brunch

You can make anything
by writing

C.S.Lewis

by 장샛별 Jan 23. 2022

데이터로 성과를 내는 조직의 비결

<데이터 문해력>을 읽고

    꾸준히 책을 읽고 있지만, 추천을 받아서 읽는 일은 드물다. 누군가 책을 추천하는 일도 많지 않지만,  추천을 받고도 읽지 못하는 경우가 많아서다. 변명거리 중 하나는 내가 보통 두 권 이상의 책을 동시에 읽고 있을 때가 많다는 것이다. 전자책으로 A를, 서재에서는 B를, 안방이나 거실에서는 C를 읽기도 한다. 그러다 보니 추천을 받아도 정말 인상적인 경우가 아니라면 바로 집어 들게 되진 않는다. 그래도 1년에 서너 권 정도는 그렇게 만나는 책들이 있다. 오늘 소개할 책도 추천을 받아 만났고 내가 또다시 추천하는 책이다. 카시와기 요시키가 쓴 <데이터 문해력>이다.




    

    요즘 다양한 영역에서 '문해력' 이야기를 한다. 사전적으로 문해(文解)는 문자를 읽고 쓰는 것, 또는 그런 능력을 의미한다. 하지만 요즘 활발해지는 문해력과 '리터러시'에 대해서는 보다 폭넓은 정의가 필요하다. 위키백과의 정의를 빌려보면 문해력(Literacy)이란 단순히 어떤 문자를 읽을 수 있고, 쓸 수 있는 것을 넘어서 제대로 이해하고 해석하고, 창작하거나 의사소통할 수 있는 능력으로 봐야 할 것 같다. 문해력은 기술적으로 그 문자나 언어를 알고 있는 'Hard Skill'이 아니라 맥락이나 문화까지 이해하는 범위의 'Soft Skill'로 봐야 하는 게 아닐까 싶다. 강의나 책을 통해 빠르게 습득하거나 향상할 수 있는 기술적 역량을 Hard Skill이라 본다면, Soft Skill은 외부의 정보를 얻는 것만으로 빠르게 성장할 수 있는 역량은 아니다. 흔히 커뮤니케이션처럼 정답이나 정도가 없는 역량을 나는 Soft Skill이라고 구분하는데, 문해력 역시 그와 비슷하다고 보았다.


    <데이터 문해력>은 데이터를 활용해 성과를 만들어내는 조직의 비결이 바로 데이터 문해력이라고 말한다. 데이터의 중요성을 모르는 조직은 없다. 하지만 '아는 것'과 얼마나 잘 활용하는가는 다른 문제다. 모두가 중요하게 여기는 데이터지만, 실제 비즈니스 성과를 이끌어내는 조직은 왜 많지 않을까. 저자는 다양한 조직과 환경에서 데이터를 다루는 모습을 지켜보면서 성과를 만드는 조직과 그렇지 못한 조직의 차이를 발견했다. 그 열쇠가 바로 '데이터 문해력'이다.

    이 책은 비즈니스 성과를 만들어내기 위해 데이터 활용을 고민하는 사람에게 굉장히 좋은 안내서가 될 수 있다. 물론 이 말이 데이터 분석가인 나에게 이 책이 무의미했다는  뜻은 아니다. 알고 있는 것을 다시 확인하고, 그걸 제대로 구조화하는 것 역시 가치 있는 학습 과정이라고 생각한다. 분석가는 흔히 '현업'이라고 이야기하는 각 제품, 비즈니스 담당자들과 함께 일한다. 제대로 데이터 기반의 의사결정과 이를 통한 비즈니스 변화가 만들어지려면 소수의 데이터 전문가들의 역량보다 조직 전체의 데이터 활용 능력을 높이는 것이 중요하다. 나는 데이터 분석가의 주요 업무 중 하나로 그 활용능력을 높이는 일을 손에 꼽는데, 그런 면에서 이 책은 조직 구성원들의 데이터 문해력을 높이는 데 유용하게 쓸 수 있는 교습서가 된다.


