편집자 주: 이 웨비나는 2019년 6월 Joe Depeau가 진행했어요. 이와 같은 더 많은 웨비나를 보려면 다음에서 예정된 주문형 비디오 콘텐츠를 확인하세요. Neo4j 웹 세미나 라이브러리.
프레젠테이션 요약
Neo4j에서는 그래프가 어디에나 있다고 믿고 있어요.
이번 포스팅에서는 일반적으로 제조 분야, 특히 자동차 산업 분야의 Graph Database 기술을 살펴볼게요. 먼저 일반 개요로 이 분야를 처음 접하는 분들을 위해 그래프, 특히 Neo4j에 대해 알아볼 거예요. 그런 다음 몇 가지 항목에 대해 자세히 알아볼 건데요, 데이터 유형은 자동차 회사나 제조 회사에 있을 수 있는 것들이에요. 종종 이는 다양한 시스템에 존재하며 비즈니스의 다양한 영역을 포괄하죠. 이 모든 것이 그래프를 사용하여 어떻게 연결될 수 있는지 이야기해볼게요.
다음으로는 구체적인 내용을 살펴볼게요. 사용 사례로 이 데이터를 그래프로 결합하는 방법을 알아볼 거예요. 특히 공급망 관리, 보증 분석, 고객 360도 보기, Knowledge Graph 및 자동차 및 제조에 덜 국한되지만 여전히 해당 산업에 적용되는 몇 가지 기타 정보들을 다룰 거예요.
마지막으로 실제 사례 연구를 통해 저희의 Graph Database가 기업이 데이터를 보고 활용하는 방식을 변화시키는 데 어떻게 도움이 되었는지 설명해 드릴게요.
전체 프레젠테이션: 자동차 및 제조 그래프
자동차 및 제조 산업의 그래프에 대한 게시물을 읽어주셔서 감사해요. 저는 Neo4j의 수석 사전 판매 컨설턴트예요.
그래프와 Neo4j 소개
개요부터 시작해 볼까요? Graph Database가 뭘까요? 수십 년 동안 존재해 온 관계형 데이터베이스와 비교해서 정의해 볼게요.
관계형 데이터베이스는 행과 열로 구성된 테이블 기반 데이터베이스에요. 모든 행은 사물이고 열은 해당 사물의 속성이죠. 조인, 외래 키 및 연결된 테이블을 사용해서 데이터베이스의 다양한 테이블이나 개체 유형을 함께 연결하고, SQL을 사용해서 데이터베이스를 쿼리할 수 있어요. 엑셀과 아주 비슷하고 데이터 저장 및 처리 모델에서 흔히 볼 수 있죠.
는 데이터에 대해 다른 접근 방식을 취하는데요. 바로 Graph Database라는 점이에요. 데이터 간의 연결에 중점을 두죠. 모든 것을 정사각형 모양의 행과 열로 저장하는 대신, 모든 것이 동적으로 직접 연결돼요. 조인이나 연결된 테이블이 없어요. Neo4j에 데이터를 쓰면 관련된 항목에 바로 연결되죠. 이를 통해 특히 대규모 데이터 세트에서 뛰어난 성능을 발휘하며, 이러한 관계를 쉽고 직관적으로 추적할 수 있어요.
나중에 아이디어를 얻기 위해 몇 가지 예를 한번 살펴볼까요? 연결된 데이터가 우리 삶에 얼마나 중요한지 말이에요.
SQL을 사용하는 관계형 데이터베이스와 달리 Neo4j는 쿼리 언어로 Cypher를 사용해요. Cypher는 그래프 데이터와 연결된 데이터에서 나타나는 패턴을 사용하도록 특별히 설계되었답니다.
Graph Database 접근 방식은 대용량, 고속, 다양한 데이터가 포함되는 오늘날의 시대에 특히 강력해요. 또한 다양한 비즈니스 라인에 있는 수많은 물리적 데이터 사일로를 포함해서, 비즈니스의 여러 곳에 데이터가 저장되어 있을 수도 있죠. 이런 방식으로 모든 데이터를 결합하고 내재되어 있지만 눈에 잘 띄지 않는 관계를 이해하는 것은 정말 강력해요.
저희는 그래프 데이터가 경쟁 우위의 차세대 물결을 주도할 거라고 생각해요. 그래프 접근 방식을 문제 해결에 활용하는 기업들은 많은 이점을 보고 있어요. 이 글 뒷부분에서는 자동차 산업을 살펴보고, 이 연결된 데이터를 사용해서 경쟁 우위를 확보하고 데이터에서 새로운 가치를 창출할 수 있는 방법에 대해 이야기해볼게요.
