데이터드리븐 문화 전파기
안녕하세요. 오늘은 교보문고의 데이터 드리븐 문화 라는 주제로 저희 조직의 일련의 과정들을 공유하고자 합니다.
들어가며
교보문고는 오랜 기간 동안 높은 브랜드가치를 유지하기 위해, 때로는 선진적이며 반대로 리스크를 보수적으로 관리하는 회사입니다. 2000년대 초반 당시 단어조차 생소했던 옴니채널을 활성화 하기 위하여 온라인에서 주문하고 매장에서 바로 찾는 <바로드림> 이라는 서비스도 런칭하였으며, 사람들에게 많이 알려지지 않은 좋은 도서를 재발견하고자 기존의 표지를 새로운 표지로 변경하여 의미를 더해 한정 판매하는 <리커버> 라는 서비스도 선진적으로 시도하였습니다. 반면 출판사 생태계를 위해 중고 서적 시장을 보수적으로 접근하는 면모도 보여주었죠. 유통부터 커머스 최근에는 컨텐츠 IP사업, 교육까지 커버리지가 높은 회사라 볼 수 있습니다.
1980년 12월 24일에 처음 생겨난 교보문고는 오랜 기간 동안 근속한 임직원들의 역량을 바탕으로 직관을 효과적으로 활용한 편이었습니다. 시대와 트렌드에 맞춰 유행을 판단하고 선제시하였죠. 하지만 시장이 계속해서 변화하고 변모하고 확장되면서 직관을 뒷받침할 혹은 새로운 가설을 검증할 다양한 데이터 분석이 필요하였고, 그를 통해 비즈니스 과제를 해결해야 하는 미션들이 각 조직에게 부여되기 시작했습니다.
그렇게 디지털 트랜스포메이션은 시작되었습니다.
그렇게 레거시에서 클라우드로의 전환은 시작되었습니다.
이에 데이터인텔리젼스팀은 기업 및 조직의 구성원에게 직관을 데이터로 검증하고 전파하는 법을 같이 만들어나갔고, 데이터드리븐 문화 전파를 위해 고려한 3요소를 공유해보고자 합니다.
DX 그리고 DATA DRIVEN
데이터 드리븐 문화를 설명하는 많은 사례가 있습니다. 하지만 하나의 일관적인 방법으로 모든 사례를 표준화할 수 없는 이유는 각 회사의 시작점이 다르기 때문이라 생각합니다. 교보문고는 2000년대 후반 아날로그를 디지털화 한 경험기반이 있기에, 전환의 방법과 생태계를 경험하게 도와드린다면 전환을 똑같이 재현할 수 있으리라 생각했습니다. 투명성과 통합이라는 원칙에 기반하여, 사람/프로세스/기술을 설명드리고자 합니다.
인프라(기술)
분석을 가능하게 하는 아키텍쳐 및 기술의 확장성을 추구하였습니다. 단순하게 제품을 선택하는 것이 아니라 기술이 가져다줄 가치를 그리며 데이터 운영을 위한 기술을. 탐색하였습니다. 저희는 현재 AWS-SNOWFLAKE 기반으로 데이터를 통합 운영하고 있습니다. 분석가 관점에서 해당 구축의 가장 큰 장점이라고 함은 데이터 통합입니다. ODBC / GA / ORACLE 등 예상하기 어려운 각종 데이터 들로 인하여, 많은 데이터들을 S3 적재후 SNOWFLAKE로 내보내서 로드하게 되면 더 빠른 분석 업무가 가능해졌습니다.
특히 SNOWFLAKE 환경 내에서 SQL / PYTHON 환경이 가능하다보니, STREAMLIT 등을 통한 빠른 데이터 서빙도 가능해졌고, 뒤에서 소개드리겠지만 CLIENT SERVICE LAYER 로 데이터가 흐를 수 있는 환경을 만들 수 있다는 점이 큰 장점입니다. 그 외에도 TABLEAU , MSQUERY, APPSMITH 까지 데이터 리터러시에 맞는 플랫폼 사용을 통해 효율성을 증대시켜나갔습니다. 그 결과 조직 내 다양한 새로운 프로젝트를 기획하고 발전시킬 수 있는 원동력이 되었습니다. 오늘은 인프라보다는 데이터 문화 전파기라는 주제로 소개하고 있기에 짧게 소개드리도록 하겠습니다.
사람
이러한 전파에 있어서 가장 핵심이 되는 부분은 사람입니다. 사용자와 관리자로 나눈다고 한다면, <데이터분석가> 는 사용자와 관리자 모두가 될 수 있는 위치입니다. 보통 현업 분들이 사용자의 위치에 있게 되며, 그를 보완해서 <C레벨> <중간관리자> 분들이 데이터 관리자/주관자로 이 데이터를 활용한 전략을 고민하게 됩니다.
