데이터 PM 실무 — 측정 규율의 뿌리

왜 문제

감과 손에 기대던 현장에선, 무엇이 통하는지조차 알 수 없었다.

세 현장에서 제가 똑같이 부딪힌 벽은 하나였습니다 — 측정이 없으니 개선해도 재현이 안 됐다. 물류는 데이터 미기입으로 오류 추적조차 불가했고, AI 채점은 '되는 느낌'일 뿐 품질이 수치로 검증되지 않았으며, B2B 현장은 기획서도 시스템도 없이 손으로 굴러갔습니다.

그래서 매번 같은 순서로 일했습니다 — 문제를 측정 가능한 지표로 정의 → 절차·도구에 반영 → 수치가 나아졌는지 확인. 아래 세 블록은 그 규율이 만든 실측 성과입니다.

현장 1 쿠팡 풀필먼트 · 물류 운영개선 · 2021–23

출고 오류를 '사람 실수'가 아니라 '검증 포인트 누락'으로 재정의했다.

제가 맡은 현장에선 출고량이 35만→60만건으로 급증하며 오류가 함께 늘었고, 신규 계약직 이탈률 78%로 운영이 불안정했습니다. 저는 이 불안정을 사람 탓이 아니라 풀 수 있는 문제로 바꿔야 했습니다.

조직 리드PS · 30명

문제 해결(PS) 30명 조직을 이끌었다.

분석 · 구축WMS · SQL

WMS·SQL로 오류 패턴을 분석해 자동화 대시보드 + 실시간 알림을 구축했다.

입력 간소화14→8개

데이터 입력 필드를 14→8개로 간소화했다 — 전문 용어를 일상 용어로.

교육 재설계인터뷰 11명

현장 작업자 1:1 인터뷰 11명을 거쳐 신규 인원 교육을 다시 설계했다.

주간 출고 오류 건수 — 오류 패턴 분석 + 실시간 알림 도입 후 66% 감소

개선 전

12,000

개선 후

4,000

문제 추적 일치율 40→80% 데이터 입력 시간 40%↓ 신규 월 이탈자 2→0.8명 자발 참여 30→85%

핵심 결정 — 사람이 아니라 시스템을 고쳤다

오류를 '사람 실수'가 아니라 '검증 포인트 누락'으로 재정의했습니다. 사람을 바꾸기보다 시스템이 실패를 막는 편이 빠르고 재현 가능하기 때문입니다. 30명 조직 안에서는 업무 배분을 둘러싼 갈등을 조율해야 했고, 조직 밖으로는 주로 품질관리팀과 커뮤니케이션하며 개선안을 맞춰갔습니다. 실시간 알림으로 오류 발견 시간을 평균 2시간 → 즉시로 줄이고, 장기 근속자와의 소통으로 교육을 확산해 자발 참여를 30%→85%로 끌어올렸습니다. 안정화에 멈추지 않고, 다음 지렛대로 인센티브-성과 연계 구조 설계를 제안했습니다.

현장 2 티처케이 · 에듀테크 AI 채점 · 2023–24

AI 채점을 '되는 느낌'이 아니라 출시 전 점검으로 검증했다.

5인 팀(외주 개발사 협업)으로 토익스피킹 AI 채점 MVP를 10개월 만에 출시했습니다. STT+LLM 조합의 환각·역할 전도·비결정적 출력을 막기 위해 출력 안정화를 정확도보다 1순위로 두고, 음성→텍스트→AI 채점→정해진 형식 출력의 전 과정을 직접 설계해 11문항 채점·해설을 1분 내에 끝냈습니다.

휴먼 일치율 60→80% 재현성 95% (n=550) 전 과정 ≤60초 콘텐츠 비용 70%↓

→ 전체 설계·증거는 플래그십 케이스에서

채점 파이프라인·6축 품질 점검 기준·재현성 테스트 구조 등 전체 설계와 증거는 CASE 01 · STT+LLM 음성 채점에 따로 정리했습니다.

현장 3 의식주컴퍼니 · B2B 스마트팩토리 0→1 · 2025–26

분실률이 3%를 넘으면 손해가 나는 현장에서, 운영 시스템을 처음부터 설계해 입고부터 배송까지 추적되게 만들었다.