Neo4j 소개
Neo4j는 연결된 데이터를 위한 최고의 데이터베이스예요. 저희는 네이티브 Graph Database인데요. 파일 시스템부터 끝까지 모두 그래프로 되어있죠. 번역 레이어나 다른 기본 모델이 없어요. 저희는 데이터를 그래프로 저장하고, 데이터를 그래프로 처리하며, 데이터를 그래프로 보여줘요.
저희는 다른 엔터프라이즈급 데이터베이스에서 기대하는 것과 동일한 방식으로 이 작업을 수행해요. 대규모로, 그리고 안정적으로 수행할 수 있죠. ACID 규격을 준수하거든요. 매우 민첩하게 작업할 수 있는 환경이기도 하고요. 소규모 Neo4j 설치로 시작해서 데이터와 사용 사례가 많아짐에 따라 확장하는 것도 정말 쉬워요.
나중에 몇 가지 예를 볼 때 이해가 쉽도록, Graph Database가 어떻게 생겼는지 간단하게 보여드릴게요. Graph Database는 다음 세 가지 주요 요소로 구성되어 있어요.
첫째, Node가 있어요. Node는 일반적으로 사물, 명사 또는 객체를 의미하죠. 여기서는 원으로 표현했어요. Node에는 Label이 있어서 분류하기가 더 쉬워요. 이 예시에는 두 가지 유형의 Node가 있는데, Person Node와 Car Node가 있네요.
다음은 Property인데요, Node와 Relationship에 있는 이름-값 쌍이에요. 왼쪽에 있는 Person을 보면 name Property는 "Dan"이에요. 그리고 1970년 5월 29일에 born했다는 Property와 twitter 계정인 @Dan도 가지고 있네요. 오른쪽에는 1975년 12월 5일에 태어난 또 다른 Node인 "Ann"이 있어요.
Ann은 Twitter 계정이 없지만 괜찮아요. 관계형 데이터베이스에서는 모든 행이 동일한 수의 열을 가져야 하므로 해당 열에 null 값을 입력해야 하잖아요. 하지만 Graph Database에서는 특정 Property 유형이 없으면 해당 Property 유형을 해당 특정 Node에 추가할 필요가 없어요. Neo4j는 모든 Node가 동일한 Property와 유형을 갖도록 강요하지 않거든요.
마지막으로, 진정한 힘은 이러한 Node와 Property를 결합하는 데서 나오는데요, 바로 Relationship이에요. Relationship은 Node가 서로 어떻게 관련되어 있는지 보여주죠. 여기서는 이 두 사람 사이에 많은 Relationship이 있어요. Dan은 Ann을 LOVES하고, Ann은 Dan을 LOVES하고, Dan은 Ann과 LIVES WITH하네요.
데이터베이스에 Relationship을 작성할 때는 항상 방향이 있어요. 방향이 중요할 때도 있고 그렇지 않을 때도 있죠. 여기서 Dan이 Ann을 LOVES하는 방향은 왼쪽에서 오른쪽으로 향하고 있어요. Ann도 Dan을 LOVES한다는 사실을 아는 것이 중요하기 때문에, 다른 방향으로 향하는 또 다른 Relationship을 갖는 이유이기도 하죠. Dan이 Ann을 사랑하지만, 슬프게도 그녀가 그를 다시 사랑하지 않을 수도 있다는 점에 유의하세요.
Dan은 또한 Ann과 LIVES WITH하는데, 다시 왼쪽에서 오른쪽으로 이동하죠. Dan이 Ann과 함께 살고 Ann이 Dan과 함께 살지 않는 것은 불가능하므로, 이 경우에는 양방향 Relationship이 필요하지 않아요.
또한 Node에 대한 Property뿐만 아니라 Relationship도 가질 수 있다는 것을 알 수 있어요. 여기서 Ann이 볼보를 OWNS하고, Dan은 해당 자동차를 2011년 1월 10일부터 DRIVES하고 있네요. 이 특정 Relationship에는 시작 날짜가 있지만, 종료 날짜나 기타 여러 Property가 있을 수도 있어요.
Node, Relationship, Property 이 세 가지가 Property Graph 모델의 구성 요소예요. 이는 새로운 통찰력을 얻기 위해 Query할 수 있는 복잡하고 풍부한 데이터 세트의 구성 요소라고 할 수 있죠.
자동차 데이터 개요
이제 자동차 회사나 제조 회사가 보유할 수 있는 몇 가지 유형의 데이터를 살펴볼게요. 이번 논의에서는 특히 자동차 산업에 초점을 맞추고 있지만, 자동차 산업과 다른 산업 간에는 상당한 중복이 있어요. 우리는 일반적으로 사람들이 이해하기 쉽고 더 자세히 알아볼 수 있기 때문에 자동차 사용 사례를 선택했답니다.