데이터 분석가의 업무 특성 상 메타 데이터에 대한 궁금증과 기준 변경 만으로도 많은 커뮤니케이션 비용이 들다보니, 분석가 몇 명에게 권한을 집중하기 보다는 권한을 위임해서 많은 사람들이 데이터를 이해하는게 중요하였습니다. 데이터를 이해하고 이해한 데이터를 바탕으로 의사결정을 할 수 있는 문화. 그것이 저희가 바라는 목표였습니다.
같은 데이터를 보면서 같은 의사결정을 내릴 수 있도록 “합의” 에 이를 수 있도록 노력하고 있습니다. 저희가 그를 위해 1차적으로 시도하고 있는 부분은 교육 프로세스 구축입니다.
프로세스
교육 프로세스는 현재 6개월에 걸쳐 진행하고 있습니다. 데이터 명세 / STREAMLIT, TABLEAU 대시보드 등의 프로세스보다 교육 프로세스를 말씀드리게 되는 이유는 이 데이터비즈니스를 실천하는 사람이 중요함을 알게 되서 입니다.
초급 : 데이터 리터러시 함양
서론에서 언급한 직관을 효과적으로 활용한 부분을 이번에 다시 언급해보고 싶습니다. 보통 직관의 영역이 많아지면, 도출된 데이터가 관성적으로 결론이 나오는 경우가 많습니다. 왜 이 데이터를 뽑아야하지? 이 데이터가 무슨 의미가 있지? 데이터는 어떤 형태로 생겼지? 라는 기본적인 질문을 다시 한번 되새기는 방법으로 데이터 리터러시 교육이 진행되었습니다.
교보문고 데이터는 어떤 종류가 있는 지
데이터를 잘 분류하고 추적하고 있는 지
데이터가 의사결정에 영향을 미치기 위해서 어떤 것들이 필요할 지 등
을 이야기 해보는 자리를 가져보았습니다. 데이터 리터러시 함양과 데이터 추출 교육은 유기적으로 연결해서 이루어지게 됩니다. 간략하게 이유를 설명드리자면, 각 부서에서 데이터를 뽑는 방법이 미세하게 나마 다른 경우를 발견하였고, 같은 기준을 기반으로 데이터를 뽑으며, 오해의 소지를 방지하는데 있었습니다. 총 전사 인원 중 10개의 실에서 488명이 교육을 받으며, 데이터에 기반한 의사결정을 지원하는데 포커스를 맞췄습니다.
중급 : 데이터 시각화 함양
다음 진행한 부분으로는 데이터 시각화입니다. 커뮤니케이션과 보고에 포커스를 맞췄으며, 전사에서 사용하고 있는 TABLEAU 라는 BI TOOL 을 기반으로 교육이 진행되었습니다. 액션 가능한 문제해결책을 도출하기 위하여, 가시적인 형태로 결과물이 나오는 것을 목표로 하였으며, 의사결정자의 시간과 자원을 절약하여 더 좋은 의사결정으로 만들기 위해 위 과정이 같이 만들어지게 되었습니다.
고급 : 시민 데이터분석가 양성
마지막으로 시민 데이터 분석가 양성입니다. 정확히 2015년 부터 가트너에서는 시민 데이터 과학자라는 말을 사용하였는데, 범용 데이터 도구 및 기술을 활용해 비즈니스 문제를 해결하는 사람을 통칭해서 이야기 합니다.
기 구축된 SNOWFLAKE를 활용하여, 마트를 구성하고 대시보드를 제작하며 비즈니스 문제에 대한 접근을 데이터 분석가와 같이 진행하는 교육으로 SQL , DB , BI 대시보드를 중점적으로 소개하고 교육합니다. 그들은 데이터인텔리젼스팀에서 구축한 일관된 시스템 하에 부서별로 확장된 마트 형태까지 구성 가능합니다.
DATA DRIVEN 그리고 미래
AI 의 발전 이후로 많은 사람들의 갑론을박이 있습니다. 저는 그 의견 가운데
“AI가 기술을 민주화할 것으로 내다봅니다. 지능의 자동화는 자동화된 지능을 쓸 수 있다는 뜻입니다. 이런 기술은 모든 이들에게 혜택을 가져오기 때문에 기술의 민주화를 불러옵니다”_젠슨 황
라는 말을 좋아합니다. 다음 스텝에 대해 고민할 때 기술의 민주화가 가져다 줄 가치에 대해서 교육 때 설명을 하곤 합니다. 누구나 접근 가능하고, 누구나 같은 의견을 낼 수 있는 서로의 발언권의 비중이 최대한 가까워질 때, 그렇게 우리는 더 나은 합의를 할 수 있으리라 봅니다.
“합의”
합의를 통한 더 빠르고 정확한 의사결정, 실험의 문화, 피드백, 결과를 통한 성장이 이루어질 때 데이터가 가진 본연의 가치가 더 드러나지 않을까 다시 한번 기대해봅니다.
