데이터 기반 기업문화를 구축하기 위한 팁 세가지

오춘호 선임기자

입력2021.05.05 23:48 수정2021.05.05 23:48

데이터 혁신을 수용할 수있는 기업문화 필요
전문가 조직이 직원 역량 강화에 중요 파트너

글로벌조사기업 뉴어드밴티지파트너가 85명의 경영진을 대상으로 실시한 설문조사에서 응답자의 92%가 데이터 기반 기업이 되기 위한 주요 과제로 기업 문화를 꼽았습니다. 오직 8%만이 기술적 한계를 장벽으로 인식했습니다. 기업이 데이터 문화를 수용할 수 있는 풍토가 돼야 한다는 의미일 것입니다. 데이터관리 및 활용에 전문가들만이 아니라 일반 직원들도 참여할 수 있는 '데이터 민주화'라는 용어도 차츰 업계에서 중요한 요소로 떠오르고 있습니다. 데이터 민주화를 일궈내기 위해서는 더욱 많은 장벽이 있습니다. 조직의 모든 구성원이 데이터 분석과 활용에 쉽게 접근할 수 있어야 하며 개개인의 통찰력을 활용한 비즈니스 관리를 할 수 있어야 합니다. 포브스는 성공적인 데이터 기반 문화를 구축하기 위해 필요한 세 가지를 소개했습니다. 이를 정리했습니다.

① 조직문화 구성 요소를 잘 파악하라

모든 기업들은 나름 고유한 방법으로 데이터 기반 문화를 구축하려 합니다. 데이터 중심 기업문화를 지속할 수 있기 위해선 보편적인 경영 전략도 필요합니다. 무엇보다 기업에서 데이터와 관련한 용어와 개념들에 대해 직원들의 공통된 인식이 중요합니다. 영업팀이 자체 데이터 분석을 직접 실행하고 관찰된 결과를 토대로 고객과 어떻게 대화할 수 있는지 IT팀과 논의할 때에도 자연스러워야 합니다.

솔루션과 프로세스를 이해하고 활용하기 쉽도록 만드는 일도 중요합니다. 이해하기 쉬운 대시보드 및 기타 도구를 사용하면 직원들이 데이터 기반의 업무 흐름을 쉽게 파악하고 개선할 수 있는 방법도 생각해 낼 수 있습니다. 데이터문화를 구축하기 위해 외부인을 채용하는 대신 직원 개개인에게 역할을 맡기는 것도 한 방법입니다. 마케팅, 회계, 영업 및 기타 비기술적인 비즈니스 부서에서 새로운 기술을 교육하는 것이 필요합니다. 데이터가 자신과 부서에 어떻게 도움이 될지 이해할 가능성이 더 높기 때문입니다.

직원들에 대한 동기 부여도 명확해야 합니다. 변화를 위한 현실적 목표를 분명히 설정해야 하고 목표가 달성된 이후 보상 체계가 어떻게 작동하는지에 대해서도 직원들이 인식해야 데이터 문화를 제대로 구축할 수 있습니다.

② 전문가 조직 구축하라

모든 직원들이 데이터 분석 전문가가 되는 것도 중요하지만 당장은 조직문화를 혁신할 수 있는 전문가 조직(CoE·Center of Excellence)이 더욱 필요할 수 있습니다. CoE는 기업가 정신과 기술의 전문성, 비즈니스의 가치사슬 등을 잘 파악하는 전문가들이 결합된 조직입니다. 전문가 조직에서 직원 개개인에게 데이터 관리와 활용에 대한 임무를 맡길 수도 있습니다. 이들은 직원들의 오류와 잘못된 구성을 미연에 방지하고 직원들의 도구와 플랫폼을 관리할 수 있습니다. 전문가 조직에서 적절한 교육과 인증을 이수한 직원을 칭찬하는 것도 기업문화의 역량 강화를 위해 필요합니다.

③ 올바른 솔루션을 선택하라

각 기업들은 고유의 특성을 가지기 때문에 솔루션도 고유해야 합니다. 각자의 솔루션 구축에는 많은 투자가 들어가야 합니다. 기업 재무팀이 개입할 수 밖에 없습니다. 투자를 줄이려면 이미 사용중인 솔루션을 제대로 파악해 각 팀에서 성공한 것이 다른 팀에도 적용되는지 알아야 합니다. 테크 기업들은 자체 개발 솔루션을 적용하는 것도 한 방법이 됩니다. 솔루션 구축에서 다른 부서와 협업이 더욱 중요합니다. 경영진은 부서 장벽을 없애고 서로 소통할 수 있도록 최선을 다해야 합니다. 경영진은 데이터 활용의 리더일뿐 아니라 각 부서의 성장을 주도하는 파트너가 돼야 합니다.

