대 AI시대를 맞이하면서 데이터의 활용 가능성 뿐만 아니라 ‘창조’에 대한 부분도 주목받으면서 데이터 리터리시(Data Literacy)에 대한 관심이 높아지고 있습니다.
데이터 리터리시는 간단히 말하자면 데이터 해독능력입니다. 더 쉽게 풀어보자면 우리가 엑셀같은 데이터 저장소에 담긴 고객 데이터를 읽고, 이해하고, 해석하고, 전달할 수 있는 능력을 의미합니다. 결정적으로는 의사결정 프로세스에서 데이터를 효과적이고 효율적으로 다룰 수 있는 지식, 기술등을 아우르는 개념이라고 볼 수 있죠.
이러한 데이터 리터리시는 데이터 분석가, 데이터 사이언티스트, 비즈니스 분석가, PO, PM 등 데이터로 작업하는 모든 사람들에게 중요한 기술로 자리 매김 하고 있습니다. 점차 우리가 다룰 수 있는 데이터의 양은 많아지고 있는 환경에서 정보에 입각한 의사결정을 내리고 경쟁력을 유지하려면 데이터에 대한 이해는 필수요소라 할 수 있습니다.
데이터 리터리시 과정? 그게 뭐야 그걸 왜 배워..;;
여러 온라인 교육에서는 이러한 데이터 리터리시를 마치 어떤 직군의 필수 스킬셋 혹은 필살기 정도로 묘사하면서 판매중인데요. 글쎄요….. 데이터 기획, 수집, 분석, 시각화를 샘플데이터로 하는게 과연 현업에서 얼마나 도움이 될지..? 물론 테크닉적인 스킬을 쌓는 것은 기본 소양 이라 볼 수 있지만 더 중요한 것은 바로 데이터 자체에 대한 ‘이해’라고 볼 수 있습니다.
데이터 리터리시 어떻게 준비하고 역량을 키울까요?
데이터 개념 및 용어 이해:
여기에는 데이터 유형, 데이터 구조 및 데이터 소스에 대한 지식이 포함됩니다.
데이터 분석 기술:
Excel, SQL 및 데이터 시각화 소프트웨어와 같은 통계 기술 및 도구를 사용하여 데이터를 분석하는 능력.
데이터 해석 및 커뮤니케이션 기술:
데이터를 정확하게 해석하고 다양한 청중에게 통찰력을 효과적으로 전달할 수 있는 능력.
데이터 윤리 및 프라이버시:
데이터 프라이버시 법률에 대한 이해, 데이터 작업 시 윤리적 고려 사항, 민감한 데이터를 처리하는 능력.
있어보이는 척 적어보았지만 결국 조직 전체에 같은 데이터로 같은 목표를 볼 수 있게끔 만들 수 있느냐가
바로 데이터 리터리시의 가장 큰 관점이라고 볼 수 있습니다. 데이터에 능통한 인재가 많이 참여할 수록 조직은 더 효율적인 의사결정과 새로운 성장 기회를 식별하기 수월해집니다.
데이터 리터리시와 마케팅.
사실 데이터 리터리시는 비즈니스 성장에 필수적인 요소이지만, 아쉽게도 국내에서 마케팅에 데이터 리터리시를 제대로 접목 하기란 정말 어렵습니다. 왜냐하면 마케팅 환경은 시시각각 변화하며, 인풋과 아웃풋도 제각각이기 때문이죠.
이를 정리한다고 하더라도 현장에서 필요한 문제를 해결하는 것은 또 다른 문제 입니다.
마케터라면, 그리고 현재 비즈니스를 데이터에 입각한 경쟁력을 갖추고 싶은 관리자라면 다음과 같은 방법들이 있습니다.
- 데이터 시각화 및 대시보드 구성
데이터를 시각화 하고 보고 도구를 쉽게 만드는 것은 데이터 접근성을 높이고 현업의 요구사항에 맞게끔 고도화가 가능해집니다. 특히, 시각화 자료는 목적에 맞게 활용하는 경우 빠른 의사결정에 큰 도움을 줄 수 있습니다. - 기초 통계학에 근거한 분석 모델 및 접근 전략
의외로 통계의 기초적인 개념들 중 하나인 회귀 모델, 시계열, 군집 분석등만으로도 현업에서 필요한 요소들의 상당부분의 니즈를 충족할 수 있습니다.
