[증권] 모건 스탠리 - 데이터브릭스 머신러닝으로 최고의 고객 참여 서비스 제공하기

(원문: 링크)

이미지 출처: Forbes

 

이 글은 모건스탠리의 Execuite Director Cloud Data인 Raja Lanka와 데이터브릭스의 Sr. Solutions Architect Ryan Kennedy가 머신러닝을 활용하여 고객 경험을 개선했던 모건스탠리의 여정에 대해 논의했던 영상의 내용을 요약한 글입니다.

 

1. 도전 과제

모건 스탠리는 오래된 모델과 고객의 저조한 참여도로 고객에게 관련성 높은 콘텐츠를 제공하는 데 어려움을 겪고 있었습니다. 이는 기술적인 문제뿐 아니라 변환하는 환경에 적응하고, 급변하는 고객의 니즈에 부응해야 하는 문제를 수반했는데요. 모건 스탠리는 다양한 데이터 소스를 기반으로 고객에게 더 맞춤화되고 시기적절한 참여 전략을 제공하는 것을 목표로, '게놈'이라는 고객 개인화 모델을 구축하는 프로젝트를 시작했습니다. 이를 위해서는 다양한 소스의 데이터를 처리하고, 1,500만 명의 고객을 위한 통합된 데이터 플랫폼을 만들어야 했습니다. 하지만 인프라적인 제한, 데이터 사이언티스트 간의 기술 격차, ML Ops 프로세스의 부재, 클라우드로의 전환 등 넘어야 할 산은 한 두 가지가 아니었습니다. 

 

2. 솔루션

이러한 과제를 해결하기 위해 모건 스탠리는 데이터브릭스 및 다른 파트너사들과 협력하여 업계 최고의 고객 데이터 플랫폼 구축 작업에 착수했습니다. 고객 피드백을 기반으로 모델을 재교육하고, 더 유연한 확장성을 지원하기 위해 Genome을 클라우드 기반 플랫폼으로 구현했으며, 인터랙티브한 작업 공간을 위한 재해 복구 솔루션을 구축했습니다. 특히 데이터브릭스의 엔드투엔드 (end-to-end) 머신러닝 라이프사이클 관리 솔루션인 MLFlow를 사용하여 데이터 탐색, 모델 학습, 그리고 튜닝을 위한 샌드박스 환경을 마련하였습니다. 이를 통한 모델 리스크 관리의 자동화는 머신러닝 모델을 체계적이게 구축하고 리스크를 줄이면서 배포할 수 있는 중요한 요소였습니다. 더불어 클라우드 기반의 종량제 요금 모델을 채택하면서 모건 스탠리는 비용을 최적화하였고, 기술에 익숙하지 않은 사용자들을 위해  DB Connect 버전 2.0과 같은 데이터브릭스 기능을 활용하여 모두가 클라우드 탄력성의 이점을 누릴 수 있게 하였습니다.

3. 결과 

구현된 솔루션은 상당한 비즈니스 성과를 가져왔습니다. 고객과의 참여 전략이 개선되어 클릭률이 3.4배 증가했고, 순 신규 자산이 2.1배 증가했습니다. 기술적 측면에서는 게놈을 클라우드 기반 플랫폼으로 구축하여 확장성과 효율성을 확보했습니다. 또한 인터랙티브한 작업 공간을 위한 재해 복구 솔루션은 중단 없는 운영을 보장했고, 종량제 모델로 운영할 수 있어 특히 대규모 실험을 진행할 때 예산 관리가 용이했습니다.

 

Raja Lanka와 Ryan Kenney는 잘 정의된 비즈니스 목표와 같이 강력하고 달성 가능한 '북극성'을 갖는 것이 중요하다고 강조했습니다. 또한 빠르게 실패하고, 빠르게 배우고, 반복하는 프로세스가 성공의 열쇠임을 강조했습니다. 끊임없이 진화하는 기술 환경에 대한 인식과 새로운 기능 도입에 대한 열정은 데이터 및 머신 러닝 발전의 선두에 서고자 하는 모건 스탠리의 의지를 보여주었습니다.