오춘호 연구위원

관련 뉴스

1

AI로 추락했던 보잉, AI로 다시 난다

지난 2월 미국 보잉사와 호주 공군은 공동 개발한 무인전투기 로열 윙맨의 활주로 고속 주행 시험에 성공했습니다. 로열 윙맨은 조종사가 직접 통제하지 않는 인공지능(AI) 무인전투기입니다. 항속거리가 3700km나 되는 전투기입니다. 물론 보잉은 이 AI 전투기를 더욱 더 확장해 AI 민간 항공기로도 개발할 계획입니다. 이른바 자율비행 시대의 개막입니다. 보잉의 미래는 결국 AI에 의한 자동화에 달려있다고 본 것입니다. 자율 항공기에 앞선 자율전투기 비행 성공 보잉이 AI에 관심을 기울인 건 어제오늘의 일이 아니었습니다. 보잉은 이미 1990년대부터 자동항법장치를 운영해왔습니다. 일종의 인공지능 소프트웨어라고 할 수 있습니다. 하지만 보잉은 지난 2018~2019년 신형항공기 737 맥스(MAX)8의 연이은 추락을 겪었습니다. 첫 번째 사고는 2018년 10월 인도네시아의 라이언 에어에서 발생했으며 이로 인해 탑승객 189명 전원이 사망했습니다. 첫 번째 사고 후 130여 일 만인 2019년 3월 10일 에티오피아에서 두 번째 추락 사고가 일어났습니다. 두 번째 사고 역시 탑승객 157명이 모두 목숨을 잃었습니다. 이 사고의 원인으로 지목된 게 737 맥스에 새롭게 탑재된 MCAS(Maneuvering Characteristics Augmentation System)의 오작동이었습니다. MCAS는 기체 엔진을 보완해 기체의 안전성을 유지하도록 하는 소프트웨어였습니다. AI의 하나였습니다. 이 사고가 일어나면서 미국 언론계는 들끓었습니다. AI의 실패를 대대적으로 보도하고 AI의 안전과 보안에 문제가 있다고 지적했습니다. 주가도 급락했습니다. 보잉도 잘못을 인정하고 소프트웨어를 곧바로 보완했으며 AI 개발을 중단하기도 했습니다. 그러나 2년이 지난 뒤 지난해 11월 미연방항공청(FAA)은 737맥스의 안전성이 확보됐다고 판단해 운항과 판매 개시를 허가했습니다. 이미 항공회사인 사우스웨스트 등에선 737맥스를 이용한 항공기의 운항을 시작했습니다. 보잉이 다시 AI에 매진하고 있습니다. 사고났을 때 정리하려던 AI 연구팀들도 다시 가동하고 있습니다. 보잉이 자랑하는 건 매일 쌓이는 엄청난 데이터입니다. 현재 개발되는 항공기들은 비행기 머리에서 꼬리까지 비행기 상태를 추적하는 센서와 회로가 있습니다. 이를 통해 수억 개의 데이터가 처리되면서 비행기의 이상 징후를 포착하고 있습니다. 더불어 항공기가 언제 보수 유지가 필요한지도 모니터링합니다. 이런 역량 축적을 통해 이전에 추진하던 무인 항공기에 다시 힘을 쏟고 있습니다. 보잉이 생각하는 무인기는 무인 여객기보다 무인 화물기입니다. 무인 여객기가 보편화되는 것보다 무인 화물기가 더욱 주목받을 것이라는 전망이 우세하다는 판단에서입니다. 보잉은 화물기 시장이 향후 20년 동안 60%이상 성장할 것으로 예상합니다. 2039년까지 2430대의 화물기가 새로 선보일 것으로 전망했습니다. 그중 930대가 대형비행기이고 제트기가 1500대 정도 될 것으로 보입니다. 무인 화물기에 관심… 도심형 자율비행기도 개발이들 화물기를 조종하려면 충분한 조종사 인력이 필요합니다. 공항도 많이 세워야 하고 공항 인력도 많이 필요합니다. 하지만 조종사 인력이 충분한 건 아닙니다. 무인 화물기가 활용될 수 있는 이유입니다. 보잉은 이미 최대 500파운드(226.80kg)를 운송하도록 설계된 무인 전기 화물기 운항을 테스트했습니다. 장기적으로는 무인 화물기 전용 공항도 마련할 예정입니다. 이곳에는 무인관제탑으로 비행기들이 오갈 수 있을 것입니다. 이미 X 윙 등 스타트업들이 자율항공 화물기를 운영하기도 합니다. 도시에서 날 수 있는 수직이륙용 무인비행기도 보잉의 새로운 영역입니다. 보잉이 인수한 오로라플라이트사이언스는 우버와 협력해 플라잉 택시 노선망 구축을 추진하기도 했습니다. 조종사가 비행 중에 사고를 일으키면 가장 가까운 공항과 지형 날씨 및 항공 교통 관제 기능이 있는 무선 통신을 고려해 안전한 착륙을 위해 항공기를 자동으로 가져오는 패닉 버튼을 누를 수 있는 오토랜딩 시스템도 마련했습니다.이처럼 AI와 함께 자동항공 시대가 바짝 앞에 다가왔습니다. 21세기의 항공산업은 새로운 패러다임으로 짜일 것 같습니다.오춘호 연구위원
2

