수년 동안 모든 기업은 '데이터 기반' 기업으로 거듭난다는 비전을 추구해 왔고, 이를 위한 투자를 진행했습니다. 가장 중요한 비즈니스 질문에 대한 답변이 데이터 안에 있다고 믿으며 엄청난 양의 정보를 성공적으로 수집했습니다.

문제는 조직 내 대다수의 구성원이 여전히 데이터에 액세스할 수 없다는 점입니다.

간단한 답변을 얻을 때도 임원이나 팀원은 티켓을 제출한 후 바쁜 데이터 분석가가 보고서를 실행할 때까지 기다려야 하며 제공된 정보가 여전히 관련성이 있기를 바라야 합니다. 답변이 도착했을 때 이미 조치할 기회가 사라진 경우도 많습니다.

이는 데이터 기반이 아닌 데이터 지연입니다.

이제는 이 공식을 바꿔야 합니다.

운영 관리자에서 마케팅 임원에 이르는 회사 내 모든 구성원이 일상적인 언어로 질문하여 구체적이고 정확한 답변을 얻을 수 있다면 어떨지 상상해 보세요.

AI 기반 분석에서 발생할 수 있는 가장 치명적인 실수는 AI에게 처음부터 데이터 쿼리를 작성하도록 맡기는 일입니다.

이러한 강력한 AI 모델은 복잡한 자연어 질문을 원시 SQL 코드로 변환하려 하지만 잘못 이해하는 경우가 잦습니다. 정확한 결과를 생성하려면 구체적인 비즈니스 컨텍스트가 필요합니다.

'매출'의 공식 정의는 무엇일까요? 진정한 '활성 고객'을 정의하는 요소는 무엇일까요?

시맨틱 계층은 이러한 정의를 표준화해 질문하는 모든 사람이 매번 동일한 방식으로 계산된 답변을 얻을 수 있게 합니다.

이러한 기반이 있으면 AI가 수행하는 작업이 완전히 달라집니다.

AI는 사용자의 질문을 이해하고, 이를 사전 작성된 올바른 공식 정의와 일치시킵니다.

시스템은 올바른 논리를 실행하여 동일하고 신뢰할 수 있는 계산을 보장합니다. 이러한 동급 최고의 접근 방식을 통해 자연어 쿼리의 데이터 오류를 최대 3분의 2까지 줄일 수 있습니다.

대답이 단일 비즈니스 인텔리전스 도구에만 국한될 필요도 없습니다. Workspace와의 기본 통합을 통해 팀은 Google Chat 같은 도구에서 바로 질문할 수 있습니다. 또는 Conversational Analytics API로 팀이 사용 중인 애플리케이션에 신뢰할 수 있는 답변을 바로 표시할 수 있습니다. 이 API를 사용하면 분석가는 데이터에 연결하는 에이전트를 만들고 관리하여 LookML과 Knowledge Catalog(이전 명칭: Dataplex) 같은 도구의 비즈니스 컨텍스트를 활용해 데이터를 검색하고, 차트를 생성하고, 일상적인 언어로 인사이트를 제공할 수 있습니다.

기술적 장벽을 제거하고 대화를 통해 데이터에 즉시 액세스할 수 있게 하면 몇몇 분석가의 역량을 강화하는 것을 넘어 조직 전체에 호기심을 가지고 행동하는 문화를 조성할 수 있습니다. 이에 따라 중요한 비즈니스 대화는 '지난 분기 매출은 얼마였지?'와 같은 회고적인 질문에서 다음과 같은 미래 지향적인 전략으로 전환됩니다.

'다음 분기에 성과를 개선하려면 무엇을 할 수 있을까?'