너무 어려운 모델 보다는 쉽게 설명할 수 있는 체계부터 접근 해 본다면, 매출에 근원적으로 영향을 미치는 요소는 무엇인지. 현업이 가지고 있는 문제점을 해결하기 위해 어떤 것부터 시도해볼지를 좀 더 가늠해볼 수 있게 됩니다. - 데이터를 만드는 문화
가끔 분석할 데이터가 없어요 라고 말하는 마케터분들이 많습니다. 글쎄요! 이 세상엔 분석할 수 있는게 너무나도 많습니다. 없다면 만들 수 있겠죠! 다만 우리는 계산할 수 있는 것과 없는 것, 문자형, 숫자형, 함께 분석할 수 있는 데이터인지 아직은 잘 모르기 때문에 합칠 수 없는 데이터로 고민하게 되기도 합니다.
그럴 수록 ‘합의된 데이터’ 약속이 필요합니다. 그걸 위해서는 데이터를 만드는 문화가 우선이 되어야 겠죠. - 숫자로 끝나는 회의 말고, 목표지향적 혹은 마일스톤형
데이터를 가공하고 표현한다고 해서 데이터 리터리시다? 서두에도 말했듯이 데이터의 표현방식이 데이터리터리시가 아닙니다. ‘인사이트’ 도출과 빠른 실행을 위한 징검다리 만들기는 비즈니스의 로켓성장을 위한 방법론 중에 하나입니다. 터무니 없는 숫자나 그저 숫자로 끝나는 회의는 다음과 같은 문제점이 생깁니다.
– 광고 클릭 수는 매우 높은데, 실제 구매가 없는 상황
> 왜 구매가 없었을까요? 요인은요? 이를 해소하려면 어떤 액션플랜이 있을 수 있죠?
– 500% 성장한 이번달 매출
> 500% 성장에 어떤 요인이 가장 크게 작용했나요? 이벤트가 있었나요? 해당 이벤트로 전환은 몇 %나 이루어졌나요?
– A 가설이 맞는 것 같은데 이를 증명한 데이터가 없는 상황
> 데이터가 없다고 증명을 하지 않는 것은 바보짓입니다. 이전 기간과 비교해보거나, 비교할만한 다른 선택지를 찾아보세요. - 열성적인 구매자, 컨설턴트의 마음가짐으로
여러분이 회사의 오너라면 그리고, 고객이라면 이라는 가정을 한번 더 해봅니다.
나라면 이렇게 할 텐데는 꽤나 중요한 단서를 제공해주는 포인트가 되기도 합니다.
데이터 리터리시는 딱딱하고 단단하지만, 이를 채워주는 부분은 결국 사람의 ‘커뮤니케이션’ 능력 이기도 합니다.
많은 질문을 받아들이고, 데이터에 대한 다양한 시각과 의견을 받다보면, 아~ 이런게 좀 더 다듬어져야 하겠구나 하는게 오는 순간이 옵니다. - 광범위한 지식 쌓기
SQL, R, Python 등 다 잘하면 얼마나 좋을까요. 온라인 강의에서 나오는 1분만에 뚝딱 만드는 네트워크 노드 분석 보고서 처럼 적용해보는 것은 분명 멋진 일입니다. 하지만 현업에서 이런 ‘기능성(?)’이 필요한 순간은 그렇게 많지도 않을 뿐더러 이것만 잘한다고 데이터 활용을 제대로 한다고 말하기도 어렵습니다.
그림으로 치자면 스케치는 정말 모작 처럼 잘만드는데, 정작 알맹이는 없는 그런 상황이 발생하기도 하죠.
이를 위해서 정말 폭넓게 현업과 관련된 지식과 데이터를 접해보는게 필요합니다. 가끔은 쓸데없는 삽질이 어느 순간 의미있는 삽질로 변하는 순간이 있기 때문에요. - 마지막으로 본질을 잃지 않는 것
데이터 처리, 마이닝, AI, ML 다 좋습니다. 다 좋은데요 결국 모든건 사람이 개입되어 이루어지게 됩니다. 데이터를 다루다 보면 어느 순간 사견이 들어가기도 하고, 실수도 발생할 수 있습니다.
의사결정을 도와 줘야할 데이터가 오염되는 순간들도 분명 생기기도 하구요. 그런 때일 수록 무엇을 위해 데이터를 다루는지에 대해 다시금 생각해보면, 더 간단한 탈출구가 열리기도 합니다. 수백 수만의 고객이 남긴 데이터 쪼가리보다, 당장 놓친 고객과의 대화 하나가 더 많은 단서를 제공해주기도 하기 때문이죠.