SAP 레오나르도 나우 #2, 오후 세션 정리 / Leonardo라는 SAP의 새로운 접근법

지난번 오전세션 정리에 이어 이번에는 오후 세션을 정리 해 보겠습니다. 예고했던 대로, SAP Leonardo가 무엇인지 구체적으로 살펴 볼텐데요. 제가 이해한 내용이기 때문에 SAP의 견해와 다를 수 있는 점 참고 해 주세요. 아래 아젠다로 정리 해 보겠습니다.

1. 오후 세션 정리
 1) SAP Leonardo 개념 및 접근법, 활용 방안
 2) SAP Leonardo 사례 정리

2. 행사 마무리 및 소감

맛있는 점심과 부스 탐방 이후 13:50분 부터 이어진 오후 세션을 먼저 정리 해 보겠습니다.


오후 세션 #1 새로운 디지털 비즈니스를 위한 SAP Leonardo 테크놀로지 활용 및 접근법 / 이인성 파트너



4차 산업혁명 시대라는 용어를 우리는 직간접적으로 참 많이 듣고 있습니다. 지난 대선때 가장 큰 키워드가 촛불과 더불어 이 4차산업혁명이라고 해도 과언이 아닐겁니다. 4차산업혁명 즉, Industry 4.0 기대의 근간이 되는 기술을 꼽자면 Iot, 머신러닝, 딥러닝, 블록체인, 빅데이터 등이 있을 텐데요. 이러한 기술들이 파도처럼 밀려오는데 과연 기업들은 어느 정도 준비가 되어 있을까요? 이 거대한 파도에 올라탈 준비가 되어 있는 기업은 많지 않은 것이 현실입니다. 서핑보드가 기술, 서퍼가 기업이라면 SAP는 저 서핑보드에 잘 일어설 수 있도록 도와주는 전담 코치라고 비유할 수 있겠네요.




서핑보드에 탑재되어 있는 기술들 중 가장 중요한 것은 머신러닝, 딥러닝이라고 할 수 있습니다. 이를 위해 많은 기업들이 오픈소스 기술들을 차용하여 준비해 왔는데요. 예상보다 훨씬 더 많은 투자가 필요했고, 기업은 이 투자된 비용을 내제화 하기를 원합니다.  내제화에 있어 핵심 요인은 오픈소스 솔루션 선택이라고 볼 수 있겠습니다.




머신러닝, 딥러닝 구현을 위한 많은 오픈소스 솔루션들이 있습니다. 하지만 기업 입장에서 이런 오픈소스 내재화 투자에 있어 반드시 넘어야 하는 벽, 겪게 되는 문제들이 있는데요. 솔루션별로 간단히 정리 해 보면 아래와 같습니다. 

 i. 새로운 언어 : Scala, R, python
  - 역사가 오래 된 오픈소스 이지만 기업 입장에서는 이제 막 개발되고 시장에서 부각되는, 새로운 오픈소스 개발 언어
  - 기업은 이러한 언어를 내부 인력들에게 학습시키기 보다는 시간 단축을 위해 각 오픈소스 언어 별 숙련자들을 새롭게 채용하여 내제화 시킴
  - 하지만 이런 오픈소스 언어에 대한 전문가들이 시장에 많지 않음

 ii. 하향 솔루션 : STORM, mahout, PIG
  - 시장에서 각광받거나 새롭게 주목받는 오픈소스 기술에 기업은 우선적으로 투자하게 됨
  - 하지만 오픈소스의 특성상 어제까지 잘 사용하던 기술이라 할 지라도 어느날 갑자기 프로젝트가 종료되어 더 이상 기술을 사용할 수 없게 되는 경우가 빈번히 발생됨
  - 또는 과거에 많이 사용 했었던 기술(STORM)이라 할 지라도 시장 흐름 혹은 오픈소스를 사용하는 사람들의 성향과 새로운 신 기술의 출현으로(Spark) 기존 기술이 도태됨

 iii. 급진 솔루션 : Spark, hadoop
  - 시장에서 갑자기 주목받는 오픈소스 기술들은 커뮤니티 활성화로 인해 빠른 업데이트가 이루어짐
  - 하지만 그 업데이트 주기가 예측하기 매우 어려움, 기술의 인기도에 따라 좌우됨
  - 기업에서 구축한 오픈소스 솔루션이 커뮤니티 버전의 업데이트 속도를 따라가지 못하는 경우 발생(소스코드나 SDK변경 이슈)

 iv. 상용화 전환 : JAVA, mongoDB
  - 오픈소스로 제공 되었으나 모 기업에 인수 되는 등 상황이 변해 상용화로 전환됨
  - 기업 입장에서는 예상치 못했던, 의도하지 않았던 비용이 추가적으로 발생하게 됨

 v. 신규 등장 : nifi, Flink, kubernetes
  - 갑자기 등장하여 새롭게 주목을 받는 기술들(kubernetes같은 컨테이너 기반 기술, Docker로 촉발 된 컨테이너 인기로 인해 최근 주목받고 있음)
  - 새로운 기술이 등장 했을 때 기업은 어떻게 내재화 시키고 투자할 것인가에 대한 고민을 할 수 밖에 없음




정리하면, 기업은 4차 산업혁명이라는 파도를 한번 잘 타 보려고 서핑보드를 들고 나왔는데 파도가 아니라 쓰나미급이라, 예상치 못한 많은 투자가 이루어 져야 하고 그에 따른 많은 문제점들을 겪고 있다는 것입니다. 큰 파도에서야 기존에 알고 있었던 방법으로 서핑을 즐길 수 있겠지만 이제껏 보지못한 집채 만한 파도가 밀려올 경우 당황할 수 밖에 없죠. 특히 기업은 이런 새로운 기술들이 나올 때 마다 많은 조사를 진행하지만 기술의 발전속도와 새로운 기술 출현이 빈번하기 때문에 시장조사만 하다가 경쟁사 대비 뒤쳐질 수 있습니다. 더군다나 기업들은 새로운 기술들을 활용하고 싶은데 어떻게 뭐부터 시작해야 할 지에 대해 많은 고민을 하고 있습니다.




