자기계발 건강정보 습관 공부방법

난 왜 해도 해도 안될까?

그 누구도 성공하려면 정확히 어떻게 해야 하는지 알려줄 수는 없다. 방법에는 수백수천 가지가 있고, 또 운이 좌우하는 영역이라 여러 조건을 충족시키더라도 성공을 보장할 수는 없기 때문이다.

하지만 실패하는 방법은 간단한데, 다음 행동만 피해도 성공에 한 걸음 가까워질 수 있다.

지금부터 성공하는 사람들이 거부하는 4가지 행동을 소개한다.

1) 너무 완벽한 계획

완벽한 계획을 세우는데 집중하는 계획주의자 스타일이라면 실패할 확률이 높다. 비즈니스 경험이 풍부한 사람은 완벽한 계획이란 존재하지 않는다는 사실을 잘 안다. 비즈니스 세계는 복잡계이기 때문에 정확하게 예측할 수는 없으며, 당연히 완벽한 계획이 있을 리 만무하다.

현명한 비즈니스맨은 완벽한 계획을 세우기 위해 시간과 돈을 낭비하지 않는다. 부족한 계획이라도 빠르게 실행해보고 피드백을 통해 계획을 업그레이드해야 한다.

2) 자신만 이기는 거래

일은 일종의 상대와의 거래다. 거래는,

승-패, 패-승, 승-승, 패-패

의 4 종류가 있는데, 실패하는 사람은 승-패, 그리고 간혹 패-승을 추구한다.

반면에, 성공하는 사람은 승-승이 아니면 거래하지 않는다는 자세를 가진다.

<성공하는 사람들의 7가지 습관>의 저자 스티븐 코비는 강조했다.

"자신만 이기는 것이 아니라, 상대방도 이득을 볼 수 있어야 장기적인 거래가 가능하다."

연결이 더 원활해진 사회, 승-승 시너지의 선순환 속도가 점점 빨라지고 있다. 자신만 이기는 거래를 하는 사람은 나쁜 평판에 시달리다 결국 추락하고 말 것이다.

3) 자신을 한계 짓기

사람은 자신이 한계 짓는 선까지만 성장할 수 있다. 많은 성취를 이룬 사람들은 스스로를 한계에 가두지 않는다. 뇌 과학에서 인간의 뇌는 가소성이 있어 죽을 때까지 성장할 수 있다고 한다. 그러므로 잠재력을 높이는 방법은 우선 잠재력이 높다고 믿는 것이다. 하지 못할 거라고 말하는 악마의 속삭임에 넘어가지 말라!

4) 나이와 경험 우선주의

변화 속도가 빠르지 않던 시절에는 나이와 경험이 중요했다. 그러나 예전의 지식이 구닥다리가 되는 속도는 너무 빨라졌다. 기존의 지식보다는 새로운 지식을 얼마나 빨리 습득하는지가 중요하다. 꼰대 마인드를 가지고 있으면 주변 사람들을 피곤하게 할 뿐만 아니라 사회에서도 도태되는 것이다.

성공한 사람들은 실패로 이끄는 이 4가지로부터 멀리멀리 달아난다.

이 행동만 잘 피해도 당신이 성공에 이를 확률은 비약적으로 높아진다. 무엇을 하는 것만큼 무엇을 하지 않는 것도 중요하다는 사실을 반드시 기억하자.

신영준, 고영성의 <뼈있는 아무말 대잔치> 중에서

내가 가끔 방 청소를 하려 마음먹었을 때, 갑자기 누가 청소를 시키는 경우가 있다. 이런 경우 이상하게도 방금 전까지 청소를 하고 싶던 마음이 완전히 사라지면서 갑자기 청소하기가 싫어진다.

도대체 이렇게 되는 이유는 무엇일까?

<반영조직>의 저자이자 쿠퍼실리테이션그룹의 대표 구기욱 씨는 이렇게 말한다.

