이 글은 데이터 과학과 링크드 데이터를 이해하기 위해 디지털 그리고 웹에 대해 일부 다룹니다. 데이터 과학에 관심이 있으신 분들이 읽으시면 작게나마 도움이 될 것이라 생각합니다.

세상의 최소 단위는 ‘비트’다

디지털을 이야기할 때 반드시 언급되어야 할 인물들이 있습니다. 니콜라스 네그로폰테는 그중 한 사람입니다. 그는 MIT 미디어 랩(MIT Media Lab)을 만든 인물로, IT 역사상 가장 중요한 잡지 중 하나인 《와이어드(WIRED)》의 초기투자자이자 칼럼니스트이기도 합니다.

MIT 미디어 랩은 상상력의 천국이라 불리며 전 세계에서 가장 실험적이고 도전적인 연구가 이뤄지는 곳이죠. 컴퓨터 인터페이스와 미디어 관련된 첨단 기술이 이곳에서 탄생했고, 구호로만 외치는 융합이 아니라 자연스레 분야가 연관되어 새로운 것을 만들어내는 연구가 이곳에서 이루어집니다.

네그로폰테는 기계와 사람 사이의 상호작용을 연구해왔는데, 이는 1985년에 MIT 미디어 랩을 만드는 계기가 됩니다. 그의 가장 중요한 업적은 디지털 혁명을 예언하고 관련 개념을 주장한 데 있습니다. 그는 앞서 말한 《와이어드》의 창간에도 관여했는데 1993년부터 1998년부터 칼럼을 연재하며 그것을 엮어 책으로 만들게 됩니다. 그것이 바로 국내에는 『디지털이다(Being Digital)』로 번역된 책입니다.

Move bits, not atoms.
앞으로 세상의 최소 단위는 원자(atom)가 아니라 비트(bit)다.

이 책에서 그는 이렇게 말하며 디지털 시대를 예측하기도 했습니다. 비트로 구성된 데이터로 사고하고 연결하는 지금에 와서 생각해보면 당연하지만, 당시로써는 획기적인 발상이었을 겁니다. 더불어 무선이든 TV와 유선이든 전화가 스위치 될 것이라 했고, 이런 개념은 네그로폰테 스위치라고 명명됩니다.

아래는 네그로폰테가 1993년부터 1998년까지 《와이어드》에 연재한 칼럼의 제목입니다. 현재에도 의미 있는 키워드가 들어 있는 것을 볼 수 있습니다. 이런 개념이 1995년에 고안하고 글로 작성한 내용의 키워드입니다. 현재 우리가 화제로 삼거나 고민하는 것들도 포함됩니다. 월과 연도로 주요한 것들을 정리해보았습니다.

• Talking with Computers(Mar, 1994)
• Less is more: Interface Agents as Digital Butlers(June, 1994)
• Bits and Atoms(Jan, 1995)
• Bit by Bit, PCs Are Becoming TVS. OR is it the Other Way Around(Aug, 1995)
• Wearable Computing(December, 1995)
• The Future of Books(Feb, 1996), Affective Computing(Apr, 1996)
• Pay Whom Per What When(Feb-Mar, 1996)
• One-Room Rural Schools(Sep, 1998)
• Pricing the Future(Nov, 1998)

이처럼 니콜라스 네그로폰테가 디지털과 관련된 콘셉트를 제안하고 관련한 미래를 그려봤다면 그것을 더 실체화한 것이 있습니다. 바로 인터넷입니다. 디지털화를 이야기할 때 빠져서는 안 되는 매우 중요한 축입니다. 인터넷은 우리가 디지털 방식으로 살아가고 사고하게 만든 인프라입니다. 우리는 인터넷을 통해 정보를 찾고, 데이터를 쌓으며, 관계를 구축합니다.

월드 와이드 웹과 메타 데이터

그렇다면 그 인터넷은 누가 그 개념을 제안하고 발전시켰을까요. 현재의 인터넷의 개념의 기초를 만든 사람은 팀 버너스리 경(Sir Timothy John ‘Tim’ Berners-Lee)입니다. 그가 유럽 입자 물리 연구소(Conseil Européenne pour la Recherche Nucléaire, CERN)에서 개발한 인콰이어(Enquire)가 현재의 인터넷을 구성하는 월드 와이드 웹(World Wide Web, WWW) 개념의 시작입니다.

팀 버너스리 경은 월드 와이드 웹을 창시한 20년 뒤에 더 넥스트 웹(The Next Web)을 모토로 링크드 데이터를 주장합니다. 링크드 데이터는 데이터를 연결의 기준으로 하는 개념입니다. 문서를 기반으로 했던 기존의 웹을 데이터 중심으로 개편하는 접근입니다. 더 데이터에 접근하기 쉬우며 데이터 중심적이라고 할 수 있습니다.

그는 2009년 TED에 나와 “정보를 엮는다는 것은 그래서 생각보다 엄청난 것입니다. 정보가 발생하는 출처의 양이 많고 적고가 중요한 게 아닙니다. 중요한 건 정보가 연결된다는 것이지요. 정보가 유의미하게 연결되면 그건 곧 ‘힘’이 됩니다.”라고 말하며, 그가 만들어낸 웹의 구조를 데이터 중심으로 새로이 짜볼 것을 제안합니다. 개방(Open)의 개념을 웹에 도입한 것입니다. 정확히 말하면 연결의 효과성을 극대화하는 접근입니다.

팀 버너스리 경은 1998년에 그가 고안한 시맨틱 웹(Semantic Web)을 더 잘 구현하기 위한 형태를 제안한 것입니다. 시맨틱 웹이란 정보와 자원 사이의 관계-의미 정보를 컴퓨터가 처리할 수 있는 온톨로지형태로 표현하고, 이를 컴퓨터가 처리하도록 하는 프레임워크 기술입니다.

현재의 웹은 데이터의 구조를 나타내는 메타 데이터(metadata)와 자연어로 기술한 문장으로 구성되어 있습니다. 메타 데이터는 데이터 안에 데이터를 설명하는 데이터가 포함된 것으로 디지털 카메라가 사진을 저장할 때 각종 정보를 포함하는 것이 대표적인 예입니다.

링크드 데이터는 이런 메타 데이터적 특징을 더욱 강화하는 개념입니다. 링크 기능이 강조된 시맨틱 웹의 형태로 볼 수 있습니다. 아래는 링크드 오픈 데이터를 클라우드 형태로 연결한 그림입니다. 데이터가 어떤 모습으로 연결되고 관련되었는지 더 쉽게 볼 수 있습니다.

링크드 데이터와 관련된 구분 기준이 있습니다. 팀 버너스리 경이 제안한 ‘오픈 데이터의 5단계 배포계획 5 스타’라는 개념입니다. 별 다섯 개를 기준으로 형태를 구분하며 각 별의 단계가 설명하는 내용은 다음과 같습니다.

1. ★: 데이터를 웹상에 오픈 라이선스로 (포맷에 상관없이) 공개
2. ★★: 구조화된 데이터로 제공(예, 표를 스캔한 이미지 대신 엑셀)
3. ★★★: 비독점적 오픈 포맷으로도 제공(예, 엑셀은 물론 CSV)
4. ★★★★: 사람들이 가리킬 수 있도록 개체를 나타내기 위해 URI를 사용
5. ★★★★★: 데이터의 문맥과 배경을 제공하기 위해 다른 데이터와 링크

링크드 데이터의 개념을 잘 살펴보시려면 『링크드 데이터: 글로벌 데이터 공간으로 진화하는 웹(Linked Data: Evolving the Web into a Global Data Space)』을 읽어보시길 권합니다. 무료 다운로드가 가능합니다. 관련된 보고서로는 「Open data Driving growth, ingenuity and innovation」, 맥킨지의 「Open data: Unlocking innovation and performance with liquid information」, OECD의 「Open Government Data Towards Empirical Analysis of Open Government Data Initiatives」 등이 있습니다.

