BCG Podcast
Me, Myself, and AI : 비즈니스 세계 속 AI에 관하여
Ep. 12 | 홈디포 데이터 과학 SD Huiming Qu와의 대담
❝ AI 그 자체로는 소용이 없다. AI 도입의 핵심은 가치 창출에 필요한 것을 이해하고, 모든 것을 연결하는 AI 전문가의 다기능적 역량이다. ❞ ― Huiming Qu
스스로 DIY 타입이 아니라 하루하루가 배움의 연속이라는 홈디포(Home Depot)의 데이터 과학 부문 시니어 디렉터(SD)인 Huiming Qu는 IBM, 스타트업, 금융권에서 경력을 쌓은 후, 현재 홈디포에서 데이터 부문을 담당하고 있다. 온라인 및 마케팅 전반의 데이터 과학 및 제품을 담당하는 팀들을 지원하면서 고객들의 디지털 경험 향상에 기여하고 있다.
고객 니즈 충족을 위한 AI 활용
다양한 전문 카테고리를 다루기 위해서는 다양한 비즈니스 파트너가 협력해야 한다. 예를 들어, 마룻바닥 시공, 전기, 배관 등 특정 영역 지식이 필요하다. 2백만 개가 넘는 제품 중 특정 제품을 추천하기 위해서는 머신러닝의 활용이 큰 도움이 될 것이다. 머신러닝의 학습을 위해서는 우선 고객들의 불편 사항을 파악해야 하고, 데이터 과학자, 사용자 경험, 데이터 엔지니어링을 제대로 조율해야 한다. 예를 들어, 고객이 ‘거울’을 검색하고, 툴과 후크를 찾고 있다면 알고리즘을 통해 이 고객이 거울 설치에 가이드가 필요하다고 판단할 수 있다.
특히 최근 들어 예전보다 집에 있는 시간이 늘어나면서, 고객들은 전보다 집에서 고치거나 개선하고 싶은 것들이 많아졌다. 이런 니즈를 제대로 충족시키기 위해서는 고객의 장바구니, 검색 기록, 방문 기록, 고객이 반응을 보인 이메일의 유형 등 고객 여정 전체를 종합적으로 분석해야 한다.
새로운 알고리즘 설계에는 약 6~12개월이 소요되고, 반복(iteration)에도 역시 수개월이 필요하며, 이를 실제 서비스 실행에 적용하는 데에는 수년이 걸릴 수 있다. 따라서 12~18개월 안에 이 과정을 완료하려면 간략한 버전을 찾아 빠른 테스트와 실행을 추진해야 한다. 문제와 목표를 세분화해 빠르게 실행하는 것이 핵심이다.
AI 도입의 필수 요소
전반적으로 머신러닝과 AI가 도움이 된다고 생각하는 분위기이지만, 프로세스를 분석하고 파악하는 전문가의 개입 없이 AI 자체만으로는 소용이 없다. 즉, AI 도입이 데이터 과학 역량 확보에 대한 것인지 혹은 알고리즘은 이미 충분히 상품화되어 데이터와 알고리즘 사이의 적절한 API가 더 중요한 것인지에 대해 생각해야 한다.
여기서 핵심은 모든 것을 ‘연결’할 수 있는 다기능적 역량이다. 모델의 알고리즘 효율성을 1% 개선하는 것보다 가치 창출을 위해 필요한 것을 이해하는 것, 서로 다른 부문들을 종합적으로 연결하는 것이 더 중요하다는 의미이다.
물론 통합(Integration)과 깊이(depth)는 다르다. 예를 들어, 모델 효율성 1% 개선이 매우 중요한 경우도 있다. 특히 검색 기능 개선은 검색 알고리즘과 검색 플랫폼 통합을 통해 문제를 해결하는 매우 전문적인 영역이기 때문에 큰 가치 창출이 가능하다. 실제로 홈디포 매출의 2/3가 검색에 영향을 받는다.
연구 개발과 기업 가치 창출 활동의 보상 체계
Huiming Qu는 과학자로서 연구 개발에 전념하던 시절과 현재 기업에 몸담은 상황의 제일 큰 차이는 보상 체계의 변화라고 말한다. 연구자로서는 우수한 인재들과 일하면서 논문을 출판하고 특허를 출원하는 것이 일종의 보상이었다면, 기업에서는 어려운 프로젝트를 수행하고 사회에 기여하는 것이 그 보람이다. 또, 스타트업에서는 코드, 알고리즘 개발에 대해 빠른 실행, 테스트 및 반복을 통해 고객의 요구 사항에 대응하고 개선되는 실제 결과물을 얻는 것이 보상이다.
시장의 즉각적인 빠른 반응은 실제로 매우 큰 보상으로 작용할 수 있다. 혁신을 통한 결과물이 고객과 시장의 긍정적인 피드백으로 연결되는 것은 관련 팀들에게 큰 동기부여로 작용해, 결국에는 혁신을 이용해 더 좋은 제품과 서비스 개발을 하는 동력이 될 것이다.
