[ADsP #4] 데이터이해 3장 - 가치 창조를 위한 데이터 사이언스와 전략 인사이트

* 시작하기에 앞서 본 게시물에 포함된 내용은 한국데이터산업진흥원에서 발행한 [데이터 분석 전문가 가이드, 2019년 2월 8일 개정]

   에 근거한 것임을 밝힙니다.

 

 

1. 빅데이터 분석과 전략 인사이트

 

     1) 빅데이터 열풍과 회의론

          - 몇 년 사이에 여기저기서 빅데이터가 성공의 보증수표처럼 떠올랐다. 하지만 '빨리 끓어 오른 냄비가 빨리 식는다'는 말처럼

            일종의 거품현상을 우려하며 회의론이 심심찮게 흘러나온다. 아래 그림은 이러한 우려를 반영하듯 '빅데이터' 키워드 검색

            건수가 급증하다 식어가는 모습을 볼 수 있다. 

 

<빅데이터 검색량 증감추이, 출처 : Google Trends>

 

          - 더 큰 문제는 회의론을 극복하는 것이 쉽지 않을 수도 있다는 점이다. 우선 많은 기업들이 가지고 있는 '고객관계관리(CRM)'를

            통해 경험한 부정정 학습효과 때문이다. 처음엔 도입만 하면 마치 모든 문제를 해소할 것처럼 보였지만, 막상 도입하고 보면 상

            황이 달라진다. 어떻게 활용하고 가치를 뽑아내야 할지 첫 번째 물음부터 다시 해야하는 사태가 벌어진다. 이처럼 이렇다 할 투

            자효과를 거두지 못한 부정적 학습효과 때문에 빅데이터 분석을 의심의 눈초리로 바라보는 경우를 흔치 않게 볼 수 있다.

 

          - 더불어, 현재 소개되는 빅데이터의 많은 성공사례들이 실상은 기존 분석 결과를 포장해 놓은 게 태반이다. 우수고객 이탈 예측

            이나 고객 구매패턴 분석을 기초로 다음 구매 제품을 예측한다든지 등이 그 예다. 이런 것들은 CRM에서 예전부터 해오던 고객

            분석이다. 이러한 과대포장은 빅데이터에 대한 신뢰성을 저하시킬 수 있다.

 

 

     2) 빅데이터 분석, 'Big'이 핵심 아니다

          - 빅데이터 분석에서 중요한 것은 다양한 데이터 소스와 신종 소스를 분석할 수 있는 능력이지 대용량 데이터 세트를 관리할 수

            있는 능력이 아니다. 새로운 비정형 데이터를 정형 데이터와 결합해 활용함으로써 고객과 비즈니스를 보다 종합적으로 파악할

            수 있다.

 

          - 따라서, 데이터는 크기의 이슈가 아니라 어떤 시각과 통찰을 얻을 수 있느냐의 문제다. 무작정 '빅'한 데이터를 찾을 것이 아니

            라, 비즈니스의 핵심에 대해 보다 객관적이고 종합적인 통찰을 주는 데이터를 찾는 것이 더욱 중요하다. 전략과 비즈니스의 핵

            심 가치에 집중하고 관련 평가지표를 개발하여 이를 통해 시장과 고객 변화에 효과적으로 대응할 때 빅데이터의 가치가 생긴다.

 

          - 전략과 비즈니스의 핵심 가치에 집중하는 전략적 통찰력의 중요성은 싸이월드의 예에서 확인할 수 있다. 왜 싸이월드는 페이스

            북이 되지 못했나? 한때 세계 최대의 소셜 네트워크 서비스라 해도 무방할 정도였던 싸이월드는 왜 페이스북이 되지 못했을까?

            '데이터 분석 기반 경영 문화의 부재'라고 말할 수 있다. 싸이월드는 분석 인프라를 갖추고도 중요한 의사결정에 직관력을 보조

            하는 수준에서 활용되고 있었다.

 

          - 반대로, 비즈니스에 대한 전략적 분석과 통찰력으로 성공한 링크드인의 사례가 있다. 링크드인의 데이터 사이언티스트인 골드

            만(Goldman) 박사는 데이터 분석에 의해 '당신이 알 수도 있는 사람들(People You May Know)' 서비스를 개발하였고, 이는

            수백만 페이지뷰를 창출하여 링크드인을 더 높은 단계로 도약시켰다.

