AI로 대체되지 않는 데이터분석가의 6가지 핵심 역량 (1)

안녕하세요. 포커스미디어 데이터전략팀 팀장 강슬기라고 합니다. 🙂

저는 한국오길비앤매더, 레오버넷에서 디지털 캠페인 AE로 근무한 후 이노션 해외미디어팀에서 미디어 플래너 스마트미디어랩에서 매체 상품 기획 및 영업 포커스미디어에서 현재 데이터전략팀 팀장으로 근무하고 있습니다.

포커스미디어는 이미 아시는 분들도 있겠지만, 아파트 엘리베이터에 엘리베이터TV를 설치하여 유익한 정보와 광고 콘텐츠를 제공하고 있는 회사입니다. 옥외광고 회사에서는 드물게 데이터 분석을 하고 있어요. 맨땅의 헤딩과 새로운 분석 방법을 개척할 일이 많습니다.

저는 마케터로 근무하다가, 이직 과정에서 점차 데이터 활용도를 늘린 케이스인데요. 처음에는 어려움도 많았지만, 다른 영역에서의 경험이 도메인 지식이나 소프트 스킬 면에서 도움이 많이 되었습니다.

저는 SQL도, 파이썬도 할 줄 몰라요. 데이터 가공은 Tableau Prep을 주로 씁니다.

그래서 많은 데이터 분석가분들 앞에서 제 이야기를 공유하는 것이 조금은 부끄럽지만, 부트 캠프 등에서 하드 스킬 쪽은 워낙 많이 강조하고 있다 보니, 저는 소프트 스킬 면에서 그 역량이 무엇인지, 실제로 업무에서 어떻게 실천하고 있는지 공유 드리기 위해 용기를 냈습니다.

소프트 스킬을 정의하기가 참 어려운데 저는 일단 용기 내어 저지르고 혼난 뒤에 개선하는 것이라고 생각해요.

너무 옛스러운(?) 코멘트인가요? 그래서 라떼도 아닌 쌍화탕 이미지를 미리 넣어보았습니다. 할머니 같은 얘기가 많더라도 재밌게 들어주세요!

저는 데이터 분석가의 6가지 핵심 역량을 개인적으로 이렇게 정리합니다. ‘AI로 인해 대체 될 것 같은 순서 순’으로 작성한 것이에요.

1️⃣ 통계 & 기술적 역량

아마 다들 공감하실 것 같아요. 저는 파이썬을 할 줄 몰라서, 데이터 사이언스 영역은 크게 인볼브하기 어렵기도 하지만, 하트카운트, 태블로 같은 로우코딩, 노코딩 솔루션을 많이 활용해왔습니다.

하지만 최근에 ChatGPT를 접하면서, 거의 불가능한 것이 없다고 느껴질 정도에요.

간단한 분석 예시이지만, Walmart Kaggle Dataset을 ChatGPT에 주면서, 어떤 요인이 매출과 상관관계가 높은지 계산할 수 있는 코드를 달라고 했어요.

근데 아예 계산까지 해서 주네요?

시각화도 해주고요.

프롬프트만 정교하게 제공할 수 있다면, 더 복잡한 분석도 충분히 가능해졌어요. 물론 아직까지 얼렁 뚱땅 답변해버리는 오류도 있고, 아웃라이어 제거 등 통계적인 지식을 가진 사람의 인볼브가 필요한 영역이 아직은 많지만 작년과 올해의 AI 발전 속도를 경험하신 분들이라면, 이런 부분의 개선도 멀지 않았다고 느끼실 거에요.

2️⃣ AI 자동화 활용

AI의 활용에 대한 아이디어를 내고 활용 프로젝트를 관리하는 것은 아직 사람의 개입이 필요하지만, ‘AI를 가장 잘 이해하는 것은 AI이기 때문에 AI 자동화도 AI 스스로 할 것이다’라는 시각이 있어요.

