고영혁의 데이터 인사이트와 서비스 디자인 #2

누가 무슨 이야기를 하려는 걸까요 (Part 2)

3. 고영혁은 어떤 사람인가요

Part 1 에서의 이야기를 통해 앞으로 이 칼럼이 어떤 이야기들을 연재할 것인지 대충은 감을 잡으셨을 것 같습니다. 연재 방향에 대해 보다 구체적으로 말씀 드리기 전에 제 이야기를 좀 해보려고 합니다. 제 업무와 삶의 특성상 많은 사람들을 만나다 보니, 상대방이 어떤 사람인지 어느 정도 알게 된 후에야 그 사람과 시너지를 내며 제대로 뭔가를 만들어갈 수 있다는 것을 알게 됐습니다. 이 칼럼은 가급적 많은 질문과 답변과 토론이 저와 여러분 사이, 그리고 여러분들 사이에서 댓글을 통해 이루어지길 바라는 점이 큽니다. 바램으로 끝날 수도 있지만, 일단 목표는 제대로 잡아야겠지요. 그런 차원에서 제 소개를 드립니다. 이 칼럼에 들어오시기 위해 누르셨던 이미지 배너에 있는 ‘연계융합 전문가 고영혁’이라는 문구가 다소 생소하셨을 수도 있는데 그에 대한 설명이기도 합니다. 한편으로는 데이터와 관련된 커리어, 특히 데이터 사이언티스트(Data Scientist)로서의 커리어를 만들어가시는 분께 하나의 참고가 될 수도 있을 것 같습니다.

저는 어렸을 때부터 소위 말하는 문과와 이과 가운데에 있던 사람이었습니다. 초등학교 때 적성검사 결과도 가운데였고, 어쩌다보니 고등학교와 첫 대학 3년 6개월은 이과 쪽에 집중해서 다니게 되었지만 두 번째 대학 생활 4년(대학원이 아니라 이것도 학부)은 문과 쪽, 엄밀히 말하면 상대에서 경제학, 응용통계학, 경영학을 공부하며 다녔습니다. 초등학교 2학년 때부터 8비트 컴퓨터에 빠져들어서 베이직, C, 어셈블리와 같은 프로그래밍도 종종 했지만 그에 못지 않게 게임도 엄청나게 많이 했었습니다. 감수성이 풍부한 편이라서 게임에 울고 웃으면서도 왜 이 부분에서 이런 느낌이 드는지 궁금해서 게임을 분석적으로 파헤쳐 보기를 좋아했습니다. 아마 이런 어린 시절에서부터 두 가지 극단 사이를 왔다갔다 연계하는 것에 익숙해지게 된 것 같습니다.

대학을 졸업하고 첫 직장은 NHN(지금은 여러 회사로 분사되었고, 크게 보면 네이버와 NHN엔터테인먼트(한게임)이 하나였던 시절)의 한게임 부문에서 시작했습니다. 게임을 좋아했기에 게임으로 서비스 사업을 만들어가는 경험을 쌓기 위해서 선택한 직장이었고, 고스톱과 포커와 같은 회사 매출의 대부분을 만들어내는 게임의 신규 버전을 만드는 보조 PM으로 커리어를 시작했습니다. 추후에는 이런 간단한 보드게임에서 훨씬 방대하고 복잡한 MMORPG(온라인다중동시접속역할수행게임) 게임의 콘텐츠 전략을 짜는 팀을 리딩했는데, 게임의 설계 단계에서부터 보다 재미있는 게임이 되고 그것을 통해 매출을 많이 만들어낼 수 있는 다양한 고민과 분석을 게임 사업 전체 싸이클에 걸쳐서 하고 그것을 실행에 옮겨 서비스 품질 및 매출 향상을 하는 팀이었습니다. 이 때가 2003년부터 2006년이었는데 지금은 게임 데이터 분석을 통한 서비스 및 사업 향상이 국내에서도 정형화되고 있지만 그 때만 해도 그런 개념이 세계적으로도 흔하지 않던 시절이었습니다.

