ADsP 가치 창조를 위한 데이터 사이언스와 전략 인사이트

제3장 가치 창조를 위한 데이터 사이언스와 전략 인사이트

제 1절 빅데이터 분석과 전략 인사이트

1. 빅데이터 열풍과 회의론

빅데이터는 마법의 키워드로 떠올랐다.
웹 2.0 소셜같은 한 때의 유행처럼 거품현상을 우려하는 시선이 있다.
2013년 말을 기점으로 ‘빅데이터’키워드 검색건수가 주춤
과거의 고객관계관리(CRM)과 같은 부정적 학습효과 - 거액을 들여 돌입한 IT 솔루션은 모든 문제를 해결할 것 같지만, 이것을 어떻게 활용하고 가치를 뽑아내야 할지 몰라 관련 장비와 솔루션을 방치하는 결과를 가져온다.
빅데이터 성공사례가 기존 분석 프로젝트를 포함한 것들이 많다.
빅데이터 분석 - 데이터의 가치, 즉 통찰을 끌어내 성과를 창출하는 것이 관건이다.

2. 왜 싸이월드는 페이스북이 되지 못했나?

2004년 세계 최대 소셜 네트워크 서비스

«분석 기반 경영이 도입되지 못하는 이유..»

중요 의사결정이 데이터분석에 기초하지 못했다.
웹로그 분석과 같은 일차적인 분석이 이뤄지고 있지만, 이는 경영진의 직관력을 보조하는 일부로서 활용되거나, 사업 상황 확인을 위한 협소한 문제들에 집중하는 경향이 있다.
2004년 당시 싸이월드는 회원들의 소셜 네트워킹 활동 특성의 중요성에도 불구하고,이와 관련된 분석을 위한 프레임워크나 평가지표조차 제대로 만들어져 있지 않았다.
2005년 핵심고객들이 느끼는 불만족 사항과 핵심고객 가치는 싸이월드의 위기와 대변화를 요구하고 있었다.
세계 최대 소셜네트워크 서비스를 보유한 나라였음에도 소셜네트워크에 대한 변변한 논문조차 없었던 현실
당시 소셜 네트워킹 특성 변화에 대한 분석 데이터와 이러한 네트워킹 변화의 원인을 규명하기 위해 추가 수집한 고객조사 데이터는 많은 통찰을 가져다 줬다.
링크드인 ‘당신이 알 수도 있는 사람들’이라는 서비스를 도입해 페이지뷰를 극적으로 끌어올렸다.

이 개발 배경에는 스탠포드 물리학 박사인 골드만(Goldman)데이터 사이언티스트와 그의 데이터 분석이 있었다는 것은 유명한 일화이다.

분석기반 경영이 도입되지 못하는 이유 
  
(하라스엔터테인먼트 회장, 러브먼)
  
- 기존 관행을 따를 뿐, 중요한 시도를 하지 않는다.
- 경영진의 의사결정은 정확성이나 공정한 분석을 필요하지 않으며, 오히려 정반대로 직관적 결정을 귀한 재능으로 칭송한다. 
- 분석적 실험을 갈망하거나 능숙하게 해내는 사람이 거의 없어 적절한 방법조차 제대로 익히지 못한 사람들에게 분석 업무가 주어진다.
- 사람들은 아이디어 자체보다 아이디어를 낸 사람이 누구인지 관심을 두는 경향이 있다.
  

