김진철의 How-to-Big Data | 빅데이터 조직과 시스템 (7)

데이터과학자 양성을 위한 경영 프로젝트 운영의 단계적 방법
앞에서 필자가 소개한 빅데이터 소비를 위한 플랫폼을 활용하여 데이터 기반 업무 문화를 사내에 확산시키는 아이디어는 사내에 빅데이터 기반 문제 해결과 업무 처리의 마인드와 문화를 확산시키는 데에는 확실히 도움이 되지만, 사내의 구성원들을 데이터 과학자로 양성할 수 있는, 빅데이터 기반 문제 해결 능력을 갖춘 인재 양성의 보다 근본적인 문제를 해결해주지는 못한다.

필자가 사내 구성원들을 데이터 과학자로 양성하는 생각에 다소 부정적으로 얘기하기는 했지만, 전혀 불가능하다고 생각하는 것은 아니다. 다만, 필자가 리더분들께 권하는 것은 사내 구성원들을 모두 데이터 과학 마인드를 가진 구성원들로 탈바꿈시키기 위해 시도한다거나, 3년 이내에 사내 데이터 과학자 OOO명 양성과 같은 현실적이지 않은 목표를 위해 기업이 자원과 시간을 낭비하는 일이 없어야 한다는 것이다.

데이터 과학자로서 전문성과 소양이 쌓이고 무르익기 위해서는 어느 정도 시간과 경험이 필요하다는 것을 인정하고, 현실적인 계획과 실천 방안을 통해 데이터 과학 기반의 의사 결정 역량을 조직 내에 갖추어 가는 것이 무엇보다 중요하다. 이런 관점에서 데이터 과학자로서 경력을 전환하거나 키워가기를 원하는 사내의 우수 인재들을 데이터 과학자로 양성할 수 있는 보다 현실적인 대안을 제안해보고자 한다.

우선, 데이터 과학자로 성공적으로 경력 전환할 가능성이 큰 구성원들을 선별하는 것이다. 데이터 과학자로서 일하는 데 필요한 역량과 마인드셋에 대해서는 이전 스물네번째 글[8]과 스물여섯번째 글[9]에서 자세히 다루었으니 참고하길 바란다. 이렇게 데이터 과학자로서 갖추어야 하는 역량과 마인드셋은 사내 구성원이라고 하더라도 크게 다를 수 없다. 우선 데이터 과학자로서 경력 전환이 가능한 전공 분야 및 실무 경험, 그리고 마인드를 어느 정도 갖춘 구성원인지 과거 업무 이력과 내용을 보고 선별하는 과정이 있어야 할 것이다.

이런 측면에서 아무래도 자연과학이나 공학을 전공한 구성원이 데이터 과학자로 경력 전환이 상대적으로 용이할 것이다. 적어도 자연과학이나 공학 분야의 석사 학위 이상의 학위를 가지고 있으면서 독자적인 연구를 수행하여 그 결과를 발표한 경험이 있는 구성원이 경력 전환이 상대적으로 수월할 것이다.

이렇게 데이터 과학자로 경력 전환 가능성이 큰 구성원들을 선발한 다음에는 이들에게 데이터 과학자로서 필요한 역량을 성장시켜주어야 할 것이다. 가장 먼저 해야 할 일은 데이터 과학자로서 갖추어야 할 전문 지식을 어느 정도 갖추게 하는 것이다.

데이터 과학자로서 갖추어야 할 전문 지식의 양과 범위가 넓기 때문에 역시 조직의 리더들은 조급하게 생각하지 말고 이들 구성원이 우선 당면한 문제를 해결하는데 필요한 지식을 먼저 배우고 흡수하는데 부족함이 없는 환경을 만들어줄 것을 필자는 권한다. 이런 데이터 과학자로서 역량 성장의 환경으로써 활용할 수 있는 제일 좋은 것은 요즘 유행하는 코세라(Coursera), 유다시티(Udacity) 등의 MOOC나 주문형 온라인 학습 서비스이다. 이들을 통해 구성원 자신들이 배우고 싶고 당장 필요한 수업들을 수강할 수 있도록 시간과 비용을 지원해주는 것이 가장 좋은 방법이라고 생각한다.

