포장소비재(consumer packaged goods, CPG) 산업에서의 첨단 분석(advanced analytics, AA)과 인공지능(artificial intelligence, AI)의 상당한 잠재력은 갈수록 명확해지고 있다. 지난 7년간, 일부 주요 CPG 기업들은 전략적으로 AA와 AI를 활용하여 매출 증가, 생산성 향상, 마케팅 지출의 효과 향상이라는 인상적인 성과를 거두었다. 이들의 주요 성공 요인은 세계일류의 기술을 조직의 사람관련 요소들과 매끄럽게 통합하여 실질적인 사업 실적을 대규모로 실현하는 능력이다. 코로나 19 팬데믹 이후 기업들이 소비자 수요 및 행동의 변화를 예상하고, 변화에 적응하며, 변화를 만들어나감에 따라, 그러한 능력은 향후 몇 달 간 매우 중요해질 것이다.

그러나, 많은 CPG 기업들은 효과적으로 AA와 AI를 활용하는 데 어려움을 겪고 있다. 이들이 일류의 마케팅, 광고, 상품 혁신 역량을 갖춘 브랜딩의 전문가들이기는 하나 일반적으로 대규모의 분석 또는 기술 혁신 프로그램을 실행하는 데 있어서는 상대적으로 덜 발달되어 있다. 이는 부분적으로는 분산화되고 매트릭스화되어 있는 많은 CPG 조직의 특성에서 기인한다. 이러한 구조는 마케팅 및 상품개발 측면에서 우수한 성과를 창출하지만 기업이 데이터 및 분석 플랫폼에 투자하거나 확대적용에 필요한 애자일 업무방식을 구축하는 능력에는 방해가 될 수 있다. 이와 동시에, 많은 CPG 기업들은 가장 세부적인 레벨의 영업 데이터(소매 셀인(sell-in) 및 셀아웃(sell-out) 데이터 등)에 대한 일관된 접근성이나 최종 소비자에 대한 퍼스트파티(first-party) 데이터(개별 소비자 구매 행동에 대한 정보)에 대한 접근성이 없으며, 이러한 문제로 인해 기업은 AA 및 AI 애플리케이션에 대한 공격적인 투자를 못할 수 있다.

“확장된 AA 및 AI 솔루션의 효과적인 구현은 팬데믹 기간 및 이후의 회복 기간에 경쟁력의 원천이 될 것이다.

AA 및 AI에서 성과를 거두고 있는 CPG 기업들은 특히 어려운 세 가지 분야, 즉 적절한 인재 기반과 운영 모델의 개발, 효과적인 데이터 전략 및 거버넌스 확보, 적절한 데이터 및 디지털 플랫폼 구축을 포함한 핵심 분야에서의 실행에 중점을 두었다. 확장된 AA 및 AI 솔루션의 효과적인 구현은 팬데믹으로 인한 경제적 충격과 그 이후의 회복 기간에 경쟁력의 원천이 될 것이다. 이러한 도구들을 아직 마스터하지 못한 CPG 기업들은 이것이 어떻게 이루어질 수 있는지를 이미 입증한 기업들의 접근방식을 참고해야 한다.

첨단 분석 및 AI가 CPG에 미치는 효과

AA와 AI가 CPG 기업들에게 상당한 잠재력을 제공한다는 것에는 의심의 여지가 없다. BCG와 구글의 2018년 연구는 광고 및 프로모션 지출에 대한 ROI 측정과 함께 엔드투엔드 예측 및 계획수립 등 CPG에서 가장 유망한 10가지 AA 및 AI 애플리케이션을 파악했다. 이 보고서에 따르면, 이러한 열 가지 애플리케이션을 대규모로 활용하는 기업들은 매출을 최소 10% 증대할 수 있다(보기 1 참조.) 극도로 어렵고 불확실한 거시경제 환경을 고려하면, 그러한 애플리케이션 중 일부는 훨씬 더 중요해질 것이며, 여기에는 예측적 트렌드 감지 및 수요 예측, 재고 최적화, 엔드투엔드 예측 내의 공급사슬 리스크 모델링 활동이 포함된다.

