Next Big Delivery Is Data: FedEx가 소포 1,700만 개의 데이터를 대출 심사·경기 지수로 파는 법

FedEx는 소포를 나르며 생기는 데이터를 사내 효율 도구에서 남에게 파는 상품으로 넓히고 있습니다. 하루 약 1,700만 개 소포에서 나온 물량과 정시율이 대출 심사 신호와 소매 경기 지수가 됩니다. 따라 하려면 무엇을 어떤 단위로 묶어 팔지, 그리고 데이터 주인의 동의를 어떻게 받을지부터 정해야 합니다.

요약

Forbes의 Alicia Park는 2026년 11월 11일 FedEx의 CDIO(최고 디지털·정보 책임자)이자 FedEx Dataworks 대표인 Vishal Talwar를 다뤘습니다. Talwar는 2026년 Forbes CIO Next 명단에 올랐습니다. IBM과 Dell Services에서 기술 조직을 이끌었고 Accenture에서 10년 넘게 컨설턴트로 일하며 FedEx의 기술 전략을 1년 반가량 도왔습니다. 2025년 8월부터는 FedEx의 사내 기술 조직과 Dataworks를 함께 맡고 있습니다. 앞서 정리한 노트(2028년까지 핵심 운영 업무 절반 이상에 AI)가 업무 통합과 에이전트를 다뤘다면, 이 기사의 무게는 Dataworks에 있습니다. Dataworks는 FedEx가 하루에 처리하는 약 1,700만 개 소포의 데이터를 도구로 바꾸는 조직입니다. 일부는 FedEx 운영을 개선하는 데 쓰고, 일부는 다른 기업에 팝니다. Evercore ISI 분석가에 따르면 인원은 약 150명입니다.

성과는 두 갈래로 나옵니다. 안쪽에서는 소포 데이터를 머신러닝 모델에 넣어 배송 예측을 다듬었고, Talwar는 예측을 만드는 데 드는 시간을 몇 달 만에 절반으로 줄였다고 말합니다. 바깥쪽에서는 10월에 발표한 Stripe 제휴로 FedEx의 출고 물량과 정시 배송 성과가 소상공인 대출 심사에 들어가고, Dun & Bradstreet(D&B)와는 정부 통계보다 4~6주 먼저 나오는 소매 경기 지수를 만들고 있습니다. Talwar의 목표는 AI로 생산성을 올리는 데서 멈추지 않고 새 매출 길을 여는 것입니다. 다만 숫자로 보면 아직 초기입니다. Dataworks가 지금까지 낸 절감액은 연 약 1,000만 달러로, FedEx가 내년까지 걸어 둔 20억 달러 비용 절감 목표의 작은 부분입니다. Evercore ISI의 Jonathan Chappell은 데이터 사업화가 앞으로 3년 동안 실적 전망을 가장 크게 웃돌 수 있는 요인이라고 봤습니다. 아래에서는 다섯 가지 작동 방식과 세 사례를 본 뒤, 운영 데이터를 상품으로 내놓을 때 필요한 기술·현업 디테일을 붙입니다.

핵심 메커니즘

Operational Exhaust as Signal: 배송하며 남는 데이터를 경제 신호로 읽는다

Operational exhaust(운영 부산물 데이터)는 본업을 하면서 저절로 쌓이는 기록입니다. FedEx에서는 소포마다 찍히는 스캔, 출발·도착 시각, 물량이 여기에 해당합니다. Talwar는 이 데이터가 빠르게 움직이고 소매 수요, 관세, 날씨, 교통의 변화를 담고 있다고 봅니다. 작동 방식은 간단합니다. 소포 단위 기록을 지역·업종·화주 단위로 묶으면, 어느 지역에서 어떤 상품이 얼마나 빨리 팔려 나가는지가 드러납니다. 이 신호를 FedEx 운영에만 쓰지 않고 그 신호가 필요한 다른 업계로 넓히는 것이 Dataworks의 출발점입니다. 거래 건수가 많고, 시장 전체에 고르게 퍼져 있고, 기록이 거의 실시간으로 쌓이는 회사에 맞습니다. 고객 몇 곳에 거래가 몰려 있다면 집계해도 특정 고객이 드러나므로 밖에 팔기 어렵습니다. 가상 예시로, 전국 편의점에 납품하는 식품 물류사라면 점포별 출고 물량만으로 지역별 소비 흐름을 읽을 수 있습니다.

