로그인|회원가입|고객센터
Top
검색버튼 메뉴버튼

MIT Sloan Management Review

상품-디자인 개발에 전력하고 싶은가. 데이터를 분석·저장하고 정교화하라

스테판 쿠디바(Stephan Kudyba),토마스 H. 데븐포트(Thomas H. Davenport) | 214호 (2016년 12월 Issue 1)
214_98_img1
Article at a Glance


질문
데이터 상품을 개발하는 것은 다른 정보 상품을 개발하는 것과 어떻게 다를까?

연구를 통해 얻은 해답
- 전통적 상품개발 순서에 따라 데이터 상품이 개발되는 경우는 거의 없다.
- 상품 콘셉트는 데이터 수집 단계 이전에 정해야 한다.
- 데이터 상품 개발에는 해당 분야의 전문가 등 이해당사자들의 참여가 필요하다.


편집자주

이 글은 2016년 가을 호에 실린 ‘Designing and Developing Analytics-Based Data Products’를 번역한 것입니다.



최근 수십 년간 일어난 여러 가지 혁신의 물결 덕분에 정보와 기술의 부상은 현 경제의 큰 특징 중 하나가 됐다. 1990년대 중반부터 시작된 정보경제는 하드웨어와 소프트웨어 역량의 향상, 풍부한 광대역 인터넷 접속 능력, 점점 더 광범위하게 활용되는 인터넷 기술 등에 의해 확대됐다. 이런 발전들은 새로운 상품과 산업들을 창조하는 데 박차를 가했고 데이터 자원을 엄청나게 증가시켰다. 1996년에 를 통해 발표된 중요한 학술기사인 ‘정보상품의 디자인과 개발(The Design and Development of Information Products)’에서 저자인 마크 H. 메이어(Marc H. Mayer)와 마이클 H. 잭(Michael H. Zack)은 이런 변화들이 가져올 영향력을 앞서 평가했다.1 (‘‘정보상품의 디자인과 개발’을 재평가하며’ 참조.)


DBR mini box
‘정보상품의 디자인과 개발’을 재평가하며

‘정보상품의 디자인과 개발’이라는 제목의 1996년 학술지 기사에서, 필자인 마크 H. 메이어와 마이클 H. 잭은 정보상품을 디자인하고 개발하는 과정을 분석했다. 당시에도 정보상품 개발산업과 그 혁신의 속도는 경제적 측면에서 중요성이 부각됐지만 정보상품을 디자인하고 개발하는 방법을 살펴본 자료는 그때까지 존재하지 않았다. 메이어와 잭은 정보상품을 데이터와 정보, 지식을 바탕으로 개발된 전자상품이나 인쇄상품으로 광범위하게 규정했다.

메이어와 잭의 연구는 다음과 같은 기본 질문들을 바탕으로 수행됐다. 정보상품 산업에 속한 회사들은 유형(有形)의 소비재에 대한 연구결과에서 어떤 점들을 배울 수 있을까? 정보상품은 어떻게 디자인되고 생산될 수 있으며 정보기술은 이 과정을 어떻게 보조할 수 있을까? 가장 기본적으로, 정보상품은 어떻게 설계해야 하고, 이는 관련 회사를 조직함에 있어 전략적, 조직적, 기술적 측면에서 어떤 시사점을 줄 수 있을까? 이 질문들에 답하기 위해 메이어와 잭은 소비재를 디자인하는 데 활용되는 방법과 조사들을 기초로 연구를 수행해 나갔다. 그들은 데이터 수집, 정교화, 저장/추출, 배포, 표현이라는 정보상품 개발의
5단계를 개발했고, 기업들이 정보상품 플랫폼을 통해 어떻게 경쟁우위를 창출하고, 또한 정보를 개선하고 정교화함으로써 어떤 가치를 만들어낼 수 있는지 설명했다.