힌튼, 직관갖는 AI 탐색하다

인공지능(AI)과 딥러닝의 대부 제프리 힌튼 캐나다 토론토대 교수가 최근 공개한 새 논문(http://arxiv.org/abs/2102.12627)을 두고 관련 학계가 흥분에 휩싸였습니다. 그는 이 논문에서 인간의 뇌 신경과 시냅스와 관련있는 수리적 컴퓨팅시스템을 제안합니다. 인간이 갖는 직관으로 작동하는 컴퓨터 신경망을 설계하는 것입니다. 힌튼 교수가 딥러닝 이론을 소개한 지 10년 만에 발표한 논문입니다. 추후 연구에 따라 딥러닝의 확장판이 될지 아니면 새로운 AI 연구 장르가 열릴지는 알 수 없습니다. 힌튼 교수가 초점을 맞추고 있는 분야는 인간의 직관을 컴퓨터로 모델링하는 작업이라고 합니다. 미국 기술저널 테크놀로지리뷰도 이 분야를 집중 조명하고 있습니다. 직관(Intuition)은 인간의 인지 활동만큼 핵심적이고 민감한 부분입니다. 그는 인간이 직관을 통해 별다른 노력 없이 사물과 대상을 유추할 수 있다고 했습니다. 인간만이 갖는 가장 큰 능력입니다. 유추는 물론 비슷한 것에 기반을 두고 다른 대상과 사물의 속성과 기능 등을 추측하는 일입니다. 인간은 어릴 때부터 유추적 추론(analogical reasoning)을 사용해 대상과 사물의 개념과 속성에 대한 비슷한 점과 다른 점을 찾아 세상을 이해한다고 합니다. 이런 유추적 추론을 할 수 있는 힘이 바로 직관입니다. 힌튼 스스로도 자신이 직관을 활용해 일한다고 했습니다. 글롬, 벡터 활용해 사물의 전체와 부분 인식이 직관을 컴퓨터로 모델링한다는 건 대단히 힘든 작업입니다. 힌튼 교수는 직관을 얻는 데 쓰이는 뇌 활동을 벡터의 작업에 비유합니다. 벡터는 정보를 코드화한 숫자들의 조합입니다. 3차원 벡터는 XYZ 좌표로 설명됩니다. 신경망에서 수천 차원의 벡터는 이미지나 단어들로 표현됩니다. 힌튼은 우리의 두뇌는 신경 활동의 큰 벡터라고 말합니다. 큰 벡터는 작은 벡터들과 계층적 관계를 맺게 됩니다. 그는 신경망이 어떻게 직관적인 유추적 추론을 하는지 설명합니다. 예를 들어 코의 일부만 보면서도 사람의 얼굴을 알아맞힐 수 있다는 것입니다. 그는 AI가 이런 직관의 기본이 되는 수천 차원의 벡터를 습득하는 일이 필요하다고 역설합니다. AI가 인간의 신경망과 마찬가지로 시각 정보를 처리하고 표현하는 직관을 배우는 것입니다. 힌튼 교수는 직관을 갖는 AI가 되기 위해 이처럼 인간의 두뇌를 복제하는 기법을 글롬(GLOM)이라고 명명했습니다. 글롬은 벡터를 활용해 사물의 부분과 전체의 관계를 인식하는 모델입니다. 컴퓨터 시스템이 결코 경험하지 못했던 일을 이해하는, 인간과 같은 사고를 할 수 있도록 하는 것입니다. 이 점이 딥러닝과 차별되는 것입니다. 당분간 완성 가능성 희박 힌튼은 당분간 글롬이 베이퍼 웨어(개발 중부터 요란하게 선전하지만, 실제로는 완성될 가능성이 없는 소프트웨어)가 될 것이라고 말합니다. 하지만 그는 이 글롬이 최후의 AI 모델이 될 것으로 봅니다. 2012년 힌튼은 딥러닝을 통해 명성과 부를 얻었습니다. 두 명의 학생과 함께 그는 대규모 이미지 데이터센터에서 물체를 인식하도록 훈련된 다층 신경망을 구현했습니다. 딥러닝은 컴퓨터비전과 함께 최근의 AI 혁명을 이끌었습니다. 힌튼은 딥러닝이 인간지능을 완전히 복제하는데 필요한 모든 것이어야 한다고 믿습니다. 글롬이 개발돼 실제로 작동한다면 현재의 딥러닝보다 훨씬 더 인간적인 방식으로 인식하는 AI가 될 것 같습니다.오춘호 연구위원
3