ML Delivery Estimates: 소포 데이터로 도착 예측을 더 빨리 낸다

Dataworks는 소포 데이터를 머신러닝 모델에 넣어 배송 시각 예측을 다듬습니다. Talwar에 따르면 몇 달 만에 예측을 만드는 데 걸리는 시간을 절반으로 줄였습니다. 그는 1,700만 개 소포 하나하나가 지구 어디에 있든 2시간 창(window) 안에서 위치를 짚을 수 있다고도 말합니다. 입력은 소포별 이동 기록이고, 처리는 ML 모델의 도착 시각 추정이며, 출력은 고객과 운영 조직이 보는 예측입니다. 예측이 빨리 나오면 지연을 일찍 알아 대체 경로를 고를 시간이 생깁니다. 사내 효율을 먼저 증명해야 같은 데이터로 바깥 상품을 만들 때 품질을 설명할 수 있습니다. 기사는 모델 구조나 정확도 수치를 밝히지 않았습니다. 예측 결과를 받아 행동할 사람이나 시스템이 없는 조직이라면 산출 속도만 올려서는 효과가 작습니다.

Alternative Underwriting Signal: 배송 기록을 대출 심사 신호로 쓴다

Alternative data(대안 데이터)는 신용점수나 재무제표 밖에서 상대의 상태를 보여 주는 데이터입니다. Stripe 제휴에서 FedEx는 소상공인의 출고 물량과 정시 배송 성과 같은 배송 데이터를 넘기고, Stripe는 이를 대출 여부와 조건을 정하는 데 씁니다. 신용점수만 보면 과거 기록이 짧은 소상공인은 불리합니다. 반면 매주 꾸준히 물건을 보내고 약속한 날짜에 맞춰 출고하는 기록은 지금 장사가 돌고 있다는 증거가 됩니다. FedEx와 Stripe의 10월 발표는 출고 활동, 재고 이동, 주문 처리 성과를 신호로 들었고, 첫 공동 상품은 2027년 초에 내놓을 예정입니다. 같은 고객을 두 회사가 함께 상대하고, 한쪽 데이터가 다른 쪽 판단을 직접 개선할 때 성립합니다. 데이터 주인인 화주가 동의하지 않으면 시작할 수 없습니다.

Leading Indicator Index: 정부 통계보다 먼저 나오는 경기 지수

Leading indicator(선행 지표)는 공식 통계보다 먼저 방향을 알려 주는 지표입니다. D&B와 Dataworks는 배송 데이터, 기업 데이터, 정부 데이터를 결합해 미국 소매 경기를 거의 실시간으로 보여 주는 지수를 만들고 있습니다. Talwar는 이 지수를 정부 통계보다 4~6주 먼저 공개할 것이라고 말합니다. 2026년 2월 두 회사가 낸 발표를 보면 지수 이름은 Retail Momentum Index이고, FedEx의 지상·항공 배송 데이터와 D&B의 해상 물동량·컨테이너 지연 데이터, 기업 활동 신호를 합칩니다. 정확도는 미국 인구조사국의 월간 소매 판매 속보와 견주어 확인합니다. 한 회사의 데이터만으로는 시장 일부만 보이므로, 범위가 다른 데이터를 가진 회사와 묶어야 지수로서 대표성이 생깁니다. 거래가 특정 업종에 치우친 회사라면 전체 경기 지수보다 업종 지수가 맞습니다.

Inside-Out Monetization: 사내 효율에서 바깥 매출로 넓힌다

Inside-out monetization(안에서 밖으로의 사업화)은 데이터를 먼저 자기 운영에 써서 가치를 증명하고, 그다음 남에게 파는 순서입니다. Dataworks의 현재 성과는 대부분 안쪽에 있습니다. 절감액이 연 약 1,000만 달러이고, 이는 FedEx 전체의 20억 달러 비용 절감 목표에 비하면 작습니다. Talwar가 바라보는 것은 바깥쪽입니다. 그는 AI를 생산성과 효율 도구에 그치지 않고 새 매출 경로로 보고, 시장도 이 방향에 기대를 겁니다. 한 분석가는 Dataworks를 “largest upside to estimates over the next 3 years”로 꼽았습니다. 동시에 Talwar는 2028년까지 핵심 운영 업무 절반 이상에 AI를 넣는 목표도 그대로 가져갑니다. 사내 운영과 외부 상품이 같은 데이터와 같은 팀을 쓰기 때문에 두 목표가 서로를 받칩니다. 사내에서 쓰지 않는 데이터를 바로 팔려고 하면 품질 문제를 고객이 먼저 발견하게 됩니다.

