AI
Data Product (2) AI(데이터)로 실제 운영 효율화가 가능할까?
두줄요약
AI 모델만으로 세차 필요 여부를 단정할 수 없어, 판단 기준과 차량 상태 정의를 다시 설계했습니다. 그 결과 세차 요청 로직을 구조화해 운영 효율과 고객 만족도를 함께 높였습니다.
문제 상황
- 차량 수가 대규모로 늘어나며 수작업 세차 선정 방식의 한계 발생
- AI 모델만으로 세차 필요 여부를 곧바로 ground truth처럼 쓰기 어려운 혼란
- 오염 판단 기준과 세차 수행 시점이 뒤섞여 기존 로직의 해석과 설명이 어려운 상태
원인 분석
- 차량 오염 여부가 주관적이고 완전한 정답 수집이 어려운 문제
- 사진, 고객 피드백, 세차 수행 시점이 서로 다른 정보로 얽힌 구조
- 모델 예측값을 단일 진실로 간주한 접근이 분석 혼선을 유발
해결 방법
- 모델 예측, 고객 피드백, 정기 세차를 판단 주체별 정보로 재분류
- 차량 상태를 요청 이후부터 수행 전까지 오염 상태로 새로 정의
- 오염 판단 기준을 재구성해 세차 요청 로직을 우선순위 기반으로 설계
성능/운영 포인트
- BigQuery, Airflow, API 연계를 통한 세차 오퍼레이션 배치 파이프라인 구성
- 대당 세차 요청 건수 감소와 적시 수행률 개선
- 지표 크로스체크와 대시보드 모니터링으로 운영 원인 추적성 확보
적용해볼 점
- AI 예측값을 그대로 쓰기보다 도메인 기준과 함께 재해석하는 접근
- 현업과 협업해 판단 기준을 조정하고 설명력을 높이는 방식
- 외부 요인과 시차를 고려한 운영 지표 설계
