빅데이터 분석과 전략 인사이트

빅데이터 회의론의 원인과 진단

빅데이터 열풍과 함께 회의론도 곳곳에서 제기되고 있다. 이러한 회의론이 빅데이터 분석의 가치 탐색 가능성을 가로막는 것이 문제이다.

부정적 학습효과 - CRM 사례

과거 CRM 도입 사례가 대표적이다.

빅데이터 분석도 기존 분석과 동일하게 데이터에서 통찰을 끌어내 성과를 창출하는 것이 관건이다. 단순히 빅데이터에 포커스를 두지 말고 분석을 통해 가치를 만드는 것에 집중해야 한다.

빅데이터 분석의 핵심 - 'Big'이 아닌 가치

싸이월드 사례 분석

2004년 세계 최대 SNS였던 싸이월드가 페이스북이 되지 못한 이유:

• OLAP 등 분석 인프라가 존재했으나 중요한 의사결정이 데이터 분석에 기초하지 못함
• 웹로그 분석을 통한 일차원적 분석에만 집중
• 비즈니스 핵심 가치와 관련된 심도 있는 분석 미수행
• 소셜 네트워킹 활동 특성 분석을 위한 프레임워크나 평가 지표 부재
• 트렌드 변화가 사업모델에 미치는 영향을 적시에 파악 실패

분석 기반 경영 도입 실패 원인 (하라스 엔터테인먼트 회장 러브먼)

• 기존 관행만 따를 뿐 중요한 시도를 하지 않음
• 경영진의 직관적 결정을 귀한 재능으로 칭송
• 분석적 실험을 갈망하거나 능숙하게 해내는 사람 부재
• 아이디어보다 아이디어를 낸 사람에게 관심

전략적 분석은 치열한 시장에서 기업 생존을 좌우할 정도로 중요하다.

빅데이터 분석의 가치

데이터는 크기의 이슈가 아니라 어떤 시각과 통찰을 얻을 수 있느냐가 중요하다.

전략적 통찰이 없는 분석의 함정

• 단순히 분석을 많이 사용하는 것이 곧바로 경쟁우위를 가져다 주지 않음
• 분석이 경쟁의 본질을 제대로 바라보지 못할 때 쓸모없는 분석 결과만 쏟아냄
• 전략적 통찰력을 가지고 핵심 비즈니스 이슈에 집중하여 분석해야 함

일차원적 분석 vs 전략도출 가치기반 분석

항공사 분석 활용 사례 비교

분석을 전략적으로 사용하지 않으면 차별화가 어렵다.

산업별 일차원적 분석 애플리케이션

각 산업별로 활용되는 분석 애플리케이션이 어느 산업에 해당하는지 구분할 수 있어야 한다.

일차적인 분석의 한계

일차적인 분석으로도 해당 부서나 업무 영역에서는 상당한 효과를 얻을 수 있다. 그러나 일차적인 분석만으로는:

• 환경변화와 같은 큰 변화에 제대로 대응 어려움
• 고객 환경의 변화 파악 어려움
• 새로운 기회를 포착하기 어려움
• 급변하는 환경에서 점증적, 전술적 사용 시 성과 미미

전략도출 가치기반 분석의 효과

전략적 통찰력 창출에 포커스를 뒀을 때:

• 해당 사업에 중요한 기회를 발굴하고 주요 경영진의 지원 확보 가능
• 강력한 모멘텀 창출
• 일차원적 분석으로 경험을 쌓은 후 활용 범위를 더 넓고 전략적으로 변화
• 사업성과를 견인하는 요소들과 차별화 기회에 대한 전략적 인사이트를 주는 가치기반 분석단계로 발전

일차적인 분석과 전략도출 가치기반 분석의 차이점을 명확히 이해하고 각각의 특징을 구분할 수 있어야 한다.

전략 인사이트 도출을 위한 필요 역량

데이터 사이언스의 의미

데이터 사이언스란 다음 분야를 종합한 학문이다:

• 데이터 공학
• 수학, 통계학
• 컴퓨터공학
• 시각화
• 해커의 사고방식
• 해당 분야의 전문지식

데이터로부터 의미있는 정보를 추출해내는 학문으로, 정형/비정형을 막론하고 인터넷, 휴대전화, 감시용 카메라 등에서 생성되는 숫자, 문자, 영상 정보 등 다양한 유형의 데이터를 대상으로 한다. 분석뿐 아니라 효과적으로 구현하고 전달하는 과정까지 포함하는 포괄적 개념이다.