통념과 다른 주장

저자가 든 사례

Stripe: 출고 물량과 정시율을 소상공인 대출 심사에

• 상황: 소상공인은 신용점수나 재무 기록만으로는 대출 심사에서 제대로 평가받기 어렵습니다.
• 한 일: 2026년 10월 FedEx와 Stripe가 제휴를 발표했습니다. Stripe는 FedEx 배송 데이터(물량, 정시 배송 성과)를 신용점수와 함께 보고 대출 여부와 조건을 정합니다.
• 결과: 첫 공동 상품은 2027년 초 출시 예정입니다(발표 기준). 승인율이나 대출 규모 같은 효과 수치는 원문에서 밝히지 않았습니다.
• 연결: Alternative Underwriting Signal, Operational Exhaust as Signal.

D&B: 정부 통계보다 4~6주 먼저 나오는 소매 지수

• 상황: 소매 경기를 판단하는 정부 통계는 한 달 단위로 늦게 나옵니다.
• 한 일: Dataworks와 D&B가 배송·기업·정부 데이터를 합쳐 미국 소매 경기를 거의 실시간으로 추적하는 지수를 만들고 있습니다.
• 결과: Talwar는 정부 통계보다 4~6주 먼저 공개한다고 밝혔습니다. 2026년 2월 발표에 따르면 지수는 2025년 4분기 소매 활동의 전년 대비 감소 폭이 평균 10.3%로, 1년 전 21.0%에서 줄었다고 봤습니다.
• 연결: Leading Indicator Index.

배송 예측: 산출 시간을 몇 달 만에 절반으로

• 상황: 하루 약 1,700만 개 소포의 도착 시각을 예측해야 합니다.
• 한 일: Dataworks가 소포 데이터를 ML 모델에 넣어 예측을 다듬었습니다.
• 결과: 예측을 만드는 데 드는 시간이 몇 달 만에 절반이 됐고, 소포 위치를 2시간 창 안에서 짚을 수 있다고 Talwar는 말합니다. 정확도 개선 폭은 원문에서 밝히지 않았습니다.
• 연결: ML Delivery Estimates, Inside-Out Monetization.

기술 디테일: 운영 데이터를 상품으로 내놓으려면

아래 필드명, 설정값, 구성은 원문에 없는 실행 제안이자 가상 예시입니다.

대출사에 넘길 피처는 화주 단위로 집계해 고정합니다(Alternative Underwriting Signal). 소포 단위 원본을 그대로 넘기면 받는 사람 주소 같은 제3자 정보가 섞이고, 대출사도 쓸 수 없습니다. 화주 ID를 기준으로 주 단위로 묶고, 심사에 바로 쓰는 값만 남깁니다. 물량은 절대값보다 추세와 변동성이 중요합니다. 계절 업종은 물량이 출렁여도 정상이므로 같은 주의 전년 대비 값을 함께 둡니다. 화주가 동의한 기간 안의 데이터만 넘기고, 동의 철회가 들어오면 다음 갱신부터 빠지게 합니다.

{
  "shipper_id": "S-48213",
  "consent": {"granted_at": "2027-01-10", "scope": "lending", "expires_at": "2028-01-10"},
  "week": "2027-W06",
  "parcels_4w_avg": 1040,
  "parcels_yoy_pct": 12.5,
  "parcels_cv_12w": 0.18,
  "on_time_ship_rate_4w": 0.96,
  "return_rate_4w": 0.04,
  "active_lanes": 37,
  "data_freshness_hours": 26
}

parcels_cv_12w는 12주 물량의 변동계수, on_time_ship_rate_4w는 화주가 약속한 날 출고한 비율입니다. data_freshness_hours가 72를 넘으면 대출사가 값을 쓰지 않도록 계약에 적어 둡니다.

집계는 최소 건수 기준으로 재식별을 막습니다(Operational Exhaust as Signal). 지역·업종 지수를 만들 때 한 칸에 화주가 몇 곳뿐이면 특정 회사의 실적이 드러납니다. 칸마다 화주 10곳 이상, 한 화주가 칸 물량의 30%를 넘지 않을 때만 공개하고, 못 미치면 위 단계 지역으로 합칩니다. 이 규칙은 코드로 강제하고 공개 전 자동 검사합니다.

선행성은 백테스트로 증명합니다(Leading Indicator Index). “몇 주 먼저”라는 주장은 과거 데이터로 보여 줘야 팔립니다. 과거 3년치 주별 출고 물량을 같은 기간 정부 소매 통계와 맞대고, 시차를 0~8주로 바꿔 가며 상관과 방향 일치율을 잽니다. 방향 일치율이 가장 높은 시차를 공개 시점의 근거로 씁니다. 공개 뒤에는 정부 통계가 나올 때마다 지수의 예측과 실제를 비교해 수정 이력을 함께 공개합니다. 고객이 지수를 믿는 근거가 이 기록입니다.