    <데이터 문해력>을 통해 다시 한번 되새긴 점들을 잊지 않기 위해 기록해보지만, 만약 데이터를 제대로 활용하고 데이터로 성과를 내는 것에 관심이 있다면 책을 직접 읽어보기를 권한다. 아주 얇고, 가벼운 사례들로 구성되어 있어 쉽게 읽을 수 있다. 물론 중간에 책을 덮고 우리 조직과 환경에서 이 내용을 어떻게 적용하면 좋을지 고민하는 시간이 추가된다면 꽤 긴 시간이 필요할지도 모른다는 걸 미리 말해둔다.





1장. 앞으로 필요한 건 데이터 문해력


    첫 번째 장은 저자가 이 책에서 전반적으로 이야기하려는 내용을 요약해서 보여준다. 한 문장으로 이 장을 요약해야 한다면 "데이터에서 시작하지 마라"라고 하고 싶다. 우리 모두 데이터를 이용해 무언가를 해보고 싶어 한다. 하지만 진짜 의미 있는 변화를 만들어내고 싶다면 그 시작은 데이터가 아니어야 한다. 저자는 데이터를 활용하는 과정을 간단하게 세 단계로 요약한다.

 

생각 -> 작업 -> 생각


첫 번째 '생각'의 단계에서는 분석하기 전에 문제와 목적을 정의하고 가설을 세운다.

두 번째이자 유일한 '작업' 단계에서는 데이터를 분석하는데 필요한 기술이나 지식을 활용한다. 사람들이 흔히 '데이터 분석'에 대해 말할 때 떠올리는 과정이 바로 이 단계에 해당된다고 볼 수 있다.

세 번째 '생각'은 분석 결과를 해석하고 스토리를 구축하는 과정이다.


저자는 데이터 활용에 실패하는 사람들이 많이 하는 실수가 2번, 즉 데이터에서 시작하고 거기에만 집중하는 것이라고 말한다. 데이터 분석을 담당하고 있는 사람들이라면 많은 경험을 통해 충분히 공감할 수 있을 거라고 생각한다. 실제로 더 깊은 고민과 경험, 분석가의 노하우가 필요한 구간은 바로 1번과 3번, 즉 생각의 단계다. 데이터를 직접 다루는 기술 (위에서 내가 구분했던 Hard Skill)이 부족해서 영향력 있는 결과를 얻지 못하는 경우가 아예 없다고는 할 수 없다. 하지만 데이터 분석이 비즈니스에 아무 영향을 주지 못한다면 오히려 데이터로 해결하려는 문제나 목적이 잘 정의되었는지 돌아볼 필요가 있다. 데이터를 활용하는 그 자체를 목적으로 분석을 해서는, 의미 있는 결과를 얻어내기 어렵다. '데이터는 답을 알고 있다'라는 말이 유행이었던 적이 있다. 하지만 데이터가 알고 있는 답을 얻기 위해서는 올바른 질문을 던져야 한다. 무엇을 알고 싶고, 그걸 알게 되면 무엇을 하고 싶은지를 구체적으로 생각해봐야 한다. 이것만큼은 데이터도, 어떤 뛰어난 기술도 자동으로 해내기 어렵다. 지금도 중요하지만 '작업' 영역이 점점 더 자동화되고 대중화되는 앞으로의 시대에서는 더 중요해질 것이다.




2장. 올바른 데이터로 올바른 문제를 풀고 있는가?


    데이터를 활용하고 있는데 기대한 것처럼 좋은 성과가 만들어지지 않는다는 사연을 종종 보고 듣는다. 저자는 데이터 활용에 실패하는 이유를 크게 두 가지라고 언급한다. 그중 하나는 풀고자 하는 문제가 명확하지 않은 것(right problem)이고, 첫 번째 장에서 그 중요성을 다뤘다. 두 번째 이유는 정의한 문제에 적합한 데이터(right data)를 사용하지 않았기 때문이다. 내가 풀고 싶은 문제나 확인하고 싶은 가설에 필요한 데이터가 무엇인지 인식하는 것은 매우 중요하다. 그런 데이터를 얻는 기술적인 능력이나 환경보다 더 중요하다. 나에게 어떤 것이 필요한지 정확히 모른다면 아무리 뛰어난 기술이 있더라도 틀린 방향으로 빠르게 달려갈 뿐이다.