예를 들어 저는 최근 ChatGPTs를 이용해 이런 서비스를 간단히 만들어보았는데요.

1) 파이썬의 도움을 받아 여러 영상의 Thumbnail을 한번에 캡쳐하고

2) 이미지 내 텍스트를 읽고

3) GPT 기능을 통해 엑셀 파일을 학습시켜서

4) 엘리베이터TV에 맞게 소상공인 소재 카피를 써주는 챗봇 서비스를 만들었어요.

물론 1시간도 걸리지 않았지만 이런 전반적인 데이터 수집 작업과 아이디어까지 충분히 자동화될 수 있지 않을까요? 실은 우연히 아이디어를 생각해낸 저보다도, 더 빨리 더 좋은 아이디어를 생각해 낼 확률이 높을 수도 있어요.

이렇게 아무도 시키지 않았는데도, 출근해보니 회사의 비즈니스 상황에 따라 현재 가장 필요한 솔루션을 AI가 우렁각시처럼 뚝딱 만드는 것, 그렇게 불가능해 보이지는 않아요. 오히려 이렇게 AI가 원하는 대로 데이터를 마음대로 조합하고, 어디서든지 쉽게 데이터를 끌어다 쓸 수 있는 통합 데이터 환경 구축에 대한 수요가 단기적으로 늘어날 것이라고 판단합니다.

3️⃣ 데이터 프로젝트 관리

뜻하지 않았는데 스무스하게 연결이 되네요.

• 통합 데이터 환경 구축
• 데이터 적재 시스템 마련
• 데이터를 활용한 대외 서비스 개발

등등이 ‘데이터 프로젝트’에 해당합니다. 물론 PM이라는 독자적인 직무가 존재하지만, 데이터 전문가가 이 PM Role을 맡아야 하는 때가 종종 생기는데요. PM이 데이터의 교통 정리까지 하기에 데이터에 대한 이해가 충분하지 않은 경우, 데이터 전문가가 이 Role을 맡게 되는 것이죠.

데이터 프로젝트 관리도 여느 프로젝트 관리와 같은 프로세스를 거치게 됩니다. 목적을 정한 후 기획, 실행해서 모니터링한 후에 마무리하게 되는데요. 저도 현재 회사에서 데이터 통합 프로젝트를 두 번 정도 진행했습니다.

많이 공감하시겠지만, 초기에 빠르게 성장한 회사일 수록 데이터가 참… 엉망이 되는데요. 데이터의 정합성을 고민할 새도 없이 각 팀이 각자 도생하며 업무에 필요한 Spreadsheet를 마구 양산하기 때문이에요.

이렇게 다양한 sheet가 설계 없이 양산되면 여러가지 문제들이 생기는데, 중복 필드가 여기 저기 존재하여 반복 입력이 필요하거나, 필드로 존재해야할 것이 서술형 데이터로 존재하여 통계를 낼 수 없거나, sheet끼리 맵핑이 되지 않아 통합 분석이 불가능하죠.

이런 데이터들을 정리해서 통합 관리를 하기 위해 하기 순서로 프로젝트를 진행했어요.

1. 일단 팀 별로 사용 중인 Sheet를 싹 다 받기
2. Sheet의 필드들을 한 데 모아 Key값을 정의하고 > 중복된 필드 & 불필요한 필드 제거하기
3. Key값에 맞추어 데이터가 업데이트 되도록 데이터 입력 시스템 설계하기
4. 데이터 입력 시스템 기능 별 알림 & 권한 조정하기
5. 데이터를 연동하여 모니터링 대시보드 만들기

굉장히 간단한 과정처럼 보이지만 데이터를 실제로 활용하는 부서와 정말 많은 커뮤니케이션을 했습니다.

Pain point를 파악하고 > 데이터 연결 상황을 확인 받고 > 시스템 설계를 맞게 했는지 > 구축 후에는 사용이 원활한지 확인해서 > 실 업무 프로세스에 맞게 매뉴얼을 함께 만들었어요.

