• 경제/경영 > 경영 > 경영전략/기획 > 경영전략
• 경제/경영 > 경제 > 경제일반 > 경제전망
• 자기계발 > 성공/처세
• 컴퓨터/IT > 컴퓨터공학 > 인공지능/신경망/퍼지

반디앤루니스 리뷰

출판사 리뷰

데이터 분석가에서 대기업 CEO까지
1세대 데이터 리더가 30년간 집대성한 인사이트

“복잡한 수식과 코딩은 AI에 맡기고,
인간은 데이터 언어로 사고하라!”
현실을 데이터로 읽고, 데이터로 현실을 바꾸는 힘
AI 시대, 남들과 다른 답을 찾는 7단계 클루 사고법

좋은 분석가가 되기 위해선 무엇을 해야 할까? 코드를 짜고, 모델을 돌리고, SQL을 다룰 줄 아는 것은 물론 강점이 될 수 있다. 하지만 저자는 이보다 더 중요한 것은 일상에서 끊임없이 데이터로 생각하는 연습을 하는 것이라고 강조한다.
연습은 거창하지 않다. 가령 “비 오는 날 이사하면 부자가 된다”라는 엉뚱한 가설을 떠올렸다고 해보자. ‘이사하는 날’은 전입신고일이나 인터넷 이전 설치일로, ‘부자가 된다’라는 것은 소비 금액이나 해외여행 횟수의 증가 등으로 바꾸어볼 수 있다. 이렇게 막연한 생각을 측정 가능한 데이터로 바꾸고, 어떤 데이터가 필요하고 어디서 구할 수 있을지 궁리하는 것?부터가 데이터 사고의 시작이다.
《클루》는 이러한 사고 과정을 누구나 익힐 수 있도록 7단계로 체계화했다. 먼저 1부에서는 데이터가 현실을 어떻게 담아내는지 이해하며 데이터로 사고하기 위한 기초를 다지고, 2부에서는 흩어진 숫자와 사실에서 의미 있는 이야기를 발견하는 법을 익힌다. 여기까지가 데이터를 바라보는 눈을 바꾸는 과정이라면, 이후부터는 현실의 문제를 직접 해결하는 과정으로 나아간다.
3부에서는 막연한 현실의 문제를 데이터로 측정할 수 있는 문제로 정의하고, 4부에서는 필요한 데이터를 탐색하며 그 안에 숨은 맥락과 실마리를 찾아낸다. 5부에서는 발견한 실마리를 상대방이 쉽게 이해할 수 있는 시나리오로 엮고, 6부에서는 그것을 실제로 읽히고 설득하는 보고서로 구현한다. 마지막 7부에서는 이야기를 전달하는 데서 한 걸음 더 나아가 데이터가 실제 의사 결정과 행동, 현실의 변화로 이어지게 만드는 법을 다룬다. 현실을 데이터로 바꾸는 데서 시작해, 데이터를 이야기로 만들고, 다시 그 이야기로 현실을 바꾸는 연속적 과정인 셈이다.
각 단계에는 저자가 30년간 데이터 비즈니스의 최전선에서 일하며 경험한 실제 사례를 듬뿍 담았다. 이에 더해 필요한 데이터를 직접 찾아볼 수 있는 사이트까지 알차게 소개한다. 《클루》는 데이터가 어렵게만 느껴졌던 사람도 현실의 문제를 데이터로 바꾸고 답을 찾아갈 수 있도록 이끄는, AI 시대 가장 친절한 데이터 사고 안내서다.