그 동안의 4차산업혁명과 함께 떠오른 많은 기술들로 인해 기업은 기술에 초점을 맞춰 투자 해 왔습니다. 하지만 그로 인해 앞서 말씀 드렸던 문제점들을 겪고 있는 것이죠. 새로운 기술도 중요하지만 더 중요한 것은 결국 그 기술을 어떻게 활용하느냐 인데요. 잘 활용하기 위해서는 결국 풍부한 현장지식이 필요합니다. 4차산업혁명의 본질은 기술이 아닌 인간 이라는 것입니다.. 그래서 SAP는 4차산업혁명에 대한 접근 자체를 다시 하게 되었고, 그래서 나온 것이 바로 SAP Leonardo입니다.




SAP Leonardo는 위와 같이 인간중심의 사고의 전환을 통해 접근법을 제시합니다. 기술 중심이 아닌 고객의 목소리에 집중하여 적절한 해결 방법을 제시하는 거죠. 기존의 현장지식을 활용하기 위해 Design Thinking을 적용하고 기술 내재화를 위해 조사하는 데에 시간을 할애하기 보다는 일단 프로토타입을 만들어서 시작 부터 하도록 독려합니다. 새로운 신기술들이 많이 나와 운영이 어렵다면 클라우드 서비스를 활용하면 되구요. 수 많은 오픈소스들은 파일럿 프로젝트를 통해 검증 해 나갑니다. 그리고 효율적인 적용을 위해 GUI/API기반으로 개발해 보자는 것이 SAP Leonardo가 제시하는 새로운 접근법 입니다. 




이렇게 비교해 보면 더 명확합니다. 기존의 SI사업기반 접근법은 고객의 요구사항을 정의하고(고객은 막연하게 '빅데이터'를 하고 싶은데 뭘 어떻게 해야 하는지는 잘 모르겠어요'라며 요구사항이 추상적인 경우가 많죠.) 그에 맞는 사례들을 참고하여 완벽하게 솔루션을 구현 후 납품합니다. 하지만 SI 프로젝트 많이 해 보신 분들은 잘 아실텐데요. 진정한 SI프로젝트의 시작은 검수 이후죠. 검수 이후 운영 과정에서 예상치 못한 오류들이 속출하고 유지보수 해야 할 것들이 넘쳐납니다. 이로 인해 기업은 솔루션 개발 이후에도 막대한 비용을 지출해야 하는 문제가 생깁니다. 이것을 해결해 보고자 하는 것이 SAP Leonardo의 접근법 입니다. 아래 장표를 보시죠.




막연한 고객의 요구사항을 정의하는 것은 일단 뒤로 미루고, 현장의 목소리를 기반으로 일단 시작부터 해 보자는 것입니다. 고객도 뭘 해야 하는지 잘 모르는데 이렇게 저렇게 해 보시죠 라고 제안하는 것 보다는, 일단 같이 한번 시제품이라도 만들어 보고 갈아엎고 하다 보면 고객이 진정으로 뭘 원하는 것인지 명확하게 알게 될 수 있다는 거죠. 고객의 요구사항이 분명하지 않은, 고객조차 제대로 알지 못하는 상황에서 프로젝트 제안을 하고 구현하고 납품한 뒤 운영 과정에서 생기는 고객의 피드백으로 다시 요구사항을 재정의 하고 이중 투자 하지 말고, 그 요구사항을 분명히 하기 위해 일단 시작하되 현장 피드백을 충분히 받아서 명확하게 고객이 원하는 바를 짚어주자는 것입니다. 이런 과정을 거치면 이후 솔루션 개발 과정이 수월할 것임은 물론, 운영 과정에서도 예상치 못한 오류가 튀어나와 추가 비용이 지출되는 것을 미연에 방지할 수 있겠죠.




고객의 요구사항은 고객도 잘 모르고 SAP도 잘 모르니 Degisn Thinking을 통해 어렴풋이나마 우리가 구현해 보고자 하는 것에 대한 그림을 그리고, SAP Leonardo에서 제공하는 프로토타이핑 툴인 SAP BUILD를 이용해 제품을 구현하여 현장의 피드백을 받아보고 이를 발전 시킵니다. 그리고 갈아엎고 만들고 개선하는 과정을 거쳐 고객이 진정으로 원하는 바를 스스로 깨우치게 도와주는 것입니다.




위와 같이 SAP Leonardo는 Design Thinking -> 프로토타이핑 -> 현장 피드백 -> 파일럿 프로젝트 -> 고객 요구사항 명확화 -> 솔루션 구현이라는 프로세스로 진행 됩니다. 솔루션 구현 과정에서 필요한 기술들은 SAP Cloud에 올라와 있는 기술들을 활용하면 되는데요. 우측의 사례는 오전 세션의 애널리틱스 사례로 소개되었던 머신러닝 기반 브랜드 광고 효과 분석 예시입니다. SAP Cloud의 기술들은 왼쪽 장표처럼 많은 오픈소스 기술들과 결합되어 있어서 그대로 가져다 사용하면 되고, 산업별로 제공하는 Innovation Kits를 통해 보다 효율적으로 솔루션을 구현할 수 있습니다.




결과적으로 SAP Leonardo를 한 마디로 정의하면 위와 같습니다. Design Thinking과 프토토타이핑 기반의 새로운 접근법으로 고객의 요구사항을 명확히 한 다음 SAP Cloud 기반의 신기술로 좀 더 효율적으로 구현하고 고객의 현장지식(노하우)를 기반으로 구체화 시킨 결과물(산출물)이라고 보시면 되겠습니다. 즉, 새로운 SI 프레임워크라고 할 수 있겠네요. 이번 세션을 통해 SAP Leonardo가 구체적으로 어떤 개념인지 이해할 수 있었습니다.



오후 세션 #2 SAP Leonardo를 통한 비즈니스의 새로운 가치 발견 / 조용완 본부장



이번 세션에서는 SAP Leonardo를 통해 새로운 비즈니스 가치를 발견할 수 있는 방법에 대해 소개했습니다. 가트너의 발표에 따르면 2020년이 되면 우리가 사용해 왔던 기술들, 프로세스들의 80%는 사라지거나 아예 새롭게 바뀔 것이라고 합니다. 앞 세션에서도 언급했었던 거대한 쓰나미급 변화가 다가온다는 것에 대비가 필요하다는 것입니다. 그리고 Leonardo는 기술에만 집중하는 것이 아닌 인간중심의 사고의 전환이 필요하다고 했습니다. 기존의 좋은 기술을 기반으로 사람과 프로세스, 사람과 데이터를 연결했을 때 어떤 새로운 가치를 창출할 수 있느냐가 중요한 것입니다.


