다각화 기업의 수평 전략 성공 예측: DEMATEL 기반 인공신경망 모델

초록

본 논문은 다각화된 기업이 수평 전략을 성공적으로 실행할 확률을 사전에 예측하기 위한 3단계 프레임워크를 제시한다. 첫 단계에서는 문헌 조사와 전문가 인터뷰를 통해 성공에 영향을 미치는 주요 요인을 도출한다. 두 번째 단계에서는 DEMATEL 기법을 활용해 이들 요인 간 인과관계를 분석하고, 핵심 성공 요인(CSF)을 선정하여 성공 확률 평가 지표 체계(SPAIS)를 구축한다. 마지막 단계에서는 SPAIS가 다변량이며 분포에 의존하지 않는 특성을 고려해 인공신경망(ANN)을 설계·훈련함으로써 기존 전통적 예측 모델보다 높은 정확도로 수평 전략 성공 확률을 예측한다.

상세 분석

이 연구는 수평 전략이라는 복합적 경영 과제를 정량화하고 예측 가능한 형태로 전환하려는 시도에서 학문적·실무적 의의를 동시에 지닌다. 첫 번째로, 문헌 고찰과 전문가 인터뷰를 결합한 혼합 연구 방법론을 통해 ‘주요 인플루언서’를 체계적으로 발굴한 점은 기존 연구가 주로 단일 데이터원에 의존한 것과 차별화된다. 특히, 다각화 기업의 내부·외부 환경, 조직 문화, 자원 공유 메커니즘, 시장 동향 등 다차원적인 변수를 포괄적으로 고려함으로써 성공 요인의 포괄성을 확보하였다.

두 번째 단계에서 적용된 DEMATEL(Decision‑Making Trial and Evaluation Laboratory) 기법은 복잡한 인과관계를 시각화하고, 영향력과 의존성을 정량화하는 데 강점이 있다. 연구자는 DEMATEL을 이용해 각 인플루언서 간의 직접·간접 영향도를 행렬로 계산하고, 이를 기반으로 ‘핵심 성공 요인(CSF)’을 도출하였다. 여기서 중요한 점은 DEMATEL이 비선형·비정규 데이터에도 적용 가능하다는 점으로, 실제 기업 현장의 불확실하고 잡음이 많은 데이터를 다루는 데 적합하다는 것이다. 다만, DEMATEL 결과는 전문가 판단에 크게 의존하므로, 전문가 선정 과정과 평가 일관성 확보가 결과 신뢰성에 결정적 영향을 미친다.

세 번째 단계에서는 SPAIS라는 다변량 지표 체계를 입력 변수로 삼아 인공신경망(ANN)을 설계하였다. 연구자는 다층 퍼셉트론(MLP) 구조를 채택하고, 은닉층 수와 뉴런 수를 실험적으로 최적화했으며, 과적합 방지를 위해 교차 검증과 조기 종료(Early Stopping)를 적용하였다. ANN은 비선형 관계를 학습하는 데 탁월한 성능을 보이며, 특히 SPAIS와 같은 복합 지표를 통합적으로 처리할 때 전통적인 회귀·판별 분석보다 높은 예측 정확도를 제공한다는 결과를 제시한다.

그러나 몇 가지 한계점도 존재한다. 첫째, 사례 연구가 단일 기업에 국한되어 있어 결과의 일반화 가능성이 제한된다. 다각화 정도, 산업 특성, 조직 규모 등에 따라 CSF와 ANN 가중치가 달라질 수 있으므로, 다수 기업을 대상으로 한 메타‑분석이 필요하다. 둘째, ANN 모델은 ‘블랙박스’ 특성을 가지고 있어, 예측 결과에 대한 해석 가능성이 낮다. 이를 보완하기 위해 SHAP(Shapley Additive exPlanations)와 같은 설명 가능한 AI 기법을 도입하면 의사결정자가 변수 중요도를 직관적으로 파악할 수 있다. 셋째, DEMATEL 단계에서 전문가 의견의 주관성이 결과에 편향을 초래할 수 있다. 전문가 집단을 확대하고, 델파이 기법과 결합해 의견 수렴 과정을 구조화한다면 보다 객관적인 인과망을 구축할 수 있다.

전반적으로 이 논문은 수평 전략 실행 성공을 정량적으로 예측하는 통합 프레임워크를 제시함으로써, 전략 기획 단계에서 위험을 사전에 식별하고 자원 배분을 최적화하려는 경영진에게 실용적인 도구를 제공한다. 또한, DEMATEL과 ANN을 결합한 방법론은 다른 복합 전략 과제(예: M&A 시너지 평가, 신사업 포트폴리오 최적화)에도 확장 적용 가능성을 시사한다.