데이터 분석의 4가지 분류

‘빅데이터 분석’이라는 말에서 여러분은 무엇을 떠올리는가? 또 그것이 비즈니스에서 어떻게 작용하게 될 것 같은가? 답변하기 쉽지 않을 것이다. ‘미래에 어떤 일이 일어날까?’ 또 ‘무엇인가를 실현하기 위해 무엇을 어떻게 실천하면 좋을까?’를 알기 위해 비즈니스 현장에서 활용되고 있는 것이 ‘빅데이터 분석’이다.

예를 들어 편의점의 삼각김밥 매출과 강수량 및 기온의 상관관계를 알 수 있다면, 앞으로 삼각김밥 판매 예측을 토대로 최적의 생산량을 결정함으로써 재고부족을 없애거나 편의점의 폐기식품을 줄일 수 있을 것이다. 이것이 빅데이터 분석의 전형적인 활용 예다. 나아가 사용 데이터의 요소를 늘림으로써 어떤 상품과 나란히 배치하면 판매가 올라가는지도 알 수 있을 것이다. 이처럼 빅데이터를 분석하게 되면 사람의 경험에서 도출되는 법칙을 뛰어넘는 해답을 발견할 가능성이 높아진다.

분석은 단순한 ‘데이터 가시화’나 ‘데이터 관리’가 아니라 경영의사를 결정하는 중요한 역할을 하고 있다. 여기서는 ‘분석 및 애널리스틱’에 대해 그 개념을 4개로 분류하여 해설하고, 그와 함께 데이터 분석의 영역에서 앞으로 무엇이 요구되는지를 생각해보자.

데이터 사이언스 지식을 갖고 있지 않아도 상관없다. 의사결정을 하는 입장에 있는 비즈니스맨이라면 꼭 읽어보기 바라며, 이를 통해 데이터 활용에 대한 이해를 심화시키기 바란다.

 

 

‘분석’이라고 일괄적으로 말해도 크게 기술적 분석(Descriptive Analytics), 진단적 분석(Diagnostic Analytics), 예측 분석(Predictive Analytics), 처방적 분석(Prescriptive Analytics)의 4종류로 나눌 수 있다고 가트너(Gartner)에서는 얘기한다.

기술적 분석(Descriptive Analytics)
기술적 분석은 점수카드나 대시보드에 기초하여 이뤄지고 과거에 무슨 일이 일어났는지를 밝혀준다. 그 후 분석 결과를 어떻게 해석하고 어떻게 행동으로 옮길지 판단하는 것은 인간이다.

진단적 분석(Diagnostic Analytics)
진단적 분석은 과거에 축적된 행동 데이터를 토대로 인과 관계를 찾아내는 것으로서 왜 그 일이 일어났는지를 밝힌다. 이 분석 결과도 기술적 분석과 마찬가지로 어떻게 해석하고 어떻게 행동으로 옮길지 판단하는 것은 인간이다.

예측 분석(Predictive Analytics)
예측 분석은 통계학적 모델을 사용해 미래에 무슨 일이 어느 정도의 확률로 일어날지를 예측한다. 기존의 데이터베이스에서 과거의 데이터를 참조하는 데이터 마이닝의 확장 기능이다. 재무나 생산 관리와 같은 부문에서 미래를 예측하여 비즈니스플랜 결정에 큰 영향을 끼친다. 예를 들어 상품별 수요를 예측 분석하여 수요가 높아지는 시점에서 상품을 발주하고 수요가 내려가는 시점에서 가격을 인하하는 식으로 기업의 잠재적인 기회나 리스크를 특정할 수 있다.

처방적 분석(Prescriptive Analytics)
처방적 분석은 차세대 분석법이라고 일컬어지고 있는데, 예측되는 사태를 위해 무엇을 하면 좋을지 처방하는 것이다. 물론 비즈니스 세계에서는 예측한 결과를 토대로 ‘기업이 어떤 방침을 세우면 좋을까’까지 설정해야 한다. 처방적 분석은 앞서 소개한, 과거에 일어난 것을 해석하는 기술적 분석, 그것이 왜 일어났는지를 밝히는 진단적 분석, 그리고 앞으로 어떤 일이 일어날지를 추측하는 예측 분석을 조합하여, 다음에 취해야 할 최선의 행동을 인간 대신 고찰하는 것이다.