이 때 제 아이디어는 게임 내에서 발생하는 모든 로그(log) 데이터를 체계적으로 다시 쌓아 다각도로 분석해서 이를 통해 게임성을 개선하고 비즈니스 모델을 잡아보자는 것이었습니다. 이것을 실현하기 위해 게임 개발단의 데이터베이스 담당자와 시스템 엔지니어, 분석용 데이터 마트 운영 담당자와 가상 팀을 구성해서 기존에 없던 분석 솔루션을 OLAP(OnLine Analytical Process) 기반으로 만든 다음 이걸 통해 일별 데이터를 계속 분석하여 서비스를 개선하고 매출 모델을 만드는 일을 성공적으로 이끌어 갔습니다. 기존에 있던 개념이나 프로세스가 아니었기 때문에 처음에는 주위 사람들이 반신반의했지만 모두 믿어주시고 같이 했기 때문에 성과를 낼 수 있었고 가시적인 성과를 보여주니 더욱 이 일을 체계적으로 만들어 갈 수 있었습니다.

당시 데이터량이 순수 텍스트 로그로 하루에 1.6GB 정도였는데 역시 빅데이터라고 하기에는 무리이지만 꽤나 큰 데이터였습니다. 어찌보면 10년 전인 이때부터 이미 알게 모르게 자연스럽게 서비스 디자이너이자 데이터 사이언티스트의 커리어를 밟기 시작한 것 같습니다. 참고로 서비스 디자인(Service Design)이란 서비스의 겉모습을 그림으로 디자인하는 일이 아니라 서비스가 돌아가는 전체 구조와 얼개를 설계하는 것을 의미합니다.

대학원에서 인지과학을 공부하다가 가게 된 두 번째 직장은 국내 최대의 오픈마켓인 Gmarket 이었습니다. 많은 유명 게임 회사에서 이전의 했던 일을 똑같이 해달라는 내용의 러브콜이 왔지만 했던 일을 똑같이 하기 싫었고, 그것을 다른 형태로 다른 분야에서 응용하고 싶었기 때문에 간 곳이었습니다. 여기에서도 새로운 일을 만들어내는 임무를 맡았는데 바로 전자상거래 플랫폼에서 무형의 금융 서비스를 판매하는 것이었습니다. 유형의 상품을 판매하는 곳에서 성격이 꽤나 다른 무형의 상품을 판다는 것은 쉽지 않은 미션이었습니다만, 제가 접근했던 기본 아이디어는 금융상품의 대부분이 사람들의 라이프 이벤트(Life Event)에 맞추어서 설계된다는 것이었습니다. 사회에 진출하면 연금저축이나 내집마련저축, 실손보험 등을 들기 시작하고, 자동차를 사면 무조건 자동차 보험에 들어야 하고, 아이를 낳을 때가 태아보험에 드는 것들이 모두 해당 사례입니다. 그런데 Gmarket 은 생활에서 대부분의 물건들을 다 팔고 그 이용자 규모 및 거래 규모가 엄청나기 때문에 수많은 사람들이 현재 어떤 라이프 싸이클이나 이벤트 단계에 있는 지 매출 데이터를 보고 대략 예측할 수 있습니다. 그 다음에는 적절한 금융 상품을 추천해주거나 적절한 위치에 노출해 주면 되는 것이지요. 예를 들어, 출산 준비 용품을 이것저것 사기 시작한 고객은 이제 곧 출산할 소비자이니 태아보험을 추천하는 것입니다.

구상한 모든 것을 전부 실험해 보지는 못했지만 상당 부분 성과를 거두었고 그 과정에서 소중한 경험들을 쌓았습니다. 또한 구매 데이터만이 아니라 웹사이트 내 이동경로 로그 데이터도 굉장히 많이 분석했는데, 사람들이 사이트에서 어떻게 돌아다니는 지 알아야 적절한 위치에 적절한 상품을 배치할 수 있기 때문이었습니다. 당시 Gmarket 에 웹로그 분석 솔루션을 제공한 회사의 기술 지원 담당 차장님이 저한테 하셨던 말씀이 생각나네요. ‘이 솔루션 구매하고 나서 이렇게 제대로 데이터 뜯어보면서 왕창 질문해대는 고객은 처음이네요’. Gmarket 에서 한 일은 은행, 신용카드, 보험, 증권, 대출 같은 다른 금융권 회사들과의 제휴를 통해 만든 사업이었기 때문에 제휴 파트너들과 연동할 수 있는 플랫폼 설계도 해야 했고, 파트너들의 내부 데이터도 굉장히 많이 보면서 서로에게 윈윈할 수 있는 서비스 모델링을 위해 데이터를 많이 활용하기도 했습니다. 이 때는 서비스 디자인만이 아니라 사업 개발, 특히 제휴를 통한 사업 개발 역량을 많이 길렀는데 그 과정에서도 역시 데이터 기반의 사고 역량은 큰 역할을 해 냈습니다.

