[신간] '클루'...대기업 CEO 지낸 1세대 데이터 전문가의 30년 통찰 담아
"데이터가 범람하는 AI시대에도 현장에서는 여전히 “분석은 완벽한데, 무엇을 해야 하지?”라는 질문이 반복됩니다. 이 책 '클루'는 숫자의 나열을 넘어 의사 결정의 실마리를 찾는 데이터 스토리텔링의 본질을 다룹니다."(신한금융그룹 진옥동 회장) "AI가 우리 일상을 빠르게 대체하는 시대, 우리는 무엇을 준비하고 어떤 역할을 해야 할까? '클루'는 이 질문에 대한 명쾌한 해답을 제시한다. 정형화된 데이터와 AI가 건네는 단서(clue) 속에서 새로운 맥락과 의미를 읽어내어 하나의 스토리로 엮어내는 힘, 그것이 바로 AI 시대에 우리가 갖추어야 할 핵심 역량이다." (LG CNS 현신균 대표) "데이터 분석은 어렵고 건조한 기술로 여겨지기 쉽다. 하지만 흩어진 숫자에서 실마리를 찾고, 조각을 연결해 정교한 이야기를 만든 뒤, 현실과 맞아떨어지는지 확인하는 과정은 무척 창조적이고 즐거운 일이다. '클루'는 바로 그 분석의 즐거움을 알려주는 책이다. 올바른 질문으로 문제의 본질을 발견하고, 분석 결과를 사람과 고객이 이해할 이야기로 바꾸며, 현실의 결정과 행동에 맞춰보는 과정을 생생하게 보여준다."(네이버클라우드 김유원 대표) 30년간 데이터를 지켜온 1세대 데이터 과학자 김혜주 전 롯데멤버스 대표가 AI 원료인 '데이터'에 관한 책 '클루'를 출간했다. 빅데이터와 AI가 화두가 되기 전부터 데이터로 비즈니스 변화를 이끌어온 대한민국 1세대 데이터 사이언티스트인 저자는 SAS 코리아에서 커리어를 시작해 SKT, IBM, 삼성전자, KT, 신한은행을 거쳐 최근까지 롯데멤버스 대표를 지냈다. 30여 년간 데이터·AI 분야의 최전선에서 일해온 것이다. 학술과 실무를 넘나들며 쌓아온 경험과 통찰을 바탕으로, 복잡한 문제를 데이터의 언어로 바꾸 고 그 안에서 결정적인 실마리를 찾아내는 자신만의 사고법을 신간 '클루'에 담았다 “복잡한 수식과 코딩은 AI에 맡기고, 인간은 데이터 언어로 사고해야” 좋은 분석가가 되기 위해선 무엇을 해야 할까? 코드를 짜고, 모델을 돌리고, DB언어인 SQL(Structured Query Language, 데이터베이스에 데이터를 저장·조회·수정·삭제하는 등 데이터베이스 구조를 관리하기 위한 언어)을 다룰 줄 아는 것은 강점이 될 수 있다. 하지만 저자는 이보다 더 중요한 것은 일상에서 끊임없이 데이터로 생각하는 연습을 하는 것이라고 강조한다. 연습은 거창하지 않다. 가령 “비 오는 날 이사하면 부자가 된다”라는 엉뚱한 가설을 떠올렸다고 해보자. '이사하는 날'은 전입신고일이나 인터넷 이전 설치일로, '부자가 된다'라는 것은 소비 금액이나 해외여행 횟수의 증가 등으로 바꾸어볼 수 있다. 이렇게 막연한 생각을 측정 가능한 데이터로 바꾸고, 어떤 데이터가 필요하고 어디서 구할 수 있을지 궁리하는 것부터가 데이터 사고의 시작이다. '클루'는 이러한 사고 과정을 누구나 익힐 수 있게 7단계로 체계화했다. 1부에서는 데이터가 현실을 어떻게 담아내는지 이해하며 데이터로 사고하기 위한 기초를 다지고, 2부는 흩어진 숫자와 사실에서 의미 있는 이야기를 발견하는 법을 익힌다. 여기까지가 데이터를 바라보는 눈을 바꾸는 과정이라면, 이후부터는 현실의 문제를 직접 해결하는 과정으로 나아간다. 3부에서는 막연한 현실의 문제를 데이터로 측정할 수 있는 문제로 정의하고, 4부에서는 필요한 데이터를 탐색하며 그 안에 숨은 맥락과 실마리를 찾아낸다. 5부에서는 발견한 실마리를 상대방이 쉽게 이해할 수 있는 시나리오로 엮고, 6부에서는 그것을 실제로 읽히고 설득하는 보고서로 구현한다. 