낭비이기 십상··· 애널리틱스가 '실제 성과’로 이어지게 하는 방법

CIO
애널리틱스 전략이 실제 효과를 발휘하려면 ‘비즈니스 성과’에 대해 예리하게 집중할 필요가 있다. 여기 소속 조직을 데이터 주도 기업으로 변화시키고자 노력했던 CIO들의 조언을 정리했다. 

애널리틱스(분석)에서 비즈니스 가치를 발굴하는 데 어려움을 겪는 조직들이 많다. 가트너에 따르면, 애널리틱스 인사이트(분석에서 나온 통찰력 있는 정보)가 비즈니스 성과로 구현된는 비율은 2022년에도 20%에 그칠 전망이다. 가트너는 또 AI와 관련해 올해 추진되는 프로젝트 가운데 80%가 “소속 조직과 부합되지 않는 마법사들의 연금술이 될 것”이라고 표현했다.

애널리틱스 프로젝트나 애널리틱스 조직을 출범시킨다고 해서 애널리틱스에서 가치를 도출할 수 있는 것은 아니다. 코로나19 팬데믹 위기가 글로벌 경제를 침체시키면서, 기업들은 비용에 민감해질 전망이다. 애널리틱스와 데이터 사이언스 그룹의 ROI 또한 자세히 분석될 것이라는 의미다.

오하이오 클리블랜드 소재 키뱅크(KeyBank)의 최고 데이터 책임자, 부문 CIO, 엔터프라이즈 아키텍처 책임자인 마이크 온더스는 “애널리틱스와 인사이트 자체에만 몰입해서는 안 된다. 이들이 영향을 끼치도록 하는 것이 중요하다. 영향을 만들지 못하고 있다면 시간을 낭비하고 있는 것이다”라고 강조했다.

비즈니스 성과와 신속하게 애널리틱스를 증명하는 역량에 초점을 맞춰야 한다. 그래야 비즈니스 영향을 끌어내, 이후 대규모로 성과를 일궈낼 수 있다.

엑스페리안(Experian)의 글로벌 애널리틱스 및 AI 담당 총괄 매니저 겸 EVP인 쉬리 산타남은 “실제 달성하려는 특정 비즈니스 성과를 바탕으로 일을 하고자 한다. 머신러닝(ML)과 인공지능(AI)은 최종 목표를 달성하도록 도와주는 엔진이기는 하다. 그러나 실제 우리가 이야기하고, 공유하고, 고객을 견인할 때 활용하는 것은 더 나은 결과들과 성과들이다”라고 말했다.
 
Image Credit : Getty Images Bank


애널리틱스 가치 창출의 장애물
포레스터 리서치의 CIO 부문 수석 애널리스트 겸 VP인 브라이언 홉킨스에 따르면, 애널리틱스에서 ROI를 실현시키는 데 큰 방해가 되는 것들 중 하나는 각종 조직적, 제도적 장애물이다.

그는 “데이터 전략에는 많은 비즈니스 수준의 변화, 비즈니스 프로세스의 변화, IT 외부의 조직 구조 변화가 수반된다. 데이터의 정의와 우선순위에 대해 결정을 내리고, 데이터 프라이버시 정책을 집행할 때, CIO가 통제할 수 없는 부분들이 있다. 이것이 문제가 된다”라고 설명했다.

홉킨스에 따르면, CIO가 데이터에서 가치를 끌어낼 기술 솔루션을 제안하도록 맡겨둔 채 더 큰 그림은 보지 않는 기업들이 많다. 그는 “이러한 기업들은 데이터 전략에 필요한 투자가 단순한 IT 투자를 훨씬 더 뛰어넘을 정도로 크며, 많은 비즈니스 변화와 관련이 있다는 것을 차후에 발견하게 될 가능성이 높다. 프로세스 변화, 애플리케이션 변화, 조직 변화 관리, 인센티브 변화 등이 여기에 포함된다”라고 설명했다.

CIO가 먼저 할 일은 비즈니스 이해관계자와 협력 관계를 구축하는 것이다. 이를 위해서는 먼저 고위 경영진이 이런 협력 관계를 견인할 동기 부여 요소를 만들어야 한다.

홉킨스는 “비즈니스 부문 관리자들이 데이터를 중시하도록, 또 자신의 데이터가 다른 사업 부문에서 잘 소비될 수 있도록 만드는 방법에 신경쓰도록 유도해야 한다. 이는 대부분 CIO들이 즉시 마법을 부리고, 변화를 가져올 수 있는 부분이 아니기 때문이다”라고 설명했다.