분명한 것은 지난 20여 년 동안 정보기술 분야에서는 엄청난 변화가 일어났다는 점이다. 더욱 강력한 하드웨어와 소프트웨어가 등장했고, 주파수 대역폭은 폭발적으로 증가했으며, 모바일 기기가 생활저변에 확산됐고, 인터넷 접속도 나날이 증가하고 있다. 하지만 이에 대한 논의가 어디에서부터 시작됐고 어떻게 진화돼 왔는지를 아는 측면에서는 이 두 학자의 글을 기억하는 것은 상당한 도움이 된다. 필자들은 ‘분석기반 데이터상품’을 ‘정보 상품’과 반대되는 개념으로 생각하는 게 오늘날에는 오히려 더 유용하다고 믿는다. 디지털 기술의 진보와 활용도의 증가를 감안했을 때 필자들은 메이어와 잭의 기존 모델에 2가지 단계가 더 추가돼야 한다고 주장한다. 그중 하나는 프로세스 초기에 제품의 콘셉트를 개발하는 데 집중하는 것이고 나머지 하나는 사이클 후반에 시장 피드백을 수집하는 것이다.


지난 20년 동안 컴퓨터의 처리능력과 저장능력, 새로운 소프트웨어 기술 및 커뮤니케이션 기술이 발달하고, 무선 광대역통신 및 이동 컴퓨팅 기술이 확고히 진화하면서 정보와 지식경제가 여러 가지 측면에서 새롭게 재편됐다. 획기적으로 진보된 기술들은 전자상거래의 급격한 성장을 가져왔고 방대한 데이터 자산과 함께 디지털 경제를 창조했다. 이런 변화는 분석기술을 통해 모든 데이터를 논리적으로 활용하려는 꾸준한 노력을 통해 이뤄졌다.

컴퓨터로 처리된 정보들은 본래 내부 비즈니스 활동들을 촉진하고 의사결정 능력을 향상시키려는 목표에 따라 활용됐다. 하지만 이제 산출된 디지털 자산들은 그 자체로 상당한 가치를 지닌다.2 2015년에 경제협력개발기구(OECD·Organization for Economic Cooperation and Development)가 발표한 연구자료에는 이런 내용이 있었다. “데이터에 기초한 혁신은 21세기의 주요 성장동력이며 대량의 데이터 세트들은 새로운 산업과 프로세스, 상품들을 육성하고 엄청난 경쟁우위를 창출함으로써 우리 경제의 핵심 자산이 되고 있다.”3



소비자들도 디지털 자산을 이용 가능해지자 이 자산을 통해 인사이트를 제공하고 의사결정을 도울 수 있도록 점점 더 많은 분석기법들이 동원되고 있다. 초기 정보상품에는 일반적으로 결여됐던 분석기술은 정보의 의미를 한층 더 이해하기 쉽고 활용하기 용이하게 만들면서 이 무형의 자산에 엄청난 가치를 더한다. 정보가 늘 주위에 산재해 있고 어느 정도는 상품화된 세상에서 분석기술은 정보의 활용도와 가치를 증가시키는 수단이 된다.

이 글에서 필자들은 새로운 분석역량들과 급증하는 데이터 자산들의 결합에 집중할 것이다. 이 둘의 결합은 기존 정보상품에 더 큰 가치를 더할 수 있다. 통상적으로 이렇게 결합된 제공품을 ‘데이터 상품(data products)’이라 부른다.4 그들은 본 연구를 수행하면서 데이터 상품을 제공하고, 특히 관련 상품개발을 위한 프로세스를 고민했던(또는 관련 프로세스의 부재를 고민했던) 40여 개 기업들과 인터뷰를 진행했다. 그리고 이 프로젝트를 통해 메이어와 잭이1996년에 주장한 이론들을 업데이트하고 보강하려 했다.



데이터 상품에 있어서 분석의 가치

데이터와 분석은 역사적으로 한 가지 목적을 위해 활용돼 왔다. 바로 내부 의사결정 능력의 향상이다. 실제로 초기에는 이런 영역을 ‘의사결정 지원’ 분야라 부르기도 했다. 즉, 데이터와 분석을 통해 마케팅과 재무, 인사 등의 영역에서 의사결정의 정확성과 효과를 개선하는 목표를 갖고 있었다.