데이터는 기업의 만병통치약 아니다

기업들이 최근 관심을 가장 많이 쏟는 분야는 데이터 축적과 활용입니다. 많은 기업이 순발력을 키우고 생산성을 높이기 위해 데이터 확보와 활용에 적극적입니다. 해외 조사에 따르면 데이터 기업의 4분의 3 이상이 데이터를 다루는 교육에 계속 투자하고 있습니다. 하지만 데이터를 다루면서 마치 데이터가 만능인 듯한 오류에 빠질 수 있습니다. 데이터 전문가인 알렉산더 이겔스복은 온라인 마케팅저널 마케팅테크뉴스에 기업들이 흔히 저지르는 데이터 활용의 오류 6가지를 공개했습니다. 이를 소개합니다. 오류① 데이터 기술은 기업을 하루 밤사이에 성공으로 이끌 것이다=기업은 기존 데이터 활용 도구를 효과적으로 쓰는 것보다 최신 도구를 선호하는 경향이 있습니다. 하지만 기술보다 더 중요한 것은 조직 문화입니다. 기업에서 데이터를 받아들일 지식과 토양이 마련되지 않으면 혁신은 더욱더 어려울 수 있습니다. 데이터 기업으로의 전환은 현재 시스템에서 출발해야 합니다. 단순히 최신 기술 투자가 하루 밤사이에 통찰력을 심어주는 마법의 총알은 절대 아닙니다. 오류② 대시보드(현황판)는 원스톱 솔루션이다=대시보드는 사용자 친화형식으로 데이터를 신속하게 시각화하는 데 유용합니다. 하지만 대시보드의 가치를 극대화하는 건 의사 결정 과정에 데이터가 어떻게 쓰이느냐의 여부입니다. 데이터 전환 초기에 기업은 대시보드를 통해 쉽게 데이터를 이해할 수 있습니다. 하지만 대시보드는 결코 정지상태의 도구가 아닙니다. 대시보드는 조직 발전에 따라 그 쓰임새가 계속 달라집니다. 데이터 성숙도에 들어선 기업들은 미래 지향적인 통찰력을 얻는 데 대시보드를 활용할 수 있습니다. 데이터는 큰 조직만을 위한 것 아니다 오류③ 데이터가 많을수록 정확도가 높아진다=데이터에 대한 마케터들의 열정이 클수록 기업들은 이미 보유한 데이터의 흐름 구조를 최적화하지 않고 점점 더 많은 데이터 흐름 구조를 만들려는 결과를 낳았습니다. 사실 모든 데이터가 좋은 데이터는 아닙니다. 기업은 통찰력을 얻기 위해 데이터에 의존하기 전에 데이터가 목적에 적합하고 정리돼 있는지 살펴야 합니다. 기업 효율성을 높이는 일은 기업이 데이터를 수집하는 양이 아니라 어떻게 활용하느냐에 달려 있습니다. 오류④ 기업은 의사결정을 위한 마케팅 데이터만 있으면 된다= 마케팅에서 수집된 데이터는 기업이 더욱 전략적인 결정을 내리는데 필요한 데이터라는 게 일반적인 생각입니다. 기업 의사결정 과정에서 대량의 데이터가 필요하지도 않지만 그렇다고 마케팅 데이터에 의존하는 건 무리가 따릅니다. 각 부서에서 쓰이는 데이터 활용도 중요합니다. 모든 팀이 데이터를 효율적으로 사용하고 공유하는 게 선결 과제입니다. 오류⑤ 데이터 과학은 대규모 조직을 위한 것이다= 데이터 활용에 비용이 많이 들어가는 현실이 데이터는 기성 기업만 사용할 수 있다는 그릇된 믿음으로 이어졌습니다. 소규모 조직도 적임자가 있으면 데이터로 얻는 통찰력의 이점을 충분히 활용할 수 있습니다. 오류⑥ 데이터 중심 의사결정은 훌륭한 마케팅에 충분하다=기업은 데이터 중심 의사결정을 지속적인 노력이 아닌 고정된 목표로 볼 수 있습니다. 정확한 데이터가 더 강력한 의사결정을 가능하게 하고 마케팅 전략을 즉시 개선할 수 있는 것은 사실이지만, 많은 기업이 이를 최종 목표로 잘못 알고 있습니다. 신속하게 대응할 수 있으려면 기업은 항상 새로운 방법과 애플리케이션을 탐색해 통찰력을 확보해야 합니다. 데이터가 중요한 게 아니라 인사이트를 기르는 게 궁극적인 목표입니다. 오춘호 연구위원