[ADSP 정리] (과목 1) 제 3장 가치 창조를 위한 데이터 사이언스와 전략 인사이트

과목 1 데이터 이해

 

제 1절 빅데이터 분석과 전략 인사이트 

 

1. 빅데이터 열풍과 회의론 

 

• CRM (고객관계관리)를 비롯한 IT 솔루셔은 공포 마케팅이 통함 
  
  • 거액을 투자해 하드웨어 박스와 솔루션 도입하더라도, 활용 및 가치 뽑아내기에 실패
• 많은 빅데이터 성공사례가 기존의 분석 프로젝트를 포장해 놓은 것이 대부분 
  • CRM 분석을 빅데이터 분석으로 포장 
• 많은 회사들이 데이터에서 가치, 통찰을 이끌어 성과를 창출하는데 실패

2. 왜 싸이월드는 페이스북이 되지 못했나? 

 

• 원인 : 데이터 분석 기반의 경영 문화의 부재
  • 분석 인프라는 갖추었지만, 데이터 분석에 기초한 의사결정이 이루어지지 않음 
  • 소셜 네트워킹 특성 관련 분석 위한 프레임워크나 평가지표 X 

3. 빅데이터 분석, 'Big'이 핵심 아니다

 

• 많은 기업들이 더 많은 데이터를 보유하는데 관심 
• 데이터의 양 <  분석 능력
• 보다 객관적이고 종합적인 통찰을 줄 수 있는 데이터를 찾는 것이 중요

4. 전략적 통찰이 없는 분석의 함정 

 

• 단순히 분석을 많이 사용하는 것이 중요 X
•  전략적 인사이트를 주는 분석 필요 

5. 일차원적 분석 vs. 전략 도출을 위한 가치 기반 분석 

 

• 일차원적 분석 : 대부분 업계 내부의 문제에만 초점,  주로 부서단위 관리 -> 전체 비즈니스 성공의 핵심 역할 X 
• 일차원적 분석, 분석 경험 증가 -> 가치 기반 분석 단계 
  • 사업 성과 견인 요소들과 차별화를 꾀한 기회에 대해 전략적 인사이트를 주는 단계 
  • 우선 트렌드에 대한 큰 그림 필요 
  • 전략적 수준에서의 분석은 중요한 통찰을 제공 
  • 경쟁의 본질에 영향을 미치는 단계까지 나아가야 함
• 뛰어난 분석적 리더들은 의사결정에서 과학과 직관을 혼합

 

제 2절 전략 인사이트 도출을 위한 필요 역량

 

1. 데이터 사이언스의 의미와 역할 

 

• 데이터 사이언스는 정형, 비정형, 다양한 유형의 데이터 대상  (통계학은 정형화된 실험 데이터 대상) 
• 분석 (데이터 마이닝 초점) + 효과적으로 구현하고 전달하는 과정 
• 총체적 (holistic) 접근법 사용 (기존 통계학과 구별) 
• 소통력 중요

2. 데이터 사이언스의 구성 요소 

 

• 데이터 처리와 관련된 IT 영역 + 분석적 영역 + 비즈니스 컨설팅 영역 까지 포괄
• 강력한 호기심 (intensive curiosity) : 문제의 이면을 파고들고, 질문들을 찾고, 검증 가능한 가설을 세우는 능력 
• 데이터 사이언티스트의 요구 역량 
  • 하드 스킬 (Hard Skill) - 데이터 처리, 분석 기술 관련
    • Analytics + IT 전문성  
    • 1) 빅데이터에 대한 이론적 지시 : 관련 기법에 대한 이해와 방법론 습득 
    • 2) 분석 기술에 대한 숙련 : 최적의 분석 설계 및 노하우 축적 
  • 소프트 스킬 (Soft Skill)
    • Analytics + 컨설팅 능력  
    • 1) 통찰력 있는 분석 : 창의적 사고, 호기심, 논리적 비판 
    • 2) 설득력 있는 전달 : 스토리텔링, 비주얼라이제이션
    • 3) 다분야간 협력 : 커뮤니케이션 