하지만 기업들은 빅데이터 혁명으로 데이터와 분석기술의 또 다른 용도를 찾게 됐다. 구글과 페이스북 같은 온라인 기업들이 생겨나면서 회사들은 데이터와 분석을 기초로 고객들에게 제공 가능한 ‘데이터 상품’을 개발하기 시작한 것이다. 야후나 구글, 기타 온라인 플랫폼들이 제공하는 검색 서비스들을 최초의 데이터 상품이라고 주장할 수 있을 텐데 다른 형태의 상품들도 뒤이어 생겨났다. 예를 들어, 링크트인(Linkedin Corp.)은 ‘아는 사람 찾기(People You May Know)’ 기능을 개발했고 곧 ‘관심 있는 직업(Jobs You May Be Interested In)’이나 ‘좋아할 만한 그룹(Groups You May Like)’ 같은 기능들을 추가했다.5 페이스북을 위시한 온라인 기업들도 유사한 방식을 채택했다.(페이스북에는 ‘알 수도 있는 사람(People You May Know)’이란 서비스가 있다.) 이제 많은 온라인 데이터 상품들이 모바일 앱으로 존재하게 되면서 소위 ‘앱 경제(app economy)’를 조성하고 있다.6 모든 앱에 분석기술이 활용되는 것은 아니지만 분석을 활용하는 앱들은 데이터 상품이라 부를 수 있다.

보통 데이터 상품(대부분은 서비스로 설명될 수 있는)이 개별 상품으로 판매되지는 않지만 고객들을 광고로 유인하거나 전반적으로 잘 알려지지 않은 상품을 주목하게 하고 교차판매와 상향판매를 통해 매출을 향상시키는 역할을 한다. 이런 데이터 상품들은 고객기반을 더 확대함은 물론 고객에게 차별화된 가치를 제공함으로써 온라인 기업들의 가치를 높이며 성장과 성공을 가속화했다.

데이터 상품에 사용되는 분석기술에는 여러 가지 유형이 있다. 가장 일반적인 형태로 고객의 활동 정도 및 제품 사용패턴에 대한 인사이트를 제공하는 기술분석(descriptive analytics)이 있다.7 구글은 ‘구글 애널리틱스(Google Analytics)’라는 무료 데이터 상품으로 이 영역의 선두주자가 됐다. 구글 애널리틱스는 고객들에게 사이트 방문자 관련 정보를 제공한다. 기술분석은 비교분석(comparative analytics)의 성격도 띤다. 이를테면 한 가구의 공과금 내역을 다른 가구들의 내역과 연관시켜 비교하거나 한 회사의 출장 활동들을 경쟁사의 출장 내용과 비교할 수 있다.

예측분석(predictive analytics)은 조금 더 까다로운 기법이다. 오늘날 가장 일반적인 예측분석의 하나로 산업용 기계들에 대한 예측정비(predictive maintenance)를 들 수 있다. 기계에 부착된 센서에서 수집한 데이터를 활용해 동종 기계들이 언제 고장이 났는지를 분석한 다음, 그 시점이 되기 전에 특정 서비스를 제안하는 기법이다. GE나 지멘스(siemens), NCR 같은 대기업들도 최근 예측 정비 서비스를 도입했다. 소비재 분야에서는 워싱턴주, 시애틀에 본사를 둔 질로그룹(Zillow Group Inc.)이 제스티메이트(Zestimate)라는 서비스를 통해 공개 부동산 데이터를 기초로 주택 소유자들이 집을 팔 때 받을 수 있는 가격을 예측하는 것이 이에 해당한다.

예측분석은 구체적인 행동을 제안한다. 그 예로 농작물 산업에서 몬산토(Monsanto)나 듀폰(DuPont) 같은 기업들은 농부들에게 언제, 어떤 종자를 심어야 하고, 언제 급수를 하거나 살충제를 살포하는 게 좋으며, 언제 작물을 수확해야 하는지 등을 알려주는 데이터 상품을 제공한다.8 이런 데이터 상품은 농부들의 곡물 수확량을 늘리는 데 도움을 줄 수 있다. 데이터 상품에 활용되는 예측분석의 또 다른 형태로는 매칭 알고리즘이 있는데 고객에게 적당한 상품이나 데이트 상대, 혹은 잠재적 비즈니스 네트워크 상대를 제안하는 데 활용된다.



정보상품을 개발하는 현 프로세스와 관련 이슈

새로운 세대의 데이터 상품을 개발하는 것과 관련된 글이나 지식은 상대적으로 부족하다. 사실 필자들이 목격한 바에 따르면 새로운 데이터 상품을 개발하는 데 관심이 있는 회사들도 대개 그 구조와 프로세스는 부족해 보였다. 메이어와 잭은 1996년 글에서 정보상품을 개발하는 분명한 구조를 제시했다. 비록 그들이 전통적인 정보 서비스를 제공하는 기업의 관점에서 이 문제를 다루긴 했지만 아래 내용들을 포함해 그들이 제안한 많은 개념들이 빅데이터를 통해 데이터 상품을 디자인하는 활동에 꽤 도움이 된다고 필자들은 믿는다.

