[Study.log] ADsP | 1과목 - 데이터의 이해 | 3장. 가치 창조를 위한 데이터사이언스와 전략 인사이트

32회 데이터분석 준전문가 (ADsP)

Study log  (D - 39)

 

Last update : 2022.01.18. 화

2022. © Jalynne.log

# 나를 위한 공부 로그

1과목 - 데이터의 이해 (객관식 8문항, 단답형 2문항)

 

3장. 가치 창조를 위한 데이터사이언스와 전략 인사이트

• 빅데이터분석과 전략 인사이트
• 전략 인사이트 도출을 위한 필요 역량
• 빅데이터 그리고 데이터 사이언스의 미래

---

< 빅데이터분석과 전략 인사이트 >

---

① 빅데이터 열풍과 회의론

• 빅데이터 열풍이 일어나며, 빅데이터 열풍은 '거품현상' 이라는 주장들이 하나 둘씩 제기되며, '빨리 끓어 오른 냄비가 빨리 식는다'라는 우려가 회의론을 불러오기도 함. 
• 실제 찾을 수 있는 가치들을 발굴해볼 기회들을 사전에 차단하게 될 수도 있음. 
• 회의론의 다양한 원인 

회의론의 원인	설명
과거의 고객관계관리 (CRM)가, 투자효과를 거두지 못했던 것에 대한 부정적 학습효과	- CRM을 비롯한 IT 솔루션 영역은 공포 마케팅이 잘 통하는 영역이었기 때문에, 도입만 하면 모든 문제를 한번에 해소할 수 있을 것처럼 강조 + 나중에는 합류하지 못한다면 위험에 처할지도 모른다는 공포 분위기를 조성 - 막상 거액을 투자해 솔루션을 도입해도, 어떻게 활용하고 어떻게 가치를 뽑아내야 할지 첫 번째 물음부터 다시 해야 하는 사태가 벌어짐
빅데이터 성공 사례가 기존 분석 프로젝트를 포함해 놓은 것이 많음	- 빅데이터의 새로운 가치로 회자 되는 부분이 굳이 빅데이터가 필요 없는 경우 (우수고객, 이탈예측, 구매패턴 분석 등)  - 국내 빅 데이터 업체들이 CRM 분석 성과를 빅데이터 분석으로 과대포장.

- 데이터에서 가치, 즉, 통찰을 끌어내 성과를 창줄하는 것이 관건 (빅데이터에 포커스를 두지 않아야 한다.) 

- 분석에 기초한 전략적 통찰력이 중요하다. (아래 성공 기업과 실패 기업의 사례에서도 알 수 있음. )

성공한 기업	성공하지 못한 기업
구글, 페이스북, 링크드인	싸이월드..
데이터 분석과 함께 시작되고 분석이 내부 의사결정에 결정적 정보를 제공함	데이터 분석에 기반한 경영 문화의 부재 - 데이터 분석에 기초해 전략적 통찰을 얻고, 효과적인 의사결정을 내리고 성과를 만들어내는 체계가 없었음. - OLAP와 같은 분석 인프라는 있었으나, 데이터 분석에 기초한 의사결정이 없었음.  - 웹 로그 분석을 통한 일차원적 분석에만 집중하여, 비즈니스 핵심 가치와 관련된 심도 있는 분석이 수행되지 않았다.  - 회원들의 소셜 네트워킹 활동 특성과 관련된 분석을 위한 프레임워크나 평가지표가 없었다.

② 빅데이터는 'Big'이 핵심 keyword가 아니다. 

• 데이터의 크기가 중요한 것이 아니라, 데이터에 기초한 의사결정, 어떠한 시각과 통찰을 얻을 수 있는가의 문제가 중요하다. 
• 데이터의 양 보다는 오히려 "유형의 다양성"과 관련 있음 : 음성 , 텍스트 , 이미지 , 비디오 등 다양한 정보 원천의 활용이 가능하다는 점 속에 기회가 있다. 
• 전략, 비즈니스 핵심 가치에 집중하고,이와 관련된 분석 평가 지표를 개발, 이를 효과적으로 시장 및 고객 변화에 대응할 때, 빅데이터 분석이 가치가 있다. 

