Pacta · Engagements & Scope· 상품과 형태
Not a deck.
A system that runs.
보고서가 아니라,
돌아가는 시스템.
It does not end with a report. A system that ships, that your team continues to use, with the results proven in numbers — and ongoing support where you want it.
보고서 한 부 남기고 끝나지 않습니다. 굴러가는 시스템을 심고, 팀이 계속 쓰게 만들고, 효과를 숫자로 증명하고 — 원하시면 계속 관리합니다.
Every engagement is scoped and priced to the project — there is no rate card. What is fixed is the shape: four to eight weeks, a system that runs, the numbers that prove it, and a handover your team can pick up cleanly. Three offerings — and where there is no usable data, that is where we begin.
비용은 정가표가 아니라 프로젝트의 규모와 범위에 따라 견적으로 정해집니다. 대신 형태는 정해져 있습니다 — 4주에서 8주 안에, 실제로 돌아가는 시스템, 그 효과를 증명하는 숫자, 팀이 그대로 이어받는 이관까지. 상품은 세 가지, 쓸 데이터가 없다면 데이터부터 시작합니다.
First, we build the dataset.
데이터가 없다면, 데이터부터 짓습니다.
Most companies don't have dirty data — they have no usable data. So we make it: instrumentation (event tagging, order/POS/CRM connection), external sourcing (public data, APIs, market data collected lawfully), and generation (backfill, synthetic bootstrap, labeling). We don't just clean what you have — we go get what you're missing. (The Kyoto engagement started exactly here — the market data didn't exist, so we built it.)
대부분은 데이터가 더러운 게 아니라 아예 없습니다. 그래서 만듭니다 — 이벤트를 심고(계측), 밖에서 끌어오고(공개데이터·API·적법한 웹 수집), 그래도 없으면 생성(백필·합성·라벨링)까지. 있는 걸 닦아드리는 데서 그치지 않고, 없는 걸 구해다 드립니다. (교토 프로젝트가 딱 이 경우였습니다. 시장 데이터가 없어서 직접 만들었습니다.)
Metrics-first design → collection/sourcing/generation → an AI-ready data layer, handed over.
뭘 결정할지부터 거꾸로 설계 → 수집·소싱·생성 → AI가 바로 쓰는 데이터 레이어로 이관.
Once the data exists, everything below can run on top of it.
데이터가 준비되면, 아래 상품은 그 위에 바로 올릴 수 있습니다.
A dashboard answers when asked. The briefing arrives first — before trouble grows.
대시보드는 물어봐야 답합니다. 브리핑은 먼저 옵니다 — 문제가 커지기 전에.
Replace the dashboard nobody opens with an agent that speaks up: a daily narrative read of the business, and anomaly alerts before a revenue dip or stock break has run for days.
아무도 안 여는 대시보드를, 먼저 말 거는 에이전트로 바꿉니다. 아침마다 사업 상태를 정리해 주고, 매출이 꺾이거나 재고가 튀면 며칠 지나기 전에 알려줍니다.
For — teams with dashboards no one reads, who learn about problems a few days late.
대시보드는 있는데 아무도 안 보고, 문제는 늘 며칠 지나서야 알게 되는 팀에 맞습니다.
Briefing + anomaly-detection agent on your data, pipeline & runbook transferred, effect measured.
데이터 위에 브리핑·이상탐지 에이전트를 올리고, 파이프라인·운영 매뉴얼까지 넘깁니다. 효과는 숫자로.
Keeps the briefing running on fresh data. Not someone on call — the pipeline watches itself. A monthly subscription attached to something you actually open every day.
브리핑이 늘 최신 데이터로 돌아가게 유지합니다. 사람이 대기하는 게 아니라 파이프라인이 스스로 감시합니다. 매일 여는 화면에 붙는 월 구독입니다.
The system is yours. No lock-in — call for management when you need it, not before.
만들어드린 시스템은 그쪽 자산입니다. 구독으로 묶어두지 않습니다. 관리가 필요하면 그때 부르시면 됩니다.
Make the data usable for AI — and keep it that way.
AI가 바로 쓸 수 있는 상태로 만들고, 그 상태를 유지합니다.
Entity resolution (SKU / product / customer standardization) into an AI-ready layer, with one decision model that actually gets used on top — segmentation, pricing, demand/churn, or matching. And if the data isn't there, Phase 0 sources it first.
