사업관리자 워크스페이스
담당 기업과 사업의 세부 정보 및 AI 예측을 통하여 다양한 인사이트를 제공합니다.
각 항목의 ⓘ 아이콘에 마우스를 올리면 해당 항목에 대한 설명이 나타납니다.
무엇을 도와드릴까요?
담당 기업 조회
각 기업의 지원 발자취, 매출·고용 추이, 앞으로의 전망을 한 눈에 확인하고, 해당 기업에 가장 적합한 지원사업을 추천받습니다.
기업 방문 · 문의 대응 준비에 활용담당 사업 성과 분석
담당 사업이 기업 성장에 실제로 효과가 있었는지 3단계 검증과 만족도 결과로 확인합니다.
성과 보고 · 사업 개선에 활용기업 선정 평가 지원
다양한 기업들의 지원 후 성과를 다각도로 예측 및 비교합니다.
다음 모집 · 발굴 대상 선정에 활용
2
사업 선택 i
분석할 사업을 검색하거나 선택하세요.
3
핵심 성과 — 세부 지표 i
선택한 사업의 성과 지표를 한눈에 비교합니다.
4
만족도 조사 결과 실데이터 · 2024·2025 만족도조사
선택한 사업의 설문 점수와 심층 인터뷰 결과입니다. 만족도 조사가 없는 사업은 연동 예정으로 표시됩니다.
5
이 사업의 연계 흐름
이 사업을 받은 기업들이 어떤 경로로 들어와서, 어떤 지원을 함께 받고, 다음에는 어떤 사업으로 이어졌는지를 실제 지원 여정 데이터로 확인합니다.
2
기업 360° 조회 i기획의도
기업에 대한 다양한 정보를 한 페이지로 시각화하여,
담당자가 각 기업을 빠르게 파악하고 보다 효과적인 상담 및 제안으로
기업 성장과 정책 효과를 극대화할 수 있도록 돕습니다.
기업 정보·지원 발자취·비슷한 기업과의 비교·앞으로의 전망을 한 페이지에서 확인할 수 있습니다. 조회할 기업을 검색하거나 선택하세요.
기업에 대한 다양한 정보를 한 페이지로 시각화하여,
담당자가 각 기업을 빠르게 파악하고 보다 효과적인 상담 및 제안으로
기업 성장과 정책 효과를 극대화할 수 있도록 돕습니다.
기업 정보·지원 발자취·비슷한 기업과의 비교·앞으로의 전망을 한 페이지에서 확인할 수 있습니다. 조회할 기업을 검색하거나 선택하세요.
위 검색창에서 기업을 선택하면 AI가 해당 기업의 이력·지표·전망을 분석해 보여드립니다.
3
맞춤 사업 추천 i
받을 수 있고(자격) · 받을 법하고(가능성) · 도움이 되는(효과) 사업을 3단계로 계산해 추천합니다.
이 추천은 어떻게 뽑히나요?
추천 로직
① 자격요건 확인 — 42개 사업의 지원대상 원문과 실제 수혜 기록 443만 건을 전수 대조해 만든 요건 규칙으로, 자격이 안 되는 사업을 먼저 걸러냅니다.
② 유사기업 수혜 이력 + 여정 — "나와 닮은 기업들이 실제로 많이 받은 사업"(유사기업 수혜 비중)과 "내가 받은 사업 다음에 실제로 이어받은 사업"을 통합하여 가능성 점수를 계산합니다.
③ 유사기업 지원 성과·효과 — 나와 같은 조건(업종·매출·규모·업력·이력·인증)의 기업들이 그 사업을 받고 실제로 얼마나 좋아졌는지를 별도 목록(효과 TOP)으로 보여줍니다. 표본 30곳 미만 조합은 표시하지 않습니다.
금융/비금융을 나누어 보여주는 이유
지원 이력의 약 80%가 보증·융자(금융)라 한 줄로 섞으면 기술·수출 같은 성장 기회가 묻히고, "받을 법한 사업"(가능성)과 "받으면 효과가 컸던 사업"(효과)은 서로 다른 질문이라 나란히 보여주는 것이 정확하기 때문입니다. 두 목록에 모두 오른 사업엔 '가능성·효과 모두 상위' 표시가 붙습니다.