SAP Leonardo는 기존에 불가능 했던 프로세스를 새로운 기술들을 활용하여 가능하게 해 줍니다. 핵심은 머신러닝이겠죠. 그리고 머신러닝이 가능하게끔 방대한 데이터를 수집해야 하는데, 이미 우리는 많은 데이터들을 수집해 왔습니다. 단, 그 데이터를 어떻게 활용할 수 있는지를 몰랐었죠. 머신러닝의 도움으로 이제 우리가 상상만 해 왔던 것들을 구현해 나갈 수 있게 되었습니다. 또한 기존 서비스들 역시 기술의 도움으로 자동화시켜 보다 효율적으로 개선시킬 수 있는 것입니다. 그렇다면 구체적으로 기존 서비스들을 어떻게 좀 더 진화시키고 새로운 비즈니스는 어떻게 발견할 수 있을까요?




먼저 기술 이야기를 잠깐 짚고 넘어가겠습니다. 기존에 기업에서 사용하고 있는 많은 SAP 애플리케이션들은 머신러닝과 같은 새로운 기술과 결합하여 지능화되고 기존 기능들이 강화되어 기존 비즈니스 영역을 최적화 시킬 수 있습니다. 아지만 이 부분은 기존 방식의 비즈니스이기 때문에 새로운 비즈니스를 만들어 내기는 어렵습니다. 그래서 SAP Leonardo를 활용해 아예 새로운 개념의 비즈니스 가치를 발견하고 구체화 시킬 필요가 있습니다. 그 구체적인 사례는 다음과 같습니다.




먼저 철강회사 사례입니다. 기존에는 무작위로 25%의 제품을 선별하여 품질검사를 해 왔습니다. 하지만 결함이 많이 발생해 왔기 때문에 이를 개선하기 위해 모든 공정에 센서를 장착하여 데이터를 수집하고 데이터 과학자의 도움으로 어느 공정에서 어떤 변수로 인해 불량률이 높아지는 지에 대해 예측분석 모델을 개발합니다. 예측 모델을 기반으로 불량 케이스 별로 검증 해 나가면서 최종적으로 검사가 필요한 것들만 콕 찝어서 품질검사를 수행할 수 있게 되었고 이를 바탕으로 품질검사를 기존 25%에서 5~13%로 줄였습니다. 




촬영 영상의 노출이 좀 과해서 좌측 이미지가 거의 보이질 않는데, 스마트팩토리의 모습입니다. 이런 스마트팩토리의 다음 모델로 디지털트윈이 떠오르고 있는데요. 디지털트윈이란 공장을 디지털 환경으로 그대로 복제해서 시스템에서 재현해 보는 것을 말합니다. 현장에서 엔지니어가 상주하여 점검하는 것이 아닌 시스템으로 모니터링 하다가 이상이 생기면 그 때 현장에 투입되어 점검을 할 수 있겠죠.




장표의 우측과 같이 어떻게 보수하면 되는지에 대해 영상으로 보여줍니다. 이는 숙련된 엔지니어가 아닐지라도 현장과 똑같이 구현된 영상을 보면서 쉽게 유지보수 할 수 있도록 도와주죠. 기존 엔지니어들의 교육에도 유용하게 활용될 수 있습니다.




기업 HR부서의 가장 큰 고민은 수많은 이력서를 어떻게 선별하느냐 입니다. 과거에는 우스갯소리로 이력서 검토 담당자 책상위에 수북하게 쌓아두고 선풍기를 강하게 틀어서 날려보낸 뒤 미리 정해 둔 곳에 떨어진 이력서만 검토했었다는 이야기도 있었죠. 그만큼 검토해야 하는 이력서가 너무 많은 것이 현실입니다. 아니면 학력이나 어학점수로 커트라인을 정해 선별하기도 했죠. 이 때문에 정말 회사에 적합한 인재라고 할 지라도 놓치게 되는 경우가 많았습니다. 머신러닝의 도움으로 이제는 회사의 요구조건과 이력서의 개인별 경력 사항을 분석하여 자동으로 회사에 맞는 인재를 분류 해 줄 수 있게 되었습니다. 또한 기존 임직원들의 직무를 분석하여 적합한 부서에 배치 할 수 있도록 조치할 수도 있게 됩니다. 즉, 기존에는 사람이 수작업으로 메뉴얼로 직접 수행해 왔었던, 반복적인 노동집약적 업무들을 새로운 기술을(빅데이터, 머신러닝) 바탕으로 자동화 시켜 업무 효율성을 증대시킨 것이죠.




또한 재무부서에서는 기업의 매출채권과 입금내역 매칭을 자동화 시킬 수도 있습니다. 기존에는 담당자가 계산서 발행내역과 입금내역을 눈으로 하나씩 대조해 가면서 반제처리를 해 왔다면 이제는 머신러닝을 통해 과거의 거래 내역 정보와 패턴을 분석하여 입금내역을 매출채권과 자동으로 매칭시켜 반제처리를 해 줄 수 있습니다. 담당자는 시스템이 분류 해 둔 리스트를 보고 맞는지 아닌지만 점검한 뒤 승인만 하면 됩니다. 거래 건수가 많은 기업의 재무부서 직원들이 월말에 이런 작업들로 인해 맨날 야근하느라 고생을 엄청 했는데, 이렇게 신기술의 도움으로 업무가 단축될 수 있다면 업무 만족도가 증가하는 것 까지는 잘 모르겠으나 퇴사율은 떨어뜨릴 수 있겠네요.(실제로 제 전 직장의 재경팀 퇴사율이 정말 높았습니다. 신입이 들어와서 분기 마감 한번 경험하면 퇴사할 정도였으니까요. 여기에 개인별 전표마감까지 겹치면 어휴.... 진짜 야근이 일상일 수 밖에 없습니다.)