3. 빅데이터 분석, ‘Big’이 핵심이 아니다

많은 기업에서 우선 더 많은 데이터를 보유하는 데에 관심을 쏟는다.
그러나 데이터에 기초한 의사결정이 중요하다는 것이지, 데이터 자체에 중요성이 있지 않다.
2012년 뉴밴티지 파트너스 설문조사에 따르면 “데이터의 양이 아니라 유형의 다양성과 관련이 있다.” 에 기업들이 초점을 맞추고 있다.
빅데이터 이니셔티브의 가장 중요한 목표와 이를 통해 얻을 수 있는 잠재적 보상은 다양한 데이터 소스 (음성, 덱스트, 로그, 이미지나 비디오)와 신종 소스를 분석할 수 있는 능력이지, 대용량 데이터셋을 관리할 수 있는 능력이 아니다.
비정형 데이터를 정형 데이터와 결합해 활용함으로써 고객과 비즈니스 운영 상황을 보다 종합적이고 완벽하게 조망할 수 있다.
‘Big’한 데이터를 찾을 것이 아니라, 비즈니스의 핵심에 대해 보다 객관적이고 종합적인 통찰을 줄 수 있는 데이터를 찾는 것이 중요하다.
비즈니스 핵심 가치에 집중하고 이와 관련된 분석 평가지표를 개발, 이를 통해 효과적으로 시장과 고객의 변화에 대응할때 빅데이터 분석은 가치를 줄 수 있다.
빅데이터와 관련된 걸림돌은 ‘비용이 아니라 분석적 방법과 성과에 대한 이해 부족’일 것이다.

4. 전략적 통찰이 없는 분석의 함점

가. 분석 지향성의 중요도

성과가 낮은 기업		성과가 높은 기업
23%	상당한 의사결정 지원/분석 역량을 갖춤	65%
8%	폭넒은 가치 분석적 통찰력을 갖춤	36%
33%	산업 평균 이상의 분석 역량을 갖춤	77%
23%	전체 조직에서 분석을 활용	40%

<출처: 토마스 데이븐포트・잔느 G. 해리스・로버트 모리슨, «분석의 기술»,2011, 21세기북스>

나. 아메리칸 항공 vs 사우스웨스트 항공

아메리칸 항공 - 1985년 부터 수익관리, 가격최적화에 분석 접근법을 적용 경쟁사들 사이에서 우위를 점할 수 있었다.
사우스웨스트항공 - 단순한 분석 모델 사용 좌석 가격책정과 운영을 분석
아메리칸 항공사 뿐만 아니라 다른 항공사들 역시 분석적 접근법을 채택했다. ➝ 수익절감
사우스웨스트 항공은 결과적으로 36년 연속 흑자를 냈다.
분석을 보다 전략적으로 사용하기 위해 노력하지 않으면 차별화가 어렵다.
다양한 상공기를 보유하고 있던 아메리칸 항공은 복잡한 비행경로를 최적한 반면,
사우스 웨스트 항공은 단일 기종만 이용함으로써 비용과 복잡성을 획기적으로 줄였다.
단순히 분석을 많이 사용하는 것이 곧바로 경쟁우위를 가져다 주지 않는다.
핵심적인 비즈니스 이유에 답을하는 분석은 기업의 경쟁전략을 이끌어나가는 중심이 될 수 있다.

5. 일차적인 분석 vs. 전략 도출 위한 가치 기반 분석

*** 분석 애플리케이션이 어느 산업에서 활용되는지에 대해 자주 출제되므로 꼭 숙지하자!

빅데이터가 새로운 용도, 장기적으로 진화적 잠재력을 지니고 있다는데 동의한다. (미국 대규모 조직 임직원 조사 결과)
빅데이터는 가치 창출이 가능해야 하고 그 시점이 빠를 수록 더 좋다.

가. 일차적인 분석 애플리케이션 사례

산업	분석애플리케이션
금융 서비스	신용점수 산정, 사기탐지, 가격책정, 프로그램 트레이딩, 클레임 분석, 고객 수익성 분석
소매업	판촉, 매대 관리, 수요 예축, 재고 보충, 가격 및 제조 최적화
제조업	공급사슬 최적화, 수요 예측, 재고 보충, 보증서 분석, 맞품형 상품개발, 신상품 개발
운송업	일정 관리, 노선배정, 수익관리
헬스케어	약품 거래, 예비 진단, 질병 관리
병원	가격 책정, 고객 로열티, 수익관리
에너지	트레이딩, 공급 , 수요 예측
커뮤네케이션	가격 계획 최적화, 고객 보유, 수요 예측, 생산능력 게획, 네트워크 최적화, 고객 수익성 관리
서비스	콜센터 직원관리, 서비스・수익 사슬 관리
정부	사기 탐지, 사례관리, 범죄 방지, 수익 최적화
온라인	웹 매트릭스, 사이트 설계, 고객 추천
모든 사업	성과관리