* 모두 실제 기록으로만 계산하며, 순위는 참고용입니다 — 선정을 보장하지 않고 최종 자격은 공고 원문 기준입니다.
① 자격요건 확인 — 42개 사업의 지원대상 원문과 실제 수혜 기록 443만 건을 전수 대조해 만든 요건 규칙으로, 자격이 안 되는 사업을 먼저 걸러냅니다.
② 유사기업 수혜 이력 + 여정 — "나와 닮은 기업들이 실제로 많이 받은 사업"(유사기업 수혜 비중)과 "내가 받은 사업 다음에 실제로 이어받은 사업"을 통합하여 가능성 점수를 계산합니다.
③ 유사기업 지원 성과·효과 — 나와 같은 조건(업종·매출·규모·업력·이력·인증)의 기업들이 그 사업을 받고 실제로 얼마나 좋아졌는지를 별도 목록(효과 TOP)으로 보여줍니다. 표본 30곳 미만 조합은 표시하지 않습니다.
금융/비금융을 나누어 보여주는 이유
지원 이력의 약 80%가 보증·융자(금융)라 한 줄로 섞으면 기술·수출 같은 성장 기회가 묻히고, "받을 법한 사업"(가능성)과 "받으면 효과가 컸던 사업"(효과)은 서로 다른 질문이라 나란히 보여주는 것이 정확하기 때문입니다. 두 목록에 모두 오른 사업엔 '가능성·효과 모두 상위' 표시가 붙습니다.
* 모두 실제 기록으로만 계산하며, 순위는 참고용입니다 — 선정을 보장하지 않고 최종 자격은 공고 원문 기준입니다.
정책담당자 워크스페이스
다양한 사업을 원하는 기준에 맞춰 다각도로 분석해보고, 효과를 극대화할 수 있는 정책 설계를 돕습니다.
무엇을 도와드릴까요?
전체 사업 성과 분석
분야·사업별 지원 이력과 성과를 원하는 기준으로 비교하고,
여러 사업을 골라 나란히 보며 현장 만족도까지 함께 확인합니다.
정책 설계 예측
과거 성과를 근거로 예산을 어디에 배분하고, 누구를 지원 대상으로 정할지 설계를 돕습니다.
정책 설계 · 기획에 활용
1-1
지원 이력 — 어디에 얼마나 지원했나
실측 · 지원이력 442.7만 건 · 253.3조원
전체 요약 → 분야별 → 세부사업 → 관리사업 순으로, 큰 그림에서 세부 단위로 내려가며 봅니다.
집계 기준:
5년 누적 — 분야별 지원 건수와 금액
지원받은 기업은 어떤 곳인가 — 선택 분야 기준 연동 샘플 240곳 i
관리사업 필터: 샘플 기업 이력이 세부사업 단위로 기록되어 연동 예정
3단계 성과 비교 — 실제 → 동급 대비 → 비수혜 대비 i
동급 대비 = 같은 업종·크기 기업들의 전 사업 평균과의 차이(%p · report3 실측 · 매출 기준 제공). 비수혜 대비 = 가상 대조군 이중차분(매출 구간 단위 · 시뮬레이션 시연).
1-2
사업별 성과 비교 — 매출·고용·생존율
42개 사업을 같은 기준으로 비교합니다 · 표시 항목은 체크박스, 정렬은 열 제목 클릭.
| 사업 | 분야 | 매출구간 오른 비율 ↕ |
동급 대비 (매출) ↕ i |
2년 생존율 ↕ i | 직원 늘어난 비율 ↕ |
분석 규모 |
|---|
1-3
사업 골라 비교 — 원하는 사업만 나란히 실데이터
비교하고 싶은 사업만 추가해 매출·생존·고용 성과를 나란히 봅니다.
1-3
만족도 조사 결과 비교
여러 사업의 만족도를 한눈에 비교하고, 각 사업의 세부 만족도 조사 결과를 확인합니다.
만족도조사 보고서(2024·2025) 원문 추출 실데이터입니다.