몇몇 국가에서는 실제 프로젝트로 진행하기도 합니다. 영국은 Where Does My Money Go?, 덴마크는 TAX FREE, 호주는 Research Data Ausralila, 영국은 data.gov 로 관련한 행보를 보입니다.

이런 움직임의 기저에는 디지털화와 개방(연결)이 있습니다. 데이터의 형태로 연결해 가치를 발견하고 삶의 효용을 높이겠다는 것입니다. 문서를 인쇄해서 주고받고 문서의 형태로 커뮤니케이션하던 것이 얼마 되지 않은 것 같은데 어느덧 그 형태마저 바뀌려 합니다. 그야말로 디지털화된 세상에서 모든 것이 디지털 단위의 것입니다.

디지털화가 진행될수록 데이터가 주목받는다

현재의 디지털 환경은 니콜라스 네그로폰테가 『디지털이다』에서 상상한 모습과 얼마나 같고 다를까요. 지금의 모습은 분명 그가 당시 이야기한 것보다 빠르게 변화하고 더욱 발전했습니다. 중요한 것은 디지털을 바라보는 그의 시각은 지금도 의미가 있다는 것입니다. 아톰이 아니라 비트가 세상의 최소단위라는 그의 말이 특히 그렇습니다. 비트로 구성된 데이터는 현재 산업과 우리 생활에서 매우 중요한 수단이자 자산입니다.

우리가 주목해야 할 것은 디지털화가 진행될수록 데이터가 주목받는다는 것입니다. 변화를 일으키는 본류로 들어가 거기에서 가치를 뽑아내려 합니다. 기존에는 데이터가 정보 또는 지식으로 변환되어야 활용 가능한 것으로 생각되었는데, 이제는 데이터가 활용 가능한 자산으로 인정받고, 그런 활동이 이루어집니다. 기술의 발전으로 가능해진 것이라 할 수 있습니다.

물론 데이터를 통한 연결이 긍정적인 면만 있는 것은 아닙니다. 데이터를 거대한 규모로 모은 집단은 골리앗처럼 우리 세상을 통제하는 권력 기준이 될 수도 있습니다. 개방된 만큼 어떻게 관리하느냐가 중요하다고 할 수 있습니다.

읽지 않고 놓아두는 한 권의 책은 마른 나뭇잎을 모아 놓은 것에 불과하다. 그러나 우리가 그것을 펴들고 읽으면 책은 살아 움직이는 거대한 형태를 드러낸다.

• 장폴 사르트르

펴들고 읽는 것은 의미를 부여하는 행동이며 맥락을 지어내는, 즉 연결하는 행위로 볼 수 있을 것입니다. 지금도 그렇지만 앞으로는 더욱 그 기저가 데이터가 될 것입니다. 데이터로 웹을 규정하는 링크드 데이터는 그것을 대표적으로 나타냅니다. 거미줄처럼 연결될 때 그 영향력과 파급의 힘은 더욱 커질 것입니다.

디지털화의 흐름은 지금까지 이어져 왔습니다. 앞으로도 가속화되어 지속될 것입니다. 그리고 그 흐름은 인터넷의 데이터화 또는 데이터의 인터넷화로 명명할 수 있는 링크드 데이터의 형태로 구성되고 새로움을 지펴갈 것으로 보입니다. 개방하는 방향으로 그 모습을 더해갑니다. 디지털과 연결이 만들어내는 미래는 과연 어떤 모양일지, 우리에게 어떠한 메시지를 던질지, 참으로 궁금합니다.

데이터로 그것을 만들어낼 수 있습니다. 우리가 접하고 가공할 수 있는 그 데이터로 말이죠. 데이터 드리븐(Data Driven) 은 어려운 개념이 아닙니다. 데이터가 익숙해지고, 데이터가 무언가의 창출 원천이 되는 것이며, 데이터의 주소가 연결되면 그것이 링크드 데이터입니다. 기계와 사람, 사람과 기계가 더욱 효과적으로 상호작용하는 세상, 데이터의 연결이 만들어낼 미래입니다. 『디지털이다』의 모습입니다.

원문: 지식을 연주하는 사람

빅데이터라는 단어는 아직도 뜨거운 감자다. 빅데이터만 하면 요술 상자처럼 답을 척척 내고 모든 것을 해결할 것만 같다.

빅데이터에서 정의하는 수준의 ‘빅’은 어느 정도의 규모인 걸까? 테라바이트(TB) 단위의 데이터면 ‘빅’이라고 자칭할 수 있는가? 빅데이터라는 이름이 본질을 호도하는 것은 아닌지 생각해볼 문제다.

데이터 분석에 대해 제대로 생각해봐야 한다

빅데이터라는 단어는 사실상 빅데이터(분석)이다. 데이터를 규모 있게 쌓아놨다고 해서 분석이 제대로 되는 것은 아니다. 자료가 무조건 많다고 소화가 되던가? 그렇게 치면 프린트물 잔뜩 뽑고 서재에 책이 가득한 사람이 제일 똑똑해야 한다. 현실은 그렇지 않다.

자원은 한정되어 있다. 특히 시간이 말이다. 중요한 것은 필요한 부분을 긁어낼 수 있는 데이터를 수집하는 것이다. 그 데이터를 통해 문제 해결에 필요한 단서를 발견하는 것이 데이터 분석의 목적이다.

필요한 부분의 의미를 찾아낼 수 있는 정도의 규모면 된다. 데이터의 크기가 클수록 도움이 되는 것은 사실이다. 하지만 쓸데없이 많은 것보다 제대로 된 데이터가 필요하다.

정제된 데이터 또는 정제하는 작업이 필요하다

네트워크에는 수많은 데이터가 있다. 그중 대부분은 정제되지 않은 로우 데이터다. 그것을 의미 있게 분석해내기 위해서는 정제를 거쳐야 한다.

아무리 많은 시트의 엑셀 데이터가 있어도 행과 열, 그리고 공통된 기준으로 정렬되어 있지 않다면 정확한 분석이 이루어질 수 없다. 마찬가지로 데이터가 많은 것도 중요하지만, 제대로 정제된 데이터를 찾거나 그렇게 만드는 것도 중요하다.

실무에서 정렬되어 있지 않아 올바른 값으로 치환되지 않은 데이터를 만나면 그보다 곤란한 경우가 없다. 데이터의 크기는 커서 처리하는데 시간이 많이 걸리지만 제대로 된 결과를 나타내지 못한다. 쓸데없이 덩치만 큰 것이다.

문제 해결에 맞는 데이터가 필요하다

데이터 분석은 그 자체가 목적이 되어서는 안 된다. 정제하거나 분석하거나 시각화를 하는 것은 결국 문제 해결을 위해 가장 효율적인 수단을 강구하는 것이다.

가장 효과가 높은 방법을 찾아내거나 핵심요인을 발견하여 문제 해결에 기여해야 한다. 패턴을 찾아내고 흐름을 읽어낼 수 있는 규모면 된다. 그것이 어느 정도인지 가늠할 수가 없기 때문에 크기를 키우곤 한다. 그래서 데이터를 찾기에 앞서서 제대로 된 ‘문제 정의’가 더욱 필요하다.

기술적인 부분뿐만이 아니라 데이터에서 의미 있는 맥락을 찾아내는 컨텍스트 능력이 중요한 것이고, 그것을 위해 필요한 크기의 데이터를 찾아내는 것이 중요하다.