마지막 7부에서는 이야기를 전달하는 데서 한 걸음 더 나아가 데이터가 실제 의사 결정과 행동, 현실의 변화로 이어지게 만드는 법을 다룬다. 현실을 데이터로 바꾸는 데서 시작해, 데이터를 이야기로 만들고, 다시 그 이야기로 현실을 바꾸는 연속 과정인 셈이다. 각 단계에는 저자가 30년간 데이터 비즈니스 최전선에서 일하며 경험한 실제 사례를 많이 담았다. 필요한 데이터를 직접 찾아볼 수 있는 사이트까지 알차게 소개한다. '클루'는 데이터가 어렵게만 느껴졌던 사람도 현실의 문제를 데이터로 바꾸고 답을 찾아갈 수 있게 이끄는, AI 시대 가장 친절한 데이터 사고 안내서인 셈이다. “AI 시대 주도권은 생각을 맡기는 사람이 아니라 생각을 키우는 사람이 쥘 것" 데이터로 사고하는 일은 AI 시대에 새롭게 등장한 능력이 아니다. '클루'는 시간을 거슬러 올라가, 역사의 결정적인 순간마다 사람들이 어떻게 숫자와 기록에서 새로운 답을 발견하고 세상을 바꾸어왔는지 보여준다. 고대 이집트의 나일로미터는 해마다 범람하는 나일강 수위를 기둥에 새긴 눈금으로 측정하고 기록해 농사의 풍흉을 예측하고 세율을 책정했다. 이로 인해 이집트는 불확실한 미래에 효과적으로 대비할 수 있었다. 19세기 런던에 콜레라가 창궐했을 때 의사 존 스노는 사망자가 발생한 집을 지도 위의 점으로 표시해 우물 주변에 환자가 집중된다는 사실을 발견했고, 펌프의 손잡이를 제거하자 콜레라 확산이 거짓말처럼 멈췄다. 크림전쟁 당시 플로렌스 나이팅게일은 병사들의 사망 원인을 한 장의 그래프로 보여주어 열악한 위생의 심각성을 알리고 군 의료 체계의 개혁을 이끌어냈다. 나일로미터의 눈금, 지도 위에 찍힌 점, 한 장의 그래프. 세상을 바꾼 도구는 이처럼 놀랄 만큼 단순했다. 복잡한 현실에서 핵심을 찾아 가장 단순한 형태로 문제를 바라보는 것은 시대가 달라져도 변하지 않는 문제 해결의 본질이다. 더구나 이제 우리에게는 이들보다 훨씬 강력한 도구인 AI가 있다. 몇 시간이 걸리던 분석을 몇 초 만에 끝내고, 원하는 그래프와 보고서까지 누구나 손쉽게 만들 수 있다. 도구 격차가 사라질수록 사람 사이의 차이를 만드는 것은 그 도구로 무엇을 보고 어떤 질문을 던지느냐가 된다. 같은 AI를 사용해도 누군가는 뻔한 답에 머물고, 누군가는 남들이 보지 못한 새로운 가능성을 발견한다. AI 시대 주도권은 생각을 맡기는 사람이 아니라 생각을 키우는 사람이 쥔다. 누구나 강력한 도구를 손에 쥘 수 있게 됐다는 것은, 역설적으로 누구나 자신의 생각을 이전보다 더 멀리 확장할 기회를 얻었다는 뜻이기도 하다. “AI는 데이터를 분석하지만, 인간은 데이터에서 이야기를 발견” 챗GPT 등장 이후 우리가 일하고 판단하는 방식은 빠르게 달라졌다. AI는 수백만 건의 데이터를 순식간에 정리하고, 숨은 패턴을 찾아내고, 예측 모델까지 만들어낸다. 코딩과 시각화는 물론 반복적이고 규칙적인 분석 업무에서는 이미 인간보다 빠르고 정확하다. AI가 더 많은 일을 대신하게 될수록 인간에게는 무엇이 남을 까? 데이터를 다루는 사람의 역할은 어디에 있을까? 빅데이터와 AI가 화두가 되기 전부터 데이터로 비즈니스의 변화를 이끌어온 저자는 이 질문에 명쾌히 답한다. “데이터 기술자는 AI에 점점 더 대체될 것이다. 하지만 AI가 발전할수록 데이터 스토리텔러는 더욱 중요해질 것이다.” 데이터 스토리텔러는 숫자를 분석하는 데서 멈추지 않고, 그 숫자가 사람과 비즈니스에 무엇을 의미하는지 해석하는 번역가와도 같다. 