나. 일차적인 분석의 문제점

일차적인 분석을 통해 해당 부서나 업무 분석에는 상당한 효과를 얻을 수 있다.
그러나 일차적인 분석은 대부분 업계 문제에만 포커스를 두고 있다.
부서 단위로 관리되기 때문에 전체 비즈니스 성광의 핵심 역할을 기대하기 어렵다.
가치 기반 분석을 위해서는 사업과 이에 영향을 미치는 트랜드에 대해 큰 그림을 그려야 한다.
인구통계학적 변화, 경제사회 트렌드, 고객 니즈의 변화, 대변화가 어디서 나타날지도 예측해야 한다.
사업성과를 견인하는 핵심 요소를 중심으로 큰 틀에서 분석 프레임 워크를 잡아야 한다.

다. 전략적 수준의 분석

물리적 자산 - 공급과 수요 변동, 운영 유연성, 공급사슬과의 접점 문제에 포커스를 두려고 한다.
품질, 수량, 지적 자산 - 제약회사와 같은 곳은 분석적 실험과 의사결정에 집중해야 한다.
가치 네트워크 기반 - 금융기관, 텔레커뮤니케이션 회사들은 분석이 어떻게 고객과 서비스 네트워크를 높일 수 있을 지를 검토해야 한다.
급변하는 환경에서 일차적 차원에서 점증적 전술적으로 사용하면 성과는 미비할 수 있다.
전략적 통찰력의 창출에 포커스를 뒀을때, 분석은 해당 사업에 중요한 기회를 발굴하고, 주요 경영진의 지원을 얻어낼 수 있고 이를 통해 강력한 모멘텀을 만들어 낼 수 있다.

제2절 전략 인사이트 도출을 위한 필요 역량

1. 데이터 사이언스의 의미와 역할

가. 데이터 사이언스

데이터로 부터 의미 있는 정보를 추출해내는 학문
정형 또는 비정형을 막론하고 인터넷, 휴대전화, 감시용 카메라 등에서 생성되는 숫자와 문자, 영상 정보 등 다양한 유형의 데이터를 대상으로 한다.
분석뿐만 아니라 이를 효과적으로 구형하고 전달하는 과정까지 포함한 포괄적 개념
기존 통계확과 다른 점은 데이터 사이언스는 총체적(holistic)접근법을 사용한다는 점이다.
전략적 통찰 추구
비즈니스 핵심 이슈에 답을 한다.
사업성과를 견인 소통력이 필요하다.

2. 데이터 사이언스의 구성요소

***데이터 사이언스 구성요소과 내용에 대한 객관식 문제 출제 가능성 ↑↑

가. 데이터 사이언스의 영역

Analytics - 분석적 영역 : 수확, 확률모델, 머신러닝, 분석학, 패턴 인식과 학습, 불확실성 모델링등
IT - 데이터 처리와 관련된 IT영역 : 시그널 프로세싱, 프로그래밍, 데이터 덴지니어링, 데이터웨어하우스, 고성능 컴퓨팅
비즈니스 분석 - 비즈니스 컨설팅 영역 : 커뮤니케이션, 프레젠테이션, 스토리텔링, 시각화등

나. 데이터 사이언티스트가 갖춰야 할 역량

전문가	제시한 역량
DJ Patil Greylock Partners 의 데이터 사이언티스트 ‘bilding Data Science Teams’ 저자	● 기술적 숙련도(Technical Expertise) 몇몇 과학 분야에 대한 전문 지식 ● 호기심(Curiosity) 내부에 숨겨진 것을 알고자 하는 욕구, 문제 해결을 위해 명확한 집합을 만들는 능력 ● 스토리텔링(Storytelling) 이야기를 전달하고 효과적으로 대화하기 위해 데이터를 활용하는 ● 영리함(Cleverness) 창의적 방식으로 문제를 다르게 보는 능력
Gartner	● 데이터 관리(Data Management) 데이터에 대한 이해 ● 분석 모델링(Analytics Modeling) 분석론에 대한 지식 ● 비즈니스 분석(Business Analysis) 비즈니스 요소에 초점 ● 소프트 스킬(Soft Skill) 커뮤니케이션, 협력, 리더십, 창의력, 규율, 열정
Sunil Shirguppi LinkedIn, 인터내셔널 데이터 서비스 책임자	● 데이터 자체를 다루기 위한 능력 - 데이터 수집력(Data Gathering) - 표준화(Standardization) - 통계(Stastistics) - 모델링(Modeling) ● 데이터를 분석하여 의미 있는 결과를 도출하고 이를 적용하기 위한 능력 - 호기심(Curiosity) - 직관력(Intuition) - 비쥬얼라이제이션(Visualization) - 커뮤니케이션(Communication)
John Rause Amazon	● 수학과 공학능력 데이터의 분석 및 이를 위힌 솔루션 작동을 위해 필요 ● 인문학적 소양 - 비판적 시각 : 가설 수립 및 검증에 필수 - 글쓰기 능력 및 대화 능력 - 분석 결과의 전달과 이해, 설득을 위해 필요 ● 호기심 및 행복 통찰력의 발휘 및 일에 대한 만족과 보람도 필요