가장 먼저 살펴볼 데이터 유형은 바로 , 즉 회사 내부 데이터예요. 조직 내부에는 다양한 시설, 공장, 창고에 대한 수많은 문서, 프로세스, 정보가 존재할 수 있죠. 조직은 계층 구조를 가질 수도 있는데, 인력 관리뿐만 아니라 부서나 사업 부문 간의 조화와 상호 작용 측면에서도 중요해요.
KPI와 보고서도 빼놓을 수 없죠. 중요한 의사 결정이 많이 이루어지는 곳이니까요. 이런 데이터가 어떻게 생성되고 어디에서 왔는지 이해하는 게 중요하답니다.
조직 데이터에는 시스템, 데이터베이스, IT 인프라도 포함돼요. 데이터와 문서가 보관되는 모든 곳이라고 생각하면 돼요.
다음은 ! 여러분이 만들고 판매하는 제품에 대한 정보죠. 여기에는 문서, 고객 문의, 청구 처리 방법에 대한 프로세스, 제품 제작 방법 등이 포함돼요.
제품 데이터에는 제품 세부 정보, 즉 여러분이나 고객이 알고 싶어 할 만한 제품에 대한 모든 정보가 담겨 있어요. 제품 간에 복잡하게 설정된 제품 계층(제품군 또는 브랜드)이 있을 수도 있고요.
BOM(Bill of Materials)은 그 자체로 하나의 카테고리가 될 수 있어요. 모든 구성 요소와 그 구성 요소들이 어떻게 결합되는지를 보여주는 BOM을 그리다 보면 자연스럽게 그래프가 만들어지죠. 다양한 제품에 들어가는 자재를 추적하는 데 도움이 되는 자재 명세서가 제품 옆에 붙어 있는 모습이라고 상상해보세요. 물론 BOM은 여러 개 있을 수 있고, 그 안에는 정말 많은 데이터가 저장될 수 있답니다.
도 중요하지만, 조금 까다로울 수 있어요. 많은 고객이 딜러를 통해 오기 때문에 대부분의 자동차 회사는 고객과 직접적인 관계를 맺기가 어렵거든요. 하지만 고객에 대해 가지고 있는 모든 데이터(개인 또는 기업 데이터 포함)와 고객 간의 관계를 살펴볼 가치가 충분히 있죠.
다음은 제3자 데이터예요. 여기에는 딜러 데이터, 즉 여러분과 협력하는 파트너 및 딜러 네트워크에 대한 데이터뿐만 아니라 소셜 미디어 게시물, Instagram, Twitter, Facebook 등의 공개 정보가 포함돼요. 제3자 데이터에는 경쟁사에 대한 데이터, 보도 자료, 뉴스 기사, 공급업체 정보, 거시 경제 데이터, 관세 정보 등 시장 데이터도 포함될 수 있답니다.
특정 항목을 분리해서 라는 카테고리로 만들 수도 있어요. 이벤트 데이터는 시간이 지남에 따라 발생하는 일들에 대한 정보인데요. 센서/텔레매틱스 데이터가 대표적이죠. IoT 개념이 발전하고 모든 것에 센서를 부착하는 추세가 확산되면서 점점 더 중요해지고 있어요. 여러분이나 딜러가 차량과 상호 작용할 때마다 센서/텔레매틱스 데이터를 얻을 기회가 생기는 거죠. 이벤트 데이터에는 딜러를 통해 전달되는 개별 보증 청구도 포함돼요. 콜센터에 걸려온 전화, 이메일, 고객과 여러분 사이의 개별 연락 등 고객 연락도 여기에 해당한답니다.
이건 제조 회사나 자동차 회사가 가질 수 있는 모든 데이터를 담은 건 아니에요. 하지만 그래프에서 이런 다양한 데이터 조각들을 연결해서 특정 목표를 달성하는 방법을 보여주는 데 충분한 정보가 될 거라고 생각해요. 사용 사례를 한번 살펴볼까요?
사용 사례
이제 자동차 산업에서 실제로 그래프가 어떻게 쓰이는지 몇 가지 예를 살펴볼게요. 공급망 관리, 보증 분석, 고객 360, 그리고 Knowledge Graph 예시를 알아볼 거예요.
공급망 관리
가장 먼저 공급망 사용 사례부터 시작해 볼게요. 공급망 관리를 위해 앞서 설명한 데이터를 어떻게 결합하고, 그 데이터를 통해 의사 결정을 내릴 수 있는지 자세히 알아볼 거예요.
노란색은 부품을 구매하는 공급업체에 대한 정보예요. 구성 요소의 비용과 배송 옵션도 확인할 수 있죠. 시설 A와 B에는 이미 재고가 있네요. 관계를 자세히 보면 여기서 말하는 `Component`가 Another Component와 동일하다는 걸 알 수 있어요. 공급업체가 달라서 이름이 다를 수 있지만, 기능은 똑같아서 서로 바꿔서 사용할 수 있는 거죠.
