챕터별 상세
비즈니스 분석으로의 여정과 Chick-fil-A에서의 역할
Aaron Payne은 Ernst & Young에서 기술 세무 변무 업무를 시작으로 Python 스크립팅과 데이터 시각화를 접하며 분석 분야로 커리어를 전환했다. 현재 Chick-fil-A에서 Senior Insights Analyst로 근무하며 공급망 및 분석 부문의 내부 컨설턴트 역할을 수행 중이다. 그는 데이터가 어떻게 인사이트로 번역되는지에 집중하며, 단순한 데이터 분석(Data Analytics)을 넘어 의사결정 과학(Decision Science)으로의 진화를 지향한다.
Comfama 프로젝트: 콜롬비아 사회 서비스 수요 예측
콜롬비아의 사회 서비스 기업인 Comfama와 협력하여 가입자 인구(Affiliated Population)의 수요를 예측하는 프로젝트를 진행했다. Comfama는 교육, 방과 후 돌봄 등 다양한 복지 서비스를 제공하며, 정확한 수요 예측은 운영 효율성과 직결되는 문제였다. 팬데믹 이후의 경제적 불확실성과 도시화 등 복합적인 요인으로 인해 기존 방식보다 정교한 예측 모델이 필요했다.
Comfama는 콜롬비아의 고용주와 근로자가 기여하여 운영되는 비영리 사회 보장 기구(Caja de Compensación Familiar) 중 하나이다.
실무 데이터의 현실: 언어 장벽과 데이터 정제
프로젝트 초기 단계에서 스페인어로 된 데이터셋을 다루어야 하는 언어적 장벽에 직면했다. 데이터 과학자는 시간의 80%를 데이터 정제에 쓴다는 격언처럼, 수동으로 입력된 부정확한 수치와 데이터 공백을 처리하는 데 많은 노력을 기울였다. 기술적 인프라가 부족한 환경에서 발생한 이상치(Outliers)가 실제 비즈니스 현상을 반영하는지 아니면 단순 오류인지 판별하는 과정이 필수적이었다.
예측 방법론: ARIMA에서 SARIMAX로의 확장
초기에는 표준적인 시계열 모델인 ARIMA를 검토했으나, 비즈니스 맥락을 반영하기 위해 계절성과 외생 변수를 포함한 SARIMAX 모델로 확장했다. 콜롬비아 노동통계국(DANE)의 고용률, GDP, 부문별 경제 지표 등 12개 부서의 데이터를 외생 변수(Exogenous Variables)로 활용했다. 이를 통해 단순 과거 추세 추종을 넘어 거시 경제 변화가 서비스 수요에 미치는 영향을 모델에 통합했다.
SARIMAX(Seasonal AutoRegressive Integrated Moving Average with eXogenous regressors)는 시계열 데이터의 자기상관성, 추세, 계절성뿐만 아니라 외부 변수의 영향까지 고려하는 모델이다.
앙상블 모델과 해석 가능성의 균형
최종적으로 SARIMAX와 XGBoost를 결합한 앙상블 모델을 구축하여 예측 오차(RMSE)를 크게 줄였다. 이해관계자들은 모델이 왜 그런 결과를 내놓았는지 이해해야 했으므로, '블랙박스' 모델 대신 해석 가능성(Interpretability)이 높은 구조를 선택했다. 시각화 도구를 사용하여 각 변수의 중요도를 보여줌으로써 비즈니스 결정권자들이 예측 결과를 신뢰하고 실행에 옮길 수 있도록 지원했다.
XGBoost는 그래디언트 부스팅 알고리즘을 기반으로 한 고성능 머신러닝 라이브러리로, 정형 데이터 예측에서 뛰어난 성능을 보인다.
데이터 과학의 사회적 영향과 미래 전망
분석 결과가 실제 사람들에게 필요한 서비스가 적시에 전달되도록 돕는 'Data Science for Good'의 가치를 확인했다. Aaron은 향후 에이전트 기반 AI(Agentic AI)가 업무 워크플로우에 통합되어 의사결정을 보조하는 시대가 올 것으로 전망한다. 그는 Chick-fil-A에서 공급망 분석 역량을 강화하며 비즈니스 결정과 데이터 과학 알고리즘 사이의 간극을 메우는 역할을 지속할 계획이다.
AI 분석 전체 내용 보기
AI 요약 · 북마크 · 개인 피드 설정 — 무료
출처 · 인용 안내
원문 발행 2026. 05. 02.수집 2026. 05. 02.출처 타입 YOUTUBE
인용 시 "요약 출처: AI Trends (aitrends.kr)"를 표기하고, 사실 확인은 원문 보기 기준으로 진행해 주세요. 자세한 기준은 운영 정책을 참고해 주세요.
