[ADSP] 1과목 3장 가치 창조를 위한 데이터 사이언스와 전략 인사이트

빅데이터 분석과 전략 인사이트

빅데이터 열풍과 회의론

빅데이터 분석에서도 데이터에서 가치, 즉 통찰을 끌어내 성과를 창출하는 것이 관건이다. 현재 소개되는 많은 빅데이터 성공사례가 기존의 분석 프로젝트를 포장한다. 과대포장은 빅데이터 분석 전체의 신뢰성에 의심을 갖게 만들거나 개념적 혼란을 불러일으켜 빅데이터 분석이 자리잡기도 전에 기반을 흔들 수 있다.

왜 싸이월드는 페이스북이 되지 못했나?

• 데이터 분석 기반 경영 문화의 부재: 데이터 분석에 기초해 전략적 통찰력을 얻고, 의사결정을 내리고, 성과를 내는 체계가 없었기 때문
• 분석 기반 경영이 도입되지 못하는 이유는?
  • 기존 관행을 따를 뿐 시도하지 않는다.
  • 경영진의 직관적인 결정을 귀한 재능으로 칭송한다.
  • 제대로 익히지 못한 사람에게 분석 업무를 할당한다.
  • 아이디어보다 아이디어를 낸 사람에게 관심을 둔다.

빅데이터 분석, ‘Big’이 핵심 아니다

• 직관에 기초한 의사결정보다 데이터에 기초한 의사결정이 중요하다.
• 데이터의 양이 아니라 유형의 다양성과 관련있다.
  • 중요 목표와 잠재적 보상은 다양한 데이터 소스와 신종소스를 분석할 수 있는 능력이지 대용량 데이터 셋을 관리할 수 있는 능력이 아니다.
• 데이터는 크기의 이슈가 아니라, 어떤 시각과 통찰을 얻을 수 있냐의 문제이다.
• 비즈니스의 핵심가치에 집중하고, 평가지표를 개발하고, 효과적으로 시장과 고객변화에 대응할 수 있을 때 빅데이터 분석은 가치가 있어진다.
• 빅데이터의 걸림돌은 비용이 아닌 ‘분석적 방법과 성과에 대한 이해 부족’이다.

전략적 통찰이 없는 분석의 함정

• 데이터 크기를 떠나 전략적 분석이 주는 이점을 빠르고 구체적으로 이해해 받아들이는 것이 중요하다.
• 분석이 사업성과에 미치는 효과
  • 기업이 양질의 데이터 기반을 구축하면 경영자들은 데이터 및 시스템을 활용해 더 나은 의사결정을 내리는 것에 관심의 초점을 옮김
• 분석활용과 사업성과의 상관관계
  • 성과가 우수한 기업들은 대부분 일상 업무에 분석을 활용(낮은 기업들에 비해 5배, 분석 지향성이 강할수록 재무성과 우수)
  • 성과가 높은 기업 65%가 의사결정을 지원하는 역량이나 실시간 분석 역량 보유
  • 데이터 분석 내재화는 쉬운일이 아님(성과가 우수하더라도 가치 분석적 통찰력을 다 갖춘것은 아님)
• 단순히 분석을 많이 하는 것이 경쟁 우위를 가져다 주지는 않음

일차적인 분석 vs 전략도출을 위한 필요 역량

• 빅데이터는 가치 창출이 가능해야하고, 그 시점이 빠를수록 더 좋음
• 일차적 분석을 통해서도 상당한 효과를 얻을 수 있음
• 일차적인 분석을 통해 경험을 늘려가고 분석의 활용범위를 더 넓고 전략적으로 변화시킴으로써 전략적 인사이트를 주는 가치 기반 분석 단계로 나아가야함
  • 이 단계에 도달하면 분석은 기업의 경쟁전략을 이끌어갈 수 있음

전략 인사이트 도출을 위한 필요 역량

데이터 사이언스의 의미와 역할

데이터 사이언스란?

• 데이터로부터 의미 있는 정보를 추출해내는 학문
• 정형, 비정형을 막론하고 다양한 유형의 데이터를 대상으로 총체적 접근법 사용
• 데이터 마이닝은 분석에 초점되지만 데이터 사이언스는 분석뿐 아니라 이를 효과적으로 구현하고 전달하는 과정까지 포괄

  데이터 사이언스의 역할

  전략적 통찰을 추구하고 비즈니스 핵심 이슈에 답을 하고, 사업의 성과를 견인

데이터 사이언스의 구성요소

데이터 사이언스의 핵심 구성요소

• 데이터 처리와 관련된 IT영역, 분석적 영역, 비즈니스 컨설팅 영역을 포괄
• Analytics: 수학, 확률모델, 머신러닝, 분석학, 패턴 인식과 학습, 불확실성 모델링 등
• IT(Data Management): 시그널 프로세싱, 프로그래밍, 데이터 엔지니어링, 데이터 웨어하우징, 고성능 컴퓨팅 등
• 비즈니스 분석: 커뮤니케이션, 프리젠테이션, 스토리텔링, 시각화 등

