UMIS - Universal Market Intelligence System

"불확실성을 기회로 전환하는 시장 분석 시스템"

---

🎯 UMIS란?

AI 에이전트 6명이 협업하여 시장을 분석하는 RAG 기반 프레임워크

UMIS는 불확실한 시장 상황에서 근거 있는 판단을 내리기 위한 체계적 사고 시스템입니다. 단순한 데이터 분석 도구가 아니라, 시장을 이해하고 기회를 발견하며 가치를 추정하는 전체 프로세스를 자동화합니다.

해결하는 문제

기존 시장 분석의 어려움:

• ❌ 데이터 부족: "이 시장 규모는 얼마지?" → 공개 데이터 없음
• ❌ 불확실성: "이 기회가 진짜 가치 있나?" → 검증 방법 모름
• ❌ 추적 불가: "이 수치 어디서 나왔지?" → 출처 불명
• ❌ 재현 불가: "같은 분석 다시 하려면?" → 처음부터 다시
• ❌ 높은 진입장벽: 시장 분석 = 전문가 영역

UMIS의 접근:

• ✅ 데이터 부족 해결: 54개 검증된 패턴/사례로 유추 → Validator가 크로스체크
• ✅ 불확실성 정량화: 모든 판단에 certainty (high/medium/low) 명시
• ✅ 완전한 추적성: 모든 결론 → 원본 데이터/RAG 패턴 역추적 가능
• ✅ 재현 가능성: YAML 스키마 + Excel 함수로 프로세스 재실행
• ✅ 진입장벽 제거: 코딩 불필요, 자연어 대화만으로 사용

핵심 철학

1. "모든 판단에는 근거가 있어야 한다"

   • 추측이 아니라 근거 기반 추론
   • 모든 수치에 source (출처) 명시

2. "불확실성을 인정하고 명시한다"

   • "확실하다"는 착각 대신 certainty 수준 제시
   • 확신도가 낮으면 → 추가 검증 자동 제안

3. "프로세스를 재현 가능하게 만든다"

   • Excel 함수로 계산 추적
   • YAML로 분석 과정 저장
   • 누구나 같은 결과를 재현 가능

---

🤖 6명의 AI 전문가

UMIS는 6개의 전문 Agent가 역할을 명확히 분담하여 협업합니다:

Agent	역할	주요 작업	예시
Albert (Observer)	시장 구조 관찰	가치사슬, 비효율 감지	"음악 스트리밍 시장의 3계층 구조 관찰"
Steve (Explorer)	기회 발굴	54개 패턴 매칭, 가설 생성	"구독 모델 + Counter-Positioning 패턴 발견"
Bill (Quantifier)	시장 규모 계산	SAM/TAM 4가지 방법, 성장률	"한국 음악 스트리밍 SAM: 5,200억원"
Rachel (Validator)	데이터 검증	출처 확인, Gap 분석	"85% 케이스에서 확정 데이터 제공"
Stewart (Guardian)	품질 관리	순환 감지, 목표 정렬	"같은 질문 3회 반복 → 방향 전환 제안"
Fermi (Estimator)	값 추정	4-Stage Fusion, 재귀 없음	"B2B SaaS Churn: 5-8% (certainty: high)"

Agent 간 협업 흐름

1. 프로젝트 시작
   └─ Stewart (Guardian): 목표 명확도 평가
   
2. 시장 구조 이해
   └─ Albert (Observer): 가치사슬 분석
      └─ Bill (Quantifier): 구조 관련 정량 데이터 지원
      └─ Rachel (Validator): 데이터 검증

3. 기회 발굴
   └─ Steve (Explorer): RAG 패턴 검색 → 가설 생성
      └─ Bill: 수익성 검증
      └─ Rachel: 사례 데이터 확인

4. 가치 추정
   └─ Fermi (Estimator): 4-Stage 추정
      └─ Rachel: 확정 데이터 우선 제공 (85%)
      └─ Bill: Benchmark 데이터 제공

5. 최종 검증
   └─ Stewart: 품질 평가 + 일관성 체크

특징:

• 각 Agent는 명확한 책임 영역 (MECE)
• 필요 시 다른 Agent 호출 (상호 협력)
• 모든 판단은 근거 기반 (추측 금지)

---

✨ 핵심 특징

1. RAG 기반 지식 활용

54개 검증된 패턴/사례 자동 검색:

• 31개 비즈니스 모델 패턴 (구독, 프리미엄, 마켓플레이스 등)
• 23개 파괴적 혁신 패턴 (Counter-Positioning, 7 Powers 등)
• 실제 사례 데이터 (Netflix, Spotify, Zoom 등)

작동 방식:

사용자: "@Steve, 음악 스트리밍 시장 분석해줘"

→ Steve (Explorer)가 RAG 검색:
  - "구독 모델" 패턴 발견
  - "3계층 가치사슬" 패턴 매칭
  - Netflix, Spotify 유사 사례 검색