③ 전략적 통찰이 없는 분석의 함정

• 한국의 경영 문화는 여전히 분석을 국소적인 문제 해결 용도로 사용하는 단계이기 때문에, 기업의 핵심 가치와 관련해 전략적 통찰력을 가져다 주는 데이터 분석을 내재화 하는 것이 어려움 
• 무분별한 단순 분석은 쓸모없는 분석 결과들만을 낳는다. 
• 전략적 통찰력을 가지고 분석하여, 핵심 비즈니스 이슈에 집중하여 데이터를 분석해 차별적인 전략으로 기업을 운영해야 함. 
• Ex) 아메리칸 항공은 복잡한 최적화 및 타사의 능력 증진으로 경쟁 우위를 잃었지만, 사우스웨스트 항공은 단순한 최적화 모델로 높은 시장가치 확보. 

 

④ 일차적인 분석 vs. 가치기반 분석을 통한 전략 도출

• 일차적인 분석

   : 일차적 분석을 통해서도 부서나 업무 영역에서 상당한 효과를 얻을 수 있음

   : 그러나 큰 변화에 대응하거나, 고객 환경의 변화를 파악하여 새로운 기회를 포착하기 어렵다. 

• 전략적 통찰력의 창출에 집중 시 

   : 분석은 해당 사업에 중요한 기회 발굴, 주요 경영진의 지원을 얻어냄, 강력한 모멘텀을 만들 수 있음. 

• 빅데이터 분석이 나아가야 하는 방향 

   : 일차적 분석 경험이 증가시키면서 경험을 쌓아, 작은 성공을 거두고, 이후 분석의 활용 범위를 더 넓고 전략적으로 변화시켜야 함

   : 가치 기반 분석 단계로 나아가, 전략적 인사이트를 얻을 수 있어야 함. 

산업	일차원적 분석 애플리케이션
금융서비스	신용점수 산정 , 사기 탐지 , 고객 수익성 분석
소매업	재고 보충 , 수요예측
제조업	맞춤형 상품 개발 , 신상품 개발
에너지	트레이딩 , 공급 , 수요예측
온라인	웹 매트릭스 , 사이트 설계 , 고객 추천
병원	가격책정, 고객 로열티, 수익관리
헬스케어	약품 거래, 예비 진단, 질병 관리

---

< 전략 인사이트 도출을 위한 필요 역량 >

 

---

① 데이터사이언스의 정의

정의	설명
의미있는 정보 추출	데이터로부터 의미 있는 정보를 추출해내는 학문
다양한 유형의 데이터를 대상	정형, 반정형, 비정형 등의 다양한 유형의 데이터를 대상으로 함
포괄적 개념	분석 뿐 아니라 이를 효과적으로 구현하고 전달하는 과정까지 포함한 포괄적 개념
전문 지식의 종합 학문	데이터 공학, 수학, 통계학, 컴퓨터 공학, 시각화, 해커의 사고방식, 해당 분야의 전문 지식을 종합한 학문이므로, 총체적 (holistic) 접근법을 사용함
과학과 인문학의 교차로	과학과 인문학의 교차로에 서 있다고 할 수 있기 때문에, 스토리텔링 , 커뮤니케이션 능력, 창의력, 직관력이 필요함

[ 다른 분석들과의 차이점 ]

	데이터 사이언스	통계학	데이터 마이닝
분석대상	정형, 비정형, 반정형 등 다양한 데이터 유형	정형화된 데이터
분석 방법	분석 + 시각화 + 전달을 포함한 포괄적 개념		분석에 초점
학문 접근	종합적 학문 또는 총체적 접근법

 

 

② 데이터사이언스의 구성요소 

데이터 사이언스의 영역	세부 분야
Analytics (분석적 영역)	수학, 확률모델, 머신러닝, 분석학, 패턴인식과 학습, 불확실성 모델링 등.
IT (Data Management 영역)	시그널 프로세싱, 프로그래밍, 데이터 엔지니어링, 데이터 웨어하우스, 고성능 컴퓨팅
비즈니스 분석 (비즈니스 컨설팅 영역)	커뮤니케이션, 프레젠테이션, 스토리텔링, 시각화 등.

