µ¥ÀÌÅÍ Á᫐ Á¶Á÷ÀÇ µ¿¹ÝÀÚ, µ¥ÀÌÅÍ Àü¹® ±â¾÷ ¼ÒÇÁÆ®¶óÀÎ
¡°µ¥ÀÌÅÍ Á᫐ Á¶Á÷ÀÇ µ¿¹ÝÀÚ, µ¥ÀÌÅÍ Àü¹® ±â¾÷ ¼ÒÇÁÆ®¶óÀΡ±
  • ¼ÒÇÁÆ®¶óÀÎÀº µ¥ÀÌÅÍ ½Ã½ºÅÛ ÄÁ¼³ÆÃ, ±¸Ãà, ¿î¿µ Àü¹®°¡µé·Î ±¸¼ºµÈ µ¥ÀÌÅÍ Àü¹® ±â¾÷ÀÔ´Ï´Ù.
  • Áö³­ 15³â °£ ¿ÀÁ÷ µ¥ÀÌÅÍ ½Ã½ºÅÛ¸¸À» Àü¹®ÀûÀ¸·Î ´Ù·ç¾ú´ø °æÇè°ú ³ëÇϿ츦 °®Ãß¾ú±â¿¡ ºòµ¥ÀÌÅÍ ½Ã´ëÀÇ µµ·¡¸¦ ´©±¸º¸´Ù ¸ÕÀú ¿¹»óÇÏ°í ÀÖ¾úÀ¸¸ç Áö¼ÓÀûÀ¸·Î ÀûÀÀÇØ ¿Ô½À´Ï´Ù.
  • ¼ö¸¹Àº °í°´»çÀÇ ´Ù¾çÇÑ µ¥ÀÌÅÍ °ü·Ã ÇÁ·ÎÁ§Æ®¸¦ ¼öÇàÇÏ¸ç ¾÷¹«Áö½Ä°ú ±â¼úÁö½ÄÀ» ÃàÀûÇÑ ¼ÒÇÁÆ®¶óÀÎÀº µ¥ÀÌÅÍ Á᫐ Á¶Á÷ÀÌ °®Ãß¾î¾ß ÇÒ ¿ä¼Ò¸¦ ´©±¸º¸´Ù Àß ÀÌÇØÇÏ°í ÀÖ½À´Ï´Ù.
  • ¼ÒÇÁÆ®¶óÀÎÀÇ °ËÁõµÈ µ¥ÀÌÅÍ ¿£Áö´Ï¾î¸µ°ú µ¥ÀÌÅÍ »çÀ̾𽺠¼­ºñ½º ¿ª·®Àº µ¥ÀÌÅÍ Á᫐ Á¶Á÷À¸·ÎÀÇ º¯È­¸¦ ²ÒÇÏ´Â ¸ðµç Á¶Á÷¿¡ Å« µµ¿òÀÌ µÉ °ÍÀÔ´Ï´Ù.

21¼¼±â´Â ºòµ¥ÀÌÅÍÀÇ ½Ã´ë

´Ù¾çÇÑ µðÁöÅÐ ¼­ºñ½º, ÆøÁõÇÏ´Â µð¹ÙÀ̽º, ¼¾¼­ ³×Æ®¿öÅ© µîÀÇ µîÀåÀ¸·Î µðÁöÅÐ µ¥ÀÌÅÍÀÇ ¾ç°ú Á¾·ù´Â ¾öû³ª°Ô Áõ°¡ÇÏ°í ÀÖ½À´Ï´Ù. IDC ¿¡ µû¸£¸é 2020³â±îÁö µðÁöÅÐ µ¥ÀÌÅÍÀÇ ¾çÀº ¿¬°£ ¾à 42%¾¿ Áõ°¡ÇÒ °ÍÀ̶ó°í ÇÕ´Ï´Ù. ±¸±ÛÀÇ ¼ö¼® °æÁ¦ÇÐÀÚÀÎ Hal VarianÀº 2010³âºÎÅÍ 2020³â±îÁö µðÁöÅÐ µ¥ÀÌÅÍÀÇ ¾çÀº 50¹è ÀÌ»óÀ¸·Î Áõ°¡ÇÒ °ÍÀ̶ó°í ÇÕ´Ï´Ù.