그래프 중간에는 BOM을 보여주는 기본적인 방법이 있어요. 보시다시피, Component는 Assembly의 일부예요. 실제 BOM은 훨씬 더 복잡할 수 있지만, 개별 구성 요소를 가져와서 결합하고 트리 위로 작업하는 방법을 쉽게 이해할 수 있을 거예요. 이미 받은 주문 수와 이미 판매한 차량에 구성 요소가 포함되어 있는지 파악하는 데도 도움이 되기 때문에 제품 데이터 세트에 대해 더 자세히 알아볼 수 있죠.
BOM, 부품 조립 그룹, 이미 만들어진 주문 및 차량 정보, 그리고 그 안에 포함된 제품은 모두 제품 라인 보기와 연결될 수 있어요. 이걸 통해 공급업체와 공급업체가 주문 및 제품에 미치는 영향을 이해할 수 있죠. 이미 판매한 제품의 판매 수치와 앞으로 판매할 것으로 예상되는 판매 예측을 살펴보고 구매 결정을 내리는 방법을 이해하는 데 도움이 될 거예요.
예를 들어, 재고에 있는 것을 수요(그래프 왼쪽), 이행해야 하는 주문 수, 이행해야 할 것으로 예측되는 주문 수에서 뺄 수 있어요. 그런 다음 운송 비용, 부품 비용, 계약 합의, 관세 등을 고려해서 다양한 공급업체 중에서 결정을 내릴 수 있죠. 그래프는 수요부터 공급까지 엔드투엔드 보기를 제공하고, 이걸 관리할 수 있는 다양한 옵션을 제시해 주는 거예요.
왼쪽 하단(Claim and Customer 노드)에는 다른 사용 사례로 연결되는 링크가 있어요. 여기에는 구성 요소와 관련된 여러 클레임이 있는데, 같은 구성 요소의 결함 때문에 비슷한 클레임을 제기한 고객이 많을 수도 있죠. 만약 우리가 공급받는 구성 요소에 결함이 있을 수 있다고 생각되면 공급업체에 연락할 수 있어요. 그래프는 특정 공급업체의 구성 요소에 대한 고객 및 배상 청구를 추적하는 데 필요한 데이터를 제공하고, 해당 구성 요소를 교체하거나 결함이 없는 다른 공급업체에서 구매할 수 있는 옵션이 있는지 파악하는 데 도움이 될 거예요.
이런 유형의 그래프를 어떻게 활용할 수 있는지 간단하게 알아볼까요? 첫째, 주문 및 조달 프로세스를 개선할 수 있어요. 이런 데이터를 확보하고 데이터 레벨에서 관계를 이해하면 예측을 기반으로 구매해야 할 항목을 조달, 주문, 이해하는 프로세스가 훨씬 빨라지죠. 수요(그래프 왼쪽)부터 공급(그래프 오른쪽)까지 전체를 볼 수 있어서 즉각적인 액세스와 통찰력을 얻을 수 있거든요.
이런 유형의 그래프는 주문 비용을 절감하는 데도 도움이 돼요. 특히 수요에 대한 장기적인 관점, 재고와 비교하는 방법, 특정 기간에 구매해야 하는 양이 있다면 규모의 경제를 활용할 수 있죠. 전체 공급망에 걸쳐 이런 장기적인 관점을 실행할 수 없어서 현재는 더 자주 소규모 주문을 하고 있을 수도 있어요. 하지만 더 긴 시야(그래프를 통해 시각화할 수 있는)를 확보하면 대량 구매를 하고 더 똑똑한 구매 결정을 내리고 비용을 절약할 수 있답니다.
또한 그래프를 사용해서 재고를 최적화할 수 있어요. 다시 말하지만, 보유하고 있는 사용 가능한 부품의 수, 위치, 도착하는 데 걸리는 시간, 예상 차량에 대한 정보를 알면 재고를 적시에 적절한 장소에 배치할 수 있도록 이동시킬 수 있죠. 새로 구매하고 재고를 그대로 두는 대신, 이걸 사용해서 수요를 충족할 수 있어요. 이렇게 하면 재고 계획을 확실히 개선해서 너무 많이 보유하지 않도록 할 수 있죠. 결국 예측에 대한 관점과 필요한 부품 수 측면에서 예측이 어떻게 진행될지 알 수 있으니까요. 그러면 재고를 효과적으로 계획하고 필요한 것보다 더 많이 구매하거나 보관하지 않아도 돼요.
마지막으로 그래프는 공급업체와 해당 제품을 비교 분석하는 데 도움이 될 수 있어요. 사용 중인 모든 부품 및 구성 요소에 대해 공급업체에 대한 뷰가 있다면 이를 보증 청구와 비교하고 다양한 공급업체의 결함률을 확인할 수 있죠. 또한 물류 측면에서 비교하는 방법을 이해하고 직면할 수 있는 관세 또는 규정 준수 문제가 있는지 확인할 수 있어요. 이런 전체적인 관점을 가지면 어떤 공급업체와 협력하고 어떤 제품을 구매하는지에 대해 훨씬 더 많은 정보를 바탕으로 결정을 내릴 수 있답니다.