“AI 시대의 주도권은 생각을 맡기는 사람이 아니라
생각을 키우는 사람이 쥐게 될 것이다”
시대는 바뀌지만, 문제 해결의 본질은 변하지 않는다!
가장 단순한 해법에서 발견하는 데이터 사고의 본질

데이터로 사고하는 일은 AI 시대에 새롭게 등장한 능력이 아니다. 《클루》는 시간을 거슬러 올라가, 역사의 결정적인 순간마다 사람들이 어떻게 숫자와 기록에서 새로운 답을 발견하고 세상을 바꾸어왔는지 보여준다.
고대 이집트의 나일로미터는 해마다 범람하는 나일강의 수위를 기둥에 새긴 눈금으로 측정하고 기록해 농사의 풍흉을 예측하고 세율을 책정했다. 이로 인해 이집트는 불확실한 미래에 효과적으로 대비할 수 있었다. 19세기 런던에 콜레라가 창궐했을 때 의사 존 스노는 사망자가 발생한 집을 지도 위의 점으로 표시해 우물 주변에 환자가 집중된다는 사실을 발견했고, 펌프의 손잡이를 제거하자 콜레라 확산이 거짓말처럼 멈췄다. 크림전쟁 당시 플로렌스 나이팅게일은 병사들의 사망 원인을 한 장의 그래프로 보여주어 열악한 위생의 심각성을 알리고 군 의료 체계의 개혁을 이끌어냈다.
나일로미터의 눈금, 지도 위에 찍힌 점, 한 장의 그래프. 세상을 바꾼 도구는 놀랄 만큼 단순했다. 복잡한 현실에서 핵심을 찾아 가장 단순한 형태로 문제를 바라보는 것은 시대가 달라져도 변하지 않는 문제 해결의 본질이다.
더욱이 오늘날 우리에게는 이들보다 훨씬 강력한 도구인 AI가 있다. 몇 시간이 걸리던 분석을 몇 초 만에 끝내고, 원하는 그래프와 보고서까지 누구나 손쉽게 만들 수 있다. 도구의 격차가 사라질수록 사람 사이의 차이를 만드는 것은 그 도구로 무엇을 보고 어떤 질문을 던지느냐가 된다. 같은 AI를 사용해도 누군가는 뻔한 답에 머물고, 누군가는 남들이 보지 못한 새로운 가능성을 발견한다.
AI 시대의 주도권은 생각을 맡기는 사람이 아니라 생각을 키우는 사람이 쥐게 될 것이다. 누구나 강력한 도구를 손에 쥘 수 있게 되었다는 것은, 역설적으로 누구나 자신의 생각을 이전보다 더 멀리 확장할 기회를 얻었다는 뜻이기도 하다. 그러므로, 당신도 ‘클루’를 발견하는 사람이 될 수 있다.

그렇다면 정말로 데이터를 다루는 사람의 시대는 끝난 것일까? 나는 그렇게 생각하지 않는다. 오히려 그 반대라고 생각한다. AI가 분석을 잘하면 잘할수록, 역설적으로 더 중요해지는 역량이 있다. 그것은 기술이 아니라 ‘이야기를 만드는 힘’이다. 어떤 문제를 풀어야 하는지 정의하는 힘, 데이터가 말하는 바를 사람의 언어로 번역하는 힘, 분석 결과를 행동으로 연결하는 힘, 이것만큼은 아직 AI가 대신 할 수 없다.
AI는 ‘데이터 기술자’의 역할을 점점 더 잘 수행하게 될 것이다. 그러나 ‘데이터 스토리텔러’는 다르다. 스토리텔러는 데이터를 가지고 개연성 있는 이야기를 만드는 사람이다. ‘왜 이것이 문제인지’ ‘무엇이 핵심인지’ ‘이 숫자가 사람들에게 어떤 의미인지’를 설명하는 사람이다. 그 역할은 AI가 발전할수록 더 희귀해지고, 더 중요해진다. _8쪽, 〈프롤로그: 데이터 기술자가 아니라 데이터 스토리텔러가 돼야 한다〉에서