● 상품과 프로세스 ‘플랫폼’은 다양한 형태의 정보상품들을 구체적으로 지원할 수 있다.
이 개념은 복수의 고객집단들과 동시에 상호작용하는 ‘다면적(multisided)’ 플랫폼의 장점들을 많은 경제학자들과 전략가들이 극찬하면서 최근에 훨씬 더 각광받고 있다.9

● 다양한 정보상품들이 전반적 상품설계 구조를 공유하거나 같은 상품군의 일부가 될 수 있다.
메이어와 잭은 조직들이 단일 제품 관점으로 생각하는 것은 잘못됐다고 여겼다.

● ‘정교화(refinery)’ 개념은 정보로부터 가치를 창출할 수 있다.
메이어와 잭은 이 개념을 20년 전에 제시했지만 두 학자가 바란 대로 정교화를 통해 자신들의 정보에서 가치를 만든 조직은 거의 없었다.10

필자들은 이 기사에서 데이터 상품을 통해 가치를 창출하고 정교화하기 위해 선도 기업들은 어떤 활동들을 하는지 설명할 것이다. 디지털 경제가 진보함에 따라 강조되는 데이터 자산의 잠재적 가치를 감안한다면 상품개발 프로세스를 설계하는 모델을 개선하는 일은 절실하다. 메이어와 잭은 이 주제를 정보상품 개발 프로세스라는 형태로 다뤘다. 이 프로세스에서 원 데이터소스나 저장소는 상품을 생산하는 프로세스에 정보를 제공한다. 메이어와 잭은 입력된 데이터를 정보상품으로 전환하는 5단계 방법론(수집, 정교화, 저장/추출, 배포, 표현)을 만들었다.11 이 모델은 아직도 유효하지만 오늘날의 디지털 경제 속에서 진화한 다양한 기술과 그에 상응하는 데이터 소스들에 맞춰 조정하고 보강할 필요가 있다. 데이터 양과 속도 및 종류의 증가, 또 상품개발 프로세스에서 데이터 자산들을 관리하는 데 필요한 저장공간과 이에 접근하기 위한 활동들을 고려해야 하기 때문이다.



업데이트된 정보상품 모델

전통적으로 데이터 상품은 고객의 니즈를 확인하고 상품을 개발한 다음 시장에 도입하는 순서로 개발됐지만 오늘날 데이터 상품이 이런 식으로 개발되는 경우는 별로 없다. 현재의 사업 속도, 특히나 온라인 비즈니스의 발달 속도가 이 방식으로 대처하기에는 너무 빠르기 때문이다. 데이터 상품개발은 대개 중요한 활동들이 동시에 진행되면서 반복적 형태로 계속해서 일어난다.12 ‘린 스타트업(lean startup)’으로 잘 알려진 전략모델은 ‘최소기능제품(minimum viable product)’을 시간이 흐르면서 정기적으로 정교화하고 개선해 나가며 개발하는 방식을 구체적으로 제시한다.13 어떤 개발방식이든 데이터 상품개발자가 그 접근법에 편안해질 때까지 린 스타트업 모델을 따르는 셈이다.

업데이트된 상품개발 프로세스 모델에는 ‘시장 도입까지의 기간’에 대한 새로운 기대수준이 반영돼야 한다. 필자들은 최근 현실을 감안해 메이어와 잭이 개발한 5단계 모델에 몇 가지 단계를 추가했다. 처음에 제품 콘셉트 개발 단계를 추가했고, 마지막에는 시장 피드백 체계를 확립하는 단계를 더했다. 여기에 필자들은 프로세스 전반에 걸쳐 관리자들이 다양한 이해당사자 집단들의 의견을 꾸준히 수렴해야 할 필요성을 강조한다.