보증 분석
이제 보증 청구 및 청구 분석에 대해 이야기해 볼게요.
이 그래프의 중심에는 Claim과 관련된 이벤트 데이터가 있어요. 이 claim은 특정 Fault와 연결되는데, 이는 결국 특정 부품이나 구성 요소와 연관될 수 있죠. 그런 다음 동일한 결함에 대한 다른 claim에 대한 그래프를 살펴보면 유사한 발생이 얼마나 많이 발생했는지 이해할 수 있어요. claim 건수에 따라 해당 부품에 결함이 있는지 추론할 수 있는 거죠.
여기서 우리는 결함이 있는 부품에 대해 질문할 수 있어요. 해당 부품이 다른 차량에 몇 대나 있을까요? 이에 대한 claim 건수를 기준으로 그 중 몇 개가 실패할 가능성이 있는지 예측할 수 있을까요? 이런 claim이 얼마나 빨리 들어오고 있을까요? 더 많은 claim을 받을 가능성이 있는지 예측할 수 있을까요? 이게 비용이 많이 드는 문제가 될까요? 어떻게 하면 더 빨리 해결할 수 있을까요?
그러면 우리는 Supplier, 즉 이 부품이 누구에게서 나오는지 살펴볼 수 있어요. 다시 말하지만, 이는 공급망 관리에 대해 이야기했던 이전 사용 사례와 연결되죠. 이를 통해 공급업체에 대한 배상 청구를 추적하고 부품에 결함이 있는 공급업체와 대화를 시작하는 방법을 파악하는 데 도움이 될 수 있답니다.
우리는 또한 Customer와 Dealer의 클레임과 관련된 행동을 살펴볼 수 있어요. 딜러와 자동차 제조업체는 떼려야 뗄 수 없는 파트너죠. 라는 단어가 너무 강하게 느껴질 수도 있지만, 클레임이 과장되는 경우가 있을 수 있다고 생각할 수도 있을 거예요. 특정 결함에 대한 딜러의 주장이 다른 사람들의 주장과 일치하지 않는지, 그리고 이것이 딜러가 Documentation을 따르지 않거나 제대로 수리를 하지 않는다는 의미인지 등, 이런 주장들에서 이상점을 찾아낼 수 있죠.
클레임 패턴을 보는 것도 중요해요. 보증 기간의 마지막 4개월 동안 특정 결함이나 외관상의 문제가 급증하는 것을 볼 수 있는데, 이런 부분은 모두 조사해봐야 할 부분이죠.
텔레매틱스 및 센서 데이터는 이러한 결함들을 밝히고, 운전 습관의 특정 패턴이 있는지, 특정 결함으로 이어지는 자동차에서 발생하는 다른 일이 있는지 이해하는 데 도움을 줘서, 결함을 예측하는 데도 활용할 수 있어요.
물론, Vehicle에 대한 정보도 전체적인 그림을 파악하는 데 필요해요. 예를 들어, 차량 수리 내역을 통해 어떤 부품이 교체되었는지 알 수 있으므로, 해당 내역이 개별 클레임에 미치는 영향을 이해할 수 있죠. 또한 해당 자동차의 구성 방식, 다른 자동차와의 차이점, 특정 제품에 대한 기본 정보도 알아야 해요.
마지막으로, Social Media Posts도 그래프에 추가할 수 있어요. 발생한 사건에 대한 소셜 미디어 게시물을 찾거나, 해당 클레임으로 이어지는 소셜 미디어 게시물에 대한 감정 분석을 수행하면 보증 클레임 조사를 더 깊이 있게 할 수 있죠. 이를 통해 클레임의 역사와 맥락을 파악할 수 있답니다.
그렇다면 이런 유형의 보증 분석 그래프를 어떻게 활용할 수 있을까요? 부적절한 클레임이나 보증 사기를 나타내는 패턴을 그래프에서 찾을 수 있을까요? 당연히 가능해요. 이런 패턴을 발견하면 계속 주시하면서 해당 클레임이 과장되었는지, 아니면 특정 클레임으로 이어지는 패턴이 있는지 조사할 수 있어요. 이렇게 하면 상황이 악화되기 전에 미리 조치를 취할 수 있죠.
이 그래프를 사용해서 앞으로 발생할 클레임을 예측할 수도 있어요. 텔레매틱스 데이터, 센서 데이터, 클레임으로 이어진 다른 수리 또는 관련 부품 등 클레임 관련 패턴을 이해하면, 앞으로 이러한 클레임이 발생하는 것을 막을 수 있죠. 이는 보증 위험과 심각한 경우 리콜 위험을 관리하는 데 도움이 될 거예요.