 

③ 데이터 사이언티스트의 요구 역량

• 데이터 사이언티스트는 데이터 해커, 애널리스트, 커뮤니케이션, 신뢰받는 어드바이저 등의 조합이라 할 수 있다.
• 가트너가 본 데이터 사이언티스트의 역량 : 데이터 관리, 분석 모델링, 비즈니스 분석, 소프트 스킬 →  강력한 호기심에서 시작
• 호기심이란, 문제의 이면을 파고들고, 질문들을 찾고, 검증 가능한 가설을 세우는 능력. 
• 하드 스킬과 소프트 스킬 능력을 동시에 갖추고 있어야 함 : 데이터 처리 기술 이외에 인문학적 요소 (스토리텔링, 커뮤니케이션 능력, 창의력, 열정, 직관력, 비판적 사고방식, 글쓰기 능력, 비즈니스 이슈에 대한 감각, 고객들에 대한 공감 능력)가 필요하다. (분석기술보다 소프트스킬이 더욱 중요함.) 

하드 스킬 (Hard skill)	소프트 스킬 (Soft skill)
빅데이터에 대한 이론적 지식 : 관련 기법에 대한 이해와 방법론 습득 분석 기술에 대한 숙련 : 최적의 분석 설계 및 노하우 축적 Machine Learning, Modeling, Data Technical Skill 등	통찰력 있는 분석 : 창의적 사고 , 호기심 , 논리적 비판 설득력 있는 전달 : Storytelling , Visualization 다분야 간 협력 : Communication

[ 데이터 사이언티스트가 효과적 분석모델 개발을 위해 고려해야 하는 사항 ]

• 분석 모델이 예측할 수 없는 위험을 살피기 위해 현실 세계를 돌아보고 분석을 경험과 세상에 대해 통찰력과 함께 활용
• 가정들과 현실의 불일치에 대해 끊임 없이 고찰하고 모델의 능력에 대해 항상 의구심을 갖는다
• 분석의 객관성에 의문을 제기하고 분석 모델에 포함된 가정과 해석의 개입 등의 한계를 고려한다
• 모델 범위 바깥의 요인은 판단하지 않는다

 

④ 전략적 통찰력과 인문학의 부활  

: 인문학의 열풍이 한때의 유행이 아닌 이유 

외부환경적 측면에서 본 인문학 열풍	설명
단순 세계화에서 복잡한 세계화로의 변화	컨버젼스에서 디버젼스로  * Convergence : 규모의 경제, 세계화, 표준화, 이성화가 키워드  * Divergence : 복잡한 세계, 다양성, 관계, 연결성, 창조성이 키워드
비즈니스의 중심이 제품생산에서 서비스로 이동	고장나지 않는 제품의 생산보다는, 얼마나 뛰어난 서비스로 응대하는가.
경제와 산업의 논리가 생산에서 시장창조로 바뀜	공급자 중심의 기술 경쟁에서 무형자산의 경쟁으로  * 공급자 중심의 경쟁 : 생산에 관련된 기술 중심, 기술 중심의 대규모 투자, 좋은 품질의 제품 생산. * 무형자산의 경쟁 : 현재화 패러다임에 근거한 시장 창조, 현지 사회와 문화에 관한 지식.

⑤ 데이터 사이언티스트가 분석으로 다룰 수 있는 6가지 핵심 질문   

- 인문학적 사고란 : 비판. 왜 우리는 여태 이런 식으로 생각했나, 왜 우리는 세상이 그런 것인 줄로만 알았나? 하는 물음을 던지는 것. 

- 분석에서 문제의 이면을 제대로 파고들지 못하면 그것은 단순한 정보의 나열에 불과하다.

- 통찰력 있는 분석이란 : "집요하게 따지는 것"

	과거	현재	미래
정보 (Information)	무슨일이 일어났는가? 예 ) 리포팅 (보고서 작성)	무슨 일이 일어나고 있는가? 예 ) 경고	무슨 일이 일어날 것인가? 예 ) 추측
통찰력 (Insight)	어떻게, 왜 일어났는가? 예 ) 모델링, 실험 설계	차선 행동은 무엇인가 ? 예 ) 권고	최악과 최선의 상황은? 예 ) 예측 , 최적화, 시뮬레이션

* 과거 → 현재 →미래로 정리하여 이해 + 정보만으로 할 수 있는것과, 통찰력으로 할 수 있는 것을 구분하여 알기 

- 최고의 데이터 사이언티스트는 정량 분석이라는 과학과 인문학적 통찰에 근거한 합리적 추론을 탁월하게 조합한다. 