 

 

앞으로 수요가 높아질 처방적 분석
데이터량의 폭발적 증가나 데이터 처리의 고속화, 그리고 그것들을 이해하는 인간 능력의 한계로 인해 의사결정 관리의 자동화 수요는 높아지고 있다. 분석 알고리즘, 이미지 인식, 기계 학습, 음성 인식 등 기술의 진보에 의해, 빅데이터를 컴퓨터 처리하는 능력이나 시간에 의존하는 적응적 의사결정을 자동화하는 처리능력이 향상됐다는 점도 ‘다음에 취해야 할 최선의 행동을 인간 대신 고찰한다’라는 처방적 분석에 대한 시장의 수요가 전망되는 한 원인이다.

예를 들어 이탈리아의 버스회사 Cotral Spa에서는 버스에 탑재된 GPS나 센서에서 각 차량의 운행 상황을 실시간으로 수집한다. 버스 차량의 위치정보를 기초로 실시간으로 운행 루트를 최적화하고 버스 운전사에게 전달한다. 운전사가 취해야 할 최적의 행동을 인간 대신 결정하는 것이다.

또, 위치정보 뿐 아니라 날씨나 노선주변 이벤트, 또 계절에 기인하는 승객 증감과 같은 다양한 데이터를 통합하고 분석함으로써 지연 요인을 찾아낸다고 한다.

이러한 처방적 분석에는 인공지능이 이용되는데, ‘분석 – 가설 – 실시 – 학습’을 반복함으로써 제안하는 최적 행동의 정밀도도 올라간다.

 

빅데이터 시대가 초래하는 사회 변혁
데이터 사이언티스트의 부재는 국가 차원의 과제가 되고 있다. 급속한 IT의 발달에 의해 취득할 수 있는 데이터의 양도 증가하여 그 활용의 폭과 가능성이 크게 넓어졌다. 그런 한편 기술적 분석에서 처방적 분석을 비즈니스에서 활용하기 위해 필요한 스킬을 겸비한 사람은 아직 적은 것이 현황이다. 데이터를 취급할 수 있는 ‘데이터 사이언티스트’의 부재에 의해 ‘빅데이터에 가능성을 느낀다고 해도 그것을 활용할 수 없다’는 과제를 많은 기업이 안고 있다. 특히 우리나라는 미국이나 유럽에 비해 데이터 분석 스킬을 보유하거나 통계과학을 전공하는 인재가 극히 적다.

그런 과제를 근본적으로 해결해야 할 교육기관은 데이터 분석의 첨단 지식/스킬/리터러시를 몸에 익힌 인재 육성에 힘을 쏟기 시작했다. 머지 않아 ‘데이터 사이언스 학부’가 등장할 것으로 예견되고 있으며, 기존의 ‘정보관련 학과’에서도 데이터 처리를 활용할 수 있는 종합적인 스킬을 가진 인재의 육성을 목표로 하게 될 것이다.

 

빅데이터 시대의 비즈니스맨에게 요구되는 것
2015년은 ‘IoT 원년’이라고 할 수 있을 정도로 비약적으로 IoT 활용의 폭이 넓어졌고 2016년에는 더 넓어질 것으로 예측된다. 그 결과, 사물에서 전달되는 데이터량은 증가하고 현재 데이터화되지 않은 정보도 데이터화되어 가시화되고 있다. 앞으로 경영이든 현장이든 비즈니스 장에서 데이터 활용이 가능한 정보분야 인재는 점점 더 많이 요구될 것임에 틀림없다.

그런 한편, 다음에 취해야 할 액션을 인간을 대신하여 제안하는 ‘처방적 분석’을 수행하는 툴이 기술의 진보에 의해 간단하게 입수할 수 있는 시대가 도래하고 있는 것도 사실이다.

따라서 다양한 대량의 데이터가 세상에 넘치는 오늘날을 사는 비즈니스맨에게는 데이터 사이언티스트로서 필요한 스킬을 겸비하고, 처방적 분석 툴을 능숙하게 활용하여 데이터와 정면으로 마주보는 것이 비즈니스에 있어 과제 해결의 실마리가 될 것이라는 점을 명심해야 할 듯하다.