📔설명

빅데이터 회의론의 원인과 해소 방안을 알아보고, 일차원적 분석과 전략도출을 위한 가치 기반 분석의 차이를 알아보자. 또, 데이터 사이언스와 데이터 사이언티스트를 알아보고, 빅데이터 시대의 가치 패러다임의 변화를 알아보자.

빅데이터 회의론
: 과거 CRM과 같은 경영시스템을 도입하기 위해 하드웨어와 소프트웨어를 도입하고도 성과를 충분히 내지 못했던 기업들이 많았다. 이런 기업들의 실패 경험들이 빅데이터 시스템의 도입을 머뭇거리고 있다.

데이터 사이언스와 데이터 사이언티스트
:데이터 사이언스는 융합학문으로, 기존의 통계학과 컴퓨터공학, 그리고 경영학과 인문학을 아우르는 학문적 소양
빅데이터 시대를 이끌어 나갈 데이터 사이언티스트

---

🧂빅데이터 분석과 전략 인사이트

빅데이터 열풍과 회의론

빅데이터 열풍

• 빨리 끓어오른 냄비가 빨리 식는다는 거품현상을 우려

빅데이터 회의론

• 실제 우리가 빅데이터 분석에서 찾을 수 있는 수많은 가치들을 제대로 발굴해 보기도 전에 그 활용 자체를 사전에 차단할 수 있음

빅데이터 회의론의 원인 및 진단

투자효과를 거두지 못했던 부정적 학습효과 (과거의 고객관계관리(CRM))

• 과거 CRM의 부정적 학습효과
  • 공포 마케팅이 잘 통하는 영역 : 도입만 하면 모든 문제를 한번에 해소할 것 처럼 강조
  • 막상 거액을 투자하여 하드웨어와 솔루션을 도입해도 어떻게 활용하고 어떻게 가치를 뽑아내야 할 지 난감

빅데이터 성공사례가 기존 분석 프로젝트를 포함해 놓은 것이 많음

• 굳이 빅데이터가 필요 없는 경우(우수고객, 이탈예측, 구매패턴 분석 등)
• 국내 빅데이터 업체들이 CRM 분석 성과를 빅데이터 분석으로 과대포장

-빅데이터 분석도 기존의 분석처럼 데이터에서 가치, 즉 통찰을 끌어내 성과를 창출하는 것이 관건
-빅데이터에 포커스를 두지 말고 분석을 통해 가치를 만드는 것에 집중

*전략적 분석을 통해 놀라운 성과를 올린 하라스엔터테인먼트의 회장 러브먼이 언급한 분석 기반 경영이 도입되지 못하는 이유

• 기존 관행을 그냥 따를 뿐 중요한 시도를 하지 않음
• 경영진의 의사결정이 정확성이나 공정한 분석을 필요로 하지 않으며, 오히려 정반대로 직관적 결정을 귀한 재능으로 칭송받는 경향
• 분석적 실험을 갈망하거나 능숙하게 해내는 사람이 거의 없어, 적절한 방법조차 제대로 익히지 못한 사람들에게 분석 업무가 주어짐
• 사람들은 아이디어 자체보다는 아이디어를 낸 사람이 누구인지 관심을 두는 경향

*전략적 분석은 치열한 시장에서 기업 생존을 좌우할 정도로 중요

빅데이터 분석, 'Big'이 핵심이 아니다

빅데이터에 대한 관심 증대

• 데이터 기반의 통찰의 중요성에 대한 공감대 상승과 동시에 긍정적 효과를 기대

빅데이터 프로젝트에 거는 기대

• 기존 프로세스의 자동화를 우선 시행한 후 점차적으로 거시적이고, 전략적인 가치를 이끌어 낼 수 있을 것으로 기대

빅데이터 분석의 가치

• 데이터는 크기의 이슈가 아니라, 거기에서 어떤 시각과 통찰을 얻을 수 있는지의 문제
  무작정 큰 데이터를 찾을 것이 아니라, 비즈니스의 핵심에 대해 보다 객관적이고 종합적인 통찰을 줄 수 있는 데이터를 찾는 것이 중요