CPG의 AI 적용 방안을 찾아서 1

AA와 AI의 잠재적 가치는 초기 채택기업들의 성공 사례로 확인되었다:

  • 한 글로벌 일용소비재(fast-moving consumer goods, FMCG) 기업은 주요 카테고리 및 시장 전반에 걸친 내외부 데이터를 이용하여 AI기반 수요예측 모델을 구현했다. 이러한 새로운 접근방식은 예측 정확도를 5-15 퍼센티지 포인트 상승시키고 소싱, 생산 계획수립, 운송의 최적화에 기여하여, 손실처리 및 기타 비효율성의 방지를 통해 4천만 달러 이상을 절감시켰다. 현재, 회사는 공급 계획수립에서도 엔드투엔드 솔루션 창출을 위해 이와 비슷한 AI 기반 접근방식을 실행하고 있다.
  • 한 대규모 글로벌 FMCG 기업은 첨단분석 모델링을 이용하여 마케팅 지출 할당 프로세스를 최적화했다. 이러한 노력은 전통적인 접근방식을 훨씬 능가하는 성과를 거두었으며, 공통의 매트릭스를 실행해 브랜드, 시장, 미디어 채널 전반에 걸쳐 ROI를 평가 및 비교하고, 마케팅 지출 할당을 위한 다양한 잠재적 시나리오들을 평가하는 역동적 모델을 창출했다. 이 모델은 회사가 더 나은 지출 결정을 내리는 데 기여했을 뿐 아니라 첫 12개월 간 회사의 마케팅 지출 ROI를 10% 넘게 상승시켰다.
  • 한 주요 다국적 음료 기업은 AA와 AI를 활용하여 50만 개별 소매 고객을 취급하는 방식을 개선했다. 내외부 데이터를 종합하여 회사는 다양한 영업 프로그램 및 이니셔티브가 어떻게 개별 고객에 대한 영업에 영향을 미치는지를 예측할 수 있는 AI 모델을 구축했다. 이를 통해 회사는 특정 로케이션에 대해 단일한 고객 프로그램을 적용했던 지역 전략에서 벗어나 고도로 맞춤화되고 현지화된 고객 관리 접근방식을 개발할 수 있었다. 프로젝트의 시범운영을 통해 새로운 접근방식으로 취급된 고객들은 전통적인 접근방식으로 취급된 고객들에 비해 2%에 가까운 판매량 증가를 보였다. 이 모델을 더 광범위하게 확대 실행하자 상당한 매출 개선이 이루어졌다.
  • 한 주요 미용전문 컨슈머헬스 기업은 언브랜디드(unbranded) 컨텐츠를 제공하는 웹사이트와 소비자 애플리케이션 몇 가지를 개발하여 자사 및 타사가 제공하는 미용 전문가 및 상품에 대한 소비자 참여를 증대하고자 했다. 이러한 컨텐츠와 애플리케이션을 통해 회사는 강력한 퍼스트파티(first-party) 소비자 데이터 및 통찰력 기반을 구축할 수 있었으며, 타겟화된 캠페인과 개인맞춤화된 상품 및 서비스의 개발에 이를 활용했다. 그 결과, 회사는 카테고리 및 상품 인지도를 개선했고 매출을 증대했다.

그렇다면, 그러한 성과를 거두기 위해서는 무엇이 필요한가? 일반적으로, 디지털 시대에 성공하고자 하는 모든 기업은 기술과 새로운 업무 방식 및 인재 등 비즈니스의 사람 관련 요소들을 결합하여 명확한 비즈니스 성과를 촉진해야 한다. 이는, 특히 AA와 AI로 성공하기 위해서는 다음의 다섯 가지 분야에서 역량을 갈고 닦아야 한다는 것을 뜻한다.(보기 2 참조.)