데이터 분석이 만능은 아니다

데이터 분석은 모든 것을 해결하는 만병통치약이 아니다. 문제를 효과적으로 해결하기 위해 만든 프로세스의 하나일 뿐이다.

여태 존재해왔던 기술이 적합한 환경을 만나 꽃피우려는 단계다. 이 분야로 뛰어들려는 사람이라면 처음부터 큰 데이터를 만지려고 하기보다 작은 데이터로 차근차근 문제를 해결해나가는 연습을 하는 것이 필요하다. 정의부터 해결까지의 하나의 싸이클를 돌려보며 시행착오를 거치고 이를 통해 데이터의 속성을 이해해야 한다.

중요한 것은 문제 해결을 위한 방법을 찾고 그것을 위해 정의하고 분석하고 디자인하는 일련의 프로세스를 반복하는 것이다. 아는 것에서 끝나는 것이 아니라 숙련되어 제대로 문제를 해결하는 것이 중요하다.

원문 : 지식을 연주하는 사람

데이터 과학자의 최종목표는 실제의 실행을 이끌어내는 통찰력을 데이터로부터 이끌어내는 것입니다. 비즈니스에서의 문제 해결에 기여하는 스토리를 이끌어내기 위해 데이터를 스토리의 형태로 제공할 수 있습니다. 세계적인 스토리텔링 컨설턴트인 Shawn Callahan은 이렇게 말한 적 있습니다.

최고의 스토리는 데이터를 포함하고 있다. 스토리와 데이터가 각기 따로 있다고 생각하는 것은 잘못된 것이다. 이제는 과학자들이 그들의 데이터를 삶에 가져오고 그것을 통해 이야기할 수 있도록 해야 한다.

하버드 비즈니스 리뷰 블로그는 “커뮤니케이션 없는 데이터는 무용지물이다” 라는 제목의 기사를 발행하기도 했습니다. 더불어 “데이터 과학자의 진짜 역할은 스토리텔링”이라는 컨텐츠를 선보이기도 했습니다. 이 기사는 이렇게 말했습니다.

데이터와 분석은 그 자체로 충분하지 않으며, 사람들이 분석을 제대로 이해할 수 있도록 하는 것이 중요하다. 데이터를 스토리텔링으로 전달하는 것은 보다 큰 차이를 만들어낸다.

이 기사는 데이터 혁명이 진행될수록 탁월한 데이터 스토리텔링이 더욱 중요해질 것이라고 이야기하고 있습니다. 데이터를 가지고 스토리텔링 하는 것이 데이터과학자에게 데이터시각화 너머의 진화 단계라고도 설명합니다. 아래는 이 기사에서 제시된 데이터 과학자가 스토리텔링에서 적용할 수 있는 실천적 방법입니다. 데이터를 가지고 스토리텔링 하는 것뿐만 아니라 데이터 과학 전반적인 프로세스에서도 참고할만한 내용이라고 생각합니다.

데이터과학자가 데이터를 스토리텔링 하기 위한 과정

1. 핵심문제를 정의할 수 있을 정도로 비즈니스를 이해해야 한다.
2. 비즈니스에 영향을 미칠 수 있는 요소에 대한 깊은 이해가 있어야 한다.
3. 구할 수 있는 데이터에 기초해서, 다양한 관점에서 실증적으로 탐구해야 한다 : 고객의 관점, 제3자의 관점, 의사결정자의 관점, 공급자의 관점 등
4. 초기가설을 세우기 전에 어떤 장애물이 있을지 짐작해봐야 한다.
5. 제시된 해결책이 끼칠 비즈니스에서의 영향력에 대해 이야기해야 한다. 청중이 이끌리지 않는 스토리는 의미 없다.
6. 고객의 눈높이에 맞게 이야기해야 한다.

데이터 스토리텔링 핵심 포인트 3가지

1. 조직에 영향을 미칠 핵심요소로서 데이터를 이야기해야 한다.
2. 데이터로부터 통찰력을 잘 끄집어내기 위해 다양한 시각화를 잘 사용해야 한다.
3. 해결되지 않은 물음에 대한 답을 찾아내기 위해 반복적으로 데이터에 대한 의문을 유지한 채 프로젝트를 반복해야 한다.

마무리하며

데이터 과학이 비즈니스에서 실제적 문제의 해결에 기여하기 위해서는 커뮤니케이션 과정을 거쳐야 합니다. 데이터를 담은 이야기의 형태로 전달이 되어야 한다는 것입니다.

데이터는 그 자체가 목적이 아니라 구성하는 요소 또는 수단입니다. 요소요소로 쪼개진 것은 결국 무언가로 다시 가공하여 결합해야 합니다. 설득에 기여하려면 스토리텔링과 이어져야 한다는 것이고, 이는 데이터 과학자가 좋은 스토리텔러가 되어야 하는 당위성으로 작용합니다.

기술이 현실 속에서 잘 작용하는 과정과 비슷합니다. 기술은 그 자체로 빛나기도 하지만, 그것을 잘 작용하게끔 하는 문화 속에서 꽃필 수 있습니다. 이제 데이터 과학도 하나의 기술을 넘어 문화적 요소로 자리해야 하는 시기가 아닌가 생각합니다. 데이터 과학자가 스토리텔링을 잘해야 하는 것은 이러한 배경에서 작용할 것입니다. 데이터 과학을 넘어 데이터 기반의 문제 해결이 문화로 자리매김하길 바래봅니다.

원문 : 지식을 연주하는 사람

내 생각은 그렇지 않다. 그곳의 모델은 미국의 경쟁시스템이 만들어낸 것이다. 그 결과만을 보고 막연한 부러움을 가지는 것은 올바른 태도가 아니다. 그것을 가능케 하는 동력과 사람을 봐야 한다고 생각한다. 그렇지 않고 단순하게 따라간다면 그들은 저만치 더 앞서가 있을 뿐이다.

역량을 쌓고, 경쟁의 룰을 만들어야 한다. 그렇지 않으면 제자리다. 실리콘밸리라는 곳을 단순하게 동경하는 이들에 대한 불편함의 원천이다. 본질에 대한 이해 없이 껍데기만 따라가는 모양에 대한 쓰라림이다.

한 기술 컨퍼런스에서 느낀 점은, 이들은 어떻게 경쟁우위를 만들어나갈지에 대해 고민하고 그것을 빠르게 실천한다는 것이다. 생각의 속도, 실행의 속도, 반성의 속도가 민첩한 셈이다. 그것을 통해 경쟁의 주도권을 가지고 변화를 이끌어나간다. 우위가 없다면 새로운 시장을 만들어내기도 한다.

위 이야기에 한 가지를 더하고 싶다. ‘너드’ 다. 내가 생각하는 실리콘밸리의 핵심요소는 ‘초경쟁’과 ‘너드’ 다. 그들은 극도의 경쟁을 당연히 여기고 결과를 존중한다. 혁신적인 서비스를 만들어낸 이들을 보면 기술에 미치거나 요소에 극도로 몰입하는 경향을 볼 수 있다. 이런 ‘너드’ 적인 성향을 포용하고 결과를 만들어낼 수 있도록 지원하는 것이 그들의 문화다.

우리는 ‘너드’ 들을 포용할 수 있는가? 그들의 모남을 장점으로 여겨 지원할 수 있는가? 이런 문화적 요소에 대한 이해가 필요하다.

실리콘밸리를 이야기한다. 하지만 막연한 동경이 아니었으면 한다. 그들 역시 글로벌 단위의 경쟁이 만들어낸 것이다. 현상이다. 실리콘밸리에 대한 동경은 마치 인공지능에 대한 과한 열풍을 보는 느낌이다. 지금의 모습은 인공지능이 모든 것을 바꾸어낼 위대한 기술인양 느끼게 한다.

