1) 빅데이터 열풍과 회의론
- 빅데이터에 대한 관심과 기대
- 빅데이터 회의론의 원인 : 부정적 학습효과, 과대 포장
2) 빅데이터 분석의 핵심은 'Big'이 아닌 '인사이트'
-
'크기'가 아니라 '인사이트'
데이터는 크기가 아니라, 데이터로부터 어떤 시각과 인사이트(Insight: 통찰)를 얻을 수 있느냐의 문제다.
비즈니스의 핵심가치에 집중하고 이와 관련된 분석 평가 지표를 개발하고 이를 통해 효과적으로 시장과 고객의 변화에 대응할 수 있을 때 빅데이터 분석은 가치가 있다.
빅데이터와 관련된 걸림돌은 '비용'이 아니라 '분석적 방법과 성과에 대한 이해 부족'이다. -
전략적 인사이트의 중요성
기업에서 단순히 데이터 분석을 많이 사용한다고 경쟁 우위에 도달한다거나 곧바로 매출이 상승하지 않는다. 분석이 경쟁의 본질을 제대로 바라보지 못할 때는 쓸모없는 결과만 잔뜩 쏟아내게 된다.
3) 일차원적 분석 VS 전략 도출을 위한 가치 기반 분석
(1) ⭐일차원적 분석(산업별)⭐
금융 서비스 : 신용점수 산정, 사치 탐지, 가격 책정, 프로그램 트레이딩, 클레임 분석, 고객 수익성 분석
에너지 : 트레이딩, 공급/수요 예측
병원 : 가격 책정, 고객 로열티, 수익 관리
정부 : 사기 탐지, 사례관리, 범죄방지, 수익 최적화
(2) 전략 도출을 위한 가치 기반 분석
전략적 인사이트를 창출에 포커스를 뒀을 때 분석은 해당 사업에 중요한 기회를 발굴하고, 주요 경영진의 지원을 얻어낼 수 있으며, 이를 통해 강력한 모멘텀을 만들어 낼 수 있다.
4) 전략 인사이트 도출을 위해 필요한 역량
- 데이터 사이언스에 대한 이해
- 데이터 사이언스의 역할
데이터 사이언스와 데이터 마이닝은 비슷하지만, 서로 다르다. 데이터 마이닝은 주로 분석에 포커스를 두지만, 데이터 사이언스는 분석뿐 아니라 이를 효과적으로 구현하고 전달하는 과정, 궁극적으로는 전략적 인사이트 도출을 위한 일련의 행위까지 모두 포괄하는 광의의 개념이다.
-
'데이터 사이언스'와 '데이터 사이언티스트'
⭐데이터 사이언스 구성 요소⭐
Analytics : 수학, 확률 모델, 머신러닝, 분석학, 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⭐
하드 스킬(Hard skill)
✔ 빅데이터에 대한 이론적 지식 : 관련 기법에 대한 이해와 방법론 습득
✔ 분석 기술에 대한 숙련 : 최적의 분석 설계 및 노하우 축적
소프트 스킬(Soft skill)
✔ 통찰력 있는 분석 : 창의적 사고, 호기심, 논리적 비판
✔ 설득력 있는 전달 : 스토리텔링, 시각화
✔ 다분야 간 협력 : 커뮤니케이션
[가트너가 제시한 데이터 사이언티스트 요구 역량]
- 데이터 관리
- 분석 모델링
- 비즈니스 분석
- 소프트 스킬
5) 데이터 사이언스: 과학과 인문학의 교차로
(1) 전략과 인사이트 도출을 위한 인문학
- 기업들이 경영젼략을 수립하는 데는 사고방식, 비즈니스 이슈에 대한 감각, 고객에 대한 공감 능력 등의 소프트 스킬이 필요하다.
- 이 소프트 스킬은 인문학에서 나오는데, 바로 이를 두고 '데이터 사이언스는 과학과 인문학의 교차로에 있다'고 말한다. 그래서 전문가들은 데이터 사이언티스트에게 스토리텔링, 커뮤니케이션 능력, 창의력, 열정, 직관력, 비판적 시각, 글쓰기 능력, 대화 능력 등이 필요하다고 말한다. 이러한 능력이 인문학의 주요 주제임은 두말할 필요도 없다.
[외부 환경에서 본 인문학의 열풍]
컨버전스 -> 디버전스 : 단순 세계화 -> 복잡 세계화
생산 -> 서비스 : 제품생산 -> 서비스
생산 -> 시장 창조 : 기술 경쟁 -> 무형 자산의 경쟁
(2) 인문학적 사고의 특성
6) 빅데이터 그리고 데이터 사이언스의 미래
(1) 가치 패러다임의 변화
Digitalization(디지털화) -> Connection(연결) -> Agency(에이전시)
(2) 데이터 사이언스의 한계와 인문학
- 데이터 사이언스의 한계
✔정량적 데이터 분석이라도 모든 분석은 가정에 근거하며, 가정이 변하지 않는 동안에도 실제 외부 요인은 계속해서 변화한다.
✔데이터 분석은 100% 완벽하지 않다는 한계가 반드시 존재한다. 하지만 정보가 뒷받침되지 않는 직관보다는 낫다. - 데이터 사이언티스트에게 요구되는 인문학
✔훌륭한 데이터 사이언티스트는 인문학자들처럼 모델의 능력에 대한 항상 의무심을 가지고, 가정과 현실의 불일치에 대해 끊임없이 고찰하고, 분석 모델이 예측할 수 없는 위험을 살피기 위해 현실 세계를 주시해야 한다.
✔그럴 때 비로소 빅데이터와 데이터 사이언스는 빅데이터에 묻혀 있는 잠재력을 풀어내고, 새로운 기회를 찾고, 누구도 보지 못한 창조의 밑그림을 그리는 힘을 발휘한다.
⭐Trend Keyword⭐
- 빅데이터와 인공지능
- 머신러닝과 딥러닝의 차이
- 빅데이터 플랫폼
- 하둡(Hadoop)
- 하둡 에코시스템
- 데이터 레이크(Data Lake)
- 마이데이터(Mydata)
- 2020년 개정된 <개인정보보호법>
- 개인정보 비식별화
- 스마트 팩토리(Smart Factory)
- 블록체인(Blockchain)
- 메타버스(Metaverse)