  • 가치 입증. 기업이 필수적인 투자와 예상되는 효과에 대한 개괄 등, AA 및 AI 구현을 위한 명확한 비즈니스 케이스를 개발하는 것은 필수적이다. 우선, 기업은 해결하고자 하는 이슈 또는 도전과제를 파악한 다음, 이를 위한 도구 및 솔루션을 개발해야 한다. 너무나 많은 경우, AA 및 AI 노력은 사업 목표와 밀접하게 연계되지 않아 제한적인 효과만을 거두게 된다. 일단 일련의 AA 및 AI 솔루션이 파악되고 나면, 반드시 적절한 중점사항 및 자원의 분배를 위한 엄격한 비즈니스 케이스의 개발을 통해 이에 대한 우선순위를 설정해야 한다.
  • 변화 관리. 기업은 직원들이 AA 및 AI 노력을 IT 부서의 영역으로 인식하는 것에서 벗어나 이를 비즈니스의 전략 및 방향의 핵심으로 인식하도록 반드시 도와야 한다. 따라서, AI 노력은 IT나 분석 부서에서 고립적으로 협소하게 개발되어서는 안되며, 프런트라인 비즈니스 리더들이 회사의 기술 및 분석 전문가들과 협력하여 이끌어야 한다. 2019년 MIT 슬로운 매니지먼트 리뷰 – BCG AI 글로벌 경영 연구 및 조사 프로젝트(2019 MIT Sloan Management Review–BCG AI Global Executive Study and Research Project)의 결과에 따르면, CIO가 이끄는 AI 노력은 CEO나 최고디지털책임자가 이끄는 AI 노력에 비해 절반 정도의 성공률을 보인다. 왜 그럴까? AI에 성공하는 전략은 대략적으로 10%의 노력은 적절한 알고리즘 개발에 관한 것이고, 20%는 이를 지원하기 위한 적절한 기술 구축에 관련된 것이며, 나머지 70%는 변화관리 및 비즈니스 프로세스 혁신에 관한 것임을 반영한다. 따라서, 최고위 경영진의 AI 노력에 대한 후원과 지원은 사업부서를 운영하는 직원들이 AA 및 AI 도구를 적극 수용하고 채택하도록 하기 위해 필요하다.
  • 인재 기반 및 운영 모델. 주요 채택기업들은 데이터 과학자, 엔지니어, 소프트웨어 개발자, IT 아키텍트 등 적절한 인력을 유치, 유지, 배치하기 위한 명확한 전략과 프로세스를 창출한다. 또한, 확대된 AA 및 AI 솔루션의 개발을 지원하는 명확한 운영 모델도 개발한다. 이들은 파편화되고 차선 규모의 프로젝트로 이어지는 과도하게 분산화된 모델을 피하고 애자일 업무방식을 적극 수용하여 다기능 팀과 신속한 스프린트를 활용해 신속하게 AA 및 AI 솔루션을 개발한다.
  • 데이터 전략 및 거버넌스. 데이터는 AA와 AI의 근간이며, 조기 채택기업들은 일관된 데이터 관리 전략을 파악하여 고품질의 표준화된 데이터에 대한 접근성을 확보했다. 기업들은 적절한 데이터 관리 전략과 거버넌스를 개발함으로써 광범위한 표준 데이터 세트(uniform data set)를 전통적인 브랜드 및 시장 조직 경계선을 망라하는 AA 및 AI 애플리케이션에서 활용할 수 있다. 성공적인 기업들은, 초기에는 소수의 우선순위 프로젝트에 의해 촉진되나 더 광범위한 AA 및 AI 애플리케이션에도 적합한 전략 및 거버넌스 접근방식을 개발한다.
  • 데이터 및 디지털 플랫폼. 기업들은 반드시 강력한 AA 및 AI 애플리케이션 지원을 위한 적절한 데이터 및 디지털 플랫폼을 보유해야 한다. 많은 경우, 이를 위해서는 조직 내에서 이용되는 여러 플랫폼들의 합리화 작업이 필요하다. 기업은 이 문제에 접근할 때 AA 및 AI 데이터 및 디지털 플랫폼 개발을 기존의 운영 및 트랜잭션 IT 시스템의 종종 느린 업그레이드 작업과 분리할 필요가 있다.