이런 작업들, AI가 어떻게 대체하게 될까요? 현재도 이미 브랜드 소개만 입력하면 부서 설계 뿐 아니라, 부서에서 관리할 시트들과 필드들까지 AI가 정해줄 수 있습니다.

시도는 해보지 않았지만, 현재 쓰고 있는 필드의 정의를 정리 후 다 보내서 ‘어떻게 합치고 관리할 수 있는지’를 물으면 저보다 더 효율적으로 설계해줄 수도 있을 것 같아요. 엔지니어링을 위한 코드도 직접 짤 수 있으니,

하는 날이 멀지는 않을 거에요. 또는 AI 활용이 대중화되면, 아예 회사가 처음 설립할 때부터 AI의 도움을 받아 데이터 구조를 짤테니, 추후 데이터 통합 프로젝트의 공수가 많이 줄어들 것이고요.

물론 PM은 아직 존재하며 AI시스템과 현업 부서 사이의 통번역(요구사항 →프롬프트 디자인)을 담당하고, AI가 구현하며 만든 구멍들을 채우고 연결하는 작업들을 하게 되겠죠. 이 때 이따가 설명하게 될 6번 소프트스킬 역량이 필요할 것입니다.

작년 하트카운트와 진행한 데이터바우처 사업, ‘옥외광고 타겟팅 분류 AI 자동화 프로젝트’ 또한 프로젝트 관리 스킬이 많이 필요했습니다. 구다빈 선임님과 진행했는데 (별명 갓다빈), '아… 데이터사이언티스트와의 협업은 이렇게 진행되는 구나’를 배울 수 있었던 소중한 경험이었어요.

데이터 엔지니어 & 데이터 사이언티스트는 구체적인 추정 모델 / 알고리즘을 실제로 구현하게 되는데요. 모델이나 알고리즘의 종류, 포함하게 될 데이터 범위 등은 Data Project Manager가 결정해야 합니다. 도메인에 대한 이해를 바탕으로 ‘이런 추정 방식이 업계의 공감을 얻을 거야.’, ‘마케터들이 이런 솔루션을 필요로 할거야’에 대한 의견을 주로 드렸습니다.

그 결과, 브랜드나 앱 이름만 선택하면 이용 타겟의 튀는 특성을 분석하고, 그 특성 별로 자동으로 타겟팅 세그멘테이션을 만들어주는 AI 자동화 솔루션을 구축할 수 있었어요.

4️⃣ 데이터 스토리텔링

데이터 스토리텔링은 데이터를 단순히 분석하고 결과를 도출하는 것에 그치지 않고, 이를 청중에게 효과적으로 전달하는 기술인데요. 데이터를 기반으로 한 인사이트를 어떻게 전달하느냐에 따라 의사결정이 크게 달라질 수 있기 때문에 중요하죠.

데이터 분석 그 자체는 반쪽 짜리이고, 분석을 통해 나온 액션이 실행되어야 비로소 완성되기 때문에 액션을 실행시키려면 데이터 분석 결과를 잘 이해 시키는 것이 필요해요.

“데이터 분석 결과 발표하겠습니다“ 하고 발표를 시작했는데 딱 봐도 아무도 안 듣는 것 같은 기분, 느껴보신 적 있지 않나요?

🤓내가 기대한 반응 Expectation:"충격적인 분석 결과네요. 당장 대책을 마련해야겠어요. 00 기준으로도 한 번 봐주실 수 있나요?"

🥸현실 Reality:"어우.. 유용한 인사이트 감사합니다."

실제로 데이터 분석 결과를 비즈니스 방향이나 마케팅 전략에 전적으로 적용하는 조직 문화가 있는 반면, 방향과 전략의 큰 틀은 이미 정해져 있고 데이터 분석 결과는 '참고하면 좋은 정도'로 여기는 경우도 많아요. 모든 데이터 분석 아이템들이 반쪽 짜리로 끝나는 것이죠.

