PETER님이 브런치에 게재한 글을 편집한 뒤 모비인사이드에서 한 번 더 소개합니다.
빅데이터 열풍 속에 생기는 시스템들
대부분의 기업들이 최근 빅데이터에 많은 투자를 하고 있습니다. 데이터에 기반한 새로운 기회를 만들기 위해서입니다. 전에 쌓아두기만 했던 데이터를 분석해서 공정의 효율성이나 신규 고객군을 발굴하는 기회로 삼고 있습니다. 그래서 이전에 사람이 일일이 하던 일을 시스템으로 바꾸는데에 수요도 늘어나고 있습니다.
그런데 역시 이런 기회를 틈타 회사 내 관리직 중에서 빅데이터 비전문가에다 빅데이터의 실체도 모르는 채로, 그저 주목 받으려는 이유로 데이터 기반 시스템을 구축하려고 접근하는 사람들이 있습니다. 이들의 특징은 좋다고 소문난 것에 빨대를 꽂는 것이죠. 데이터도 그 중 하나입니다. 새로운 시도를 한다는 것 자체로 주주들에게 호의를 얻을 수 있고 기존에 아이디어가 고갈된 사업에 뭔가라도 하고 있다는 신호를 보낼 수 있기 때문입니다. 하지만 데이터를 어떻게 바라봐야하는지에 대한 고민이 부족한 채 이것 저것 솔루션을 들여 뭔가를 만들려고만 하면 나중에는 무얼 하려는지 알지 못하는 복잡한 시스템 속에 갇히고 맙니다. 여러 솔루션에 접속하는 다양한 사이트를 만들고 그걸 보완하기 위해 또 단일 아이디로 접속하는 시스템을 추가 개발합니다. 사실 지금까지 만든 것에 대한 고찰은 시스템을 구축해서 인정받은 이들이 사라지면 그만인 것이니까요.
데이터가 모든 것의 능사일까
특히 데이터에 대해 정의되지 않은 생각들이 데이터를 강요하는 시스템에서 부작용을 만들곤 합니다. 데이터로 할 수 있는 일 중에서 숫자를 계산하는 것이 제일이라고 생각하는 비전문가들은 기존에 숫자 계산을 하던 일 상당 부분을 데이터에 기반한 시스템으로 대체하려고 합니다. 물론 목적은 정확한 숫자를 얻는 것과 기존에 그 일을 하던 사람을 완전히 대체 하려는 일석이조의 의도에 있습니다.
하지만 간과하는 것이 있습니다.
현재 솔루션으로 할 수 있는 데이터 활용의 효과와 비용과 지금 사람이 하는 것과의 비교입니다. 누가 무슨 일을 하고, 누가 뭘 잘하고 있는지 살펴보는 작업입니다. 예를 들어 현재 데이터 솔루션이 사람이 알고 있는 특수한 인사이트를 잡아낼 수 없다면 시스템이 도출하는 결과물은 제한적일 것입니다. 일정 단계에서 마무리하고, 이후는 사람이 작업을 하는 게 필요할지도 모릅니다. 사실 이런 일이 더 많습니다. 아직 이미지를 센싱해서 자동적으로 분류하는 기술은 중견 기업 이하의 규모의 기업에서 쓰기에는 비싸고 접근하기도 어렵습니다. 머신러닝도 전문가가 필요한데 기껏 전문가를 구해도 성과 지표 하나 정하지 못해서 왜 만드는지 모르는 시스템을 강요하기도 합니다. 물론 내부의 저항도 만만치 않습니다. 기존의 노하우가 고스란히 시스템에 반영되기 위해서는 도움이 필요한데 기존의 비지니스 정보를 전문가들이 쉽사리 놓으려 하지 않습니다. 오히려 반대만 많아집니다. 답은 주지 않으면서 시스템에 무엇을 고쳐야 하는지만 말하기도 합니다. 이래서는 원래 하려던 취지를 살리는 시스템을 만들기 어렵습니다. 괜히 비용만 증가하고 덕지덕지 붙어서 효과를 검증하기 어려운 시스템이 남게 됩니다.
