SaaS와 AI에 대해서!

요즘 ChatGPT로 인해서 AI에 대한 관심이 많아졌다는 생각이 듭니다.

아시는 분들도 있으실지 모르겠지만, 약 20년 전인 2002년에 MSN 메신저에서 심심이라는 AI 챗봇이 있었습니다. 그 시절의 심심이라는 챗봇은 기본적인 대화 밖에 되지 않았음에도 참 신기하다는 생각을 했는데, ChatGPT를 써 보니 참 많은 발전이 있었다는 생각이 들었습니다.

최근 ChatGPT로 인해 AI에 대한 관심이 높아지면서 SaaS와 AI에 대한 생각을 해 봤습니다.

다른 분야에서도 AI를 많이 활용하게 되겠지만, SaaS에서도 AI를 활용하는 부분이 많을 것이라는 생각에 오늘은 이와 관련하여 내용을 공유해 드리겠습니다.

SaaS에서 AI의 활용이라고 하면 아무래도 SaaS의 데이터와 관련해서일 것이라는 생각이 듭니다.

그리고 이에 대해서는 다음과 같이 세 가지 부분이 있을 것이구요.

• 분석
• 지표
• 예측

SaaS에서의 분석, 지표, 예측은 데이터를 사용하여 SaaS 솔루션의 성과를 파악하고 개선하는 것입니다. 그리고, 여기에는 비즈니스 결과에 대한 데이터 수집, 분석 및 시각화가 포함되고 말이죠.

그럼 이 분석, 지표, 예측과 관련하여 간략하게 공유해 드리겠습니다.

분석

SaaS 데이터 분석을 통해 기업은 소프트웨어가 사용되는 방식과 운영에 미치는 영향에 대한 매우 중요한 통찰력을 얻을 수 있습니다.

여기에는 사용자 참여 및 동작 이해, 시스템 성능 및 리소스 사용 추적, 주요 SaaS 비즈니스 지표 모니터링이 포함됩니다.

또한 데이터 분석은 기업이 SaaS 솔루션에서 투자 수익(ROI)을 추적하고 최적화할 수 있게 해 줍니다.

그리고 데이터 분석을 사용하여 고객 상호 작용을 개인화하고 고객 경험을 개선할 수도 있습니다. 고객 행동 및 상호 작용을 분석함으로써 SaaS 솔루션 중 고객에게 가장 중요한 기능이 무엇인지를 이해할 수도 있습니다.

이를 통해 기능과 사용자 경험을 향상시킬 수도 있는 것입니다.

하지만, 데이터 분석을 수동으로 하게 되면 복잡하고 많은 시간이 걸릴 수 밖에 없습니다. 그렇기에 이런 분석에 AI를 활용할 수 있는 것입니다.

지표

SaaS에서의 지표는 일반적인 소프트웨어 지표 + 온라인 서비스 관리 지표로 생각할 수 있습니다. 관련하여 몇 가지 일반적인 SaaS 지표는 다음과 같습니다.

