Risk Register — CGM-free 혈당 반응 추론
리스크 매트릭스
| # | 리스크 | 영향도 | 발생 확률 | 완화 전략 |
|---|---|---|---|---|
| R-1 | 정확도 미달 | 높음 | 중간 | CGM 대조 파일럿 선행, ML 모델 고도화, 신뢰도 점수 투명 표시 |
| R-2 | FDA/식약처 규제 | 높음 | 낮음 | "웰니스 인사이트" 포지셔닝, 진단 주장 회피, 법률 검토 선행 |
| R-3 | Apple/Google/Oura 진입 | 높음 | 높음 | 2-3년 시간 창 활용, 사용자 기반 확보, 단식 연계 차별화 |
| R-4 | glucorexia 유발 | 중간 | 중간 | 상대 점수(Low/Moderate/High) 사용, 절대 혈당 수치 미표시 |
| R-5 | 과학적 회의론 확산 | 중간 | 중간 | 자체 파일럿 데이터 축적, 보수적 마케팅, "추론" 용어 사용 |
| R-6 | 영양 데이터 입력 부담 | 중간 | 높음 | HRV/HR/수면 기반 피처에 집중 (영양 optional), Apple Health 연동 |
| R-7 | January AI의 시장 선점 | 중간 | 중간 | 생체신호 중심 차별화, 단식 앱 연계, 다른 가격대 타겟 |
상세 리스크 분석
R-1: 정확도 미달
현재 rule-based 모델의 가중치(탄수화물 38%, HR 변화 24%, HRV 20%, 수면 12%, 단식 6%)는 문헌 기반 추정이지 자체 데이터로 최적화된 것이 아님. 연구에서 스마트워치 기반 예측이 84-87% 정확도를 달성했으나, 이는 통제된 환경에서의 결과이며 실제 앱 환경에서의 정확도는 낮을 수 있음.
완화: CGM 착용 사용자 25명 × 14일 파일럿으로 rule-based 모델의 baseline 정확도 측정. R² < 0.3이면 ML 모델 전환 또는 Kill 결정.
R-3: 빅테크 진입
Apple(Project Mulberry), Google(HOMA-IR 연구), Oura(Veri 인수)가 모두 이 방향으로 이동 중. 그러나:
- Apple의 하드웨어 센서는 2027+
- Google은 연구 단계
- Oura는 혈당 기능 미출시
Tab0가 2-3년의 시간 창에서 사용자 기반과 데이터를 축적할 수 있으나, 장기적으로는 빅테크와의 직접 경쟁은 피하고 니치(단식 × 혈당, 인슐린 감수성) 포지셔닝이 필요.
R-6: 영양 데이터 입력 부담
Tab0 Inference의 GlucoseFeatures에서 mealCarbohydratesGrams, mealFiberGrams, mealProteinGrams가 입력 데이터로 사용되며, 이 데이터의 부재 시 default value로 대체됨. 영양 데이터 없이도 HRV/HR/수면/단식 기반으로 추론이 가능하나 정확도가 낮아질 수 있음.
완화: "영양 데이터 optional" 모드 — 데이터 충분도에 따른 신뢰도 차등 표시 (이미 dataCompleteness로 구현됨).