특히 코세라(Coursera)와 유다시티(Udacity) 등의 MOOC 서비스의 강의들은 해외 유수의 명문 대학 전문가들의 강의가 많기 때문에 유학 보내 훈련하는 것에 준하는 수준 높은 교육을 구성원들이 받을 수 있게 할 수 있다. 무엇보다도, 구성원들이 유학을 가 기업과 조직의 현안과 동떨어져 이들 전문 지식을 학습하고 배우는 것이 아니라 기업과 조직의 현안을 고민하면서 이들 지식을 배우기 때문에 기업과 조직의 필요에 맞는 맥락을 놓치지 않고 학습할 수 있다. 이런 측면에서 오히려 기업과 조직의 입장에서는 데이터 과학자를 훈련하기에 더 효과적일 수 있다.

이렇게 데이터 과학자 후보인 구성원들이 MOOC나 온라인 학습 서비스에서 전문 지식을 쌓는 것과 동시에, 데이터 기반의 문제 해결 마인드와 역량을 체득할 수 있도록 데이터 과학 프로젝트에 실제로 참여하도록 하는 것이 중요하다. 구성원들의 데이터 과학 역량 성장의 초기에는 이들이 도메인 전문가로서 데이터 과학 프로젝트에 참여해 기여하면서 데이터 과학자들과 자연스럽게 어울리고 데이터 과학 프로젝트를 어떻게 수행하는지, 데이터 과학으로 문제를 푼다는 것이 어떤 것인지 보고 배울 수 있도록 하는 것이다.

데이터 과학자 후보로서 선발된 구성원들이 가능하면 많은 수의 데이터 과학 프로젝트에 도메인 전문가로서 참여하면서 데이터 과학자로서 어떤 전문 지식을 배우고 익혀야 할지, 이들 전문 지식이 실제 데이터 과학 프로젝트에서 어떻게 응용되고 활용되는지, 그리고 데이터 과학이 실제 기업 경영에 어떤 효과와 영향을 미치는지 직접 눈으로 보고 귀로 들으며 확인하고 스스로 동기부여할 수 있도록 한다. 

이렇게 해서 구성원의 데이터 과학자로서 역량이 어느 정도 성장하게 되면 데이터 과학팀 리더의 검토와 승인을 얻어 해당 구성원을 데이터 과학팀으로 발령을 내고 일하도록 하는 것이다. 그다음에는 이전 스물일곱번째 글[2]에서 소개한 것과 같이 데이터 과학자의 경력 성장 경로를 따라 조직 내에서 성장하도록 하면 될 것이다.

글로써 간단하게 내부 구성원을 데이터 과학자로 육성하는 방법을 소개하기는 했지만, 조직의 상황과 구성원 개개인의 배경지식과 역량에 따라 데이터 과학자로 성장하는 과정은 다양한 스펙트럼으로 나타날 것이고, 그 과정도 쉽지 않을 것이다. 기업과 조직의 리더와 데이터 과학자로 성장하길 원하는 구성원 모두 인내심을 가지고 꾸준히 시도하고 노력해야 하는 과정이다.

이렇게 조직의 구성원들을 데이터 과학자로 양성할 수 있도록 코칭하고 가이드를 주는 것도 데이터 과학자의 또 다른 역할이 될 수 있다. 데이터 과학자를 새로 영입할 때 사내 구성원들을 데이터 과학자로 양성하기 위한 코치의 역할도 겸할 수 있는 데이터 과학 멘토로서 품성을 같이 보는 것도 중요하다. 대개 과학자, 공학자로서 경력을 쌓으면서 성장해온 데이터 과학자들은 후속 세대를 위한 코칭과 프로젝트를 통한 도제식 훈련에 경험이 많은 사람들이다. 전문 데이터 과학자의 이런 장점도 잘 활용하는 것이 좋다.

이렇게 기존 구성원들을 좋은 데이터 과학자로 잘 양성하기 위해서라도 과학자로서 품성을 잘 갖춘 역량 있는 데이터 과학자를 기업과 조직에서 잘 영입하는 것이 중요하다. 아무래도 일반 구성원보다는 연봉이 높을 수밖에 없는 데이터 과학자를 영입하는 것을 지나친 부담으로만 생각해서 기존 구성원들에게 데이터 분석 강의 몇 번 듣게 하고 업무 전환시키면 알아서 데이터 과학자 업무를 울며 겨자 먹기 식으로라도 하겠지라고 안이하게 생각하는 경영진이나 IT 의사결정자들은 없기를 바란다. 그렇게 쉽게 데이터 과학자가 만들어질 수 있었다면 현재의 데이터 과학자 부족 현상이 이렇게 오래 지속되지는 않았을 것이다.

