예측 분석과 실행 가능한 인텔리전스의 차이점은 무엇인가요?

예측 분석은 과거 데이터와 비즈니스 트렌드를 활용하여 특정 시나리오가 발생할 가능성을 예측하며, 과거 데이터 패턴을 기반으로 미래 결과의 가능성을 추정하는 데 도움을 줍니다.

실제로 분석에는 기술 분석, 진단 분석, 예측 분석, 처방 분석의 네 가지 유형이 있습니다. 간단히 말해, 기술 분석은 "무슨 일이 일어났는가", 진단 분석은 "왜 일어났는가", 예측 분석은 "무슨 일이 일어날 것인가", 처방 분석(실행 가능한 인텔리전스)은 "무엇을 해야 하는가"입니다. 기술적으로 네 가지 유형 모두 대량의 데이터를 분석하여 비즈니스 의사결정에 영향을 미칠 수 있는 비즈니스 트렌드와 "이벤트"를 식별합니다.

그러나 예측 분석은 사용자나 작업자가 "미래"를 이해하고 해석하는 방법을 알아야 합니다. 반면, 실행 가능한 인텔리전스는 (현장에 있는 사람들을 포함한) 모두를 위한 분석으로, 통제 가능한 요인을 식별하고 결과를 제공하는 실행 가능한 기회를 제공하여 미래 성과에 중점을 둡니다.

실행 가능한 인텔리전스란 무엇인가요?

실행 가능한 인텔리전스 는 가장 진보된 형태의 비즈니스 분석 중 하나입니다. 머신 러닝과 패턴 감지 규칙 및 알고리즘을 사용하여 회사 운영의 이상 징후를 식별한 다음 결과를 최적화하기 위한 시정 조치를 처방합니다. 마지막 부분이 바로 실행 가능한 인텔리전스를 매우 가치 있게 만드는 요소입니다. 특정 비즈니스 결과를 최적화하기 위해 누군가가 취해야 할 조치를 지능적으로 처방할 수 있습니다.

회사의 데이터를 분석하여 다음을 알려줄 수 있습니다.

• 무슨 일이 일어나고 있는가?
• 왜 일어났는가? (근본 원인)
• 누가 대응해야 하는가?
• 수익에 긍정적인 영향을 미치기 위해 어떻게 대응해야 하는가

 실행 가능한 인텔리전스에 대한 자세한 내용은 실행 가능한 인텔리전스란 무엇인가 FAQ를 참조하세요. 

주요 차이점은 무엇인가요?

예측 분석 은 과거 데이터와 과거 타임라인의 패턴을 고려하여 다음에 무슨 일이 일어날지 예측하는 분석 모델인 반면, 실행 가능한 인텔리전스는 달성하고자 하는 목표(예: 매출 증대, 손실 감소)를 기반으로 취할 수 있는 다양한 조치를 시뮬레이션하여 가장 최적화된 결과를 찾아냅니다.

 예측 분석과 실행 가능한 인텔리전스의 사례는 무엇인가요

예측 분석과 실행 가능한 인텔리전스를 사용할 수 있는 실제 사례는 다음과 같습니다.

제품 품질 보존

한 의류 소매업체는 실행 가능한 인텔리전스와 실용적 AI를 활용하여 독특한 반품 기회를 식별하고 해결했습니다. 신제품이 판매 초기에 대부분의 매장에서 높은 반품률과 함께 높은 불량품 비율을 보였습니다. 이 기회는 (1) 제품 품질 평가, (2) 라벨 확인, (3) 공급업체에 연락하여 보상 증액 또는 대체 제품 요청이라는 권장 사항과 함께 상품 담당자에게 전달되었습니다. 알고 보니 제품의 관리 라벨에 올바른 세탁 지침이 누락되어 있었고, 라벨에 표시된 실제 지침대로 세탁하면 제품이 손상되는 것으로 밝혀졌습니다. 그 결과, 매장에서 영향을 받은 나머지 상품에 업데이트된 의류 관리 라벨을 부착하는 조치가 생성되었습니다. 올바른 관리 지침이 포함된 유사한 알림이 제조업체에 전송되었습니다. 결과적으로 시정 조치 후 몇 주 동안 제품 반품이 78% 감소했으며, 이러한 조치는 해당 스타일을 살리는 데 도움이 되었습니다.

공급업체 관리

한 소매업체는 실행 가능한 인텔리전스를 활용하여 특정 지역 내 일부 매장에서 대란 손상이 크게 급증한 것을 식별했습니다. 상품 부서는 공급업체에 연락하여 이러한 현상이 발생한 이유를 알아냈습니다. 알고 보니 공급업체의 대란 포장 용기 생산 공장에서 화재가 발생하여 대란을 배송하는 데 중란 용기를 사용하기 시작한 것으로 밝혀졌습니다. 이 용기는 너무 작아서 추가 마찰이 발생하여 대란이 손상되었습니다. 이상 현상을 식별하고 수정하지 않았다면, 식료품 업체는 초과 손상을 인식하지 못했을 것이며 근본 원인을 추적하여 공급업체로부터 크레딧을 확보할 수도 없었을 것입니다.

