OpenAI - OpenAI DevDay 2024 | Community Spotlight | Amperity
Amperity는 고객 데이터를 통합하여 브랜드가 고객 데이터를 더 잘 이해할 수 있도록 돕는 플랫폼입니다. 이들은 OpenAI의 모델을 기반으로 AmpAI라는 도구를 개발하여 비기술 사용자도 자연어를 통해 SQL을 생성할 수 있도록 지원합니다. AmpAI는 다양한 브랜드와 산업에 걸쳐 작동해야 하며, 이를 위해 데이터베이스 테이블과 필드에 대한 정보를 수집하여 SQL을 생성합니다. AmpAI는 고객의 고유한 규칙을 인코딩하여 시각화를 구축하고 출력을 맞춤화할 수 있습니다. 이 도구는 고객 유지에 중점을 두고 있으며, 고객의 고유한 요구에 맞춰 데이터를 분석할 수 있도록 설계되었습니다. AmpAI의 도입으로 Amperity의 쿼리 사용량이 130% 증가하는 등 고객에게 큰 영향을 미쳤습니다.
Key Points:
- Amperity는 고객 데이터를 통합하여 브랜드가 데이터를 더 잘 이해할 수 있도록 돕습니다.
- AmpAI는 비기술 사용자도 자연어로 SQL을 생성할 수 있게 지원합니다.
- AmpAI는 다양한 산업과 브랜드에 걸쳐 작동하며, 데이터베이스 테이블과 필드 정보를 수집합니다.
- AmpAI 도입 후 Amperity의 쿼리 사용량이 130% 증가했습니다.
- AmpAI는 고객의 고유한 규칙을 인코딩하여 시각화를 구축하고 출력을 맞춤화할 수 있습니다.
Details:
1. 🎉 환영 인사와 Amperity 소개
- Amperity는 고객 데이터 클라우드로, 세계 최대 브랜드의 고객 데이터를 통합하고 중앙 집중화합니다.
- Amperity의 플랫폼은 고객 데이터를 수집, 정리, 분석하여 기업이 고객에 대한 깊은 통찰을 얻을 수 있도록 지원합니다.
- 이를 통해 기업은 고객 경험을 개인화하고, 마케팅 전략을 최적화하며, 고객 유지율을 높일 수 있습니다.
- Amperity는 AI와 머신러닝을 활용하여 데이터의 정확성과 효율성을 극대화합니다.
2. 🔍 고객 데이터의 복잡성 이해
- OpenAI 모델은 브랜드가 복잡한 고객 데이터를 효과적으로 분석하고 이해할 수 있도록 지원합니다.
- Acme Retail의 마케터 Lauren은 연말 시즌 동안 고객 유지에 집중하기 위해 OpenAI 모델을 활용하여 고객 데이터를 분석했습니다.
- 이 접근 방식은 고객 세분화 및 맞춤형 마케팅 전략 개발에 중요한 통찰력을 제공했습니다.
3. 🤔 고객 데이터 통합의 어려움
3.1. 고객 데이터 통합의 어려움
3.2. Amperity를 통한 해결책
4. 💡 AmpAI: 비기술 사용자를 위한 도구
- Acme Retail은 수백 개의 서로 다른 데이터베이스 테이블을 보유할 수 있으며, 이는 비기술 사용자가 데이터를 효과적으로 활용하기 어렵게 만듭니다.
- AmpAI는 자연어를 SQL로 변환하는 도구로, 비기술 사용자를 위해 설계되었습니다.
- AmpAI는 브랜드가 시각화를 구축하고 고객에 대한 고유한 규칙을 인코딩하여 출력을 맞춤화할 수 있도록 지원합니다.
- AmpAI를 사용하여 비기술 사용자는 데이터베이스 쿼리를 쉽게 생성하고, 데이터 분석 시간을 50% 단축할 수 있습니다.
- Acme Retail은 AmpAI를 통해 고객 행동 분석을 개선하여 매출을 30% 증가시켰습니다.
5. 🌐 다양한 산업에서의 AmpAI 적용
- AmpAI는 다양한 산업에서 적용 가능하며, 각 산업의 특성에 맞춰 조정이 필요하다.
- 금융 기관에서는 주택 대출 신청자 분석에 AmpAI를 활용할 수 있다.
- 항공사는 신용카드 가입 추세를 분석하기 위해 AmpAI를 사용할 수 있다.
- B2C 브랜드는 광고 성과 분석에 AmpAI를 활용할 수 있다.