3장. ‘이것이 문제다’ 데이터로 말하는 방법


    데이터로 의미 있는 변화를 이끌어내기 위해 중요한 첫 번째 '생각'의 단계는 해결하려는 문제를 정의하는 과정이라고 했다. 많은 사람들이 문제를 잘 정의하는 것보다 문제를 해결하는 것이 어렵다고 생각한다. 문제는 그냥 현상을 보면 자연스럽게 알 수 있다고 생각하는 것일까. 실제로 데이터 분석을 위해 여러 담당자들과 협업하다 보면 문제가 잘 정의되지 않은 사례들을 종종 만날 수 있다. 가장 흔한 사례는 원인과 방안을 모두 섞어서 문제를 정의하는 경우다. 문제를 해결하기 위해 데이터 분석이 필요하다고 생각해서 나와 만났지만, 이미 원인도 해결방안도 가져온 '문제' 속에 모두 담고 있다. 물론 이 원인과 해결방안이 데이터에서 도출된 것일 리 없다. 말 그대로 답을 정해두고 거기에 맞는 데이터를 구하는 것과 다름없다. 문제를 제대로 정의하지 못해서 발생하는 실수다.

    문제에 대한 정의는 사람마다 다르겠지만, 나는 비즈니스 상황에서의 문제란 보통 '이상적'인 상태와 차이가 있는 상태라고 본다. 매출이 감소한다면 모두가 문제라고 생각한다. 하지만 비즈니스에서는 우리가 기대하는 만큼 매출이 증가하지 않는 것도 문제로 볼 수 있다. 조직이 목표로 하는 기준치가 있다면 그것을 기준으로 현 상태에 문제가 있는지 없는지 판단할 수 있을 것이다. 우리가 해결해야 하는 진짜 문제가 무엇인지 제대로 파악할 수 있어야 한다. 데이터를 생각하기 전에, 문제를 보자. 



예를 들어, "이벤트 배너가 너무 아래쪽에 있어서 이벤트 신청이 충분히 일어나지 않는다"라는 문제에 대해 분석을 요청받았다고 해보자. 얼핏 보면 납득할 수 있는 분석 주제처럼 보인다.
하지만 실제로 이 문장에는 요청자가 생각하는 예상 원인이 포함되어 있다. 특정 원인을 예상하고 있다면 아마 해결할 방법도 대략 머릿속에 떠올리고 있을 것이다. 데이터를 통해 이 문장을 뒷받침할 증거를 찾는다면 요청자는 아마 이벤트 배너를 상단으로 올려야 한다고 주장하고 싶을 것이다.
데이터로 문제를 해결한다는 관점에서 이 상황의 문제를 새롭게 정의하면, "이벤트 신청이 저조하다"가 될 수 있다. 그 원인이 무엇인지는 여기에 적합한 데이터를 찾고 분석해보면 알 수 있을 것이다. 물론 가장 큰 원인이 요청자가 생각한 것처럼 이벤트 배너의 위치일 수도 있고 다른 이유일 수도 있다. 하지만 정말 데이터를 통해 문제를 해결하고자 한다면 원인을 찾아내는 과정은 데이터에 맡기는 게 옳다.



4장. 결과가 나왔다고 끝난 것은 아니다

5장. 기법에 집착하지 마라


    문제를 잘 정의하고, 적합한 데이터를 활용해서 분석을 하면 어떤 결과를 얻게 될 것이다. 그게 데이터를 활용한 의사결정의 끝은 아니다. 데이터가 보여주는 결과를 실제 행동으로 이어질 수 있는 결론으로 만들어내야 한다. 저자는 이 단계에서 중요한 역량을 '원인 파악력'이라고 본다.

    사실 데이터는 모든 것을 명확하게 구분해서 보여주지 않는다. 그 숨겨진 의미와 연결고리를 잘 읽어내는 능력이 필요한 이유다. 문제를 일으키는 원인이 무엇인지 파악해내고, 그 원인을 풀어내기 위해 어떤 행동을 해야 하는지 제시해야 한다. 데이터 분석의 결과로 제안하는 내용은 반드시 어떤 '원인'과 연결되어야 한다. 저자는 이 대안이 어떤 원인을 해결하는 것인지 답할 수 없다면, 다시 고민해보라고 실질적 팁을 건넨다.

