빅데이터의 활용사례

빅데이터의 활용

고객정보 360° 보기

많은 기업에서 빅 데이터를 사용하여 고객에 대한 360° 보기를 제공하는 대시보드 애플리케이션을 구축합니다. 이러한 대시보드는 다양한 내부 및 외부 소스에서 데이터를 수집하고 이를 분석하여 업무 수행에 도움이 되는 방식으로 고객 서비스, 영업 및/또는 마케팅 담당자에게 제공합니다. 예를 들어 보험 회사가 고객에 대한 정보로 만들 수 있는 일종의 대시보드를 상상해 보십시오. 당연히 여기에는 고객의 이름, 주소, 가구 소득 및 가족 구성원과 같은 인구 통계 데이터와 고객이 보유하고 있는 정책 유형에 대한 판매 정보가 포함됩니다. 또한 회사의 고객 관계 관리(CRM) 솔루션에서 고객과 회사의 과거 상호 작용에 대한 정보를 가져오고 최근 통화, 이메일 메시지 또는 채팅 세션의 스크립트에 대한 링크를 제공할 수도 있습니다. 또한 특정 고객이 최근에 방문한 회사 웹사이트 페이지를 표시하여 고객이 전화한 이유에 대한 귀중한 단서를 제공할 수도 있습니다. 대시보드는 고객의 최근 소셜 미디어 게시물과 같은 외부 정보를 가져올 수도 있습니다. 이 모든 정보는 분명히 회사 직원이 고객과 상호 작용할 수 있도록 준비하는 데 도움이 될 것이지만 가장 정교한 대시보드는 여기서 그치지 않습니다. 고급 분석이나 머신 러닝 도구를 사용한 경우 대시보드는 고객 호출 이유를 추측합니다. 그것은 제품에 대한 교차 판매 또는 상향 판매 고객을 위한 기회를 제안할 수 있거나, 고객이 경쟁자로 이탈할 위험이 있음을 감지하는 경우 고객의 요금을 낮출 수 있는 잠재적인 할인을 제안할 수 있습니다. 일부 도구는 고객의 언어를 분석하여 현재 감정을 감지하고 영업 또는 고객 서비스 상담원에게 적절한 대응을 제안할 수도 있습니다. 이것은 터무니없고 미래지향적으로 들릴지 모르지만 오늘날 많은 회사들이 이미 이와 같은 시스템을 갖추고 있으며 이를 사용하여 고객 만족도를 높이고 수익과 마진을 늘리고 있습니다.

사기 예방

신용 카드 소지자에게 사기 방지는 빅 데이터의 가장 친숙한 사용 사례 중 하나입니다. 고급 빅 데이터 분석 이 대중화 되기 전에도 신용 카드 발급사는 규칙 기반 시스템을 사용하여 잠재적인 사기 거래에 플래그를 지정했습니다. 예를 들어, 신용 카드가 하와이에서 자동차를 렌트하는 데 사용되었지만 고객이 오마하에 살고 있는 경우 고객 서비스 담당자가 전화를 걸어 카드 소지자가 휴가 중이고 누군가 카드를 훔치지 않았는지 확인할 수 있습니다. 빅 데이터 분석과 머신 러닝 덕분에 오늘날의 사기 방지 시스템은 범죄 활동을 탐지하고 오탐지(false positive)를 방지하는 데 훨씬 더 우수합니다. 예를 들어 이미 언급한 예에서 정교한 사기 방지 시스템은 고객이 렌터카를 구매하기 전에 최근에 항공권, 자외선 차단제 및 새 수영복을 구매했는지 확인할 수 있습니다. 과거 패턴을 기반으로 예측 분석 또는 기계 학습 시스템은 렌터카가 사기 구매일 가능성이 낮다고 말할 수 있습니다. 그러나 사기 방지 시스템은 그보다 훨씬 더 정교해질 수 있습니다. Experian 에 따르면 사기는 특정 지역(종종 공항 근처)에 집중되는 경향이 있어 범죄자가 훔친 물건을 쉽게 옮길 수 있습니다. 그러나 가장 위험한 우편 번호는 시간이 지남에 따라 변경되는 경향이 있습니다. 빅 데이터 분석은 사기 거래의 과거 기록을 살펴보고 변화하는 추세 를 빠르게 식별할 수 있습니다. 신용 카드 회사와 소매업체는 범죄 활동의 온상으로 부상하고 있는 우편번호 거래에 더 많은 주의를 기울일 수 있습니다. 신용 카드 발급사는 사기를 감지하고 방지하는 데 사용하는 모든 고급 분석 기술을 공개하는 것을 주저하는 것이 당연합니다. 그러나 많은 신용 카드 회사 및 기타 컨설턴트는 범죄 거래를 중지하기 위한 시스템을 구축하는 데 도움이 되는 기술, 조언 및 서비스를 다른 회사에 제공합니다.

