[ADsP] 1과목 제 3장 데이터 사이언스와 전략

1과목. 데이터 이해 - 제3장 가치 창조를 위한 데이터 사이언스와 전략 인사이트

제1절 빅데이터 분석과 전략 인사이트
1. 빅데이터 열풍과 회의론
: 2013년 말을 기점으로 대중 관심이 식고 있음. 가트너는 이를 '피크 이후 기대가 실망으로 바뀌고 거품이 빠지는 과정이 찾아온다'라고 예측했다.
*빅데이터 회의론
1) 고객관계관리(CRM) -> 부정적 학습효과
: 도입만 하면 모두 해결될 지 알았는 데 어떻게 활용하고 가치 창출해야 되는지 모름 -> 장비와 설루션에 수백억 투자하고도 방치해 놓는 사태
2) 기존 프로젝트도 그냥 포장만 잘 해놓은 것이 많음
3) 빅데이터 굳이 필요없어도 대중 관심 높아서 사용
-> 우수고객 이탈, 고객 구매패턴 분석해 다음 구매 제품 예측 -> 기존 CRM에서도 가능했던 분석
=> CRM 분석을 빅데이터 분석으로 포장하는 형상

2. 왜 싸이월드는 페이스북이 되지 못했나?
: 분석을 통한 전략적 통찰력의 중요성을 알 수 있는 사례
: 데이터분석 기반 경영문화의 부재 -> 데이터 분석에 기초해 전략적 통찰을 얻고 효과적인 의사결정을 내리고 구체적인 성과를 만들어내는 체계가 X
-> 직관에 근거하여 의사결정

**분석 기반 경영이 도입되지 못하는 이유
1) 기존 관행 따르며 중요한 시도 X
2) 경영진의 직관적 결정
3) 분석업무 잘 모르는 사람들이 업무 할당
4) 아이디어보단 누구의 아이디어인지가 중요
=> 싸이월드가 가지고 있던 성향과 유사하다.

: 싸이월드도 OLAP 같은 인프라 갖추고 있었으나 중요한 의사결정은 데이터 분석에 기초하지 X ,
단순히 1차적인 분석만 하고 경영진의 직관력 보조에 급급,
사업상황 확인을 의한 협소한 문제들에 집중하는 경향

: 링크드인의 '당신이 알 수도 있는 사람' 이 성공요인

=> 전략적 분석과 통찰력 창출에 눈을 돌려야 하는 이유

3. 빅데이터 분석, 'Big'이 핵심이 아니다.
: 빅데이터에 관한 관심 증대의 긍정적 결과 중 하나
-> 데이터 분석 기반의 통찰의 중요성을 알린 것

왜? 대부분의 기업은 초기 단계에 머물러 있나??
1)
**데이븐 포트의 지적을 참고해보자.
"가령, 빅데이터를 가장 효과적으로 소비하는 것은 인간인가 기계인가?
고객 데이터와 운영 데이터 중 어느 것이 더 중요한가?
새로운 데이터가 과연 새로운 인사이트 도출을 축진 하는 가, 아니면 단순히 기존의 가설을 입증할 뿐인가?
빅데이터 프로젝트를 출범시키는 대부분의 대규모 조직은 기존 프로세스의 자동화를 우선 시행한 후 점차적으로 거시적 전략적 가치를 이끌어 낼 것으로 기대한다.
하지만 그러한 가치는 저마다의 시각에 따라 다를 수 있다. "
2)
더 많은 데이터가 더 많은 가치로 바로 연결된다고 볼 수는 없음에도 많은 기업은 우선 더 많은 데이터 보유에 관심을 쏟고 있다.
- 조슈아 보거 박사 "직관에 기초한 의사결정보다 데이터에 기초한 의사결정 그만큼 중요하다"-> 데이터 자체의 중요성을 강조
- 스티브 슈미트 "항상 의미있는 새로운 분석 평가지표를 찾고, 전략과 기업의 핵심 가치 및 강점에 관심을 집중"
-뉴밴티지의 설문 "데이터의 양이 아니라 그 다양성에 초점을 맞추고 있다. 빅데이터 이니셔티브는 다양한 데이터 소스와 신종 소스를 분석할 수 있는 능력이지 대용량 데이터 세트를 관리할 수 있는 능력이 아니다."
=> 데이터의 크기보다 ,
음성, 텍스트, 로그, 이미지나 비디오 같은 새롭고 다양한 정보 원천의 활용-> 새로운 비정형 데이터를 정형 데이터와 결합해 활용 -> 종합적이고 완벽하게 조망 가능
=> 무작정 북한 데이터가 아니라,
비즈니스 핵심에 보다 객관적이고 종합적인 통찰을 줄 수 있는 데이터를 찾는 것이 중요!
=> 전략과 비즈니스 핵심 가치에 집중 -> 관련된 분석 평가지표 개발, 이를 통해 효과적으로 시장과 고객 변화에 대응할 수 있을 때 빅데이터 분석은 가치 있음