- AmpAI는 Amperity가 서비스하는 수백 개의 브랜드와 5개 이상의 산업 분야에서 작동해야 한다.
- 소매업에서는 고객 구매 패턴을 분석하여 맞춤형 마케팅 전략을 수립할 수 있다.
- 의료 산업에서는 환자 데이터 분석을 통해 치료 계획을 최적화할 수 있다.
6. 🧩 AmpAI의 주요 도전 과제
- AmpAI는 사용자의 질문에 답하고 자연어에서 SQL을 생성하기 위해 데이터베이스 테이블, 필드, 필드 내 값에 대한 정보를 필요로 한다.
- AmpAI는 수백 가지의 비표준 스키마를 처리해야 하며, 이는 매우 어려운 과제이다.
- 데이터는 매일 변경될 수 있어 AmpAI의 작업에 추가적인 복잡성을 더한다.
- AmpAI는 이러한 도전 과제를 해결하기 위해 지속적인 데이터 업데이트와 스키마 적응 전략을 사용하고 있다.
- 비표준 스키마를 효과적으로 처리하기 위해 기계 학습 알고리즘을 활용하여 패턴을 인식하고 적응한다.
7. 🔧 AmpAI의 컨텍스트 관리 접근법
- AmpAI는 다양한 브랜드와 수직 시장의 여러 스키마에 대응하기 위해 RAG 접근법을 채택했습니다.
- SQL 생성 단계 이전에 두 가지 연구 단계를 추가하여 벡터 DB나 임베딩을 사용하지 않았습니다.
- 사용자의 질문과 데이터베이스 스키마를 GPT-4o를 사용하여 SQL 생성 단계로 전달했습니다.
- Amperity의 내부 쿼리 엔진을 사용하여 SQL을 실행했습니다.
- '고객 중 고가치 고객 수'와 같은 질문에 대해 GPT-4o는 특정 비즈니스나 브랜드의 맥락을 이해하지 못해 정확한 답변을 제공하지 못했습니다.
8. 🛠️ SQL 생성 과정의 개선
- GPT-4o를 사용하여 상위 5개 테이블을 순위화하고 샘플을 추출하는 중간 단계를 도입하여 사용자의 질문과 데이터베이스 스키마를 처리함.
- Customer360 테이블과 Unified Loyalty 테이블을 포함하여 상위 테이블을 Amperity의 내부 쿼리 엔진에 전달하여 행 샘플을 얻음.
- SQL 생성 단계에 전달된 샘플에 플래티넘과 골드가 포함되지 않아 추가 연구 단계가 필요함을 인식함.
- 가장 중요한 필드의 고유 값을 얻기 위해 추가 연구 단계를 추가함. 이 필드는 Customer360 테이블의 'pclv tier'로 식별됨.
- Amperity의 내부 쿼리 엔진을 통해 해당 필드의 고유 값을 얻고 샘플링하여 최종 SQL 생성 단계에 전달함.
- 최종적으로 플래티넘과 골드가 포함된 고유 값이 최종 SQL 생성 단계에 전달되어 예측된 고객 생애 가치 등급이 골드 및/또는 플래티넘이어야 함을 확인함.
9. 📊 AmpAI의 전체 아키텍처 요약
- 첫 번째 연구 단계에서는 사용자의 질문과 데이터베이스 스키마를 기반으로 상위 5개의 테이블을 순위화하고, 각 테이블에서 행 샘플을 가져옵니다. 이는 데이터베이스 내에서 관련성을 평가하는 초기 단계입니다.
- 두 번째 연구 단계에서는 가장 중요한 필드를 식별하고, 해당 필드에서 고유한 값을 샘플링합니다. 이 단계는 데이터의 세부적인 분석을 통해 더 깊은 통찰을 얻기 위한 것입니다.
- 모든 수집된 컨텍스트는 SQL 생성 단계로 전달되며, Amperity 내에서 SQL을 실행하여 최종 결과를 도출합니다. 이 과정은 데이터 기반의 의사결정을 지원하는 데 중점을 둡니다.
10. 🖥️ AmpAI의 실제 데모
- AmpAI는 고객 생애 가치 예측을 통해 플래티넘 및 골드 등급의 고객을 식별하여 약 414,000명의 고가치 고객을 확인했습니다.
- Acme Retail의 10가지 제품 분류 체계를 분석하여 고가치 고객이 주로 구매하는 제품을 식별했습니다.
- 고가치 고객은 주로 신발, 상의 및 티셔츠, 청바지를 휴일에 구매하는 경향이 있습니다.