비즈니스 인텔리전스

개요

비즈니스 인텔리전스(BI)는 기업 전략과 비즈니스 운영에 정보를 제공하기 위해 기업이 데이터 분석 및 비즈니스 정보 관리에 사용하는 전략, 방법론, 기술로 구성됩니다. BI 기술의 일반적인 기능에는 보고, 온라인 분석 처리, 분석, 대시보드 개발, 데이터 마이닝, 프로세스 마이닝, 복잡한 이벤트 처리, 비즈니스 성과 관리, 벤치마킹, 텍스트 마이닝, 예측 분석, 처방적 분석이 포함됩니다. BI 도구는 대규모의 정형 및 비정형 데이터를 처리하여 조직이 새로운 전략적 비즈니스 기회를 식별하고 개발하며 창출하도록 지원할 수 있습니다. 이러한 빅데이터를 쉽게 해석할 수 있도록 하는 것을 목표로 합니다. 새로운 기회를 파악하고 통찰력을 바탕으로 효과적인 전략을 구현하는 것은 기업에 경쟁 우위와 장기적인 안정성을 제공하고 전략적 결정을 내리는 데 도움을 줄 수 있다고 가정합니다. 비즈니스 인텔리전스는 기업이 운영에서 전략에 이르기까지 광범위한 비즈니스 결정을 지원하는 데 사용할 수 있습니다. 기본적인 운영 결정에는 제품 포지셔닝이나 가격 책정이 포함됩니다. 전략적 비즈니스 결정에는 가장 넓은 의미에서의 우선순위, 목표, 방향이 포함됩니다. 모든 경우에 비즈니스 인텔리전스는 기업이 운영되는 시장의 데이터(외부 데이터)와 재무 및 운영 정보와 같은 내부 기업 소스의 데이터를 결합할 때 가장 효과적인 것으로 간주됩니다. 통합될 때 외부 및 내부 데이터는 단일 데이터 소스만으로는 불가능한 '인텔리전스'를 생성하는 포괄적인 뷰를 제공합니다. 수많은 용도 중에서 비즈니스 인텔리전스 도구를 통해 조직은 새로운 시장에 대한 통찰력을 얻고, 다양한 시장 세그먼트에 대한 제품 및 서비스의 수요와 적합성을 평가하며, 마케팅 노력의 영향을 측정할 수 있습니다. BI 응용 프로그램은 데이터 웨어하우스(DW)나 데이터마트에서 수집된 데이터를 사용하며, BI와 DW의 개념이 결합하여 "BI/DW" 또는 "BIDW"가 됩니다. 데이터 웨어하우스에는 의사 결정 지원을 용이하게 하는 분석 데이터의 복사본이 포함되어 있습니다.

역사

비즈니스 인텔리전스라는 용어가 사용된 가장 오래된 기록은 리처드 밀러 데븐스(Richard Millar Devens)의 저서 '상업 및 비즈니스 일화 백과사전(1865)'에 있습니다. 데븐스는 은행가헨리 퍼니스(Henry Furnese) 경이 경쟁사보다 먼저 주변 환경에 대한 정보를 입수하고 그에 따라 행동하여 어떻게 이익을 얻었는지 설명하기 위해 이 용어를 사용했습니다.

그는 홀란드, 플랑드르, 프랑스, 독일 전역에 걸쳐 완벽하고 철저한 비즈니스 인텔리전스 망을 유지했습니다. 벌어진 수많은 전투 소식은 그에게 가장 먼저 전달되었으며, 남주의 함락 또한 소식을 일찍 접한 덕분에 그의 이익을 더해 주었습니다. 데븐스에 따르면 수집된 정보를 바탕으로 대응하는 능력은 비즈니스 인텔리전스의 핵심입니다. IBM의 연구원인 한스 피터 루흔(Hans Peter Luhn)이 1958년에 출판된 기사에서 비즈니스 인텔리전스라는 용어를 사용했을 때, 그는 웹스터 사전의 지능 정의를 차용했습니다. "원하는 목표를 향해 행동을 유도할 수 있도록 제시된 사실들의 상호 연관성을 파악하는 능력." 1989년에 하워드 드레스너(Howard Dresner)(이후 가트너 분석가)는 "사실 기반 지원 시스템을 사용하여 비즈니스 의사 결정을 개선하기 위한 개념과 방법"을 설명하는 상위 개념으로 비즈니스 인텔리전스를 제안했습니다. 이 용도가 널리 보급된 것은 1990년대 후반에 이르러서였습니다.

정의

솔로몬 네가시(Solomon Negash)와 폴 그레이(Paul Gray)에 따르면 비즈니스 인텔리전스(BI)는 다음과 같은 시스템으로 정의할 수 있습니다.