=> 빅데이터와 관련된 걸림돌은
비용이 아니라 분석적 방법과 성과에 대한 이해 부족

4. 전략적 통찰이 없는 분석의 함정
: 빅데이터 회의론의 가장 큰 문제
- 그저 그런 것으로 받아들이도록 하여 그 획기적 속성을 제대로 알지 못하게 만든다는 것.
-> 데이터 크기를 떠나 전략적 분석이 주는 이점을 빠르고 구체적으로 이해해 받아들이는 것이 중요.
# 분석이 사업성과에 미치는 효과
- 기업이 양질의 데이터 기반을 구축 -> 경영자들은 데이터 및 시스템을 활용해 더 나은 의사결정을 내리는 것에 관심의 초점을 옮긴다.
- 분석 활용과 사업성과 사이에 상관관계있음
-> 성과 우수 기업 - 전략적으로 일상 업무에 분석 활용
-> 5배나 이상 전략적으로 분석 활용
-> 분석 지향성 강함 - 재무성과 우수
** 성과가 우수한 기업들도 가치 분석적 통찰력을 갖췄다는 비율이 낮음 -> 내재화가 그만큼 어려움
예) 아메리칸 항공 : 분석을 통해 비행경로와 일정 최적화 -> 복잡한 최적화 +  경쟁사도 유사 능력 갖춤(차별화 실패) + 의미 없는 분석 (저가항공사들이 더 낮은 가격을 이미 제공하고 있음) -> 경쟁우위 사라짐
반면) 사우스웨스트 항공 : 단순한 모델 사용 -> 흑자
=> 아메리칸 항공은 단 순히 분석을 많이 사용하기만 하였다. 경쟁의 본질을 제대로 바라보지 못하고 쓸모없는 분석 결과들만 잔뜩 쏟아냄.
=> 좀 더 넓은 시야에서의 핵심적인 비즈니스 이슈에 답하는 분석이 기업 경쟁 전약을 이끌어나가는 중심이 될 수 있다.