3. 데이터 사이언스 : 과학과 인문의 교차로 

 

• 차별화 - 전략적 통찰과 관련된 소프트 스킬 
• 통찰력 있는 분석 = 직관과 전략 + 경영 프레임워크 + 경험 
• 큰 그림 그릴 필요 -> 인문학 

4. 전략적 통찰력과 인문학의 부활 

 

• 인문학 열풍 원인 - 외부 환경젹 측면 
  • 1) 단순 세계화 -> 복잡한 세계화 : 컨버전스, 규모의 경제, 글로벌 효율성, 표준화 이성화 -> 다양성, 정체성, 맥락, 관계, 연결성, 창조성 등 
  • 2) 비즈니스의 중심이 제품 생산 -> 서비스 : 체험경제, 고객과의 인터페이스 확대 
  • 3) 경제와 산업의 논리가 생산 -> 시장창조 : 공급자 중심의 기술 경쟁 -> 현지화 패러다임에 근거한 시장 창조, 현지 사회나 문화와 관련된 암묵적이고 함축적 지식 등 무형 자산 중요 

5. 데이터 사이언티스트에 요구되는 인문학적 사고의 특성과 역할 

 

• 데이터 사이언티스트가  분석으로 다룰 수 있는 핵심 문제 
  • 단순히 정보를 활용하는 수준 
    • 과거 : 무슨일이 일어났는가? - 리포팅 (보고서 작성 등)
    • 현재 : 무슨일이 일어나고 있는가? - 주의, 경고 / 과거 정보에 어림규칙 적용, 패턴 파악 
    • 미래 : 무슨일이 일어날 것인가? - 추출 / 과거 패턴 이용하여 미래 예측
    • 왜, 어떻게 발생하는지 알 수 없음 
  • 통찰력을 제시하는 단계
    • 과거 : 어떻게, 왜 일어났는가? - 모델링, 실험 설계 
    • 현재 : 차선 행동은 무엇인가? - 권고 / 지금 벌어지는 상황에서 더 나은 결과를 얻기 위해 무엇을 해야 
    • 미래 : 최악 또는 최선의 상황은 무엇인가? - 예측, 최적화, 시뮬레이션 
    • -->  강한 호기심으로 통찰력을 얻기 위한 질문을 던지는 것이 숙명 

6. 데이터 분석 모델링에서 인문학적 통찰력의 적용 사례 

 

• 예) 신용 리스크 모델
• 인간을 바라보는 관점 
  • 1) 성향적 관점 
    • 타고난 성향, 인간은 변하지 않는 존재로 상정
  • 2) 행동적 관점 
    • 현재 신용 리스크 모델 -> 이전 신용행동을 근거로 판단
  • 3) 상황적 관점 
    • 단순히 행동 관찰 X -> 상황과 맥락을 고려 

 

제 3절 빅데이터 그리고 데이터 사이언스의 미래 

 

1. 빅데이터의 시대 

 

2. 빅데이터 회의론은 넘어: 가치 패러다임의 변화 

 

• 1) 디지털화 (digitalization) 
  • 아날로그의 세상을 어떻게 효과적으로 디지털화 -> 가치 창출 원천 
• 2) 연결 (connection) 
  • 예) 한국에서 구글, 네이버 
  • 디지털화 된 세상은 쉽게 연결 -> 연결 무한히 증대 -> 새로운 가치 패러다임 등장 
  • 복잡한 연결을 얼마나 효과적이고 믿을 만하게 관리해주는가 -> 에이전시 (agency) 
  • 데이터 사이언스 ->하이퍼 연결을 효과적으로 효율적으로 관리해주어야, 에이전트 기능 

3. 데이터 사이언스의 한계와 인문학 

 

• 분석에는 인간의 해석이 개입 
• 모든 분석은 가정에 근거 
• --> 모델의 능력에 항상 의구심, 가정들과 현실의 불일치에 대해 끊임없이 고찰, 분석 모델이 예측할 수 없는 위험을 살피기 위해 현실 세계 봐야, 큰 그림, 경험과 세상에 대한 통찰력을 분석에 활용