블룸버그 데이터로 지원하는 공급망 중단 및 ESG 리스크 관리

공급망 회복탄력성은 기업에게 점점 더 중요한 요소로 떠오르고 있습니다. 조달 담당자들은 전체 공급망 네트워크에 대한 투명한 가시성을 유지하고 잠재적인 리스크에 대한 인식을 갖추어야 합니다. 최근 몇 년간 공급망은 다양한 혼란에 직면했으며, 특히 전 세계적인 팬데믹은 근로자들이 재택근무를 하게 만들고 글로벌 공급망을 마비시키는 결과를 낳았습니다. 팬데믹에서 벗어나면서 기업의 리더들은 다음번 큰 혼란에 어떻게 대비할 것인지 스스로와 팀에 질문하고 있습니다.

2022년 맥킨지(McKinsey & Company) 보고서에 따르면, 제조업체들을 대상으로 한 조사에서 3분의 2에 해당하는 기업들이 지난 12개월 동안 새로운 공급망 리스크 관리 방식을 도입한 것으로 나타났습니다. 이러한 이니셔티브에는 공급업체 관련 리스크를 모니터링하는 프로세스의 구현이 포함되어 있으며, 이는 고객에게 중단 없이 정시 납품을 중요시하는 기업에게 특히 중요합니다. 또한 최근 공급망의 변동성이 증가하면서 기업의 의사결정 주기도 점점 짧아지고 있습니다.

기업들은 공급망 네트워크 전반에 걸친 엔드투엔드 가시성과 자동화를 필요로 하며, 이를 위해서는 종합적인 데이터 솔루션이 요구됩니다. Bloomberg는 2006년까지 거슬러 올라가는 이력을 포함하여 10만 개 이상의 기업에 대한 공급망 데이터를 제공하여 기업들이 여러 공급업체 계층에 걸친 강력한 공급망 가시성을 확보할 수 있도록 지원합니다. 이 블로그에서는 Bloomberg의 ESG, 제재, 디폴트 리스크 데이터를 아우르는 리스크 데이터를 활용하여 기업들이 공급망 내 잠재적인 리스크를 파악하는 방법을 살펴봅니다.

Databricks Lakehouse를 통한 보다 회복력 있는 공급망 구축

데이터 외에도 기업들은 차세대 공급망 관리 도구를 개발하기 위해 확장 가능하면서도 비용 효율적인 플랫폼이 필요합니다. Databricks Lakehouse 플랫폼은 데이터 레이크와 데이터 웨어하우스의 요소를 결합하여 고객이 비용을 절감하고 데이터 및 AI 이니셔티브를 더욱 신속하게 추진할 수 있도록 지원합니다. 오픈 소스와 오픈 스탠더드 기반으로 구축된 이 플랫폼은 과거 데이터 및 AI 작업을 복잡하게 만들던 사일로를 제거하며, 협업 연구, MLflow를 활용한 고급 머신러닝 애플리케이션, 데이터 워크플로우의 운영화까지 지원할 수 있는 환경을 제공합니다.

거버넌스 관점에서 보면, Databricks Unity Catalog는 기업의 내부 데이터와 Bloomberg의 데이터 솔루션을 강력한 거버넌스와 보안 아래 원활하게 통합할 수 있도록 지원합니다. 이를 통해 다양한 사용자의 니즈에 맞는 맞춤형 분석을 생성할 수 있습니다. Bloomberg는 개별 Data License 대용량 데이터셋을 Unity Catalog로 원활하게 적재할 수 있도록 지원하며, 복수의 Bloomberg 대용량 데이터셋이나 Bloomberg Per Security를 도입하고자 할 경우, Bloomberg의 Data License Plus(DL+)를 통해 Bloomberg 데이터 및 복수 벤더의 ESG 데이터를 쉽게 동기화할 수 있고, Unity Catalog에서 바로 사용할 수 있는 통합 데이터 모델을 제공합니다. DL+는 시간, 지역, 자산군에 걸쳐 데이터셋을 지속적으로 로딩하고 연결하는 과정을 모니터링하여 구현 부담을 최소화합니다.