그리고 IT리더는 애널리틱스를 기반으로 영향을 창출하기 위해 변화하는 방법을 조명하고, 데이터를 비즈니스 자산으로 바꾸기 원하는 사람들에게 조언을 제공해야 한다.

애널리틱스 관련 성과에 책임지도록 하기
온더스에 따르면, 키뱅크는 LoB(Line of Business) 파트너들이 애널리틱스 팀과 밀접히 협력하고, 이들이 요청한 애널리틱스 프로젝트의 비즈니스 성과에 책임을 지는 방법으로 이 문제를 극복했다.

키뱅크는 프로젝트 별로 비즈니스가 추구하는 성과와 이런 성과를 평가할 매트릭스를 설명한 한 페이지 분량의 ‘선언서’(charter)를 만든다. 이 선언서에는 비즈니스 스폰서(후원자), 제품 책임자, 애널리틱스 책임자, 위험 책임자, 기술 책임자가 나열되어 있다.

온더스는 “한 페이지 분량의 선언서는 ‘조사해야 할 매트릭스는 무엇인가?’라고 묻는다. 이 매트릭스를 열거해야 한다. 애널리틱스가 무언가 변화시킬 때 이에 맞춰 변화시켜야 하는 매트릭스를 파악한다. 해야 할 일, 기한 등 책임을 부여한다. 애널리틱스가 여기에 도움을 줄 방법을 파악한다. 훨씬 더 공격적인 매트릭스와 영향에 기반을 둔 선언서이다. 또한, 비즈니스 리더의 책임을 규정한다”라고 설명했다.

비즈니스 리더들은 2개월마다 보고서를 제출해야 한다. 프로젝트에 계속 투자하는 것을 정당화하기 위해, 애널리틱스가 비즈니스 성과에 어떻게 영향을 줬는지 보여주는 보고서다.

엑스페리안의 데이터 팀도 비즈니스와 밀접히 협력하는 방식으로 데이터 애널리틱스 이니셔티브를 추진하고 있다. 산타남은 “여기에는 정량화된 방법으로 비즈니스 성과를 명확히 규명하는 것이 포함된다”라고 말했다. 단 엑스페리안의 애널리틱스 철학은 조금 더 유연하고 반복적인 접근법을 허용한다.

산타남은 “비즈니스 문제 중에서 확장성이 별로 없는 일부터 시작한다. 제약들이 있는 부분에서 방향을 틀고, 더 빨리 움직이고, 더 빨리 실험을 해서 ‘레버리지’가 있는 부분을 파악할 수 있도록 해주는 방법이다”라고 말했다.

애널리틱스를 성공시키기 위한 역량 향상
비즈니스와 IT가 협력해 애널리틱스를 성공시키려면 문화적인 변화가 필요한다. 비즈니스 부문은 데이터 기반 프로세스와 기술에 정통해져야 하며, 동시에 스킬(인재)에 대한 수요가 공급을 초과하는 분야의 갭을 없애도록 도움을 줘야 한다.


자빌(Jabil)은 비즈니스 부문 직원과 임원들에게 비즈니스 이니셔티브에 영향을 주도록 애널리틱스 변화방법론을 중시하는 회사 중 하나다. 이 제조 관련 서비스를 제공하는 회사는 몇 년 동안 데이터를 더 많이 활용하는 회사가 되기 위해 노력을 집중했다. 데이터 사이언티스트 유치에 어려움을 겪었을 때, 보유한 데이터 마이닝에 도움을 줄 시티즌 데이터 사이언스 프로그램을 만들기도 했다.

자빌의 개리 칸트렐 CIO는 데이터를 더 많이 활용하는 회사가 되려는 노력에 중요했던 2가지가 있다. 비즈니스 문제 극복에 철저히 초점을 맞추고, 임원들의 지원과 후원을 유도하는 노력을 경주한 것이 그것이다.

비즈니스 리더와 고위 경영진을 동참시키는 데 어려움이 따랐지만, 이는 애널리틱스를 성공시키는 데 특히 중요한 요소 중 하나였다. 자빌은 시티즌 데이터 사이언스 프로그램의 일부로 주요 임원들에게 이틀 동안 집중적으로 데이터 사이언스 트레이닝 프로그램을 제공하는 임원급 트레이닝 코호트(cohort)를 만들었다. 

이 프로그램은 임원들이 데이터 기반의 조직으로 변모해야 하는 중요성을 이해하도록 도왔다. 또 열정적인 지원과 후원을 이끌어내, 데이터로 극복할 비즈니스 문제를 찾기 시작하도록 만들었다. 이 프로그램은 각 코호트가 프로그램을 끝낼 때 실시하는 브리핑에 고위 임원들을 참여시키는 방식으로 계속해서 경영진의 지원과 후원을 강화하고 있다.