똑같이 하는 일이라고 해도 하고 싶었던 마음이 사라지는 이유는, 바로 나의 자유와 성취가 사라졌기 때문입니다. 자유가 있다는 것은 자신이 선택권과 결정권을 가지는 것을 의미합니다.

'방 청소 좀 해라!'

누가 이렇게 말하는 순간, 나의 선택권과 결정권은 사라지게 됩니다. 청소하는 것이 내 결정으로 시작된 것이 아니라, 다른 사람으로부터 시작한 것으로 변질되어 버리기 때문입니다.

즉, 나로부터 시작한 것 다시 말해, 내가 결정해서 행동한 일이 아니라면 결과를 이룬 후 느끼는 성취감 역시 내 것이 되지 못합니다.

이런 상황은 사실 회사에서도 똑같이 일어나고 있습니다. 상사가 시키는 일을 하다 보니 일에 대한 몰입도와 성취감이 낮아집니다. 자유와 성취감이 사라질수록 조직 전체의 성과가 떨어지는 건 당연한 수순입니다.

이런 문제를 극복하기 위해 '반영조직'이라는 개념을 제안합니다.

반영조직이란, 구성원의 의지가 의사결정에 늘 포함되는 조직인데요, 일에 대해 스스로 결정하고 책임지기 때문에, 구성원들이 자유와 권한을 가지고 일을 할 수 있습니다.

그렇다면 반영조직은 어떻게 만들 수 있을까요?

먼저 조직의 가장 핵심적인 활동인 회의에 대해 말씀드리면, 반영조직의 회의는 해결하고자 하는 문제에 대해 관심을 가진 구성원들이 한자리에 모여 거리낌 없이 의견을 개진하고, 서로 생각을 교환하고 발전시켜 해결안을 찾아내는 과정입니다.

일반적인 회사의 회의 문화를 보면 권한 있는 한 사람이 최종 의사결정을 내리는데, 그게 효율적으로 보이니까 조직에 도움이 될 거라고 생각하기 때문이죠. 하지만 이런 단독 결정 문화는 구성원의 자유와 성취를 박탈하게 되고, 일하는 재미를 잃어버린 채 주인의식을 갖지 못하게 만듭니다.

회의 시작부터 구성원의 의지를 담아내기 시작하면 논의 과정에서 공정하고 합리적으로 그들의 의견을 반영하기 때문에, 결과물인 프로젝트에 대해 애착과 실행 의지를 갖게 됩니다. 회의 결과로 만들어진 프로젝트에 대해 스스로 수행하고자 하는 프로젝트를 선택하게 하고, 실행의 바탕에 리더의 지지, 자원 공급, 제도의 마련 같은 조직적 차원의 지원이 필요합니다.

이처럼 구성원들이 내린 결론이 실행되고 그 결과를 직접 마주할 때, 구성원들은 자부심을 갖게 됩니다. 만약 효과를 내지 못하고 실패한다 해도 그 실패를 책망하지 않고, 실패 원인을 탐색하고 다시 구성원의 의견을 반영하여 합의에 따른 결정을 내리게 되면, 그들은 높은 소속감과 주인의식을 가지면서 일할 수 있습니다.

이런 선순환이 반복적으로 일어나는 조직이 바로 반영조직입니다.

회사가 최고의 성과를 내면서 구성원들 또한 성장하는 방법은 바람직한 조직에 대한 철학을 기본으로 만들어집니다.

지금의 조직은 '반영조직'의 조건인 성취감과 자유를 지킬 수 있는 철학을 제대로 갖추고 있는가? 그렇다면 실질적으로 어떻게 회의를 해야 할까?