CPG의 AI 적용 방안을 찾아서 2

CPG의 적절한 AA 및 AI 활용

일부 산업상의 특징들은 AA와 AI를 잘 실행하고자 하는 CPG 기업에 장애물을 부여한다. 그 중 하나는 많은 기업들이 브랜드 또는 상품, 기능(재무, 마케팅, 또는 영업 등), 위치별로 사업부를 정의하는 매트릭스형 조직구조를 가지고 있다는 점이다. 이러한 구조는 CPG 기업들이 특정 카테고리 및 시장에서 소비자 니즈를 민첩하게 파악하고 해결하는 데에는 도움이 되나, AA 및 AI의 개발 및 구현 등 대규모 또는 다기능의 혁신을 촉진하고자 할 때에는 장애물을 초래하기도 한다.

이와 동시에, CPG 기업들의 데이터 및 기술 전략은 타 산업의 기업들에 비해 덜 발달되어 있는 경우가 많다. CPG 조직은 역사적으로 시장 및 비즈니스에 대한 통찰력을 얻는 데에 많은 투자를 해왔으나, 핵심 데이터 인프라 및 빅데이터 역량에는 상대적으로 공격적으로 투자하지 못했다.

“AA 및 AI에서 성공하려면 CPG 기업들은 반드시 인재 기반 및 운영 모델, 데이터 및 전략 거버넌스, 데이터 및 디지털 플랫폼에 특히 중점을 두어야 한다.

그 결과, 모든 기업들이 AA 및 AI 성공에 필수적인 다섯 개 분야 모두에서 우수한 실행을 달성하는 데 있어 어려움을 겪는 반면, CPG 기업들은 특히 그 중에서도 세 개 분야, 즉 인재 기반 및 운영 모델, 데이터 전략 및 거버넌스, 데이터 및 디지털 플랫폼 분야에서 어려움을 겪는 경향이 있다. 일부 주요 CPG 기업들은 각 분야에서 성공적인 접근방식을 창출하기 위해 공격적인 조치를 취하고 있다.(“한 기업의 성공적인 AI 로드맵” 참조.) 우리가 조기의 조치를 통해 성공을 거둔 기업들과 했던 작업과 이들에 대해 실시한 연구는 장애물을 극복하고 성공적으로 AA 및 AI를 확대 적용하기 위해 CPG 기업들이 무엇을 해야 하는지를 잘 보여준다.


 

한 기업의 성공적인 AI 로드맵

한 주요 일용소비재 기업은 AI 노력을 가속화하기 위해 공격적인 조치를 취했다. 그렇게 함에 있어 회사는 세 가지의 주요 도전과제에 집중했다. 그러한 조치는 회사가 AA 및 AI 활용의 선두에 서는 데 기여한 동시에, 기술기반 혁신을 통해 속도 및 민첩성도 개선했다.

조직의 도전과제

이전부터 이 회사의 IT 운영은 지역, 시장 또는 사업부 등의 개별 사업주체의 니즈를 취급하는 데에 중점을 두었다. 그러한 구조로 인해 수많은 AA 및 AI 프로젝트들(이들 중 일부는 중복되거나 개념증명 단계를 벗어나지 못했음)이 생겨났고 확장가능 솔루션의 개발이 저해되었다. 뿐만 아니라, IT는 데이터 과학자, 소프트웨어 엔지니어, 그 외에 AI 프로젝트 확장에 필요한 전문가들을 유치, 선정, 유지할 준비가 미흡한 상태였다.

이러한 문제를 해결하기 위해 회사는 자사의 3개 주요 지역마다 한 팀씩 두고 이들로 구성된 글로벌 AI 허브를 만들었다. 글로벌 허브는 매트릭스 전체를 아우르며 중앙집중화된 우선순위 설정 및 거버넌스 프로세스를 통해 선정된 AI 활용 케이스들의 가속화 지원을 담당했다. 각 프로젝트는 데이터 과학자, 엔지니어, 소프트웨어 개발자, 글로벌 AI 허브의 UI 전문가뿐만 아니라 프런트라인 비즈니스의 관리자들로 구성된 다기능 애자일 팀들이 이끌었으며 각 AI 솔루션을 신속하게 구축하고 시범시행하며 확대적용했다. 첫 몇 개월간 회사의 경영 위원회는 세 개 지역 팀들 간 조율을 통해 약 10개의 AA 및 AI 프로젝트들에 대한 우선순위를 정했다.