→ 54개 패턴 중 관련 있는 8개 자동 선별
→ 각 패턴의 트리거 시그널 확인
→ 현재 시장에 적용 가능성 분석

2. 완전한 추적성 (Full Traceability)

모든 결론을 원본 데이터까지 역추적:

# 예시: Excel 자동 생성
B2B SaaS Churn Rate: 5-8%
  ├─ source: Validator (확정 데이터)
  ├─ certainty: high
  ├─ 근거: 
  │   └─ data_sources_registry.yaml > business_metrics > churn_rate
  │       └─ "SaaS Capital Index 2023: 5-7%"
  ├─ 검증:
  │   └─ Cross-check: OpenView Partners (6-8%)
  └─ Excel 함수:
      =VLOOKUP("churn_rate", data_sources, 2)

재현 가능성:

• Excel에서 수식 클릭 → 원본 데이터 확인
• YAML 파일 열기 → 출처 URL 직접 접근
• 다른 사람이 같은 프로세스 재실행 가능

3. Native 모드 (Cursor 인터페이스 그대로 활용)

핵심 장점: 별도 프로그램 설치 없이 Cursor에서 바로 사용:

# .env 설정
LLM_MODE=cursor

# 사용
Cursor Composer (Cmd+I):
"@Steve, 시장 분석해줘"

→ Cursor의 UI/UX 그대로 활용
→ 새로운 프로그램 설치 불필요
→ 커스터마이징 용이 (Cursor Rules, @mentions)
→ 비용: $0 (Cursor 구독에 포함)

External 모드와 비교:

항목	Native (Cursor)	External (OpenAI/Anthropic)
사용성	✅ Cursor 인터페이스 그대로	별도 API 설정 필요
설치	✅ 추가 설치 불필요	API Key 설정
커스터마이징	✅ Cursor Rules, @mentions	프로그래밍 필요
비용	$0 (Cursor 구독)	$0.01-0.10 per request
자동화	불가 (수동 실행)	가능 (스크립트)

4. Estimator: 4-Stage Fusion Architecture (v7.11.0)

데이터가 없을 때 값을 추정하는 시스템:

Stage 1: Evidence Collection (증거 수집, <1초)
  ├─ Literal: 프로젝트 데이터 확인
  ├─ RAG: 학습된 규칙 검색
  ├─ Validator: 확정 데이터 검색 (85% 처리!)
  └─ Guardrail: 논리적/경험적 제약 수집
  ↓ Early Return (확정값 발견 시 즉시 반환)

Stage 2: Generative Prior (생성적 사전, ~3초)
  └─ LLM에게 직접 값 요청 + certainty 평가
  ↓ certainty == high → 종료

Stage 3: Structural Explanation (구조적 설명, ~5초)
  └─ Fermi 분해 (재귀 없음, max_depth=2)
     - 변수 식별 → Stage 2로 각 변수 추정 → 공식 계산
  ↓

Stage 4: Fusion & Validation (융합, <1초)
  └─ 모든 Stage 결과를 가중 합성 → 최종 값

예시:

질문: "B2B SaaS Churn Rate는?"

Stage 1 (Evidence):
  - Validator 검색 → "SaaS Capital: 5-7%" 발견
  - certainty: high
  - Early Return: 즉시 반환 (Stage 2-3 스킵)

결과: 5-7% (source: Validator, certainty: high, 시간: 0.3초)

특징:

• ✅ 재귀 없음: 속도 3-10배 향상 (10-30초 → 3-5초)
• ✅ Budget 기반: max_llm_calls, max_runtime 명시적 제어
• ✅ Early Return: 85% 케이스에서 Stage 1에서 종료
• ✅ Certainty: LLM 내부 확신도 (high/medium/low)

5. 코딩 불필요

자연어 대화만으로 사용:

비개발자도 사용 가능:
- Python 코드 작성 X
- API 호출 X
- 데이터 처리 X

→ 오직 대화만!

예시:
"@Steve, 구독 모델 패턴 찾아줘"
"@Fermi, B2B SaaS ARPU는?"
"@Bill, SAM 계산해줘"

---

💡 독특한 사용 방식: Cursor를 인터페이스로

UMIS는 전통적인 CLI나 GUI가 아니라 Cursor IDE를 인터페이스로 활용합니다.

왜 Cursor를?

기존 도구	문제점	UMIS + Cursor	장점
CLI	명령어 외우기 어려움	자연어 대화	"@Steve, 시장 분석해줘"
GUI	개발 비용 높음	설정 불필요	Cursor만 있으면 OK
Jupyter	코드 작성 필요	코딩 불필요	대화만으로 분석

실제 사용 예시

# 1. Cursor Composer 열기 (Cmd+I)
# 2. umis.yaml 첨부 (@umis.yaml)
# 3. 자연어로 요청

"@Steve, 음악 스트리밍 시장 분석해줘"
→ Steve (Explorer)가 RAG 패턴 검색 → 분석 → Markdown 저장

"@Bill, SAM 계산해줘"
→ Bill (Quantifier)이 4가지 방법으로 계산 → Excel 생성

"@Fermi, Churn Rate는?"
→ Fermi (Estimator)가 4-Stage 추정 → 근거 포함 반환

TL;DR: CLI/GUI가 아니라 AI 협업 도구. Cursor가 UMIS 지식을 읽고 대화하는 방식.

