데이터 사이언티스트와 전략 인사이트

앞 노트에서 빅데이터가 얼마짜리이고 무엇이 위험한지를 봤고, 미래를 떠받치는 세 요소 가운데 마지막이 「데이터를 다루는 사람」이었습니다. 이번 노트가 그 사람 이야기입니다. 1과목의 마지막 범위이고, 분석이 어떤 자리에 머물면 가치가 안 나오는지, 그 한계를 넘는 사람에게 무엇이 필요한지를 차례로 묻습니다. 계산은 없고 짝 맞추기가 전부라 점수를 챙기기 좋지만, 「하드 스킬이냐 소프트 스킬이냐」처럼 한 칸만 옮겨 놓은 선택지가 많아 갈래의 기준을 붙잡아 두어야 합니다.

일차원적 분석

산업별 분석 사례

어느 산업에나 오래 해 온 분석이 있습니다. 그 산업 안에서 누구나 하는, 업무에 바로 붙은 분석을 일차원적 분석이라 부릅니다. 시험은 산업과 분석의 짝을 보기로 냅니다.

표를 통째로 외울 필요는 없습니다. 짝이 어색한 것을 골라내는 문항이 대부분이라, 「그 산업이 매일 결정해야 하는 것이 무엇인가」를 떠올리면 됩니다. 소매업은 매일 무엇을 얼마나 채울지 정하므로 재고 보충이고, 통신은 가입자가 떠나지 않게 붙드는 일이 매출이므로 고객 보유입니다. 사기 탐지가 금융과 정부 두 곳에 나온다는 점만 따로 기억합니다.

일차원적 분석의 한계

일차원적 분석은 틀린 분석이 아니라 필요한 분석입니다. 문제는 거기서 멈출 때 생깁니다. 첫째, 대개 부서 단위로 돌아가 그 부서의 업무 효율을 높이는 데서 끝납니다. 둘째, 같은 산업의 경쟁자도 똑같은 분석을 하고 있으므로 차별이 되지 않습니다. 셋째, 환경이 바뀌거나 경쟁 구도가 달라지는 것처럼 바깥에서 오는 변화를 보지 못합니다. 선택지에서는 「일차원적 분석만으로도 충분한 경쟁 우위를 얻는다」처럼 한계를 뒤집은 문장이 오답으로 나옵니다.

전략 인사이트

분석 기반 경영

일차원적 분석의 한계를 넘으려면 분석이 묻는 물음 자체가 달라져야 합니다. 「이 부서의 일을 어떻게 더 빨리 하나」가 아니라 「우리 사업의 성과를 무엇이 좌우하는가」를 먼저 묻고, 그 답으로 방향을 정하는 것입니다. 이렇게 사업 성과를 움직이는 요인을 짚어 내는 분석 결과를 전략 인사이트라 하고, 그것을 의사결정의 축으로 삼아 회사를 운영하는 방식이 분석 기반 경영입니다. 감과 관행으로 정하던 자리를 측정과 검증으로 바꾸는 것이 핵심이고, 그래서 분석이 한 부서의 도구가 아니라 경영진의 언어가 됩니다.

예를 들어 한 온라인 서점이 재고 회전율만 들여다보고 있다면 그것은 일차원적 분석입니다. 같은 서점이 「재구매하는 고객은 첫 주문에서 무엇이 달랐는가」를 묻고, 첫 배송이 빨랐던 고객의 재구매율이 뚜렷하게 높다는 관계를 찾아 물류 투자의 우선순위를 바꾼다면 그것이 전략 인사이트입니다. 앞쪽은 창고 담당자의 일을 돕고, 뒤쪽은 회사가 돈을 어디에 쓸지를 바꿉니다.

경쟁 우위

전략 인사이트가 경쟁 우위로 이어지는 길은 차별화입니다. 경쟁자와 같은 데이터를 갖고 있어도 남들이 묻지 않은 물음을 던지면 남들이 못 본 관계가 보입니다. 사업 목표를 먼저 세우고, 그 목표를 이루는 데 필요한 분석을 거꾸로 정하는 순서가 여기서 나옵니다. 분석을 먼저 하고 쓸 곳을 찾는 순서와 반대라는 점을 문항이 자주 짚습니다. 일차원적 분석이 「부서 · 업무 효율 · 과거」에 머문다면 전략 인사이트는 「전사 · 차별화 · 변화」를 봅니다 — 이 세 쌍으로 두 개념을 가르면 선택지의 문장을 어느 쪽에 붙일지 바로 정해집니다.