내 생각은 다르다. 직업, 생활 등 우리를 둘러싼 환경을 바꾸는 것은 여러 가지 기술의 발전과 디지털 혁신이 가져오는 과정이다. 단 하나의 기술이 모든 변화를 이끌어낼 수는 없다. 이야기하기 좋을 뿐이다. 그것은 핵심이 아니다.

본질을 보는 것은 어렵다. 나 역시 내가 보고 있는 것이 본질이라 장담할 수 없다. 하지만 내가 하고 있는 공부를 통해, 적어도 어떤 것이 본질에 가까운 것인지 아닌지는 판별할 수 있다. 이것이 공부의 목적이자 과정의 묘미가 아닐까 생각한다. 그 의미가 퇴색된 우리 사회의 대표적인 아젠다. ‘실리콘밸리, ‘인문학’, ‘멘토’. 지나친 동경이 본질을 훼손한 예가 아닐까.

우리가 실리콘밸리에서 배워야 할 것은 막연한 부러움이 아니다. 생각하고, 만들고, 경쟁을 디자인하는 힘이다. 동경은 나쁜 행위가 아니다. 지나친 동경이 가져오는 객관성의 상실이 나쁜 것이다. 부러워하되, 치열하게 노력해서 경쟁에 뛰어들 준비를 해야 한다. 자신감과 경쟁력은 객관화에서 오기 마련이다. 오롯한 자기인식이다.

원문 : 지식을 연주하는 사람

이 기사는 데이터 시각화의 목적을 돌아보고 어떠한 관점으로 접근해야 하는지, 또한 무엇을 고려해야 하는지를 이야기하고 있습니다. 그를 위해 데이터 시각화의 목적이 되어야 하는 3가지와 데이터 시각화를 할 때 염두에 두어야 할 3가지를 풀어냅니다.

data visualization is about communicating an idea that will drive action.

이 기사의 핵심을 담고 있는 문장입니다. 데이터 시각화는 실제의 행동을 이끌어내기 위해 아이디어를 커뮤니케이션하는 것이라고 정의하고 있습니다.

Collecting lots of data without the associated metadata reduces the opportunity to play with, interpret, and gain insights from the data.

관련된 메타데이터와 관련 없이 많은 데이터를 모으는 것은 ‘기회를 줄이는 것’이라고 합니다. 좀 더 쉽게 풀어보자면, 컨텍스트에 대한 고려 없이 데이터를 모으기만 하는 것은 주어진 시간과 기타 자원을 낭비하는 일이 될 수 있다고 볼 수 있습니다.

It must also be relevant to the persons who are looking to gain insights, and to the purpose for which the information is being examined.

데이터 시각화는 제공되는 대상을 고려해야 하고, 풀어야 하는 정보 혹은 목적에 맞추어 진행되어야 한다고 합니다.

데이터 시각화는 크게 세 가지 목적을 가지고 해야 한다고 이야기합니다. 가설을 세우고 확인하기 위한 목적, 리포팅하거나 새로운 인사이트를 얻기 위한 목적, 문제를 예측하고 시스템을 개선하기 위한 목적이 그것입니다. 해당 항목에 대한 세부내용은 슬라이드를 참고하시면 될 것 같습니다.

다음으로 위 세 가지 목적에 부합하는 데이터 시각화 작업을 할 때 고려해야 할 사항입니다. 각각 데이터 퀄리티와 컨텍스트 그리고 편향성입니다.

1. 첫 번째는 데이터 퀄리티입니다. 데이터 퀄리티를 신뢰할 수 있어야 시각화의 결과 역시 신뢰할 수 있습니다. 단순히 많이 모으는 것이 중요한 것이 아니라 잘 정제된 데이터를 통해 좋은 시각화를 만들어내는 것이 중요합니다.
2. 두 번째는 컨텍스트입니다. 데이터 시각화에서 가장 염두에 두어야 할 부분인데요. 많은 양의 데이터를 분석하고 시각화를 하는 작업은 인사이트를 얻거나 패턴을 인식하는 등의 맥락적 활동의 일환이 되어야 한다고 언급하고 있습니다.
3. 마지막으로 편향성입니다. 기존의 가설을 입증하기 위해 데이터를 더하거나 빼는 등의 행위를 하게 되면 분석의 의미가 왜곡될 수 있습니다. 데이터를 있는 그대로 바라보고 그 상태에서 인사이트나 맥락을 이끌어내는 것이 중요합니다.

원문: 지식을 연주하는 사람

표지 이미지 출처

• Tanzania Data Lab

세이버메트릭스가 주목받게 된 것은 빌리 빈의 머니볼이 계기가 되었다고 할 수 있습니다. 예산이 한정적인 소규모 구단인 오클랜드가 머니볼을 도입하면서 좋은 성적을 얻게 되면서 화제를 얻게 됩니다.

그런데 일반적으로 잘 알려지지 않은 사실이 있습니다. 빌리 빈의 오른팔인 폴 디포네스타가 LA다저스 단장을 맡게 되면서 구단을 말아먹은 사례가 있다는 것입니다. 오히려 2000년대 중후반 보스턴 레드삭스가 다수의 세이버메트리션들을 기용하면서 우승을 두 번이나 했다는 것이 보다 적합한 성공사례가 아닐까 합니다. 하지만 오클랜드의 머니볼 사례가 야구계가 세이버메트릭스를 도입하는 데 중요한 역할을 했음은 부인할 수 없습니다.

세이버메트릭스가 비판받는 이유 중 하나는 지나치게 통계와 숫자에 집착한다는 것입니다. 세이버메트릭스에 국한된 비판만은 아닙니다.

통계의 허점은 숫자를 맹신하는 것에 있습니다. 숫자를 이용해 결과를 만들어내는 행위에서 항상 유의해야 할 점이기도 합니다. 스탯 또는 숫자로 나타난 것들은 그것이 실질적인 의미와 어떤 연관관계가 있는지를 고민해야 합니다. 표면에 드러난 것이 근본적인 원인과 관련이 없는 경우도 있습니다.

야구뿐만은 아닙니다. 축구에서도 세이버메트릭스는 중요할 것입니다. 축구에서도 한창 점유율을 부르짖던 시기가 있었습니다. 지난 브라질월드컵의 경기를 분석한 자료를 살펴보면 점유율은 실제 승리와 큰 관계가 없음을 알 수 있습니다. 점유율이 높으면 물론 좋겠지만 그것이 승리에 직접적으로 영향을 주는 것이 아니라면 의미 있는 수치가 아니라는 것입니다.

숫자도 이와 같습니다. 의미를 가지는 상관관계를 찾아내는 것이 세이버메트릭스 또는 분석행위의 핵심입니다.

컴퓨터의 처리속도와 각종 통계 툴의 발달은 데이터의 가공이 좀 더 빠르고 세련되도록 가능하게 해줍니다. 최근에 유행하는 빅데이터의 뜻처럼 쌓인 데이터가 많아서 의미가 있는 것이 아니라 그 처리속도와 컨텍스트에 그 의미가 있을 것입니다. 이전에도 수치가 없었던 것은 아니거든요.

데이터 분석의 가치는 모든 것을 분해해내는 것이 아니라 의미 있는 상관관계를 찾아내 해결책을 도모하는 데 있습니다. 그렇기 때문에 그 데이터의 크기가 크다고 해서 반드시 그 확률이 높다고는 볼 수 없습니다. 의미 있는 수준의 크기를 가지게 되면 충분히 좋은 결과를 뽑아낼 수 있습니다.