1단계: 제품 콘셉트 개발. 격적인 개발 활동에 뛰어들기 전에 조직은 시장 니즈에 부응하기 위해 어떤 정보상품을 개발해야 할지 파악해야 한다. 이 도입단계는 데이터 수집 이전에 수행해야 한다. 정보상품의 콘셉트를 정하는 과정에는 필요한 데이터 소스를 확인하는 일도 포함돼야 한다. 즉 콘셉트 개발단계에서는 상품을 규정하고 데이터를 조사하며(데이터를 창의적인 방법으로 소싱하는 방법도 포함14 ), 상품 원형을 개발하는 데 필요한 체계도 확립해야 한다. 일단 이 항목들이 정해지면 개발 프로세스의 나머지 단계들이 더 효율적으로 진행될 수 있다. 예를 들어, 개발 관리자들 이 제품에 어떤 데이터 요소들을 투입할지 파악하면 이후 데이터 저장과 추출 관련 이슈들은 자연스럽게 정해질 수 있다.

이와 관련된 흥미로운 사례로 캘리포니아 어바인(Irvine)에서 자동차 진단 정보를 기초로 한 서비스를 제공하는 카엠디닷컴(CarMD.com)이 있다. 이들은 원래 자동차 수리견적을 대략적으로 가늠하고 수리업체 정보들을 파악할 수 있는 ‘진단역량’을 고객들에게 제공한다는 사업 목표를 갖고 있었다.15 이 회사의 상품 중 하나는 자동차에 내장된 컴퓨터에서 추출한 데이터를 온라인에 있는 자동차 수리 데이터베이스와 비교해 고객에게 자동차 정비정보를 제공한다.

2단계: 데이터수집. 콘셉트 개발 단계가 완료되면 이제 데이터 수집단계는 더 효율적으로 이행될 수 있다. 조직은 자신들의 기능적 활동들에 부응하는 데이터를 수집하고 축적한다. 하지만 정보기기들과 더불어 공적 소스들이 만들어 내는 광대한 양의 정보들을 생각했을 때 데이터 수집 과정은 궁극적으로 상품을 만드는 데 활용될 데이터에 대한 개념적 모델에 부합되는 조건들을 고려해야 한다. 회사들은 구조화된 데이터(고객의 구매기록 같은)를 수집하는 것은 물론 가치를 더할 수 있는 비구조화데이터(소셜미디어 댓글 같은)도 확보하는 것이 좋다. 이런 데이터를 구하기 위해 회사들은 자체 시스템 안팎 모두를 살펴봐야 한다.16


214_98_img2



3단계: 정교화. 메이어와 잭이 설명한 데이터 정교화 프로세스도 여전히 가치가 있지만 새로운 데이터 소스를 활용하고 진보된 분석기법의 이점을 취할 수 있도록 모델을 보강할 필요가 있다. 메이어와 잭이 제시한 원래 모델은 ‘개별[데이터]요소들을 결합함으로써 더 많은 의미들을 얻어내는’ 중요성에 대해 언급했다.17 오늘날에는 데이터 정교화 작업의 대부분을 자동화 툴로 얻을 수 있다. 실시간 머신러닝(machine leaning)과 데이터 요소들에 대한 알고리즘 처리기법들로 고객에게 중요한 가치를 주는 의미 있는 모델들을 만들기 위해 데이터를 재빨리 범주화하고, 상관관계를 정하고, 개인화하며, 프로파일을 잡고, 검색할 수 있다.18

이를 테면 코네티컷, 스탬포드(Stamford)에 있는 패수얼 에어로 스페이스사(Passur Aerospace Inc.)는 항공사들과 여행객들에게 운항 일정정보를 제공하기 위해 자체 데이터와 공공 데이터를 모두 활용한다. 레이더의 통계 피드에 기초한 회사의 내부 데이터와 더불어 날씨나 항공기 운항일정, 기타 요인에 대한 공개 데이터를 수집해 항공기 예상 착륙시간을 산출한다. 더 진보된 분석기법을 활용하는 패수얼의 예상 착륙시간은 전통적 기법들을 활용하는 경쟁사들 정보보다 훨씬 더 정확하다.19