보안 인텔리전스

범죄 활동을 주제로 조직은 빅 데이터 분석을 사용하여 해커와 사이버 공격자를 저지하는 데도 도움이 됩니다. 기업 IT 부서를 운영하다 보면 엄청난 양의 로그 데이터가 생성됩니다. 또한 사이버 위협 인텔리전스 데이터는 법 집행 기관이나 보안 공급자와 같은 외부 소스에서 사용할 수 있습니다. 많은 조직에서 또는 현재 빅 데이터 솔루션을 사용하여 이러한 모든 내부 및 외부 정보를 집계 및 분석하여 공격을 예방, 탐지 및 완화하고 있습니다. 빅 데이터 보안 솔루션은 정교함이 다양하며 다양한 이름으로 판매됩니다. 예를 들어 공급업체는 네트워크 데이터의 이상을 감지할 수 있는 로그 분석 도구, 다른 보안 소프트웨어에서 생성된 보안 경고에 대한 실시간 분석을 제공하는 SIEM(보안 정보 및 이벤트 관리) 도구, 사용자 및 개체 행동 분석(UEBA) 솔루션을 판매합니다. 분석 및 기계 학습을 사용하여 기기 또는 사용자 활동의 비정상적인 패턴을 감지합니다. 다른 빅 데이터 보안 솔루션은 보안 인텔리전스 제품 또는 네트워크 인텔리전스 제품으로 분류됩니다.

데이터 웨어하우스 오프로드

조직이 빅 데이터 도구를 사용하기 시작하는 가장 쉽고 잠재적으로 가장 비용 효율적인 방법 중 하나는 데이터 웨어하우스 에서 부담을 일부 제거하는 것입니다 . 아직 빅 데이터 분석 실험을 시작하지 않은 소수의 조직에서도 BI(비즈니스 인텔리전스) 작업을 용이하게 하는 데이터 웨어하우스를 보유하는 것이 일반적입니다. 불행히도 데이터 웨어하우스 기술은 구입하고 실행하는 데 비용이 많이 드는 경향이 있습니다. 그리고 비즈니스 리더가 BI 팀에 더 많은 보고서와 통찰력을 요구하기 시작하면서 데이터 웨어하우스 솔루션이 항상 원하는 성능을 제공할 수 있었던 것은 아닙니다. 이 문제를 해결하기 위해 많은 기업에서 Hadoop과 같은 오픈 소스 빅 데이터 솔루션을 사용하여 데이터 웨어하우스를 교체하거나 보완합니다. Hadoop 기반 솔루션은 라이선스 비용 및 기타 비용을 줄이는 동시에 훨씬 빠른 성능을 제공하는 경우가 많습니다.

가격 최적화

기업 대 소비자(B2C) 및 기업 대 기업(B2B) 기업 모두 빅 데이터 분석을 사용하여 고객에게 부과하는 가격을 최적화하고 있습니다. 모든 회사의 목표는 수익을 극대화할 수 있도록 가격을 설정하는 것입니다. 가격이 너무 높으면 더 적은 수의 제품을 판매하여 순수익이 감소합니다. 그러나 가격이 너무 낮으면 테이블에 돈이 남을 수 있습니다. 빅 데이터 분석을 통해 기업은 다양한 역사적 시장 상황에서 어떤 가격대가 전체 최고의 결과를 냈는지 확인할 수 있습니다. 가격 분석이 보다 정교한 기업은 가변적 또는 동적 가격 책정 전략을 사용할 수도 있습니다. 그들은 빅 데이터 솔루션을 사용하여 고객 기반을 세분화하고 다양한 유형의 고객이 다양한 상황에서 얼마나 지불할 의사가 있는지 보여주는 모델을 구축합니다. 이 접근 방식을 시도한 B2C 회사는 엇갈린 결과를 얻었지만 B2B 회사에서는 상당히 표준입니다.