데이터 수집 데이터 저장 지식 관리 분석 기능을 결합하여 복잡한 기업 및 경쟁 정보를 평가하여 기획자와 의사 결정자에게 제공함으로써, 의사 결정 과정에 투입되는 정보의 적시성과 품질을 향상시키는 것을 목적으로 합니다." 포레스터 리서치(Forrester Research)에 따르면 비즈니스 인텔리전스는 "원시 데이터를 의미 있고 유용한 정보로 변환하여 보다 효과적인 전략적, 전술적, 운영적 통찰력과 의사 결정을 가능하게 하는 일련의 방법론, 프로세스, 아키텍처 및 기술"입니다. 이 정의에 따라 비즈니스 인텔리전스는 정보 관리(데이터 통합, 데이터 품질, 데이터 웨어하우징, 마스터 데이터 관리, 텍스트 및 콘텐츠 분석 등)를 포괄합니다. 따라서 포레스터는 데이터 준비와 데이터 사용을 비즈니스 인텔리전스 아키텍처 스택의 별개이지만 밀접하게 연결된 두 가지 세그먼트로 지칭합니다. 비즈니스 인텔리전스의 일부 요소는 다음과 같습니다.

다차원 집계 및 할당 비정규화, 태깅 및 표준화 분석 경고가 포함된 실시간 보고 비정형 데이터 소스와 인터페이스하는 방법 그룹 통합, 예산 편성 및 롤링 예측 통계적 추론 및 확률적 시뮬레이션 핵심 성과 지표 최적화 버전 제어 및 프로세스 관리 미결 항목 관리 포레스터는 이를 "보고, 분석, 대시보드와 같은 BI 아키텍처 스택의 최상위 계층"인 비즈니스 인텔리전스 시장과 구분합니다.

경쟁 정보와의 비교

비즈니스 인텔리전스는 의사 결정을 지원한다는 점에서 경쟁 정보의 동의어로 사용되기도 하지만, BI는 주로 내부 정형 데이터와 비즈니스 프로세스를 분석하기 위해 기술, 프로세스, 애플리케이션을 사용하는 반면, 경쟁 정보는 기업 경쟁사에 초점을 맞춰 정보를 수집, 분석, 배포합니다. 넓은 의미로 이해할 경우 경쟁 정보는 비즈니스 인텔리전스의 하위 집합으로 간주될 수 있습니다.

비즈니스 분석과의 비교

비즈니스 인텔리전스와 비즈니스 분석은 때때로 상호 교환적으로 사용되지만 대체 정의가 존재합니다. 밥슨 칼리지의 정보 기술 및 경영 교수인 토마스 대븐포트(Thomas Davenport)는 비즈니스 인텔리전스가 쿼리, 보고, 온라인 분석 처리(OLAP), '경고' 도구 및 비즈니스 분석으로 나누어져야 한다고 주장합니다. 이 정의에서 비즈니스 분석은 보고 기능보다는 통계, 예측 및 최적화에 중점을 두는 BI의 하위 집합입니다.

비정형 데이터

비즈니스 운영은 이메일, 메모, 콜센터 메모, 뉴스, 사용자 그룹, 채팅, 보고서, 웹 페이지, 프레젠테이션, 이미지 파일, 비디오 파일, 마케팅 자료 등의 형태로 매우 많은 양의 데이터를 생성할 수 있습니다. 메릴 린치(Merrill Lynch)에 따르면 모든 비즈니스 정보의 85% 이상이 이러한 형태로 존재하며, 기업은 이러한 문서를 단 한 번만 사용할 수도 있습니다. 생성 및 저장되는 방식 때문에 이 정보는 비정형이거나 반정형입니다. 반정형 데이터의 관리는 정보 기술 산업에서 해결되지 않은 문제입니다. 가트너(2003년)의 예측에 따르면, 화이트칼라 근로자는 시간의 30~40%를 비정형 데이터를 검색, 찾기 및 평가하는 데 소비합니다. BI는 정형 데이터와 비정형 데이터를 모두 사용합니다. 전자는 검색하기 쉽고, 후자는 분석 및 의사 결정에 필요한 대량의 정보를 담고 있습니다. 비정형 또는 반정형 데이터를 적절히 검색, 찾고 평가하는 데 어려움이 있기 때문에 조직은 특정 결정, 작업 또는 프로젝트에 영향을 미칠 수 있는 이러한 방대한 정보 저장소를 활용하지 못할 수 있습니다. 이는 궁극적으로 정보에 입각하지 못한 의사 결정으로 이어질 수 있습니다. 따라서 비즈니스 인텔리전스/DW 솔루션을 설계할 때 정형 데이터와 관련된 문제뿐만 아니라 반정형 및 비정형 데이터와 관련된 구체적인 문제도 수용되어야 합니다.

반정형 및 비정형 데이터의 한계

반정형 데이터로 BI를 개발하는 데는 몇 가지 과제가 있습니다. 인몬과 네사비치(Inmon & Nesavich)에 따르면 그 중 일부는 다음과 같습니다.