칸트렐은 “임원과 경영진들이 극복해야 할 문제, 조직을 더 낫게 만들 결과와 성과들을 확인하기 시작하면서 폭넓게 수용이 되기 시작했다. 임원과 경영진이 열정을 갖도록 만들기 위해 3년을 투자했다. 그 결과, 2년 전부터는 ‘좋다. 애널리틱스로 하고 있는 일을 이해했다. 다음은 무엇인가?’라는 말을 듣게 되었다. 시간이 조금 걸렸지만, 마침내 이들이 가치를 보는 비즈니스와 연결시켜 메시지를 전달할 수 있게 되었다”라고 말했다.

데이터 사일로 무너뜨리기
시대에 뒤떨어진 데이터 프랙티스도 데이터를 비즈니스 가치로 전환시키는 역량을 방해할 수 있다. 주된 문제점은 무엇일까? 데이터 사일로(고립)이다.

바이엘 크롭 사이언스는 지난 몇 년간 모든 비즈니스에 머신러닝과 인공지능을 적용하려 노력했다. 중요하게 초점을 맞췄던 분야 중 하나는 정밀 농업(Precision agriculture)이었다. 바이엘 크롭 사이언스 산하 식물 생물공학 부문의 R&D 관련 데이터 전략을 책임지고 있는 미쉘 레이시는 자신의 회사는 사이언티픽 데이터가 발행한 과학적인 데이터 관리 및 책무에 대한 가이드라인인 ‘FAIR’를 바탕으로 데이터 기반 트랜스포메이션을 추진했다고 말했다. 이는 데이터 사일로를 없애도록 도움을 줬다.

FAIR(Findable, Accessible, Interoperable, Reusable)란 일종의 데이터 ‘헌장’이다. 사용자는 데이터를 쉽게 찾을 수 있어야 하고, (사이버 보안 정책을 준수하면서) 의사 결정을 내리는 데 필요한 데이터 액세스할 수 있어야 하고, 데이터는 상호운영 및 재사용 가능해야 한다고 규정하고 있다.

레이시는 “이는 아주 중요하다. 우리 데이터 전략의 토대이다”라고 강조했다.

그에 따르면 특정 그룹이 개발한 데이터가 다른 그룹이 진행하고 있는 일에 도움을 주는 경우가 많다. 데이터를 효율적으로 활용하기 위해서는, 여러 그룹이 데이터의 존재 여부, 이를 찾는 방법을 알고 있어야 하고, 데이터가 호환되어야 한다.

레이시는 “현장 검사이든 실험실의 여러 다양한 실험이든 특정 식물에 여러 검사를 실시하는 경우, 이런 데이터를 통합할 수 있어야 한다. 퍼즐로 생각할 수 있다. 이런 여러 다양한 검사들은 퍼즐 조각이다. 프로젝트 책임자는 이런 퍼즐 조각들을 맞춰야 한다”라고 말했다.

그리고 ‘신뢰’
다른 많은 변화와 마찬가지로, 데이터 기반 조직으로의 변화는 신뢰에 달려있다. 팀원들에 대한 신뢰, 새 프로세스에 대한 신뢰, 데이터에서 도출한 인사이트가 비즈니스에 긍정적인 영향을 가져올 것이라는 점에 대한 신뢰를 의미한다.

엑스페리안은 모든 머신러닝 및 AI 프로젝트에 4가지 토대가 되는 원칙을 적용하고 있다. 퍼포먼스, 스케일링, 도입, 신뢰가 여기에 해당된다.

산타남에 따르면, 과거 금융권이 애널리틱스 모델로 할 수 있는 일을 가로막은 주인공이 바로 신뢰였다. 산타남은 “많은 포지셔닝 모델이 꽤 단순한 로지스틱 회귀 모델이었다. 여기에는 이유가 있다. 더 복잡하고 불투명한 무언가를 만드는 것에 대한 신뢰 여부가 규제를 많이 받는 기업이나 조직이 수용할 수 있는 위험을 넘어서는 위험의 수준을 결정하기 때문이다”라고 설명했다.

그는 이어 “그러나 규제를 많이 받는 산업의 기업들이나 규제의 틀 모두 더 복잡한 알고리즘, 더 복잡한 기법의 가치를 인식하기 시작했다. 이에 설명이 가능한 AI 프레임워크로 이 분야를 책임 있게 단계적으로 발전시키는 방식을 취하고 있다”라고 덧붙였다.

그는 “영향을 만들기 위해서는 위에서 설명한 4가지가 모두 다 필요하다. 목표인 비즈니스 성과를 염두에 두지 않으면 방향을 잃기 쉽다”라고 말했다.
 

ciokr@idg.co.kr