개인적으로는 빅데이터라는 용어의 거품이 곧 걷어질 것이라 생각합니다. 이는 분석의 핵심이 아니기 때문입니다. 관련 업계에서는 빅데이터보다는 데이터 분석 혹은 데이터 과학 같은 용어가 사용되는 빈도가 늘어나고 있습니다.

모든 요소를 모두 아우르는 것만이 성공은 아닙니다. 가장 잘할 수 있고 의미 있는 것을 찾아 집중하는 것이 오히려 성공이 될 수 있습니다. 커다란 기업이 아닌 스타트업이 일하는 방식이 바로 그렇습니다.

그렇기 때문에 저는 세이버메트릭스가 린 스타트업(Lean Startup) 방식과 비슷한 느낌이 있다고 생각합니다. 고객에 집중하고 빠르게 피드백을 가져가는 순환구조가 특히 그렇습니다. 세이터메트릭스의 주목을 가져온 오클랜드의 사례는 그것을 잘 보여줍니다. 규모가 작기에 성공으로 연결되는 작지만 핵심적인 요소를 찾아내어 그것에 집중했습니다.

세이버메트릭스를 비롯한 수치 분석행위가 가져야 하는 접근법도 그러해야 합니다. 데이터 분석도 마찬가지입니다. 본질로 연결되는 지점을 찾아 집중적으로 분석하고 그 효과를 극대화해야 합니다. 단순히 숫자로의 나열이 아니라 의미 있는 컨텍스를 찾아내어야 하는 것입니다.

세이버메트릭스는 데이터과학의 아주 훌륭한 예시이기도 합니다. 통계학보다는 데이터과학에 보다 가깝습니다. 데이터에 큰 비중을 둔다는 것, 프로그래밍 기술을 크게 필요로 하는 것 그리고 광범위한 전문지식을 분석에 접목시켜야 한다는 것이 그렇습니다.

특히 문제 해결에 도움이 되는 공식을 만들기 위해 야구 지식을 동원해야 합니다. 분석기술만 알아서는 제대로 필요한 시스템을 만들어낼 수 없습니다. 그렇기 때문에 세이버메트릭스는 오타쿠들이 성공할 수 있는 세계이기도 합니다. 실제로 세이버메트리션 중에서는 MBA 출신도 많고 통계학, 컴퓨터과학과 같은 특정 분야 전문가들도 많습니다.

스포츠에서 가장 좋은 것은 선수의 플레이 자체를 보고 요소요소를 정확히 평가하는 것이지만, 그런 경지에 이룰 수 있는 사람은 아주 극소수에 불과합니다. 그렇기 때문에 통계를 비롯해 논리적이고 합리적인 데이터분석을 통해 그러한 판단의 효율성을 도와야 합니다.

그래서 스포츠를 제대로 좋아하는 사람이 그저 한 명의 관중이 아니라 결과에 기여하고 전문성을 피력할 수 있는 분야가 세이버메트릭스인 것입니다.

기술의 발달이 가져온 혜택일지도 모르겠습니다. 관중에서 기여자가 될 수 있는. 조금 과장하자면 오픈이노베이션의 적절한 예시가 아닐까 하는 생각도 듭니다.

원문 : 지식을 연주하는 사람

데이터과학은 도대체 무엇일까요? 무엇이기에 주목받고 있고, 우리 주변에서 회자되고 있을까요? 그것이 가지는 의미는 과연 무엇일까요?

위키피디아에 나온 정의를 살펴보겠습니다.

Data Science is an interdisciplinary field about processes and systems to extract knowledge or insights from large volumes of data in various forms, either structured or unstructured, which is a continuation of some of the data analysis fields such as statistics, data mining and predictive analytics, as well as Knowledge Discovery in Databases.

이렇게 나와 있습니다. 데이터과학은 다양한 정형, 비정형 형태의 데이터셋에서 지식과 통찰력을 뽑아내는 행위이고, 통계·데이터마이닝·예측분석 등에서 이어지는 흐름이라고 요약할 수 있습니다.

데이터과학이 가지는 의미는 ‘데이터’가 중심이 되는 구조가 아닐까 생각됩니다. ‘숫자’가 중요하다고 이야기는 많이 했지만, 정작 의사결정 과정에서 그 숫자가 의미 있는 역할을 하는 경우는 많지 않습니다. 의사결정권자나 리더들의 ‘경험적 감’이 더 큰 영향력이 있었습니다. 데이터과학의 부상은 데이터가 가지는 의미를 생각하게 합니다. 데이터 기반의 의사결정 구조, 문화를 가능케 하는 저변으로 기능할 수 있습니다.

물론 데이터가 모든 것을 대변하지는 않습니다. 통계로 대표되는 숫자를 이용한 방법에도 함정은 존재하고, 그 폐해도 있습니다. 의미 없는 평균이 나오기도 하고, 이미 알고 있는 것을 숫자로 보여주기도 합니다. 하지만 기술은 사람이 이용하는 목적과 방법, 그리고 정도에 따라 그 쓸모가 달리합니다. 데이터 관련 기술의 발달은 무엇보다 빠른 처리를 가능하게 함으로써 실시간에 가까운 판단을 가능하게 합니다. 잘 사용한다면 좋은 효율성을 담보할 수 있습니다.

<앞으로 데이터 분석을 시작하려는 사람을 위한 책> 1 페이지에는 다음와 같은 내용이 나옵니다.

데이터 분석의 가장 큰 효과는 ‘의사 결정 프로세서의 최적화’ 다. 복잡한 수리 모델을 구축하는 것도, 대규모 데이터를 빠르게 처리하는 것도 아니다. 단순하면서도 운용하기 쉽게, 한정된 경영 자원이나 정책 자원을 효율적으로 사용할 수 있도록 의사 결정을 지원하는 것. 바로 이것이 데이터 분석의 진정한 가치라고 할 수 있다.

이와 같은 관점에서 본다면 데이터 과학은 경영에서의 효율성을 추구하는 도구로 볼 수 있습니다. 같은 책 136페이지에는 이렇게 언급합니다.

데이터 분석 프로젝트를 성공시킬 때 중요한 것은 분석 자체가 아니라 분석을 통해 얻은 결과를 현장의 프로세스에 반영하는 것이다. 그러나 분석 결과를 과신하다 현장에 예측 모델을 도입하는 단계에서 큰 실패를 맛보는 경우가 있다. 올바른 프로세스를 통해 분석한 결과는 높은 정확도로 현실을 말해 준다. 그러나 단순히 그 결과를 보여주기만 해서는 사람, 즉 조직은 움직이지 않는다.

분석 자체가 아니라 반영하는 것이 중요하다고 말하고 있는 것입니다.

그래서 시각화가 주목받고 있다고 생각합니다. 분석은 데이터 마이닝이라는 형태로 꾸준히 실행되고 있었습니다. 하지만, 의사결정과정에서 반영되는 것은 다른 문제였습니다. 분석결과와 설득은 별개의 것이기 때문입니다.

하지만 최근에는 “Visual Data is Great, Real Data is Better”라고 할 정도로 시각화가 중요하다고 이야기합니다. 링크드인은 분석된 결과를 보다 직관적으로 보여줌으로써 서비스의 효과를 극대화하기도 했습니다. 시각화는 데이터가 의사결정으로 직행할 수 있도록 기능합니다.

아래 그림을 보시면 기존에 데이터가 단계별로 밟아갔다면 각화는 데이터를 바로 의사결정(Decisions) 과정으로 바로 올라가게 합니다. 효율적이죠.

데이터과학에서 간과되지만 중요한 것이 맥락을 뽑아내는 능력이라고 생각합니다. 컨텍스트라고도 하죠. 행간을 의미 있게 해석해내는 것입니다.

