[데이터 분석 준전문가 ADsP] 데이터 사이언스와 전략 인사이트

1. 빅데이터에 대한 열풍이 있으나 회의론도 있다.

1.1 회의론 이유

1) 과거의 부정적 학습효과: 도입하면 모든 문제를 한 번에 해결할 거라 기대했으나, 거액 투자에도 불구하고 활용 및 가치 창출 방법을 잘 알지 못했다.

2) 성공 사례이라 해도 기존 분석 프로젝트가 포함되어 있음: 빅데이터 분석이 필요없었거나 성공을 빅데이터 분석 덕분으로 생각했다.

 

그러므로 빅데이터에 포커스를 두지 말고, 데이터 분석을 통한 가치/통찰/인사이트 창출에 집중해야 한다.

 

2. 일차원적 분석이 아닌 전략도출을 위한 가치기반 분석이 필요하다.

또한 단순히 분석을 많이 사용하는 '일차원적 분석'이 아닌, 전략적인 통찰력을 가지고 핵심 비즈니스 이슈에 집중한 '전략도출을 위한 가치기반 분석'이 필요하다.

 

2.1 일차원적 분석

2.1.1 단점 *기출

1) 변화에 대응이 어렵다.

2) 새로운 기회를 포착하기 어렵다.

 

2.2 산업별 일차원적 분석 애플리케이션 *기출

금융서비스 – 신용점수 산정, 사기 탐지, 가격 책정, 프로그램트레이딩, 클레인분석, 고객 수익성분석

소매업 – 판촉, 매대 관리, 수요 예측, 재고 보충, 가격 및 제조 최적화

제조업 – 공급사슬 최적화, 수요 예측, 재고 보충, 보증서 분석, 맞춤형 상품 개발, 신상품 개발

운송업 – 일정 관리, 노선 배정, 수익 관리

헬스케어 – 약품 거래, 예비 진단, 질병 관리

병원 – 가격 책정, 고객 로열티, 수익 관리

에너지 – 트레이딩, 공급/수요 예측

커뮤니케이션 – 가격 계획 최적화, 고객 보유, 수요 예측, 생산능력 계혹, 네트워크 최적화, 고객 수익성 관리

서비스 – 콜센터 직원관리, 서비스-수익 사슬 관리

정부 – 사기 탐지, 사례 관리, 범죄 방지, 수익 최적화

온라인 – 웹 매트릭스, 사이트 설계, 고객 추천

모든 산업 – 성과관리

 

2.2 전략도출 가치기반 분석

1) 사업에 중요한 기회를 발굴하고 경영진의 지원을 얻을 수 있다.

2) 작은 분석 경험을 쌓고 성공 경험을 바탕으로 활용 범위를 확대하고 전략적으로 변화시켜야 한다.

 

3. 데이터 사이언스 *기출

3.1 의미

1) 데이터 공학, 수학, 통계학, 컴퓨터공학, 시각화, 해커의 사고방식, 해당 분야의 전문지식을 종합한 학문

2) 데이터(정형, 비정형, 숫자, 문자, 영상 등)로부터 의미있는 정보를 추출해내는 학문

3) 분석 뿐만 아니라 효과적 구현과 전달하는 과정까지 포함한다.

 

3.2 구성요소 *기출

1) Analytics: 분석적 영역 ex) 확률모델, 머신러닝, 패턴 인식과 학습

2) 비즈니스 분석: 비즈니스 컨설팅 영역 ex) 시각화, 커뮤니케이션, 스토리텔링

3) IT: 데이터 처리와 관련된 IT 영역 ex) 프로그래밍, 데이터 엔지니어링, 고성능 컴퓨팅

 

전략 컨설턴트=Analytics+비즈니스 분석

IT컨설팅=IT+비즈니스 분석

 

3.3 데이터 사이언티스트의 역할

3.3.1 역할: 데이터를 구조화하고 불완전한 데이터를 서로 연결해야 한다. 그래서 비즈니스 성과를 좌우하는 핵심이슈에 답하고 사업 성과를 견인해야 한다.

 

3.3.2 필요 역량: 호기심, 스토리텔링, 커뮤니케이션, 창의력, 열정, 직관력 비판적 시각, 글쓰기 능력, 대화능력

1) Hard Skill: 빅데이터에 대한 이론적 지식, 분석 기술에 대한 숙련(IT 전문성)

2) Soft Skill: 통찰력 있는 분석, 설득력 있는 전달, 다분야간 협력