본 논문은 글로벌 경쟁에 의해 형성된 빠르게 변화하는 디지털 경제에서 인공지능(AI) 및 머신러닝(ML) 기반의 데이터 중심 의사결정의 중요성 증가를 배경으로 작성되었다. 심층 학습(DL)은 많은 장점을 가지지만, 산업 전반의 광범위한 도입을 저해하는 한계점도 존재한다. 본 논문은 DL이 인기가 있음에도 불구하고 비즈니스 분석 분야에서 도입 속도가 느린 이유를 설명한다. DL 채택은 계산 복잡성, 빅데이터 아키텍처 부족, 투명성 부족(블랙박스), 기술 부족, 리더십 부족뿐만 아니라, 고정 길이 특징 벡터를 가진 구조화된 데이터셋의 경우 기존 ML 모델보다 성능이 뛰어나지 않다는 점에도 영향을 받는다는 것을 보여준다. DL은 모든 문제에 적용 가능한 만능 솔루션이 아닌, 기존 ML 모델을 보완하는 강력한 도구로 간주되어야 한다. 실증 연구 결과는 구조화된 데이터셋에 대한 예측에서 그래디언트 부스팅이 최적의 모델이 될 수 있음을 강력하게 시사한다. 본 논문은 세 가지 산업 사례를 기반으로 한 실증 연구 외에도, 그 결과에 대한 종합적인 논의, 실제적 의미 및 향후 연구 로드맵을 제공한다.