데이터를 본다는 것은 분석만 하는 것이 아닙니다. 문제를 해결하도록 기여할 수 있는 과정의 일부여야 합니다. 그러기 위해서는 숫자와 현실 세계를 이어낼 수 있는 지식이 필요하고, 그것을 잘 표현하고 반영하도록 할 수 있는 커뮤니케이션 능력도 중요합니다. 그래서 맥락에 대한 이해 없이 기술적으로만 접근하는 것은 위험하다고 생각합니다. 본질과 목적에 대한 고려 없이 항해하는 모양과 비슷하죠.

최근 기업의 사례를 보면 재미있는 움직임을 볼 수 있습니다. 데이터를 중심으로 전략을 수립하는 것입니다. 구글, 페이스북 같은 지배적인 정보기업은 물론이고 제조업 기반의 회사들도 데이터에 기반하여 미래를 설계합니다.

대표적인 기업이 GE입니다. 전통적인 제조업 회사인 GE는 ‘Industrial Internet’을 모토로 각종 데이터를 기반으로 새로운 산업을 펼쳐내는 계획을 선보였습니다. 수많은 제조 인프라와 센서에서 나오는 데이터를 무기로 삼겠다는 것입니다.

핀테크 역시 그 일환으로 볼 수 있다고 생각합니다. 금융데이터를 누가, 어떻게 활용할지에 대한 거대한 흐름이죠. 전통적인 금융회사는 데이터를 쥐고 있으면서 기술까지 가지려고 하고, 스타트업들은 처리기술에 더해서 데이터를 확보하기 위해 노력합니다. 앞단이냐 뒷단이냐의 차이는 있지만 결국은 데이터를 가지고 처리하여 헤게모니를 차지하려는 움직임입니다. 데이터 중심의 통합전략의 하나로 볼 수 있습니다.

데이터는 지금 이 시대를 움직이는 하나의 모멘텀입니다.

데이터과학의 의미는 ‘데이터’와 함께하는 것에 있다고 생각합니다. 데이터를 중심에 놓고 산업의 구도를 재편하듯이 말이죠. 여기서 데이터는 부차적인 수단이 아닙니다. 프로세스에서 항상, 중요하게 고려되는 요소입니다.

그래서 저는 데이터과학이 어떤 하나의 기술이나 방법 이전에 ‘컨셉’이라고 판단합니다. 데이터에 기반하여 생각하고 문제에 접근하며 결국에는 해결해내는 프로세스 말입니다. 데이터과학의 목적은 데이터가 의미하는 바를 제대로 끌어내는 데 있습니다. 그러기 위해서 과학적인 방법을 통해 알아보는 것입니다. 그래서 ‘빅’이라는 사이즈보다 ‘어떻게’ 라는 방법과 사고방식이 더 중요하다고 봅니다.

Work with Data, think through Data.

이것이 데이터과학이 가지는 진정한 의미가 아닐까요? 그리고 데이터과학자는 데이터 중심의 혁신에서 의미 있는 역할을 하는 사람을 지칭한다고 여겨집니다. 단순하게 기술만 아는 사람이 아니라 말이죠. 보다 종합적이고 깊이 있게 본질에 다가설 수 있는 그런 사람 말입니다. 그런 의미에서 앞으로 데이터를 디자인하는 사람이 보다 그런 의미에 가까울 것이라 생각합니다.

엔지니어와 기술자의 차이는 사고방식(설계)에 있습니다. 단순하게 분석만 하는 이가 아니라, 데이터에 기반해서 사고(설계)하고, 그것을 의미 있게 디자인(표현)해낸다는 관점으로 본다면 보다 적합한 표현이리라는 생각이 듭니다.

원문 : 지식을 연주하는 사람

요즈음 젊은이들의 조직에 대한 충성도가 예전과는 다른 것을 볼 수 있습니다. 이전과는 다른 관점으로 조직을 바라보고, 조직에서 기대하는 보상의 종류 역시 다릅니다. 무엇이 문제일까요? 동기부여의 객체가 다른 이들에게 원인이 있을까요, 조직체계에 그 이유가 있을까요. 중요한 것은 기존 조직의 프로세스와 보상체계가 제대로 기능하지 않는다는 것입니다.

젊은이들이 조직에 적응하지 못하는 것이 아니라 동기부여의 기준과 인센티브로 바라는 것이 달라진 것입니다. 젊은이들이 성장하여 정착하기를 바란다면 조직문화 속에서 그에 걸맞은 것을 제공하고 더 나아가 프로세스를 개편할 필요가 있습니다. 이들이 잘못된 것이라고 단정하기 이전에 문제의 기저를 달리 봐야 하는 것입니다. 이 기사는 이러한 관점의 기술을 보여줍니다.

기사에서는 오늘날의 유능한 젊은 인재들이 커리어 관리와 조직에의 충성에 대해 이전과는 다른 관점을 가지고 있다고 합니다. 이들은 다른 사람에 대해 덜 신경 쓰며, 사회적 성공에 대한 동기가 낮고, 자아도취로 생각될 정도의 매우 높은 자부심을 가지고 있습니다. 그래서 이런 젊은 인재들을 유지하고 성장시키기 위해서는 무엇을 알아야 하는지에 대해서 이야기합니다. 이 연구의 저자들은 이 연구를 위해 방대한 양의 데이터를 분석했고, 이를 통해 세 가지의 테마를 발견해 이에 대해 기술하고 있습니다. 아래의 세 가지가 그것입니다.

1. The Rewards of Job Hopping
2. Job Hunting While Employed
3. The Effect of Development Practices

첫 번째, 이직을 통해 얻어지는 보상

한 직장에 머무른 사람보다 이직을 경험한 사람의 평균 연봉상승률이 높은 것으로 나타났습니다. 여러 가지 요인 중에서 이직의 횟수가 인턴 경험, 학위 수준, 성별, 나이 등의 요소보다 연봉상승에 더 핵심적인 역할을 하는 것으로 분석되었습니다. 젊은 인재들에게 이직을 통해 얻는 보상은 매우 중요한 것으로 보입니다. 이를 매우 잘 보여주는 예가 넷플릭스입니다. 넷플릭스는 성과가 높은 구성원에게 높은 수준의 급여를 지급합니다.

두 번째, 재직 기간 중 이직기회 도전

젊은 인재들은 특정 조직에 얽매이지 않는 야심 있는 커리어 목표를 가지고 있습니다. 조사에 참여했던 한 인터뷰이는 “나의 목표는 내 일에 만족하고 내가 높은 수준의 보상을 얻는 것이다. 나는 이런 관점에서 더 좋은 회사가 있을 경우, 이직하는데 전혀 거리낌이 없다.”라고 언급하기도 했습니다. 또한 이들은 이직을 개인 브랜드의 가치를 올리기 위한 방편으로 생각하기도 합니다. 링크드인과 글래스도어 같은 서비스들은 이직기회를 보다 쉽게 얻을 수 있도록 돕는 역할을 합니다.

세 번째, 경력 개발(성장) 지원에 대한 효과

구성원들의 적응에 대한 지원, 조직과 개인 차원의 경력개발에 대한 도움, 성과에 대한 명확한 피드백은 다른 회사로 이직하려는 시도를 줄이는 데 매우 효과적이라고 합니다. 경력개발(성장)에 대한 지원과 구성원들의 행동은 무관하지 않습니다. 많은 연구들이 이를 실증하고 있습니다. 경력개발(성장)에 대한 지원은 조직에 대한 개인의 긍정적인 태도를 만들어내는 데 효과가 있습니다. 이를 지원하는 방법으로 그룹교육, 멘토링, 코칭, 직속상사로부터의 밀착지원 등이 있습니다.

