모딜리아니 연구실 (Lab, Modigliani)

원인과 결과, 즉 원리를 밝혀내려는 고민과 집중의 여부가 실패가 성공의 어머니가 되는 전제조건이다. 실패는 성공의 어머니라는 말은 맞다 하지만 전제를 필요로 한다. 어떤 과정으로 어떤 조건에서 시도되었고, 어느 부분에서 어떤 특징을 보이며 결과가 나왔는지 객관적으로 파악해서 이유를 알아야 다음 시도를 할 수 있고, 그렇게 성공에 점점 가까워진다. 거창한 의사결정 프로세스가 아니더라도 메타인지 즉 치밀하고 정성스럽게 과정을 준비하고 결과를 이해하는 것이 중요하다. 원인과 결과 즉 원리를 밝혀내려는 고민과 집중의 여부가 실패가 성공의 어머니가 되는 전제조건이다. 코닥 이야기 코닥은 디지털 카메라 시장이 점점 커져감에도 불구하고 필름 판매가 줄어드는 이유를 심층적으로 파악하지 않고 단순히 더 많은 마케팅을 하..

계속되는 전략실패로 상황이 더욱 악화되고 있는 중에 요즘 유행하는 데이터를 도입해 봐야겠다고 시작할 때는 최소 1년이라는 전환기간이 야속할 정도로 길게 느껴질 수 있다. 디지털 전환과 마찬가지로 융합 전환(IX)의 목적은 고도화된 의사결정 시스템을 구축해서 리스크를 줄이고 성공확률을 높이는 데 있다. 비즈니스 상황이 괜찮고 더 높고 지속적인 성장을 위해서도 해야 하지만, 더 중요한 것은 전략실패의 리스크를 줄이고 대비하기 위함이다. 위기가 발생하면, 조직이나 개인은 당장 문제를 해결하려는 강한 압박감을 느낀다. 예를 들어, 매출이 급격히 떨어지거나 고객 이탈이 늘어나면, 경영자는 불안해지며 신속한 대응을 통해 상황을 반전시키고자 하는 충동에 사로잡히게 됩니다. 이때 시간이 촉박하다는 생각에 충분한 분석 ..

작업을 하는 분석가는 '나는 되게 복잡하고 난이도가 높은 작업을 하고 있어. 이건 마치 수술하는 것 같이 높은 집중력을 요하는 일이야. 나는 이만큼 전문적인 임무를 수행하고 있어'라는 느낌을 가지고 있더라도, 건너편의 실무자가 보기에는 그저 컴퓨터 앞에 하루종일 앉아있는 한 사람일 뿐이다. 데이터 조직은 시간, 비용, 인력 등 리소스가 많이 들어가는 반면, 작업들을 들여다보면 전문용어와 전문도구들이 즐비하기 때문에 다른 실무자들(비전공자들)이 보고 이해하기 어려운 그런 허들이 존재하는 분야다. 이러한 태생적인 기질 때문에 실무자들이 체감할 수 있는 와우포인트가 나오기 전까지는 주위 사람들이 이 팀이 뭐하는지 모르고, 투입대비 효과에 대해서 의심의 눈으로 바라보는 사람들도 많다. 특히 여태까지 데이터의 효..

빅데이터와 스몰데이터(리서치 결과)는 데이터 자체의 특징도 차이가 있지만, 그에 따라 분석결과에서도 결과물의 성격이 다르다. 빅데이터 빅데이터는 대상의 행태, 즉 액션에 대한 수치여서 대규모 대상이 움직이는 다양한 흐름, 패턴, 특징을 볼 수 있다. 예를 들면 방문횟수가 10% 증가하면 구매횟수가 2%증가한다는 식의 딱 떨어지지만 선명한 정보가 나온다. 선명하기에 실무자들을 설득하기 수월하다. 하지만 나타난 행태에 대한 이유나 맥락은 알 수 없다. 스몰데이터 스몰데이터는 빈도를 측정하긴 하지만 근본적으로 특정행태에 대한 이유나 맥락을 이해하기 위해 측정된 수치들이기 때문에, 최종 결과물은 분석가의 해석을 통해서 그 이유와 맥락이 설명되어야 한다. 분석가의 해석 수준에 따라 결과물의 수준이 확연히 달라진다..

Chat GPT를 활용한 비즈니스 혁신에 관해서 관련사들이나 학계 교수님들과 얘기해 봐도 아직 ROI가 나오는 뚜렷한 활용 사례가 흔치 않다. 매뉴얼 정리, 이미지나 동영상 생성을 통한 리소스 절감 등이 일반적으로 알려져 있는 케이스들이다. 재고예측이나 스팸분류처럼 머신러닝을 통해서 실무자의 역할을 완전히 대체하는 직접적인 전략수행이 아닌, 간접적 전략수행 즉 실무자가 전략방안을 도출하고 시장검증을 거쳐 수행하는 과정을 살펴보면 AI의 활용이 어려운 이유를 조금 이해할 수 있다. 1. 직접적 전략수행 : 최적화와 자동화데이터를 이용한 직접적인 전략수행은 디지털화를 통한 자동화와 머신러닝을 통한 최적화로 이뤄진다. 좁은 의미에서의 디지털 전환이 이 직접적인 전략수행에 해당한다. (간접적인 전략수행modig..