이번 글의 마지막으로, 이렇게 내부 구성원을 데이터 과학자로 잘 육성하기 위해서라도 데이터 과학자들이 적절하게 일할 수 있는 업무 환경과 문화를 잘 갖추는 것이 정말 중요하다는 얘기를 다시 한번 강조하고 싶다. 다음번 글에서 좀더 자세히 다루기는 하겠지만, 이렇게 데이터 과학자들을 위한 업무 환경과 문화를 잘 갖추기 위해서는 데이터 과학 조직 리더의 역할이 정말 중요하다. 특히, 우리나라 대부분 기업과 같이 상명하달식 스피드 위주의 기업 문화를 가진 기업이라면, 필자는 데이터 과학 조직의 리더는 반드시 외부에서 영입하기를 권한다. 데이터 과학 조직의 리더의 요건과 데이터 과학 조직의 리더가 해야 하는 것, 하지 말아야 할 것에 대한 구체적인 얘기는 다음 글에서 좀더 자세히 다루고자 한다.

기업의 어떤 업무든 마찬가지겠지만, 데이터 과학 조직도 좋은 리더가 필요하다는 것은 아무리 강조해도 지나치지 않다. 빅데이터를 잘 활용하는 기업들의 상당수가 컴퓨터 과학 및 공학, 수학, 물리학과 같은 이공학을 석, 박사 학위까지 전공한 사람들이거나 그 정도는 아니더라도 이공학에 대해 필요한 지식을 적극적으로 쌓거나 쌓으려고 노력하는 사람들임을 기억할 필요가 있다.

이런 리더들의 대표적인 예로 기업 비즈니스에서 빅데이터 시대를 연 구글의 세르게이 브린과 래리 페이지는 스탠퍼드 컴퓨터 과학 박사 학위를 가지고 있고, 구글 검색 엔진의 핵심 기술이 된 페이지랭크 알고리즘을 창조했던 경력을 가지고 있다. 최근 인공지능 기술의 대표적인 예로 많이 회자되는 콘텐츠 추천 기술로 유명한 넷플릭스가 오늘날과 같은 글로벌 회사로 성장할 수 있었던 배경에는 역시 스탠퍼드 대학 컴퓨터 과학 석사 학위를 가진 리드 헤이스팅스가 있다.

필자가 이런 얘기를 하는 것은 데이터 과학팀을 꾸리고 운영하기 위해 기업과 조직의 CEO가 반드시 이공학 분야 석, 박사 학위를 받아야 한다는 얘기가 아니다. 데이터 과학의 정신과 문화를 조직에 이식하여 그 혜택과 이점을 잘 살리기 위해서는 데이터를 이용한 의사 결정의 배경이 되는 과학적 문제 해결 마인드, 그리고 이런 과학적 문제 해결 마인드를 기업의 업무로 실제로 구현하고 실천해 나가야 할 데이터 과학자들이 어떤 방식으로 일하는지 깊이 이해하고 이를 위한 환경과 의사 결정을 일관되게 해나갈 수 있어야 한다는 것을 강조하는 것이다.

왜 데이터 과학팀을 꾸리려는 기업과 조직의 CEO와 경영진이 이렇게 데이터 과학의 정신과 문화, 데이터 과학자들에 대해서 이해해야 하는지는 데이터 과학자들 상당수가 수학, 물리학, 컴퓨터 과학과 같은 이공학을 전공한 과학자들이기 때문이다. 전 아마존의 수석 데이터 과학자로 잘 알려진 안드레아 와이겐드와 같은 사람은 물리학 박사이다. 물리학적 문제 해결 방식이 이미 몸에 배어 있는 안드레아 와이겐드 같은 사람들이 데이터 과학자로 성공적인 경력을 쌓은 것에 대한 의미를 다시 한번 되새겨볼 필요가 있다.

위와 같이 내부 구성원들을 데이터 과학자로 육성하고 길러내기 위해서라도 좋은 리더급 데이터 과학자를 영입하는 것이 점점 더 중요해지고 있다. 그렇지만, 기존 조직과 조화를 이루면서도 데이터 과학팀의 정체성을 지켜 조직에 가치를 더할 수 있는 과학자로서 올바른 품성과 데이터 과학자로서 탁월한 실력을 바탕으로 데이터 과학자들과 소프트웨어 엔지니어들을 이끌 수 있는 데이터 과학 리더를 찾는 것은 점점 더 어려워지고 있는 것 같다.