데이터 분석가가 상황을 보고하는 데 그친다면, 데이터 스토리텔러는 행동을 제안하고 실질적인 변화를 이끌어낸다. 가령 동일한 고객 이탈 데이터를 보고, 한 사람은 이렇게 보고한다. “이탈 예측 모델의 정확도는 87%이며, 주요 이탈 예측 변수는 최근 3개월간 통화량 감소, 요금제 변경 이력, 고객 서비스 접촉 빈도 순입니다. 이탈 확률 0.73 이상인 고객은 3241명입니다.” 반면 다른 사람은 이렇게 제안한다. “이 고객들은 불편함이 한계에 달했는데도 그동안 마땅히 하소연할 곳이 없었던 겁니다. 지금 정리한 우선순위대로 연락을 드리면, 이번달 이탈을 절반 가까이 막을 수 있습니다.” 전자가 데이터 분석가의 언어라면, 후자는 데이터 스토리텔러의 언어다. 비즈니스 현장에서 어떠한 언어가 성과를 만들어낼지는 명확하다. AI가 분석을 대신 하는 시대에 인간에게 더 절실히 요구되는 능력이 무엇인지도 마찬가지다. 30년간 데이터로 기업의 의사 결정과 변화를 이끌어온 저자는 AI 시대에도 대체되지 않는 사람들의 사고법을 7단계로 정리했다. 이 책에는 복잡한 수식도, 코딩도 없다. 그 대신 이야기가 있다. AI보다 더 잘 분석하는 것이 아니라 AI가 분석한 데이터를 가지고 성과를 내고 싶은 사람에게 유용하다. 데이터 전문가로 출발해 기업 대표까지 오른 저자 이력은 데이터가 어떻게 현실의 문제를 해결하는지를 보여준다. 저자는 통신 분야 빅데이터 플랫폼·경찰청 범죄안전 플랫폼 등 대형 정부 사업의 개발을 총괄했다. 은행권 최초 금융데이터 전문기관 인가를 주도했고, 롯데멤버스에서는 포트폴리오 혁신 및 사상 최대 경영 성과를 달성했다. 이화여자대학교에서 통계학을 전공하고 서울대학교에서 통계학 석사학위를 받은 뒤 박사과정을 수료했다. 연세대학교에서 디지털경영 박사학위를 받았다. SCIE급 학술지에 제1저자로 논문을 발표했다. 빅데이터 분야 기여 공로로 과학기술정보통신부 장관상(2020)과 산업포장(2022)을 수상했다. ◆ 책 속에 나오는 문장들 "그렇다면 정말로 데이터를 다루는 사람의 시대는 끝난 것일까? 나는 그렇게 생각하지 않는다. 오히려 그 반대라고 생각한다. AI가 분석을 잘하면 잘할수록, 역설적으로 더 중요해지는 역량이 있다. 그것은 기술이 아니라 '이야기를 만드는 힘'이다. 어떤 문제를 풀어야 하는지 정의하는 힘, 데이터가 말하는 바를 사람의 언어로 번역하는 힘, 분석 결과를 행동으로 연결하는 힘, 이것만큼은 아직 AI가 대신 할 수 없다. AI는 '데이터 기술자'의 역할을 점점 더 잘 수행하게 될 것이다. 그러나 '데이터 스토리텔러'는 다르다. 스토리텔러는 데이터를 가지고 개연성 있는 이야기를 만드는 사람이다. '왜 이것이 문제인지' '무엇이 핵심인지' '이 숫자가 사람들에게 어떤 의미인지'를 설명하는 사람이다. 그 역할은 AI가 발전할수록 더 희귀해지고, 더 중요해진다."(책 8쪽, 프롤로그: 데이터 기술자가 아니라 데이터 스토리텔러가 돼야 한다에서) "나는 기술의 정교함보다는 문제를 정의한 방식 때문에 이 사례를 특히 높게 평가한다. 당시 통치자들은 범람으로 피해를 본 백성들이 세금을 내지 못해 도망가는 문제로 골머리를 앓았다. 이 문제를 해결한다고 군인을 동원해 백성이 도망가지 못하게 막거나, 세금을 무조건적으로 면제해줬다면 어떻게 됐을까? 잠깐은 효과를 봤을지 몰라도, 장기적으로는 좋지 않았을 것이다. 그들은 대신 이렇게 물었다. “범람의 규모를 미리알 수만 있다면, 세금을 합리적으로 조정해서 부과할 수 있지 않을까?” 즉 문제를 데이터로 재정의한 것이 다. 이것이 바로 데이터 스토리텔러의 사고방식이다."