데이터 품질관리는 데이터 분석, 머신러닝 모델링 등 데이터를 기반으로 하는 모든 작업에서 가장 중요한 부분이다. 데이터 기반으로 비즈니스상 중요한 의사결정을 해야 하는 과정에서도 해당 데이터를 기반으로 의사결정이 내려지면 그에 따른 전략기획, 액션플래닝, 수행까지 많은 리소스가 투입되기 때문에 수치가 잘못되면 되돌리기 어려운 상황이 발생하게 된다. 실제 대기업 부사장까지 보고가 된 수치가 잘못된 걸 발견해서 큰 문제가 되는 경우도 일어난다. 데이터 오류가 어떤 게 있을지 생각해 보면 관리요소들을 이해할 수 있다. 우선 데이터가 실제와 다르면 안 된다. A 고객의 구매액이 30만 원인데 3만 원으로 기록되면 안 된다 (정확성 / Accuracy). 그리고 충청남도가 다른 테이블에는 충남으로 입력돼있는 것처..

디지털전환 작업은 실무자나 임원들이 효과를 체감하는데 꽤 많은 시간이 소요된다. 실제로 분석에 필요한 비즈니스 지표들이 90% 이상 데이터로 산출되어 분석에 들어갈 준비가 되어있는 경우가 흔치 않다. 그 지표들을 데이터로 산출하는 과정, 그 과정이 대게 1년 남짓 걸린다. 회사나 데이터 조직의 규모와 상관없이 그 정도 걸린다. 대기업이든 소기업이든 그 기간이 비슷한 이유는 회사의 데이터 조직크기(인원수)가 회사의 규모에 맞게 다소 타이트하게 최적화되어 있기 때문이다. 그래서 비즈니스 정의 - 데이터인프라 구축 - 비즈니스 분석까지의 프로세스를 준비하는데 보통 6개월~1년이 걸린다. 6개월은 매우 빠른 편으로, 조직에서 설문조사나 인터뷰를 통해서 스몰데이터를 수집할 수 있는 경우에 해당한다. 준비하는데 그..

디지털전환을 통해서 비즈니스에서 어떤 부분이 개선 및 발전할 수 있는지 보면 아래와 같이 요약할 수 있다. 디지털전환은 의사결정 프로세스를 개선하는 방법이기에 그 효과는 외부는 물론 내부적으로도 활용될 수 있다. 그 효과가 외부를 향하면 고객들을 만족시킬 제품이나 서비스의 발전, 광고나 마케팅을 통한 고객 커뮤니케이션으로 나타나고, 내부를 향하면 HR, 영업, 물류 등 거의 모든 영역에서의 운영시스템이나 정책 발전을 통한 효율화로 나타난다. 비즈니스 전 부문에 적용된다고 할 수 있다. 생산자 입장에서 이뤄지는 시스템/정책 부분에서는 효율성 개선이 두드러진 목적이라면 고객의 입장으로 갈 수록 제품 및 서비스에 대한 인지, 가치인식, 경험개선 등이 목적이 된다.

성과분석은 의사결정 프로세스 상으로 마지막 단계이다. 데이터 기반으로든 다른 방식으로든 실무자들이 심혈을 기울여 전략을 세웠고 그 방안에 맞춰서 긴 시간 동안 인력과 비용을 투입해서 수행했을 것이다. 이제 그 결과를 확인하고 성공이든 실패든 원인을 파악하고 이유를 찾아볼 차례이다. 성과측정 및 분석이 매우 중요하다는 것을 인지하고 있으면서도 현장에서 생각보다 잘 이뤄지지 않는다. 다음 프로젝트들을 진행하기 바쁜 이유도 있고, 엄격한 성과측정에 대한 지식이 부족한 경우도 있다. 그리고 무엇보다 분석준비가 미리 안 갖춰져 있어서 공수가 많이 들다 보니 집계정도 공유하고 넘어가는 경우가 많다.미리 분석환경을 준비해놓지 않으면 단편적으로만 볼 수밖에 없다 성과측정 및 분석은 여느 데이터 분석과 동일하게 깊고 넓..

내가 볼 땐 파란색이 더 나은 것 같아 10년이 훨씬 지났지만 이 순간은 내 기억속에 선명하게 남아있다. 작은 사무실에서 신제품 색상에 대해 얘기하고 있었고, 대표님의 저 한 마디에 신제품의 색깔은 파란색이 되었다. 그때 '내가 잘은 모르지만 이렇게 의사결정이 되는 건 아닌 것 같다.'라는 생각이 들었다. 그리고 '최소한 뭔가 숫자라도 있으면 이것보다 더 낫지 않을까'라는 생각이 나의 디지털전환 전문가로서 커리어의 시작이었다. '뭔가 숫자라도 있으면' 이라는 말이 쉬워보이지만 의사결정을 할 수 있을 만큼의 힘 있는 정보를 만들려면 꽤나 많은 지식, 기술, 노하우가 필요하다. 그러다 보니 어느새 학위도 영어학, 통계학, 심리학, HCI까지 여러 개를 가지게 됐다. 또한 최종적으로 이를 통해서 의사결정을 내..