만족도조사 보고서(2024·2025) 원문 추출 실데이터입니다.
분야별 만족도 — 응답 수 · 평균 점수 실데이터
사업 골라 한눈에 비교 — 종합 만족도 실데이터 세부사업 기준
분야를 고르면 비교 대상 사업 목록이 바뀝니다
그래프 해석 방법 — X축(항목) 뜻
· 종합: 전 항목을 합친 총점
· 지원내용: 지원 금액·범위 등 내용 자체 만족
· 운영체계: 신청·행정·소통 등 과정 만족
· 타 사업 대비: 다른 지원사업과 비교한 상대 만족
· 전반적: 다시 참여할 의향 수준의 총평
· 회색 막대 = 조사 전체 평균
· '현실성': 지원 조건이 현장 실정과 맞는 정도 — 각 사업의 "가장 낮은 항목"에 자주 나타납니다
· 지원내용: 지원 금액·범위 등 내용 자체 만족
· 운영체계: 신청·행정·소통 등 과정 만족
· 타 사업 대비: 다른 지원사업과 비교한 상대 만족
· 전반적: 다시 참여할 의향 수준의 총평
· 회색 막대 = 조사 전체 평균
· '현실성': 지원 조건이 현장 실정과 맞는 정도 — 각 사업의 "가장 낮은 항목"에 자주 나타납니다
만족도와 성과, 함께 보기 — 어디를 손봐야 하나 실데이터 i
사업 상세 세부사업 기준 — 사업을 검색·선택하면 설문 점수와 심층 인터뷰가 나타납니다
2-1
분야·정책수단별 성과 분석 i
분야·정책수단별 과거 성과를 목표 기준으로 비교하는, 예산 배분의 근거 데이터입니다. 먼저 목표(매출·고용·생존)를 고른 뒤 왼쪽에서 분야, 오른쪽에서 지원 방식의 성과 순서를 확인하세요.
목표 기준:
실데이터 가중 평균 i
분야별 성과 i
정책수단별 성과 i
사업유형 조합 성과 — 정책수단·업종·기업규모 조합 실데이터 조합 i
잘 맞는 조합 TOP5 — 확대·연계 추천
성과 저조 조합 5 — 요건·설계 개선 검토
금액대별 지원 효과 — 많이 줄수록 좋은가? 연동 샘플 240곳 i
절대 금액 기준 — 상승 기업 비율
표준화 기준 — 1억원당 상승 기업 비율
고용·매출 매트릭스 — 42개 사업의 위치 실데이터
X = 매출구간 상승률(%) · Y = 고용 증가율(%) · 점 크기 = 분석 규모 · 오른쪽 위 = 매출·고용 모두 좋은 사업 · 점에 마우스를 올리면 사업명이 보입니다.
읽는 법 · 성장 확대가 목표인 예산은 동급 대비가 큰 기술·창업 계열에, 폐업 방지가 목표인 예산은 융자·보증(생존율·폐업 억제 기준으로 평가)에 두는 것이 과거 데이터와 부합합니다. R&D 수단은 상승률이 가장 높지만 규모가 작아 확대를 검토할 여지가 있습니다.
예산 배분 시 유의본 수치는 관측된 연관관계로 인과효과가 아닙니다. 안전망 목적 사업(보증·소상공인 융자)은 성장률이 아닌 생존율로 평가해야 하며, 수단별 최적 배분의 정밀 산출은 비수혜 기업 데이터 확보 시 가능합니다(1-3 참조).
2-2
요건별 성과 분석 — 어떤 기업 조건에서 좋았나 i
사업을 고르면, 과거에 이 사업의 성과가 특히 좋았던 기업 조건(업종·매출 구간·규모)과 특히 안 좋았던 조건을 보여줍니다. 공고의 업력·매출·업종 요건을 정할 때 참고하세요.
목표를 고르면 — 전 사업 통틀어 성과가 가장 좋았던 조합 시뮬레이션
선정우선순위 시뮬레이션 v3(16,416개 조건 조합) 재정렬
사업별 요건 설계
우리 회사에 딱 맞는 지원사업, 3분이면 찾습니다
기업 정보를 입력하면 203만 개사의 실제 지원 여정 데이터로 진단하고, 근거와 함께 다음 사업을 추천합니다.