   

    4장과 5장에서는 느닷없이 아이디어나 해결방법만 제시하는 '방법 맨'이 되지 않기를 경고한다. 의사결정에 있어 데이터를 활용하려는 이유는 물론 정확한 판단을 하고자 하기 때문일 것이다. 하지만 근본적으로는 시간과 자원이 한정적이기 때문이다. 치열한 비즈니스 의사결정을 위해 (때로 사적인 의사결정의 영역에서도) 시행착오는 최소화되어야 한다. 참신한 제안이나 '안 하는 것보단 나을 것 같아서' 내는 아이디어로 문제를 해결하려고 한다면 처음부터 데이터를 활용할 필요가 없다.




6장. ‘결론은 이것이다’ 정보를 요약하라


    결과와 결론은 다르다. 데이터를 통해 우리는 결과를 얻고, 그 결과에서 얻은 결론으로 행동에 나선다. 데이터가 보여주는 '값' 또는 '모양'이나 '관계'가 분석의 목적에 어떤 의미를 갖는지 설명해주는 것이 결론이다. 결과와 결론을 혼동하는 건 실무에서 처음 데이터를 다루는 데이터 분석가들이 처음에 할 수 있는 실수이기도 하다. 분석 리포트를 결과로끝내는 것이다.

    흔히 학교에서 이론적으로 데이터 분석 학습하는 과정이라몈 그것으로도 충분하다. 데이터가 보여주는 결과를 제대로 도출했다면 "생각-> 작업-> 생각"에서 작업의 단계는 제대로 해낸 것이기 때문이다. 하지만 비즈니스에서는 그 작업이 결국 문제를 해결하는데 어떤 의미를 갖고, 어떤 판단의 근거가 되는지가 더 중요하다. 어려운 통계학 용어들이 난무하지만 결론을 제대로 전달하지 못한다면 그 분석과정은 애초의 목적을 이루지 못한 셈이다.



7장. ‘데이터로 문제를 해결할 수 있다’는 착각

  

    데이터가 모든 것을 해결해주는 것은 아니다. 문제의 원인이나 해결방법이 시험문제처럼 늘 한 가지로 정해져 있는 것도 아니다. 문제에 적합한 데이터를 활용하는 것이 중요하다고 했지만, 그 데이터를 얻을 수 없는 경우도 있다. 내가 발견한 원인을 유발하는 또 하나의 숨은 원인이 있을 수도 있다. 내가 해석한 결과와 그로부터 정리한 결론이 틀린 것은 아닌지 다각도로 검토해봐야 하는 이유다.


    저자는 이 장에서 데이터 문해력을 이렇게 정의한다.

데이터 문해력이란,
'데이터에서 무언가를 읽어내는 능력'이 아니라 '스스로 정답에 대해 고민하고 데이터를 무기로 합리적으로 논할 수 있는 능력'이다.



8장. 개인과 조직의 데이터 활용 능력을 높이는 방법


    이 글에서는 모두 생략했지만, <데이터 문해력>의 각 장에는 저자가 실제로 많은 교육과정에서 만난 다양한 사례들이 소개된다. 그 사례를 통해 빠지기 쉬운 함정에 대해서 더 쉽게 이해하고 학습할 수 있다. 마지막인 8장에서는 저자가 수없이 많은 기업, 조직 등을 경험하면서 통찰한 데이터를 활용해 제대로 성과를 만드는 비결을 공유한다. 개인적으로 이 장을 아주 기쁜 마음으로 읽었다. 여기서 언급한 공통점들이 내가 일하고 있는 회사와 조직에도 해당되었기 때문이다. 몇몇 동료나 리더뿐만 아니라 구성원 모두의 이해와 공감 덕분에 가능한 문화였겠지만 다시 한번 우리가 나아가는 방향에 대해 확신을 얻었다.