데이터 사이언스의 역할

데이터 사이언티스트는 비즈니스 성과를 좌우하는 핵심이슈에 답을 하고, 사업의 성과를 견인해 나갈 수 있어야 한다. 이것이 데이터 사이언스의 중요한 역량 중 하나인 소통력이 필요한 이유이다.

데이터 사이언스의 정의와 역할, 그리고 데이터 사이언티스트에게 필요한 소통력의 중요성을 이해해야 한다.

데이터 사이언스의 구성요소

3대 영역

교차 영역

• IT 컨설팅: IT + 비즈니스 분석
• 전략 컨설턴트: Analytics + 비즈니스 분석

데이터 사이언티스트의 역할과 역량

데이터 사이언티스트는:

• 데이터 홍수 속에서 헤엄을 치고 데이터 소스를 찾음
• 복잡한 대용량 데이터를 구조화
• 불완전한 데이터를 서로 연결

핵심 역량 중 하나는 **'강력한 호기심'**이다. 이는 문제의 이면을 파고들고, 질문들을 찾고, 검증 가능한 가설을 세우는 능력을 의미한다.

또한 스토리텔링, 커뮤니케이션, 창의력, 열정, 직관력, 비판적 시각, 글쓰기 능력, 대화능력 등을 갖춰야 한다.

데이터 사이언스의 3대 구성요소(Analytics, 비즈니스 분석, IT)와 각각에 해당하는 세부 내용을 정확히 구분할 수 있어야 한다.

데이터 사이언티스트의 요구 역량

Hard Skill (IT + Analytics)

Soft Skill (비즈니스 분석 + Analytics)

Hard Skill과 Soft Skill 각각에 해당하는 역량과 세부 내용을 구분할 수 있어야 한다.

데이터 사이언스 - 과학과 인문의 교차로

분석기술보다 더 중요한 것은 소프트 스킬이다. 전략적 통찰을 주는 분석은 단순 통계나 데이터 처리와 관련된 지식 외에도 스토리텔링, 커뮤니케이션, 창의력, 열정, 직관력, 비판적 시각, 대화능력 등 인문학적 요소가 필요하다.

전략적 통찰력과 인문학의 부활

통찰력 있는 분석을 위한 조건

• 직관과 전략, 경영 프레임워크 경험의 혼합
• 본인 회사뿐 아니라 전체 업계의 방향과 고객이 중시하는 것에 대한 이해
• 좁은 시각으로 나무만 보지 않고 넓은 시각으로 숲을 볼 수 있어야 함

인문학 역량의 필요성

현재는 기존 사고의 틀을 벗어나 문제를 바라보고 해결하는 능력, 비즈니스의 핵심가치를 이해하고 고객의 내면적 요구를 이해하는 능력 등 인문학에서 배울 수 있는 역량이 절실히 요구되는 시대이다.

외부 환경 변화와 인문학 열풍

빅데이터 그리고 데이터 사이언스의 미래

빅데이터의 시대

디지털 환경의 진전과 더불어 엄청난 양의 데이터가 생성되고 있다. (2011년 전 세계 디지털 정보량: 1.8 제타바이트)

빅데이터 분석의 가치

• 선거 결과에 결정적인 영향
• 기업 측면: 비용 절감, 시간 절약, 매출 증대, 고객서비스 향상, 신규 비즈니스 창출, 내부 의사결정 지원

빅데이터 회의론을 넘어 - 가치 패러다임의 변화

데이터 사이언스의 한계

• 분석 과정에서는 가정 등 인간의 해석이 개입되는 단계를 반드시 거침
• 분석 결과가 의미하는 바는 사람에 따라 전혀 다른 해석과 결론 가능
• 아무리 정량적인 분석이라도 모든 분석은 가정에 근거함

데이터 사이언스와 인문학의 결합

인문학을 이용하여 빅데이터와 데이터 사이언스가 데이터에 묻혀 있는 잠재력을 풀어내고, 새로운 기회를 찾고, 누구도 보지 못한 창조의 밑그림을 그릴 수 있는 힘을 발휘하게 될 것이다.