영업부서 입장에서는 머신러닝을 이용해서 고객 이탈 방지 활동을 할 수 있습니다. 실제로 홈페이지, 솔루션 상담 창구, 영업대표 등 여러 채널을 통해서 VOC(Voice of Customer)가 접수 되면 그 내용을 영업부서에 전달하고 영업대표는 고객에게 연락을 해서 어떤 문제가 있는지 확인합니다. 하지만 불만이 있는 고객이 공식 채널을 통해 기업에게 접수한다는 것 자체가 이미 마음이 떠버린 것이라고 볼 수 있습니다. 아무리 당근책을 제시한다고 해도 이미 식어버린 고객의 애정을 되살리기란 쉽지 않습니다.
 하지만 다행인 것은 대부분의 고객들은 뜬금없이 불만을 이야기 하지 않는다는 것입니다. 무언가 사전 징후를 보이기 마련이죠. 머신러닝이 이를 감지하고 미리 영업대표 혹은 마케팅 담당자에게 알려줍니다. 이 고객 이탈 조짐이 보이니까 빨리 조치하라고 말이죠. 그리고 그 고객에게 연락하면 없던 애정도 아마 생길 겁니다. 기입이 미리 내 마음을 헤아려 주어 조치를 취해주는 것 만큼 고마운 것은 없으니까요. 이렇게 선제적 대응을 할 수 있다면 고객 이탈 방지는 물론 기존 고객 충성도 제고 차원에서도 훌륭한 효과를 거둘 수 있을 것입니다. 단, 기업마다 중요하게 여기는 지표가 다르기 때문에 이탈 징후에 대한 기준을 어떻게 정의하느냐가 중요할 것입니다.




이번에는 추천 입니다. 요즘 쇼핑몰들 추천기술은 정말 놀랍습니다. 나의 쇼핑몰 행동 패턴을 분석해서 귀신같이 내 맘에 쏙 드는 상품을 추천 하니까요. 이 역시 머신러닝 기술이 있어 가능해 졌습니다. 단순히 고객의 구매내역 등 과거 정보를 토대로 추천하는 것이 아닌 현재 고객이 어느 상품을 보고 있고, 이 고객이 보는 상품을 구매한 사람들이 주로 구매하거나 관심을 보인 상품을 함께 추천하는 등 다방면으로 분석해서 고객 맞춤형 즉, 개인화 된 추천을 제공합니다. 이를 통해 쇼핑몰의 구매전환율을 획기적으로 높일 수 있습니다. 마케팅에 돈을 쓰더라도 보다 쓰임새 있는 곳에 제대로 쓸 수 있다는 이야기다 됩니다.




고객 지원에 있어서도 머신러닝은 쓰임새가 많습니다. 대 고객대응 담당자 입장에서 밀려드는 문의 혹은 요청 사항 중 내 담당이 아닌 것들도 상당수 있을 텐데요. 그 때마다 유관 부서에 전달하거나 담당자를 찾아서 고객에게 다시 안내해야 하는 번거로움이 있습니다. 하지만 고객 입장에서는 답변을 듣기 위해 전화 했는데 '제가 담당이 아니라서 다른 담당자에게 전달하겠습니다'라는 답변을 받는 다면, 다시 문의해야 하는 번거로움에 답변을 더 오래 기다려야 하는 짜증이 동시에 생길 수 있는거죠. 이 때 머신러닝이 개입하여 고객의 문의 내용을 분석하여 알아서 카테고리를 분류하고 담당 부서에 전달하는 것에 더해 최적의 답변 내용까지 추천한다면? 에이~ 소설 아니냐구요? 정말 이게 가능한 것일까요?




위 장표를 보시면, 머신러닝이 과거 문의 내용의 제목, 메세지, 고객 정보 등을 분석합니다. 그리고 수 많은 다른 문의 데이터와 함께 비교 분석하여 만약 새로운 고객 문의라면 자동으로 CRM에 정보를 등록하고(세상에... 이거 진짜 일일이 사람이 하나씩 입력했었던 겁니다. 저도 이거 엄청 많이 했었거든요.), 어떤 유형의 문의인지 판단해서 담당자에게 전달하면서 '이 고객은 과거 동일 문제에 불만을 많이 보인 고객이므로 복사&붙여넣기 같은 형식적인 답변 말고 실질적인 조치(제품 방문 수거, 할인쿠폰 제공 등)를 취하세요'라고 가이드까지 줄 수 있다면? 업무 생산성 올라가서 직원들 매일 칼퇴하는 일하기 좋은 회사라고 금방 소문날겁니다.




앞서 보여드렸던 사례들이 이처럼 Industry Innovation Kits로 준비가 되어 있습니다. 대략 바로 갖다 쓰더라도 기업의 요구사항에 60~70% 정도는 맞출 수 있다고 하니까 조금만 손 보면 기업에 딱 맞는 솔루션을 구현할 수 있을 겁니다. 이미 글로벌 회사들이 사용하는 프로세스를 가져다 쓰는 것이기 때문에 이미 검증 된 프로세스라고 보셔도 됩니다. 그리고 이런 프로세스를 적용하기 위해 SAP Leonardo에서는 수많은 애플리케이션들을 제공하고 있습니다.



오후 세션 #3 Intelligent Technology를 적용한 기업용 솔루션 구축 제언 / 파트너 ISTN

이번 세션은 SAP 파트너 ISTN의 실제 구축한 사례를 소개하는 세션입니다. 기술 이야기는 앞서 SAP 세션에서 많이 다뤘기 때문에 이번 세션은 ISTN의 구축 사례 중 인상깊었던 내용 위주로 정리 해 보겠습니다.



먼저 iFLEET라는 실시간 화물 운송 모니터링 솔루션 입니다. RFID를 활용해 실시간으로 화물 운송 상태가 모니터링되고, 운송기사는 차량 내에 배치 된 내비게이션으로 언제까지 어디로 화물을 입고시키면 되는지 알 수 있습니다. 또한 운송기사의 운전시간을 확인할 수 있는데요. 미국이나 유럽의 경우 운송기사가 하루에 정해진 시간 만큼만 운전을 해야 하고 이를 신고해야 한다고 합니다. 안하면 벌금을 무는 등 제재를 받을 수 있다네요. 만약 8시간을 운전했다면 반드시 8시간을 쉬어야 하고 이를 증빙으로 제출해야 한다고 합니다. 우리나라에도 어서 빨리 도입되어 화물기사님들 뿐만 아니라 고속버스나 시내/시외 버스 운전기사님들에게도 적용되었으면 좋겠네요.




