처방적 분석은 구체적인 조치를 권고합니다. 즉, "무엇을 해야 할까?"라는 질문에 답을 제시합니다. 예측 분석은 앞으로 일어날 일을 예측하는 반면, 처방적 분석은 더 나아가 그 일에 대해 어떻게 대처해야 하는지를 제안합니다. 예를 들어, 공급망 모델이 핵심 부품의 부족을 예측하면, 처방적 모델은 주문을 다른 공급업체로 재배정하고, 생산 일정을 조정하고, 고객에게 알리는 등의 조치를 권고합니다. 이러한 권고는 예산, 생산 능력, 계약, 시간 등의 제약 조건을 고려합니다.

이러한 기법에는 최적화, 시뮬레이션, 의사결정 분석이 포함됩니다. 최적화는 주어진 제약 조건에서 최적의 해를 찾는 기술입니다. 선형 프로그래밍, 정수 프로그래밍, 유전 알고리즘 등이 모두 이 범주에 속합니다. 시뮬레이션은 다양한 시나리오를 모델링하고 결과를 비교합니다. 몬테카를로 시뮬레이션은 수천 번의 무작위 시행을 통해 가능한 결과의 범위를 추정합니다. 의사결정 분석은 여러 기준과 불확실한 결과를 가진 복잡한 선택 과정을 구조화합니다. 처방적 분석은 가장 발전된 수준이지만 아직 도입이 가장 더딘 단계입니다. 처방적 분석을 위해서는 깨끗한 데이터, 정교한 모델, 그리고 알고리즘 권고에 따라 행동하려는 조직의 의지가 필요합니다. 많은 조직은 예측 분석 단계에서 멈추는데, 예측에 따라 행동하려면 프로세스를 변경하고 모델을 신뢰해야 하기 때문입니다. 처방적 분석은 또한 책임 소재에 대한 의문을 제기합니다. 모델이 권고한 조치가 실패할 경우, 누가 책임을 져야 할까요? 데이터 과학자, 관리자, 아니면 알고리즘일까요? 이러한 질문들이 처방적 분석 도입을 늦추는 요인입니다. 기술은 준비되었지만, 거버넌스가 미흡한 것입니다.

처방적 기법

• 최적화 — 제약 조건 하에서 최적의 해를 찾는 것
• 시뮬레이션 — 시나리오를 모델링하고 결과를 비교합니다.
• 의사결정 분석 — 복잡한 선택의 구조화
• 추천 엔진 - 행동이나 항목을 제안합니다
• 강화 학습 — 시간이 지남에 따라 최적의 행동을 학습합니다.

처방적 분석은 단순히 예측만 하는 것이 아닙니다. 처방도 합니다. 그리고 그 처방은 누군가가 실행해야만 의미가 있습니다.