  데이터 사이언티스트의 요구역량

• 하드 스킬(hard skill): 데이터 처리나 분석 기술과 관련
• 소프트 스킬(soft skill): 통찰력 있는 분석, 설득력 있는 전달, 협력 등

데이터 사이언스: 과학과 인문의 교차로

데이터 사이언스 전문가들이 더 높은 가치를 창출해내고 진정한 차별화를 가져오는 것은 전략적 통찰과 관련한 소프트 스킬이다.

전략적 통찰력과 인문학의 부활

• 사회경제적 환경의 변화
  • 단순세계화에서 복잡한 세계화로의 변화(convergence -> divergence)
  • 비즈니스의 중심이 제품생산에서 서비스로 이동
  • 경제와 산업의 논리가 생산에서 시장창조로 변화
• 인문학의 열풍
  • 산출물만을 중시하는 것이 아닌 창조과정에 주목하는 인문학적 통찰력이 필요

데이터 사이언티스트에 요구되는 인문학적 사고의 특성과 역할

• 정보 차원: 단순히 정보를 활용한다고 할 수 있는 정도의 수준
• 통찰력 제시: 사업 성과를 좌우하는 핵심적인 문제에 대해 대답

구분	정보	통찰력
과거	무슨 일이 일어났는가?	어떻게, 왜 일어났는가?
	보고서 작성 등	모델링, 실험설계
현재	무슨 일이 일어나고 있는가?	차선 행동은 무엇인가?
	경고	권고
미래	무슨 일이 일어날 것인가?	최악 또는 최선의 상황은 무엇인가?
	추출	예측, 최적화, 시뮬레이션

데이터분석 모델링에서 인문학적 통찰력의 적용사례

• 인간을 바라보는 관점
  • 타고난 성향의 관점 : 인간을 변하지 않는 존재로 상정
  • 행동적 관점 : 한 사람의 행동을 지속적으로 관찰해 그 행동을 보고 사람을 판단하는 것이 더 정확하다는 관점
  • 상황적 관점 : 특정한 행동을 지속하는 사람들도 주변 맥락이 바뀌면 갑작스레 행동 패턴이 변화(인간의 가변적 성향)
• 데이터 분석에서 적용사례
  • ‘인간을 어떤 관점에서 바라봐야하나, 이를 위해서는 어떤 데이터가 필요하며 어떤 기술을 활용해야 할 것인가.’라는 질문에 중요한 가이드 제공

빅데이터 그리고 데이터 사이언스의 미래

빅데이터의 시대

2011년 기준 디지털 정보량 1.8제타바이트로 선거예측, 비용절감, 매출증대, 고객서비스 향상, 신규 비즈니스 창출, 내부 의사 결정 지원 등 상당한 가치 발휘

빅데이터 회의론을 넘어: 가치 + 패러다임의 변화

• 예측하지 못했던 전환이나 위기에 빨리 적응할 수 있는 능력 필요
• 가치 패러다임 : 경제와 산업근처에는 다양한 가치 원천이 존재하며, 특정기간 지배적으로 작용함

구분	설명
디지털화 (Digitalization)	아날로그의 세상을 어떻게 효과적으로 디지털화하는가가 이 시대의 가치를 창출해 내는 원천
	ex) 도스운영프로그램, 워드/파워포인트와 같은 오피스프로그램 등
연결 (Connection)	디지털화된 정보와 대상들이 서로 연결되어, 이 연결이 얼마나 효과적이고 효율적으로 제공해 주느냐가 이 시대의 성패를 가름
	ex) 구글의 검색 알고리즘, 네이버의 콘텐츠
에이전시 (Agency)	사물인터넷(IoT)의 성숙과 함께 연결이 증가하고 복잡해짐 복잡한 연결을 얼마나 효과적이고 믿을 만하게 관리하는가가 이슈
	데이터 사이언스의 역량에 따라 좌우

데이터 사이언스의 한계와 인문학

데이터 사이언스의 한계

정량적분석이라도 모든 분석은 가정에 근거하며, 가정이 변하지 않는 동안에도 실제 외부요인은 계속해서 변화함
데이터 분석은 완벽하지 않으나, 정보가 뒷받침되지 않는 직관보다 낫다

데이터 사이언티스트의 역할

모델의 능력에 대해 항상 의구심을 가지고, 가정들과 현실의 불일치에 대해 고찰하고, 예측할 수 없는 위험을 살피기 위해 현실 세계를 주시