5. 일차적인 분석 vs 전략 도출 위한 가치기반 분석
: 빅데이터는 가치 창출이 가능해야 하고 그 시점이 빠를수록 좋다.
-> 이 가치는 각 산업의 특성이나 경쟁의 정도, 분석의 목적, 분석을 활용하는 수준에 따라 다양할 수 있다.
**일차적인 분석 애플리케이션 사례 (출제된 적 있음)
                                by 토마스 데이븐포트
1) 금융 서비스 : 신용점수 산정, 사기 탐지, 가격 책정, 프로그램 트레이딩, 클레임 분석, 고객 수익성 분석
2) 소매업 : 판촉, 매대 관리, 수요예측, 재고보충, 가격 및 제조 최적화
3) 제조업 : 공급사슬 최적화, 수요예측, 재고보충, 보증서 분석, 맞춤형 상품 개발, 신상품 개발
4) 운송업 : 일정관리, 노선 배정, 수익관리
5) 헬스케어 : 약품 거래, 예비 진단, 질병관리
6) 병원 : 가격 책정, 고객 로열티, 수익관리
7) 에너지 : 트레이딩, 공급, 수요 예측 -> 출제
8) 커뮤니케이션: 가격 계획 최적화, 고객 보유, 수요 예측, 생산능력 계획, 네트워크 최적화, 고객 수익성 관리
9) 서비스 : 콜센터 직원 관리, 서비스 , 수입 사슬 관리
10) 정부 : 사기 탐지, 사례관리, 범죄 방지, 수익 최적화
11) 온라인 : 웹 매트릭스, 사이트 설계, 고객 추천
12) 모든 사업 : 성과 관리
-> 이런 식의 분석 활용
: 중요한 시점에 경고 , 경쟁에서 뒤처지지 않고 변화하는 고객의 기대를 따라잡기 위해 무엇을 해야 할지 알려준다.
-> 아메리칸 항공의 예처럼,
내부의 문제에만 포커스가 있고, 주로 부서단위로 관리돼서 전체 조직의 성공 핵심 역할 기대하기 어려움
-> 결국,  쓸모없는 분석만 하다 자원 낭비할 수 있음

=> 사업성과를 견인하는 요소들과 차별화를 꾀할 기회에 대해 전략적 인사이트를 주는"가치 기반 분석 단계"로 나아가야 한다.

**전략적 인사이트를 주는 가치 기반 분석
: 인구통계학적 변화, 경제 사회 트렌드, 고객 니즈의 변화 등을 고려 + 대 변화 발생장소 예측
예를 들어, 싸이월드의 경우
관계 기반 위에 추구되는 핵심 고객가치, 이 가치의 전달체계, 적절한 이미지 제공 등이 핵심 요소로 도출 -> 각 세그먼트와 고객 단계별로 분석 가능

전략적 수준에서의 분석
=> 사업성과를 견인하는 요소들, 차별화를 이룰 수 있는 기회에 대한 중요한 통찰을 제공

제2절 전략 인사이트 도출을 위한 필요 역량 
1. 데이터 사이언스의 의미와 역할
**데이터 사이언스 : 데이터로부터 의미 있는 정보를 추출해내는 학문
 - 통계학  vs 데이터 사이언스 
    통계학 : 정형화된 실험 데이터를 분석 대상으로
    vs
    데이터 사이언스
    : 정형 또는 비정형을 막론, 인터넷, 휴대전화, 감시용 카메라 등에서 나오는 숫자, 문자, 영상 정보 등 다양한 유형의 데이터를 대상
 - 데이터 마이닝  vs 데이터 사이언스 
   데이터 마이닝 : 분석에 초점
   vs
   데이터 사이언스 : 분석뿐 아니라 이를 효과적으로 구현하고 전달하는 과정까지를 포함
=> 데이터 공학, 수학, 통계학, 컴퓨터 공학, 시각화, 해커의 사고방식, 해당 분야의 전문 지식을 종합한 학문 
     기존의 통계학과는 달리 총체적(holistic) 접근법을 사용 

**데이터 사이언스는 전략적 통찰을 추구하고 비즈니스 핵심 이슈에 답을 하고, 사업의 성과를 견인해 나갈 수 있다. 
=> 데이터 사이언스의 중요 역량 중 하나가 "소통력" 
 예) 링크드인 - 비즈니스 네트워킹에 초점 ->  people you may know(알 수도 있는 사람)이라는 배너 추가 : 삼각관계 원리 이용 

2. 데이터 사이언스의 구성 요소 
: 데이터 사이언스는 BI, BA 등과 혼용되기도 하고 상당히 포괄적인 의미를 담고 있다. 
**데이터 사이언스의 핵심 3 구성요소
1) IT 영역 : 시그널 프로세싱, 프로그래밍, 데이터 엔지니어링, 데이터 웨어하우징, 고성능 컴퓨터
2) 분석 영역 : 수학, 확률 모델, 머신러닝, 분석학, 패턴 인식과 학습, 불확실성 모델링 등
3) 비즈니스 컨설팅 영역 : 커뮤니케이션, 프레젠테이션, 스토리텔링, 시각화 등