¡°Àηù ¿ª»ç°¡ ½ÃÀÛµÈ ½ÃÁ¡ºÎÅÍ 2003³â±îÁö Àηù°¡ »ý¼ºÇÑ µ¥ÀÌÅÍÀÇ ÃÑ·®Àº 5¿¢»ç¹ÙÀÌÆ®¿¡ ºÒ°úÇÕ´Ï´Ù. ¿À´Ã³¯ Àηù´Â 5¿¢»ç¹ÙÀÌÆ®ÀÇ µ¥ÀÌÅ͸¦ 2Àϸ¸¿¡ »ý¼ºÇÏ°í ÀÖ½À´Ï´Ù. 2020³â±îÁö Áö±¸»óÀÇ µðÁöÅÐ µ¥ÀÌÅÍ´Â ¾à 53Á¦Å¸¹ÙÀÌÆ®¿¡ À̸¦ °ÍÀÔ´Ï´Ù.¡± - Hal Varian, Chief Economist at Google

µðÁöÅÐ µ¥ÀÌÅÍÀÇ Æø¹ßÀûÀÎ Áõ°¡´Â »õ·Î¿î °¡´É¼ºÀÇ ÁöÆòÀ» ¿­°Ô µÇ¾ú½À´Ï´Ù. ÀÌÀü¿¡´Â ±â·ÏÇÏ°í º¸°üÇÏ¿© ºÐ¼®ÀÇ ´ë»óÀÌ µÇÁö ¸øÇß´ø ¼ö¸¹Àº µðÁöÅÐ µ¥ÀÌÅÍ°¡ °¡¿ëÇØÁü¿¡ µû¶ó Àΰ£»çȸÀÇ ´õ ¸¹Àº ºÎºÐÀÌ µðÁöÅÐÀÇ ¿µ¿ªÀ¸·Î Èí¼öµÇ¾ú½À´Ï´Ù. ÀÌ·¯ÇÑ Çö»óÀ» ºòµ¥ÀÌÅÍ ¶ó°í Çϸç, 21¼¼±â´Â ¹Ù·Î ºòµ¥ÀÌÅÍÀÇ ½Ã´ë¶ó°í Çصµ °ú¾ðÀÌ ¾Æ´Õ´Ï´Ù.

µ¥ÀÌÅÍ Á᫐ Á¶Á÷ (Data-Driven Organization)

º»°ÝÀûÀÎ ºòµ¥ÀÌÅÍ ½Ã´ë°¡ ½ÃÀÛµÈ 2000³â Áß¹Ý ÀÌÈÄ Â÷º°ÀûÀÎ °æÀï·ÂÀ» °®Ãá ±â¾÷µéÀº °ÅÀÇ ¸ðµÎ µ¥ÀÌÅÍ Á᫐ Á¶Á÷ (Data-Driven Organization) À̾ú½À´Ï´Ù. 2011³â MIT ³í¹® (Strength in Numbers : How Does Data-Driven Decisionmaking Affect Firm Performance?) Àº µ¥ÀÌÅÍ Á᫐ Á¶Á÷ÀÇ Àü¹ÝÀûÀÎ »ý»ê¼ºÀÌ 5-6% ³ô´Ù´Â °á°ú¸¦ ³»¾î ³õ±âµµ ÇÏ¿´½À´Ï´Ù.

ÀÌ¿Ü¿¡µµ µ¥ÀÌÅÍ Á᫐ Á¶Á÷ÀÇ Â÷º°Àû °æÀï·ÂÀ» º¸¿©ÁÖ´Â ¿¬±¸°á°ú´Â ¾î·ÆÁö ¾Ê°Ô ã¾Æº¼ ¼ö ÀÖ½À´Ï´Ù. ÀÌÄÚ³ë¹Ì½ºÆ®¿¡¼­ ¼öÇàÇÑ ¼³¹®Á¶»ç¿¡ µû¸£¸é Á¶Á÷ ³» µ¥ÀÌÅ͸¦ ¾÷°èÆò±Õº¸´Ù È¿À²ÀûÀ¸·Î È°¿ëÇÏ°í ÀÖ´Ù°í ´ë´äÇÑ ±â¾÷ÀÇ 78%°¡ Æò±Õ ÀÌ»óÀÇ °æ¿µ ¼º°ú¸¦ ´Þ¼ºÇß´Ù°í ÇÕ´Ï´Ù.