1우리 회사에 맞는 지원사업 찾기
실제 지원 기록 443만 건으로 "비슷한 기업들이 무엇을 받고 어떻게 됐는지"를 근거로 추천합니다. 매출은 구간으로만 입력합니다.
먼저, 지원사업을 받아보신 적이 있나요?
비슷한 기업들의 지원 여정을 조회하고 있습니다…
데이터·분석 안내
이 화면이 어떤 데이터를 쓰고, 성과를 어떻게 재고, 어떤 로직으로 추천·평가하는지 투명하게 공개합니다.
1데이터와 성과 측정 기준
사용 데이터
기업 기본·재무 패널203.6만 곳 · 792.1만 행 (2020~24)
지원이력442.7만 건 (2021~25)
사업정보 · 공고210건 · 833건
만족도조사관리사업 673건 (24·25년 보고서 추출)
실제 데이터의 분석 결과와 표준 데이터 규격 기준의 샘플을 섞어 만든 시연 화면입니다. 실측값에는 출처를, 샘플값에는 "샘플"·"시뮬레이션" 표시를 붙였습니다.
성과를 재는 방법
· 이 데이터의 매출은 정확한 금액이 아니라 "10~20억" 같은 구간으로만 제공됩니다. 그래서 성장률(%) 대신 매출 구간이 올랐다/내렸다로 성과를 잽니다.
· 비교 시점은 지원 전년(지원받기 전 상태) → 지원 다음 해(효과가 나타날 시점)입니다.
· 폐업은 지원 후 2년 안에 문을 닫았는지로 봅니다.
· 표본 30건 미만 조합은 수치 대신 "표본부족"으로 표시합니다.
· 비교 시점은 지원 전년(지원받기 전 상태) → 지원 다음 해(효과가 나타날 시점)입니다.
· 폐업은 지원 후 2년 안에 문을 닫았는지로 봅니다.
· 표본 30건 미만 조합은 수치 대신 "표본부족"으로 표시합니다.
모든 수치는 "지원 후 변화"이며 정책효과가 아닙니다 — 선별효과가 섞여 있어 인과 해석을 하지 않습니다.
3전체 분석 파이프라인
① 데이터 결합
기업 203.6만 곳 × 지원이력 442.7만 건→ ② 성과 측정
지원 전년 → 다음 해 매출구간 비교 (143.3만 건)→ ③ 3층 효과분석
실측 / 동급비교 / 가상대조군→ ④ 예측 모델
성장·생존 확률 학습→ ⑤ 추천·설계
자격+여정+성과 3근거
기업 203.6만 곳 × 지원이력 442.7만 건→ ② 성과 측정
지원 전년 → 다음 해 매출구간 비교 (143.3만 건)→ ③ 3층 효과분석
실측 / 동급비교 / 가상대조군→ ④ 예측 모델
성장·생존 확률 학습→ ⑤ 추천·설계
자격+여정+성과 3근거
원칙 · 매출은 구간으로만(가짜 정밀성 방지) · 예측은 확률로만 · 모든 수치에 표본 규모 병기 · 지원 후 변화 ≠ 정책효과를 화면마다 명시.
2챗봇(LLM)은 무엇이고, 여기서 어떻게 일하나요?
AI를 처음 접해도 이해할 수 있게, 기본 개념부터 이 화면에서의 작동 방식까지 설명합니다.
LLM이 뭔가요?
LLM(거대 언어 모델)은 아주 많은 글을 읽고 "다음에 올 말"을 확률로 예측하도록 훈련된 프로그램입니다. 그래서 질문을 알아듣고 자연스러운 문장을 만드는 일은 매우 잘합니다.
대신 약점도 분명합니다 — 계산이 정확하다는 보장이 없고, 모르는 것도 그럴듯하게 지어내서 말할 수 있습니다(이를 '환각'이라고 부릅니다). 말솜씨 좋은 안내원이지, 회계 장부는 아닌 셈입니다.
