인공지능 시대의 비즈니스 전략 (4)

3부 실질적 실행

8장 데이터 활용의 단계

데이터는 분석하는 것이 아니라 활용하는 것

데이터가 분석을 하는 대상이라는 생각을 버려야 진정한 활용이 가능하당

데이터 분석을 통한 인사이트 발굴보다 훨씬 더 중요한 것은 '데이터 가치화'

진정한 데이터 활용은 인사이트와 새로 만들어낸 가치 데이터를 통해 '비즈니스를 변화'시키는 것

반드시 거처야 하는 단계

3단계까지는 동시 진행 하지만 그 이상은 뛰어넘을 수 없다

1단계 데이터 파악: 구체적으로

단순한 데이터 분석이든 머신러닝과 인공지능을 사용하기 위해서든 데이터는 필요하다

이러한 단계는 누군가 운영 시스템 코드와 데이터베이스를 일일이 뜯어봐야 하기 때문에 생각보다 어려운 일이다

 

2단계 파일럿 프로젝트: 데이터 분석하면 실패

2단계에서는 작고 빠르게 결과를 볼 수 있는 것을 선택해야 한다

이때 데이터 분석을 하면 안된다

여기서는 데이터 분석이 아닌 '기존의 업무 프로세스를 변경할 포인트를 찾는 것'이 중요하다

 

3단계 데이터 수집과 저장: 원시 데이터를 한곳에

여기서 중요한 것은 '한곳' 즉, 별도의 단일 저장 공간에 모아서 저장해야 하는 것과, '원래 모습 그대로의 원시 데이터'라는 것이다

데이터도 저장해놓지 않고 인공지능과 머신러닝을 논하는 것은 앞뒤가 맞지 않는 일이다

 

4단계 본격적 데이터 활용 및 성숙

앞선 단계들을 통해 올바른 방향으로 나아가고 있다면, 본격적으로 데이터를 활용해야 한다

데이터 활용에 대한 상향식 인사이트 발굴을 기반으로, 과감하게 새로운 시도를 추진하는 하향식 시도가 적절하게 합쳐져야 한다

데이터는 그 데이터가 생산된 기존 사업을 개선하고 혁신하는 데 활용된다

데이터 활용은 각 영역과 조직 간의 경계를 넘나들며 진행된다

이 때는 몇 번의 실패나 성과 부족에 실망하지 말고 조급증을 경계해야 한다

5단계 비즈니스 확장 및 신규 비즈니스 개발

데이터만 있다고 해서 완전히 새로운 분야의 사업을 갑자기 시작할 수는 없다

기존 사업에서의 데이터 활용과 역량이 넘치게 되면 그동안 할 수 없었던 영역으로 자연스럽게 사업을 확장할 수 있게 되는 것이다

최고 의사결정권자부터 신입사원까지 모두가 데이터를 기반하여 일할 정도로 데이터 활용 역량이 충분히 성숙되지 않았는데, 섣불리 데이터 기반 신규 비즈니스를 만들려고 하면 안 된다

 

9장 현실적인 이슈

데이터 전문 조직의 구성

데이터 전문 조직은 분산형, 중앙집중형, 혼합형의 3가지 방법이 있다

분산형: 데이터 전문가가 각 기능별 조직 단위에 있는 구성으로 대부분의 조직에서 처음 생기는 형태, 장점으로는 데이터 전문가가 현업 부서의 담당자와 함께 문제 해결에 집중할 수 있고, 해당 영역에 대한 전문성을 확보할 수 있다. 그러나 데이터 전문 인력이 흩어져 있어 시너지를 발휘하기 어렵다

중앙집중형: 데이터 전문가들을 한곳에 모아놓는 구성으로 데이터 전문 총괄 조직을 중앙에 두고 현업 실무 부서들을 지원하는 형태, 이는 데이터 전문 인력을 필요에 따라 재배치할 수 있다는 장점이 있지만, 특정 분야에 높은 전문성을 가진 데이터 전문가가 나오기 어렵다는 단점을 가진다

혼합형: 분산형과 중앙집중형을 섞은 형태

 

데이터 활용의 현실

현업 조직의 많은 실무자들은 활용할 수 있는 데이터가 어떤 것이 있는지, 어디에 있는지, 얼마나 있는지, 얼마나 신뢰할 수 있는지 잘 모르기에 머신러닝을 활용한 예측 분석이 어렵다

IT 조직의 일이 아니다

데이터 활용에서 IT 부서의 역할을 필수적이지만 그들이 주도권을 가지면 인공지능 활용, 데이터 드리븐 비즈니스는 진척되기 어렵다

데이터 조직의 역할을 그 전에 알지 못했던 것을 찾고, 없던 것을 만들어 기업을 변화시키는 것이다

데이터 관련 직종

데이터 사이언티스트(Data Scientist)

현업 데이터 분석가(Citizen Data Scientist)

데이터 기획자(Data Businessperson)

데이터 엔지니어(Data Engineer)

데이터 스튜어드(Data Steward)

데이터 전문가 채용과 취업

인공지능, 머신러닝, 데이터 활용의 가장 큰 문제는 전문 인력의 부족

이 분야는 신기술을 빠르게 파악하고 응용해서 실무에 적용하는 것이 관건이다

• 데이터 사이언티스트가 필요한 역량

 

10장 데이터 분석

모호한 데이터 분석

누구나 데이터 분석이 무엇인지 알고 있다고 생각하지만, 모두가 같은 개념을 떠올리는 것이 아니기 때문에 여러 커뮤니케이션 오류가 발생한다

분석은 상황에 따라 의미를 달리할 때가 많다

이와 같이 데이터 분석도 많은 것을 내포하고 있다

기술적 분석

기술적 분석은 많은 경우 정기 업무화되어 있어 습관적이고 관례적으로 단순 반복만 하기도 한다

모든 분석 과정에서 인간의 주관적 판단을 제외하고 사실의 기술 자체에만 집중해야 한다

탐색적 분석(EDA)

탐색적 분석은 인간이 무엇인가를 찾고 이해하려는 과정이다

그러나 아직까지 탐색적 분석 역량은 높지 않다

진정한 데이터 활용

진정한 데이터 활용을 위해서는 조직 문화를 점검하고, 조직 내에 건설적인 의견들이 쉽게 제시되고 새로운 시도를 자유롭게 할 수 있는 문화를 만들어야 한다

"인공지능과 머신러닝의 활용, 데이터 드리븐 비즈니스는 데이터 기반 변화 관리의 다른 이름일 뿐이다."

 

 

 

 

※ 해당 내용은 <인공지능 시대의 비즈니스 전략>의 내용을 토대로 학습하며 정리한 내용입니다.