단계4: 저장과 추출. 데이터의 저장과 추출은 점점 더 중요해지고 있다. 하지만 오늘날의 환경에서 데이터 추출은 더 세분화된 데이터에 접근할 수 있도록 질의어와 검색처리 역량(알고리즘의 활용처럼)의 발전상황까지 반영해야 한다. 전통적인 데이터 저장기술은 더 큰 규모로 빠르게 움직이는 데이터 소스를 관리할 수 있도록 맵 리덕션(map reduction, 상용화된 하드웨어로 된 컴퓨터 클러스터에 존재하는 대량의 데이터 세트들을 분산처리 하기 위한 소프트웨어 체계)이나 병렬처리 역량 같은 신규 기술들로 보강돼야 한다. 데이터를 처음 수집하면 상대적으로 비구조화된 원본 데이터를 그대로 저장한 다음 추후에 조금씩 개선해 나가는 조직들이 많다. 데이터 저장과 추출, 처리는 점점 더 회사 자체 시스템 대신 클라우드 공간에서 일어나고 있다. 이런 움직임들은 회사의 기술 인프라 시스템에 유연성을 만들어줄 뿐 아니라 회사 내부의 데이터와 외부 데이터를 더 쉽게 결합할 수 있게 한다.

5단계: 배포. 정보 상품을 배포하는 방법은 예전 초반기에 선택할 수 있었던 옵션들과 극단적으로 달라졌고 그중 일부는 (팩스나 CD롬 등) 웹으로 대체됐다. 배포에 있어 시기와 빈도는 여전히 매우 중요하다. 즉 데이터 상품은 늘 이용 가능해야 하면서 거의 실시간으로 업데이트돼야 한다. 디지털 경제에서 온라인 매체(웹사이트나 포털처럼)는 정보상품에 지속적으로 접근하려는 기대수준을 충분히 만족시킨다. 하지만 컴퓨터를 통한 전통적 웹 접속방식은 스마트 폰이나 태블릿 PC, 혹은 앱을 통한 모바일 접속으로 빠르게 자리를 내주고 있다. 결과적으로 모바일 기기로 정보 상품을 제공하는 사람들은 자신들의 콘텐츠 양식이나 디자인을 바꿔야 한다.

동시에, 데이터 상품을 클라우드로 배포하는 방식은 정보가 사용자 입장에서 얼마나 자주 업데이트돼야 하는지에 대한 질문에 새로운 차원을 더한다. 이를테면 기업대상으로 해운 서비스를 제공하는 회사가 예상 배달시간 등 항로계측 정보를 포함한 정보상품을 제공한다고 생각해보자. GPS 교통정보와 위치데이터, 분석기술 등을 통해 생성된 정보가 적절한 때에 충분히 자주 제공된다면 이는 사실상 실시간 서비스에 가깝다.

6단계: 표현. 메이어와 잭이 원래 제시한 모델에서 정보상품들은 활용되는 맥락에 따라 가치를 얻었다. 사용자 인터페이스가 중요했기 때문에 사용편리성이 높아질수록 상품의 가치도 증가했다. 비록 디지털 경제에서는 단순한 데이터제공(data provision)보다 분석이 더 강조되지만 여전히 주목해야 할 상수들은 존재한다. 표준 보고형태의 상품들(즉 단순한 정보상품)도 많은 소비자들의 니즈에 꾸준히 부응하고 있지만 예측, 예견, 확률 상품처럼 좀 더 진보된 분석기법(머신러닝을 통한 실시간 계산처럼)을 기초로 개발된 상품들은 차별화와 경쟁우위를 이끌 수 있다.

7단계: 시장 피드백. 정보상품이 갖는 경쟁적 성격과 새로운 데이터 소스의 존재 여부, 시의적절하게 의사결정을 지원해야 하는 상황은 데이터 상품의 활용도를 꾸준히 모니터링하고 혁신해야 할 근거가 된다. 분석을 기초로 데이터 상품을 개발하는 프로세스에 시장 피드백 단계를 더한 것은 ‘린 스타트업’ 측면에서 제품을 개발할 때 추구하는 반복적 성격에 부합된다. 다시 한번 말하지만 신규 기술들의 진화는 시장에서 정보를 추출하고 피드백을 얻는 프로세스를 촉진했다. 새로운 시장조사 기법들이 생겨나면서 시장의 목소리를 듣기 위해 소셜미디어 플랫폼(기업의 페이스북 페이지처럼)을 활용할 수 있게 됐다. 쌍방향적 블로그와 플래시 설문조사를 통해 기존 정보상품들에 대한 고객들의 인식도 측정할 수 있다.20 온라인 정보상품들의 새로운 기능들은 일차함수나 다변수 함수의 온라인 실험으로 몇 시간 만에 평가할 수 있다. 사용자 의견과 상품사용에 대한 디지털지표(조회율, 클릭 수, 다운로드 수, 바운스 수처럼) 정보들은 상품을 꾸준히 개선하려는 목적에 따라 분석될 수 있다.