나는 기술의 정교함보다는 문제를 정의한 방식 때문에 이 사례를 특히 높게 평가한다. 당시 통치자들은 범람으로 피해를 본 백성들이 세금을 내지 못해 도망가는 문제로 골머리를 앓았다. 이 문제를 해결한다고 군인을 동원해 백성이 도망가지 못하게 막거나, 세금을 무조건적으로 면제해줬다면 어떻게 됐을까? 잠깐은 효과를 봤을지 몰라도, 장기적으로는 좋지 않았을 것이다. 그들은 대신 이렇게 물었다. “범람의 규모를 미리 알 수만 있다면, 세금을 합리적으로 조정해서 부과할 수 있지 않을까?” 즉 문제를 데이터로 재정의한 것이다. 이것이 바로 데이터 스토리텔러의 사고방식이다. _22~23쪽, 〈1장. 데이터란 무엇인가〉에서

데이터는 IT 부서의 전유물도, 데이터 과학자들만의 영역도 아니다. 매일 아침 알람을 끄는 순간부터 시작해서 출근길의 경로 선택, 점심 메뉴 결정, 업무 중 판단, 운동 강도 조절, 잠들기 전 오늘 하루에 대한 평가까지, 우리는 온종일 데이터를 생산하고, 소비하고, 분석하며 모든 의사 결정에 활용한다.
차이는 오직 하나, 우리가 이미 매일 사용하고 있는 데이터를 의식하느냐 의식하지 못하느냐에 달렸다. 의식하지 못하는 영역은 절대 개선할 수 없다. 어떤 데이터를 어떻게 활용하고 있는지 인식하는 것만으로도, 우리는 더 나은 판단을 내릴 수 있게 된다. _66~67쪽, 〈4장. 일상은 데이터로 굴러간다〉에서

분석한 내용의 대부분은 보고서에 담기지 않는다. 분석 과정의 대부분을 차지하는 검증과 탐색의 흔적은 혼자 간직해야 한다. 이것을 다 담으려는 충동을 이기지 못하면 보고서는 두꺼워지고 메시지는 사라진다. 모 기업에서 함께 일했던 컨설턴트가 딱 그랬다. 핵심만 짧게 정리하라고 하면, 실제 내용은 건드리지 않고 폰트를 작게 하거나 여백을 좁혀서 쪽수만 줄여왔다. 발견한 데이터들이 아까워서 버리지 못한 것이다. 하지만 역설적이게도, 그 아까운 것들을 과감히 쳐내지 못하면 결국 전달하고 싶은 메시지 자체를 잃어버리게 된다. _102쪽, 〈7장. 문제를 데이터 언어로 번역하는 법〉에서

모 증권사 프로젝트에서 있었던 일이다. 당시 과제는 ‘이탈 고객 예측 모델’을 구축하는 것이었고, 박사 학위를 받은 지 얼마 안 된 분이 담당하게 됐다. 모델을 돌렸더니 정확도가 상상 이상으로 높게 나왔다. 그런데 자세히 들여다보니 문제가 있었다. 정확도를 높이는 데 결정적 역할을 한 변수가 이탈과 동시에 발생하는 고객 행동이었기 때문이다.
이탈을 ‘예측’하려면, 이탈이 일어나기 전에 알 수 있는 변수를 써야 한다. 그러나 그 핵심 변수는 이탈과 같은 시점에 이루어지는 행동이었다. 이미 이탈한 것을 ‘잘 맞힌’ 것이지, 앞으로 이탈할 것을 ‘예측’한 게 아니었다. 정확도가 아무리 높아도, 실제로 이탈 방어 캠페인에는 쓸 수 없는 모델이었다. _150~151쪽, 〈10장. 모델링이란 결국 ‘틀’을 만드는 일이다〉에서

분석 결과를 검토하다 보면 가끔 이상하게 튀는 숫자를 보게 된다. 특정 지역의 이탈률이 전국 평균보다 2배 높다거나, 특정 연령대의 구매 전환율이 갑자기 내려가는 식이다. 그런데 보고서에는 이렇게 눈에 띄는 숫자가 그저 다른 데이터와 마찬가지로 무심히 표기돼 있을 뿐이다.
그럴 때면 이런 말을 하게 된다. “이게 왜 안 궁금했어요?” 왜 그런 숫자가 나왔는지, 데이터 오류인지, 실제 현상인지, 뭔가 다른 원인이 있는지를 파고들지 않았다는 뜻이기 때문이다. 앞서 말했듯, ‘무엇 what’에서 ‘왜 why’로 나아가지 못한 것이다. _189쪽, 〈12장. 좋은 모델은 쉽게 설명할 수 있다〉에서