아래 그림은 응답자들이 경력개발에 가장 중요하다고 생각하는 항목들을 도출한 것입니다. 높은 수준의 일, 직속상사로부터의 지원, 그룹교육, 권위 없는 영향력 등의 순서로 나타났습니다. 이런 것들이 조직에서 어떻게 충족되는지를 알아보면 문제의 실마리를 찾을 수 있습니다.

아래는 그 격차에 대해 분석된 그림입니다. 구성원들이 중요하다고 생각하는 것에 대해 조직은 보통 그보다 낮은 수준의 지원을 하는 것으로 나타났습니다. 멘토링, 코칭, 그룹교육, 직속상사로부터의 지원 순서로 격차가 큰 것으로 분석되었습니다. 직속상사로부터의 지원은 두 번째로 높은 중요성으로 파악되었는데, 그만큼 채워지지 않는 것을 볼 수 있습니다. 직속상사의 리더십과 업무 경험이 매우 큰 영향력을 가지는 것을 알 수 있습니다.

오늘날의 젊은 인재들은 기술에 익숙하고, 이를 통해 이직에 대한 기회와 정보를 얻는 데 매우 능숙합니다. 이 연구는 이런 이들을 조직 내에서 유지하려면 ‘경력개발(성장)’이 매우 필수적이라는 것을 보여줍니다. 조직의 관리자들은 경력개발(성장)에 대한 비용을 과감하게 지출해야하고, 이를 통해 조직에 대한 몰입도를 키워 이직 의도를 낮춰야 합니다. 또한 이들에게 명확한 책임과 권한을 제공하며, 상사들은 이를 확실히 지원해야 합니다. 젊은 인재들에게 이러한 것들을 제공할 준비가 되어있는 조직은 이들에게 매우 매력적인 직장으로 인식될 것입니다.

새로운 세태에는 새로운 조직문화가 필요하다

「조직문화유형이 조직유효성에 미치는 영향에 관한 연구」(신장호, 2008)에 따르면 성취지향형 문화에 대해 아래와 같이 설명하고 있습니다.

과업/성취지향적 조직문화에서는 규칙에 적합화되기보다는 직무 자체에 관심을 갖고 직무수행에 초점을 둔다. 구성원들은 자신의 일을 해결하기 위해서 상호작용을 중시하여 내재적 만족(intrinsic satisfaction)에 보다 더 동기부여 되는 경향이다. 그들 대부분이 그들의 직무활동을 좋아하고, 사회에 대하여 가치 있는 공헌을 원하며, 동료들이나 고객들과 상호작용하기를 좋아한다. 이와 같은 내재적 보상(intrinsic reward)은 양적이기보다는 질적인 것이며, 직무 자체의 본질이나 그 직무가 수행되는 맥락(context)에서 발생하는 것이다.

최근의 젊은 인재들의 특성이 이와 같지 않나 생각합니다. 그렇기 때문에 멘토링, 코칭, 트레이닝과 같은 인터랙션적인 특성의 개발 프로세스가 이들에게 매우 중요한 것이고, 기존 문화에서 채워지지 않기 때문에 잦은 이직이나 스타트업으로 뛰어드는 것이 아닐까요. 하나의 조직에서 평생 머무르기보다, 자신의 가치를 신장하고 이동을 통해 그것을 증명합니다. 마치 이적료와 연봉으로 자신의 가치를 증명하는 스포츠 선수의 그것과 닮아있습니다.

이들이 직장을 자주 옮긴다고, 회사에 있으면서 이직을 준비한다고, 경력개발을 위해 피드백을 갈구한다고 그것을 틀렸다고 하기보다는 새로운 세대의 특성이라는 것을 이들은 과거 세대와 다르다는 걸 이해하는 것이 어떨까 합니다. 산업의 구조가 이전과 다르니, 그에 맞게 대응하는 것은 당연합니다. 조직이 개인을 책임질 수 없는 구조적 불안정성 아래에서 개인의 성장을 우선시하는 건 합당한 것일지도 모릅니다.

이제는 이들에 대해서 눈총보다는 격려하고 성장을 적극적으로 지원하는 것이 어떨까요. 조직과 개인의 욕구를 균형 있게 설계할 수 있다면 이들은 그 어떤 세대보다 더 열심히 일할 것입니다. 필요와 목적을 이해하고 함께 움직인다면 보다 힘 있는 시너지를 도출할 수 있습니다. 경력개발을 중요시하는 이들에겐 명확한 피드백과 인터랙션이 필요합니다. 성장하는 데 있어 가장 효과적이기 때문입니다.

이 기사에서는 구체적인 방법에 대해서 다루지는 않고 있습니다. 하지만 어떻게 하느냐보다는 왜 그러한 것인지에 대해서 이해하는 것이 문제 해결에 보다 더 올바르게 접근하는 경우가 있습니다. 또한 원인을 분석하는 것은 그에 매칭하는 적합한 해결방안을 찾는 데 도움이 됩니다. 문제 해결의 실마리를 잡았으니 이제 더욱 고민하고 디테일을 맞춰가면 됩니다. 문제의 해결은 정확한 문제 인식에서 시작합니다.

원문: 지식을 연주하는 사람

데이터 과학 분야를 무료로 배울 수 있는 방법입니다. 원문 페이지에는 26가지의 가이드가 있습니다. 그중에 10가지만 우선 공유합니다. 10가지만 해도 충분히 시간이 걸리고 해볼 만 한 일인 것 같습니다. 텍스트 일부를 번역했고, 의역이 있으니 참고해주시기 바랍니다.

1. 데이터 속성에 대해 이해하기

콘텍스트가 없는 데이터는 오해로 이어지거나 쓸모없을 수도 있습니다. Hadoop, NoSQL, Tableau와 같은 툴이나 트렌드 단어 없이 데이터 자체에 대해 이야기할 수 있는 사람이 필요합니다. 또한 데이터가 의미하는 바를 제대로 끌어낼 수 있어야 합니다. (개인적으로 데이터 과학은 새로운 기술이나 방법이 아니라 생각하는 방식의 변화, 즉 데이터를 기반으로 생각하고 문제에 접근하는 사고적 개념이라고 생각합니다.)

2. 데이터 과학자에 대해 이해하기

데이터 과학 분야에서 가장 혼란스럽게 사용되는 단어가 ‘데이터 과학자’ 일 것입니다. 이 분야의 사람 중 일부는 Hadoop, NoSQL 등 기술에 익숙하고 또 다른 일부는 수학이나 통계를 이용하고 매우 어렵게 설명합니다. 또 다른 이들은 대시보드를 시각화하거나, 끝없는 ETL 프로세스를 구동합니다. (ETL : Extract, Transform, Load의 약자로 전통적인 데이터웨어하우스에서 데이터를 변형하여 처리하는 프로세스를 말합니다.)

하지만 데이터 과학자는 위의 언급된 사람들보다 각 분야에 대한 이해도나 실제로 만들어내는 역량은 다소 부족하지만, 각각을 어떻게 이어나가 일로 만들어낼지는 아는 사람이라고 생각합니다. 좋은 데이터과학자는 outside the box 방식으로 무엇이 가능한지 이해하고 데이터를 현실의 필요와 기술 사이에서 연결하는 사람이라고 할 수 있습니다. 또한 데이터로 부터 인간의 행동을 읽어내고 명확하게 비즈니스적으로 이어내는 사람이라고 볼 수도 있습니다.

3. TED에서 공부하기

다음 링크에 나와 있는 13가지 TED 영상을 시청해보세요. Making sense of too much data

4. 통계학자 한스 로슬링의 TED 강의

다음 링크의 TED 영상을 시청해보세요. The best stats you’ve ever seen

5. 팟캐스트 구독

Partially Derivative라는 팟캐스트를 구독해보세요.