전사적 데이터 솔루션 도입의 범위
빅데이터의 활용에 대해 인간을 대체 하는 것이 아닌, 인간을 도와주는 성격으로 생각한다면 접근법이 달라질 수 있습니다. 공장의 공정이나 발주, 고객 구분과 마케팅에서 데이터를 어떻게 활용할지는 현재 회사가 가지고 있는 데이터 솔루션 기술의 수준과 역량을 알고 그것에 맞게 제한적인 역할부터 부여해보는 것입니다. 물론 데이터 드리븐 (Data-driven)이 아깝지 않은 데이터 중심의 설계가 되어야 합니다. 사람이 데이터의 영역에 연역적으로 개입하는 것은 최소화하는 것이 좋습니다. 데이터 활용이 굳이 어느 한 주체가 100%를 해야 한다고 생각하지 않는다면 꽤 쓸만한 시스템이 나올 수 있습니다. 물론 일부러 그럴 필요는 없습니다. 다만 사람이 잘하는 영역을 굳이 서버로 대체해서 일의 능률을 떨어트릴 필요가 없다는 것입니다.
SNS에 심심치 않게 앞으로 인공지능이 대체할 직업군이 뜹니다. 마치 예전에 러다이트 운동같이 사람은 다시 솔루션과 밥 그릇을 놓고 마주 앉아 있는 시대가 된 지도 모르겠습니다. 하지만 지금 모든 일을 기계로 다 하지 않듯이 물론 미래에 인공지능이 모든 일을 다 하지는 않을 것입니다. 기존의 전문성을 어떻게 새로운 설계에 반영하고, 이 직무를 어떤 방법으로 아웃풋을 내게 할 것인가를 스스로 그리고 기업에서 함께 생각해봐야 합니다. 마냥 새로운 솔루션으로 사람의 자리를 대체하고 아웃소싱으로 넘긴다고 기업 경쟁력이 생기지 않습니다. 데이터 솔루션의 도입이 단순히 데이터의 설계에 있지 않고 전사적 역량을 보고 사람과 데이터가 할 일의 영역을 정의하는 것이 필요하듯이 ‘전사적’이라는 말은 그 포용력이 어디까지냐에 따라 기업 경쟁력을 가늠하기 때문입니다. 반대로 언급한 것처럼 서로가 서로의 영역에 개입하는 것을 최소화하는 룰이 필요한 거죠. 하루 아침에 바뀌는 솔루션 설계는 데이터 기반은 확실히 아니니까요.
전략과 브랜딩을 기계가 할 수 있을까
가장 대표적인 분야가 전략을 만드는 것입니다. 머신 러닝으로 고객이 고를 다음 상품을 고객에게 추천해 줄 수도 있고 고객이 자주 구매하는 제품의 적절한 물류량을 제어할 수도 있습니다. 더 많이 구매할 확률이 있는 고객을 위해 자동으로 쿠폰을 발송하는 것도 가능합니다. 맘만 먹는다면 생필품에 가까운 제품은 얼마든지 수요를 예측해서 데이터가 알아서 결정 할 수도 있습니다. 하지만 그 모든 밸류체인을 관통하는 영혼은 데이터가 하기 어렵습니다. 얼마 전에 인공지능이 그리는 그림이나 소설이 화제가 된 적이 있었습니다. 정밀하게 잘한다는 것이죠. 물론 기존에 우수한 인풋을 지도 학습시키면서 비지도 학습을 병행하면 새로운 형태의 결과물을 만들 수도 있습니다. 하지만 그 무수한 인풋과 학습에 걸리는 시간을 짧아지고 있다고 하지만 여전히 제한적입니다. 마치 구글이 새로운 프로그램을 코딩하는데 인공지능을 활용할 수는 있어도 어떤 제품을 만들지 결정은 기계가 하기는 아직 어려운 것과 같은 것입니다. 사람들이 뭘 좋아하고 유행이 뭔지는 맞출 수 있어도 헤리티지를 만들기도 어렵습니다. 인공지능이 할 수 있는 영역은 여전히 100%의 리얼 월드를 통한 상상력까지는 아직 시간이 필요합니다.
데이터에 대한 활용도 마찬가지입니다. 모든 것을 데이터가 말해 주지는 않습니다. 사람이 당연히 해야 하는 게 있습니다. 데이터가 어떤 일을 어떻게 할 지 처음에 일 자체를 설계하는 것은 사람의 몫일 확률이 높습니다. 정해진 일을 어떻게 잘할 지는 데이터가 해 줄 수는 있지만 말입니다. 기업에서 시스템을 개발할 때 생각해야 할 게 이것입니다. 서로가 잘 하는 영역을 알고 그것을 정의하는 것입니다. 그렇지 않으면 나중에 다 만들고 나서 어떻게 써야 할지 그 때 가서 서로 쳐다 보기만 할 뿐이기 때문입니다.
[fbcomments url=”http://ec2-13-125-22-250.ap-northeast-2.compute.amazonaws.com/2017/07/25/datadrivensystem/” width=”100%” count=”off” num=”5″ countmsg=”wonderful comments!”]
