타 메타데이터를 추가해야 합니다.

AI 및 머신러닝 기술이 셀프 서비스 분석을 지원하는 방식은 무엇인가요?

인공지능 및 머신러닝(AI/ML) 기능은 기존의 규칙 기반 데이터 분석 시스템은 놓칠 수도 있는 인사이트를 포착할 수 있습니다. 머신러닝 알고리즘은 시간이 지날수록 더 많은 데이터에 노출되며 패턴을 파악하는 능력이 향상됩니다. 결과적으로 비즈니스 사용자의 시간이 절약되고 전에는 놓쳤던 인사이트를 발견할 수도 있게 됩니다. AI 기반 분석 도구는 사용자가 자연어로 질문을 입력하고 시스템이 질문 내용에 부합하는 적절한 데이터 소스를 선택하여 답변을 생성하도록 지원합니다.

자연어 처리 기술이 셀프 서비스 분석을 지원하는 방식은 무엇인가요?

셀프 서비스 분석 플랫폼의 자연어 처리(NLP) 기능은 사용자가 대화형 질문 경험을 통해 질문 내용에 부합하는 데이터 집합에 기반한 답변을 얻을 수 있도록 지원합니다. NLP 기술에는 자연어 이해(NLU)와 자연어 생성(NLG)이라는 두 가지 하위 집합이 포함되어 있으며, 양쪽 모두 데이터 분석의 사용성과 접근성을 강화시켜 줍니다. NLU 기술이 적용된 애플리케이션은 기술적 쿼리 대신 자연어로 입력된 질문을 이해할 수 있습니다. 예를 들어 인사 담당자가 "작년에 직원들이 우리 회사를 떠난 가장 큰 이유 5가지는 무엇이었나요?"라고 질문하거나, 마케팅 전문가가 "지난 6개월 동안 전환율이 가장 높았던 검색 기반 광고 캠페인은 무엇이었나요?"라고 자연어로 질문을 입력할 수 있습니다. NLP 기능이 탑재된 플랫폼은 자동으로 보고서를 생성하고, 관련 인사이트 및 분석 결과를 이해하기 쉽게 요약한 내용을 함께 제공해 줍니다.