[논문 리뷰] Trends and Challenges Towards an Effective Data-Driven Decision Making in UK SMEs: Case Studies and Lessons Learnt from the Analysis of 85 SMEs

Abdel‐Rahman H. Tawil, Muhidin Mohamed외 3명|arXiv (Cornell University)|2023. 05. 24.

Big Data and Business IntelligenceBusiness, Management and Accounting인용 수 3

한 줄 요약

이 연구는 영국의 85개 중소기업에서 데이터 기반 의사결정의 추세와 과제를 조사하며, 데이터 과학이 생산성 및 혁신에 큰 이점을 제공하지만 중소기업은 자금 부족, 기술 역량 격차, 데이터 품질 문제 등의 장벽에 직면해 있음을 밝혀냈다. 연구는 단계적 디지털 전환, 직원 역량 강화, 외부 지원과 같은 핵심 추진 요인을 특정하여 중소기업이 데이터 문화를 조성하고 인공지능 및 분석 기술을 효과적으로 활용할 수 있도록 돕는다.

ABSTRACT

The adoption of data science brings vast benefits to Small and Medium-sized Enterprises (SMEs) including business productivity, economic growth, innovation and jobs creation. Data Science can support SMEs to optimise production processes, anticipate customers' needs, predict machinery failures and deliver efficient smart services. Businesses can also harness the power of Artificial Intelligence (AI) and Big Data and the smart use of digital technologies to enhance productivity and performance, paving the way for innovation. However, integrating data science decisions into an SME requires both skills and IT investments. In most cases, such expenses are beyond the means of SMEs due to limited resources and restricted access to financing. This paper presents trends and challenges towards an effective data-driven decision making for organisations based on a case study of 85 SMEs, mostly from the West Midlands region of England. The work is supported as part of a 3 years ERDF (European Regional Development Funded project) in the areas of big data management, analytics and business intelligence. We present two case studies that demonstrates the potential of Digitisation, AI and Machine Learning and use these as examples to unveil challenges and showcase the wealth of current available opportunities for SMEs.

연구 동기 및 목표

• 영국 중소기업에서 데이터 기반 의사결정 관행을 채택하는 현재의 추세와 과제를 조사하기 위해.
• 재정적 제약, 기술 역량 부족, 낮은 데이터 품질와 같은 장애물—데이터 과학 채택을 저해하는 요인—을 특정하기 위해.
• 실제 사례 연구를 통해 디지털화, 인공지능 및 머신러닝이 중소기업 운영에 어떻게 효과적으로 통합될 수 있는지 탐색하기 위해.
• 직원 역량 향상 및 단계적 기술 채택을 포함한 점진적인 데이터 역량 구축 전략을 제안하기 위해.
• 정부, 학술 기관 및 기업 협회와 같은 외부 이해관계자가 지식 공유 및 자금 지원을 통해 중소기업을 지원하는 데서의 역할을 부각하기 위해.

제안 방법

• 영국 웨스트 밸즈 지역의 주로 85개 중소기업을 대상으로 심층적인 사례 연구를 수행하여 실제 데이터 기반 관행을 분석하기 위해.
• 중소기업의 데이터 수집, 저장, 관리 및 사용 관행에 대한 데이터를 수집하고 분석하며, 데이터 품질 및 거버넌스 문제를 포함한 과제를 분석하기 위해.
• 과표본화된 데이터셋(500~2000개의 인스턴스)을 사용하여 의사결정 트리와 같은 기계학습 모델의 성능과 하이퍼파rameter 튜닝을 평가하기 위해.
• 모델 정확도 및 오차 지표(예: 1500개의 인스턴스를 사용할 때 깊이 21~30에서 0.343의 오차)를 사용하여 데이터 크기와 트리 깊이가 예측 성능에 미치는 영향을 평가하기 위해.
• 중소기업의 정성적 피드백과 독립적인 상업 평가를 통합하여 데이터 품질 및 모델 신뢰성에 대한 발견을 검증하기 위해.
• 문화 조성, 교육 및 단계적 투자에 중점을 두어 점진적인 데이터 역량 개발 프레임워크를 제안하기 위해.

Figure 1: Open Static Datasets Distribution Across Major Themes by Six UK Cities

실험 결과

연구 질문

• RQ1 영국 중소기업에서 데이터 기반 의사결정 채택의 주요 추세와 과제는 무엇인가?
• RQ2 제한된 데이터를 가진 중소기업에서 데이터 품질, 표본 크기 및 모델 하이퍼파rameter가 예측 모델 성능에 미치는 영향은 무엇인가?
• RQ3 디지털화, 인공지능 및 머신러닝은 중소기업의 생산성 및 혁신을 향상시키는 데 어떤 역할을 하는가?
• RQ4 중소기업은 데이터 과학 채택에 대한 재정적, 기술적, 문화적 장벽을 극복하기 위해 어떤 전략을 채택할 수 있는가?
• RQ5 정부, 학술 기관 및 기업 협회와 같은 외부 이해관계자는 중소기업이 지속 가능한 데이터 역량을 구축하는 데 어떻게 지원할 수 있는가?

주요 결과

• 영국의 중소기업은 비즈니스 데이터를 수집하고 저장하지만, 이를 효과적으로 분석하여 실행 가능한 통찰을 도출할 수 있는 역량이 부족한 경우가 많다.
• 의사결정 트리의 깊이가 증가함에 따라 모델 정확도가 향상되었으며, 최대 깊이 21에서 안정화되었고, 1500개의 과표본화된 인스턴스를 사용할 때 깊이 21~30에서 가장 낮은 오차(0.343)를 기록했다.
• 작은 표본 크기(n < 100)와 노이즈가 많은 데이터는 높은 모델 오차의 주요 원인이었으며, 이는 예측 모델링에서 제한된 데이터의 통계적 과제를 확인한다.
• 자원이 제한되어 있음에도 불구하고, 교육, 단계적 투자 및 외부 전문성 지원을 받을 경우 중소기업은 데이터 과학 채택 잠재력이 높게 나타났다.
• 금융 및 역량 제약로 인해 중소기업, 특히 10~49명의 소규모 기업과 마이크로 기업 간에 디지털 전환 격차가 여전히 크다.
• 자금 지원, 지식 공유 및 오픈 데이터를 통한 외부 지원은 중소기업이 데이터 역량을 구축하고 장기적인 디지털 전환을 이룰 수 있도록 핵심적인 요소로 확인되었다.

Figure 2: Lifecycle of BDC project support for SMEs