ISTN 부스에 구현되어 있었던 Conversational AI 챗봇입니다. 이미 챗봇은 많은 영역에 활용되고 있습니다. 스마트폰에 탑재된 AI 챗봇부터 인터파크 톡집사 같은 쇼핑몰 챗봇, 알리익스프레스에 적용된 고객 문의에 대응하기 위한 챗봇 등 그 종류가 상당한데요. ISTN의 기업용 챗봇은 기업에서 사용하는 애플리케이션에서 제공하는 정보를 챗봇을 통해 간편하게 조회할 수 있게 해 줍니다.




가령 내부 직원 조회용 챗봇의 경우 메신저를 통해 챗봇에게 특정 직원 정보 조회 요청을 하고 상세 정보를 확인할 수 있게 되는 것입니다. 기존에는 모바일 그룹웨어 앱에 접속하여 임직원 정보 검색 혹은 조직도에서 직접 찾아서 정보를 확인해야 했다면 챗봇을 통해 '홍길동 좀 찾아줘'라고 하면 홍길동의(동명이인 포함) 인사요약 정보를 보여주고, 상세정보를 누르면 부서/직무/연락처 등이 메신저에 나타나는 형태입니다. 기존 업무를 익숙한 메신저 환경을 통해 대폭 간소화 시킨 것이라고 볼 수 있죠.




실제로 시연 장면도 볼 수 있었는데요. 우측 하단과 같은 메신저 창에서 봇과 대화하면서 직원들의 정보를 조회할 수 있었습니다. 그룹웨어에 이미 있는 정보를 메신저에 이미지와 함께 보여주는 형태라고 보시면 되겠습니다.




기업용 챗본 뿐만 아니라 소비자용 챗봇도 개발할 수 있는데요. 위와 같이 기본적인 고객 판매 내역을 조회할 수 있음은 물론 정부에서 제공하는 공공데이터포털의 데이터를 API로 가져와서 미세먼지에 대한 정보도 함께 제공할 수 있습니다.




이렇게 고객 판매내역을 조회하면 해당 판매내역에 대한 상세 정보가 나타나고 지금은 구현이 안되어 있지만 반품까지도 처리할 수 있도록 개발 중이라고 합니다. 이 기능을 이용하면 외부에서 급하게 실적자료나 구매내역 등 내부 ERP자료 확인이 필요할 때 굳이 내부 시스템에 원격으로 접속하지 않아도 간편하게 조회할 수 있을 것 같습니다.(영업미팅 때 급하게 이런 판매 정보 확인이 필요한 경우가 많이 발생 하는데, 그 때 요긴하게 쓸 수 있을 것 같네요.)




그리고 위와 같이 공동데이터를 조회하여 지금 미세먼지 상태를 제공할 수도 있습니다. 여기까지 파트너 ISTN의 구축 사례를 살펴 봤습니다.


오후 세션 #4 Reimagine Industries with SAP Leonardo / 백영석 본부장

이번 세션 역시 SAP Leonardo에 대한 산업 별 구체적인 사례로 채워졌습니다. 각 사례별 주요 내용을 정리 해 보겠습니다.



세션 도중 소개 된 영상의 원본을 캡쳐한 것입니다. 원본 영상은 여기서 보실 수 있습니다.

필립스는 127년 된 조명 및 가전제품 제조 회사입니다. 세계에서 가장 오래되고 큰 조명회사인데요.(매출이 무려 70억 유로, 한화로 약 9조원) 제품 중심 회사에서 서비스 중심 회사로의 변화의 중심에 서있다고 합니다. 필립스는 SAP와 함께 IoT기술을 이용해 조명 데이터를 수집하여 분석하고, 이 데이터를 바탕으로 비즈니스 하는 회사로 진화 했습니다. 회사의 비젼도 더 이상 아름다운 조명을 제공하는 것이 아닌, 도시 어느 곳에나 있는 자신들의 조명에서 수집되는 데이터를 활용하여 안전한 도시를 만드는, 빗 이상의 가치를 제공하겠다는 것으로 바뀌었습니다.




두 번째 사례는 Costco입니다. 창고형 매장의 시초인 Costco의 경우 설립된 지 36년차이고 매출이 12조원에 달합니다. 전세계 1등 지점이 한국 양재지점이라고 하고 일 매출이 1.4M$ 약 15억 정도 된다는군요. 이 Costco의 신선식품 부문 부회장님이 SAP 컨퍼런스에서 고민을 이야기 했습니다. Costco는 전체 매출의 10%가 베이커리인데 그 베이커리 매출 중 10%가 버려지는 비용이라고 합니다. 수요예측 실패로 폐기처리 하는 비용인데요. 실제 Costco나 이마트 트레이더스 등 창고형 할인마트에서 제공하는 베이커리의 유통기한이 매우 짦죠.
아무튼 부회장님은 SAP에 이 수요예측을 잘 하고 싶다는 과제를 전달 했고현재 머신러닝 기술을 바탕으로 한 수요예측 모델을 10개 스토어에서 실험 중이며 2019년 말 까지 500개 매장으로 확대할 계획이라네요. 이 수요예측 모델에 실시간 날씨 데이터와 고객 대상 프로모션 데이터가 반영되어 있다는데요. 과거에 주 단위로 Excel로 수요관리를 했던 것과 비교해서 엄청난 발전이 아닐 수 없습니다. 




이번 사례는 스위스의 연방철도(SBB) 입니다. 스위스는 전 국민이 이런 열차와 같은 대중교통을 매우 많이 활용하고 이 열차를 이용해 출퇴근 하는 승객이 하루에 150만명이라고 합니다. 스위스 전체 인구가 850만이니 어마어마한 수치입니다. 회사의 고민은 어떻게 하면 열차 운영에 들어가는 고정비용을 낮출 수 있느냐 인데요. 실제 겨울에 전기 사용량이 최대치를 기록한다고 합니다. 이 때문에 회사는 추가적인 전력인프라 공급을 고민하면서 동시에 전기 사용량을 모니터링해 보자는 수요가 생겼습니다.
 그래서 IoT와 분석기술을 활용해 실제 전기수요에 대한 모니터링을 통해 어느 시점에 전기 사용량이 최대치가 되는지 확인했고, 에어컨이나 히터 등 전기를 많이 사용하는 기기의 전원을 잠깐 끄는 등의 조치를 통해 전기 사용량을 줄였다고 합니다. 이를 바탕으로 연간 15 ~ 30M$ 의 절감을 기대하게 되었다고 하네요.