---

📦 빠른 시작

1. Clone

git clone https://github.com/kangminlee-maker/umis.git
cd umis

2. 설치 (최초 1회, 5분)

python setup/setup.py

# 자동으로:
# - 패키지 설치
# - .env 생성 (API Key 입력 필요)
# - RAG Collections 구축 (5분)

필요: OpenAI API Key (RAG 구축용, 최초 1회, 비용 ~$1-2)

3. 사용 (Native 모드, 비용 $0)

# .env 파일 설정
LLM_MODE=cursor  # Native 모드 (Cursor LLM 사용, 비용 $0)

# Cursor Composer 열기 (Cmd+I)
# umis.yaml 첨부 (@umis.yaml)
# 대화 시작:

"@Steve, 음악 스트리밍 시장 분석해줘"

완료! Steve가 RAG 패턴을 검색하고, Cursor LLM이 분석합니다. (비용 $0)

상세: INSTALL.md 참조

---

🤖 Agent 커스터마이징

config/agent_names.yaml 파일 수정:

# 기본 이름
explorer: Steve
quantifier: Bill

# 커스텀 이름으로 변경 (1줄만 수정!)
explorer: Alex
quantifier: 탐색자

사용:

"@Alex, 기회 찾아봐"  # Alex (Explorer) 호출
"@탐색자, SAM 계산해줘"  # 탐색자 (Quantifier) 호출

양방향 매핑: @Alex ↔ Explorer (자동 변환)

---

📚 문서

시작하기

• INSTALL.md - 설치 가이드
• setup/START_HERE.md - 30초 빠른 시작
• umis.yaml - 메인 가이드라인 (Cursor 첨부용)

핵심 문서

• UMIS_ARCHITECTURE_BLUEPRINT.md - 전체 아키텍처
• FOLDER_STRUCTURE.md - 폴더 구조
• CHANGELOG.md - 버전 변경 이력

Agent별 가이드

• Observer (Albert): observer_guide.md
• Explorer (Steve): explorer_guide.md
• Quantifier (Bill): quantifier_guide.md
• Validator (Rachel): validator_guide.md
• Guardian (Stewart): guardian_guide.md
• Estimator (Fermi): ESTIMATOR_API_v7_11_0.md ⭐ v7.11.0

커스터마이징

• config/agent_names.yaml - Agent 이름 변경
• .cursorrules - Cursor 자동화 규칙
• config/model_configs.yaml - Stage별 모델 설정

---

🆕 v7.11.0 업데이트 (2025-11-26)

주요 변경사항

1. 4-Stage Fusion Architecture

• Before: Phase 0-4 (5단계)
• After: Stage 1-4 (4단계)
• 이유: 개념적 명확성, 속도 향상

2. 재귀 제거

• Before: Phase 4 재귀 (max_depth=4, 10-30초)
• After: Stage 3 Fermi (max_depth=2, 재귀 없음, 3-5초)
• 속도 향상: 3-10배

3. Budget 기반 탐색

from umis_rag.agents.estimator.common import create_standard_budget

budget = create_standard_budget()  # max_llm_calls=10
result = estimator.estimate(question, budget=budget)

4. 용어 개선

이전	v7.11.0	의미
phase (0-4)	source (Literal/Prior/Fermi/Fusion)	추정 소스
confidence (0.0-1.0)	certainty (high/medium/low)	LLM 내부 확신도

5. 성능 개선

• 속도: 3-10배 향상 (10-30초 → 3-5초)
• 비용: LLM 호출 평균 50% 감소
• 예측 가능성: 실행 시간 예측 가능 (max_depth=2 고정)

v7.11.0 문서

• ESTIMATOR_API_v7_11_0.md - API 문서
• ESTIMATOR_USER_GUIDE_v7_11_0.md - 사용자 가이드
• V7_11_0_MIGRATION_COMPLETE.md - 마이그레이션 완료 보고서

Deprecated (v7.11.0)

• Phase 3-4 Architecture → Stage 2-3 Fusion Architecture로 대체
• Phase3Config/Phase4Config → Budget로 대체
• 하위 호환성 제공 (compat.py, DeprecationWarning)

---

🤝 기여

이슈와 PR을 환영합니다!

1. Fork the repository
2. Create feature branch (git checkout -b feature/amazing-feature)
3. Commit changes (git commit -m 'Add amazing feature')
4. Push to branch (git push origin feature/amazing-feature)
5. Open Pull Request

기여 가이드: VERSION_UPDATE_CHECKLIST.md

---

📄 라이선스

MIT License - 자유롭게 사용, 수정, 배포 가능합니다.

---

📞 문의

• GitHub Issues: umis/issues
• Discussions: umis/discussions

---

UMIS Team • 2025 • v7.11.0 Fusion Architecture