 

⑥ 데이터 분석 모델링에서 인문학적 통찰력의 적용 사례

- 인간을 바라보는 관점을 이용한 신용리스크 모델 : 인간에 대한 이해는 마케팅 모델의 개발에 중요한 가이드가 된다. 

- 모델의 예측력을 높이기 위해, '인간을 어떤 관점에서 볼 것인가', '이를 위해서는 어떤 데이터가 필요한가', '어떤 기술을 활용해야 할 것인가'라는 질문에 가이드를 제공. 

인간을 바라보는 관점
성향적 관점	인간의 타고난 성향은 변하지 않는 존재라고 상정함.  유전적 요소처럼 원래의 성향이 존재하고 인간은 이것을 기초로 나뉜다고 본다. 과거: 지점장이 대출자를 면담시 인상이나 관상으로 신용을 판단.
행동적 관점	한 사람의 행동을 지속적으로 관찰해 그 행동을 보고 그 사람을 판단한다.  현재 : 고객들의 과거 행동 패턴을 분석한 신용평가 모형의 적용
상황적 관점	그 사람이 놓여있는 상황과 맥락을 고려해야 한다.  최근 : 시나리오 분석, 모델에 경제 상황의 변화를 반영. (변화에 민감한 그룹과 둔감한 그룹)

 

---

 

< 빅데이터 그리고 데이터 사이언스의 미래 >

---

① 빅데이터의 시대 

신속한 의사결정을 원하는 비즈니스에서는 실시간 상관관계분석에서 도출된 인사이트를 바탕으로 수익을 창출할 수 있는 기회가 점점 늘어나고 있음
상관관계를 통해 특정 현상의 발생 가능성이 포착되고 , 그에 상응하는 행동을 하도록 추천되는 일이 점점 늘어날 것
데이터 기반의 상관관계 분석이 주는 인사이트가 인과관계에 의한 미래 예측을 점점 더 압도해가는 시대가 도래

의사결정 오류	설명
로직 (논리) 오류	부정확한 가정을 하고 테스트를 하지 않는 것
프로세스오류	결정에서 분석과 통찰력을 고려하지 않은 것 데이터 수집이나 분석이 너무 늦어 사용할 수 없게 되는 것 대안을 진지하게 고려하지 않은 것

 

② 가치 패러다임의 변화 

단계	설명
Digitalization	아날로그의 세상을 어떻게 효과적으로 디지털화 하는가
Connection	디지털화된 정보와 대상들은 이제 서로 연결되며, 효과적이고 효율적으로 정보를 연결 및 제공함. 연결을 얼마나 효과적이고 효율적으로 제공해주느냐가 성패
Agency	방대한 정보들의 복잡한 하이퍼 연결과, 필요한 정보를 얼마나 효과적이고 믿을 수 있게 관리하고 제공할 수 있는가 가 중요한 가치

 

③ 데이터 사이언스의 한계와 인문학

데이터베이스의 한계	모든 분석은 가정에 근거한다. 분석 과정에 인간의 해석이 개입된다. 분석 결과의 해석이 사람에 따라 달라질 수 있고, 이로 인해 다른 결론이 나타날 수 있다.
인문학의 역할	분석 결과를 해석하는 인간의 소양과 인문학적 소양으로 보다 발전적인 미래 가치 도출 모델의 능력에 대해 항상 의구심을 가져야 함.   가정과 현실의 불일치에 대해 계속 고찰해야 함. 분석 모델이 예측할 수 없는 위험을 살펴야 함.

 

---

[ Reference ]

1. 2018 데이터 분석 준 전문가 ADsP, 데이터에듀, 윤종식 저. 

2. 데이터 분석 전문가 가이드, 한국데이터진흥원.

3. EduAtoZ - Programming - YouTube

4. ADSP 데이터분석준전문가 1과목 정리 : 네이버 블로그 (naver.com)