다. 데이터 사이언티스트의 중요한 특징

***Hartd skill과 Soft skill를 구분하는 문제가 자주 출제된다.

data_3_001

데이터 사이언티스는 데이터 홍수 속에서 헤엄을 치고, 데이터 소스를 찾고, 복잡한 대용량 데이터를 구조화, 불완전한 데이터를 서로 연결해야 한다.
강력한 호기심(intensive curiosity) - 문제의 이면을 파고들고, 질문들을 찾고, 검증 가능한 가설을 세우는 능력을 의미한다.
스토리텔링, 커뮤니케이션, 창의력, 열정, 직관력, 비판적 시각, 글쓰기능력, 대화 능력등을 갖춰야 한다.
하드 스킬(Hard skill) - 데이터 처리나 분석 기술
소프트 스킬(Soft skill) - 통찰력 있는 분석, 설득력 있는 전달, 다분야간 협력

3. 데이터 사이언스 : 과학과 인문의 교차로

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

4. 전략적 통찰력과 인문학의 부활

가. 통찰력있는 분석

직관과 전략, 경영 프레임워크 경험의 혼합을 통해 통찰력있는 분석을 수행할 수 있어야 한다.
본인 회사 뿐 아니라 전체 업계의 방향과 고객이 무엇을 중시하는지에 대한 이해가 필요하다.
좁은 시각으로 나무만 보는 것이 아니라 넓은 시각으로 숲을 볼 수 있어야 한다.

나. 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 시대를 맞이하고 있다.

외부환경의 변화	내용	예시
컨버전스 ➞ 디버전스	단순세계화에서 복잡한 세계화로의 변화	규모의 경제, 세계화,표준화, 이성화 ➞ 복잡한 세계, 다양성, 관계, 연결성, 창조성
생산 ➞ 서비스	비즈니스 중심이 제품생산에서 서비스로 이동	고장나지 않는 제품의 생산 ➞ 뛰어난 서비스로 응대
생산 ➞ 시장창조	공급자 중십의 기술경쟁에서 무형자산의 경쟁으로 변화	생산에 관련된 기술 중심, 기술 중심의 대규모 투자 ➞현재 패러다임에 근거한 시장 창조 현지 사회와 문화에 관한 지식

제 3절 빅데이터 그리고 데이터 사이언스의 미래

1. 빅데이터의 시대

디지털 환경의 전진과 저불어 실로 엄청난 ‘빅’ 데이터가 생산되고 있다. (2011 전 세계 생성되는 디지털 정보량은 1.8제타바이트)
빅데이터 분석은 선거결과에도 영향을 미칠 수도 있다. 기업의 측면에서는 비용절감, 시간절약, 매출 증대, 고객서비스 향상, 신규 비즈니스 창출, 내부 의사결정 지원 등에 있어 상당한 가치를 발휘하고 있다.

2. 빅데이터의 회의론을 넘어 가치 패러다임의 변화

Digitalization	connection	Agency
과거	현재	미래
• 아날로그 세상을 어떻게 효과적로 디지털화 하는지가 과거의 가치 창출 원천	• 디지털화된 정보와 대상은 서로 연결시작 • 연결을 더 효과적이고 효율적으로 제공하는 지가 성공요인	• 복잡한 연결을 얼마나 효과적이고 믿을 수 있게 관리하는가의 이슈