1과목 데이터의 이해 3장 가치 창조를 위한 데이터 사이언스와 전략 인사이트

※ ADsP 정리글은 어디까지나 한국데이터진흥원에서 발행한 데이터분석 전문가 가이드를 읽어야 그 맥락이 이해되는 물건입니다. 그러니 꼭 사서 정리을 보길 추천합니다.

3장 가치 창조를 위한 데이터 사이언스와 전략 인사이트

1절 빅데이터 분석과 전략 인사이트

1. 빅데이터 열풍과 회의론

- CRM과 같은 IT 솔루션의 말로처럼 활용하고 가치를 뽑아낼 방법을 몰라 망하는 사례가 늘어 이미지가 나빠질 수 있음.

- 성공사례가 실은 기존 CRM 분석 프로젝트 포장한게 태반. 실제론 빅데이터가 필요 없는 경우가 태반.

- 먼저 내부 데이터를 갖고 연구하자는 결론이 나올 정도로 분석 활용이 열악한 상태

- 근본적이고 어려운 질문은 피해나가면 된다는 유혹에 넘어가기 쉬워짐

 

2. 왜 싸이월드는 페북이 되지 못했을까?

● 데이터 분석 기반 경영 문화 부재. MIT에서 경제학 박사를 받은 하라스엔터테이먼트 회장 러브먼은 다음과 같은 이유를 제시

- 기존 관행만 따르고 중요한 시도는 안함

- 경영진의 의사결정은 정확성이나 공정한 분석을 필요로 하지 않고 직관을 재능으로 칭송

- 분석적 실험을 갈망하거나 능숙하게 하는 사람이 없음

- 아이디어 자체 보다 아이디어 낸 사람이 누군지 관심

● 싸이월드 경영진은 데이터를 직관력 보조, 상황 확인 수준에 사용.

- 비즈니스 핵심 가치와 관련된 어떤 심도 있는 분석, 프레임워크, 평가지표 조차 없음.

3. 빅데이터 분석, Big이 핵심 아니다

- 초기단계에 벗어나기 위한 데이븐 포트의 지적 : 빅데이터를 효과적으로 소비하는 것은 인간, 기계? 고객 데이터와 운영데이터 중 어느것이 더 중요? 새로운 인사이트 도출을 촉진 하는가 기존 가설을 입증할 뿐인가? 거시 전략적 가치는 끌어낼 수 있지만 가치는 저마다의 시각에 따라 다를 수 있다.

- 데이터가 많다고 능사가 아니라, 데이터기반 의사결정에 보다 객관적이고 종합적인 통찰을 줄 수 있는 데이터를 찾는 것에 역점 둘 것.

4. 전략적 통찰이 없는 분석의 함정

● 데이븐포트의 대규모 설문조사 결과 : 기업이 양질의 데이터 기반을 구축하면, 경영자들은 데이터 및 시스템을 활용해 더 나은 의사결정을 내리는 것에 관심의 초점을 옮긴다.

성과가 낮은 기업	분석활용과 사업성과 사이 상관관계 발견	성과가 높은 기업
23%	상당한 의사결정 지원/분석 역량을 갖춤	65%
8%	폭넓은 가치 분석적 통찰력을 갖춤	36%
33%	산업 평균 이상의 분석 역량을 갖춤	77%
23%	전체 조직에서 분석을 활용	40%

- 34개국 18개 산업에 이르는 371개 기업에 재직 중인 경영진 대상으로 조사.

- 성과가 높은 기업이라도 가치 분석적 통찰력을 가진 비율이 적음. 그만큼 기업 핵심 가치와 관련해 전략적 통찰력을 가져다주는 데이터 분석 내재화가 쉽지 않음.

- 1차적, 부분적 분석을 통해 손쉬운 해결책만 찾다 전략적 통찰이 없는 분석이란 함정 조심(아메리칸 항공이 그 예시-원인은 차별화되지 않은 분석적 접근법, 쓸모없는 비즈니스 모델을 뒷받침 하는데 분석력을 활용)

 

5. 일차적 분석 vs. 전략도출 위한 가치 기반 분석

- 일차적 분석 사례

산업	분석 어플리케이션
금융 서비스	신용점수 산정, 사기 탐지, 가격 책정, 프로그램 트레이딩, 클레임 분석, 고객 수익성 분석
소매업	판촉, 매대 관리, 수요 예측, 재고 보충, 가격 및 제조 최적화
제조업	공급 사슬 최적화, 수요 예측, 재고 보충, 보증서 분석, 맞춤형 상품 개발, 신상품 개발
운송업	일정관리, 노선 배정, 수익관리
헬스케어	약품 거래, 예비 진단, 질병 관리
병원	가격 책정, 고객 로열티, 수익관리
에너지	트레이딩, 공급, 수요예측
커뮤니케이션	가격 계획 최적화, 고객 보유, 수요예측, 생산능력 계획, 네트워크 최적화, 고객 수익성 관리
서비스	콜센터 직원 관리, 서비스·수익 사슬 관리
정부	사기 탐지, 사례관리, 범죄 방지, 수익 최적화
온라인	웹 매트릭스, 사이트 설계, 고객추천
모든 사업	성관관리

출처: 토마스 데이븐 포트·잔느 G. 해리스·로버트 모리슨, 『분석의 기술』, 2011, 21세기 북스

- 이런 식의 분석 활용은 중요한 시점에 경고를 해주고, ‘경쟁에 뒤처지지 않고, 변화하는 고객의 기대를 따라잡기 위해 뭘 해야할지 알려 줌’

- 하지만 이는 내부 문제에만 포커스 두며, 부서단위로 관리되어 전체 비즈니스 성공의 핵심역할을 기대하기 어렵다. 자칫 쓸모없는 분석으로 자원 낭비.