체계적인 표준 데이터의 부재

조직내 개별 주체들은 소비자, 상품, 마케팅 지출 카테고리 등 거의 모든 것에 대한 자체 분류체계를 개발했었다. 그러한 표준화의 부재로 인해 AA 및 AI에서 데이터 풀을 만들고 활용하는 일이 어려워졌다. 따라서, 회사의 두 번째 조치는 회사의 모든 주요 데이터를 아우르는 약 20개의 영역을 파악하는 것이었다. 그런 다음에는, 중앙집중화된 데이터 관리 및 거버넌스 부서를 설치하고 각각 특정 영역들을 담당하는 일단의 비즈니스 리더들을 한데 모았다. 이러한 새 부서 및 데이터 영역 담당자들은 각 영역별로 데이터 계급구조의 상위 두 개의 레벨에서 분류체계를 조화시켰으며 이와 동시에 지역과 시장에는 데이터의 하위 두 개 레벨에서 자체 분류체계를 사용하는 재량이 부여되었다.

기술 시스템

회사에는 이질적인 핵심 시스템들이 너무 많이 있었으며, 다양한 지역 및 사업부들이 소싱, HR, 재무 등의 기능에 대해 자체 시스템을 실행하고 있었다. 이와 동시에, 사업부들은 타사업부 내의 애플리케이션에서 사용될 수 없거나 연결될 수 없는 경우가 많은 수백 개의 애플리케이션들을 개발하고 있었다. 회사는 핵심 시스템의 수를 줄이고 타 부서 개발 애플리케이션과 인터페이스가 가능한 방식으로 애플리케이션 개발이 이루어지도록 하는 규칙을 수립함으로써 이러한 세 번째의 도전과제를 해결했다.


 

인재 기반 및 운영 모델. AA 및 AI에서 성공하기 위해 CPG 기업들은 분산화된 매트릭스 기반 구조로 인해 생긴, 적절한 인재 기반 및 운영 모델에 대한 장벽을 해결할 필요가 있다.

이러한 매트릭스 전반에 걸쳐 신속하게 확대 적용하기 위해, CPG 기업은 재무, 운영, IT 등의 포괄적인 기능 하의 COE(center of excellence)에서 AA 및 AI 조치를 실시하는 경우가 많다. COE 모델에는 모든 사업부가 아닌 일부 지역 로케이션에서의 AA 및 AI 팀 구축이 수반된다. 그러한 구조는 데이터 과학, 이용자 인터페이스 및 이용자 경험 설계, 상품 관리 등의 분야에서 최고의 인재를 채용해야 한다는 부담을 줄여주는데, 이는 회사가 모든 개별 사업부에 대해 그러한 분야의 충원 노력을 하지 않기 때문이다. 또한, 잠재적 채용대상자는 분석 전문가 커뮤니티와 풍부한 자원이 있는 COE에서 일하는 것이 고립된 사업부에서 일하는 것보다 더 역동적이고 매력적이라고 생각할 가능성이 크다. 이러한 장점들이 기업의 AA 및 AI 여정에서 조기에 특히 중요한 이유는 AA 및 AI 인재 풀을 신속하게 확대할 필요가 있을 것이기 때문이다. 그러나, COE 모델은 프런트라인 시장, 소비자, 경쟁 역학구도와 너무 동떨어진 “좌초된” 기술을 만들게 되는 위험 등 몇 가지 잠재적 단점도 가지고 있다. 이를 극복하기 위해, CPG 조직은 반드시 AA 및 AI 팀과 비즈니스의 프런트라인 간의 적절한 관계를 조성해야 한다.

많은 기업들은 분석, 데이터, 기술 전문가뿐 아니라 비즈니스 쪽의 주요 이해당사자들을 포함하는 다기능 팀들을 활용하여 애자일 업무 방식과 협업을 실행함으로써 그러한 관계를 조성해왔다. 이를 통해 비즈니스와 선정된 부서 간의 관계가 개선되고 소통 및 솔루션의 실행 속도가 증가된다. AA 및 AI 팀과 프런트라인 비즈니스 간의 공생관계는 팀의 프로필을 개선할 뿐 아니라 프런트라인 이용자들이 자신들의 도구에 대해 이해하고 익숙해지는 데 도움이 될 수 있다. 궁극적으로 그러한 익숙함은 AA 및 AI 조치를 더 광범위하게 확대 적용하기 위한 필수적인 인에이블러가 된다.