보고서를 쓰는 순서와 보고서를 읽는 순서는 달라야 한다. 분석가는 데이터를 탐색하고, 가설을 세우고, 검증하고, 결론을 도출하는 순서로 작업한다. 그런데 이 순서대로 보고서를 쓰면 결론이 맨 뒤에 오게 된다. 받는 사람은 긴 여정을 따라간 끝에야 핵심을 만난다.
보고서를 읽는 사람은 그 여정에 관심이 없다. 결론이 무엇인지, 그것이 왜 중요한지, 그래서 무엇을 해야 하는지를 먼저 알고 싶다. 그다음에 납득이 되지 않는 부분은 질문으로 해소하고 싶어 한다. 그러므로 보고서는 결론부터 시작해야 한다. _204쪽, 〈13장. 보고서에서 가장 먼저 해야 할 질문〉에서

데이터 분석의 의미는 ‘재미’에서 출발해 ‘기여’를 거쳐 ‘감동’으로 진화한다. ‘재미’는 새로운 시각을 열어주는 것이고, 다음 단계인 ‘기여’는 그 시각이 행동으로 이어지는 것이며, ‘감동’은 행동을 넘어 문제를 보는 방식 자체를 바꿔놓는 것이다. 세 가지 가치 중 단 하나라도 담고 있다면 분석은 성공적이다. 세 가지 중 어디에도 해당하지 않는 경우가 문제다. 그 무엇도 건드리지 못한 채 조용히 잊히는 무익한 데이터를 경계해야 한다. _210쪽, 〈14장. 다시, 재미·기여·감동 중 무엇인가〉에서

작은 성과를 이자라고 생각해보자. 분석 프로젝트에는 많은 사람의 시간과 노력이 투자된다. 분석가, 데이터 엔지니어, 현업 담당자, 의사 결정자까지. 이 투자에 대한 첫 번째 이자가 지급돼야 두 번째 프로젝트가 가능해진다. 이자를 주지 않으면서 원금만 계속 투자하라고 하면 아무도 다시 투자하지 않을 것이다.
작은 성과를 찾는 일이 결과를 겉만 그럴듯하게 포장한다는 의미는 아니다. “전체 캠페인 전환율은 목표에 못 미쳤지만, 특정 연령대에서 반응이 유독 좋았다.” “모델 성능은 평범했지만, 데이터 수집 구조를 처음으로 제대로 설계했다.” “분석 결과가 현업 담당자의 직관과 달라서 논쟁이 생겼지만, 그 논쟁이 오래된 가정을 다시 검토하는 계기가 됐다.” 이런 것이 모두 이자다. _253쪽, 〈17장. 오답 노트가 조직을 성장시킨다〉에서

데이터를 직접 다루는 사람도, 분석 결과를 받아서 의사 결정에 활용하는 사람도 데이터 스토리텔러가 될 수 있다. 데이터를 마케팅에 연결하는 사람, 전략에 연결하는 사람, 현장 운영에 연결하는 사람 모두 데이터 스토리텔러가 될 수 있다. 데이터 스토리텔러의 핵심 자질은 기술이 아니라 태도와 습관에 있다.
이 책을 읽은 분들이 일상에서 가설을 세우고, 숫자에서 이야기를 읽어내고, 분석 결과를 현장과 연결하는 연습을 계속하기를 바란다. 분석이 완벽하지 않아도 된다. 어제보다 조금 더 근거 있는 질문을 하는 사람이 되는 것, 그것만으로 이미 충분한 자질을 갖췄다. _265쪽, 〈에필로그: 데이터 스토리텔러로 산다는 것〉에서