(22~23쪽, 1장 데이터란 무엇인가에서) "데이터는 IT 부서 전유물도, 데이터 과학자들만의 영역도 아니다. 매일 아침 알람을 끄는 순간부터 시작해서 출근길의 경로 선택, 점심 메뉴 결정, 업무 중 판단, 운동 강도 조절, 잠들기 전 오늘 하루에 대한 평가까지, 우리는 온종일 데이터를 생산하고, 소비하고, 분석하며 모든 의사 결정에 활용한다. 차이는 오직 하나, 우리가 이미 매일 사용하고 있는 데이터를 의식하느냐 의식하지 못하느냐에 달렸다. 의식하지 못하는 영역은 절대 개선할 수 없다. 어떤 데이터를 어떻게 활용하고 있는지 인식하는 것만으로도, 우리는 더 나은 판단을 내릴 수 있게 된다."(66~67쪽, 4장 일상은 데이터로 굴러간다에서) "분석한 내용의 대부분은 보고서에 담기지 않는다. 분석 과정의 대부분을 차지하는 검증과 탐색의 흔적은 혼자 간직해야 한다. 이것을 다 담으려는 충동을 이기지 못하면 보고서는 두꺼워지고 메시지는 사라진다. 모기업에서 함께 일했던 컨설턴트가 딱 그랬다. 핵심만 짧게 정리하라고 하면, 실제 내용은 건드리지 않고 폰트를 작게 하거나 여백을 좁혀서 쪽수만 줄여왔다. 발견한 데이터들이 아까워서 버리지 못한 것이다. 하지만 역설적이게도, 그 아까운 것들을 과감히 쳐내지 못하면 결국 전달하고 싶은 메시지 자체를 잃어버리게 된다."(102쪽, 7장 문제를 데이터 언어로 번역하는 법에서) "모 증권사 프로젝트에서 있었던 일이다. 당시 과제는 '이탈 고객 예측 모델'을 구축하는 것이었고, 박사 학위를 받은 지 얼마 안 된 분이 담당하게 됐다. 모델을 돌렸더니 정확도가 상상 이상으로 높게 나왔다. 그런데 자세히 들여다보니 문제가 있었다. 정확도를 높이는 데 결정적 역할을 한 변수가 이탈과 동시에 발생하는 고객 행동이었기 때문이다. 이탈을 '예측'하려면, 이탈이 일어나기 전에 알 수 있는 변수를 써야 한다. 그러나 그 핵심 변수는 이탈과 같은 시점에 이루어지는 행동이었다. 이미 이탈한 것을 '잘 맞힌' 것이지, 앞으로 이탈할 것을 '예측'한 게 아니었다. 정확도가 아무리 높아도, 실제로 이탈 방어 캠페인에는 쓸 수 없는 모델이었다."(150~151쪽, 10장 모델링이란 결국 '틀'을 만드는 일이다에서" "분석 결과를 검토하다 보면 가끔 이상하게 튀는 숫자를 보게 된다. 특정 지역의 이탈률이 전국 평균보다 24배 높다거나, 특정 연령대의 구매 전환율이 갑자기 내려가는 식이다. 그런데 보고서에는 이렇게 눈에 띄는 숫자가 그저 다른 데이터와 마찬가지로 무심히 표기돼 있을 뿐이다. 그럴 때면 이런 말을 하게 된다. “이게 왜 안 궁금했어요?” 왜 그런 숫자가 나왔는지, 데이터 오류인지, 실제 현상인지, 뭔가 다른 원인이 있는지를 파고들지 않았다는 뜻이기 때문이다. 앞서 말했듯, '무엇 what'에서 '왜 why'로 나아가지 못한 것이다."(189쪽, 12장. 좋은 모델은 쉽게 설명할 수 있다에서) "보고서를 쓰는 순서와 보고서를 읽는 순서는 달라야 한다. 분석가는 데이터를 탐색하고, 가설을 세우고, 검증하고, 결론을 도출하는 순서로 작업한다. 그런데 이 순서대로 보고서를 쓰면 결론이 맨 뒤에 오게 된다. 받는 사람은 긴 여정을 따라간 끝에야 핵심을 만난다. 보고서를 읽는 사람은 그 여정에 관심이 없다. 결론이 무엇인지, 그것이 왜 중요한지, 그래서 무엇을 해야 하는지를 먼저 알고 싶다. 그다음에 납득이 되지 않는 부분은 질문으로 해소하고 싶어 한다. 그러므로 보고서는 결론부터 시작해야 한다."