Gmarket 을 퇴사하고 제가 한 일은 뜬금 없게도 1인 기업으로서 헤드헌팅과 커리어컨설팅을 하는 것이었습니다. 이 일을 하면서 제가 추후에 뭘 벌일 지는 모르겠지만 자기 사업을 벌일 때 소중한 인적 자산 및 간접 경험 자산을 확보할 수 있다는 확신이 있었고, 지금까지는 데이터를 통해 사람을 파악해 왔지만 직접 1:1로 사람들을 만나면서 살면서 가장 큰 고민이자 항상 할 수밖에 없는 고민인 커리어에 대해 어떻게 생각하고 행동하는 지 제대로 알고 싶다는 바램이 컸습니다. 한편 큰 브랜드의 회사에서 나와 혼자 활동했을 때 어디까지 제 개인 브랜드를 만들어서 활용할 수 있고 사회에 먹히는 지 실험해 보고 싶기도 했구요. 2년에 걸친 기간 동안 300여명이 넘는 사람들과 1인당 최소한 2시간씩 상담을 하며 사람에 대해 많은 이해를 넓힐 수가 있었습니다. 그것은 데이터로 사람을 보는 것과는 또 다른 차원의 느낌이었습니다. 물론 이 때도 상담한 분들의 여러 가지 특징이나 이력서들을 전부 데이터로 기록해서 여러 가지 의미 있는 인사이트들을 찾는 작업들을 해보았습니다. 그 기반으로 일을 했기에 나름 독자적인 영역의 헤드헌팅과 커리어컨설팅 레퍼런스를 쌓을 수 있었다고 생각합니다.

2012년부터는 에이엔티홀딩스라는 작은 스타트업의 전략총괄이사로서 신규 서비스 및 사업개발과 글로벌(특히 미국) 진출 총괄을 담당하다가 최근에는 독자적인 팀을 새로 꾸려서 역시 미국향 서비스 사업을 준비하는 일을 하고 있습니다. 이 서비스 역시 데이터 기반이며 확장된 헬스케어 범위에 들어가는 서비스 사업입니다. 저는 팀의 공동 창립자이자 데이터 사이언스 기반으로 서비스와 사업을 만들어가는 역할을 맡았습니다. 그 동안 쌓아온 경험과 역량을 총집결해서, 인생의 본 게임이 시작되는 40을 눈앞에 둔 시점에서 제대로 도전을 해보려는 것이죠.

글로벌 유명 시장조사분석 기관인 가트너(Gartner)에 따르면 2015년까지 440만명의 데이터 사이언티스트가 시장에서 필요하다(http://www.ibm.com/big-data/us/en/)고 합니다. 데이터 사이언스 및 데이터 사이언티스트라는 단어가 이슈로 떠오른 것은 얼마 되지 않습니다. 하지만, 이것을 기존 세상에 없던 새로운 직군이나 일로 보기보다는 과거에도 이미 있었던 것들이 좀 더 체계화되어 시장에서 부각이 되고 있는 상황으로 이해하는 것이 적절하다고 생각합니다. 앞에서 주욱 풀어 놓은 제 개인 사례만 해도 그렇고, 이것과 비슷한 흐름을 갖는 사람들이 곳곳에 있을 것입니다. 새롭게 무언가를 만들려고 생각하면 두려움이 앞서고 막막해 지는 경우가 많습니다. 하지만, 이미 쌓아온 것들을 잘 살펴보고 방향을 잡은 다음에 적절하게 연결시켜서 집중할 수 있는 가치를 만들어내는 식으로 하면 훨씬 부담을 줄이면서 구체적인 목표를 잡을 수가 있습니다. 데이터를 바라보는 관점이나 데이터와 관련된 커리어를 쌓는 일 모두 이런 식으로 해야 합니다. 여러분이 살아온 길을 잘 살펴보시고 가급적이면 이력서라는 형태를 빌려서 정리해 보세요. 이력서는 이직을 할 때 만드는 문서가 아니라 평상시에 의미 있는 성장이나 변화가 있을 때마다 업데이트하는 월간/계간 장부입니다. 이런 이력서이어야 남을 잘 설득할 수도 있고 심지어 자기 자신을 제대로 발견할 수도 있습니다.