배송 예측은 구간 예측으로 냅니다(ML Delivery Estimates). 도착 시각을 점 하나로 내면 틀렸을 때 고객이 바로 실망합니다. 분위수 회귀(quantile regression)로 10%·50%·90% 시각을 함께 내면 “2시간 창” 같은 구간 약속이 됩니다. 산출 시간을 줄이려면 매번 전체를 다시 계산하지 않고 새 스캔이 들어온 소포만 다시 예측하는 증분 방식이 유리합니다. 정확도는 실제 도착이 90% 구간 안에 든 비율로 매일 잽니다.

막히는 경우	증상	대응
동의 없이 데이터 판매	화주 이탈, 계약 분쟁	화주별 동의 범위·기간을 필드로 관리, 철회 즉시 반영
작은 칸 공개	특정 화주 실적이 노출	최소 10곳·한 곳 30% 상한, 미달 칸은 상위 지역으로 합침
선행성 근거 부족	고객이 지수를 참고만 함	3년 백테스트와 공개 후 예측·실제 비교 기록
데이터 지연	대출사가 오래된 값으로 심사	data_freshness_hours 72시간 초과 시 사용 금지
사내 품질 미검증	외부 고객이 오류를 먼저 발견	사내에서 쓰는 데이터만 외부 상품으로 출시

현업 실행 디테일: 누가, 언제, 무엇을

원문은 Dataworks가 약 150명 조직이고 Talwar가 사내 기술 조직과 함께 이끈다고만 전합니다. 아래 역할, 일정, 기준은 이를 바탕으로 새로 짠 가상 예시입니다.

역할	맡는 일
CEO·CFO	데이터 사업을 비용 절감과 따로 볼지 결정, 매출 목표와 투자 한도
CDO·CIO(데이터 사업 책임자)	상품 후보 선정, 사내 활용과 외부 상품의 우선순위
데이터 상품 PM	파트너 인터뷰, 상품 정의, 가격 가설, 시범 운영
법무·개인정보	데이터 주인 동의 구조, 계약 조항, 집계 기준 승인
데이터·ML 팀	피처 집계, API, 백테스트, 품질 지표
영업·제휴	첫 파트너 발굴과 계약, 고객 반응 수집

준비물. 거래 데이터의 항목 목록과 보존 기간, 고객 계약서에서 데이터 활용을 허용하는 조항, 과거 3년치 주별 거래량, 이미 사내에서 쓰고 있는 데이터 지표와 그 정확도, 데이터를 사 줄 만한 업계 목록(금융, 신용정보, 유통, 정부 기관)이 필요합니다. 계약서 조항 확인이 가장 오래 걸리므로 첫 주에 법무에 넘깁니다.

기간	할 일	산출물
1~3주	후보 신호 목록 작성, 계약·동의 검토, 파트너 후보 5곳 인터뷰	신호 목록, 법무 의견, 수요 메모
4~6주	파트너 1곳 선정, 피처 정의와 집계 기준 승인, 가격 가설	피처 명세, 집계 규칙, 가격 모델 초안
7~10주	시범 운영(파트너가 실제 심사나 분석에 사용), 백테스트	사용 기록, 품질 지표, 수익 추정
11~12주	판정 회의	확대·보완·중단 결정서

파트너에게 물을 것.

1. 지금 판단할 때 가장 늦게 들어오거나 아예 없는 데이터는 무엇인가요?
2. 우리 데이터가 들어가면 어떤 결정이 바뀌나요? 승인, 한도, 가격 가운데 무엇인가요?
3. 몇 시간, 며칠 늦은 데이터까지 쓸 수 있나요?
4. 값이 틀렸을 때 손실은 누가 지고, 어떻게 확인하나요?
5. 건당, 월 구독, 성과 연동 중 어떤 가격 방식이 맞나요?

진행 판정 기준(예시). 시범 파트너가 우리 데이터를 넣은 결정을 전체의 30% 이상에 실제로 쓰고, 백테스트에서 공식 통계보다 2주 이상 앞서 방향을 맞힌 비율이 70%를 넘고, 동의 철회나 재식별 문제가 0건이면 두 번째 파트너로 넓힙니다. 사용률이 10% 아래면 상품 정의를 다시 하고, 법무 문제가 나오면 즉시 멈춥니다.