±×·¸´Ù¸é µ¥ÀÌÅÍ Á᫐ Á¶Á÷À̶õ ¹«¾ùÀϱî¿ä? µ¥ÀÌÅ͸¦ ¸¹ÀÌ º¸À¯ÇÏ°í ÀÖ°í, ´Ù¾çÇÑ ¸®Æ÷Æ®¸¦ »ý¼ºÇØ È°¿ëÇÏ¸é µ¥ÀÌÅÍ Á᫐ Á¶Á÷Àϱî¿ä? Å« ¿¹»êÀ» µé¿© ÇϵÓÀ̳ª ¸Ó½Å·¯´× Ç÷§ÆûÀ» °®Ãß¸é µ¥ÀÌÅÍ Á᫐ Á¶Á÷Àϱî¿ä?

±×·¸Áö ¾Ê½À´Ï´Ù. µ¥ÀÌÅÍ Á᫐ Á¶Á÷À̶õ µ¥ÀÌÅÍ¿¡ ±â¹ÝÇÏ¿© °ú°Å¿Í ÇöÀ縦 Á¤È®È÷ Á÷½ÃÇÏ°í, µ¥ÀÌÅÍ ¼Ó¿¡ ¼û¾îÀÖ´Â ÆÐÅÏÀ¸·ÎºÎÅÍ µµÃâÇÑ ¹Ì·¡¿¡ ´ëÇÑ °´°üÀûÀÎ ¿¹ÃøÀ» ¹ÙÅÁÀ¸·Î ÀÇ»ç°áÁ¤ÇÏ´Â ¹®È­°¡ Á¤¸³µÈ Á¶Á÷À» ÀǹÌÇÕ´Ï´Ù.

µ¥ÀÌÅÍ¿¡ ±â¹ÝÇÑ ÀÇ»ç°áÁ¤ÀÌ ¿Ö Áß¿äÇÒ±î¿ä? °£´ÜÈ÷ ¸»ÇÏÀÚ¸é Àΰ£ÀÇ Á÷°ü¿¡ ±â¹ÝÇÑ ÁÖ°üÀû ÀÇ»ç°áÁ¤Àº À߸øµÉ °¡´É¼ºÀÌ ³ô±â ¶§¹®ÀÔ´Ï´Ù. Àΰ£ÀÇ »ç°í´Â ¿Ïº®ÇÏÁö ¾Ê½À´Ï´Ù. ƯÈ÷ ºü¸£°í º»´É¿¡ °¡±î¿î Á÷°üÀûÀÎ ÆÇ´ÜÀº ¿©·¯ °áÇÔÀ» °¡Áö°í ÀÖ½À´Ï´Ù.

ÀÌ·¯ÇÑ ÇѰ踦 ±Øº¹ÇÑ µ¥ÀÌÅÍ Á᫐ Á¶Á÷Àº ÀÇ»ç°áÁ¤ÀÇ ¹«°ÔÃ߸¦ Á÷°ü¿¡¼­ µ¥ÀÌÅÍ¿¡ ±â¹ÝÇÑ ±Í³³Àû, ³í¸®Àû ÆÇ´ÜÀ¸·Î À̵¿½Ãŵ´Ï´Ù. Á÷±ÞÀÌ ³ô°í °æÇèÀÌ ¸¹¾Æ °¡Àå ¸¹Àº ¿¬ºÀÀ» ¹Þ´Â »ç¶÷ÀÇ ÀÇ°ß (HiPPO : Highest Paid Person¡¯s Opinion) ¿¡ ÁÂÁö¿ìÁöµÇÁö ¾Ê±â À§ÇØ °´°üÀûÀÎ Æò°¡ÁöÇ¥¸¦ ¸¸µé°í, Æò°¡¿Í ºÐ¼®À» À§ÇÑ ¿Ö°î¾ø´Â µ¥ÀÌÅ͸¦ ´Ù¾çÇÏ°Ô ¼öÁýÇÏ°í, ÆíÇâµÇÁö ¾ÊÀº Åë°èÀû ¹æ¹ý·ÐÀ» Àû¿ëÇØ ¿Ã¹Ù¸¥ ÀλçÀÌÆ®¸¦ µµÃâÇÕ´Ï´Ù. ÀÌ·¯ÇÑ ³ë·ÂÀ» ²÷ÀÓ¾øÀÌ ÁöÇâÇÏ´Â Á¶Á÷ÀÌ ¹Ù·Î µ¥ÀÌÅÍ Á᫐ Á¶Á÷À̸ç, µ¥ÀÌÅÍ Á᫐ Á¶Á÷ÀÌ µÇ´Â °ÍÀ̾߸»·Î 21¼¼±â ¸ðµç ±â¾÷µéÀÌ ÁöÇâÇØ¾ß ÇÏ´Â ¸ñÇ¥ÀÔ´Ï´Ù.

