[ADsP 데이터분석 준전문가] - 핵심 내용 요약 정리 (3) - PART 3. 가치창조를 위한 데이터 사이언스와 전략 인사이트

[가치창조를 위한 데이터 사이언스와 전략 인사이트  - 1. 빅데이터 분석과 전략 인사이트]

빅데이터 열풍과 회의론

• 시대의 분위기에 합류하기 위해 거액을 투자해 솔루션을 도입한 후 어떻게 활용하고 어떻게 가치를 뽑아내야 할지 다시 시작
• 현재 소개되는 많은 빅데이터 성공사례가 기존의 분석 프로젝트를 포장함
• 빅데이터 분석도 데이터에서 가치, 즉 통찰을 끌어내 성과를 창출하는 것이 관건이다.

 

 

데이터 분석 기반 경영이 도입되지 못하는 이유

• 기존 관행을 따를 뿐 중요한 시도는 하지 않기 때문
• 경영진의 직관적인 결정을 귀한 재능으로 칭송
• 적절한 방법조차 제대로 익히지 못한 사람에게 분석 업무를 할당해줌
• 아이디어보다 아이디어를 낸 사람에게 관심을 두는 경향 때문이다. 

 

 

빅데이터 분석, 'Big'이 핵심이 아니다

• 직관에 기초한 의사결정보다 데이터에 기초한 의사결정이 중요하다. -> 데이터 자체의 중요성
• 데이터의 양이 아니라 유형의 다양성과 관련됨 
• 데이터는 크기의 이슈가 아니라, 거기에서 어떤 시각과 통찰을 얻을 수 있느냐의 문제 
• 비즈니스 핵심 가치에 집중하고 이와 관련된 분석 평가지표를 개발하고 이를 통해 효과적으로 시장과 고객변화에 대응할 수 있을 때 빅데이터 분석은 가치가 있어진다. 
• 빅데이터와 관련된 걸림돌은 '비용' 이 아니라 '분석적 방법과 성과에 대한 이해 부족'이다. 

 

 

전략적 통찰이 없는 분석의 함정

• 전략적 분석이 주는 이점을 빠르고 구체적으로 이해하는 것이 중요함
• 분석이 사업성과에 미치는 효과 (실증연구)
• 분석활용과 사업성과의 상관관계
• 단순히 분석을 많이 하는 것이 경쟁 우위를 가져다주지 않음

 

 

일차적인 분석 vs 전략도출을 위한 필요 역량

• 빅데이터는 가치 창출이 가능해야 하고, 그 시점이 빠를수록 더 좋다. 
• 일차적 분석을 통해서도 해당 부서나 업무 영역에서는 상당한 효과를 얻을 수 있다. 
• 전략적 수준에서의 분석은 사업성과를 견안하는 요소들, 차별화를 이룰 수 있는 기회에 대해 중요한 통팔을 줄 것 

 

 

---

[가치창조를 위한 데이터 사이언스와 전략 인사이트  - 2. 전략 인사이트 도출을 위한 필요 역량]

데이터 사이언스의 의미와 역할

• 데이터 사이언스란? 
  • 데이터로부터 의미 있는 정보를 추출해내는 학문
  • 정형 또는 비정형을 막론하고 다양한 유형의 데이터를 대상으로 총체적 접근법을 사용
  • 데이터 사이언스는 분석뿐만 아니라 이를 효과적으로 구현하고 전달하는 과정까지 모두 포괄한다. 
• 데이터 사이언스의 역할 
  • 전략적 통찰을 추구하고 비즈니스 핵심 이슈에 답을 하고, 사업의 성과를 견인
  • 소통이 중요하다
  • 훌륭한 데이터 사이언티스는 핵심요소를 정확하게 겨냥할 수 있다. 