사례 연구: 선도적인 자동차 제조사의 공급망 리스크 분석

우리는 글로벌 자동차 제조사의 공급망 네트워크를 Databricks Lakehouse 플랫폼에 적재하여 복잡한 데이터셋을 변환하고 실행 가능한 인사이트를 도출하는 과정을 다루고자 합니다. 이 과정에서 고객들이 공급망 리스크를 평가할 때 고려하는 세 가지 핵심 리스크 요소인 디폴트 리스크, 제재 리스크, 그리고 기후 리스크를 중심으로 설명합니다.

1. 디폴트 리스크 (부도 위험)

   Bloomberg의 독자적인 디폴트 리스크 모델은 기업의 부채 수준 등 다양한 입력값을 바탕으로 부도 확률을 계산합니다. 공급망 데이터와 디폴트 리스크 데이터를 결합함으로써, 재무적으로 불안정한 상류 공급업체들을 식별할 수 있습니다. 이 자동차 제조사의 공급망 분석 결과, 향후 1년 내 부도 확률이 10%를 초과하는 공급업체가 11곳 존재하는 것으로 나타났으며, 이는 ‘재무 위기’ 상태로 간주될 수 있습니다. 유동성 위기를 겪는 공급업체는 부품/제품 흐름에 차질을 일으켜 고객사의 납품 일정에 영향을 미칠 수 있습니다.

2. 제재 리스크

   디폴트 리스크와 마찬가지로 DL+ 테이블의 엔터티 데이터를 활용하여, 글로벌 자동차 제조사의 공급망 네트워크 내 제재 대상 기업들을 쉽게 식별할 수 있습니다. 분석 결과, 직접 공급업체(1차 공급사) 중에는 단 한 곳만 제재 대상이었지만, 2차 및 3차 공급업체 중에는 제재를 받은 업체가 여러 곳 발견되었습니다.

맥킨지앤컴퍼니에 따르면, 2022년 조사 대상 공급망 리더 중 10%만이 자사 공급망의 3차 공급업체까지 가시성을 확보하고 있는 것으로 나타났습니다. Bloomberg의 공급망 및 제재 데이터는 고객이 간접적으로 노출된 제재 대상 기업을 식별하고, 공급업체와 협력하여 대체 방안을 모색할 수 있도록 도와줍니다.

3. 기후 리스크

   기업들은 점점 더 자사의 공급망 활동에서 발생하는 스코프 3 배출량(간접 온실가스 배출량)을 모니터링하고 있습니다. DL+를 통해 사용자는 자동차 제조사의 공급망 여러 계층에 걸쳐 개별 기업 수준의 배출 데이터를 쉽게 확인할 수 있습니다. 이 글로벌 자동차 제조사는 자체적으로는 배출 강도가 높지 않지만, 전체 공급망에 걸쳐 동종업계 평균보다 탄소 배출 강도가 높은 공급업체들이 다수 존재함을 확인할 수 있습니다. 제조사는 이러한 공급업체들의 운영 방식을 수용할 것인지, 아니면 공급망을 사전에 조정할 것인지 판단해야 합니다.

공급망 리서치 워크플로우는 고도화된 클라우드 플랫폼의 등장으로 빠르게 진화하고 있습니다. 이는 기업이 공급망 분석과 같은 추적 가능성과 가시성이 중요한 분야에서 데이터를 강력하게 활용할 수 있도록 해줍니다. Databricks Lakehouse와 같은 통합 분석 환경에서 DL+ 데이터셋을 결합할 수 있는 기능은 기업의 비즈니스 상태와 경쟁 상황에 대한 인사이트 도출을 가속화합니다.

이번 사례 연구에서는 Bloomberg 데이터를 Databricks Lakehouse에서 활용하여 실질적인 인사이트를 도출할 수 있는 세 가지 리스크 요인을 소개했습니다. Databricks Lakehouse를 활용하면 이와 같은 리스크 모델을 자동화된 워크플로우로 프로덕션화하고 조직 전체에 공유할 수 있습니다. 앞으로도 탐색할 영역은 많습니다. 예를 들어 Bloomberg 팀은 기후 리스크 데이터를 통합하여 공급망 전반에 걸친 환경 위협 노출도를 파악하는 기능을 개발 중에 있습니다.

Bloomberg 데이터에 대해 더 알고 싶거나 Databricks에서 데모를 요청하려면 여기를 클릭하세요.