**데이터 사이언티스트의 업무
: 빅데이터의 세계에서 의미 있는 발견을 할 수 있도록 훈련된, 호기심을 가진 전문가들
1) 데이터 소스를 찾고, 복잡한 대용량 데이터를 구조화, 불완전한 데이터를 서로 연결 -> 깔끔한 결과 내놓는다.
2) 문제의 이면을 파고들고, 질문들을 찾고, 검증 가능한 가설을 세우는 능력과 통계적 지식을 종합적으로 활용해 깔끔한 패턴이나 통찰력 있는 해결책 찾는다.
3) 시각적으로 보여주는 등 효과적인 커뮤니케이션을 통해 비즈니스가 어떠한 방향으로 나아갈 것인지를 제시

**데이터 사이언티스트가 갖춰야 할 역량
1) DJ Patil 
    - 기술적 훈련도 : 몇몇 과학 분야에 대한 전문적 지식
    - 호기심 : 숨겨진 것 찾고자 하는 욕구, 명확한 가설 집합 만드는 능력
    - 스토리 텔링 : 데이터를 활용하는 능력
    - 영리함 : 창의적 방식으로 문제를 다르게 보는 능력
2) Gartner 
    - 데이터 관리 : 데이터에 대한 이해
    - 분석 모델링 : 분석론에 대한 지식
    - 비즈니스 분석 : 비즈니스 요소에 초점
    - 소프트 스킬 : 커뮤니케이션, 협력, 리더십, 창의력, 규율, 열정
3) Sunil Shirguppi 
    - 데이터 자체를 다루기 위한 능력
     : 데이터 수집력, 표준화, 통계 , 모델링
    - 데이터를 분석하여 의미 있는 결과를 도출하고 이를 적용하기 위한 능력
     : 호기심, 직관력, 비주얼라이제이션(시각화) , 커뮤니케이션
4) John Rause
    - 수학과 공학 능력 : 데이터의 분석 및 이를 위한 설루션 작동을 위해 필요
    - 인문학적 소양 : 비판적 시각(가설 수립 및 검증) , 글쓰기 능력 및 대화능력(분석 결과 전달, 이해, 설득)
    - 호기심 및 행복 : 통찰력의 발휘 및 일에 대한 만족과 보람도 필요

=> "강력한 호기심"을 가장 중요한 특징으로 생각한다.
     : 호기심이란, 문제의 이면을 파고들고 질문들을 찾고 검증 가능한 가설을 세우는 능력
    + 스토리 텔링, 커뮤니케이션, 창의력, 열정, 직관력, 비판적 시각, 글쓰기 능력, 대화 능력 등을 갖춰야 한다고 지적

**데이터 사이언티스트의 요구 역량을 두 가지로 나눠서 분류 (하드 스킬 & 소프트 스킬) 
1) 하드 스킬 : 데이터 처리나 분석 기술과 관련된 것. (분석 기술의 숙련도 + 관련 기법에 대한 이론적 이해; 분석학 + IT 전문성) 
2) 소프트 스킬 : 통찰력 있는 분석, 설득력 있는 전달, 협력 등 

데이터 사이너티스트의 요구역량

데이터 사이언티스트의 요구역량 _ 하드스킬 & 소프트 스킬

 

3. 데이터 사이언스 : 과학과 인문의 교차로 
: 빅데이터를 통해 더 높은 가치를 창출하고 진정한 차별화를 가져오는 것은 
-> 사고방식, 비즈니스 이슈에 대한 감각, 고객들에 대한 공감 능력 등 전략적 통찰과 관련된 소프트 스킬 덕분이다!!!
: 통찰력 있는 분석은 "직관과 전략, 경영 프레임 워크 , 경험"이 혼합돼야 한다.
-> 전체 업계가 어디로 향하는지, 고객이 무엇을 중시하게 될 지에 대한 비전을 갖고 있어야만 한다. 
=> 애플!! 애플의 대성공 이면에는 이러한 넓은 시야와 철학이 깊게 작용하고 있는 것! 
     페이스북!! 지구상의 모든 사람을 연결한다는 인문학적 통찰력으로! 

