Data for AI, Agent for Everyone: 아모레퍼시픽의 데이터 지능화 여정

1945년 설립된 아모레퍼시픽은 한국 뷰티 산업의 역사이자 K-뷰티의 글로벌화를 이끄는 대한민국 대표 뷰티·헬스케어 기업입니다. 설화수, 라네즈, 헤라, 이니스프리, 에스트라, 코스알엑스 등 럭셔리부터 더마, 스킨케어, 메이크업, 헤어·바디 케어에 이르는 독보적인 멀티 브랜드 포트폴리오를 구축하고 있습니다.

아모레퍼시픽 빅데이터플랫폼개발팀은 “Data for AI, Agent for Everyone (AI를 위한 데이터, 모두를 위한 에이전트)”이라는 슬로건 아래, 데이터에 담긴 맥락과 의미를 더해 AI 기반의 전사 데이터 분석 문화를 혁신하고 있습니다.

“지난 분기 북미에서 신제품 얼마나 팔렸어?” 이 질문을 LLM에 그대로 던지면 답을 받지 못합니다. ‘신제품’이 출시 3개월 이내인지, ‘북미’가 미국과 캐나다를 뜻하는지 모델이 알 수 없기 때문입니다. 기준이 정립되어 있지 않다 보니, 현업 직원들은 실적 질문 하나에 답변하기 위해 1~2시간씩 엑셀을 돌리며 보고서를 만들어야 했습니다.

공급망(SCM)의 문제는 더 구조적이었습니다. 매일 아침 KPI 분석 내용을 국내외 공급망 조직 100명 이상에게 발송하는 데 하루 2시간이 들었습니다. 게다가 문제가 생겼을 때 “원인이 무엇인가?”에 대한 해석은 담당자마다 제각각이었고, 그 판단 과정이 기록으로 남지도 않았습니다.

아모레퍼시픽은 “사람의 경험에 의존하던 판단의 순서와 기준을 데이터가 직접 갖게 하자”고 결정했습니다.

아모레퍼시픽은 회사의 중요한 데이터를 밖으로 빼내지 않고, 데이터가 보관된 그 자리에서 AI를 바로 실행하는 방식을 선택했습니다. Snowflake를 선택한 주요 이유는 다음 세 가지입니다.

첫째, 데이터와 AI 브레인의 단일 통합입니다. 회사의 모든 데이터와 AI의 핵심 두뇌(연산)가 플랫폼 내부에서 안전하게 작동합니다. 직원들이 쓰는 사내 메신저(MS Teams) 등에는 AI의 답변 화면만 연결해 보안 유출 위험을 없앴습니다.

둘째, AI 네이티브 기능 생태계입니다. Semantic View부터 Cortex Search, CoCo까지 AI-Ready Data를 에이전트로 전환하는 기능을 한 플랫폼에서 제공합니다.

셋째, 거버넌스입니다. Snowflake의 모든 AI 기능은 전처리나 이관, 별도 AI 인프라 없이 SQL문 하나로 실행되며, 기존 RBAC 권한 체계가 AI 연산에도 그대로 상속되어 회사의 보안 정책과 데이터 접근 권한이 완벽히 유지됩니다.

아모레퍼시픽은 AI 서비스를 만드는 과정을 비즈니스 도메인 관리, 데이터 자산 생성, 주제영역별 에이전트 생성, AI 서비스 연동의 네 단계로 표준화해 반복 가능한 파이프라인으로 만들었습니다.

비즈니스 도메인 관리: 사내 구축한 ‘시멘틱 매니저(Semantic Manager)’를 통해 비즈니스 도메인 용어, 테이블·컬럼 매핑, 시멘틱 뷰 매핑, 배포 이력 등 메타데이터 거버넌스를 통합 관리합니다.

데이터 자산 생성: 실적, 고객, 재고 등 주제 영역별 의미 모델인 시멘틱 뷰(Semantic View)를 정의합니다. 여기에 오탈자나 유사어를 자동 정정해 주는 벡터 기반 코텍스 서치(Cortex Search)와 엑셀 그리드, 차트 파일 생성 등의 커스텀 툴(Custom Tools)을 결합합니다.

에이전트 생성: 생성된 자산들을 조합하여 주제 영역별 에이전트를 생성합니다.

서비스 연동: 에이전트 API나 MCP를 통해 다양한 사내 서비스와 연동하는 단계입니다.

이 아키텍처의 핵심은 AI의 브레인(Brain)과 모든 데이터 연산이 외부가 아닌 Snowflake 경계 내부에서 실행된다는 점입니다. 또한 프롬프트 지침(Instruction)의 미세한 변경으로 답변이 흔들리는 현상을 방지하기 위해 질의 테스트를 자동화하여 지속적인 반복 검증 체계를 다졌습니다.