 

 

데이터 사이언스의 구성요소 

• 데이터 처리와 관련된 IT영역, 분석적 영역, 비즈니스 컨설팅 영역을 포괄
• Analytics : 수학, 확률모델, 머신러닝, 분석학, 패턴 인식과 학습, 불확실성 모델링 등
• IT (Data Management) : 시그널 프로세싱, 프로그래밍, 데이터 엔지니어링, 데이터 웨어하우징 등
• 비즈니스 분석 : 커뮤니케이션, 프리젠테이션, 스토리텔링, 시각화 등

 

 

데이터 사이언티스트의 요구 역량

• 하드 스킬 (hard skill) : 데이터 처리나 분석 기술과 관련
• 소프트 스킬 (soft skill) : 통찰력 있는 분석, 설득력 있는 전달, 협력 등 

구분	요구 역량	내용
하드 스킬	빅데이터에 대한 이론적 지식	관련 기법에 대한 이해와 방법론 습듯
	분석 기술에 대한 숙련	최적의 분석 설계 및 노하우 축적
소프트 스킬	통찰력 있는 분석	창의적 사고, 호기심, 논리적 비판
	설득력 있는 전달	스토리텔링, Visualization
	다분야간 협력	커뮤니케이션

 

 

전략적 통찰력과 인문학의 부활

• 최근 사회경제적 환경의 변화 
  • 단순 세계화에서 복잡한 세계화로 변화 
  • 비즈니스 중심이 제품생산에서 서비스로 이동
  • 경제와 산업의 논리가 생산에서 시장창조로 변화
• 인문학의 열풍
  • 공급자는 산출물 중시, 소비자 입장에서 창조과정에 주목하는 인문학적 통찰력이 필요

 

 

데이터 사이언티스트에 요구되는 인문학적 사고의 특성과 역할

• 정보 차원 : 단순히 정보를 활용한다고 할 수 있는 정도의 수준
• 통찰력 제시 : 사업 성과를 좌우하는 핵심적인 문제에 대해 대답

구분	정보	통찰력
과거	무슨 일이 일어났는가?	어떻게, 왜 일어났는가? - 모델링, 실험설계
현재	무슨 일이 일어나고 있는가?	차선 행동은 무엇인가? - 권고
미래	무슨 일이 일어날 것인가?	최악 또는 최선의 상황은 무엇인가?  - 최적화, 예측, 시뮬레이션

 

 

데이터 분석 모델링에서 인문학적 통찰력의 적용사례

• 인간을 바라보는 관점 
  • 타고난 성향의 관점 
  • 행동적 관점
  • 상황적 관점

 

 

 

728x90

 

---

[가치창조를 위한 데이터 사이언스와 전략 인사이트  -  3. 빅데이터 그리고 데이터 사이언스의 미래]

빅데이터의 시대 

• 선거 예측, 비용 절감, 시간 절약, 매출 증대, 고객 서비스 향상, 신규 비즈니스 창출, 내부 의사 결정 지원 등 상당한 자치 발휘

 

 

빅데이터 회의론을 넘어 가치 + 패러다임의 변화 

• 가치 패러다임 : 경제와 산업근저에는 다양한 가치 원천이 존재하며, 무작위로 작용하는 것이 아니라 특정기간 지배적으로 작용한다.

구분	설명
디지털화 (Digitalization)	아날로그의 세상을 어떻게 효과적으로 디지털화하는가가 이 시대의 가치를 창출해 내는 원천임  ex) 도스 운영 프로그램, 워드, 파워포인트 등
연결 (Connection)	디지털화된 정보와 대상들이 서로 연결되어, 이 연결이 얼마나 효과적이고 효율적으로 제공해 주느냐가 이 시대의 성패를 가름 ex) 구글의 검색 알고리즘, 네이버의 콘텐츠
에이전시 (Agency)	IoT의 성숙과 함께 연결이 증가하고 복잡해짐 복잡한 연결을 얼마나 효과적이고 믿을만하게 관리하는가가 이슈 데이터 사이언스의 역량에 따라 좌우됨

 

 

데이터 사이언스의 한계와 인문학

데이터 사이언스의 한계 

• 정량적 분석이라도 모든 분석은 가정에 근거하며, 가정이 변하지 않는 동안에도 실제 외부요인은 계속해서 변화함
• 데이터 분석은 완벽하지 않으나, 정보가 뒷받침되지 않는 직관보다는 낫다

데이터 사이언티스트의 역할 

• 훌륭한 데이터 사이언티스트는 인문학자들처럼 모델의 능력에 대해 항상 의구심을 가지고, 가정들과 현실의 불일치에 대해 끊임 없이 고찰하고, 분석 모델이 예측할 수 없는 위험을 살피기 위해 현실 세계를 주시 
• 빅데이터와 데이터 사이언스가 빅데이터에 묻혀 있는 잠재력을 풀어내며 새로운 기회를 찾고, 누구도 보지 못한 창조의 밑그림을 그리는 힘 발휘