1) 목적

반영 회의를 진행하기 전, 어떤 목적으로 회의를 할 것인지 확정하는 단계

2) 조성

목적에 맞는 참여자, 시간, 장소, 도구 선정 및 참여자의 참여 욕구를 자극하는 단계

3) 표출

표출된 아이디어를 인과, 연관, 절차 등의 구조로 파악하여 정리하는 단계

4) 정렬

참여자 내면의 정보, 지식 등을 꺼내 놓는 단계. 실행될 수 있도록 책임과 기한을 명확히 하는 단계

5) 탐색

정렬된 아이디어를 근거로 추가적인 가능성, 인과관계, 합리성 등을 탐색하는 단계

6) 평가

제기된 아이디어와 대안 중에서 의사결정을 위해 필요한 평가 기준을 확인 및 적용하는 단계

7) 결정

평가를 바탕으로 구성원의 의견을 최대한 반영하여 대안을 최종 선택하는 단계

8) 실행

결정된 시행안이 실제로 실행되는 단계

구기욱 저 <반영조직>과 <체인지 그라운드>를 참고

폴란드에서 1946년 태어난 알렉산더 도바는 올해로 73세.

그가 세계적인 '모험왕'이라 불리는 이유는, 2010년, 2013년 그리고 2017년 세 번에 걸쳐 7m짜리 카약과 노 한 개만으로 홀로 대서양 횡단을 했기 때문입니다.

세 번이나 대서양을 건너면서 겪은 고초는 말로 다 할 수 없겠지요.

2010년 노인의 첫 항해 뉴스는 아프리카 세네갈에서 출발해 브라질의 아카라우에 도착하는 것이었습니다. 나이 65세, 99일 동안 노를 저어야 했죠.

항해 동안 일사병이 걸릴 정도로 무더운 날씨가 계속되고, 어떤 때는 자신과 카약 전체를 집어삼킬듯한 폭풍우를 만나기도 했습니다.

'이게 죽는다는 것이구나.'

10m짜리 파도를 보며 사랑하는 아내가 스쳐 지나가기도 했습니다. 그가 사용한 카약에는 노인의 몸뿐 아니라 식량, 안전 도구 등 모든 짐을 실어야 하는데, 약 680Kg 정도 됩니다.

홀로 대서양을 건넌다는 감당하기 어려운 두려움, 외로움 등의 감정은 제쳐두더라도, 장시간 카약을 운행한다는 건 아무리 건장한 청년이라도 결코 쉬운 일이 아니지요.

한 번은 키가 고장 나서 위태로운 상황에 처했는데, 다행히 지나던 외항선의 도움으로 긴급수리를 할 수 있었습니다. 3시간 이상 잠자는 건 사치입니다. 모두 쪽잠이었지요.

생존하기 위해 노인은 이 3가지를 사랑해야 했습니다.

인내심, 외로움 그리고 두려움.

첫 항해에 노를 저은 거리는 5,500Km. 시간당 2.26Km로 저은 것이고, 24시간 동안 평균 54Km의 거리. 하루 항해 최고 거리는 126.5Km. 세네갈을 출발할 때 64Kg이던 체중은 브라질에 도착했을 때 15Kg이 빠진 49Kg이었습니다.

첫 항해를 마치고 휴식을 취하던 노인은, 이번에는 항해거리를 2배로 늘린 10,000Km에 도전합니다. 당연히 이번에도 혼자지요.

2013년 10월 68세, 2번째 항해가 시작되었습니다.

포르투갈 리스본을 출발한 카약은 167일 후 미국의 플로리다에 도착합니다. 무려 12,437Km를 홀로 노를 저은 것입니다. 이 루트에는 지나가는 배나 비행기가 자주 실종된다는 '마의 버뮤다 삼각지대'가 있었지요. 하지만 노인의 열정을 집어삼키지는 못했습니다.

2017년 10월, 3번째 항해에 나섭니다.

미국 뉴저지의 바네갓만에서 출발해 프랑스 르콩케 항구로 진입하는 것이었죠. 72세 노인은 또다시 성공적으로 110일 항해를 마칩니다.