비정형 텍스트 데이터에 물리적으로 접근하기 – 비정형 데이터는 매우 다양한 형식으로 저장됩니다. 용어 – 연구자와 분석가 사이에서는 표준화된 용어를 개발할 필요성이 있습니다. 데이터의 양 – 앞서 언급했듯이 모든 데이터의 최대 85%가 반정형 데이터로 존재합니다. 단어 대 단어 및 의미 분석의 필요성과 결합됩니다. 비정형 텍스트 데이터의 검색 가능성 – '사과'와 같은 일부 데이터에 대한 간단한 검색은 정확한 검색어에 대한 참조가 있는 링크를 결과로 반환합니다. (인몬 및 네사비치, 2008년)은 다음과 같은 예를 듭니다. "중범죄라는 용어로 검색이 수행됩니다. 간단한 검색에서는 중범죄라는 용어가 사용되며, 중범죄에 대한 참조가 있는 곳마다 비정형 문서에 대한 적중이 이루어집니다. 그러나 간단한 검색은 조잡합니다. 이러한 범죄가 중범죄의 유형임에도 불구하고 범죄, 방화, 살인, 횡령, 차량 살인 등에 대한 참조를 찾지 못합니다."

메타데이터

데이터의 검색 가능성 및 평가와 관련된 문제를 해결하려면 콘텐츠에 대해 알아야 합니다. 이는 메타데이터를 사용하여 컨텍스트를 추가함으로써 수행할 수 있습니다. 많은 시스템이 이미 일부 메타데이터(예: 파일 이름, 작성자, 크기 등)를 캡처하지만, 요약, 주제, 언급된 사람 또는 회사와 같은 실제 콘텐츠에 대한 메타데이터가 더 유용할 것입니다. 콘텐츠에 대한 메타데이터를 생성하기 위해 설계된 두 가지 기술은 자동 분류와 정보 추출입니다.

비즈니스 인텔리전스 및 AI

비즈니스 인텔리전스는 인공지능(AI) 및 머신러닝(ML) 기법을 BI 플랫폼에 통합하여 전통적인 보고 및 시각화 도구를 넘어선 데이터 해석과 통찰력 발견을 향상시키는 증강 분석과 같은 보다 고급 분석을 지원합니다.

생성형 AI

생성형 비즈니스 인텔리전스는 대형 언어 모델과 같은 생성형 AI 기법을 비즈니스 인텔리전스에 적용하는 것입니다. 이러한 결합은 데이터 분석을 용이하게 하고 사용자가 자연어 쿼리를 통해 실행 가능한 통찰력을 생성하며 데이터와 더 직관적으로 상호 작용할 수 있도록 합니다. 예를 들어 Microsoft Copilot은 비즈니스 분석 도구인 Microsoft Power BI에 통합되었습니다.

응용 분야

비즈니스 인텔리전스는 다음과 같은 비즈니스 목적에 적용될 수 있습니다.

성과 지표 및 벤치마킹은 비즈니스 리더에게 비즈니스 목표를 향한 진척 상황을 알립니다. (비즈니스 프로세스 관리). 분석은 기업이 최적의 결론에 도달하고 비즈니스 지식 발견을 수행할 수 있도록 프로세스를 수치화합니다. 분석에는 데이터 마이닝, 프로세스 마이닝, 통계 분석, 예측 분석, 예측 모델링, 비즈니스 프로세스 모델링, 데이터 리니지, 복잡한 이벤트 처리, 처방적 분석이 다양하게 포함될 수 있습니다. 예를 들어 은행 업계 내에서 학술 연구는 관리적 채택을 위해 신용 평가 및 고객 이탈 관리에서 BI 기반 분석의 잠재력을 탐구했습니다. 보고, 대시보드 및 데이터 시각화, 임원 정보 시스템 및/또는 OLAP BI는 데이터 공유 및 전자 데이터 교환을 활성화하여 비즈니스 내부 및 외부 모두에서 협업을 촉진할 수 있습니다. 지식 관리는 비즈니스 인텔리전스 및 일반적인 비즈니스 지식의 생성, 배포, 사용 및 관리에 관여합니다. 지식관리는 학습 관리 및 규정 준수로 이어진다.

위험

2013년 보고서에서 가트너는 비즈니스 인텔리전스 공급업체를 독립적인 '순수(pure-play)' 공급업체 또는 통합된 '메가 공급업체'로 분류했습니다. 2019년에 유럽 내 BI 시장은 데이터 수집 및 저장의 책임을 데이터 사용자에게 지우고 데이터 규정 준수를 보장하기 위한 엄격한 법률을 마련한 GDPR(일반 데이터 보호 규정)의 새로운 입법으로 인해 흔들렸습니다. 유럽 내 성장은 GDPR이 도입된 2019년 5월 이후 꾸준히 증가했습니다. 이 법안은 기업이 규정 준수 관점에서 자체 데이터를 살펴보도록 재초점화했을 뿐만 아니라 시장 점유율을 높이기 위해 개인화 및 외부 BI 공급자를 사용하는 미래의 기회를 드러냈습니다.