A
산업AI 도입 데이터정비 스캐너
3.85
파생 체인
단계 1
산업 AI가 판단·실행까지 확장
→
단계 2
제조·물류 기업의 AI 도입 컨설팅 수요
→
단계 3
AI 도입 전 데이터 품질 진단 + 정비 로드맵 서비스
문제
제조·물류 중소기업이 산업 AI(예측 정비, 품질 검사 등)를 도입하려 할 때, 기존 데이터(센서 로그, ERP 데이터)의 결측률·비정합성이 평균 30-60%에 달해 AI 모델 학습이 불가능하다. 데이터 정비에 6-12개월이 걸리는데, 정비 범위와 우선순위를 모르면 비용이 2-3배 초과된다.
솔루션
기업의 기존 데이터(CSV/DB/API)를 업로드하면 AI 도입 가능 수준의 데이터 품질을 자동 진단하고, 컬럼별 결측·이상치·비정합 현황과 정비 우선순위 로드맵을 생성한다. 핵심 기능: (1) 데이터 품질 스코어카드 자동 생성, (2) AI 모델별(예측정비/품질검사/수요예측) 최소 데이터 요건 대비 갭 분석, (3) 정비 작업 우선순위 + 예상 공수 산출.
NUMR-V Scores
NUMR-V Scoring System
| N Novelty | 1-5 | 시장 내 유사 서비스 부재 정도. 경쟁사 0개 = 5, 10+개 = 1 |
| U Urgency | 1-5 | 사용자가 지금 당장 필요로 하는 긴급성. 트렌드 부합 + 시급성 |
| M Market | 1-5 | 타겟 시장의 크기와 성장 가능성. 프록시 지표 기반 (LLM 추정 X) |
| R Realizability | 1-5 | 1-2인이 실현 가능한 정도. 기술 난이도 + 데이터 확보 용이성 |
| V Validation | 1-5 | 시장 검증 통과 여부. 경쟁사 분석 + 수요 프록시 + 타이밍 |
SaaS N=.15 U=.20 M=.15 R=.30 V=.20
Senior N=.25 U=.25 M=.05 R=.30 V=.15
실현성 (79%)
실현성 분석
| 기술 복잡도 | / 40 | 핵심 기술 스택의 난이도. low=40, medium=24, high=10 |
| 데이터 접근성 | / 25 | 필요 데이터의 확보 용이성. user_generated=25 → proprietary=4 |
| MVP 일정 | / 20 | 최소 기능 제품 구축 소요 기간. 2주=20, 1개월=12, 3개월=8 |
| API 보너스 | / 15 | 공공 API 활용 가능 시 보너스. 매칭 API가 있으면 가산 |
시장 검증 (58/100)
검증 분석
| 경쟁 분석 | / 20 | 경쟁사 검색 결과 기반. 적절한 경쟁 존재 = 시장 검증 |
| 시장 수요 | / 20 | 검색량, 뉴스 언급 등 프록시 지표. 실제 수요의 간접 증거 |
| 타이밍 | / 20 | 현재 트렌드와의 부합도. 규제/기술 변화 시점 적합성 |
| 수익 참조 | / 15 | 유사 비즈니스 모델의 수익 사례. 실제 과금 레퍼런스 존재 여부 |
| 곡괭이 적합 | / 15 | 곡괭이 전략 부합도. 도구/인프라 제공 관점 적합성 |
| 1인 구축 | / 10 | 혼자서 MVP 구축 가능 여부. 외부 의존성 최소화 정도 |
기술 요구사항
백엔드 [medium]
AI/ML [low]
프론트엔드 [low]