** 뛰어난 분석적 리더들은 언제 직관을 사용해야 할 지도 알고 있다. 그들은 의사결정에 예술과 과학을 혼합!
가능한 한 분석을 사용하지만 큰 그림도 놓치지 않는다. 사업의 일부 측면들, 예를 들어 사업모델과 고객가치의 주요 변화 같은 것은 인간의 두뇌를 필요로 한다는 사실을 염두에 둬야 한다.

4. 전략적 통찰력과 인문학의 부활
**인문학의 중요성 _외부 환경적 측면
1) 단순 세계화 -> 복잡한 세계화
    : 컨버전스의 동역학, 규모의 경제, 글로벌 효율성 , 표준화 이성화
      -> 디버전스의 동역학 , 다양성, 사회 정체성과 그 맥락, 관계, 연결성, 창조성 등 
    => 신흥국이 생산기지이자 시장!!! (구미일이 아니라 신흥국이 둘 다의 역할을 함!!!) 
2) 제품 생산 -> 서비스
    : 고장 나지 않는 뛰어난 품질의 제품 -> 체험 경제, 고장 나도 얼마나 뛰어난 고객 서비스를 제공하는 가
3) 생산 -> 시장 창조
    : 기술을 가지고 대규모 투자를 통해 좋은 품질의 제품을 만들던 공급자 중심의 기술 경쟁 (암묵적 지식과 낮은 연관성)
     -> 새로운 현지화 패러다임에 근거한 시장 창조, 현지 사회나 문화와 관련된 암묵적이고 함축적 지식과 같은 무형 자산이 중요
    => 공급자 중심 기술 경쟁 -> 소비자가 재미와 편의를 이해하기 위한 창조 과정에 주목하는 인문학적 통찰력이 필요
    => 벤치마킹으로 성장 -> 스스로 혁신을 통해 끝없이 자신을 극복해야 하는 새로운 도전에 직면

** 기존 사고의 틀을 벗어나 문제를 바라보고 해결하는 능력, 비즈니스의 핵심 가치를 이해하고 고객과 직원의 내면적 요구를 이해하는 능력 등 인문학에서 배울 수 있는 역량이 전점 더 절실히 요구되고 있다.

5. 데이터 사이언티스트에 요구되는 인문학적 사고의 특성과 역할
** 비판능력
 - 다른 사람의 생각을 헐뜯는 것이 아니라 그런 생각을 할 수밖에 없도록 만들었던 것을 들춰내는 일 - 내가 사는 집의 벽이 어떤지 
  -> 예술은 이런 익숙한 것들을 일순간에 낯설게 만들어 다시 들춰낸다. (기존의 상식을 뒤집은 곳!)
  ->  왜 우리는 여태 이런 식으로 생각했나, 왜 우리는 세상이 그런 것인 줄만 알았나 하는 물음을 던지는 것! 
  -> 통찰력 있는 분석과 비판은 맥을 같이 한다. -> 검증 가능한 가설 세우고 실험을 거듭하는 것 

**분석으로 다룰 수 있는 핵심문제 (6가지)
1) 단순히 정보 활용 :
    (과거) 단순 보고서 형태로 정리 
    (현재) 어림 규칙 적용해 정규적 패턴 파악; 주의나 경고 정도만 가능
    (미래) 추출 
   => 왜 어떤 일이 발생하고 또 어떻게 발생할지는 알 수 없다.
2) 통찰력 제시하는 단계 : 분석의 여러 도구들을 활용해 더 깊이 파고들기
    (과거) 통계적 모델링 등을 활용해 어떻게, 왜 그런 일이 발생하는지에 대한 설명 제공
    (현재) 더 나은 결과를 얻기 위해 무엇을 해야 하는지 효과적인 권고
    (미래) 예측, 최적화, 시뮬레이션들을 통해 최악이나 최선의 상황이 무엇인지 파악하고 최선의 결과 끌어내기

