기업 내 데이터 사이언티스트 양성과 활용에 대한 연구

• 영문명: A study on Training and Utilizing In-house Data Scientists
• 발행기관: 피터드러커 소사이어티
• 저자명: 고승곤(Seoung-gon Ko)
• 간행물 정보: 『창조와 혁신』제14권 제4호, 143~171쪽, 전체 29쪽
• 주제분류: 경제경영 > 경영학
• 파일형태: PDF
• 발행일자: 2021.12.31

국문 초록

1990년대 소개된 데이터 사이언스(Data Science, 이하 DS)는 디지털 전환 (Digital Transformation; 이하 DX)과 함께 기업의 새로운 화두이다. 이는 IT와 DB 관련 기술의 발전과 모바일 환경에 기초한 소셜 미디어(Social Media) 등장과 같은 사회적 변화와 Big Data에 대한 체계적 분석 방법 개발에 따른 대용량 데이터의 유용성과 활용도가 높아짐에 따라 자연스럽게 나타난 현상이라고 할 수 있다. DS의 유용성은 다양한 대용량 데이터를 활용한 의사 결정 방법의 개선 여부에 따라 결정되며, 데이터 사이언티스트(Data Scientists; 이하 DSt)는 복잡한 구조와 상호 작용을 갖는 수많은 변수들로 구성된 데이터로부터 해석 가능한 패턴과 명확한 규칙(들)을 도출하여 조직 내 의사 결정을 도울 수 있어야 한다. 하지만, 각 기업의 중요 사업 영역/활동에 적합한 DSt를 외부로부터 지속적으로 고용하는 것은 물리적으로 한계가 있으며, 데이터에 기초한 과학적 의사 결정 문화의 정착을 기대하는 기업들에게 바람직하지 않다. 왜냐하면, 기업의 올바른 의사 결정은 사업 환경의 이해 그리고 관련 분야에서의 경험과 지식을 전제로 가능하기 때문이다. 따라서 꼭 필요한 전문가의 외부 고용과 함께 기업의 사업 환경과 업무 영역에 대한 경험이 풍부하고 데이터의 의미와 의사 결정의 중요성을 이해하는 내부 구성원들을 대상으로 기업 내 DSt를 체계적으로 양성하는 것이 대안일 수 있다. 본 논문에서는 통계학의 파생 관점에서 DS 교육 과정을 설명하고 기업 내 DSt의 역량 범위를 기준으로 훈련 과정에서 필수적으로 반영해야 할 핵심 주제들과 비중 그리고 사내 전개 시 주의 사항을 논의한다. 또한 데이터 분석의 기본이 되는 통계적 학습과 기계적 학습간의 실무적 차이점을 설명하고, 시각화와 모형화 관점에서의 핵심 개념과 도구를 소개한다. 또한 DS를 적용하는 기업에서 발생할 수 있는 일반적인 실행 오류를 제시하고 이를 방지하기 위한 지침을 제시한다.

영문 초록

Introduced in the 1990s, Data Science(hereinafter referred to as DS) is a new topic for companies along with Digital Transformation(hereinafter referred to as DX). This is a natural phenomenon as the usefulness and utilization of large-capacity data increases due to the development of a systematic analysis method for Big Data and social changes such as the development of IT and DB-related technologies, the emergence of social media based on the mobile environment. The usefulness of DS depends on whether the decision-making method using a variety of large amounts of data is improved and Data Scientists(hereinafter referred to as DSt) should be able to help decision-making within the organization by deriving interpretable patterns and clear rule(s) from data composed of numerous variables with complex structures and interactions. However, there is a physical limit to continuously hiring a DSt suitable for each company s important business area/activity from outside and it is undesirable for companies that expect to establish a data-based scientific decision-making culture. This is because the correct decision-making of a company is possible based on an understanding of the business environment with experience and knowledge in related fields. Therefore, it may be an alternative to systematically training DSt within the company for internal members who have extensive experience in the company s business environment and work area, and who understand the meaning of data and the importance of decision-making, along with external hiring of essential experts. In this paper, the DS training process is explained from the perspective of derivation of statistics, and the core topics and weights that must be reflected in the training process based on the competency range of DSt within the company are discussed, and precautions when developing in-house. It also explains the practical differences between statistical learning and mechanical learning, which are the basis of data analysis, and introduces key concepts and tools from the perspective of visualization and modeling. It also presents common execution errors that can occur in companies that apply DS and provides guidelines for preventing them.

목차

I. 서론

Ⅱ. 사내 DSt의 역할과 책임 그리고 훈련 체계

Ⅲ. 시각화와 모형화의 개념과 도구

Ⅳ. DS에 대한 오해와 주의 사항

Ⅴ. 결론 및 추가 고려 사항

참고 문헌

키워드

데이터 사이언스 데이터 사이언티스트 빅 데이터 통계적 학습 기계적 학습 시각화 통계적 모형화 Data Science Data scientist Big Data Statistical Learning Machine Learning Visualization Statistical modeling