일문일답 | 생명과학 기업 써모피셔사이언티픽, ‘레이어 케이크’로 데이터 가치를 창출하다

생명과학 기업 써모 피셔 사이언티픽(Thermo Fisher Scientific)의 CIO 라이언 스나이더는 400억 달러 규모의 실험실 장비 및 기기 제조업체에서 데이터의 가치를 만들기 위해 '레이어 케이크(layer cake)'라는 개념을 중심으로 플랫폼을 구축했다. 
 

데이터 및 분석 역량은 IT 혹은 비즈니스 전략만으로 구현할 수 없다. 기술 및 비즈니스 조직 모두가 데이터의 종류, 활용 이유 및 방법에 깊이 관여하고 있는 지금, 기업은 이를 최대한 활용하기 위해 교차 기능팀을 만들어야 한다. 

써모 피셔 사이언티픽(Thermo Fisher Scientific)의 CIO인 라이언 스나이더 및 그의 팀은 IT 및 비즈니스 파트너가 하나의 팀으로 활동할 수 있도록 일련의 논의를 바탕으로 데이터 레이어 케이크(data layer cake)를 구축했다. 헬러서치어소시에이츠(Heller Search Associates)의 CEO인 마사 헬러는 최근 스나이더와 함께 관련 주제에 대해 자세히 대화를 나누었다. 

Q. 써모 피셔 사이언티픽에서 구축 중인 데이터 아키텍처 에코시스템의 비즈니스 목표는 무엇인가?
A. 기업들은 오랜 기간 데이터 과학자를 고용해 데이터 업무를 맡기고 놀라운 통찰을 기대했다. 이러한 전략은 실패할 수밖에 없다. 데이터 전략 시작을 위한 최선의 방법은 비즈니스가 뒷받침할 수 있는 실질적 가치 동력을 설정하는 것이다. 써모 피셔 사이언티픽의 경우, 이러한 가치 동인은 3가지 영역으로 나뉜다. 하나는 자체 백오피스(back office)를 간소화하는 것이고 나머지 2가지는 과학적 발견을 발전시키고 임상 결과를 가속화하는 고객의 비즈니스에 적용된다. 

Q. 각 버킷에 포함된 데이터 솔루션의 예에는 어떤 것들이 있나? 
A. 백오피스에서 가장 흥미로운 영역은 제조 부문이다. 다른 많은 산업과는 달리 생명과학 부문의 제조는 맞춤형 반복 불가능(non-repeatable) 활동을 다수 포함하므로 제품이 제조되는 방식에 엄청난 변동성이 발생할 수 있다. 그간 린 식스 시그마(Lean Six Sigma) 및 워크플로우 최적화를 통해 생산성을 높여왔다. 그러나 일명 4차 산업혁명이 찾아오고 이후 제조 공정 전반에 걸쳐 센서를 설치했다. 이를 통해 이러한 공정 재고를 위해 리더가 사용하는 방대한 양의 데이터를 제공받고 있다. 

과학적 발견 및 임상 결과 측면에서 현재 판매 중인 많은 기기들이 디지털화되고 있다. 예를 들어, 현미경 검사(Microscopy) 및 유전자 염기서열 분석(gene sequencing)은 상당히 방대한 데이터를 생성하며, 고객은 이를 분석하고자 한다. 이를 연결 및 단순화할 수 있는 플랫폼을 더 많이 생성할수록 고객은 중요한 데이터에 더욱 쉽게 접근할 수 있다. 특히 여러 기기의 데이터셋을 가지고 있을 경우 더욱 그렇다. 이 모든 데이터를 어떻게 통합할 수 있을까? 이는 원래 고객의 부담이었다. 그러나 우리는 벤더로서 이러한 각기 다른 데이터셋의 연결을 통해 디스커버리(discovery)를 가속화할 수 있다. 