고객 프로필 매칭

한 패션 소매업체는 실행 가능한 인텔리전스를 활용하여 충성 고객의 구매 패턴을 기반으로 스타일과 연령대가 일치하는 가구에 시즌 종료가 임박한 상품을 제공함으로써 노후 재고를 성공적으로 줄이고 매출을 증대했습니다. 예를 들어, 25-30세 여성을 대상으로 흰색 스커트를 30% 할인가로 제공하는 타겟 프로모션을 전송하여 매장에 방문하도록 유도하면, 여름이 끝날 때까지 스커트를 입을 수 있습니다. 실행 가능한 인텔리전스가 없으면 많은 소매업체가 기다렸다가 모든 사람에게 75% 할인된 가격으로 상품을 판매하고 같은 여성 쇼핑객이 방문하기를 바라지만, 이제 수익을 잃게 됩니다.

수요를 고려한 구매

처방적 조치 패턴이 약속된 기간 내에 고객에게 제품을 제공하는 비용인 서비스 제공 비용(Cost to Serve)이 더 높은 특정 제품을 식별했습니다. 이 기회는 해결을 위해 DC로 전송되었습니다. 그들은 문제의 제품이 고객 수요나 DC 처리와 일치하지 않는 측정 단위와 포장으로 구매되었다는 것을 빠르게 확인했습니다. 취해진 조치는 구매 담당자에게 이커머스 전용 주문을 생성하도록 알리는 것이었습니다. 이를 통해 DC의 주문 처리 속도가 개선되었습니다. 채널 간 커뮤니케이션이 성과를 향상시킵니다!

'함께 구매' 패턴 식별을 통한 장바구니 크기 증대

한 소매업체는 실행 가능한 인텔리전스와 함께 실용적 AI를 활용하여 특정 쇼핑객이 브로콜리를 구매할 때 바나나도 함께 구매한다는 것을 식별했습니다. 이 발견 사항은 이를 활용하기 위한 처방적 조치와 함께 기업에 전달되었습니다. 매장 관리자들은 바나나와 브로콜리를 적절한 거리만큼 떨어뜨려 진열하도록 지시받았으며, 이를 통해 바나나가 포함된 장바구니를 늘리고 충동 구매를 촉진할 수 있었습니다.

사기 행위가 아닌 로열티에 보상하세요

인기 있는 로열티 카드 프로그램을 운영하는 대형 소매업체는 실행 가능한 인텔리전스를 사용하여 문제가 있다는 사실조차 인지하지 못했던 이슈를 발견했습니다. 분석을 활용하여 쇼핑객들이 무료 보상을 위해 리워드 포인트를 부정하게 사용하는 추세를 발견할 수 있었습니다. 소매업체의 이전 시스템은 매일 종료 시점까지 포인트 스캐닝을 모니터링하지 않았기 때문에, 고객이 하루에 여러 매장에 영수증을 가져가면 받아야 할 것보다 훨씬 많은 리워드 포인트를 쉽게 받을 수 있었습니다.  실행 가능한 인텔리전스 솔루션은 이러한 반복 사례를 포착하고 영수증이 포인트를 위해 한 번만 스캔될 수 있도록 실시간 추적을 권장하여 쇼핑객당 최대 $100를 절감함으로써 수익에 수백만 달러의 이익을 가져다주었습니다.

거래당 품목 수 증가 - 왜 하나만 구매하나요?

실행 가능한 인텔리전스는 소매업체가 단일 품목 거래 비율이 높은 매장과 이러한 행동을 유발하는 직원을 식별하는 데 사용되었습니다. 매장에는 이러한 직원들을 거래당 여러 품목을 정기적으로 계산하는 직원들과 함께 재배치하여 직원들이 상향 판매 방법을 배울 수 있도록 하는 기회가 전달되었습니다. 그 결과 매출, 거래당 품목 수, 동료 간 교육이 즉시 증가했습니다. 조직에게 큰 윈윈이었습니다. 

브랜드 로열티 증대

한 식료품점은 주당 한 번의 대규모 쇼핑($120 이상)과 한 번 이상의 소규모 쇼핑을 하는 일관된 쇼핑객 기반을 보유하고 있었습니다. 경쟁업체가 근처로 이전했을 때, 식료품점은 소규모 보충 쇼핑의 감소를 경험했습니다. 실행 가능한 인텔리전스를 통해 식료품점은 소규모 쇼핑을 중단한 가구와 그들이 다른 곳에서 구매하는 특정 품목(예: 육류 또는 채소)을 식별했습니다. 이 정보를 바탕으로 소매업체는 해당 가구에 타겟 오퍼를 보내 그들이 돌아오도록 유도할 수 있었습니다. 궁극적으로 소매업체는 많은 고객을 되찾았고, 이는 수익 증가로 이어졌습니다.

이는 소매 리더들이 실용적인 AI를 사용하여 비즈니스 운영을 비판적으로 살펴보고 수익을 실현하기 위한 조치를 취할 수 있는 방법의 몇 가지 예에 불과합니다. 배송 지연, 제품 내구성에 대한 고객 불만, 또는 겉보기에 고립된 파손 상품 사고가 있든, 실용적인 AI와 실행 가능한 인텔리전스는 복잡한 데이터 테이블을 넘어 실행 가능한 인사이트를 제공합니다. 이러한 관점에서 실용적인 AI는 분석 도입을 위한 자연스러운 다음 단계입니다.