분석으로 다룰 수 있는 핵심 문제

=> 최고의 데이터 사이언티스트 = 정량 분석이라는 과학 + 인문학적 통찰에 근거한 합리적 추론을 탁월하게 조합 

6. 데이터 분석 모델링에서 인문학적 통찰력의 적용 사례
** 금용 업에서의 '신용리스크 모델'
  : 예전에는 선진국의 모델을 벤치마킹했지만 수준이 세계적 단계에 다다르며 더 이상 벤치마킹할 대상이 없어졌다.
    그렇기에 근본적인 질문을 던지며 집요하게 따져 물으며 여러 관점을 고려
 - 금융업에서 인간을 바라보는 관점 ( 3가지)
  1) 타고난 성향의 관점 : 인간을 변하지 않는 존재로 상징 
      원래의 성향이 존재하고 이것을 기초로 나뉜다. -> 과거 인상이나 관상으로 판단하려 했던 것 
  2) 행동적 관점 : 한 사람의 행동을 지속적으로 관찰해 그 행동을 보고 그 사람을 판단
       현재의 신용 리스크 모델 - 이전의 신용 행동을 근거로 판단 
  3) 상황적 관점 : 갑작스레 상황이 바뀌면 인간은 전혀 다른 행동을 하기도 한다. 그 사람이 놓여 있는 상황과 맥락 고려 
=> 이러한 관점은 다양한 영역에서 응용할 수 있다.
**리더십 연구의 예제 : 나폴레옹의 리더십 연구 
   1) 성향적 관점 : 나폴레옹의 유전적 특성 등 그의 성향   
   2) 행동적 관점 : 어떤 행동을 했느냐는 관점에서 그의 리더십 연구  
   3) 상황적 관점 : 고정된 의미의 리더십에서 벗어나, 해당 상황 간의 적합성에 의해 결정되는 것으로 리더십의 유효성 바라봄

제3절 빅데이터 그리고 데이터 사이언스의 미래 
1. 빅데이터의 시대
: 기업들에게 비용절감, 시간 절약, 매출 증대, 고객 서비스 향상, 신규 비즈니스 창출, 내부 의사 결정 지원 등에 있어 상당한 가치를 발휘하고 있다. 

2. 빅데이터 회의론을 넘어 : 가치 패러다임의 변화 
: 좀 더 큰 그림을 그리고 폭넓은 관점에서 세상의 변화를 읽어내는 능력, 내면에 숨은 뜻과 흐름, 추세를 추측하고 역사적인 사례와 비교해 우리 세상이 어떤 방향으로 가고 있는지 알아내는 작업이 필요하다. 
: 가치 패러다임은 부의 원천으로 작용하고 있다. 
: 지식경제 기간에 국한하여 살펴볼 때 가치 패러다임은 3단계로 구분된다.   
   1) 디지털화 : 빌 게이츠, 도스-> 오피스 프로그램 등   
   2) 연결 (connection) : 야후의 실패, 구글의 성공 
        -> 환경의 영향을 많이 받는 데 한국의 인터넷 환경에 연결 대상이 그리 많지 않아서 구글보다는 정확도가 높은 네이버가 성공 
   3) 에이전시(agency): 사물인터넷의 성숙과 함께 연결이 더 증가 & 극도로 복잡 -> 얼마나 효과적이고 믿을만하게 관리해주는 가
        -> 수많은 빅데이터 신속, 정확히 처리 + 개인과 기기와 사물이 맺고 있는 하이 펴 연결 효율적 관리할 대상이 데이터 사이언스!