6. MOOC 강의

Coursera의 University of Washington’s Introduction to Data Science 코스나 Class Central의 Computing for data analysis는 이 분야를 시작하기에 좋은 강의입니다. 이 강의로 데이터 분석 분야에 입문해보세요.

• MOOC란? 온라인 공개수업(Massive Open Online Course)의 약자로 인터넷을 기반으로 이루어지는 상호참여적 교육을 의미한다. 무료로 강좌를 공개하는 경우가 많다.

7. Resources for Continued Learning 이 깃허브를 수시로 살펴보세요. 

8. Measure of America 이 페이지를 통해 데이터가 어떠한 차이를 만들어내는지에 대해 이해해보세요.

9. 부즈앨런에서 펴낸 Field Guide to Data Sciences 문서 읽어보세요.

10. 이 인포그래픽(How to become a Data Scientist)에 나와 있는 대로 따라해보세요.

아래 이미지는 데이터 과학의 역사라는 제목으로 작성된 이미지를 가져온 것입니다. 기술발전의 측면에서 참고할만합니다.

원문: 지식을 연주하는 사람

한킴 알토스벤처스 대표가 이야기하는 ‘리더십의 미래’

스타트업을 관찰한 것을 바탕으로 리더십에 대해서 말씀드리겠습니다. 일단 저희에 대해서 모르는 분들을 위해 소개를 드리겠습니다. 알토스벤처스는 미국에서는 수많은 회사들에 투자를 했으며, 국내에서는 25개 회사에 투자를 한 회사입니다. 투자한 회사로는 쿠팡, 이음, 토스 등이 있습니다.

리더십에 대해서 설명드리기에 앞서, 저는 미국에서 육군사관학교를 졸업했습니다. 그곳에서 강한 리더십 트레이닝을 받았는데, 이것이 스타트업과 일하면서 배운 리더십과 크게 다르지 않습니다. 사관학교에서 배운 좋은 리더십과 비슷한 점이 많은 것 같습니다.

저는 모든 일에 대해서 성공과 실패의 책임은 리더가 져야 한다고 믿습니다. 그것의 가장 큰 원인이 무엇인가를 살펴보고, 리더가 100% 책임을 져야 합니다. 회사에서는 대표가 얼마나 좋은 리더십을 발휘하냐 못하냐가 회사의 성공과 실패에 영향을 미친다고 생각합니다.

많은 사람들이 리더십을 떠올릴 때 인기가 얼마나 많은가를 보는데, 좋은 리더는 착한 사람도, 악한 사람도, 인기 있는 사람도 아니라고 생각합니다. 단순하게 이야기하면 자신의 가장 근본적인 모습을 주위 사람들에게 보여주고, 실패도 끊임없이 하면서 그것을 인정하고, 자신도 주위 사람도 실패를 하도록 도와주는 것. 군에서는 가장 위험한 순간에 가장 앞장서고 모든 사람이 안전한 지역에 간 다음에야 마지막으로 돌아가는 것이 이상적인 리더라고 하는데, 이는 회사에서도 마찬가지라고 생각합니다.

저는 좋은 리더십을 4가지로 정의합니다.

첫째, 좋은 꿈을 꾸는 사람이어야 합니다.

막연한 꿈이 아니라, 많은 사람들이 “이래서 안 되고, 저래서 안될 거야.”라고 할 때. 진짜인지 아닌지 파고들고 왜 더 좋게 안되는지에 대해서 파고들어서 더 좋은 방법을 찾아내는 사람이 많아야지만 좋은 회사가 만들어질 수 있고 좋은 리더라고 생각합니다.

지난 2~3년 동안 테크 업계에서 이런 분들이 많이 나오고 있는 것 같습니다. 간단한 예를 들자면 음악 앱을 만드는 회사가 있는데, “음악 앱이 왜 또 필요하냐?”라는 질문에 대해서, “지난 5년간의 데이터를 보면 멜론이나 벅스를 듣는 사람들이 600만 명에서 정체되어 숫자가 올라가지 않고 있는데, 왜 더 올리지 못하는가?”에 대해서 질문을 많이 하고, 어떻게 하면 더 많은 사람들이 음악을 들을 수 있겠느냐고 생각을 합니다.

계좌이체 관련 서비스의 경우 계좌이체를 하는데 왜 버튼을 10개나 눌러야 하는지, 이상한 코드를 반드시 눌러야 하는지에 대한 질문을 던지면서 굉장히 간편한 계좌이체 서비스를 만듭니다. 앞으로 더 편리한 서비스가 나올 수 있다고 생각합니다. 새로운 것을 꿈꾸는 사람들이 많아졌기 때문입니다.

둘째, 뭘 해야 하고, 하지 말아야 하는지를 정해야 합니다.

꿈꾸는 것은 사실 쉽습니다. 사실 어려운 것은 하고 싶은 것 중에서 무엇을 하고 무엇을 하지 않아야 하는지를 정하는 것입니다. 저희는 작은 회사에 투자하기 때문에 이것이 더더욱 중요합니다. 리소스도 적고 시장에서 큰 회사와 경쟁해야 하기 때문입니다.

펀딩을 받고 좋은 사람들과 함께 하게 되면 욕심이 많아집니다. 하나씩 들으면 다 옳은 일이고 좋은 아이디어이지만, 한 회사에서 그 많은 것을 하는 것은 자살행위라고 생각합니다. 좋은 리더라면 10가지 중에서 하지 않아야 할 9가지는 무엇이고 1가지 해야 할 것이 무엇인가를 판단해야 합니다.

요새 쿠팡에 관한 기사들이 굉장히 많이 나옵니다. 쿠팡에 대해서도 1조를 가지고 무엇을 할 것인가에 대한 추측기사가 많습니다. 저희가 볼 때 쿠팡의 장점은 여러 가지를 하지 않고 소비자들에게 좋은 제품을 값싸고 빠르게 전달하는 것에 중점을 둔다는 것입니다. 내가 잘해야 하는 것이 무엇인가에 집중하는 것이 중요하다고 생각합니다.

셋째, 실수를 허용하면서 같이 일하는 사람들이 책임감을 가지고 어떠한 일이든 할 수 있도록 만들어야 합니다.

리더들은 카리스마가 있어야 한다고 이야기되고는 하는데, 저희가 보기에 가장 좋은 리더들은 조직 안에서 실수를 허용하면서 같이 일하는 사람들이 책임감을 가지고 어떤 액션이든 취할 수 있는 분위기를 만드는 사람이라고 생각합니다.

저희에게 가장 인상 깊었던 사람은 <배달의 민족> 김봉진 대표입니다. 이 분은 책상에 바퀴가 달려있습니다. 어느 부서에 문제가 있다고 하면 책상을 가지고 그 자리에 가서 소통하고 업무를 진행합니다. 그런 조직이 되면 구성원들이 자신감을 가지고 일을 할 수 있습니다.

넷째, 설득과 결단입니다.

좋은 팀을 구성해야 합니다. 그렇기에 좋은 사람들을 늘 만나고 좋은 사람이라고 생각이 들면 온 힘을 다해 그 사람이 회사에 들어올 수 있도록 설득을 할 수 있어야 합니다. 더 중요한 것은 그 구성원이 설득에 공을 들여서 들어온 사람이라고 할지라도, 일을 잘 하지 못한다면 어려운 결정을 할 수 있어야 한다는 것입니다. 아무리 가까운 사람이라도 해고할 수 있어야 합니다.

원문: 지식을 연주하는 사람