대신 약점도 분명합니다 — 계산이 정확하다는 보장이 없고, 모르는 것도 그럴듯하게 지어내서 말할 수 있습니다(이를 '환각'이라고 부릅니다). 말솜씨 좋은 안내원이지, 회계 장부는 아닌 셈입니다.
그래서 POLARIS의 원칙 — "말은 LLM이, 숫자는 조회표가"
이 화면의 챗봇은 LLM에게 문장 만들기와 질문 이해만 맡깁니다. 답에 들어가는 모든 수치는 화면과 같은 사전계산 데이터(기업 1만 개사 · 사업 42개 · 만족도 603건 · 여정 42개)에서 그대로 꺼냅니다.
데이터에 없는 질문에는 "모른다"고 답하는 것이 정답이 되도록 설계했습니다. 그래서 같은 질문에는 언제나 같은 숫자가 나옵니다 — 시연 재현성.
데이터에 없는 질문에는 "모른다"고 답하는 것이 정답이 되도록 설계했습니다. 그래서 같은 질문에는 언제나 같은 숫자가 나옵니다 — 시연 재현성.
질문 하나가 처리되는 4단계
① 질문 이해
"이 사업 만족도 어때?" → 의도 파악→ ② 데이터 선택
내장 조회표에서 관련 표를 찾음→ ③ 답 작성
찾은 숫자만 근거로 문장 구성→ ④ 출처·연결
표본·한계 표시 + 관련 화면 버튼
"이 사업 만족도 어때?" → 의도 파악→ ② 데이터 선택
내장 조회표에서 관련 표를 찾음→ ③ 답 작성
찾은 숫자만 근거로 문장 구성→ ④ 출처·연결
표본·한계 표시 + 관련 화면 버튼
담당자가 무엇을 물어볼지 몰라도 됩니다 — 챗봇이 지금 보고 있는 화면과 선택한 사업·기업을 읽어 역할별 추천 질문을 먼저 제안합니다.
두 가지 모드
로컬 모드 — 외부 연결 없이 내장 규칙·데이터로 즉시 답합니다. 준비된 질문에만 답하지만, 인터넷 없는 시연장에서도 돌고 답이 항상 같습니다. 실서비스에서는 이 자리에 내부망 LLM이 들어갑니다.
AI 모드 (Gemini · 로컬 LLM) — LLM에 화면의 분석 데이터 전체를 근거 자료로 함께 보내 자유로운 질문에 답합니다. Gemini는 긴 자료를 한 번에 이해하는 데 강하지만 외부 연결이 필요하고, 로컬 LLM(자체 GPU 서버 · Qwen)은 데이터가 외부로 나가지 않아 실데이터 운영에 적합합니다 — 다만 장비 성능에 따라 답변 속도가 달라집니다(현 PoC 장비 기준 긴 답변은 수십 초).
AI 모드 (Gemini · 로컬 LLM) — LLM에 화면의 분석 데이터 전체를 근거 자료로 함께 보내 자유로운 질문에 답합니다. Gemini는 긴 자료를 한 번에 이해하는 데 강하지만 외부 연결이 필요하고, 로컬 LLM(자체 GPU 서버 · Qwen)은 데이터가 외부로 나가지 않아 실데이터 운영에 적합합니다 — 다만 장비 성능에 따라 답변 속도가 달라집니다(현 PoC 장비 기준 긴 답변은 수십 초).
지어내기(환각)를 막는 장치
· 숫자는 조회표에서만 — LLM이 수치를 계산·창작하지 않음
· 표본 30건 미만은 숫자 대신 "표본부족"
· 모든 답에 "지원 후 변화 ≠ 정책효과" 원칙 적용
· 예측은 반드시 확률·구간으로만 표현
· 질의응답 문제은행(골든셋 C)으로 오답률을 채점·기록
· 데이터 밖 질문(최신 공고, 개별 기업 내부 사정)은 모른다고 답하고 확인 경로 안내
· 표본 30건 미만은 숫자 대신 "표본부족"
· 모든 답에 "지원 후 변화 ≠ 정책효과" 원칙 적용
· 예측은 반드시 확률·구간으로만 표현
· 질의응답 문제은행(골든셋 C)으로 오답률을 채점·기록
· 데이터 밖 질문(최신 공고, 개별 기업 내부 사정)은 모른다고 답하고 확인 경로 안내
4예측 모델 성적표 실데이터 검증
과거(2021~22) 데이터로만 학습하고, 모델이 결과를 모르는 2023년 데이터로 시험을 쳤습니다.