3번의 항해 모두 오로지 자신의 힘으로, 자신과 싸워 해낸 것입니다. 좁은 카약에서 절뚝거리며 내리는 노인이 말했습니다.

"피곤하고 지쳤지만 행복합니다."

신문기자가 물었습니다.

'알렉산더 도바, 또 항해에 도전할 건가요?'

노인의 몸은 축 처져있었지만 그의 눈만은 또렷했습니다.

저의 카약 사랑은 34세 때부터였습니다. 그로부터 40년이 됐네요. 이제는 멈추고 싶어도 멈출 수가 없어요. 저의 열정은 또 다른 모험과 생명의 삶으로 이미 향하고 있습니다.

또 할 거냐고요? 당연합니다.

사람들은 제 항해를 보며 부러워합니다. 그리고 다음 항해 계획을 발표할 때 말합니다.

'상상만 해도 너무 멋지네요! 도바'

하지만 그들은 꼭 단서를 붙이죠.

'도바, 이제는 불가능할 것 같아. 나이를 생각해야지.'

"그들은 한결같이 이번이 마지막 항해라고 말했습니다. 하지만 저는 늙어가는 제 몸에 맞추어 내는 지혜로 결국 해내는 방법을 찾아냈고, 그 누구도 볼 수 없었던 아름다운 세상의 면면들을 제 눈과 마음에 담을 수 있었습니다.

저도 한 가지 묻고 싶습니다.

여러분들도 저와 비슷한 열정을 갖고 있나요? 그것이 뭔지는 모르겠지만, 이것만은 분명하다고 말씀드리고 싶습니다. 70세의 노인이 해냈다면, 당신은? 당연히 할 수 있습니다."

알렉산더 도바의 인생 조언

1) 꿈에 관하여

꿈꾸는 것을 두려워하지 마세요. 당신의 꿈을 계획으로 바꿔보세요. 야심찬 계획일수록 좋습니다. 그리고 그것을 실행하세요.

야심찬 계획을 실행하기 위해 주의 깊고 체계적으로 준비해야 합니다. 계획을 끊임없이 이행하는 게 중요합니다. 실행의 과정에 당신을 흐트러뜨리는 것들을 가만히 두지 마세요.

2) 대담함에 관하여

긴 여행을 할수록 예측할 수 없는 상태에 빠져들게 됩니다. 다른 사람들이 움츠러들거나 불만을 가질 때, 여행의 불확실성은 나를 계속해서 일깨웁니다.

재미와 모험으로 가득 찬 인생은 많은 사람들이 바라는 것입니다. 하지만 저는 꿈꾸는 것뿐만 아니라 실제 탐험이 필요합니다. 진정한 모험은 TV나 뉴스 앞에 있지 않습니다.

3) 경이로움에 관하여

'생명의 삶의 경이로움', 인간은 자연의 아름다움 앞에 섰을 때 압도됩니다. 엄청난 파도와 폭풍구름 그리고 수십 Km 밖에서 불어오는 미풍이 저를 감쌀 때, 저는 고개를 숙여 저를 되돌아보게 됩니다. 그렇게 더 깊이깊이 자신을 성찰하세요.

나쁜 사람을 멀리하고 그 시간에 자연을 가까이하세요. 자신을 가까이하세요.

New York Times Magazine의 <Why he kayaked across the Atlantic at 70 (for the 3rd time)>과 <체인지 그라운드> 참고

인공지능이란 무엇인가? 새삼스럽지만 중요한 질문입니다.

인공지능으로 어떤 비즈니스를 할 것인가? 많은 분들은 인공지능하면 대단한 사업일 거라고 생각하는 경향이 있습니다.

구글, 페이스북, 아마존, 애플과 같은 유명 거대기업들은 하루가 멀다하고 인공지능을 선보이고 있습니다. 그러나 냉정하게 봐야지요. 이 기업들은 제품을 팔아 먹기 위해서 혹은, 자신들의 서비스에 더 많은 시간을 쓰도록 인공지능을 이용하는 것일 뿐입니다.