아모레퍼시픽은 데이터에 회사 고유의 맥락과 기준(시멘틱 레이어)을 AI에게 가르침으로써, “북미 매출 28% 증가, 한정판 프로모션 영향”처럼 원인 해석까지 담긴 답변을 도출하는 ‘Sales Insight’ 에이전트를 구축해 전사에 오픈했습니다.

Sales Insight 에이전트는 평균 응답 소요 시간 40초라는 효율성을 자랑합니다. 아모레퍼시픽은 이러한 Sales Insight를 중심으로, 직원들의 일상 업무 환경에 맞춘 4가지 형태의 AI 서비스를 구현했습니다.

MS Teams Copilot Agent: 직원들이 가장 자주 쓰는 사내 메신저 대화창에서 질문하면 즉시 실적 답변과 차트를 보여줍니다.

Snowflake CoWork: 분석가가 CSV 파일을 직접 업로드하여 심층 분석 작업을 요청할 수 있습니다.

Insight Brief: 매일 아침 브랜드별 실적의 핵심 요점과 리스크를 AI가 읽어보고 자동으로 요약 보고서를 발행합니다.

AI Summary: 긴 리포트의 복잡한 그래프와 대시보드를 일일이 분석하지 않아도, AI가 상단에 몇 줄의 글로 핵심 변화를 요약해 줍니다.

실적 조회의 단계를 넘어 “왜 실적이 변했고 앞으로 무엇을 해야 하는가?”를 추론하기 위해, 공급망(SCM) 전 영역을 연계하는 온톨로지 기반 AI 에이전트를 구축했습니다.

공급망은 계획, 생산, 재고, 판매, 유통으로 이어집니다. 각 영역 안의 테이블은 Semantic Model로 잘 연결되지만, 문제는 영역과 영역 사이의 관계였습니다. 이 관계를 지침(instruction)에 일일이 담으면 정확도가 떨어지고 관리 부담이 커집니다. 아모레퍼시픽은 이 관계를 온톨로지에 담기로 했습니다.

먼저 20개가 넘는 디멘전, 팩트, 마트 테이블을 10개 이상의 KPI 뷰로 표준화했습니다. 물리 테이블을 변경하지 않고, 데이터 이동도 없이 진행했습니다. 모든 KPI에 전월 대비 변화량과 변화율, 그리고 양호·주의·경고의 이상 신호 기준을 달아 이상 징후를 조기에 감지합니다.

온톨로지는 사람이 직접 구축하지 않고 Snowflake의 개발지원 AI인 Snowflake CoCo가 생성합니다. CoCo는 ontology-stack-builder라는 자동화 스킬을 활용해 입력 수집부터 E2E 검증까지 7단계를 거치며 5개 계층(물리 저장, 온톨로지 메타, 자동생성 추상 뷰, 시멘틱 모델, 코텍스 에이전트)의 온톨로지 스택을 생성합니다.

온톨로지는 인과관계와 가중치를 정의하는 Meta, 상품(SKU) 레벨 Node, 관계 Edge로 구성되며, 에이전트는 그래프를 타고 영역을 넘나들며 원인을 추론합니다.

아모레퍼시픽은 용도에 따라 에이전트를 두 가지로 분리했습니다. 단순히 3개월 매출이나 일반 지표를 묻는 질문은 KPI 뷰 기반의 ‘범용 Agent’가 처리합니다. 반면 “라네즈 수분크림 200ml의 순매출이 왜 줄었어?”와 같이 특정 단일 상품의 원인을 추적하는 질문은 MCP를 타고 상품 레벨의 인과 추적이 가능한 ‘Ontology Agent’로 연결되어 원인을 다각도로 분석합니다.

① 실적 리포팅 1~2시간에서 평균 40초로: Sales Insight의 건당 평균 응답 시간은 40초로, 수작업 시 1~2시간 소요되던 리포팅 작업의 효율성을 대폭 끌어올렸습니다.

② 4개 AI 서비스의 전사 확산: 실적이라는 하나의 주제영역 위에 실시간 질의응답, 심층 분석, 일일 브리핑, 대시보드 요약까지 4개 서비스를 오픈했습니다. 현업의 긍정적인 반응이 팀 단위 공유로 이어지며 빠르게 확산되고 있습니다.

③ 공급망 판단 기준의 데이터화: 하루 2시간씩 반복되던 KPI 분석·발송 작업을 자동화한 것을 넘어, 사람마다 다르던 원인 추적 방식을 온톨로지로 표준화했습니다. 국내외 100명 이상의 SCI 조직이 같은 인과관계 그래프 위에서 원인을 확인합니다.

아모레퍼시픽은 실적과 공급망에서 검증된 이 AI 체계를 고객, 재고, 소셜, 물류, 마케팅 등 회사 전 영역으로 확장하여, 전사 모든 업무를 지원하는 ‘단 하나의 통합 AI 비서 체계’로 완성해 나갈 계획입니다.