애자일 업무방식 및 다기능 팀의 구축 외에도, 기업은 COE에서 “SWAT 팀”을 구축해 특정 시장 및 사업부에 배치함으로써 잠재력이 큰 확장가능 AI 및 AA 솔루션의 개발시에 지원을 제공할 수도 있다. 그러한 팀은 이러한 솔루션의 지속적인 광범위한 실행을 보장하기 위한 현장 지원을 제공함으로써 AA 및 AI 노력과 프런트라인 비즈니스의 연계를 더욱 강화한다.

시간이 지나면, 일반적으로 운영 모델은 AA 및 AI 솔루션이 확실하게 전사적으로 구현되고 지속되도록 하기 위해 반드시 진화해야 한다. 이는 어떤 경우에는 모든 시장에서 단일한 솔루션을 실행하는 것을 의미하는 반면, 또 다른 경우에는 현지 상황에 맞도록 솔루션을 조정하는 것을 의미할 것이다. 둘 다 잘하기 위해서는 기업은 중앙의 지원팀이 강력한 시장 연계를 유지하도록 하거나 인마켓(in-market) AA 및 AI 팀을 구축하여 역량의 성숙에 따른 시장별 애플리케이션 개발을 지원할 필요가 있을 것이다.

데이터 전략 및 거버넌스. CPG 기업은 상당한 데이터 관련 문제에 직면해 있다. 첫째, 이들은 퍼스트파티 소비자 데이터에 대한 접근성이 제한적이거나 전무할 뿐 아니라 세부적이고 일관된 셀아웃 데이터에 대한 접근성이 제한적인 경우가 많다. 이러한 도전과제들은 이전에는 제3자 제공업체로부터 데이터를 구매함으로써 해결되어왔다. 그러나, 그러한 데이터는 종종 불완전하고 비일관적이다. 예를 들어, 개별 점포 데이터는 어떤 시장에서는 구할 수 있을지 몰라도 다른 시장에서는 그러한 분류를 구할 수 없거나 소매업체의 전체 카테고리들이 포착되지 않는다. 그러나, 가장 세부적인 영업 데이터 또는 퍼스트파티 소비자 데이터가 없다 하더라도, CPG 기업들이 가치를 창출하는 광범위한 AA 및 AI 애플리케이션을 개발할 수 있는 경우는 많다.

둘째, 오늘날 많은 CPG 기업들의 데이터 관리가 느슨한 원인 중 작지 않은 부분은 분산화된 매트릭스형 구조로 인한 것이다. 각 부서는 일반적으로 서로 다른 데이터 소스 및 시스템을 활용하며, 이들은 많은 경우 고유의 분류체계와 세부도를 가지고 있다. 이는 시간이 지나면서 이들 부서 각각이 자체 데이터 관리 프로세스를 구축하게 되고 이로 인해 회사 전체에 상품, 재료, 마케팅 채널 등에 대한 광범위하고 다양한 분류체계들이 생기게 된다는 의미이다.

조기 채택기업들은 이러한 이슈 둘 다를 해결하기 위한 조치들을 취해왔다. 예를 들면, 다수의 CPG 기업들은 더 세부적인 셀아웃 데이터에 대한 접근성을 획득하기 위해 소매기업들과의 파트너십을 추진해왔다. 그러나, 그러한 경우에도, 퍼스트파티 소비자 데이터에 접근하기는 어렵다. 이로 인해 일부 CPG 기업들은 퍼스트파티 데이터 접근 방편의 하나로 로열티 프로그램, 소비자직접판매(direct-to-consumer) 서비스 제공, 컨텐츠 플랫폼을 개발하고 있다.