| 모델 | 예측 대상 | 시험 성적 (AUC) | 실전 검증 결과 |
|---|---|---|---|
| 성장 예측 | 매출 구간이 오를 확률 | 0.839 / 1.0 | 예측 상위 10% 기업의 실제 상승률 43.0% (무작위 선정 10.9%의 약 4배) |
| 생존 예측 | 2년 내 폐업하지 않을 확률 | 0.769 / 1.0 | 위험 상위 10% 기업의 실제 폐업률 46.8% — 위기 기업 선제 방문에 활용 |
AUC란? 모델이 "오를 기업"과 "안 오를 기업"을 구분하는 능력 점수 — 0.5는 동전 던지기, 1.0은 완벽. 두 모델 모두 미래를 보장하지 않으며, 선정·배제의 근거로 사용할 수 없습니다(심사 보조·방문 우선순위 참고용).
5시뮬레이션 3종 — 무엇이 다르고, 결과는 어땠나
| 시뮬레이션 | 무엇을 흉내 내나 | 왜 필요한가 | 대표 결과 | 한계 |
|---|---|---|---|---|
| ① 가상 대조군 (3층 DiD) 시뮬레이션 | "지원 안 받은 비슷한 기업"을 전체 평균 성장 속도(연 +0.027구간)로 생성 | 모든 기업이 수혜 기업이라 실제 대조군이 없음 | 혁신창업자금 +0.29구간, 창업R&D +0.38구간 등 사업별 차이 시연 | 가상 비교 — 비수혜 데이터 수집 시 실제 분석으로 전환 |
| ② 요건 조합 (16,416개) 시뮬레이션 | 업종·매출·규모·업력 조합별 성과를 미리 계산 | 공고 요건 설계·후보 기업 스코어링 근거 | "매출 10~20억 소기업 제조업" 조합에서 +7.9%p 등 조합별 편차 확인 | 관측된 연관관계 — 인과 아님, 크리밍 주의 |
| ③ 재무·위험 지표 시뮬레이션 | 수출·자산·영업이익·한계기업위험 등 표준 규격 샘플 | 미래 데이터 확보 시의 화면·활용을 미리 시연 | 한계기업 위험도, 위험신호(추가 확인 대상) 표시 흐름 시연 | 실제 값 아님 — 재무 데이터 연동 시 실데이터로 대체 |
표기 약속현재 보유 데이터로 계산한 값에는 실데이터, 가상·표준 규격 샘플로 만든 값에는 시뮬레이션 라벨을 화면 전체에서 일관되게 붙였습니다.
6추천 로직 — 근거 없는 추천은 하지 않습니다
① 자격 요건
업력·매출 구간·규모를 공고 요건과 대조 — 안 되면 "안 되는 이유"를 그대로 표시합니다.
② 지원 사다리 근거 실데이터
442.7만 건의 지원 이력에서 "비슷한 길을 걸은 기업들이 실제로 다음에 받은 사업"을 집계합니다.
③ 성과 근거 실데이터
그 사업을 받은 비슷한 기업들의 매출 구간 상승 비율·동급 대비·폐업률을 함께 보여줍니다.
점수 계산 · 추천 점수 = 동급 대비 성과(Δ) + 자격 가점 + 이력 연계 가점(대출·보증만 반복 기업에는 기술·수출 가점). 후보 기업 순위에는 사업×기업 궁합(성과 좋았던 조건과의 일치도)을 보정으로 반영합니다.
실무자 인터뷰 반영 · 성장단계별 평가 기준 차등(초기기업=대표자·기술성, 성장기업=매출·고용·수출) · 유사기업 대비 상대평가 · 지원이력의 성장경로화 · 위험신호는 자동 탈락이 아닌 "추가 확인 대상" 표시 · 대표자 정성평가 보조(확인 질문 제안) · 성과관리 보고서 자동 생성.