어도비 "데이터과학-머신러닝 대중화 목표"

"저희 목표는, 데이터 과학과 머신러닝을 훨씬 더 많은 고객들의 기반으로 만드는 거예요."

어도비가 좀 더 많은 기업 고객들에게 데이터과학과 머신러닝을 제공하겠다고 공언했다. 데이터 기반 의사결정의 최전선에 있는 기법을 대중화한다는 목표다. 이를 위한 솔루션으로 어도비 애널리틱스라는 분석 도구를 포함한 어도비 마케팅 클라우드의 가치를 강조했다.

존 베이츠 어도비 애널리틱스 프리미엄 데이터사이언스 및 머신러닝 그룹 프로덕트 매니저는 28일 싱가포르 연례컨퍼런스 '어도비심포지엄2016' 현장에서 진행된 지디넷코리아와의 인터뷰를 통해 기업들에게 데이터 과학과 머신러닝이 필요해진 배경을 이렇게 설명했다.

어도비심포지엄2016 현장에서 인터뷰에 응한 존 베이츠 어도비 애널리틱스 프리미엄 데이터사이언스 및 머신러닝 그룹 프로덕트 매니저.
[사진=지디넷코리아]

"오늘날 많은 기업들이 높은 분석 능력에 대한 욕구를 갖고 있습니다. 이들에게 보고서를 제공하는 것만으로는 충분하지 않아요. 그들은 고객이 어떻게 행동할지, 예측하길 원합니다. 문제는 그런 능력을 가진 데이터과학자 인력이 충분하지 않다는 거죠."

그의 설명에 따르면 데이터과학자는 데이터 정제, 조작, 분석 유형 선택을 아우르는 일련의 단계별 분석 행위를 적절하게 실행해, 데이터로부터 정확한 통찰 내지 결론을 이끌어낼 줄 아는 전문가들을 가리킨다. 이들의 전문성이 필요한 분석 업무를 '데이터과학'이라 보면 된다.

데이터과학자는 최근 몇년새 IT업계 유망직군으로 급부상했다. 그러나 이런 기업들의 기대에 걸맞는 역량을 갖춘 데이터과학자 인력은 태부족한 실정이며, 이런 인력들이 급증하는 수요를 충당할만큼 많이 배출될 가능성은 희박하다는 게 중론이다.

어도비는 이런 업계 실정에서 기업들이 겪는 고민을 완화 내지 해소할 수 있도록, 부족한 데이터과학자의 역할을 어느 정도는 대신할 수 있는 기술적인 도구와 방법론을 제공하겠다는 구상이다. 이런 내용을 담은 베이츠 매니저의 설명이 이어진다.

"그래서 어도비 애널리틱스를 포함한 어도비 마케팅 클라우드는 (기업들이 데이터 기반의 문제 해결 방법론을 데이터과학자에 의존하지 않고도 적용할 수 있도록) 데이터 과학 그리고 머신러닝을, 훨씬 더 많은 고객들의 기반으로 만들겠다는 게 목표죠."

어도비 마케팅 클라우드는 고객의 행동을 파악하고 현황, 추세, 전망을 분석할 수 있는 여러 도구를 제공해 왔다. 어쩌면 데이터과학자의 역량이 필요하다고 볼 수 있다. 하지만 어도비는 일반 마케팅 담당자들도 쓰기 부담스럽지 않은 도구를 제공하는 데 초점을 맞췄다.

어도비가 말하는 어도비 마케팅 클라우드의 데이터 기반 문제 해결 방법론은 단순화, 워크프로세스 정립, 자동화, 시각화, 명확한 실행, 5단계로 요약된다. 5단계를 비롯한 마케팅 클라우드 전체 작동 시나리오에 머신러닝 알고리즘이 적용된다.

"단순화는 데이터 처리 결과를 단순화해, 전문인력이 아니더라도 이해할 수 있게 만드는 단계예요. 다음은 공통된 질문과 도전과제같은 문제의 본질에 집중해 얻은 인사이트를 알고리즘에 적용하고, 명확한 워크프로세스를 정립하는 단계고요."

이 2단계까지의 설명만 놓고 보면 베이츠 매니저가 말하는 데이터과학과 머신러닝 방법론의 목적은 좀 막연하다는 인상을 준다. 문제 해결이라는 표현 때문인데, 나머지 3~5단계에 해당하는 설명을 보면 어도비 마케팅 클라우드를 잘 활용할 수 있는 방법에 초점이 모인다.

