[ADsP] 1.8 데이터 사이언스와 데이터 사이언티스트

데이터 사이언스

■ 데이터 사이언스의 정의

- 데이터로부터 의미 있는 정보를 추출해내는 학문.

- 데이터와 관련된 모든 분야의 전문지식을 종합한 학문(총체적(holistic) 접근법).

- 정형, 반정형, 비정형의 다양한 유형의 데이터를 대상으로 함.

- 분석 뿐만 아니라 이를 효과적으로 구현하고 전달하는 과정까지 포함한 포괄적 개념.

 

■ 다른 학문과의 차이점

	데이터 사이언스	통계학	데이터 마이닝
분석 대상	정형, 비정형, 반정형 등 다양한 데이터	정형 데이터
분석 방법	분석 + 시각화 + 전달을 포함한 포괄적 개념		분석에 초점
학문 접근	종합적 학문, 총체적 접근법

 

■ 데이터 사이언스의 핵심 구성요소

1. 분석 : 수학, 확률모델, 머신러닝, 분석학 등과 같은 이론적 지식.

2. IT : 프로그래밍, 데이터 엔지니어링, 데이터 웨어하우스, 고성능 컴퓨팅과 같은 프로그래밍적 지식.

3. 비즈니스 컨설팅 : 커뮤니테이션, 스토리텔링, 시각화, 프레젠테이션과 같은 비즈니스적 능력.

 

데이터 사이언티스트의 요구 역량

■ 가트너가 본 데이터 사이언티스트 역량 : 데이터 관리, 분석 모델링, 비즈니스 분석, 소프트 스킬 -> 전부 ‘강력한 호기심’에서 시작함. * 하드 스킬은 포함 X

 

■ 하드 스킬(Hard Skill)

1. 빅데이터에 대한 이론적 지식 : 관련 기법에 대한 이해와 방법론 습득

2. 분석 기술에 대한 숙련 : 최적의 분석 설계 및 노하우 축적

ex) Machine Learning, Modeling, Data Technical Skill.

 

■ 소프트 스킬(Soft Skill)

1. 통찰력 있는 분석 : 창의적 사고, 호기심, 논리적 비판.

2. 설득력 있는 전달 : 스토리텔링, 시각화(Visualization)

3. 다분야 간 협력 : 커뮤니케이션

 

* 데이터 사이언티스트는 데이터 사이언스의 구성요소(분석, IT, 비즈니스 컨설팅)에서 하드 스킬(IT와 (수학적) 분석)과 소프트 스킬(비즈니스 컨설팅과 (인문학적) 분석) 역량이 필요하다.

 

과학과 인문의 교차로

- 분석 기술, 이론적 지식(방법론) << 인문학적 요소(통찰력) : 인문학적 요소가 중요해지고 있다.

■ 통찰력을 제공하는 분석 기술

	과거	현재	미래
정보	리포팅(보고서)	경고	추출
통찰력	모델링, 실험설계	권고	예측, 최적화

 

 

인문학 열풍의 이유

1. 단순한 세계(컨버전스)에서 복잡한 세계(디버전스)로 변화.

2. 비즈니스 중심이 생산에서 서비스로 이동.

3. 생산과 관련된 기술 경쟁 중심에서 무형자산의 경쟁(시장창조)으로 이동.

 

의사결정 오류

1. 로직 오류 : 부정확한 가정을 하고 테스트를 하지 않는 것

2. 프로세스 오류 : 분석과 통찰력을 고려하지 않은 것. 데이터 수집이나 분석이 너무 늦어 사용하지 못하는 것. 대안을 진지하게 고려하지 않은 것.

 

가치 패러다임 변화

- Digitalization(과거) -> Connection(현재) -> Agency(미래)