특히 앞서 언급한 바 있지만 우리나라의 경우 데이터 과학 소양을 가진 이미 있는 전문가들과 소프트웨어 엔지니어들마저 외국으로 많이 떠나는 추세여서 점점 더 데이터 과학 리더를 찾는 것이 어려워지고 있다. 어떻게 하면 우리나라에서 데이터 과학 리더를 육성할 수 있을지, 데이터 과학 분야의 리더를 꿈꾸고 있는 IT 분야 전문가, 이공학 분야 전문가들이 어떻게 하면 리더급 데이터 과학자로서 자신을 준비하고 단련시킬 수 있을지 다음 글에서 좀더 자세히 다루고자 한다. 데이터 과학팀의 리더로서 조직을 어떻게 이끌고 팀을 빌딩해야 할지도 중요한 원칙을 중심으로 같이 고민해보려고 한다.

내부 구성원들을 데이터 과학자로 양성하기 위해서도 좋은 데이터 과학자들을 영입할 필요가 있다는 사실이 다소 아이러니하게 느껴질지 모르겠다. 디지털 트랜스포메이션 확산과 함께 데이터 과학을 활용한 경영 기법이 기업의 ‘뉴노멀(New Normal)’로 자리 잡아 가는 요즘 상황에서 최대한 빠른 시간에 데이터 과학의 효과를 조직이 보기 위해서라도, 내부 구성원을 데이터 과학자로 양성하기 위해서라도, 좋은 데이터 과학자 영입은 필수가 되고 있다. 데이터 과학자 영입을 최소화하거나 대체하기 위한 수단으로서 내부 구성원 중심의 데이터 과학자 양성을 고려하지 말고, 기업 성장의 장기적인 관점에서 데이터 과학 문화를 빨리 정착시키려는 방법으로서 데이터 과학자 영입과 양성을 고려하는 시각의 전환이 절실하게 필요한 때다.

[참고문헌]
[1] 김진철, “LHC에서 배우는 빅데이터와 machine learning 활용 방안”, 2016년 9월 28일, A CIO Conversation for Technology Leadership – Breakfast Roundtable 발표 자료
[2] 김진철, “김진철의 How-to-Big Data - 빅데이터 조직과 시스템 (6)”, CIO Korea, 2019년 3월 25일. (http://www.ciokorea.com/column/119444) 
[3] 김진철, “김진철의 How-to-Big Data | 빅데이터 수집에 관한 생각 (2)”, CIO Korea, 2017년 4월 20일. (http://www.ciokorea.com/column/33949) 
[4] 김진철, “김진철의 How-to-Big Data | 빅데이터와 인공지능 (1)”, CIO Korea, 2017년 7월 26일. (http://www.ciokorea.com/column/35006) 
[5] 김진철, “김진철의 How-to-Big Data | 빅데이터와 인공지능 (2)”, CIO Korea, 2017년 8월 28일. (http://www.ciokorea.com/column/35336) 
[6] 김진철, “김진철의 How-to-Big Data - 빅데이터 주요 기술의 조건 (5)”, CIO Korea, 2018년 7월 23일. (http://www.ciokorea.com/column/38993) 
[7] 김진철, “김진철의 How-to-Big Data - 빅데이터 주요 기술의 조건 (4)”, CIO Korea, 2018년 6월 27일. (http://www.ciokorea.com/column/38711)
[8] 김진철, “김진철의 How-to-Big Data - 빅데이터 조직과 시스템 (3)”, CIO Korea, 2018년 12월 28일. (http://www.ciokorea.com/column/113913)
[9] 김진철, “김진철의 How-to-Big Data - 빅데이터 조직과 시스템 (5)”, CIO Korea, 2019년 2월 26일. (http://www.ciokorea.com/column/117543)

*김진철 박사는 1997년 한국과학기술원에서 물리학 학사, 1999년 포항공과대학교에서 인공신경망에 대한 연구로 석사 학위를, 2005년 레이저-플라즈마 가속기에 대한 연구로 박사 학위를 받았다. 2005년부터 유럽입자물리학연구소(CERN)의 LHC 데이터 그리드 구축, 개발에 참여, LHC 빅데이터 인프라를 위한 미들웨어 및 데이터 분석 기술을 연구하였다. 이후 한국과학기술정보연구원(KISTI), 포항공과대학교, 삼성SDS를 거쳐 2013년부터 SK텔레콤에서 클라우드 컴퓨팅과 인공지능 기술을 연구하고 있다. 빅데이터와 인공지능 기술의 기업 활용 방안에 대해 최근 다수의 초청 강연 및 컨설팅을 수행하였다. ciokr@idg.co.kr