• 전략과 비즈니스의 핵심 가치에 집중하고 이와 관련된 분석 평가지표를 개발하고 이를 통해 효과적으로 시장과 고객 변화에 대응할 수 있을 때 빅데이터 분석은 가치를 줌

*조슈아 보거 박사
: "직관에 기초한 의사결정보다 데이터에 기초한 의사결정이 그만큼 중요하다"
-> 데이터 자체의 중요성 강조

전략적 통찰이 없는 분석의 함정

• 단순히 분석을 많이 사용하는 것이 곧바로 경쟁우위를 가져다주지 X
• 분석이 경쟁의 본질을 제대로 바라보지 못할 때, 쓸모없는 분석 결과들만 잔뜩 쏟아냄.

->전략적인 통찰력을 가지고 분석하고, 핵심적인 비즈니스 이슈에 집중하여 데이터를 분석하고 차별적인 전략으로 기업을 운영해야 함

• 분석을 보다 전략적으로 사용하기 위해 노력하지 않으면 차별화가 어려우며, 비즈니스 모델을 뒷받침하는 분석의 한계를 아메리칸항공이 나타냄

일차원적인 분석 VS 전략도출을 위한 가치기반 분석

산업별 분석 애플리케이션

산업	일차원적 분석 애플리케이션
금융 서비스	신용점수 산정, 사기 탐지, 가격 책정, 프로그램트레이딩, 클레임 분석, 고객 수익성분석
소매업	판촉, 매대관리, 수요예측, 재고 보충, 가격 및 제조 최적화
제조업	공급사슬 최적화, 수요예측, 재고 보충, 보증서 분석, 맞춤형 상품 개발, 신상품 개발
운송업	일정 관리, 노선 배정, 수익 관리
헬스케어	약품 거래, 예비 진단, 질병 관리
병원	가격 책정, 고객 로열티, 수익 관리
에너지	트레이딩, 공급/수요 예측
커뮤니케이션	가격 계획 최적화, 고객 보유, 수요 예측, 생산능력 계획, 네트워크 최적화, 고객 수익성 관리
서비스	콜센터 직원관리, 서비스-수익 사슬 관리
정부	사기 탐지, 사례 관리, 범죄 방지, 수익 최적화
온라인	웹 매트릭스, 사이트 설계, 고객 추천
모든 사업	성과관리

일차적인 분석의 문제점
: 환경변화와 같은 큰 변화에 제대로 대응하거나 고객 환경의 변화를 파악하고 새로운 기회를 포착하기 어려움.
급변하는 환경에서 분석을 일차적 차원에서 점증적, 전술적으로 사용하면 성과는 미미할 수 있음

전략도출 가치기반 분석

• 전략적인 통찰력 창출에 포커스를 뒀을 때 분석은 해당 사업에 중요한 기회를 발굴하고, 주요 경영진의 지원을 얻어낼 수 있으며, 이를 통해 강력한 모멘텀을 만들 수 있음
• 최고가 되기 위해선 일차원적인 분석을 통해 점점 분석 경험을 쌓아야하고, 작은 성공을 거두면 분석의 활용 범위를 더 넓고 전략적으로 변화시켜야 함
• 사업 성과를 견인하는 요소들과 차별화를 꾀할 기회에 대해 전략적 인사이트를 주는 가치기반 분석단계로 나아가야 함.