문제가 얼마나 심각한지, 엔지니어링 수정 사항을 신속하게 적용해서 새 자동차에 적용되지 않도록 할 수 있는지, 영향을 받을 수 있는 규모, 그리고 이 상황을 처리하기 위한 단계를 더 자세히 이해할 수 있게 되는 거죠.
다시 말하지만, 그래프는 공급업체 문제가 관련되어 있는지 여부를 훨씬 더 잘 보여주고, 우리가 어떻게 대응해야 할지 알려주는 데 도움을 줄 수 있어요.
고객 360
다음으로는 고객 360 뷰를 살펴볼게요. 이건 대부분의 산업 분야에서 정말 중요한 주제죠. 여기서 목표는 고객에 대한 전체적인 관점을 확보해서, 고객에 대해 우리가 가지고 있는 정보에 즉시 액세스하고 그것들이 어떻게 연결되는지 이해하는 거예요.
물론 그래프의 중심에는 Customer가 있어요. 그래프를 통해 우리는 다른 고객과의 관계를 이해할 수 있죠. 예를 들어, 이 고객은 다른 기업 고객 중 한 명과 함께 일할 수도 있고 가족 구성원일 수도 있어요. 우리는 계약 정보를 갖고 있으며 현재 차량에 대한 정보(현재 BOM, 서비스 방법, 보유 옵션, 제품 정의 등)뿐만 아니라 이전에 제작한 차량에 대해 갖고 있는 정보도 볼 수 있어요.
또한, 과거에 어떤 차량을 구매했는지, 해당 차량에 어떤 옵션이 있는지, 과거 청구권이 있는지 확인할 수 있어요. 이 그래프에는 센서 데이터, 텔레매틱스 데이터, 청구 데이터 및 고객 연락처도 포함될 수 있죠.
다양한 시스템의 이 데이터를 함께 모으면 해당 고객과 고객이 귀하로부터 구매한 제품을 이해하는 데 도움이 돼요. 또한 그들이 무엇을 좋아하고 무엇을 좋아하지 않는지, 소셜 미디어 게시물에 이르기까지 다른 사람들과 어떤 관계가 있는지 확인할 수 있죠.
그러면 이 데이터로 무엇을 할 수 있을까요? 어떻게 활용하면 될까요? 첫째, Customer 360이 수행해야 하는 기본 작업 중 하나는 고객 경험을 개선하는 것이에요. 분명한 이유로 고객은 귀하와 상호 작용할 때 매우 좌절감을 느끼며 귀하는 청구 내역 및 운전 차량과 같이 고객이 기대하는 정보를 얻지 못해요. 지능적으로 상호 작용할 수 있으면 확실히 경험이 향상되죠.
Customer 360을 사용하여 평생 가치가 높은 고객을 식별할 수도 있을까요? 전적으로 가능해요. 고객의 행동을 이해하면 과거와 현재의 맥락을 모두 볼 수 있고, 2년 후에 새 차를 구입할 가능성이 있는 고객, 옵션이 많고 클레임이 거의 없는 고객, 자동차를 훨씬 덜 자주 구매할 고객, 클레임이 많거나 트위터에 귀하에 대해 나쁜 소식을 게시한 고객을 구별할 수 있어요.
여기에는 또한 정보를 결합하여 고객이 과거 행동을 기반으로 미래 제품을 구매할 가능성에 대한 보기를 얻는 것이 수반되며, 이를 통해 특히 평생 가치가 높은 고객에게 서비스를 제공하는 데 집중할 수 있어요. 마찬가지로, 가치가 높은 고객이 있고 남편(역시 고객이지만 개인적으로 가치가 높은 고객처럼 보이지는 않음)에 대한 정보가 있는 경우, 그 사람의 평생 가치가 매우 높기 때문에 그에게 훌륭한 서비스를 제공하고 싶을 거예요.
또한 고객 360 그래프는 이탈을 감지하고 방지해요. 고가치 고객을 식별하는 것과 같은 방식으로 이탈할 가능성이 있는 고객을 식별할 수 있어요. 즉, 과거 행동을 살펴보고, 청구 패턴을 찾고, 소셜 미디어 게시물을 살펴보고, 고객이 계약을 갱신하지 않거나 다른 자동차를 구매하지 않게 만들었을 수 있는 고객 상호 작용을 조사하여 확인할 수 있어요. 여기에서 해당 패턴 형성의 인스턴스를 관찰하고, 잠재적인 이탈을 식별하고, 해당 고객과 상호 작용하는 방법과 이탈을 방지하기 위해 많은 노력을 기울일지 여부에 대한 결정을 내릴 수 있죠.