여기에 함정이 하나 있습니다.

이런 거대기업들의 인공지능 서비스만을 인공지능으로 생각한다면, 우리는 아무 것도 할 수 없을지도 모른다는 겁니다.

인공지능은 인격체가 아니다

또 하나의 오류를 지적하고 넘어가야 합니다. 많은 분들은 인공지능이 로봇과 동일하다고 생각하기도 하고, 이제 인간이 할 수 있는 일이란 존재하지 않는다고도 생각할 수 있습니다. 그러나 영화 속 로봇을 인공지능이라고 생각한다면, 비즈니스에서의 활용법은 찾을 수 없을 것입니다.

인공지능을 활용하는 것은 '데이터 활용'이라고 생각해야만 합니다. 그렇습니다. 여기서도 많은 분들은 '데이터 활용'이 분석이라고 생각하실 겁니다. 하지만 이것도 아닙니다.

기업의 현실이 말해줍니다.

실제로 보면 데이터를 기반으로 의사결정을 하는 경우는 거의 존재하지 않습니다. 대부분은 의사결정을 먼저 내려놓고, 근거 자료를 위해 '데이터 분석'을 사용하는 경우가 많지요. 따라서 기업에서 분석 리포트가 어떤 가치를 창출하는 결과로 이어지는 경우는 극히 드물다는 것입니다.

그러니 우리는 '인공지능으로 무엇인가를 해야한다'는 생각에 매몰되어 있는 것은 아닐까요? 이 의문을 잘 고민해 보아야만 합니다.

인공지능이란 무엇인가?

이제 원점에서 다시 시작해 보겠습니다.

'인공지능은 무엇이다.'라고 쉽게 말할 수 있으면 좋겠지요. 그러나 대중적으로 합의된 '인공지능의 정의'는 존재하지 않습니다. 사람마다 각자의 배경 지식과 경험에 따라 인공지능을 다르게 생각한다는 뜻이지요.

따라서 부정적인 입장과 긍정적인 입장으로 나눌 수 있습니다. 우선 '인간과 기계의 대결'로 보는 부정적 입장이 있고, '인간의 도구'라고 보는 긍정적 입장이 있습니다.

인공지능은 경영학과 비슷하다

인공지능이 처음 만들어지기 시작했을 때부터 명확한 형태가 있었던 것은 아닙니다. 그렇기 때문에 많은 분들은 인공지능의 의미를 혼동하고 있는데, 특히 인공지능과 로봇을 동일시하는 경우가 제일 많습니다. 그러나 인공지능과 로봇은 분리하고 구분해서 인식해야 합니다.

'데이터 드리븐 비즈니스'라고 언급되는 사업영역들이 있습니다. 이것은 인공지능을 본격적으로 활용하는 경영방법을 말합니다. 이렇게 표현하면 데이터를 분석해서 이를 기반으로 의사결정을 한다고 말씀하시겠지만, 이런 행위의 중심에는 언제나 데이터가 아닌 인간이 있었다는 점을 주목하세요.

데이터가 이끄는 대로 결정하는 것이 아니라, 항상 데이터를 인간이 볼 수 있도록 만들고, 여기에 다시 인간의 주관적인 견해를 붙여서 결정해왔던 것입니다.

그리고 '데이터 드리븐 비즈니스'는 원래부터 그렇게 하는 것이 아닙니다. 머신러닝 (Machine Learning)과 딥러닝 (Deep Learning)이라는 것이 있는데, 데이터 드리븐 비즈니스에서 많이 사용되고 있는 인공지능은 바로 이 두 가지로 볼 수 있겠지요. 물론 이 개념도 혼용되고 있는 게 사실입니다.