이해당사자 참여를 위한 체계적 접근법

상품개발 모델을 실행하는 과정에서 효과적 결과를 얻기 위해서는 이해당사자들의 참여가 필수적이다.21 또 상품개발 프로세스의 단계별로 특정 집단의 의견을 확보하는 것도 중요하다. 따라서 기업은 이해 당사자들의 의견을 얻을 수 있는 적절한 체계를 갖춰야 한다.

상품의 콘셉트를 정하는 단계에서는 다음 3가지 집단의 참여가 중요하다. 1) 비즈니스 관련 분야 전문가들(상품 디자인의 경쟁력을 결정하는 데 도움을 줄 수 있는), 2) 기존 정보상품이나 보완적 관계의 정보상품 관리자들(출시된 상품이 자기 잠식되거나 다른 상품과 겹치지 않도록), 3) 마케팅 전문가들(소비자들의 요구사항과 수요의 규모를 가늠할 수 있는). 이런 사람들은 시장 니즈에 부합되는 가치를 더할 수 있는 방향으로 기존 상품들을 디자인하고 업그레이드할 수 있는 기틀을 제공해줄 수 있다.

데이터 수집과 저장, 정교화 단계의 경우 참여하는 이해당사자들의 폭이 더 확장돼야 한다. 데이터 귀속주체와 개인정보 보호, 사용 관련 이슈들을 바로잡을 수 있는 법정대리인과 데이터 상품개발에 필요한 하드웨어와 소프트웨어 사양에 대한 의견을 주고 상품의 기능성을 개발하고 향상시킬 수 있는 IT 종사자들, 상품 플랫폼의 실행에 도움을 줄 수 있는 데이터 관리자 및 분석가들, 또 과학자들이 해당된다. 데이터 분석과 구조화를 보조할 수 있는 데이터 분석가와 과학자들을 참여시키는 일은 특히 더 중요하다.

데이터 배포과 표현단계에서는 마케팅 관련자들(최초 상품과 후속상품 출시를 위해 소비자/이용자 니즈를 분류할 수 있는)과 IT 관련자들(상품 출시 기간 동안 제품의 기능성과 관련된 하드웨어와 소프트웨어 이슈를 해결할 수 있는)의 참여가 또 한번 필요하다.

시장 피드백 단계에서도 IT와 마케팅 담당자들의 관여가 중요하다. IT 담당자들은 다양한 플랫폼(웹, 모바일, 소셜미디어, e메일 등)을 통해 사용자들과 소통할 수 있도록 커뮤니케이션 기기들을 활용해야 한다. 마케팅 담당자들은 고객 소통과 피드백에 대한 전략을 고안하고 피드백을 수집하고 통합해야 한다. 데이터 상품개발에 성공하는 데 인사 담당자들도 주요한 역할을 차지할 수 있다. 데이터 과학자들을 고용하고 보유하는 일은 어렵지만 분석기반 데이터 상품을 개발하는 데 필수불가결하기 때문이다.



체계 vs. 시장대응력

상품개발에 있어 품질이 뛰어나고 시장 니즈를 충족하는 상품을 개발하는 확고한 체계를 갖춰야 한다는 주장과 고객 니즈에 대응하면서도 상품을 최대한 빨리 출시하자는 주장은 늘 상충해왔다. 데이터 상품의 경우에는 저울의 추가 시장대응력 쪽에 확실히 기울기는 하지만 새로운 상품을 개발하는 체계와 방법에 대한 니즈도 여전히 존재한다.

정보의 확산이 정보의 상품화로 이어지면서 데이터 상품을 실제로 유용하게 만드는 일은 보통 이에 수반되는 분석기법에 좌우된다. 분석기법을 개발하는 일은 어렵고 시간이 소요되기 때문에 개발과 도입 이전에 어떤 분석기법이 필요하고 가치를 줄 수 있는지 미리 가늠하는 일은 매우 중요하다. 메이어와 잭의 기사에서 설명된 개발 프로세스 모델에 필자들이 주장한 추가 단계들을 결합하면 소비자와 비즈니스에 가치를 제공할 수 있는 데이터 상품과 분석상품을 개발하고자 하는 조직들에 도움이 될 것이다.