마찬가지로, 이 그래프를 사용하면 어떤 사람들이 구매할 가능성이 있는지 파악하고 유사한 제품을 구매한 다른 사람들과 비교하여 상향 판매 및 교차 판매를 개선할 수 있어요. 이러한 방식으로, 그래프에서 개별 행동과 다른 사람들의 행동 모두에서 본 내용을 기반으로 추가하고 싶은 다른 옵션이나 기능에 대해 권장하거나 자동차 라인의 다음 단계에 판매할 수 있죠.
Knowledge Graph
마지막으로, 우리는 Knowledge Graph에 대해 이야기해볼게요. Knowledge Graph는 모든 것을 포괄하는 용어이지만, 이 업계뿐만 아니라 다른 여러 분야에서 다양한 용도로 사용되고 있어요. 본질적으로 아이디어는 회사 지식을 가져와 결합하여 모든 것이 어떻게 연결되는지 확인하는 것이에요. 이전에는 데이터가 서로 연결된 적이 없었기 때문에 새로운 통찰력을 생성하는 경우가 많으며 이를 유지하여 엔지니어의 머리뿐만 아니라 비트, 종이 또는 파일 시스템 어딘가에 보관할 수 있는 방법을 제공하죠.
위 그래프는 제품 기반 내부 Knowledge Graph를 보여 주지만 더 많은 조직 데이터, HR 데이터 등을 포함하도록 확장할 수 있어요.
우리는 Product가 그래프의 핵심을 통해 제품의 다양한 변형과 제품군이 어떻게 조화를 이루는지 이해할 수 있도록 도와줘요. 궁극적으로 문서 링크를 따라가면 이 문서가 어디에 저장되어 있는지, 누가 문서를 소유하고 책임지고 있는지 알아낼 수 있죠. 또한 검색 엔진을 활성화해서 파일 시스템에만 있거나 어떤 방식으로든 태그가 지정되지 않았거나 서로 연결되지 않은 정보를 더 쉽게 찾을 수 있게 해줘요. 이렇게 보면 정보 작업이 훨씬 쉬워지니까 시간을 절약할 수 있을 거예요.
그래프 하단에는 Parts와 Assembly를 포함하는 제품의 BOM 보기가 다시 표시돼요. 이걸 통해 제품이 어디서 만들어졌는지 확인할 수 있죠.
부품 공급업체 정보도 볼 수 있고요. 특히 이 그래프에는 더 많은 클레임 및 결함 정보가 있어요. 브랜드나 개별 제품과 관련될 수 있는 마케팅 데이터 및 소셜 미디어 분석도 볼 수 있죠. 판매 수치 및 예측과 함께 이 정보를 통합하고 연결 가능하게 만들면 다양한 데이터 세트 전체에 대한 전체 보기를 이해하는 데 도움이 될 거예요.
이 업계에서 Knowledge Graph를 활용하기 위해 이걸 어떻게 결합할 수 있을까요? 제품과 서비스를 개선하는 데 이걸 사용할 수 있을까요? 당연히 가능해요.
모든 종류의 제품에 걸쳐 수년 동안 저장된 문서, 설계 문서, 메모 및 결정 사항이 있을 수 있어요. 검색 가능한 곳에서 이 모든 정보에 액세스할 수 있다면 새로운 제품을 설계하고 제작할 때 모든 것을 고려할 수 있는 기회가 생기죠. 과거에는 어떤 일이 있었나요? 지금 직면하고 있는 문제 X에 대한 해결책은 무엇이었나요? 공급업체를 살펴보고 그들이 어떻게 다양한 결함에 매핑되는지 이해할 수 있으므로 제품에 들어가는 사항을 개선해서 이러한 결함을 줄일 수 있어요. 이 모든 것은 Knowledge Graph, 특히 데이터 간의 조합과 관계를 보면 이해할 수 있어요.
같은 방식으로 제품 출시 기간을 단축할 수 있어요. 올바른 문서화와 이해가 이루어지면 설계 주기와 엔지니어링을 더 빠르게 완료할 수 있죠. 이는 또한 엔지니어와 이 데이터를 찾는 사람들이 데이터를 검색하는 데 시간을 낭비하지 않는다는 것을 의미하기도 해요. 대신 필요한 정보를 빠르게 얻을 수 있어서 실제 업무에 집중할 수 있는 거죠.
또한 이 그래프를 고객 대면 용도로 사용할 수도 있어요. 제품에 대한 정보, 문서 및 기록 정보가 포함된 포털을 생성하면 이를 외부에 노출하고 해당 정보에 대한 사용 편의성을 고객에게 직접 제공해서 프로세스 경험을 다시 향상시킬 수 있죠.
물론 업계에 덜 구체적이지만 그럼에도 불구하고 여러 업계에 적용할 수 있는 다른 사용 사례가 있어요.