Q. 데이터 플랫폼을 레이어 케이크라고 설명했다. 여기서 레이어란 무엇인가?
A. IT에서는 기술 스택의 계층(layer)대해 종종 이야기한다. 레이어 케이크 은유는 데이터 논의를 IT 논의에서 비즈니스 전략 및 기술의 교차점으로 전환한다.  따라서 이는 디스커버리 고도화와 같은 비즈니스 개념에서 시각화 도구와 같은 기술 솔루션에 이르기까지 계층을 어떻게 생성하느냐에 관한 것이다. 

첫 번째 계층은 비즈니스 개념 계층(business concept layer)으로, 데이터가 비즈니스 가치를 창출하는 부분을 논의하기 위해 의도적으로 비즈니스 파트너와의 세션을 조직하는 곳이다. 이는 HR 조직이 비즈니스 전략을 뒷받침하기 위해 인재 전략을 개발하는 방법과 유사하다. 따라서 이러한 아이디어의 맵핑은 첫 번째 계층에 필수적이다. 

두 번째 계층은 소모성 계층(consumable layer)으로, 내부 및 외부 고객이 데이터를 액세스 및 사용할 수 있는 곳이다. 예를 들어, 이 계층에서 시각화 도구를 선택한다. 세 번째 가장 복잡한 계층은 아키텍처 및 거버넌스이며, 이를 하나의 계층으로 연결했다. 

처음 두 계층의 경우, 비즈니스가 주도하고 IT는 보조 역할을 했다. 그러나 데이터 거버넌스 및 아키텍처 계층의 경우, IT 및 비즈니스는 거버넌스 및 아키텍처에 대한 복잡한 의사 결정을 함께 수행한다. 

마지막 계층은 원시 데이터(raw data)로, 소스 시스템에서 데이터를 추출, 정리 및 보안하고 어떤 데이터 레이크를 사용할 것인가를 파악하는 곳이다. 이는 일반적으로 비즈니스 논의가 아닌 대부분 IT 논의다. 따라서 레이어 케이크 모델의 경우, IT 및 비즈니스 파트너 간에 일련의 계단식 논의가 이루어지며 비즈니스는 최상위 수준에서, IT는 최하위 수준에서 주도한다. 

Q. 계층의 작동 방식을 보여주는 데이터 문제의 예로는 어떤 게 있나?
A. 주로 자체 재무 시스템이 있는 인수를 통해 성장한 비즈니스에서 과도하게 복잡해질 수 있는 회사 전반에 걸쳐 수익 보고를 간소화하고자 하는 목표를 예로 들어보자. 비즈니스 개념 계층에서 재무 리더십은 IT 및 엔지니어링 리더십과 함께 엔터프라이즈 셀프 서비스 수익 보고 생성을 위해 필요한 프로세스 변경에 대해 논의한다. 소모성 계층에서는 사람들이 수익성 데이터를 어떻게 소비할 것인가를 결정한다. 하나의 포털이 목표일지 아니면 임상 측면의 수익 및 제품 비즈니스를 위한 포털이 각각 있어야 할지를 결정한다. 이 레벨에서는 데이터를 소비하는 일반 관리자가 참여하고 IT 담당자 몇 명이 솔루션을 확장한다. 계층을 이동하며 조직도를 아래로 클릭한다. 

Q. 아키텍처 및 거버넌스 계층에서는 어떤 상황이 발생할까?
A. 처음 두 계층에서는 비즈니스 컨텍스트(business context) 측면에서 데이터 솔루션을 프레이밍한다. 이 경우, 비즈니스가 이러한 논의를 주도하나 IT가 여전히 관여한다. 그러나 거버넌스 및 아키텍처 레벨에서는 IT팀이 대화를 주도해 소모성 계층 관리를 가능케하는 데이터 표준 및 규칙을 결정한다. '데이터가 하나 혹은 다수의 클라우드에 저장되어 있는가?', '각 비즈니스에 동일한 시각화 도구를 사용하고자 하는가?', '누가 데이터에 액세스할 수 있는가?' 같은 질문이 오가는 것이다. 그런 다음 원시 계층에서 IT팀은 엔지니어링, 저장, 보안 및 기타 도구 관련 결정을 내린다. 