머신러닝

컴퓨터가 데이터를 통해 '스스로 학습하는 것처럼'하는 기술입니다. 여기서 주목할 것은 '스스로'와 '학습하는 것처럼'인데, 머신러닝에서 인간은 컴퓨터에게 처리방법을 알려주지 않습니다. 대신 머신러닝은 충분한 데이터만 있다면 광범위하게 사용될 수 있고, 그래서 기업경영에서 최근 매우 중요한 자리를 차지하고 있습니다.

머신러닝의 종류

머신러닝에는 몇 가지 유형이 있습니다.

1) 우선 '지도 학습'으로 '예측하기'가 있는데, '경험 기반 타게팅'을 생각할 수 있고, 영화 마이너리티 리포트 처럼 범죄 예측 모형도 사실은 '지도 학습'이라고 봐야합니다.

2) '비지도 학습'으로 '이해하기'가 있는데, 이것은 컴퓨터에게 정답을 알려주지 않는 방법으로, 데이터에서 고객 세그먼테이션을 하는 경우가 해당됩니다.

3) 마지막으로 '강화학습'은 알파고에 사용된 알고리즘으로, 보다 강력한 실행 결과를 만들어 냅니다.

반면, 딥러닝은 머신러닝과는 약간 다릅니다. 엄밀히 보면 '머신러닝'의 하위 개념이지요.

즉, 딥러닝은 인공신경망의 일종입니다. 그러나 많은 분들은 머신러닝과 혼용하고 있기도 합니다. 딥러닝의 하위 분류로는 DNN, CNN, RNN, GAN이 있는데, 이 내용은 너무 깊게 들어가야 하니, 여기서는 생략합니다. (책에는 설명이 있음.)

빅데이터란 무엇인가?

인공지능은 데이터를 활용하는 것이라고 위에서 설명했습니다. 그렇다면 우리가 생각하는 빅데이터란 과연 무엇인가?

미디어에서는 '빅데이터 분석에 따르면' 이라는 표현을 많이 사용합니다. 물론 이런 표현이 늘어나게 된 이유가 있습니다. SNS 인기가 높았던 시기, 때 마침 '하둡의 실무 적용'이 진행 중이었지요. 그러다보니 자연어 처리 기술에 기반한 텍스트 마이닝 기법으로 SNS 텍스트를 분석했고, 그 결과가 '빅데이터 분석'이란 이름으로 대중에게 소개되었던 것 뿐입니다.

빅데이터는 방해만 될 뿐이다

그러나 빅데이터란 개념은 기업들에게 방해만 될 뿐입니다. '빅'이라는 말은 오해를 만들고 방향에 혼돈을 줍니다. 그리고 적절치 않은 기대를 만들어 주기까지 합니다. 사실 빅데이터 분석은 데이터 분석과 다르지 않습니다. 그럼에도 불구하고 많은 사람들은 빅데이터가 어려운 기술이기 때문에, 데이터 전문가의 영역이라고 생각하기까지 합니다.

빅데이터는 하나의 '기술'로 이해해야만 한다.

빅데이터는 분석할 대상이 아니라, 기술의 집합으로 인식해야 합니다. 기업 경영에서도 걸핏하면 빅데이터를 운운하는데, 이 말은 제한적으로 사용되는 것이 옳습니다.

우선 데이터 분석을 프로세스의 일부로 포함해야 합니다. 뒤에서도 나오지만, 데이터 분석을 통해 의사결정을 한다는 것은 맞지도 않고 실제 그렇게 하지도 않습니다.

데이터 분석은 컴퓨터가 더 잘합니다. 그러니 그것을 프로세스로 인식해야 합니다. 예컨대 금융업에서 인공지능으로 잘 알려진 '켄쇼'와 의학분야의 'IBM 왓슨'은 데이터 분석을 인공지능에게 맡긴 사례입니다. 그러므로 중요한 점은 데이터 분석에서 전통적인 시각을 이제는 버려야 한다는 것입니다.

