안녕하세요. まさきん입니다.
데이터 분석이나 액세스 분석 업무에 대해 ‘전문성이 높은 일인가’라는 화제를 그동안 여러 번 보고 들어왔습니다.
저 자신도 이 일을 오래 해오면서 느끼는 것은, 필요한 것이 고도의 통계나 머신러닝 지식 그 자체보다 좀 더 다른 능력이라는 점입니다.
분석 담당자는 ‘통역자’여야 한다
데이터 분석의 역할은 매우 전문성이 높은 것이라는 이미지를 갖기 쉽습니다. 다만 예전에 『분석력을 무기로 하는 기업』이라는 책을 읽고 생각한 것과도 겹치지만, 개인적으로는 그렇게 생각하지 않습니다.
물론 고도의 분석에서 비즈니스적 통찰을 끌어낼 수 있는 사람이나, 분석부터 디자인・구현까지 손을 움직일 수 있는 사람도 있습니다. 다만 그런 사람은 그렇게 많지 않다고 느낍니다.
많은 현장에서 정말로 요구되는 것은 데이터라는 전문적인 언어를 비즈니스 언어로 번역하는 힘이 아닐까요. 숫자를 바라보는 것에서 끝나지 않고, 그것이 의미하는 바를 관계자에게 전달되는 형태로 바꾸는 일입니다.
이 ‘번역하는’ 감각은 업무 외의 숫자에도 쓸 수 있을 것 같습니다. 예를 들어 매달 나가는 통신비도 그냥 바라보기만 해서는 의미를 알 수 없습니다.
‘편리한 조사 도구’로 끝나버리는 위험
분석 조직이 빠지기 쉬운 함정으로, 계속 신경 쓰고 있는 것이 있습니다. 그것은 분석 팀이 단순한 ‘조사 창구’가 되어버리는 것입니다.
저 숫자를 뽑아 달라, 이 기간의 추이를 보여달라. 그런 요청은 물론 중요한 일이지만, 그것만으로 끝나버리면 원래 요구되는 ‘의사결정을 돕는다’는 역할에서는 조금 벗어나 버립니다. 요청받은 숫자를 그냥 그대로 전달하는 존재가 되어버리면, 분석 팀의 가치는 언제까지나 ‘편리한 조사 담당’의 영역을 벗어나지 못합니다.
그렇다고 해서 저는 이 상태를 무조건 부정해야 한다고도 생각하지 않습니다. 첫걸음으로는 꾸준히 조사 요청에 응하는 조직이어도 괜찮다고 생각합니다. 작더라도 보이는 정보를 늘리고, 그 정보를 주변에 계속 전달하는 것을 통해서만 다음 신뢰가 쌓여가기 때문입니다. 목표로 하는 모습에서 눈을 떼지 않으면서도 지금 할 수 있는 일을 쌓아간다. 그 정도의 마음가짐이면 딱 좋지 않을까요.
사용자 쪽과 구축 쪽, 어디에 무게를 둘 것인가
데이터와 관련된 일은 크게 두 방향으로 나뉜다고 느낍니다. 하나는 나온 숫자를 쓰는 쪽. 다른 하나는 데이터를 수집・정비하는 구축 쪽입니다.
쓰는 쪽이라면 CRM적인 분석이나 사용자 교육, 추천 설계 등으로 넓어집니다. 구축 쪽이라면 데이터 요건 설계나 구현, 데이터 기반 정비까지 포함됩니다.
커리어를 생각할 때는 이 둘 중 어디에 축을 두느냐에 따라 키워야 할 스킬이 꽤 달라진다고 생각합니다. 예전에 ‘프로덕트 매니저’라는 일에 대해 생각했을 때도 비슷한 갈등을 느꼈는데, 솔직히 말하면 저 자신도 이 둘 중 어디에 축을 둬야 할지 지금도 명확한 답을 내지 못한 부분이 있습니다. 사용자 쪽에서 시작해서 설계・구현・시책 사이를 오가온 입장에서는, 구축 쪽 역량을 더 키우고 싶다는 마음과 지금의 위치에 대한 고민이 솔직히 지금도 함께 존재합니다.
생성 AI 시대에 통역력의 비중은 오히려 늘고 있다
지금은 생성 AI 덕분에 SQL을 작성하거나 대시보드를 만드는 작업은 이전보다 쉽게 할 수 있게 되었습니다.