• Monthly Recurring Revenue(MRR): 월별로 구독 고객으로부터 발생하는 매출을 말합니다.
• Customer Acquisition Cost(CAC): 영업이나 마케팅 비용을 포함하여 하나의 고객을 유치하는 비용을 말합니다.
• Customer Lifetime Value(CLV): 하나의 고객이 자사의 상품을 사용하는 총 기간의 매출을 말합니다.
• Gross Margin: 이는 매출 총 이익을 말하는 것으로, 매출에서 매출원가(제조 등의 활동을 위한 매입 원가, 제조활동을 위해 지툴된 경비 등의 원가)를 뺀 후의 이익을 말합니다. 여기서 판관비를 빼면 영업이익이 되는 것이죠.
• Customer Retention Rate: 이는 고객이 유지되는 비율을 말합니다. 한 번 판매하면 되는 일반 소프트웨어와는 다르게 월별 비용을 받기 때문에 이 비율이 곧 매출과 연결되게 됩니다.
• Customer Churn Rate: 이는 고객 이탈률로 서비스를 사용하던 고객이 서비스를 종료하거나 다른 경쟁사 서비스로 이동하는 비율을 말합니다.
• Revenue Churn: 이는 매출 이탈률을 말하는 것으로, 계약 해지에 의한 MRR 손실을 의미합니다. 예를 들어 매달 10만원을 지불하는 고객 10개사가 계약을 해지하면, 그 달의 Revenue Churn은 100만원이 되는 것입니다.
• Customer Engagement Score: 이는 고객들이 SaaS 서비스를 얼마나 많이 사용하는지에 대한 지표입니다. 그리고 이는 활성 사용자, 로그인 횟수, 기능 사용 횟수 등을 통해 측정할 수 있습니다.
• Customer Health Score: 이 지표는 고객과 서비스 제공자와의 관계성 지표입니다. 이는 고객이 구독을 갱신할 것인지 여부, 고객의 사용 횟수 증대, 서비스를 다른 고객들에게 추천할 것인지에 대한 다양한 요소들로 구성됩니다.
• Net Promoter Score: 이 지표는 고객들이 서비스를 다른 사람에게 추천할지 여부에 대한 지표입니다.
• Qualified Marketing Traffic: 이 지표는 서비스를 구매할 가능성이 높은 잠재 고객들에 대한 지표입니다. 이 지표를 파악하는 것은 아주 중요합니다. 왜냐하면 어떤 마케팅 방법이나 상황을 통해 이런 고객들이 서비스를 구매하게 했는지를 파악할 수 있는 지표이기 때문입니다.
• Leads by Lifecycle State: 이 지표는 잠재 고객을 회사의 마케팅이나 영업 단계별로 구분하여 관리하는 것입니다. 이 지표를 통해 고객이 어느 단계에서 서비스에 대한 구매를 확정 또는 구매 포기를 하는지를 확인할 수 있고, 각 단계에 대한 개선점을 파악할 수도 있는 것입니다.
• Lead-to-Customer Rate: 이는 관심을 가진 잠재 고객을 실제 고객으로 유치하는 비율을 말합니다. 그리고 이것은 회사의 영업이나 마케팅과도 밀접한 관계가 있는 지표이죠.

위 내용을 보시면 아시겠지만, 관리해야 할 지표가 상당히 많고 모호한 부분들도 많이 있습니다. 사실 이런 지표 관리를 사람이 하는 것도 나쁘지는 않지만, 이런 부분에 AI를 활용하는 것이 필요하다는 생각이 듭니다.

요즘처럼 비즈니스 시장이 빠르게 변하는 상황에서 스프레드시트로 데이터 정리만하다가 중요한 타이밍을 놓칠 수도 있으니까요.

예측

위에 분석이나 지표 부분에서 AI를 활용할 수도 있지만, 이 예측 부분에서 AI를 더 잘 활용할 수 있지 않을까 하는 생각이 듭니다.

왜냐하면 AI/ML을 사용하여 예측을 하게 되면 지표 예측을 좀 더 효율적이고 정확하게 할 수 있을 테니까요. 그럼 AI를 활용할 수 있는 부분들에 대해서 간략하게 공유해 드리겠습니다.

• 예측 모델링(Predictive modeling): 예측 모델링은 과거의 데이터를 사용하여 결과를 예측하는 것입니다. 그리고 다양한 변수와의 상관관계를 통해 좀 더 정확한 예측이 가능하게 됩니다.
• 이상 탐지(Anomaly detection): 데이터에서 일반적인 지표를 벗어난 이상 지표를 파악하는 것입니다. 이를 통해 잠재적 이슈나 기회, 고객의 행동 변화 등을 파악하여 예측을 좀 더 정확하게 할 수 있게 되는 것입니다.
• 예측 자동화(Forecasting automation): AI를 통해 예측 프로세스를 자동화할 수 있습니다. 이를 통해 예측에 들어가는 시간과 비용을 많이 줄일 수 있는 것이죠. 사실 SaaS의 경우는 실시간 지표도 중요하기에 이를 통해 빠르게 변하는 시장 상황에 능동적으로 대처할 수 있게 되는 것입니다.
• 기계 학습(Machine learning): 다양한 기계 학습 알고리즘을 통해 더 정확한 예측이 가능하게 됩니다.
• 자연어 처리(Natural Language Processing; NLP): 자연어 처리를 통해 고객 피드백, 소셜 미디어, 구조화되어 있지 않은 다양한 데이터를 통한 통찰력을 얻을 수도 있게 되는 것입니다.

그리고 2023년이 바로 이런 방법을 찾아가는 기간이 아닐까 하는 생각도 들고 말이죠. 그리고 이렇게 발견한 방법들을 통해서 새로운 비즈니스, 솔루션, 서비스 등이 생겨나게 되지 않을까 하는 생각도 듭니다.

클라우드나 SaaS와 관련하여 다른 궁금한 점이 있으시면 언제든지 저희에게 문의해 주세요.

저희에게는 클라우드에 대한 다양한 정보와 경험, 그리고 도구가 있습니다.

 OpsNow에 문의하기