데이터 분석 결과를 발표할 때 주의를 끌고 후속 논의를 활발하게 할 TIP이 몇 가지 있습니다.

🥊첫 장은 문제 제기부터

보통 분석 리포트는 [ 전체 개괄 분석 > 상세 분석 > 요약 및 시사점 ] 으로 이어지는데요. 첫 장부터 현재 문제를 콕 짚어주면 집중도가 훨씬 올라갑니다.

"현재 Organic 방문 비율이 매달 줄고 있습니다. 광고 의존도가 높아지는 현실, 어떻게 해결할 수 있을까요?"

라고 첫 장이 시작된다면 안 들을 수 없겠죠?

🔭 분석 툴에 갇히지 않는다

보통 주로 활용하는 분석 툴의 결과만 활용하는 경우가 있는데, 이 경우 협업 팀의 공감을 이끌어낼 만큼 충분히 넓은 시각을 제공하기 어렵습니다. 더 큰 그림을 볼 수 있는 툴이나 상관관계를 이끌어낼 수 있는 다른 툴과 크로스 분석이 필요해요.

"Organic 방문이 줄어드는 것에 대해 네이버 데이터랩 검색량 쿼리도 함께 분석해  보았습니다. '온라인영어학습'에 대한 검색량은 늘고 있지만, 저희 브랜드 검색량은 줄고, 경쟁사 쿼리가 늘고 있어요. 실제 경쟁사 트래픽과 앱 사용률도 늘었는데 최근 SEO 활동이 활발해진 것 같아요."

타팀이 활용하는 툴과 크로스 분석이 필요하다? 경쟁사의 마케팅 활동 현황을 직접 조사하기 어렵다? 📲 해당 팀에 협업을 요청하고 자료를 함께 준비하면 됩니다!

회사 규모가 클수록 팀별 역할도 세분화되어 있고 협업에 보수적인 경우가 있죠. 큰 회사일수록 역설적으로 크로스 분석과 더 큰 그림의 인사이트를 뽑아내기가 어려운 이유인 것 같아요.

🤼 Action Item을 함께 제시한다

'그런가보다'에서 그치지 않고 맹렬한(?) 토론을 이끌고 싶다면 실제 액션 아이템도 함께 제시하세요.

"현재 검색 결과 1-2페이지에서 저희 콘텐츠 점유율은 10% 정도입니다. SEO 최적화를 점검하고 콘텐츠 양을 늘려야 할 것 같아요. '비교', '가격', '프로모션코드'가 연관검색어이니 해당 콘텐츠도 다루고요."

역시 도메인 지식이 없다면 쉽게 이끌어낼 수 없는 분석일 수 있습니다. 역시 협업팀과의 사전 미팅 등을 통해 보강해 보세요.

그리고 가장 중요한 것! 첫술에 배부르려 하지 마세요. 분석 결과는 복잡하고 어렵고 상세하게 분석하기보다는 최대한 쉽고 간결하게 해서 이해를 유도한 후, 후속 논의에서 더 자세한 내용을 설명해 보세요.

가장 중요한 것은 ‘변화를 만들겠다!’라는 마음가짐으로 부터 나오는 데이터 분석가의 의지입니다. ‘이 내용을 어떻게든 이해시켜야 해! 그리고 변화를 이끌어야 해!’라는 의지가 있다면, 데이터 분석 결과 세션 이후 반응을 살피고 > 이해가 되지 않은 것 같다면 “혹시 어떤 부분 더 설명해 드릴까요? 어떤 내용을 보강하면 더 쉽게 이해가 될까요?”라고 적극적으로 커뮤니케이션한 후에 액션 도출 미팅까지 끈질기게 이끌어낼 수 있을 거에요. 이런 의지를 갖도록 스스로를 동기 부여 하는 것, 동기 부여가 생기는 조직 문화를 만들어 가는 것, 저도 가장 어려운 부분입니다.