"이후엔 여러 의사결정 과정을 걷어내고 시스템을 지능화하는 자동화 단계, 그리고 정보를 쉽게 이해할 수 있도록 시각화하는 단계, 마지막으로 고객이 뭘 할 지 예측된 시점에 막바로 문제를 해결하는 방안을 실행하는 단계에 돌입하는 거죠."

이런 얘기다. 예측은 정교한 데이터 분석의 산물이며 그 자체로 분석의 일종이다. 베이츠 매니저의 설명은 과거 있었던 일들, 즉 통계를 바탕으로 고객이 앞으로 취할 유력한 행동을 추정하거나 기업의 미래 수익을 전망하는 것을 예측 분석의 핵심으로 묘사한다. 예측 분석은 과거 있었던 일을 바탕으로 미래에 벌어질 일을 추론하기 위해 예측 분석 모델을 사용한다. 예측 분석의 적중률이나 효용가치는 모델을 어떻게 구성했느냐에 달렸다. 이 모델을 제대로 만드는 것도 데이터과학의 범주다. 그런데 데이터과학의 수준을 논하지 않고도 마케팅클라우드를 통해 기업들이 괜찮은 예측을 할 수 있도록 만들어주겠다는 게, 데이터과학과 머신러닝을 대중화하겠다는 어도비 메시지의 핵심이다.

실제로 베이츠 매니저는 머신러닝 기술을 어도비 마케팅 클라우드 전반에 걸쳐 적용했다고 덧붙였다. 인사이트를 제공하는 두뇌 '애널리틱스' 기능 외에도 개인화 도구인 '타깃'이나 실행 도구인 '캠페인', '오디언스 매니저', '미디어 옵티마이저'에 필요한 분석 용도까지 지원한단 설명이다.

어도비 마케팅 클라우드에 적용된 머신러닝 기술은 새로운 유형의 비즈니스 전략을 실현할 도구라는 성격을 강하게 암시한다. 과거 지디넷코리아의 기획특집 기사를 통해 다뤘듯, 사람 대신 컴퓨터가 빅데이터를 유용한 정보로 바꾸도록 돕는 도구쯤을 가리킨다.

다만 여전히 산업계에서는 머신러닝을 활용한 데이터 처리와 빅데이터 분석을 엄밀히 구별하지 못하고 유사 개념 쯤으로 혼용하는 경우가 간혹 보인다. 이 둘을 어떻게 구별해야 할까. 기업의 문제를 데이터 기반 의사결정으로 돕겠다는 어도비 전문가의 답은 다음과 같다.

"빅데이터 분석은 그 크기와, 데이터 수집 속도, 형태의 다양성을 겸한 거대한 데이터 집합을 처리하는 겁니다. 다만 분석가들은 답을 얻기 위해 (빅데이터 분석 주기에 맞춰) 몇 주씩 기다릴 수 없어요. 머신러닝이 많은 인사이트를 더 빠르게 얻게 해 줄 지능화에 필요한 거죠."

그에 따르면 빅데이터는 실제로 사람이, 또는 병렬화하지 않거나 확장성이 없는 기술이 다룰 수 없는 대상이다. 초절정 고수 데이터과학자가 출동해도, 안 되는 건 안 되는 거다. 사람이 못 하는 일을 기계로 해야 한다. 기계가 데이터를 분석하게 하되, 사람이 기대한 결과에 가깝도록 그 분석 모델을 계속 개선되게 만들어야 한다. 즉 기계가 학습을 통해 정확한 분석을 하게 만들어야 한다. 속도와 효율을 필요로하는 빅데이터 분석에 머신러닝이 동원돼야 하는 이유다. 한마디로 어도비 마케팅 클라우드 활용 시나리오에서 빅데이터 분석이 단팥빵이면 머신러닝 알고리즘은 팥소라는 얘기다.

"(머신러닝을 녹인 어도비 마케팅 클라우드의) 분석 도구는 기업들의 브랜드를 더 잘 이해할 수 있게하고 타깃 오디언스와 연결되게 해 줄 일상적인 방법으로 쓰이고 있어요. 이걸 활용해서 사용자들이 다양한 분석 테크닉을 갖고 대화할 때 서로 무슨 얘긴지 알아듣는 다는 것도 중요한 점이죠."