데이터 관리 문제 해결을 위해, AA 및 AI의 성공적인 조기 채택기업들은 데이터 레이어에 대한 중앙집중화된 거버넌스를 구축했으며 데이터 표준화에 집중했다. 특히, 우선순위가 높은 AI 및 AA 솔루션에 필요한 정보에 대한 분류체계 표준화에 주력했다. 이는 조직이 다른 용어나 다른 데이터 소스를 이용하는 개별 사업부로 인해 발생한 문제들을 극복하는 데 도움이 되었다.

데이터 및 디지털 플랫폼. CPG 기업들은 개별 사업부 또는 매트릭스 내 로케이션에 의해 사용되는 이질적인 기존의 핵심 시스템들(전사적 자원 계획 및 고객관계관리 시스템 등)로 구성된 파편화된 시스템 구도를 가지고 있는 경우가 많다. 각 부서는 이러한 핵심 시스템들 상에서 실행되는 맞춤 애플리케이션을 만든다. 그 결과, 기업은 이질적인 핵심 시스템 및 애플리케이션들에서 표준 데이터에 접근하고 수집하여 확장가능 AI 또는 AA 솔루션에서 활용하는 데에 어려움을 겪게 된다.

이러한 도전과제를 해결하기 위해, 조기 채택기업들은 그러한 이질적 핵심 시스템들 상에 데이터 및 디지털 플랫폼을 구축했으며, 이를 통해 AA 및 AI 애플리케이션에서 사용하는 주요 데이터를 추출할 수 있었다. 이러한 방식은 AA 및 AI 애플리케이션 및 디지털 혁신을 위한 확장가능 플랫폼을 만드는 동시에 기존 시스템과 현대화된 핵심 시스템을 연결하는 데에도 도움이 된다. 그러한 플랫폼의 개발은 일반적으로 데이터가 많은 대규모 시장에서 시작하며, 플랫폼 상에 모든 시장으로의 확대적용이 계획된 명확한 시퀀스가 있다.

새로운 바이오닉 CPG 기업을 구축하며

AA 및 AI의 조기 채택 CPG들은 인상적인 성과를 거두었으며 이러한 새로운 도구와 솔루션의 잠재력을 보여주었다. 그러나, 이러한 성공은 시작에 불과하다. CPG 기업들이 AA 및 AI 활용 방식을 확대함에 따라 모멘텀이 쌓이기 시작할 것이다. 또한, 강력한 인재 기반을 갖춘 스마트한 운영 모델, 신중한 데이터 거버넌스, 탄탄한 디지털 플랫폼은 점점 더 효과적인 성과를 창출할 것이다.

아직 AA 및 AI 전략 개발 초기에 있는 기업들은 선도 기업들의 사례를 참고하고 몇 가지 중요한 질문들을 고려해야 한다:

  • AI 및 AA로 추진할 수 있는 가장 중요하고 가치있는 비즈니스 성과는 무엇인가? 어느 부분에 설득력 있는 비즈니스 케이스가 있는가?
  • 우리의 노력은 채택의 보장 및 가치 포착을 위해 필요한 프로세스와 행동 변화를 실질적으로 이끌어내기에 충분한 비즈니스 및 리더십의 동의를 확보했는가?
  • AA 및 AI 팀은 오늘날의 기업에서 어떻게 조직되며, 어떠한 운영 모델을 통해 효과가 크고 확장가능한 솔루션이 촉진될 것인가?
  • 신속한 프로토타이핑, 시범운영, 확대적용을 위한 접근방식에 새로운 애자일 업무방식을 채택하고 있는가?
  • 여러 개의 AA 및 AI 솔루션을 대규모로 적용할 수 있는 데이터 플랫폼, 전략, 거버넌스를 가지고 있는가?
  • 어떻게 하면 데이터 및 디지털 플랫폼을 이용하여 AA와 AI로 가치를 창출하는 동시에 핵심 시스템을 업그레이드하거나 합리화할 수 있는가?

기업들이 이러한 질문들에 스스로 답할 때 이들은 AA 및 AI 솔루션과 솔루션 실현에 필요한 역량을 구축하는 노력에 대한 우선순위 설정과 순서 정하기를 시작할 수 있다. 그렇게 될 때 CPG의 AA 및 AI 전망은 실현될 것이다.

원문(영어) 보러가기