제각각인 SKU·상품명·고객ID를 맞춰(entity resolution) AI가 바로 쓰는 데이터로 만들고, 그 위에 실제로 쓰이는 결정 하나를 올립니다 — 세그먼트든, 가격이든, 수요·이탈 예측이든, 매칭이든. 데이터가 없으면 Phase 0가 먼저 구해 옵니다.
For — teams stuck because SKUs, names and IDs don't line up; AI projects that stalled on dirty data.
SKU·이름·ID가 서로 안 맞아 아무것도 못 하고 있는 팀, 데이터가 지저분해서 AI 프로젝트가 멈춰 선 팀에 맞습니다.
Sourcing (if needed) + cleansing + AI-ready layer + one decision model + pilot lift, measured with statistics.
(필요하면) 데이터 확보부터, 정제, AI-ready 레이어, 결정모델 1개, 그리고 파일럿으로 효과를 통계로 증명.
New data standardized on the same rules, quality checked automatically, pipeline self-monitoring. Clean data is not a project you finish — it is a state you maintain. That is where the value compounds.
새로 들어오는 데이터도 같은 규칙으로 정리되고, 품질은 자동으로 점검되고, 파이프라인은 스스로 감시합니다. 데이터 정리는 한 번 하고 끝나는 일이 아닙니다. 계속 유지돼야 처음 들인 값을 계속 씁니다.
The defensible 20% — the dirty, domain-specific data that off-the-shelf ETL won't touch. Getting it and keeping it usable is the moat.
아무도 안 건드리는 20% — 범용 툴이 못 다루는, 더럽고 손 많이 가는 데이터. 그걸 구해와서 계속 쓸 수 있게 만드는 게 진짜 해자입니다.
One repetitive job, redesigned as an AI agent.
반복되는 업무, AI 에이전트 하나로 대신합니다.
CS drafts, quotes and proposals, document extraction, meeting summaries — wired into your actual systems and data with exception handling, not assembled from no-code shortcuts.
CS 답변 초안, 견적·제안서, 문서에서 뽑아내기, 회의 요약 — 노코드로 대충 엮는 게 아니라, 실제 시스템·데이터에 예외 처리까지 붙여서.
For — companies burning staff hours on the same documents, replies and cleanup every day.
매일 같은 문서 작성, 같은 응대, 같은 정리에 사람 시간이 갈려 나가는 회사에 맞습니다.
One job re-engineered as an agent, connected to your stack (LLM + retrieval + tools), effect measured.
업무 하나를 에이전트로 다시 짜서 실제 스택에 연결합니다(LLM+검색+도구). 효과는 숫자로.
Keeps it accurate as inputs and documents change — prompt, model & exception upkeep.
입력이나 문서가 바뀌어도 정확하게 돌도록 지킵니다 — 프롬프트·모델·예외를 손봐가며.
"We build AI agents" is what everyone says now. I sell the one that still runs in six months, with the numbers to show it.
"AI 에이전트 만들어드립니다" — 요즘 다들 하는 말이죠. 저는 6개월 뒤에도 돌아가는 것, 숫자로 증명되는 것만 팝니다.
On price — quoted per engagement, after we have looked at the data. What it costs depends on what state the data is in, and that is not knowable from the outside — a fixed number posted here would be wrong in both directions. Ask and you get a scoped figure, not a range. First one or two engagements run at a pilot rate, to build the reference. · Budget a blocker? Routing through the government data voucher (데이터바우처) is available — the paperwork is handled here (it runs on the program's calendar, so allow more time). · Case figures are anonymized under confidentiality.
가격은 — 데이터를 보고 나서 건별로 냅니다. 값을 정하는 건 데이터가 어떤 상태냐인데, 그건 밖에서는 알 수 없습니다. 여기 숫자를 박아두면 어느 쪽으로든 틀립니다. 물어보시면 범위가 아니라 스코프를 잡은 견적으로 드립니다. 첫 한두 곳은 레퍼런스 만드는 값(파일럿가)으로 갑니다. · 예산이 걸리면? 정부 데이터바우처로 풀 수 있고, 서류는 제가 다 처리합니다(대신 정부 일정에 맞춰 진행). · 사례 숫자는 비밀유지 때문에 익명 처리했습니다.
Finis · In One Line· 한 줄로
A deck gets shelved. The system clocks in tomorrow.
보고서는 덮으면 끝입니다. 시스템은 내일도 돌아갑니다.