ChatGPT를 써보신 분들은 아시겠지만, 웬만한 데이터 스토리텔링을 AI가 수행합니다. 데이터만 넣으면 이해하기 쉽게 술술 설명을 해주는데요. 여기서 AI가 대체하기 힘든 부분은 ‘청중에 대한 이해’입니다.

이 사람의 이해도는? 이 사람이 어떤 문제 제기에 더 반응할까? 이 사람의 평소 커뮤니케이션 스타일은?

등등의 답은 사람이 캐치하고 스토리텔링에 적용할 수 있어야 해요. 이 부분에서도 실은 협업하는 사람과의 친분 관계가 많은 도움이 됩니다.

데이터 스토리텔링 능력을 발휘해야만 하는 프로젝트가 있었는데, 바로 ‘아파트 입주민 페르소나 클러스터 9’을 도출한 한국지능정보사회진흥원 빅데이터 플랫폼 분석 지원사업 과제였습니다. 역시 사업계획서를 제출하여 1억 정도 국가 지원을 받아 진행한 프로젝트였어요.

저희가 보유한 아파트 단지 별 다양한 변수의 데이터를 K-means 비지도 학습을 통해 군집 분석하였는데요.

실은 이 비지도학습이 실제 군집 분류보다, 분류된 결과를 분석하여 라벨링하는 것이 더 어려운 단계라고 해요.

이게 분류된 그룹 별 실제 분석 결과였는데요. 주 연령대를 보기도 하고, 소득과 소비의 순위를 내보기도 했어요. 많이 소비한 분류도 보았구요.

여기서 끝나지 않고, 이 단서들을 바탕으로 페르소나를 그려보았습니다. 예를 들어 1번 단지 그룹은 아파트에 1-2인 가구 비율도 높았는데 사무직 비율도 높았고, 혼자 즐기는 취미인 레저, 문화생활, 온라인 구독 소비가 높았어요. 전형적인 2039 자취 타겟인거죠.

이렇게 9개의 단지 그룹을 개개인의 페르소나인 것으로 분석해서 9개의 타겟팅 그룹을 만들었습니다. 크리에이티브 팀의 도움을 받아 ‘신도시요즘엄빠’, ‘맹모백서’ 등 재미있는 이름도 만들고 아이콘도 만들었어요. ‘유아더월드 아이콘에 돈 좀 더 날려주세요!!’와 같은 데이터에 기반한 비주얼 피드백도 드리는 과정이 참 재미있었습니다.

확실히 수치적인 분석이 상상과 스토리를 만나니 훨씬 더 와닿지 않으셨나요?

이어지는 편에서는..

슬기님이 생각하는 AI에게 대체되지 않기 위해 필요한 데이터 분석가의 역량 나머지 두 가지 5)비즈니스 이해력, 6)소프트 스킬에 대해 소개합니다. 전반적인 도메인과 회사의 상황을 이해하고 데이터 분석 결과를 활용할 줄 아는 능력인 비즈니스 이해력에 대해 자세한 슬기님의 사례와 함께 이해할 수 있습니다. 또한, 데이터 분석 결과를 더 빛내줄 수 있는 소프트 스킬들 특히 데이터 분석 결과가 잘 활용될 수 있도록 회사 내외부에 홍보하는 방법에 대해 구체적으로 알려주실 예정입니다.

관련 웨비나 VOD

본 블로그 내용을 바탕으로 진행된 사례 발표와 솔직 담백한 패널 토크까지! VOD 영상으로 만나 보세요.

AI로 대체되지 않는 육각형 데이터 분석가 되기

강슬기님이 이야기하는 ‘AI에 대체되지 않는 분석가가 되기 위한 핵심 역량 6가지’에 대해 알아 보세요.

HEARTCOUNT COMMUNITYemma