데이터 사이언스

세 영역

데이터 사이언스는 데이터에서 의미를 뽑아 실제 의사결정에 쓰이게 만드는 학문입니다. 세 영역이 겹치는 자리에 있다고 정리됩니다.

세 번째 영역이 이 과목에서 가장 자주 물어집니다. 분석을 잘하고 데이터를 잘 다루어도, 그 결과를 사업의 말로 옮겨 설득하지 못하면 앞 절의 전략 인사이트가 되지 못하기 때문입니다. 시각화와 스토리텔링이 기술 영역이 아니라 비즈니스 분석 영역에 들어간다는 것이 단골 함정입니다.

데이터 마이닝과의 차이

데이터 마이닝은 쌓인 데이터에서 패턴을 찾는 분석 자체에 초점을 둡니다. 데이터 사이언스는 그보다 넓어서 정형 데이터뿐 아니라 텍스트·영상 같은 비정형 데이터까지 다루고, 분석에서 그치지 않고 그 결과를 시스템으로 구현하고 사람에게 전달하는 데까지 책임집니다. 통계학이 주로 정형 데이터와 표본을 다룬다는 점과도 대비됩니다. 「데이터 사이언스는 분석에만 초점을 둔다」는 문장은 데이터 마이닝의 설명을 옮겨 놓은 오답입니다.

데이터 사이언티스트의 역량

하드 스킬

데이터 사이언티스트는 앞 절의 세 영역을 한 사람 안에서 잇는 사람입니다. 그에게 필요한 역량은 둘로 갈리고, 가르는 기준은 「배워서 쌓는 지식·기술인가, 사람과 문제를 대하는 태도·능력인가」입니다. 앞쪽이 하드 스킬입니다. 빅데이터에 대한 이론적 지식, 곧 관련 기법을 이해하고 방법론을 익히는 것과, 분석 기술에 대한 숙련, 곧 상황에 맞는 분석을 설계하고 노하우를 쌓는 것 둘입니다. 통계 이론, 머신러닝 알고리즘, 분석 도구를 다루는 솜씨가 여기에 듭니다.

소프트 스킬

뒤쪽이 소프트 스킬이고 셋입니다.

• 통찰력 있는 분석 — 창의적 사고, 호기심, 논리적 비판
• 설득력 있는 전달 — 스토리텔링, 시각화
• 다분야 간 협력 — 커뮤니케이션

하드 스킬은 누구나 시간을 들이면 갖추지만, 전략 인사이트를 만드는 쪽은 소프트 스킬이라 더 무게가 실립니다. 문항은 한 역량을 주고 어느 갈래인지 묻습니다. 시각화는 도구를 쓰는 일처럼 보여 하드 스킬로 고르기 쉽지만, 목적이 전달이므로 소프트 스킬입니다. 논리적 비판도 협력과는 거리가 있어 보이지만 통찰력 있는 분석 아래에 들어갑니다. 가트너(Gartner)는 같은 사람에게 데이터 관리, 분석 모델링, 비즈니스 분석, 소프트 스킬 넷을 요구한다고 정리했는데, 이 넷도 앞의 세 영역에 소프트 스킬을 더한 모양입니다.

가치 패러다임과 인문학

디지털화·연결·에이전시

소프트 스킬, 그중에서도 사람을 읽는 능력이 왜 이렇게 강조되는지는 무엇이 값어치를 만드는가가 시대마다 바뀌어 온 흐름으로 설명합니다. 이것을 가치 패러다임의 변화라 부르고 세 단계입니다.

연결이 늘수록 사람 혼자서는 그 연결을 감당하지 못하게 되고, 그래서 대신 관리해 주는 쪽으로 가치가 옮겨 갑니다. 대신 관리하려면 그 사람이 무엇을 원하는지 먼저 알아야 합니다. 순서를 뒤섞어 놓고 바로잡게 하는 문항이 나오므로 「옮기고, 잇고, 대신한다」로 붙잡아 둡니다.

인문학적 사고

에이전시 단계에서 요구되는 것이 사람의 욕구와 맥락을 읽는 인문학적 사고입니다. 인문학이 다시 주목받게 된 배경은 세 갈래의 변화로 정리됩니다. 세계화가 단순한 확장에서 복잡성을 관리하는 쪽으로, 비즈니스의 중심이 제품 생산에서 서비스로, 경제와 산업의 논리가 생산에서 시장 창조로 옮겨 갔습니다. 셋 다 「무엇을 만드는가」보다 「누구에게 어떤 의미인가」가 중요해진 변화입니다.