 

          - 지금 한국의 경영 문화는 어떨까? 여전히 데이터 분석을 국소적인 문제 해결 용도로 사용하는 단계에 머물고 있다. 허울뿐인

            '빅' 데이터는 고사하고 내부의 '스몰' 데이터도 제대로 활용하지 않는 경우가 더 많지 않을까 한다. 한국 기업에 대한 무시라기

            보다 데이터 분석에 기초한 전략적 통찰을 갖춘다는 것은 탁월한 능력을 가진 기업들도 쉽지 않아 하는 부분이기 때문이다.

 

          - 그렇다 하더라도 데이터 분석이 사업성과에 미치는 조사결과를 본다면 다시 한번 관심을 가져볼 만하다.

            데이븐포트가 실시한 이 조사는 34개국 18개 산업에 이르는 371개 기업의 경영진을 대상으로 이뤄졌다. 그리고 조사결과 '기업

            이 양질의 데이터 기반을 구축하면 경영자들은 데이터 및 시스템을 활용해 더 나은 의사결정을 내리는 것에 관심의 초점을 옮긴

            다'는 사실이 드러났다. 더욱 중요한 사실은 분석 활용과 사업성과 사이에 놀랄만한 상관관계가 발견된다는 점이다.

 

          - 이처럼 데이터 분석을 활용해 가치를 창출해 내는 것은 기존에 수행하던 일차적인 분석으로도 가능하다. 이를 통해 해당 부서나

            업무 영역에서 상당한 효과를 얻을 수 있음이 밝혀졌다. 하지만 대부분의 일차적 분석은 업계 내부의 문제에만 포커스를 두고 있

            으며, 주로 부서단위로 관리되기에 전체 비즈니스 성공의 핵심 역할을 기대하기는 어렵다.

 

          - 따라서, 일차적인 분석에서 활용 범위를 더 넓고 전략적으로 변화시켜 나가야 한다. 이 단계가 사업 성과의 차별화를 꾀할 전략

            적 인사이트를 주는 '가치 기반 분석 단계'이다. 이를 위해서는 사업과 이에 영향을 미치는 트렌드에 대해 큰 그림을 그려야 한

            다. 인구 변화, 경제사회 트렌드, 고객 니즈의 변화 등을 고려하고, 또한 대변화가 어디서 나타날지도 예측해야 한다. 이렇듯 전

            략적 통찰력의 창출에 포커스를 뒀을 때, 분석은 해당 사업에 중요한 기회를 발굴하고, 주요 경영진의 지원을 얻어낼 수 있고 이

            를 통해 강력한 모멘텀을 만들어 낼 수 있다.

 

 

     3) 빅데이터의 미래 : 가치 패러다임의 변화

          - 빅데이터의 다양한 활용과 가능성에도 서두에서 언급한 여러 문제들로 인해 대두되는 빅데이터 회의론을 넘어야 하는 과제가

            기다리고 있다. 회의론을 넘어 그 가치를 제대로 보기 위해서는 세상이 어떠한 방향으로 가고 있는지 알아내는 작업이 필요하다.

            간략하게 이러한 커다란 흐름을 '가치 패러다임' 측면에서 살펴볼 수 있다.

 

          가. 디지털화(Digitalization)

               → 아날로그 세상을 어떻게 효과적으로 디지털화하는가가 가치 창출의 원천

               → 대표주자인 빌 게이츠는 윈도우 운영체제와 오피스 프로그램을 통해 그 가치를 창출했다.

 

          나. 연결(Connection)

               → 인터넷과 함께 디지털화된 정보와 대상들이 연결되며 가치를 창출

               → 구글은 연결을 활용한 검색 알고리즘으로 야후를 뒤안으로 물러나게 만들었다.

 

          다. 에이전시(Agency)

               → 향후에는 '복잡한 연결을 얼마나 효과적이고 믿을 만하게 관리해주는가'의 이슈인 '에이전시'가 키워드가 될 확률이 높다.