- ID 및 액세스 관리
- 인프라 및 네트워크
- 마스터 및 메타데이터 관리
사례 연구
이제 몇 가지 사례 연구를 간단히 살펴볼까요? 우리가 이야기한 몇 가지 방식으로 Neo4j를 사용하는 회사들이에요.
먼저 Neo4j를 사용해서 차량의 모든 구성 요소 간의 연결과 그것이 고객의 요구 사항에 어떻게 매핑되는지 이해하는 Volvo Cars가 있어요.
볼보 자동차는 BOM을 확인하거나 특정 엔지니어링 지표를 충족하기 위해 BOM을 보는 것뿐만 아니라, 차량의 모든 요소가 특정 고객의 요구 사항을 어떻게 충족하는지 이해하기 위해 Neo4j를 사용하고 있어요. 정말 흥미로운 사용 사례이고, 고도로 연결된 데이터가 상당히 많이 포함될 가능성이 높죠.
두 번째로, 미 육군은 공급망 최적화를 위해 Neo4j를 활용하고 있어요. 일반적인 제조업체로 생각되진 않겠지만, 수리 방법, 필요한 예비 부품, 그리고 부품이 어디로 가야 하는지를 확실히 이해해야 하죠. 물론 이런 종류의 사용 사례에서는 생명이 위태로워져요. 올바른 구성 요소를 보유하고 적시에 올바른 장소에서 올바른 수리를 수행하면 말 그대로 생명을 구할 수 있거든요. 이런 방식으로 육군은 Neo4j를 사용해서 BOM을 이해하고 공급망을 관리하며 더 빠르게 결정을 내린답니다.
그럼, 슐라이히는 Neo4j를 사용해서 가치 사슬 전반에 걸쳐 통합 제품 데이터 관리를 수행하고 있어요. 여기에는 공급업체 정보, 다양한 공급업체에서 제공하는 자재, 그리고 전체 생산 라인을 통해 모든 것이 어떻게 이동하는지 살펴보는 것이 포함되죠. 다시 말하지만, 이를 통해 다양한 부품, 다양한 제품에 들어가는 내용, 다양한 국가의 특정 재료에 대한 규정과 어떻게 일치하는지에 대한 지식에 중앙에서 액세스할 수 있게 돼요.
다음으로 NASA가 있어요. 아마 전통적인 제조업체라고 생각하는 사람은 없을지도 모르겠네요. 실제로 엔지니어와 과학자들은 실제로 교훈을 얻은 데이터베이스로 Neo4j를 사용하고 있어요. 그들은 수십 년에 걸친 문서를 데이터베이스에 로드하고 Neo4j를 사용해서 해당 정보를 연결해서 이러한 교훈의 내용, 관련 내용, 그리고 메타데이터를 이해했죠. 결과적으로 이 모든 것은 강력한 검색에 사용되고요. 이제 엔지니어와 과학자는 배운 교훈으로 돌아가서 이전 문제가 어떻게 해결되었는지 이해할 수 있어요.
NASA가 강조한 결과 중 하나는 인간을 화성으로 데려가는 임무인 Orion을 위해 만들고 있는 캡슐의 문제를 찾기 위해 검색 엔진을 사용한 방법이에요. 이 정보를 매우 쉽게 찾을 수 있다는 사실은 문자 그대로 너무 많은 리엔지니어링을 할 필요가 없었기 때문에 이러한 노력으로 인해 2년과 100만 달러를 절약했죠. 그래프를 활용해서 필요한 데이터를 바로 찾을 수 있었던 거예요.
마지막으로 록히드 마틴은 제품 360에 Neo4j를 사용하는 곳이에요. 앞서 우리는 고객 360에 대해 이야기했었죠. 제품 360도 같은 아이디어이지만 고객 주변에 있는 데이터를 살펴봐요. 그리고 그것이 어떻게 어울리는지. 제품에 대한 이러한 360도 뷰를 통해 Lockheed Martin이 제품을 개선하는 데 사용할 수 있는 새로운 통찰력은 물론 많은 효율성이 창출되었답니다.
결론
이번 포스팅에서는 제가 손으로 그린 작은 그래프를 통해 간단한 예시를 살펴봤어요. 하지만 이것의 진정한 힘은 데이터가 다음과 같을 때 나타나죠:
Neo4j는 고도로 상호 연결된 대규모 데이터 세트 내에서 패턴을 찾아야 할 때 정말 빛을 발하는 것 같아요.
이 백서를 다운로드하세요. 지속 가능한 경쟁 우위: 데이터 관계를 통해 비즈니스 가치 창출, 그리고 여러분의 회사가 Graph Database 기술을 사용하여 경쟁에서 앞서나갈 수 있는 방법을 알아보세요.
- 고객 360
- Manufacturing
- Use Cases
- Warranty Analytics