타이트한 사업 임계치(분실률 3%)를 넘으면 수익성이 무너지는 환경에서, 저는 명확한 기획서도 시스템도 없이 빠른 구현과 긴급 이슈 대응을 동시에 해내야 했습니다. 그래서 TMS·WMS·정산 시스템을 0→1로 모듈 단위 설계하고, QR·RFID 기반으로 입고→분류→세탁→건조→폴딩→배송 각 단계를 자동 추적했습니다. 출고 키오스크 UX로 현장 입력 경로를 6→1단계로 줄이고, CS·운영·개발 3개 조직마다 같은 상황을 다른 용어로 불러 요구가 어긋나던 걸 막기 위해 업무 흐름 기준 기획문서 체계를 먼저 세워 용어를 표준화했습니다. 특히 외국인·고령 작업자가 혼재된 현장이라 데이터 무결성 확보가 어려웠고, 그래서 정확성보다 실수해도 되돌릴 수 있는 UX를 먼저 설계했습니다. 이해관계자 범위도 넓었습니다 — 외부로는 RFID 기기를 공급사와 직접 구매·스펙 검토하고 자동화 설비는 외부 업체 사례를 조사·비교했으며, 내부로는 운영팀·운송팀·사업팀 요구사항을 모으고 개발자와 구현 전 과정을 소통하며 공정 프로세스(to-be)를 설계했습니다. 분실률·손익 등 사업지표 분석 자료로 상위 결정권자의 의사결정도 지원했습니다.

설계 지점	이전 (수기·무방비)	0→1 구축 후
운영 시스템	기획서·시스템 부재 · 수기	TMS·WMS·정산 0→1 (모듈 단위 설계)
현장 입력	6단계 수동 입력	1단계 · 83%↓ (출고 키오스크 UX)
공정 추적	미기록 — 추적 불가	QR·RFID 전 공정 자동 추적 (입고→배송)
정산 처리	수기 집계	처리 시간 40%↓
수익 임계(분실률 3%)	무방비	방어 설계 · RFID 위치 추적

B2B 렌탈 운영 25개 거래처 · 8개 품목 3개 조직 용어 표준화 데이터 근거 전략적 종료(Sunset) · 산출물·설계 자산화 완료

핵심 결정 — 결정의 범위를 줄여 비즈니스를 사수

박스 규격 오차로 적재량이 급감하자, 로직을 다시 짜는 대신 '포대(Bag) 운송'을 즉시 제안했습니다 — "논쟁을 줄이는 가장 빠른 방법은 결정의 범위를 줄이는 것." 동시에 오입력 리스크를 UX로 차단하고, "실수해도 다시 돌아올 수 있는 구조"를 정확성보다 먼저 설계해 현장 안정성을 확보했습니다.

협업 — 사업팀·운영팀 사이에서 우선순위를 중개했다

운영팀은 출고 인력 0(완전 자동화)을, 사업팀은 전체 프로세스의 투명성을 원했습니다. 방향은 같았지만(둘 다 무인출고 지향), 실제 운송은 자체 운송팀이 아니라 외주업체가 맡고 있어 자동화·RFID 태깅 범위와 책임 소재의 경계가 불분명해졌습니다. 저는 두 팀 사이 우선순위를 중개하고, 외주업체와의 최소 책임 범위를 논의로 정리했습니다.

변화 수용 — 철수를 실패가 아니라 전략적 마무리로 재정의했다

사업 철수라는 외부 변수를 맞았을 때, 저는 이 상황을 "실패가 아니라 데이터에 근거한 전략적 선택"으로 재정의했습니다. 그 판단 위에서 운영 가능한 산출물·설계를 자산화해 완료하는 것을 마무리의 기준으로 삼았습니다.

연결 측정 규율의 뿌리

이 규율을, 지금의 AI 작업으로 이어간다.

세 현장은 도메인이 모두 달랐지만, 제가 한 동작은 하나였습니다 — 문제를 측정 가능한 단위로 재정의하고, 시스템으로 박고, 결과를 수치로 확인한다. 물류 오류 66%↓, AI 채점 일치율 60→80%, B2B 입력 83%↓는 제가 그 규율로 만든 실배포·실운영의 결과입니다.

지금 다루는 소비자 AI 제품(LoveLens)·콘텐츠 자동화 OS·멀티 에이전트 운영 시스템은 같은 규율의 연장선입니다. 다만 새 AI 작업(LoveLens·콘텐츠·에이전트)은 사업화가 아니라 실유저 검증 단계라, 그래서 이 케이스가 아직 사업화 전인 새 AI 작업을 뒷받침하는, 회사에서 실제로 낸 운영 성과 역할을 합니다.

정직한 범위

위 수치는 각 현장의 당시 운영 집계이며, 고객사명·세부 사업 모델 등 민감 정보는 일반화했습니다. 일부 AI 프로젝트의 전환·리텐션 효과는 아직 증명 대상이고, 이 페이지는 그것을 주장하지 않습니다 — 증명된 것만 수치로, 증명 안 된 것은 설계 근거·측정 예정으로 적었습니다.