[ADsP] 2. 데이터의 가치와 미래 (2)

1. 빅데이터 열풍과 회의론

(1) 빅데이터에 대한 관심과 기대

- 많은 양의 데이터가 반드시 새로운 가치로 연결되지는 않음

 

(2) 빅데이터 회의론의 원인

- 부정적 학습효과: 과거엔 막대한 비용을 지불하여 빅데이터 시스템을 구축했어도 어떻게 가치 창출하는지를 몰랐음

- 과대 포장: 기존의 분석 성공 사례를 빅데이터 성공사례로 포장한 것이 많음

2. 빅데이터 분석의 핵심은 'Big'이 아닌 '인사이트'

(1) 크기가 아니라 인사이트

- 데이터는 크기가 아니라 데이터로부터 어떤 시각과 인사이트를 얻을 수 있느냐의 문제

- 비즈니스의 핵심가치에 집중하고 이와 관련된 분석 평가 지표를 개발하고, 효과적으로 시장과 고객의 변화에 대응

 

(2) 전략적 인사이트의 중요성

- 분석이 경쟁의 본질을 제대로 바라보지 못할 때는 쓸모없는 결과만 쏟아내게 됨

- 이를 예방하기 위해 전략적 인사이트를 가지고 핵심적 비즈니스에 집중해 차별적인 전략으로 기업을 운영해야함

3. 일차원적 분석 vs 전략 도출을 위한 가치 기반 분석

(1) 일차원적 분석

산업	일차원적 분석 애플리케이션
금융서비스	- 신용점수 산정, 사기 탐지, 가격 책정, 클레임 분석
에너지	- 트레이딩, 공급/수요 예측
병원	- 가격 책정, 고객 로열티, 수익 관리
정부	- 사기탐지, 범죄방지, 수익 최적화
헬스케어	- 약품 거래, 예비 진단, 질병 관리

 

(2) 전략 도출을 위한 가치 기반 분석

- 일차원적인 분석은 업계 내부의 문제에만 포커스를 두고 있고, 주로 부서 단위로 관리되어 비즈니스 성공에 핵심은 X

- 우선은 일차적 분석을 통해 분석 경험을 늘려가고, 작은 성공을 거두면 더 넓고 전략적으로 변화시킴으로써 전략적 인사이트를 주는 가치 기반 분석 단계로 나아가야함

4. 데이터 사이언스에 대한 이해와 역할

(1) 데이터 사이언스에 대한 이해

- 데이터 사이언스는 데이터로부터 의미 있는 정보를 추출해내는 학문

- 통계학이 정형화된 실험 데이터를 분석 대상으로 하는 것에 비해 데이터 사이언스는 정형/비정형을 막론하고 다양한 데이터 대상

 

(2) 데이터 사이언스의 역할

- 데이터 마이닝은 주로 분석에 포커스를 두지만, 데이터 사이언스는 분석뿐 아니라 이를 효과적으로 구현하고 전달하는 과정, 궁극적으로는 전략적 인사이트 도출을 위한 행위까지 모두 포함

- 데이터 사이언스는 더 포괄적이고 총체적인 접근법 사용 -> 소통이 중요한 핵심 역량

5. 데이터 사이언스와 데이터 사이언티스트

(1) 데이터 사이언스 구성 요소

- Analytics: 수학, 확률 모델, 머신러닝, 분석학 등

- IT: 프로그래밍, 데이터 엔지니어링, 데이터 웨어하우징 등

- 비즈니스 분석: 커뮤니케이션, 프레젠테이션, 스토리텔링, 시각화 등 

 

(2) 데이터 사이언티스트에게 요구되는 역량

a. 하드 스킬

- 빅데이터에 대한 이론적 지식

- 분석 기술에 대한 숙련

 

b. 소프트 스킬

- 통찰력 있는 분석: 창의적 사고, 호기심 

- 설득력 있는 전달: 스토리텔링, 시각화

- 다분야 간 협력: 커뮤니케이션

6. 데이터 사이언스: 과학과 인문학의 교차로

(1) 전략과 인사이트 도출을 위한 인문학

- 기업들이 경영전략을 수립하는 데는 사고방식, 비즈니스 이슈에 대한 감각, 공감능력 등 소프트 스킬 필요

- 소프트 스킬은 인문학에서 나오기에, 데이터 사이언스는 과학과 인문학의 교차로에 있다고 표현

- 데이터 사이언티스트에게 스토리텔링, 커뮤니케이션능력, 창의력, 글쓰기 능력, 대화 능력이 필요

- 생산,산출 위주가 아닌 '창조과정'에 주목하는 인문학적 통찰력이 필요함 

 

(2) 인문학적 사고의 특성

- 데이터 사이언티스트는 정량분석이라는 과학과 인문학적 통찰에 근거한 합리적 추론을 탁월하게 조합할 수 있어야함 

- 단순히 정보를 활용하는 수준을 넘어 사업 성과를 좌우하는 핵심적 문제에 대답할 수 있는 수준의 인사이트 필요

7. 가치 패러다임의 변화

(1) 가치 패러다임

- 패러다임이란 어떤 한 시대 사람들의 견해나 사고를 근본적으로 규정하고 있는 프레임으로서의 인식의 체계

- 시간의 흐름에 따라 다음 세대의 패러다임에 자리를 물려주는데, 이를 '패러다임 시프트'라고 부름

- 가치 패러다임은 경제와 산업의 원천에 있는 가치에 대한 패러다임을 의미

 

(2) 가치 패러다임의 변화

- 디지털화 -> 연결 -> 에이전시로 패러다임 변화 

디지털화	- 아날로그의 세상을 어떻게 효과적으로 디지털화하는가가 이 시대의 가치를 창출
연결	- 디지털화된 정보와 대상들이 서로 연결되어 이 연결이 얼마나 효과적이고 효율적으로 제공되는가
에이전시	- 사물인터넷의 성숙과 함께 연결이 증가하고 복잡해짐, 이 연결을 얼마나 효과적이고 믿을만하게 관리하는가

 

8. 데이터 사이언스의 한계와 인문학

(1) 데이터 사이언스의 한계

- 정량적 분석이라도 모든 분석은 가정에 근거하며, 가정이 변하지 않는 동안에도 외부요인은 계속해서 변화함

- 데이터 분석은 100% 완벽하지 못함

 

(2) 데이터 사이언티스트에게 요구되는 인문학

- 훌륭한 데이터 사이언티스트는 인문학자들처럼 모델의 능력에 대해 항상 의구심을 가지고, 가정과 현실의 불일치에 대해 끊임없이 고찰하고, 분석 모델이 예측할 수 없는 위험을 살피기 위해 현실 세계를 주시해야함