● 사업성과를 견인하는 핵심요소, 차별화를 꾀할 기회에 대한 전략적 인사이트를 주는 가치 기반 분석 단계로 나가야함.(=전략적 분석)

- 트랜드에 대한 큰 그림(인구통계학적 변화, 경제사회 트렌드, 고객 니즈 변화, 대변화 예측)이 필요.

- 파편적이고 부분적 분석으론 핵심적 질문, 가령 어디서 성과를 올리고 어떤 요인이 성과를 좌우 하는지를 평가할 수 없다.

 

2절 전략 인사이트 도출을 위해 필요한 역량

1. 데이터 사이언스의 의미와 역할

■ 데이터 사이언스 : 데이터로부터 의미 있는 정보를 추출해내는 학문.

- 통계학은 정형화된 실험 데이터를 대상으로 하나 데이터 사이언스는 다양한 유형.

- 데이터 마이닝은 분석에 초점, 데이터 사이언스는 구현, 전달 과정까지 포함한 포괄적 개념으로 접근해; 전략적 통찰을 추구하고, 비즈니스 핵심 이슈에 답을 하고, 사업성과를 견인해야 단순한 데이터 분석에서 벗어날 수 있음

2. 데이터 사이언스의 구성요소

-핵심 구성요소

1) IT(Data Management)

2) Analytics

3) 비즈니스 분석(컨설팅 영역)

- 하드스킬 뿐만 아니라 소프트 스킬도 중요.

출처 : 한국 정보화진흥원, 새로운 미래를 여는 빅데이터

호기심이 중요하게 꼽히는 경우가 있음

3. 데이터 사이언스 : 과학과 인문의 교차로

- 인간이 잘하는 부분을 결합시킬 필요가 있음.

4. 전략적 통찰력과 인문학의 부활 : 패스트팔로워의 다음단계로 중요

인문학 열풍의 근거로 볼 수 있는 사회 경제적 환경 변화

1) 단순 세계화에서 복잡한 세계화로의 변화 : 표준화, 효율성에서 다양성과 각 사회 정체성, 맥락, 관계, 연결성, 창조성이 키워드로 대두.

2) 비즈니스 중심이 제품생산에서 서비스로 이동 : 효용경제에서 체험경제로 맥락변화.

3) 경제와 산업의 논리가 생산에서 시장창조로 바뀜 : 새로운 현지화 패러다임에 근거한 시장 창조로 이동.

5. 데이터 사이언티스트에 요구되는 인문학적 사고의 특성과 역할

- 비판 : 그런 생각을 할 수 밖에 없도록 만들었던 것을 들춰 물음을 던지는 일

분석이 통상적으로 다루는 질문들(좌>>우, 위>>아래 순서로 1~6)

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

- 정보 : 1단계로 단순한 형태로 정리 수준. 어림 규칙으로 정규적 패턴 파악해 벗어나는 경우는 경고, 패턴 토대로 예측

- 통찰력 : 2단계로 어떻게 왜 일이 발생했는지 설명, 효과적인 권고, 최악최선 파악해 최선을 이끌도록 돕는다.

6. 데이터 분석 모델링에서 인문학적 통찰력의 적용 사례

● 한국은 신용리스크 모델이 더 이상 벤치마킹할 대상이 없음. 근본적인 질문을 던지지 않을 수 없다.

-인간을 보는 세 가지 관점

1) 성향의 관점 : 타고난 성향이 있고 그것이 변치 않을 것

2) 행동적 관점(현 신용리스크 모델 관점) : 행동을 지속적으로 관찰해 판단

3) 상황적 관점 : 행동만이 아니라 상황과 맥락까지 고려(이쪽이 나아갈 길)

3절 빅데이터 그리고 데이터 사이언스의 미래

1. 빅데이터의 시대 : 2011년 기준 생성된 디지털 정보량 1.8ZB

2. 빅데이터 회의론을 넘어 : 가치패러다임의 변화

- 경제와 산업 근저에는 다양한 가치 원천이 존재하며, 이 작동원리에 맞아 떨어질 때 성공

- Digitalization(DOS) >> Connection(야후vs구글) >> Agency(연결을 얼마나 효과적이고 믿을 만하게 관리해주는가)

- 이를 수행하기 위한 것이 데이터 사이언스와 관련된 능력

3. 데이터 사이언스의 한계와 인문학

- 데이터 분석은 직관에 비하면 낫다. 하지만 과거에 기반한 가정을 사용하므로, 현실과의 불일치를 유의해야함.