(204쪽, 13장 보고서에서 가장 먼저 해야 할 질문에서) "데이터 분석의 의미는 '재미'에서 출발해 '기여'를 거쳐 '감동'으로 진화한다. '재미'는 새로운 시각을 열어주는 것이고, 다음 단계인 '기여'는 그 시각이 행동으로 이어지는 것이며, '감동'은 행동을 넘어 문제를 보는 방식 자체를 바꿔놓는 것이다. 세 가지 가치 중 단 하나라도 담고 있다면 분석은 성공적이다. 세 가지 중 어디에도 해당하지 않는 경우가 문제다. 그 무엇도 건드리지 못한 채 조용히 잊히는 무익한 데이터를 경계해야 한다."(210쪽, 14장 다시, 재미·기여·감동 중 무엇인가에서) "작은 성과를 이자라고 생각해보자. 분석 프로젝트에는 많은 사람의 시간과 노력이 투자된다. 분석가, 데이터 엔지니어, 현업 담당자, 의사 결정자까지. 이 투자에 대한 첫 번째 이자가 지급돼야 두 번째 프로젝트가 가능해진다. 이자를 주지 않으면서 원금만 계속 투자하라고 하면 아무도 다시 투자하지 않을 것이다. 작은 성과를 찾는 일이 결과를 겉만 그럴듯하게 포장한다는 의미는 아니다. “전체 캠페인 전환율은 목표에 못 미쳤지만, 특정 연령대에서 반응이 유독 좋았다.” “모델 성능은 평범했지만, 데이터 수집 구조를 처음으로 제대로 설계했다.” “분석 결과가 현업 담당자의 직관과 달라서 논쟁이 생겼지만, 그 논쟁이 오래된 가정을 다시 검토하는 계기가 됐다.” 이런 것이 모두 이자다."(253쪽, 17장. 오답 노트가 조직을 성장시킨다에서) "데이터를 직접 다루는 사람도, 분석 결과를 받아서 의사 결정에 활용하는 사람도 데이터 스토리텔러가 될수 있다. 데이터를 마케팅에 연결하는 사람, 전략에 연결하는 사람, 현장 운영에 연결하는 사람 모두 데이터 스토리텔러가 될 수 있다. 데이터 스토리텔러의 핵심 자질은 기술이 아니라 태도와 습관에 있다. 이 책을 읽은 분들이 일상에서 가설을 세우고, 숫자에서 이야기를 읽어내고, 분석 결과를 현장과 연결하는 연습을 계속하기를 바란다. 분석이 완벽하지 않아도 된다. 어제보다 조금 더 근거 있는 질문을 하는 사람이 되는 것, 그것만으로 이미 충분한 자질을 갖췄다."(265쪽, 에필로그: 데이터 스토리텔러로 산다는 것에서) ◆ 책 순서 프롤로그|데이터 기술자가 아니라 데이터 스토리텔러가 돼야 한다 1부. 이야기는 언제 만들어지기 시작하는가|데이터가 '의미'로 재탄생하는 순간 1장. 데이터란 무엇인가 2장. 데이터가 글보다 먼저였다 3장. 데이터를 공유하면 다툼이 사라진다 2부. 우리는 이미 이야기 속에 살고 있다|매일 쓰이는 데이터 4장. 일상은 데이터로 굴러간다 5장. 데이터 생산자이자 소비자로 살아가기 3부. 모든 이야기는 문제에서 출발한다|데이터로 문제를 해결하는 사고 체계 6장. 모든 정답은 잘 정의된 문제에서 시작된다 7장. 문제를 데이터 언어로 번역하는 법 4부. 장면을 보기 위해 무엇이 필요한가|데이터를 보기 전에 현실을 읽는 법 8장. 필요한 데이터는 '가지고 있는 데이터'가 아니다 9장. 데이터 탐색은 숫자가 아니라 현실을 읽는 일이다 5부. 모델은 시나리오를 위해 존재한다|모델링의 본질을 생각하기 10장. 모델링이란 결국 '틀'을 만드는 일이다 11장. 모델은 장면을 위해 존재한다 12장. 좋은 모델은 쉽게 설명할 수 있다 6부. 이야기는 어떻게 전달돼야 하는가|분석 결과를 스토리라인에 따라 만드는 법 13장. 보고서에서 가장 먼저 해야 할 질문 14장. 다시, 재미·기여·감동 중 무엇인가 7부. 이야기가 현실이 되는 순간|데이터 활용의 마지막 장면 15장. 적용되지 않은 분석은 분석이 아니다 16장. 성과는 숫자가 아니라 변화다 17장. 오답 노트가 조직을 성장시킨다 에필로그|데이터 스토리텔러로 산다는 것 참고|필요한 데이터는 어디서 구하는가