운영 효율성

조직이 가격을 최적화하도록 돕는 것 외에도 빅 데이터 분석은 기업이 운영을 합리화하거나 이익을 극대화할 수 있는 다른 잠재적 기회를 식별하는 데 도움이 될 수 있습니다. 종종 이 특정 빅 데이터 사용 사례는 BI 또는 재무 분석가의 영역입니다. 이 직원들은 경영진이 수익을 추적하는 데 도움이 되는 주간, 월간 및 분기별 보고서를 오랫동안 실행해 왔습니다. 그러나 빅 데이터 도구가 사용 가능해지고 정교해짐에 따라 분석가는 더 많은 소스의 데이터를 통합하고 이러한 보고서를 훨씬 더 자주 업데이트할 수 있습니다. 예를 들어 전국 소매업체는 모든 실제 매장에서 새 제품의 시간당 판매를 추적하려고 할 수 있습니다. 빅 데이터 분석은 예를 들어 출시 첫 몇 시간 동안 신제품을 판매하지 않은 특정 매장과 같이 잠재적인 문제를 쉽게 강조할 수 있습니다. 그런 다음 빠른 전화 통화를 통해 매장 관리자가 새 제품을 전시하는 것을 잊었다는 사실을 알 수 있으며 직원은 회사에 더 많은 비용이 들거나 제품의 인기에 대한 부정확한 결론을 내리기 전에 상황을 해결할 수 있습니다.

추천 엔진

인기에 대해 말하자면 빅 데이터의 가장 친숙한 사용 사례 중 하나는 추천 엔진입니다. Netflix에서 영화를 보거나 Amazon에서 제품을 쇼핑할 때 웹 사이트에서 귀하가 즐길 수 있는 유사한 항목을 제안하는 것을 당연하게 여길 것입니다. 물론 이러한 권장 사항을 제공할 수 있는 능력은 빅 데이터 분석을 사용하여 과거 데이터를 분석하는 데서 비롯됩니다. 이러한 추천 엔진은 웹에서 매우 보편화되어 많은 고객이 이제 온라인 쇼핑을 할 때 이를 기대합니다. 그리고 이러한 방식으로 빅 데이터를 활용하지 않은 조직은 경쟁자에게 고객을 빼앗기거나 상향 판매 또는 교차 판매 기회를 놓칠 수 있습니다.

소셜 미디어 분석 및 대응

페이스북, 트위터, 인스타그램 등과 같은 소셜 미디어를 통해 쏟아지는 게시물의 홍수는 빅 데이터의 가장 명백한 예 중 하나입니다. 오늘날 기업은 소셜 미디어에서 사람들이 자신에 대해 말하는 내용을 모니터링하고 적절하게 대응해야 합니다. 그렇지 않으면 빠르게 고객을 잃게 됩니다. 그 결과 많은 기업들이 소셜 플랫폼을 실시간으로 모니터링하고 분석하는 데 도움이 되는 도구에 투자하고 있습니다. 때때로 이들은 독립형 소셜 미디어 제품인 반면, 다른 때에는 더 큰 마케팅 인텔리전스 또는 빅 데이터 분석 솔루션의 일부입니다.

예방정비 및 지원

지금까지 언급된 많은 빅 데이터 사용 사례는 소매 또는 금융 회사와 관련이 있지만 제조, 에너지, 건설, 농업, 운송 및 이와 유사한 경제 부문의 기업도 빅 데이터의 혜택을 볼 수 있습니다. 이러한 예에서 가장 큰 이점 중 일부는 빅 데이터를 사용하여 장비 유지 관리를 개선할 수 있다는 것입니다. 산업용 사물 인터넷(IIoT)이 현실화되기 시작하면서 값비싼 장비를 사용하는 공장 및 기타 시설에서는 해당 장비를 모니터링하고 인터넷을 통해 관련 데이터를 전송할 수 있는 센서를 배포하고 있습니다. 그런 다음 빅 데이터 솔루션을 사용하여 종종 실시간으로 해당 정보를 분석하여 문제가 발생하려는 시기를 감지합니다. 그런 다음 사고나 비용이 많이 드는 라인 종료를 방지하는 데 도움이 될 수 있는 예방 유지 관리를 수행할 수 있습니다.

사물 인터넷

그리고 모든 산업 분야의 기업이 사물 인터넷(IoT)의 가능성을 보기 시작했습니다. 예방 유지 관리의 예에서와 같이 센서를 사용하여 데이터를 수집한 다음 분석하여 실행 가능한 통찰력을 얻을 수 있습니다. 그들은 고객이나 제품의 움직임을 추적하거나 날씨를 모니터링하거나 보안 카메라 영상을 주시할 수 있습니다. 빅 데이터 자체와 마찬가지로 분석을 IoT 솔루션에 적용할 수 있는 방법의 수는 끝이 없는 것 같습니다.