[ADsP] 1-3. 가치 창조를 위한 데이터 사이언스와 전략 인사이트

1. 빅데이터 분석과 전략 인사이트

• 빅데이터 열풍과 회의론
  • 거품현상 우려하는 시선도 적지 않았음
  • 이러한 회의론으로 인해 실제 빅데이터 분석에서 찾을 수 있는 가치 발굴 전에 차단해버릴수도 있음
  • 회의론의 원인 : 투자효과 거두지 못한 사례 존재 (과거의 CRM) 및 빅데이터 성공 사례가 기존 분석 프로젝트 포함한 경우도 많음

싸이월드의 퇴보 원인
- 싸이월드도 OLAP 같은 분석 인프라가 존재했으나, 중요한 의사결정이 데이터 분석에 기초하지 않았음
- 웹로그 분석을 일차원적으로 분석하여 사업 상황을 확인하기 위한 협소한 문제에만 집중
- 소셜 네트워킹 활동 특성 등과 관련 분석은 하지 않음
- 트렌드 변화가 사업모델에 미치는 영향 알아차리지 못함
  → 전략적 분석은 치열한 시장에서 기업 생존을 좌우할 정도로 중요할 수 있다!

 

• 빅데이터 분석에 대한 긍정적 시각
  • 기존 프로세스 자동화를 우선 시행 후, 점차적으로 거시적, 전략적 가치까지 이끌어 낼 수 있을 것
  • 데이터 기초 의사결정이 직관에 기초한 의사결정보다 중요 (by 조슈아 보거 박사)
  • 데이터의 크기보다, 데이터에서 어떤 시각과 통찰을 얻을 수 있느냐가 중요
  • 비즈니스 핵심에 대해 객관적이고 종합적인 통찰을 줄 수 있는 데이터가 중요
  • 가치 있을 빅데이터 분석 과정 :
    전략, 비즈니스 핵심 가치에 집중 → 분석 평가지표 개발 → 효과적으로 시장, 고객변화에 대응
• 전략 도출을 위한 가치 기반 분석
  • 전략적 통찰력 창출에 집중하여 중요 기회 발굴
  • 분석 활용 범위를 넓고 전략적으로 변화시켜야 함
  • 사업성과를 견인하는 요소와 차별화할 수 있도록 전략적 인사이트를 주는 가치기반 분석 단계로 나아가야

2. 전략 인사이트 도출을 위한 필요 역량

• 데이터 사이언스의 의미와 역할
  • 데이터로부터 의미있는 정보를 추출해내는 학문 (분석, 구현, 전달 과정 포함)
  • 데이터 공학, 수학, 통계학, 컴퓨터공학, 시각화, 해커의 사고방식 등의 전문지식을 종합한 학문
  • 비즈니스 성과 좌우 핵심 이슈에 답을 하고, 사업 성과를 견인해 나갈 수 있어야 함
  • ex : 링크드인(비즈니스 네트워크 서비스), 골드만(People You May Know 배너 추가)
• 데이터 사이언스의 구성요소
  • 분석적 영역 : 수학, 확률모델, 머신러닝, 분석학, 패턴인식과 학습, 불확실성 모델링
  • 데이터 처리 관련 IT 영역 : 시그널 프로세싱, 프로그래밍, 데이터 엔지니어링, 데이터 웨어하우스, 고성능 컴퓨팅
  • 비즈니스 컨설팅 영역 : 커뮤니케이션, 프레젠테이션, 스토리텔링, 시각화
• 데이터 사이언티스트의 요구 역량
  • Hard Skill
    빅데이터 대한 이론적 지식 : 관련 기법에 대한 이해, 방법론 습득
    분석 기술에 대한 숙련 : 최적 분석 설계 및 노하우 축적
  • Soft Skill
    통찰력 있는 분석 : 창의적 사고, 호기심, 논리적 비판
    설득력 있는 전달 : 스토리텔링, visualization
    다분야간 협력 : 커뮤니케이션
  • 중요도 : Hard Skill < Soft Skill (특히 전략적 통찰을 주는 분석 측면에서) 
• 데이터 사이언티스트의 역할
  
  • 데이터 소스 찾기, 복잡한 대용량 데이터 구조화, 불완전한 데이터 연결
  • 강력한 호기심으로 문제의 이면에 파고 들으며 검증 가능한 가설 세우기
  • 인문학적 요소 필요 (스토리텔링, 커뮤니케이션, 창의력, 열정, 직관력, 비판적 시각, 글쓰기 능력, 대화능력)

• 전략적 통찰력과 인문학의 부활 (외부 환경적 측면에서의 인문학 열풍 원인)
  • 복잡한 세계화로의 변화 : Convergence → Divergence
    - Convergence : 규모의 경제, 세계화, 표준화, 이성화
    - Divergence : 복잡한 세계, 다양성, 관계, 연결성, 창조성
  • 비즈니스 중심의 변화 : 제품생산 → 서비스
  • 경제 및 산업 논리의 변화 : 생산 → 시장창조
• 데이터 사이언티스트에 요구되는 인문학적 사고의 특성과 역할
  • 정보 : Reporting(무슨 일이 일어났는지) → 경고(무슨 일이 일어나고 있는지) → 추측(무슨 일이 일어날 것인지)
  • 통찰력 : 모델링(어떻게, 왜 일어났는지) → 권고(차선 행동은 무엇인지) → 예측, 최적화, 시뮬레이션(최악/최선의 상황은 무엇인지)

데이터 분석 모델링에서 인문학적 통찰력의 적용 사례 : 신용 리스크 모델
- 과거) 타고난 성향 관점 : 사람마다의 성향에 따라 결정 
- 현재) 행동적 관점 : 한 사람의 행동을 지속적으로 관찰
- 미래) 상황적 관점 : 한 사람의 놓여있는 상황과 맥락을 고려

 

3. 빅데이터 & 데이터 사이언스의 미래

• 빅데이터 가치 패러다임의 변화
  
  • 디지털화 : 아날로그 세상를 어떻게 효과적으로 디지털화하는지
  • 연결 : 디지털화된 정보, 대상 연결을 얼마나 효율적으로 제공해주는지
  • 에이전시 : 복잡한 연결을 얼마나 효과적으로 믿을 수 있게 관리해주는지

• 데이터 사이언스의 한계
  • 가정 등 인간의 해석이 개입되는 단계를 반드시 거침
  • 분석 결과가 사람마다 전혀 다르게 해석될 수 있음
  • 정량적 분석 포함한 모든 분석은 가정에 근거
  • 데이터에 묻혀 있는 잠재력 풀어내고, 새로운 기회를 찾아야 함

 

출처 : ADsP 데이터 분석 준전문가 (윤종식 저)