3. 데이터 사이언스의 한계와 인문학
: 숫자는 때론 만들어낸 사람들과 마찬가지로 거짓말을 할 수 있다.
: 분석과정에는 가정 등 인간의 해석이 개입되는 단계를 거칠 수밖에 없다.
: 정량적 분석이라고 모든 분석을 가정에 근거한다는 사실 -> 실제 외부 요인은 계속 변화하고 있음에도 불구
 => 즉, 대다수 모델들은 수집된 데이터의 범위 내에서만 정확할 뿐 - 2008년 전후한 글로벌 금융위기 가 좋은 사례
 예) 월스트리트의 금융공학자들이 만든 주택담보대출 증권의 트레이딩 모델은 과거 상황 너무 많이 포함, 모기지론 모델들은 주택 가격을 지나치게 낙관적인 가정에 근거, 신용리스크 모델은 신용시장이 계속 유동성을 공급할 것이라는 가정에 근거
 -> 지나치게 긍정적인 가정들과 모델에 대한 과신이 전 세계를 엄청난 혼란으로 몰고 갈 수도 있다.
**데이터 분석이 완벽하지는 않지만,
     데이터에 근거한 판단이 그래도 편협한 자기 정당화, 근거 없는 대안, 정보가 뒷받침되지 않는 직관보다는 낫다.
     그러니, 항상 의구심을 가지고 현실의 불일치에 대해 끊임없이 고찰하고 예측할 수 없는 위험을 살피기 위해 현실 세계를 주시


=> 디지털 환경의 진전과 더불어 엄청난 데이터가 생성되어 또한 다양한 측면에서 활용되고 있다. 이러한 빅데이터는 미래 가치 패러다임 변화의 핵심으로 데이터 사이언스는 빅데이터에 묻혀 있는 잠재력을 풀어내고, 새로운 기회를 찾고 누구도 보지 못한 창조의 밑그림을 그리는 중심이 될 것이다.

[연습문제]
1. 데이터 사이언스의 핵심 구성요소는? IT부문, 분석 부문, 비즈니스 컨설팅 부문 

2. 데이터 사이언티스트의 요구 역량
1) 하드 스킬
 - 빅데이터에 대한 이론적 지식 : 관련 기법, 방법론 습득
 - 분석 기술에 대한 습득 : 최적의 분석 설계 및 노하우 축적
 2) 소프트 스킬
 - 통찰력 있는 분석 : 창의적 사고, 호기심, 논리적 비판
 - 설득력 있는 전달 : 스토리 텔링, 비주얼라이제이션
 - 커뮤니케이션 : 협력

3. 맞는 설명 고르기
1) 빅데이터 과제의 주된 걸림돌은 비용이 아니라 분석적 방법에 대한 이해 부족이다.
2) 분석을 다방면에 많이 사용하는 것이 경쟁 우위를 가져다주는 첫 번째 요소이다.
    ->다양한 데이터를 활용하여 유의미한 분석을 하는 것이 중요
3) 빅데이터 분석에서 가치 창출은데이터의 크기에 의해 좌우된다. 
    -> 데이터의 크기가 아니라 분석 통찰력에 의해 좌우
4) 성과가 높은 기업들은 대부분 폭넓은 가치 분석적 통찰력을 갖추고 있다.
    -> 통찰력이 낮다 -> 내재화가 어렵다

4. 전략적 가치기반 분석을 위해 고려해야 할 요소 아닌 것?
1) 사업에 영향을 미치는 트렌드에 대해 큰 그림을 그려야 한다. 
2) 사업 성과를 견인하는 핵심 요소에 집중해야 한다
3) 기존 성과를 유지하기 위해 필요한 것이 무엇인지에 주의해야 한다.
4) 경쟁의 본질에 영향을 미치는 단계에까지 나아가야 한다

5. 틀린 것은?
1) 강력한 호기심은 데이터 사이언티스트의 중요한 특징이다.
2) 과학적 분석과정에는 가정과 인강의 해석이 개입하지 않는다 -> 가설 설정에 개입된다.
3) 분석은 미세한 관점에서 접근할 때 크 효과를 보기 어렵다
4) 뛰어난 분석적 리더들은 의사결정에서 과학과 직관을 혼합한다.