생성형 AI로 제품 포트폴리오 최적화하면 매출 5% 증가… 맥킨지 분석

Supercharging product portfolio performance with generative AI

“제품 많다고 좋은 게 아니다”…포트폴리오 최적화의 세 가지 이점

맥킨지앤컴퍼니(McKinsey & Company)가 발표한 보고서에 따르면, 제품 포트폴리오 관리를 잘하는 기업들은 세 가지 경쟁 우위를 확보할 수 있다. 첫째, 수익성이 없거나 구식이 된 제품 유지 비용을 줄여 전반적인 비용 효율성을 개선한다. 둘째, 성장과 수익성을 견인하는 제품과 서비스 혁신에 더 많은 관심과 자원을 집중할 수 있다. 셋째, 부품 재고를 단순화하고 공급업체 관련 리스크를 줄여 회복탄력성을 높일 수 있다.

포트폴리오 최적화를 가로막는 ‘네트워크 효과’의 딜레마

여러 제품이 동일한 기본 부품, 제조 자산, 코드를 재사용하는 경우가 많아 단일 제품을 제거하는 것만으로는 기업 운영의 근본적인 복잡성을 줄이기 어렵다. 대신 신중하게 선택된 제품군을 제거하여 운영 비용 절감이 잠재적 매출 손실을 상쇄하도록 해야 한다. 수천 개의 복잡한 SKU로 구성된 포트폴리오에서 이러한 조합을 찾는 것은 우주의 입자 수보다 많은 옵션을 검토해야 하는 방대한 작업이다.

외부 단순화만으론 부족…내부 복잡성 해결이 관건

기업들은 두 가지 유형의 복잡성에 직면한다. 하나는 판매되는 제품과 변형 제품의 포트폴리오에서 발생하는 외부 복잡성이고, 다른 하나는 제품 포트폴리오를 지원하는 데 필요한 부품과 기타 자원에서 발생하는 내부 복잡성이다. 많은 기업들이 제품 변형을 제거하여 외부 복잡성을 줄이는 데 집중하지만, 이는 내부 복잡성에는 영향을 미치지 못한 채 매출만 감소시키는 결과를 초래한다. 맥킨지는 더 효과적인 포트폴리오 단순화를 위해서는 내부 복잡성을 감소시키는 변화에 초점을 맞춰야 한다고 조언한다.

생성형 AI로 8주 작업을 4주로…포트폴리오 분석 90% 단축

생성형 AI의 도입으로 포트폴리오 분석 시간이 90% 이상 단축되고 있다. 한 기업은 2만개의 SKU를 분석하는 8주 프로젝트를 생성형 AI의 도움으로 4주 만에 완료했다. 이는 매우 중요한 변화다. 기존에는 기본적인 포트폴리오 분석에도 수개월이 걸렸고, 대부분의 기업들은 전체 이익의 80%를 창출하는 상위 20%의 제품에만 집중했다.

한 산업장비 제조업체의 사례는 생성형 AI를 활용한 포트폴리오 분석의 실제 효과를 보여준다. 이 기업은 도로 건설 장비군(덤프트럭, 굴착기, 롤러, 포장기, 지게차)과 광산 장비군(발파 드릴, 채광기, 광산용 트럭, 도저, 삽)을 분석했다. 도로 건설 장비는 높은 판매량과 마진을 보이는 주력 제품군이었고, 광산 장비는 제품별로 마진율 편차가 컸다. 분석 결과 저마진 제품을 제거하는 대신 가격을 조정하거나 제조 원가를 낮추는 것이 더 나은 전략임을 확인했다.

2025년 생성형 AI, 포트폴리오 분석 자동화율 50% 돌파 전망

생성형 AI의 포트폴리오 분석 자동화 능력은 빠르게 발전하고 있다. 2023년 말 10%에서 2024년 여름 30%로 증가했으며, 2025년에는 50%를 넘어설 전망이다. 향후 출시될 생성형 AI 모델은 검색엔진을 활용해 진화하는 고객 선호도와 경쟁사 동향까지 평가할 수 있을 것으로 예상된다.

생성형 AI는 순차적인 분석 라운드를 수행할 수 있다. 먼저 비용, 매출, 제품별 기여도를 분석하여 상위 수준의 관점을 생성한 다음, 생산에서 가장 많은 문제를 일으키는 항목이나 유지보수 및 지원 요구사항이 높은 부품과 같은 숨겨진 비용 동인을 식별하기 위한 심층 분석을 수행한다. 이러한 분석은 맥락 정보를 유지하고 복잡한 쿼리에 응답할 수 있는 생성형 AI의 능력을 통해 가능해진다. 또한 생성형 AI 대시보드를 통해 사용자의 열망 수준에 따라 의사결정 매개변수를 조정하면서 실시간으로 권장사항과 인사이트를 업데이트할 수 있다.

효과적인 도입을 위한 3대 필수 인프라

생성형 AI 활용을 위해서는 세 가지 핵심 인프라가 필요하다. 첫째, 입출력 정보가 저장되거나 공유되지 않는 기업용 생성형 AI 솔루션으로 데이터 기밀성을 보호해야 한다. 둘째, 구조화/비구조화된 데이터를 원시 형태로 직접 AI 모델에 입력할 수 있어야 한다. 셋째, 생성형 AI 환경 내에서 즉각적인 코드 검증, 결과 계산, 시각화가 가능해야 한다.

연간 포트폴리오 검토로 복잡성 재발 방지

성공적인 기업들은 개별 SKU가 아닌 전체 플랫폼 차원에서 단순화를 추진하여 잠재적 비용 절감을 극대화한다. 이를 위해 최소 3년간의 판매, 조달, 생산 데이터를 단일 위치에 저장하고, 전사적 협력을 통해 복잡성 감소 대상을 선정한다. 이러한 접근 방식으로 복잡성이 다시 발생하는 것을 방지하고 연간 기준으로 포트폴리오 건전성을 검토할 수 있다.

해당 기사에 인용된 리포트 원문은 링크에서 확인 가능하다.

기사는 클로드 3.5 Sonnet과 챗GPT를 활용해 작성되었습니다.