µ¥ÀÌÅÍ Á᫐ Á¶Á÷À» ÀÌ·ç´Â ¿ä¼Ò´Â Å©°Ô ¼¼ °¡Áö·Î º¼ ¼ö ÀÖ½À´Ï´Ù.
1. µ¥ÀÌÅÍ Á᫐ ¹®È­ (Data-Driven Culture)
µ¥ÀÌÅÍ Á᫐ Á¶Á÷Àº °æÇèÄ¡¿¡ ÀÇÁ¸ÇÏ´Â Á÷°üº¸´Ù µ¥ÀÌÅͷκÎÅÍ ¼öÇÐÀûÀ¸·Î µµÃâµÈ ÆÐÅÏ°ú ±ÔÄ¢À» ½Å·ÚÇÕ´Ï´Ù. Á¶Á÷ ±¸¼º¿ø ¸ðµÎ ȤÀº ´ë´Ù¼ö°¡ ÀÌ·¯ÇÑ ½Å·Ú¸¦ °øÀ¯ÇÏ´Â ¹®È­¸¦ Á¤Âø½ÃÄÑ¾ß µ¥ÀÌÅÍ Á᫐ Á¶Á÷¿¡ °¡±î¿öÁö´Â °ÍÀÔ´Ï´Ù. ¾Æ¹«¸® ÀÛÀº Á¶Á÷ÀÌ¶óµµ »õ·Î¿î ¹®È­¸¦ Á¤Âø½ÃÅ°´Â °ÍÀº Àå±âÀûÀÎ °üÁ¡¿¡¼­ ÃßÁøÇØ¾ß ÇÕ´Ï´Ù. µû¶ó¼­, µ¥ÀÌÅÍ Á᫐ Á¶Á÷ÀÌ µÇ±â À§ÇØ °¡Àå ¸ÕÀú ±×¸®°í °¡Àå ÃßÁøÇØ¾ß ÇÒ °úÁ¦´Â µ¥ÀÌÅÍ Á᫐ ¹®È­ Á¤ÂøÀ» À§ÇÑ ²ÙÁØÇÑ º¯È­°ü¸®ÀÔ´Ï´Ù. À¯ÀÇÇÒ Á¡Àº ´©±¸µµ ÀÌ·¯ÇÑ º¯È­¸¦ ´ë½Å À̲ø¾î³»Áö ¸øÇÑ´Ù´Â Á¡ÀÔ´Ï´Ù. Á¶Á÷ ½º½º·Î Çس»Áö ¸øÇÏ¸é ´©±¸µµ ´ë½Å ÇØ ÁÙ ¼ö ¾ø½À´Ï´Ù.
2. µ¥ÀÌÅÍ ¿£Áö´Ï¾î¸µ (Data Engineering)
µ¥ÀÌÅͶó´Â ÀÚ¿øÀ» Á¶Á÷ ³»¿¡¼­ À¯È¿ÇÏ°Ô È°¿ëÇÏ·Á¸é À̸¦ À§ÇÑ ÀÎÇÁ¶ó°¡ °®Ãß¾îÁ®¾ß ÇÕ´Ï´Ù. µ¥ÀÌÅÍ ¿£Áö´Ï¾î¸µÀº ¹Ù·Î ÀÌ·¯ÇÑ ÀÎÇÁ¶ó¸¦ ¼³°è, ±¸Ãà, ¿î¿µÇÏ¸ç µ¥ÀÌÅÍ Á᫐ Á¶Á÷ÀÇ IT±â¼úÀûÀÎ ¿ä¼Ò¸¦ ´Ù·ç´Â ÀÏ·ÃÀÇ È°µ¿ÀÔ´Ï´Ù. Å©°Ô º¸ÀÚ¸é ´Ù¾çÇÑ ¿øõÀ¸·ÎºÎÅÍ ÇÊ¿äÇÑ µ¥ÀÌÅ͸¦ ¼öÁýÇÏ°í, ¼öÁýµÈ µ¥ÀÌÅ͸¦ ºÐ¼® °¡´ÉÇÑ ÇüÅ·ΠÁ¤Á¦Çϸç, Á¤Á¦µÈ µ¥ÀÌÅ͸¦ È¿À²ÀûÀ¸·Î ÀúÀåÇÏ°í, µ¥ÀÌÅ͸¦ ÀÚÀ¯·Ó°Ô µ¿½Ã¿¡ ¾ÈÀüÇÏ°Ô À¯Åë½ÃÅ°¸ç, °íÂ÷¿øÀÇ µ¥ÀÌÅÍ ºÐ¼®±îÁö À̾îÁö´Â ÀÏ·ÃÀÇ °úÁ¤ÀÌ ¿øÈ°È÷ ÁøÇàµÇµµ·Ï ÇÕ´Ï´Ù. ¼ÒÇÁÆ®¶óÀÎÀº Áö³­ 10¿©³â °£ µ¥ÀÌÅÍ ½Ã½ºÅÛ ±¸Ãà ¹× ¿î¿µ Àü¹®±â¾÷À¸·Î¼­ ¾î´À ´©±¸º¸´Ùµµ Àü¹®ÀûÀÎ ³ëÇϿ츦 °®Ãß°í ÀÖ½À´Ï´Ù.
3. µ¥ÀÌÅÍ »çÀ̾𽺠(Data Science)
ÈçÈ÷ ¸Ó½Å·¯´×°ú µ¥ÀÌÅÍ »çÀ̾𽺸¦ µ¿ÀϽà Çϰųª È¥¿ëÇÏ´Â °æ¿ì°¡ ¸¹Àºµ¥ ¸Ó½Å·¯´×Àº ¸Å¿ì Áß¿äÇϱâ´Â ÇÏÁö¸¸ ¾îµð±îÁö³ª µ¥ÀÌÅÍ »çÀ̾ðƼ½ºÆ®°¡ È°¿ëÇÏ´Â ÇϳªÀÇ ¹æ¹ý·ÐÀÔ´Ï´Ù. µ¥ÀÌÅÍ »çÀ̾𽺸¦ ¼öÇàÇÑ´Ù´Â °ÍÀº ÈξÀ ±¤¹üÀ§ÇÑ °³³äÀ¸·Î¼­ µ¥ÀÌÅ͸¦ ´Ù°¢µµ¿¡¼­ ¸®ºäÇÏ°í, ºÐ¼®ÇÏ¿© ÀǹÌÀÖ´Â ÆÐÅÏ°ú ±ÔÄ¢À» ã¾Æ³»¾î ½ÇÇà °¡´ÉÇÑ ÀλçÀÌÆ® (Actionable insight) ¸¦ µµÃâÇس»´Â ÀÏ·ÃÀÇ È°µ¿À» ¸»ÇÕ´Ï´Ù. ¶ÇÇÑ µµÃâÇØ ³½ °á°ú¸¦ Á¶Á÷ ³»¿¡ ÀüÆÄÇÏ´Â °Í ¿ª½Ã µ¥ÀÌÅÍ »çÀ̾𽺠Ȱµ¿ÀÇ Áß¿äÇÑ ¿ä¼ÒÀ̱⵵ ÇÕ´Ï´Ù. ¼ÒÇÁÆ®¶óÀÎÀº MSTR, BI matrix, Vertica µî ´Ù¾çÇÑ µ¥ÀÌÅÍ ºÐ¼® Åø ±â¹ÝÀÇ °í±Þ µ¥ÀÌÅÍ ºÐ¼® ½Ã½ºÅÛ ±¸Ãà ¹× ¿î¿µ °æÇèÀ» °®Ãß°í ÀÖ½À´Ï´Ù.