가치창조를 위한 데이터 사이언스와 전략 인사이트
빅데이터 분석과 전략 인사이트
빅데이터 열풍과 회의론
빅데이터에 대한 관심과 기대
- 많은 양의 데이터가 반드시 새로운 가치로 연결되지는 않는다.
- 데이터의 양보다 데이터의 분석 문화가 주요 경영 의사결정에 중요
빅데이터 회의론의 원인
- 부정적 학습효과
- 과대 포장
빅데이터 분석의 핵심은 ‘Big’이 아닌 ‘Insight’
‘크기’가 아니라 ‘인사이트’
- 데이터의 크기가 아니라, 데이터로부터 어떤 인사이트를 얻을 수 있느냐의 문제
- 빅데이터의 걸림돌은 ‘비용’이 아니라 ‘분석적 방법과 성과에 대한 이해 부족’
전략적 인사이트의 중요성
- 전략적인 인사이트를 가지고 핵심적인 비즈니스에 집중하여 데이터를 분석하고 차별적인 전략으로 기업을 운영
일차원적 분석 vs 전략 도출을 위한 가치 기반 분석
일차원적 분석(산업별) ⭐️⭐️
| 산업 | 일차원적 분석 애플리케이션 |
|---|---|
| 금융 서비스 | 신용점수 산정, 사기 탐지, 가격 책정, 프로그램 트레이딩, 클레임 분석, 고객 수익성 분석 |
| 에너지 | 트레이딩, 공급/수요 예측 - ‘금융’이 아님에 주의! |
| 병원 | 가격 책정, 고객 로열티, 수익 관리 |
| 정부 | 사기 탐지, 사례관리, 범죄방지, 수익 최적화 |
전략 도출을 위한 가치 기반 분석
- 전략적 수준에서의 분석은 사업 성과를 견인하는 요소들과 차별화를 이룰 수 있는 기회에 대해 중요한 인사이틀를 줌
- 기회 발굴, 주요 경영진의 지원을 통한 강력한 모멘텀
전략 인사이트 도출을 위해 필요한 역량
데이터 사이언스에 대한 이해와 역활
데이터 사이언스에 대한 이해
- 데이터로부터 의미 있는 정보를 추출해내는 학문
- 통계학 - 정형화된 실험 데이터를 분석 대상 / 데이터 사이언스 - 정형 또는 비정형을 막론하고 다양한 유형의 데이터를 대상
데이터 사이언스의 역활
- 분석과 이를 효과적으로 구현하고 전달하는 과정, 궁극적으로는 전략적 인사이트 도출을 위한 일련의 행위까지 포함하는 개념
‘데이터 사이언스’와 ‘데이터 사이언티스트’
데이터 사이언스 구성 요소 ⭐️⭐️
- Analytics - 수학, 확률 모델, 머신러닝, 분석화, 패턴 인식과 학습, 불확실성 모델링 등
- IT(Data Management) - 시그널 프로세싱, 프로그래밍, 데이터 엔지니어링, 데이터 웨어하우징, 고성능 컴퓨팅 등
- 비즈니스 분석 - 커뮤니케이션, 프레젠테이션, 스토리텔링, 시각화 등
데이터 사이언티스트에게 요구되는 역량 ⭐️⭐️⭐️
가트너가 제시한 데이터 사이언티스트 요구 역량
- 데이터 관리 - 데이터에 대한 이해
- 분석 모델링 - 분석론에 대한 지식
- 비즈니스 분석 - 비즈니스 요소에 초점
- 소프트 스킬 - 커뮤니케이션, 협력, 리더십, 창의력, 규율, 열정
데이터 사이언스 : 과학과 인문학의 교차로
전략과 인사이트 도출을 위한 인문학 ⭐️
- 공급자 중심의 기술 경쟁하에는 ‘산출물’만을 중시하지만, 소비자가 어디에서 재미와 편의를 느끼는지 이해하기 위해서는 ‘창조 과정’에 주목하는 인문학적 통찰력이 필요
외부환경에서 본 인문학의 열풍 ⭐️⭐️
인문학적 사고의 특성
- 정량분석이라는 과학과 인문학적 통찰에 근거한 합리적 추론을 탁월하게 조합할 수 있어야 함
- 단순 정보를 활용하는 수준을 넘어 사업 성과를 좌우하는 수준의 인사이트를 제시
| 구분 | 정보 | 통찰 |
|---|---|---|
| 과거 | 무슨 일이 일어 났는가? 예) 보고서 작성 | 어떻게, 왜 일어났는가? 예) 모델링, 실험 설계 |
| 현재 | 무슨 일이 일어나고 있는가? 예) 경고 | 차선 행동은 무엇인가? 예) 권고 |
| 미래 | 무슨 일이 일어날 것인가? 예) 추측 | 최악 또는 최선의 상황은 무엇인가? 예) 예측, 최적화, 시뮬레이션 |
빅데이터 그리고 데이터 사이언스의 미래
가치 패러다임의 변화
가치 패러다임
- 경제와 산업의 원천에 있는 가치에 대한 패러다임을 의미
- 많은 신기술과 상품, 서비스가 그 시기의 가치 패러다임과 맞아떨어질 때 성공
가치 패러다임의 변화 ⭐️
- 현대는 디지털화, 연결, 에이전시로 패러다임이 변화
| 디지털화(Digitalization) | 아날로그의 세상을 어떻게 효과적으로 디지털화하는가가 이 시대의 가치를 창출해 내는 원천 예) 원영체제, 워드/파워포인트 같은 오피스 프로그램 |
|---|---|
| 연결(Connection) | 디지털화된 정보와 대상들이 서로 연결되어 이 연결이 얼마나 효과적이고 효울적으로 제공되는지 예) 구글 검색 알고리즘, 네이버 콘텐츠 |
| 에이전시(Agency) | 사물인터넷(IoT)의 성숙과 함께 연결이 증가하고 복잡해짐 복잡한 연결을 얼마나 효과적이고 믿을 만하게 관리하느냐가 이슈 |
데이터 사이언스의 한계와 인문학
데이터 사이언스의 한계
- 정량적 데이터 분석이라도 모든 분석은 가정에 근거
- 가정이 변하지 않는 동안에도 실제 외부 요인은 계속해서 변화
데이터 사이언티스트에게 요구되는 인문학
- 모델의 능력에 대해 항상 의구심
- 가정과 현실의 불일치에 대해 끊임없이 고찰
- 분석 모델이 예측할 수 없는 위험을 살피기 위해 현실 세계 주시