이번에는 129년 된 향신료 회사 McCormick의 사례 입니다. 업계 전체적으로 매출이 떨어지는 추세이며 이를 극복하기 위해  매년 수천, 수만개의 신제품을 출시해도 그 중 3% 정도의 상품만 살아남아 매출 성장에 크게 도움이 되지 않았다고 합니다. 그래서 회사는 발상의 전환을 시도 했는데요. 129년 동안 향신료 비즈니스를 하면서 축적된 노하우를 데이터 비즈니스로 녹여내려는 시도를 하게 됩니다.





먼저 쇼핑몰 사이트 방문자 대상으로 30개 정도의 문항으로 맛에 대한 선호도 조사를 하고, 해당 조사를 토대로 개인 별 맛에 대한 프로파일링을 제공합니다. 이것을 회사는 FlavorPrint라고 부르는데요.(중앙에 있는 원 주위로 막대그래프가 있는 이미지) 이런 고객의 개별적인 FlavorPrint는 16,000개가 넘는다고 하며 일반적인 사람은 50개 정도로 구분할 수 있다고 합니다.
회사는 이 데이터를 기반으로 식품 관련 회사들과 파트너쉽을 맺고 개인 별 프로필 즉, FlavorPrint에 맞는 요리 레시피와 그에 알맞은 식품을 추천하는 서비스를 제공하게 되었습니다.

 
국내에도 분야는 다르지만 유사한 서비스가 있습니다. 바로 여성 쇼핑몰 큐레이션 앱인 지그재그 인데요. 앱에 접속하게 되면 패션 선호도에 대한 프로파일링을 하게 되고 이후 회원 성향에 맞는 쇼핑몰과 상품을 추천하여 보여주게 되는데요. 남성 쇼핑몰에는 맞춤 셔츠로 유명해진 스트라입스가 있습니다. 이곳은 오프라인에 방문에서 치수를 재고 2주 뒤 맞춤 셔츠를 제작하여 배송해 주는 서비스를 제공했는데요. 그동안 모은 방대한 치수 데이터를 바탕으로 개인별 프로파일링을 통해 사용자가 다시 치수를 잴 필요 없이 온라인에서 바로 커스텀 주문을 할 수 있게 해 줍니다.

 


브라질의 농기계 제조회사 Stara는 전세계 30개국에 농기계를 공급하는 회사로 엄청난 크기의 농지에서 농작물 기르는 것을 도와주고 있습니다. 과거에는 농사지을 때 경험데이터에 의겨하여 농지에 감으로 비료를 손으로 쓱 뿌리고 비료를 쓱쓱 뿌립니다. 즉, 효율성이 떨어질 수 밖에 없습니다. Stara는 토양과 기계에 센서를 부착하여 데이터를 분석했는데요. 결과적으로 2cm마다 파종을 하고 비료를 줄 수 있도록 효율성을 극도고 끌어 올렸습니다. 이를 통해 브라질 농업생산성 향상에 크게 기여했다고 합니다.(이후 하나의 사례가 더 나오는데 녹화영상에 문제가 있어 캡쳐가 불가능해 그냥 넘어가겠습니다. 내용 이해 못해서 정리 안하는 거 아닙니다! 믿어주세요!)

이렇게 다양한 사례를 통해 SAP Leonardo의 성과를 확인할 수 있었습니다. 위 사례들은 여러번 언급 했었던 SAP Leonardo Innovation Kits를 통해 활용하실 수 있습니다.



오후 세션 #5 Leonardo 기반의 지능형 제조기업 전환 사례 / 김종광 파트너

이번 세션에서는 제조업 사례를 보다 자세하게 소개 했는데요. 앞서 많은 사례들이 나왔으니 만큼 핵심적인 내용 위주로 짧게 정리 해 보겠습니다.



제조업 입장에서 지능화를 위해 가장 선결되어야 하는 과제는 물리적 대상을 디지털로 표현하는 것입니다. 물리적 환경에서 사람이 일일이 점검하고 대응하기 어렵기 때문에 디지털로 표현하여 필요할 때만 즉각적으로 대응하는 것이 중요합니다. 그리고 더 둥요한 것이 기업 내부 데이터와 기업 외부 데이터를 어떻게 연결할 수 있느냐 입니다.




굴착기를 제조하는 이 회사의 경우 모든 제조설비와 물류에 관련된 정보를 수집해서 디지털보드룸을 통해 모니터링하고 의사결정에 활용 했습니다. 현쟁에서 수집되는 정보를 실시간으로 보고 대응할 수 있는 것이 핵심입니다. 과거에는 경영진 보고를 위해 새벽일찍 출근해서 데이터 수집 및 가공 후 보고하는 참으로 비효율적인 작업을 해왔으나 이제는 실시간으로 데이터가 수집되고 분석되어 디지털보드룸으로 보여지게 되는 것입니다.




또한 디지털화 시킨 정보들을 토대로 글로벌 생산 지표를 모니터링 하면서 공장 별로 어떻게 운영되고 있는지를 알 수 있게 되었습니다. 공장 별 KPI를 분석하여 표준 KPI대비 떨어지는 공장에는 즉각적인 조치를 취할 수 있게 된 것입니다. 즉 공장간 상향 평준화가 가능하게 된 것입니다. 또한 설비 단의 품질관리까지 가능하게 되었습니다. 품질에 문제를 일으키는 원인은 작업자, 원자재, 물류 등 많은 변수들이 있는데 이것들을 한데 모아 종합적으로 분석 함으로써 예지 정보를 효율적으로 관리할 수 있게 된 것입니다.




위 사례는 물류 작업에 대한 전반적인 과정을 IoT를 활용해 관리하고 있는 내용인데요. 완성차 입장에서 수 많은 부품들을 납품받고 관리해야 하는데, 각 협력사의 모든 부품운송차에 IoT 센서로 데이터를 수집하고 언제 제품을 포장하고 출하해서 언제 입고시켜야 하는지에 대해 협력사에 알려줄 수 있게 되었습니다. 이로 인해 제때에 제품이 납품되지 못해 생산이 지연되는 위험을 미연에 방지할 수 있는 것입니다.




