AI의 ROI 확보는 총 경제적 효과의 파악으로부터 --- Snowflake의 TEI

옛날 골드 러시 시절처럼 너도 나도 앞다투어 AI를 서둘러 배포하려다 보니 종종 사업성 검증 과정을 건너뛰곤 합니다. 경쟁이 치열한 시장에서는 일단 먼저 치고 나가고 보자는 접근 방식이 타당할 수 있습니다. 하지만 성공적으로 AI를 구현하려면 단순한 기술 채택에 앞서 AI가 비즈니스에 미치는 영향을 이해하는 것이 중요합니다. 

그러려면 AI 이니셔티브가 비즈니스에 제공하는 정량화 가능한 가치뿐만 아니라, AI 인프라 구축 및 유지 관리와 관련하여 발생하는 선행 비용과 지속 비용 그리고 필요한 기술 습득 비용까지 이해해야 합니다. 이득과 비용 양면에 대한 명확한 그림이 없으면 아무리 유망해 보이는 AI 프로젝트라도 실망스러운 결과를 낳을 수 있습니다.

데이터 리더들은 이 문제를 매우 잘 알고 있습니다. 한 임원은 “AI 이니셔티브를 실행하는 것은 곧 자신의 커리어를 투자하는 것”이라고 했는데요. 정말로 커리어를 걸고 하는 일이죠. 경영진에게는 프로젝트가 실질적인 투자 수익을 제공할 것이라는 믿음이 필요합니다. AI의 경제적 효과 측정이 다른 기술 이니셔티브와 다를 게 없다는 이들도 있겠지만, AI의 데이터 집약성과 개발 과정의 반복성, 그리고 잠재적 이득은 커도 그 효과가 간접적으로 나타나는 경우가 많다는 점으로 인해 효과 측정이 그리 만만치 않습니다.

이처럼 복잡한 경제성 분석의 문제에 직면한 조직들을 위해 Snowflake는 Forrester Research에 총 경제적 효과(Total Economic Impact^TM) 연구를 의뢰했습니다. TEI 방법론은 이점, 비용, 유연성, 위험성이라는 네 가지 핵심 영역을 검토하여 기술 투자의 경제성을 평가합니다. 이 연구의 목적을 위해 Forrester는 Snowflake 고객사 네 곳에서 면담 조사를 진행한 후, 이들의 경험과 성과를 가상 단일 조직의 결과물로 통합했습니다. 그 결과 나온 모델은 AI 투자의 정성적 및 정량적 측면을 모두 담아냈는데, 이를 통해 추정한 단 3년 만의 투자 수익률은 무려 354%에 달합니다.

TEI의 첫 번째 구성 요소인 수익 측면에서 결과는 실망스럽지 않았습니다. Snowflake의 가상 통합 고객사는 데이터 기반 혁신을 통해 6%의 수익 증가를 달성했습니다. AI 이니셔티브는 가치 실현 시간 단축, 고객 이탈 감소, 시장 점유율 증가 및 매출 손실 최소화로 이어졌습니다. 예를 들어, 한 식품 서비스 기업은 공급망 최적화 모델을 구축하여 재고 부족으로 인한 매출 손실을 줄이고, 배송을 신속하게 하며, 재고 손실을 최소화했습니다. 영업 측면에서는 고객 이탈을 4.5% 줄여 매출에 직접적인 효과를 거두었습니다. 마찬가지로 한 광업 기업에서는 실시간에 가까운 데이터 스트리밍을 활용한 생산 최적화가 수익 증가로 이어졌습니다. 

다음으로 비용과 가치 실현 시간에 관한 효과를 살펴보겠습니다. 비용 절감은 다음 세 가지 요인에서 발생했습니다. 첫째, 실시간 고객 인사이트를 통해 기업은 더 나은 데이터 기반 의사 결정을 내릴 수 있었습니다. 둘째, 개선된 공급망 관리는 능동적인 고객 주문 관리와 배송 비용 최적화를 가능하게 했습니다. 셋째, 비즈니스 분석가뿐만 아니라 회계, 재무, 공급망과 같이 데이터와 관련이 적다고 생각되던 팀들의 생산성도 향상되었습니다. 연구 참여 고객사들은 정확하고 통합된 데이터에 더 빠르게 접근하게 됨으로써 전 부서에서 운영을 최적화하고 낭비를 줄이며 효율성을 높였습니다. 

“Snowflake를 사용하기 전에는 공급망 지표에 대한 접근성이 매우 제한적이었습니다. 공급망 차원별 지표들을 각각의 시스템에서 일일이 다운로드해야 했으니까요. Snowflake 덕분에 데이터 마이그레이션과 활용의 모든 과정이 자동화되었습니다. 이제 온갖 Excel 파일을 뒤져 가며 고객 수익성을 계산할 필요 없이, 테이블과 뷰를 참조하기만 하면 됩니다.” - 미국의 식품 서비스 기업

세 번째로 운영 비용과 단순성의 이점을 살펴보죠. TEI 연구에 참여한 고객사들은 데이터 및 분석 가치 사슬 전반에 걸쳐 워크플로우를 간소화함으로써 생산성이 크게 향상되었음을 확인했습니다. 데이터 엔지니어들은 Snowflake 도입으로 복잡한 인프라 및 하드웨어 관리 부담을 덜었고, 견고한 데이터 파이프라인을 통해 자동화된 프로세스와 복잡한 데이터 통합 작업의 불필요로 인해 35%의 시간을 절감할 수 있었습니다. 데이터 사이언티스트들은 파이프라인 향상과 데이터 준비 작업 감소의 이점을 누렸습니다. 한 식품 서비스 기업은 10명의 정규직 직원 몫에 해당하는 분석 인력 소요를 줄였으며, 향후 추가적인 절감 효과를 기대했습니다.

마지막으로 완전 관리형 클라우드 네이티브 아키텍처의 이점을 살펴보죠. Snowflake는 레거시 라이선스 비용, 하드웨어 관리 및 교체, 복잡다단한 구성, 업그레이드를 위한 가동 중지 시간, 기타 일상적인 유지 관리의 필요성을 없애 데이터 운영을 간소화했습니다. 조사 대상 조직들은 유지 관리와 업그레이드에 비용과 자원이 많이 소요되던 복잡한 레거시 데이터 시스템을 폐기했다고 말했습니다. 이 연구의 가상 통합 조직은 레거시 인프라 관리팀에서 IT 및 데이터베이스 관리자 정규직 직원 여섯 명에 해당하는 인력을 줄였습니다. 이들 IT 및 데이터베이스 관리자들은 다른 전략적 업무에 재배치되었습니다. 

고객 사용 사례와 도출된 혜택에 대한 상세 정보는 Forrester Research의 보고서 Snowflake AI 데이터 클라우드의 총 경제적 효과(Total Economic Impact^TM): Snowflake 데이터 클라우드를 통한 비용 절감 및 비즈니스 이점(영문)을 다운로드하여 살펴보시기 바랍니다. 

저와 옛 동료들이 함께 AI 도입 및 미래 플랫폼 동향, 그리고 TEI 연구의 세부 사항을 살펴보는 Forrester와 Snowflake의 공동 웨비나(영문)도 찾아봐 주세요.