미래를 예측하지 않는다

인공지능은 도구일 뿐입니다. 미래 예측이라는 거대 담론 적용은 적절치 않다는 뜻입니다. 실제로 인공지능을 이용한 예측은 미래를 향하지 않습니다. 그리고 미래에 대한 분석도 아닙니다.

예측 분석의 정확한 실체는 과거와 현재에 대한 분석입니다. 특정 고객이 특정 상품을 구매할 것인지 예측하는 것은 전적으로 과거의 데이터를 기반으로 할 뿐입니다.

따라서 인공지능을 도구로 인식하고 사용해야만 합니다. 이미 그렇게 시행하고 있는 기업들이 많습니다. 월마트 진열대 스캔 로봇은 2016년 10월 확대 적용되고 있습니다. 게다가 인공지능은 그림 그리기나 소설 쓰기 또는 작곡을 하기도 합니다. 모두 도구적인 사용일 뿐이지요.

물론 인간은 이 인공지능을 어떻게 통제할 것이냐를 계속 고민해야 할 것입니다. 그러나 인공지능을 도구로 이용한다면, 인간의 창작 능력은 비교할 수 없을 만큼 월등해질 것입니다.

경영의 방법을 바꿔라

데이터를 활용하기 위한 해법, 그것은 기술에 있지 않습니다. 인공지능을 대하는 기업의 현실부터 짚어 보겠습니다.

많은 분들은 아직까지 데이터를 분석해서 의사결정을 한다고 생각하실지도 모르겠습니다. 그러나 이 행위의 중심에는 데이터가 아닌 인간이 있습니다. 그리고 아무리 뛰어난 알고리즘이 있더라도, 현업 담당자가 이해하지 못하면 채택되지도 않습니다. 여전히 자기중심적이지요. 현업에서는 '데이터를 분석하자'라는 말을 주고 받는데, 말하는 사람과 듣는 사람 모두 서로 다른 생각을 하고 있는 것은 아닐까요?

이처럼 기업은 데이터에 대한 개념이 정확하지 않습니다. 그럼에도 불구하고, 구체적으로 생각하지도 않고, 그냥 구체적인 계획만 세우려고 합니다. 인공지능, 머신러닝 그리고 데이터 업무에서 지향하는 목표부터 세운다는 것이지요.

그러나 이렇게 구체적인 계획만 세우면 오히려 일이 되지 않습니다. 데이터 업무에서 계획은 통하지 않습니다. 구체적인 계획이 필요한 일과 그렇지 않은 일을 구분할 수 있다면, 데이터 업무는 구체적인 계획을 세우지 말아야 하는 업무입니다.

그렇지만 많은 기업들은 어떻게 하고 있나요? 관리자들은 협업과 KPI만 강조할 뿐 데이터를 모르고 있는 것은 아닐까요? 현업에서 데이터 전문가들은 현업 부서의 권한이 없으면 데이터에 접근하지도 못합니다. (KPI : Key Performance Indicator '핵심성과지표'는 비즈니스 목표에 대한 성과를 추적하는 데 사용되는 지수 측정. KPI는 비즈니스 성과에 대한 향상 또는 저하 여부를 지수로 측정)

심지어 어떤 데이터가 있는지도 모르는 것이 현실이지요. 이런 상황에서 협업은 너무나 먼 이야기일 뿐입니다. 게다가 매년 KPI를 설정해야 하는데, 데이터 업무는 매번 새로운 시도를 해야하기 때문에, 이게 적절한 것인지는 다시 한번 생각해봐야 합니다.

기업의 근본적인 변화는 늘 하향식으로만 가능했습니다. 이것은 지금까지의 기업의 역사가 잘 웅변해 주고 있지요. 상향식으로 이루어진 적은 거의 없다고 봐야겠지요. 따라서 데이터를 어떤 식으로든 활용하겠다고 결정했다면, 기업문화부터 바꿔야 한다는 것입니다.