---

🚲전략 인사이트 도출을 위한 필요 역량

데이터 사이언스의 의미와 역할

데이터 사이언스 의미

• 데이터 공학, 수학, 통계학, 컴퓨터공학, 시각화, 해커의 사고방식, 해당 분야의 전문지식을 종합한 학문.
• 데이터로부터 의미있는 정보를 추출해내는 학문.
• 정형 또는 비정형을 막론하고 인터넷, 휴대전화, 감시용 카메라 등에서 생성되는 숫자와 문자, 영상 정보 등 다양한 유형의 데이터를 대상으로 분석뿐 아니라 이를 효과적으로 구현하고 전달하는 과정까지 포함한 포괄적 개념

데이터 사이언티스트 역할

• 비즈니스의 성과를 좌우하는 핵심이슈에 답을 하고, 사업의 성과를 견인해 나가야 함
  ->데이터 사이언티스트의 중요한 역량 중 하나인 소통력이 필요한 이유

데이터 사이언스의 구성요소

데이터 사이언스의 영역

데이터 사이언티스트의 역할

• 데이터 홍수 속에서 헤엄을 치고, 데이터 소스를 찾고, 복잡한 대용량 데이터를 구조화하고, 불완전한 데이터를 서로 연결해야 함

• 갖춰야 할 역량 중 한가지는 강력한 호기심.
  -> 호기심 : 문제의 이면을 파고들고, 질문들을 찾고, 검증 가능한 가설을 세우는 능력

• 스토리텔링, 커뮤니케이션, 창의력, 열정, 직관력, 비판적 시각, 글쓰기 능력, 대화능력을 갖춰야 함

데이터 사이언티스트의 요구 역량

데이터 사이언스 : 과학과 인문의 교차로

• 분석기술보다 더 중요한 것은 소프트 스킬
• 전략적 통찰을 주는 분석은 단순 통계나 데이터 처리와 관련된 지식 외에도 스토리텔링, 커뮤니케이션, 창의력, 열정, 직관력, 비판적 시각, 대화능력 등 인문학적 요소 필요

전략적 통찰력과 인문학의 부활

통찰력있는 분석

• 직관과 전략, 경영 프레임워크 경험의 혼합을 통해 통찰력있는 분석을 수행할 수 있어야 함
• 본인 회사 뿐 아니라 전체 업계의 방향과 고객이 무엇을 중시하는지에 대한 이해가 필요

인문학의 열풍

• 기존 사고의 틀을 벗어나 문제를 바라보고 해결하는 능력, 비즈니스의 핵심가치를 이해하고 고객과 지원의 내면적 요구를 이해하는 능력 등 인문학에서 배울 수 있는 역량이 점점 더 요구되는 시대

---

🚞빅데이터 그리고 데이터 사이언스의 미래

빅데이터의 시대

• 디지털 환경의 진전과 더불어 엄청난 빅데이터가 생성
• 빅데이터 분석은 선거 결과에 결정적인 영향을 미칠 수 있음.
• 기업의 측면에서는 비용 절감, 시간 절약, 매출 증대, 고객서비스 향상, 신규 비즈니스 창출, 내부 의사결정 지원 등에 가치 발휘

빅데이터 회의론을 넘어 가치 패러다임의 변화

과거(Digitalization)
: 아날로그 세상을 어떻게 효과적으로 디지털화하는지가 과거의 가치 창출 원천

현재(Connection)
: 디지털화 된 정보와 대상들은 서로 연결 시작
연결을 더 효과적이고 효율적으로 제공하는가가 성공요인

미래(Agency)
: 복잡한 연결을 얼마나 효율적이고 믿을 수 있게 관리하는가의 이슈

데이터 사이언스의 한계와 인문학

데이터 사이언스의 한계

• 분석과정에서는 가정 등 인간의 해석이 개입되는 단계를 반드시 거침
• 분석결과가 의미하는 바는 사람에 따라 전혀 다른 해석과 결론을 내릴 수 있음
• 아무리 정량적인 분석이라도 모든 분석은 가정에 근거한다는 사실

데이터 사이언스와 인문학

• 인문학을 이용하여 빅데이터와 데이터 사이언스가 데이터에 묻혀 있는 잠재력을 풀어내고, 새로운 기회를 찾고, 누구도 보지 못한 창조의 밑그림을 그릴 수 있는 힘을 발휘

*미래사회의 특성과 빅데이터의 역할

• 불확실성-통찰력
• 리스크-대응력
• 스마트-경쟁력
• 융합-창조력