               → 구글, 삼성, 애플 등에서 내놓는 웨어러블 기기들은 '에이전트 기능을 얼마나 잘 수행하느냐'를 핵심으로 한다.

 

 

 

 

2. 전략 인사이트 도출을 위한 필요 역량

 

     1) 데이터 사이언스란?

          - 데이터로부터 의미 있는 정보를 추출해내는 학문

          - 정형 또는 비정형을 막론하고 다양한 유형의 데이터를 대상으로 함.

          - 데이터 마이닝이 주로 분석에 초점을 두고 있는 반면, 데이터 사이언스는 분석뿐 아니라 이를 효과적으로 구현하고 전달하는

            과정까지를 포함한 포괄적 개념

 

 

     2) 데이터 사이언스의 구성 요소

          - IT 영역 + 분석 영역(Anlytics) + 비즈니스 컨설팅(분석)을 포괄

 

          - 데이터 사이언티스트의 요구역량

               → Hard Skill : 빅데이터에 대한 이론적 지식, 분석 기술에 대한 숙련

               → Soft Skill : 통찰력, 설득력, 커뮤니케이션, 호기심, 인문학적 소양 등

 

 

     3) 데이터 사이언스 : 과학과 인문의 교차로

          - 데이터 사이언스가 더 높은 가치를 창출해내고 진정한 차별화를 가져오는 것은 '사고방식, 비즈니스 이슈에 대한 감각,

            고객들에 대한 공감능력' 등 전략적 통찰과 관련된 소프트 스킬이다.

 

            그리고 이러한 능력들은 대부분 인문학의 주요 주제들이다. 인문학적 통찰력이 중요한 이유는 다음과 같다.

 

          가. 단순 세계화에서 복잡한 세계화로의 변화

               → (과거) 단순 세계화 : 컨버전스의 동역학, 규모의 경제, 글로벌 효율성, 표준화, 이성화

               → (현재) 복잡한 세계화 : 디버전스의 동역학, 다양성, 관계, 연결성, 창조성, 생산기지이자 신규 시장이 된 신흥국

 

          나. 비즈니스의 중심이 제품생산에서 서비스로 이동

               → (과거) 제품생산 비즈니스 : 효용경제에 기초, 고장없는 뛰어난 품질 우선시

               → (현재) 서비스 비즈니스 : 체험경제, 고객 서비스 및 커뮤니케이션 우선

 

          다. 경제와 산업의 논리가 생산에서 시장창조로 변화

               → (과거) 생산의 논리 : 대규모 투자, 공급자 중심의 기술 경쟁

               → (현재) 시장창조 : 현지화 패러다임, 현지 문화에 암묵적(관습적) 지식 중요

 

 

     4) 인문학적 통찰력의 적용 사례

          - 금융업 '신용리스크 모델'

               → 벤치마킹할 대상이 사라지며 현 단계를 진일보시키기 위한 근본적인 질문을 던지게 됨

                     (인간을 어떤 관점에서 바라보고 있을까?, 관점에 따라 필요한 데이터나 기술이 달라지기 때문)

 

          - 인간을 바라보는 관점

               가) 성향적 관점 : 변하지 않는 존재

               나) 행동적 관점 : 지속적인 행동 관찰(신용행동을 근거로 판단하는 현재의 신용리스크 모델)

               다) 상황적 관점 : 인간의 가변적 성향(깨진 유리창의 법칙)

 

          - 인간에 대한 새로운 관점의 해석 외에도, 인문학은 '고정된 사고방식에서 벗어나 혁신을 생각하고 창의성을 토대로 새로운

            가치를 창출'하려는 데이터 사이언티스트들에게 중요한 가치 창출의 원천이 될 수 있다.

 

 

     5) 데이터 사이언스의 한계와 인문학

          - 분석 과정은 가정 등 인간의 해석이 개입되는 단계를 반드시 거치기에 완벽하지 않다.

          - 샘플의 무작위 선별이나 데이터의 정규분포에 대한 믿음도 모두 하나의 가정일 뿐이다.

          - 데이터 사이언티스트는 인문학자들처럼 모델의 능력에 대해 항상 의구심을 가지고 고찰하며 예측 불가능한 위험을

            살펴야 한다.