Q. 데이터 아키텍처 및 거버넌스를 하나의 계층으로 통합할 경우 어떤 이점이 있나?
신속한 속도 및 재작업 방지라는 이점이 있다. 데이터 역량에 대한 초기 평가를 진행했을 때 각각 소규모 데이터를 갖춘 다수의 작은 팀들이 있고, 모두가 각각의 관점에 따라 데이터에 대한 결정을 내리고 있으나 아무도 이러한 소규모 데이터베이스 전반을 파악하고 있지는 않음을 인지하게 됐다. IT 및 비즈니스 리더가 모두 전반적으로 이러한 환경을 파악할 수 있도록 결집시키는 계층이 필요했다. 더 나은 방법 모색을 위해서는 양측 모두의 투자가 필요하다. 

Q. 레이어 케이크 구조가 회사에 어떤 혜택을 주었나?
A. 이를 통해 민첩성을 얻을 수 있었다. 회사 전반에 걸친 상당히 복잡한 데이터셋을 이해할 수 있게 됐다. 동시에 사람들은 상당히 로컬하지만 조율된 방식으로 문제를 해결할 수 있게 됐다. 레이어 케이크를 통해 IT는 데이터가 해결할 수 있는 모든 비즈니스 문제를 파악할 수 있는 기회와 이러한 문제를 신속히 해결할 수 있는 능력을 얻을 수 있다. 또한 이를 통해 비즈니스는 데이터 의사 결정에 대한 소유권을 어느정도 확보할 수 있다. 

Q. 레이어 케이크 결합 시 어떤 어려움이 있었나?
A. 프로젝트 관리에서 제품 관리 모델로 전환해야 했다. 프로젝트별로 데이터 전략 성장에 자금을 지원할 경우, 결국 자금 및 시간 부족으로 인해 숏컷(shortcuts)이라는 결과가 발생하므로 이는 상당히 중요했다. 제품 모델에서 팀들은 아키텍처 측면에서 시간에 얽매이지 않으며 프로젝트 성과가 아닌 제품 성과가 추동한다. 제품 모델로의 전환은 많은 시간 및 노력을 필요로 한다. 

팀이 일부 레거시 기술에 대해 과도하게 집착하도록 두었던 것은 또 다른 도전과제였다. 데이터 분야는 상당히 빠르게 발전하고 있고 스타트업 커뮤니티에서 너무 많은 일이 일어나고 있으므로 구식 기술에 과도하게 머물러 있을 경우 갇힐 수 있다. 

마지막 도전과제는 인공지능을 포함한 야심 찬 장기 데이터 전략 목표를 설정하면서도 관리 가능한 방식으로 소규모로 시작해 가치를 창출할 수 있도록 하는 것이었다. 작은 문제를 해결하는 동시에 이를 전체적인 비전으로 가져올 수 있어야 한다. 그렇지 않을 경우, 작은 문제 해결에 일년을 보내면서도 큰 투자 기회를 놓쳐버릴 수 있다. 

Q. 유사한 데이터 구조 구축을 희망하는 CIO에게 어떤 조언을 건네고 싶나?
A. 비즈니스 파트너에게 요청하는 역할은 기존에 수행하던 역할이 아니므로 모델 구축에 도움을 제공할 의지 및 능력이 있는 다른 파트너를 찾자. 데이터를 원하지만 어떤 데이터인지 이해하고 있는가? 비즈니스 및 IT팀은 진정 하나로 운영될 수 있다. 첫 번째 파트너가 누가 되어야 할 것인가에 집중하자. 데이터 전략 개발을 위한 추가적인 최고 지지자는 반드시 여러분이 아닐 수 있고 아마도 디른 비즈니스 동료일 가능성이 높기 때문이다. 
ciokr@idg.co.kr