AX 적용 제언. 이 사례는 물류 회사에만 해당하지 않습니다. 카드사, 통신사, 유통사, 제조사의 출하 데이터처럼 본업을 하며 쌓이는 거래 기록은 모두 같은 구조로 볼 수 있습니다. 순서는 FedEx와 같게 잡는 편이 안전합니다. 먼저 사내 예측이나 운영 판단에 써서 품질을 증명하고, 그 데이터로 이득을 보는 파트너 한 곳과 시범을 돕니다. 경영진은 데이터 사업을 비용 절감 실적과 섞어 보고하지 않고 매출 목표를 따로 걸어야 합니다. 첫 파트너는 우리 고객을 함께 상대하는 금융사가 가장 빠릅니다. 현업 스폰서는 CFO가 맡고, CDO는 데이터 품질과 동의 구조를 책임지는 구조가 맞습니다.

원문 사례

항목	내용
원문	Forbes, 2026.11.11 게재(11.13 갱신), Alicia Park 작성
인물	Vishal Talwar(50세), FedEx CDIO 겸 FedEx Dataworks 대표, 2026 Forbes CIO Next, 2025년 8월 합류
경력	IBM·Dell Services 기술 조직, Accenture 컨설턴트 10년 이상, FedEx 기술 전략 약 1년 반 자문, 2024년 멤피스 체류 110일 이상
회사	2025년 매출 950억 달러, 주가 1년 약 50% 상승
Dataworks	하루 약 1,700만 개 소포 데이터를 도구로, 사내 활용과 외부 판매, 약 150명(Evercore ISI)
배송 예측	ML 모델, 예측 산출 시간 몇 달 만에 절반, 소포 위치 2시간 창 안 파악
데이터 신호	소매 수요, 관세, 날씨, 교통
Stripe	2026년 10월 발표, 물량·정시 배송 성과로 소상공인 대출 여부와 조건 판단, 신용점수 보완
D&B	배송·기업·정부 데이터 결합 소매 지수, 정부 통계보다 4~6주 먼저 공개
재무 영향	절감액 연 약 1,000만 달러, 전사 비용 절감 목표 20억 달러(내년까지)
시장 평가	Evercore ISI Jonathan Chappell, 향후 3년 최대 업사이드 요인
AI 목표	2028년까지 핵심 운영 업무 절반 이상에 AI
사회적 역할	이식용 장기 운송, 미 육군 물자, AI 데이터센터용 칩·부품 운송

핵심 개념

FedEx Dataworks

FedEx 배송 네트워크에서 나오는 데이터를 사내 도구와 외부 상품으로 바꾸는 조직입니다.

CIO Next

Forbes가 해마다 고르는 기술 리더 명단입니다.

Stripe Capital

Stripe가 가맹 사업자에게 운영 자금을 빌려주는 서비스입니다. FedEx 데이터가 들어가는 곳입니다.

Retail Momentum Index

D&B와 FedEx Dataworks가 2026년 2월 발표한 미국 소매 경기 지수입니다.

Advance Monthly Retail Sales

미국 인구조사국이 매달 내는 소매 판매 속보 통계입니다. 소매 지수의 비교 기준입니다.

Evercore ISI

미국 투자은행 Evercore의 리서치 부문입니다.

내 메모

TODO: 내 생각 추가

원문은 Forbes의 「FedEx’s CIO Is Betting Its Next Big Delivery Is Data」(Alicia Park, 2026.11.11)입니다. 요약, 핵심 메커니즘의 원문 설명, 통념과 다른 주장, 저자가 든 사례, 원문 사례 표는 원문 내용을 AX Review가 다시 정리했습니다. Stripe 제휴의 발표 시점(2026.10.6), 첫 상품 출시 시기, 신호 항목은 FreightWaves의 발표 보도(2026.10.7)로, 소매 지수의 이름과 입력 데이터, 비교 기준, 2025년 4분기 수치는 FedEx 뉴스룸의 D&B·FedEx Dataworks 발표(2026.2.5)로 보탰습니다. 같은 FedEx의 업무 통합과 에이전트 계획은 2026년 11월 8일 노트에서 다뤘습니다. JSON 예시, 집계·백테스트 규칙, 막히는 경우 표, 역할·일정·질문·판정 기준, 적용 제언, 인포그래픽은 원문에 없는 내용으로 새로 작성했고 그 안의 필드명과 숫자는 가상 예시입니다. 전체 내용은 원문에서 볼 수 있습니다.