    먼저 리더십과 각 구성원들의 역할 정의다. 모든 비즈니스의 과정에서 리더십은 항상 중요하지만 데이터 활용에 있어서도 마찬가지다. 각 구성원들이 어떤 역할을 해야 하는지 명확하게 이해시키고 유지할 수 있도록 돕는 것이 실제 데이터를 활용해 성과를 만드는 조직의 중요한 요소라고 한다. 이 과정이 잘 유지되기 위해서는 명확한 목표도 중요하다. 우리 회사는 문제 해결과 비즈니스 목표를 달성하는 가장 좋은 방법이 데이터와 실험 기반이라는 것을 명확히 정의했다. 데이터를 통해 성과를 만드는 많은 조직들도 명확한 목표를 공통점으로 보인다고 한다.

    첫 번째 장에서부터 강조했던 "생각-> 작업-> 생각"에서 각각의 차이와 "생각"의 가치를 잘 이해하는 것도 중요한 요소다. 데이터 활용을 해보겠다는 많은 개인과 조직들이 작업 단계로 바로 뛰어들어서 많은 시행착오 끝에 '데이터 기반으로 해봐도 별 차이가 없더라'라고 아쉬운 끝맺음을 한다. 데이터 중심 조직을 만들기 위해 좋은 루션을 도입하거나 데이터 조직을 구성하고, 때로 전 직원에게 SQL교육을 시도하기도 한다. 하지만 진짜 데이터 중심 조직이 되기 위해 가장 먼저 해야 할 일은 이런 것들과 다르다. 해결하려는 문제를 잘 정의하는 과정과 그 중요성을 조직 모두, 특히 리더들이 이해하고 전파해야 한다. 데이터를 찾는 이유가 '위에서 하라고 해서'가 아니라 '지금 우리가 직면한 문제를 해결할 수 있는 가장 좋은 방법이어서'가 되어야 한다. 좋은 성공 사례가 만들어지고 전파되면서 특별한 전문가조직의 일이 아니라 우리 모두가 할 수 있는 일이라는 걸 이해할 수 있어야 한다.

    마지막으로 결과물을 적절하게 평가할 수 있는 사람의 존재도 강조한다. 많은 회사에서는 데이터 분석가나 관련 조직에게 이 역할을 기대할 수 있을 것이다. 이때 '평가'는 스코어링(Scoring)보다는 퍼실리테이팅(facilitating)에 가까워야 한다고 본다. 우리 회사는 데이터와 실험을 도구로 쓰는 문제 해결의 과정에서 각 실무 구성원들의 역할이 매우 크다. 데이터 분석가들은 그 곁에서 문제를 정의하는 단계의 생각과 작업, 그다음 생각의 단계를 지켜보고 필요한 경우에 이를 돕는다.




    데이터가 중요해지면서 많은 회사들이 '데이터 리터러시'를 높이는 것을 목표로 많은 교육 프로그램을 운영했다. 이 글에서는 의도적으로 '데이터 리터러시' 대신 '데이터 문해력'을 사용했다. 리뷰하려는 책 제목을 그대로 쓴 것이기도 하지만 흔히 쓰는 '데이터 리터러시'의 의미가 이 책의 저자가 말하는 '데이터 문해력'에 비해 조금 더 "작업"의 영역에 초점을 맞춘 것 같다고 느껴서다.


    서두에 밝힌 것처럼 나는 기술적인 'Hard Skill'보다 'Soft Skill'이 더 향상하기 어렵다고 믿는다. 개인의 경우도 그렇지만 조직 전체의 역량을 높여야 한다면 그 난이도의 차이는 수십 배가 될지도 모른다. 조직의 데이터 문해력을 높이는 일은 그만큼 어려울 것으로 예상한다. 그럼에도 불구하고 해야 하는 이유와 하고 싶은 이유는 간단하다. 1도쯤 높아진 지구의 평균 기온이 어마어마한 여파를 불러오는 것처럼, 조직 전체의 데이터 문해력이 아주 조금 높아지는 것만으로도 엄청난 속도의 성장이 가능하리라 믿기 때문이다. 그리고 지금 조직에서 이 믿음을 증명해낼 수 있다고 확신한다.

작가의 이전글 자연에 덜 미안한 식사
브런치는 최신 브라우저에 최적화 되어있습니다. IE chrome safari