전자상거래가 막 시작됐을 때 거의 모든 회사들이 웹사이트를 만들어야 한다고 생각했던 것처럼 거의 모든 회사들이 데이터 상품의 필요성을 절감하는 시대가 곧 오리라 필자들은 예상한다. 따라서 어떤 데이터 상품을 개발하고 거기에 어떤 기능들을 포함시킬지에 대한 체계적 훈련을 하는 것은 조직에 있어 점점 더 중요해질 것이다.

메이어와 잭이 1996년 이후 일어난 정보기술의 폭발적 발전을 실제로 예견했는지는 알 수 없다. 하지만 그들이 쓴 글은 형태가 없는 정보자산을 기초로 상품을 개발할 때 철저한 사고가 선행돼야 한다는 사실을 경고하며 이에 대한 초기의 통찰력을 제공한다.


번역 |김성아 dazzlingkim@gmail.com
토마스 H.대븐포트 · 스테판 쿠디바

토마스 H. 대븐포트(Thomas H. Davenport)는 매사추세츠주 웰즐리에 있는 밥슨대(Babson College), 정보통신경영학과의 학과장 겸 석좌교수이며 ‘MIT Sloan Initiative on the Digital Economy’의 특별 회원으로 있다.
스테판 쿠디바(Stephan Kudyba)는 뉴저지주 뉴어크에 소재한 뉴저지 공과대학(New Jersey Institute of Technology) 마틴 투크만 경영대학원(Martin Tuchman School of Management)에서 데이터 분석 및 경영정보시스템 분야의 부교수로 있다. 이 기사에 의견이 있는 분은 http://sloanreview.mit.edu/x/58121에 접속해 남겨주시기 바란다. 저자와의 연락을 원하시는 분은 smrfeedback@mit.edu로 e메일을 보내주시기 바란다.


DBR mini box

연구내용

본 연구는 두 가지 주요 활동을 통해 진행됐다. 첫 번째로 2012년에 실시한 데이터 과학자들 35명과의 인터뷰였고 이들 대부분은 데이터 상품개발에 관여하고 있었다. 인터뷰에 참여한 데이터 과학자들은 주로 온라인 업계의 스타트업 회사에서 일하고 있었지만 대기업(링크트인, 페이스북, 이베이 등)에서 일하는 과학자들도 포함돼 있었다. 두 번째로 필자들은 2014년 9월에 데이터와 분석기법을 기초로 한 상품과 서비스 프로젝트를 연구하는 굴지의 대기업들과 함께 하룻동안 워크숍을 진행했다. 이 행사에는 스테이트 스트리트(State Street Corp.), GE, 몬산토, 월드뱅크(the World Bank), 톰슨 로이터(Thomson Reuters), 보스턴 파이낸셜 데이터서비스(Boston Financial Data Services), EMC, 인튜이트(Intuit), 매스뮤추얼(MassMutual), 일라이릴리(Eli Lilly), 캐터필러(Caterpillar) 등의 경영진이 참여했다. 필자들은 워크숍에 참여했던 회사들과 별도의 인터뷰를 실시했고, 이런 활동들을 통해 기업들에 대한 많은 정보를 얻을 수 있었다. 필자들은 특별히 본 기사를 작성하기 위해 추가 인터뷰도 여러 번 더 실시했다. 종합적으로 봤을 때 필자들은 데이터 상품 개발활동을 추진 중인 40여 개 회사의 관리자들과 인터뷰를 진행했다. 인터뷰를 통해 그들이 속한 회사에서 개발하려는 데이터 상품의 종류와 이를 위해 채택한 프로세스, 상품개발과 도입을 위해 활용한 기술과 플랫폼, 지금까지 출시한 상품들의 성공 여부에 대해 논의했다.


  • 스테판 쿠디바(Stephan Kudyba) 스테판 쿠디바(Stephan Kudyba) | - 마틴 투크만 경영대학원 데이터 분석 및 경영정보시스템 분야 부교수
    smrfeedback@mit.edu
    이 필자의 다른 기사 보기
  • 토마스 H. 데븐포트(Thomas H. Davenport) | (현) 미국 밥슨 칼리지 정보기술 및 경영학 교수
    - 하버드 대학, 시카고 대학등의 경영대학원 교수 역임
    - GE, IBM, 포스코 등의 경영 자문


    이 필자의 다른 기사 보기
인기기사