통찰력과 분석의 한계

인문학적 사고가 분석가에게 필요한 또 하나의 이유는 분석 자체의 한계입니다. 모든 분석 모델은 가정 위에 서 있고, 그 가정은 사람이 정합니다. 2008년 금융 위기 때 많은 모형이 주택 가격이 전국에서 한꺼번에 떨어지지는 않는다고 가정했고, 그 가정이 깨지자 정교한 모형이 한꺼번에 틀렸습니다. 모델이 정확해 보일수록 사람은 그 결과를 의심하지 않게 되는데, 이것이 앞 노트의 데이터 오용과 같은 뿌리입니다. 그래서 통찰력, 곧 결과를 그대로 받아들이지 않고 가정과 맥락을 따져 의미를 읽어 내는 힘이 데이터 사이언티스트의 마지막 역량으로 꼽힙니다. 「정교한 모델이면 사람의 해석이 필요 없다」는 문장은 이 절을 뒤집은 오답입니다.

연습 문제

1. 산업과 일차원적 분석의 짝으로 어색한 것은?
   ① 금융 서비스 — 신용 점수 산정
   ② 소매업 — 재고 보충
   ③ 통신 — 고객 보유
   ④ 에너지 — 사이트 설계

   ④. 사이트 설계는 온라인 산업의 분석입니다. 에너지는 트레이딩과 공급·수요 예측이 짝입니다.
2. 일차원적 분석에 대한 설명으로 옳지 않은 것은?
   ① 대개 부서 단위의 업무 효율을 높이는 데 쓰인다
   ② 같은 산업의 경쟁자도 비슷한 분석을 하고 있다
   ③ 환경 변화나 경쟁 구도의 변화를 잘 잡아낸다
   ④ 업무에는 필요한 분석이다

   ③. 바깥에서 오는 변화를 보지 못하는 것이 일차원적 분석의 한계입니다. ④처럼 필요한 분석이라는 점은 맞습니다.
3. 데이터 사이언스의 세 영역 가운데 비즈니스 분석에 드는 것은?
   ① 데이터 웨어하우징
   ② 스토리텔링
   ③ 패턴 인식
   ④ 고성능 컴퓨팅

   ②. ①과 ④는 데이터 처리 기술(IT), ③은 분석(Analytics) 영역입니다.
4. 데이터 사이언티스트의 소프트 스킬로 묶이지 않는 것은?
   ① 호기심
   ② 시각화
   ③ 분석 설계 노하우의 축적
   ④ 커뮤니케이션

   ③. 분석 설계와 노하우 축적은 분석 기술에 대한 숙련, 곧 하드 스킬입니다. ②의 시각화는 설득력 있는 전달로 소프트 스킬에 듭니다.
5. 가치 패러다임의 변화를 순서대로 놓은 것은?
   ① 연결 → 디지털화 → 에이전시
   ② 디지털화 → 에이전시 → 연결
   ③ 디지털화 → 연결 → 에이전시
   ④ 에이전시 → 연결 → 디지털화

   ③. 아날로그를 디지털로 옮기고, 그 정보를 잇고, 복잡해진 연결을 대신 관리하는 순서입니다.
6. 인문학적 사고가 주목받게 된 배경으로 옳지 않은 것은?
   ① 세계화가 단순 확장에서 복잡성 관리로 옮겨 갔다
   ② 비즈니스의 중심이 서비스에서 제품 생산으로 옮겨 갔다
   ③ 경제 논리가 생산에서 시장 창조로 옮겨 갔다
   ④ 사용자가 무엇을 원하는지 읽는 일이 중요해졌다

   ②. 방향이 뒤집혔습니다. 제품 생산에서 서비스로 옮겨 간 것이 맞습니다.
7. 분석 모델과 해석에 대한 설명으로 가장 알맞은 것은?
   ① 모델이 정교하면 가정을 따질 필요가 없다
   ② 모든 분석 모델은 사람이 정한 가정 위에 서 있다
   ③ 데이터가 충분히 많으면 해석에 사람이 개입하지 않아도 된다
   ④ 통찰력은 하드 스킬에 속한다

   ②. 2008년 금융 위기처럼 가정이 깨지면 정교한 모델도 한꺼번에 틀립니다. 그래서 결과의 가정과 맥락을 따지는 통찰력이 필요하고, 통찰력은 소프트 스킬입니다.