하버드비즈니스리뷰

많은 조직이 데이터 과학(Data Science)을 향한 여정에 나서고 있습니다. ‘탁월성 센터(centers of excellence)’를 개설하고 최고의 데이터 과학자를 채용하는 한편 가용 데이터가 많은 분야에 집중하고 있죠. 어떻게 보면 꽤 일리 있는 방법들입니다. 인공지능이나 머신러닝의 붐에 뒤늦게 합류하고 싶지는 않을 테니까요. 게다가 데이터 과학자들은 최신 툴을 뽐내는 걸 좋아하죠.

그런데 과연 이것이 이 귀한 자원을 투입하는 최선의 방법일까요? 대다수 기업에는 그렇지 않을 것으로 보입니다. 더 정확히 말하자면 우리는 기업들에 데이터 과학을 더 전략적이고, 더 광범위한 관점에서 바라보라고 조언합니다.

전략적 데이터 과학에 대해 한번 생각해봅시다. 조직들은 비교적 적은 수의 전략적 문제와 맞닥뜨립니다. 하지만 그 문제들은 아주 중요한 것들이죠. 전략적 문제를 해결하거나 중대한 의사결정을 내리기 위해 분석할 수 있는 데이터가 적다 하더라도 기업들은 이 이슈들을 해결하기 위해 가능한 모든 방법을 동원해야만 합니다. 이때 데이터 과학은 빅데이터 알고리즘보다 훨씬 더 많은 가치를 제공합니다. 문제를 더 명확하게 공식화하고, 가용한 ‘스몰 데이터’가 무엇인지 분석하고, 실험하고, 멋진 그래프를 만들어내죠. 데이터 과학은 더 나은 통찰을 이끌어낼 어마어마한 잠재성을 갖고 있습니다. 게다가 데이터 과학 혁신을 주도하는 것이 결국은 상급 관리자들의 몫이기 때문에 이들을 데이터 관련 활동에 참여시켜야 합니다. 이들이 데이터 활용의 이점을 더 명확하게 바라보고, 이 혁신에 어떻게 기여할 것인지 더 잘 이해할 수 있게 되니까요.

한편 데이터 과학에는 광범위한 민주화도 필요합니다. 데이터 과학을 진정으로 혁신하려면 모든 조직 구성원이 데이터 과학에 동참해야 하죠. 전문가에게만 맡겨두는 것은 데이터 과학의 잠재력을 제한하는 꼴입니다. 전문 데이터 과학자에게만 집중하게 되면 대다수의 비전문가와 사업 기회를 간과하게 됩니다. 예를 들면, 지식 노동자, 중간관리자, 파트너로 구성된 소규모 팀이 소량의 데이터를 활용해 두세 달만 작업하면 해결할 수 있는 문제나 데이터 기반 의사결정 사항이 기업에는 엄청나게 많습니다. 이 사람들은 조직의 최전선에 있으면서 사업이 돌아가는 방식을 이미 꿰뚫고 있기 때문에 데이터 과학자에게 하듯이 일일이 가르쳐줄 필요가 없습니다. 그리고 데이터 조작, 알고리즘 생성, 모델을 생산에 적용하기 위한 코드 작성 등 다양한 데이터 과학 활동을 수월하게 해주거나 자동화해주는 각종 신규 툴을 제공하는 업체들이 수도 없이 많죠.

데이터 과학의 전사적 혁신이라는 발상이 버겁게 느껴질 수도 있습니다. 하지만 그 첫걸음을 떼는 방법에는 여러 가지가 있죠. 그동안의 컨설팅, 시니어 리더들과의 대화, 각종 연구를 기반으로 우리는 다음과 같은 방법을 제안합니다. 이 방법을 통해 사내의 데이터 과학을 더 전략적이고 민주적으로 변화시킬 수 있습니다.

전략적 이점이 가장 큰 문제에 집중하세요.

앞서 언급했지만 대다수의 조직이 가용 데이터가 가장 많은 영역에 데이터 과학 활동을 집중시킵니다. 그럴 의도가 아니었더라도 말이죠. 하지만 기업은 가용 데이터의 양 이외에도 다양한 기준을 반드시 고려해야 합니다. 특히 다음 두 가지가 중요합니다.

첫째, 문제 혹은 기회의 장기적인 전략적 중요성을 따져봐야 합니다. 중간 규모의 미디어 기업이 택할 수 있는 옵션 두 가지를 생각해보죠. 첫 번째 옵션은 자사 앱 사용자들로부터 수집한 데이터를 활용해 사용자 경험을 강화해 줄 방법을 찾는 것입니다. 두 번째 옵션은 2년에 한 번씩 찾아오는 특정 라이선스 계약 입찰 때 데이터를 활용하는 것입니다. 첫 번째 옵션에 활용할 수 있는 데이터는 매우 많습니다. 분명히 중요한 점이죠. 하지만 두 번째 옵션이 훨씬 더 전략적입니다. 활용할 수 있는 데이터가 비교적 적다 해도 말입니다. 너무 낮은 가격에 응찰하거나 입찰에 떨어지면 즉각적이고 장기적인 손해를 볼 수 있습니다. 반면에 너무 높은 가격에 응찰하면 수익성이 떨어지죠.

아티클을 끝까지 보시려면
유료 멤버십에 가입하세요.
첫 달은 무료입니다!

로그인 멤버십 결제