이 사례는 실시간 이미지 검색을 통한 차량 구매를 유도할 수 있는 내용입니다. 길에서 우연히 본 멋진 자동차의 사진을 벤츠에서 제공한 앱을 통해 찍으면 해당 모델의 연식 및 차량 정보가 나타나고 이 내용을 벤츠 딜러에게 전달하거나 벤츠 웹사이트에서 나만의 차량을 구성해 볼 수 있는 것입니다. 남자 분들은 한번 쯤은 길을 가다가 멋진 차량을 발견하고는 '아 저차 얼마나 하려나, 사고 싶다...'라는 생각을 해 보셨을 텐데요. 그 때 만약 차량이 벤츠라면 간단히 사진 찍고 터치 몇번으로 소위 '드림카 견적'을 뽑아낼 수 있는거죠. 그리고 알게 된 가격을 보고 다시금 허리띠를 졸라메고 퇴사하려 했던 얄팍한 의지를 다잡고 열심히 일에 매진하게 됩니.... 아 너무 나갔네요. 




오전 키노트 세션에서도 언급 됐었던 건설회사 Komatsu가 주축이 되어 설립한 LandLog 사례 입니다. 드론으로 지형지물을 촬영하여 1cm까지 파악하여 현장 상황을 즉각적으로 아주 상세히 파악할 수 있습니다. 또한 각 기계들이 제대로 일을 하고 있는지 또는 덤프트럭이 오고가는 루트를 모니터링하여 좀 더 효율적으로 이동할 수 있는 루트를 분석할 수 있습니다. 더 중요한 것은 이 LandLog의 Smart Construction 플랫폼에 건설현장에 오가는 모든 회사들의 정보를 수집하여 데이터를 팔 수 있는, 인포노믹스 비즈니스를 할 수 있게 끔 해 주는 것입니다.




방대한 건설현장이 제대로 돌아가기 위해 관리되어야 할 정보의 양은 매우 많습니다. 설계, 외부 설비, 현장 설비, 설비 제조, 서비스 제공업체 등 많은 정보들이 개별 업체별로 따로 따로 관리되고 있는 것이 현실입니다. 거기에 이 정보들은 업체의 담당자 별 Excel이나 서랍속에 있으니 중앙에서 통합적으로 보는 것이 불가능에 가까웠습니다. 그래서 SAP는 SAP Cloud위에 건설현장에 참여하는 모든 업체들의 정보들을 업로드 하게 했습니다. 이를 통해 공급사와 서비스 업체 간 데이터 공유가 가능 해 지고 현장 작업자들과 실시간으로 공유하여 대응이 가능하게 되므로 건설현장이 효율적으로 돌아가게 됨은 어찌보면 당연한 거죠. 관리자 입장에서 모든 데이터를 중앙에서 통제하고 한 눈에 살펴볼 수 있다는 것은 정말 큰 장점입니다.




정리하면, 지능형 제조기업으로 가기 위해서는 먼저 현장에 있는 모든 정보들을 수집하여 가시성을 확보하고, 각 정보들이 어떻게 움직이고 있는지 살펴본 뒤 외부 데이터와 어떻게 연계 및 통합을 통해 협업을 할 수 있는지 고민해야 합니다. 이후 전체 프로세스의 최적화를 통화 효율성을 강화시키고 수집된 데이터를 머신러닝을 통해 분석하여 예측까지 할 수 있게 되면 진정한 지능형 제조기업으로 전환할 수 있을 것입니다.



오후 세션 #6 디지털 혁신을 위한 레오나르도 접근 / 정원용 파트너

드디어 마지막 세션입니다. 아젠다에 오후 6시 까지로 되어 있었는데 진짜 6시 꽉 채워서까지 진행이 되더군요. 마지막 세션이니만큼 힘내서 정리 해 보도록 하겠습니다. 최대한 겹치지 않는 내용 위주로 다루겠습니다.




SAP Leonardo를 고객이 실제 본인들의 업무에 적용 해 보기 위해서는 어떻게 접근해야 하는지에 대해 요약한 장표입니다. Explore -> Re-Imagine -> Create -> Validate -> Scale and Transform 단계를 거쳐서 SAP Leonardo를 활용할 수 있습니다.





먼저 Explore 단계 입니다. 내가 어떤 방향으로 비즈니스를 개선하고 혁신해 나가야 할 지에 대해 감이 없을 때 방향을 제시하는 단계라고 보시면 되겠습니다. 이 단계에서 많은 고객들은 내가 대체 뭘 어떻게 해야 하지? 라는 고민에 빠져 진도가 안나갈 수 있는데, 이 때 SAP Next-Gen이라는 학계, 스타트업, 고객 및 파트너사의 혁신 주도 커뮤니티를(한국도 있습니다!) 통해 영감을 얻고 아이디어를 수집할 수 있습니다. 이후 현재 내가 처한 환경에서 어떻게 계획을 세워야 하는지에 대해 구체적인 계획을 세울 수 있습니다.





Explore단계를 통해 뭘 해야 할지를 정했다면 Re-imagine 단계를 통해 좀 더 구체화 시킬 수 있습니다. 실제 프로토타이핑까지 가기 위한 전초전이라고 보시면 되겠네요. 비즈니스 모델을 수립하고 어떤 형태로 구현할 지 디자인하고, 구현에 필요한 아키텍쳐를 설계합니다. 위와 같이 수 많은 아이디어를 수집하고 차근 차근 정리 해 나갑니다. 여기에 SAP 기술을 접목시키게 되면 아래와 같은 예시가 나오게 됩니다.




적어도 이정도 단계까지는 와야 프로토타입을 구현해 볼 수 있을 것입니다. 근데 이정도면 뭐, 프로토타입이 아니라 그냥 완성형 아키텍쳐로 봐도 무방하겠네요.