GE의 구조조정에서 배울 점이 있습니다. 최근 GE가 비행기 엔진에 센서를 붙여서 새로운 사업을 추진하고 있는데, 여기에서 배울 점이 있습니다.

1) 신규 비즈니스와 데이터

GE는 산업장비 데이터를 분석해서 '산업 인터넷 플랫폼 신규사업'을 만든 것이 결코 아닙니다. 이 점에 주목할 필요가 있습니다.

많은 기업들이 '데이터 기반 신규사업' 또는 '머신러닝과 인공지능 기반 신규사업'이라 말하기도 하는데, 신규사업에 있어서 데이터 분석이 결코 먼저일 수는 없습니다.

2) 비전 제시 리더십과 기술에 대한 태도

당연하게도 2011년 GE의 제프리 이멜트 회장이 기업 변신을 선언했을 때, 내.외부의 시각은 곱지 않았습니다. 그러나 명확한 비전으로 실행에 옮겼다는 사실에 주목해야 합니다.

그리고 GE는 회사 소개자료에 기술을 언급하지 않고 있습니다. 기술이 중요한 게 아니라, 고객에게 어떤 효용가치를 줄 수 있는지가 중요하기 때문에 제일 먼저 언급하는 것이지요.

3) 관리가 아니라 새로운 도전을 해야한다.

GE는 원래 식스 시그마로 대표되는 관리 중심 경영을 했던 기업입니다. 하지만 GE는 패스트웍스를 도입했지요. 이 말은 데이터 업무에서 구체적으로 계획하고 엄격하게 관리하는 방법은 적절치 않다는 것을 인지한 결과일 것입니다.

어떻게 실행할 것인가?

인공지능 시대의 비즈니스 전략 - 무엇을 해야하는가?

1) 데이터 전문 조직을 만들어라

데이터 활용을 하려는 기업은 전문조직이 반드시 필요합니다. 여기에 해당하는 방법은 분산형, 중앙집중형, 혼합형 등이 있지요. 각 방법들은 여전히 장.단점이 있기 때문에 제대로 파악 후 실행이 중요하겠지요. 현재 상태에서는 기업의 데이터 관련자들은 단기 목표가 있을 경우에만 협업이 가능한 실정임을 고려할 필요가 있습니다.

2) IT부서와 데이터 부서는 다르다

아직도 많은 기업의 관리자는 데이터 업무를 IT부서에 부여하는 경우가 있더군요. 그러나 두 업무는 전혀 다른 성격을 가지고 있습니다.

우선 IT부서 업무의 중요한 가치는 '안정성'이지요. 반면에 데이터 부서의 중요한 가치는 '변화'입니다. 이렇게 서로 지향하는 가치가 다르기 때문에, 데이터 업무를 IT부서에 맡기면 안됩니다.

3) 현실적인 계획을 세워라

가장 기본적인 과제인데 데이터 사이언티스트, 현업 데이터 분석가, 데이터 기획자, 데이터 엔지니어, 마지막으로 데이터 스튜어드는 다른 직종입니다.(ㅎㅎ 종류도 많아라...) 그 차이를 파악하고 데이터 부서를 구성하되, 전문조직을 구성할 사람부터 먼저 채용해야 합니다.

그리고 실무적으로 데이터 업무는 기존 IT 업무와는 전혀 다른 방식으로 일해야 합니다. 여기에는 테스트 서버 운영을 비롯한 세부적인 사항들이 있는데, (너무 세부 내용이고, 글이 길어지니) 여기서는 생략하겠습니다.

인공지능 시대의 비즈니스 전략 국내도서 저자 : 정도희 출판 : 더퀘스트 2018.01.23 상세보기

<인공지능 시대의 비즈니스 전략>을 참고, 많은 부분을 베끼고 일부 요약했습니다.