최근에 읽은 논의에서는 이 변화를 ‘분석력’에서 ‘승부수를 이끌어내는 힘’으로의 전환이라고 이야기했습니다. 데이터 가공이나 시각화, 모델 선정 같은 정형화된 작업을 AI에 맡길 수 있게 된 만큼, KPI를 찾아내는 힘이나 원래 ‘무엇을 물어야 하는가’를 설정하는 가설 수립 능력의 비중이 커지고 있다는 견해입니다. 다른 논의에서는 데이터 사이언티스트의 역할이 ‘이질적인 지식을 연결하는 역할’, ‘전략적으로 질문을 세우는 역할’, ‘분석 결과를 경영 판단으로 연결하는 스토리텔러’라는 세 방향으로 넓어져 간다고도 이야기했습니다.
즉 그만큼 ‘무엇을 물을 것인가’, ‘나온 숫자를 어떻게 해석해서 비즈니스로 연결할 것인가’라는 부분의 비중은 오히려 늘고 있는 것이 아닐까요. 도구가 똑똑해질수록 질문을 세우는 힘과 답을 번역하는 힘의 차이가 그대로 성과의 차이가 되어가는 것 같습니다. 단순한 조사 도구로 끝날지, 번역자로서 의사결정에 파고들 수 있을지의 갈림길도 결국은 이 부분에 있다고 생각합니다.
실무에서 이 힘을 기른다면, 저는 ‘숫자를 본 사람이 다음에 무엇을 해주기를 바라는가’를 먼저 언어화한 다음 분석에 들어간다는 순서를 의식하고 있습니다. 숫자를 뽑은 다음 해석을 생각하는 것이 아니라, 전달하고 싶은 결론의 가설을 먼저 가진 뒤 데이터를 마주하는 것입니다. 이 순서의 차이만으로도 통역자로서의 결과물 품질이 꽤 달라진다고 느낍니다.
분석의 민주화라는 표현도 자주 보게 되었습니다. 생성 AI로 인해 전문 지식이 없어도 스스로 데이터에 질문할 수 있는 사람이 늘어나면서, 예전에는 분석 팀만 가지고 있던 ‘조사하는 힘’ 그 자체의 희소성은 떨어지고 있습니다. 그렇기 때문에 오히려 나온 답을 어떻게 해석하고 다음 행동으로 어떻게 연결하는가 하는, 통역자로서의 부가가치 쪽이 더 부각되고 있다는 것이 체감입니다.
현장 구성원 모두가 어느 정도 데이터를 다룰 수 있게 된 지금이기 때문에, 전문 용어를 풀어서 설명하는 역할은 오히려 사내 여기저기에 분산되어 요구되고 있다고도 느낍니다. 분석 팀만이 통역자이면 되는 시대는 조금씩 끝을 향해 가고 있는지도 모릅니다.
정리
기술이나 도구는 시대에 따라 변해갑니다. 다만 데이터와 비즈니스 사이에 서는 ‘통역자’로서의 역할의 본질은 크게 변하지 않았다고 느낍니다.
그러고 보니 제 주변의 숫자는 생각보다 제대로 보지 않는 법이라고 생각합니다. 우선은 매달 나가는 통신비부터 제 손으로 숫자를 다시 살펴보려고 합니다.
이 글에는 제휴 광고가 포함되어 있습니다. 이 사이트의 링크를 통해 상품·서비스에 신청하시면 제휴사로부터 보상을 받을 수 있습니다. 또한 운영자는 라쿠텐 그룹 소속 직원으로, 사원 추천 프로그램을 통해 보상을 받는 경우가 있습니다. 기사 내용과 평가는 광고 유무와 관계없이 운영자의 실제 경험과 조사를 바탕으로 작성했지만, 위 관계를 이해하신 후 읽어 주시기 바랍니다. 자세한 내용은 면책조항·제휴 링크 안내를 참고해 주세요. 면책조항·제휴 링크 안내
이 글에는 기계 번역이 포함되어 있습니다. 정확한 조건은 라쿠텐 모바일 공식 사이트의 다국어 페이지에서 확인해 주세요.
라쿠텐 모바일의 통신 지역·전파 상황이 궁금하신 분은, 공식 전파 개선·조사 요청 양식 을 통해 문의하실 수 있습니다.