아키텍쳐까지 그렸으면 프로토타입을 만들어 봐야 겠죠. 앞서 Leonardo 방법론 세션에서도 여러번 언급 했었지만, 이 프로토타이핑을 통해 빨리 구현해서 실행 해 보고 아니다 싶으면 빨리 갈아엎는 것이 중요합니다. 많은 실패를 통해 현장의 피드백을 받아서 점점 더 나은 결과물을 구현 해 나가는 것이 중요하니까요.
이 때 프로토타입을 어떤 식으로 발전시켜 나갈 거냐가 매우 중요합니다. 바로 위 장표에서 보실 수 있는데요. 자동차를 구현하는 데에 있어서 바퀴 하나부터 시작해서 점차 점차 자동차의 모양을 그려 나가는 것이 압니다. 자동차는 정말 막연한 상상속의 결과물일 수 있거든요. 우리에게 필요한 것은 자동차가 아닌 일단 바퀴달린 굴러가는 이동수단 입니다. 그래서 스케이트 보드부터 시작해서 킥보드, 자전거, 오토바이, 자동차 단계로 발전해 나가야 하는 것이죠. 일단 이동수단을 만들기로 했으면 굴러는 가야 뭐라도 테스트 해 볼 수 있을 거니까요. 'Not like this'는 기존의 SI, 'Like this'는 Leonardo 식의 SI라고 볼 수 있겠습니다.




결과적으로 위와 같은 프로토타입을 만들어 내고 각 기능 별로 테스트 해 가면서 솔루션의 완성도를 끌어올릴 수 있을 것입니다. 일단 프로토타입이라도 작동은 해야 하니까요. 




프로토타입 단계를 지나면 본격적으로 검증하고(Validate) 확대 적용(Scale & Transform Plan)을 위한 단계에 돌입하게 됩니다. 파일럿 프로젝트를 통해 실제 현업에 투입하여 사용할 수 있는지를 점검하고 현업의 피드백 및 실시간 모니터링을 통해 솔루션을 검증 해 나갑니다. 검증이 되면 조직에 어떻게 확대 적용할 것인지에 대해 계획을 수립하고 데모를 통해 적용해 보는 것입니다. 이러한 단계를 거쳐 '우리 서비스가 최초 고객의 니즈에 부합하는 결과물을 만들어 낼 수 있게 되는 것이라고 할 수 있겠습니다.




하지만 반드시 이 단계를 모두 거칠 필요는 없습니다. 우리 회사는 뭘 해야 할지 확실히 알고 있다면 바로 Create 단계로 넘어가서 프로토타입을 만들고 검증 해 나가면 됩니다. 각 고객 상황에 맞는 단계부터 시작하면 되는 것입니다. 어떻게 시작하는 것이 효과적이냐에 대해 46년간 축적된 다양한 산업 경험 및 전문 지식을 겸비한 SAP가 Leonardo라는 새로운 접근법을 통해 고객의 진정한 지능형 기업으로의 진화를 지원합니다.



행사 마무리 및 소감

여기까지 11월 29일(목) 오전 10시부터 오후 6시까지 꽉꽉 채워서 진행 된 SAP Leonardo NOW에 대해 정리 해 보았습니다. 이번 세미나를 통해 SAP Leonardo라는 것이 단순히 솔루션 혹은 기술 플랫폼이 아닌 그 동안 SAP가 경험한 수 많은 SI프로젝트 경험을 통해 어떻게 하면 고객들이 진정으로 원하는 변화를 구현해 낼 수 있을까에 대한 고민의 결과물이라는 것을 알 수 있었습니다. 너무 거창하게 표현한 것 같은데, Design Thinking과 프로토타이핑 개념을 통 빠르게 시도해 보면서 고객의 니즈를 스스로 명확하게 정의하고 이를 SAP의 모든 기술들을 집대성한 SAP Cloud에서 구현하는 것을 SAP Leonardo라고 저는 이해했습니다. 행사 말미 Closing으로 김희배 본부장님이 레오나르도 다빈치의 발명품이 아닌 것은? 이라는 퀴즈를 내셔서 참석자로 하여금 최소한 Leonardo는 잊어버리지는 않겠다 싶었네요. 





한편으로는 이렇게 기술이 발전하고 데이터 중심 사회로 갈 수록 점점 데이터가 세상을 지배하는 시대로 변하지 않을까 라는 생각도 들었습니다. SAP Leonardo 역시 사방에 흩어져 있는 데이터를 한데 모아 머신러닝으로 분석하고 자동화 시켜 빠르게 대응해 나가자고 이야기 하니까요.

특히 추천 기술의 경우는 이미 이커머스 업계에 많이 적용되어 있습니다. 쇼핑에 대한 방대한 데이터를 가지고 있으니 당연히 얼마만큼 잘 추천해 줄 수 있느냐에 관심을 가질 수 밖에 없죠. 얼마나 정교하게 추천을 하느냐에 따라 구매 전환율이 달라지는 것인데 한편으로는 회사들이 나에 대한 정보를 너무 속속들이 잘 알고 있어서 두렵다는 생각도 들 지도 모르겠습니다. 약간 오버하면 빅브라더의 전초전 이라고 생각할 수도 있겠죠. 실제로 중국에서는 CCTV로 국민들의 얼굴까지 인식에 개인신용정보에 활용하겠다고 하니까요. 아무리 GDPR처럼 개인 프라이버시를 보호한다고 하더라도 이미 SAP는 개인을 식별할 수 없는 데이터라도 분석 결과에 대해 5% 미만의 오차율을 기록했다고 발표 했습니다.

하지만 이런 시대의 변화는 필연적인 것이기 때문에 데이터를 어떻게 보관할 것이냐에서 어떻게 다룰 것이냐에 대한 고민이 더 필요하 졌다고 생각합니다. 당장 데이터 기반의 많은 신기술들이 나와도 기업과 서비스를 믿지 못해 좋은 기술들을 애써 외면하는 사람들도 많은 것이 현실입니다. 우스갯소리로 구글이 스카이넷이니 알파고를 보고 터미네이터가 멀지 않았니 하는 이야기를 해 왔지만 영화에서나 보던 것들이 점점 현실화 되고 있는 것을 우리는 경험하고 있으니까요.




또 MC옆길로새! 었는데.... 각설하고, 데이터 중심 사회로 변화 해 가면서 기업들도 새로운 비즈니스 기회를 찾기 위해 여러가지 시도를 하고 있고, SAP가 Leonardo를 통해 그 시도들의 성공률을 높여 주고 그동안 상상만 했었던 일 들을 구체화 시켜 주고 있습니다. 기술의 눈부신 발전도 좋지만 소위 디지털 이민자, 디지털문명을 의도적으로 거부하는 사람들의 불안도 해소하여 함께 안고 갈 수 있는 형태로 발전 해 나갔으면 좋겠습니다. 끝!