막판에 커리어 컨설턴트로서의 멘탈이 튀어나왔군요. 제가 연계융합 전문가라고 프로필 배너에 적어 놓은 이유가 제 소개를 통해 조금은 전달이 되었으면 합니다. 나중에 자세하게 이야기 할 기회가 있겠지만 데이터 사이언티스트는 어느 한 가지만 잘 해서는 역량을 내기가 쉽지 않습니다. 굳이 데이터 사이언티스트까지 가지 않더라도 데이터를 통해 실제로 가치를 내는 인사이트를 만들어내려면 분석만 잘 해서도 부족하고, 서비스 모델링이나 비즈니스 모델링만 잘 해서도 부족합니다. 적절하게 연결점들을 찾아내서 소화해 내거나 혼자서는 도저히 안되겠으면 조화롭게 시너지를 낼 수 있는 각 분야의 전문가들로 팀을 구성해서 일해야 합니다. 물론 이 팀에서 성과를 끌어내기 위해 잘 리딩하는 것은 또 별개의 문제이지만요.

4. 앞으로 나누고 싶은 이야기

이 칼럼 연재를 통해서 앞으로 여러분과 나누고 싶은 이야기를 생각해 보았습니다. 아마 이야기하다 보면, 그리고 여러분들의 피드백을 받다 보면 새로운 이야기 거리가 생각이 나고 추가될 것 같습니다만 큰 틀에서는 다음 주제들에 대한 이야기를 할 계획입니다. 첫째, 인사이트입니다. 앞에서 인사이트(통찰)에 대한 기본적인 이야기를 했습니다만, 역시 이 인사이트라는 것은 여러모로 오묘하고 애매하기도 한 존재입니다. 다양한 관점에서 인사이트를 살펴보고 인사이트를 어떻게 만들어내는지, 어떤 인사이트가 상황에 따라 가능한지, 인사이트를 키우려면(엄밀히 말하면 인사이트를 만들어내는 능력을 키우려면) 어떻게 하는 것이 좋은 지 등에 대한 이야기를 해보고자 합니다.

둘째, 데이터 시각화입니다. 대학에서 통계학을 배우면서 가장 빠져들었던 것은 회귀분석 수업 시간에 다양한 데이터들을 여러 형태의 그래프들로 표현해서 요리 돌려보고 조리 돌려보며 숨어 있는 의미들을 찾는 것이었습니다. 아주 기본적인 데이터 시각화인 셈이죠. 스토리텔링이 강한 인포그래픽을 포함하여 데이터 시각화의 다양한 사례들과 몇몇 요긴한 시각화 기법들의 소개와 적용, 시각화를 할 때 발생하는 이슈들 및 주의해야 할 점 등등에 대해 이야기해 볼 계획입니다.

셋째, 서비스 디자인에 도움을 주는 데이터 분석입니다. 서비스를 좋게 만들어서 소비자가 지갑을 여는 것은 매출 향상의 여러 시나리오 중 하나이지만 가장 기본적이고 중요한 방법이기도 합니다. 좋은 서비스라는 것은 처음 태어날 때부터 좋은 것이 아니라 점점 좋게 성장하는 서비스를 의미합니다. 서비스라는 것이 일반 제품과는 달리 한 번 세상에 태어나면 끝나는 것이 아니라 계속 변화하는 성격을 갖고 있기 때문입니다. 서비스 디자인은 서비스의 최초 설계에서부터 시장의 반응에 따라 지속적으로 성장시키는 것 모두를 포함하며 이 과정에서 기존 레퍼런스 데이터의 분석 및 해당 서비스 자체적으로 쌓이는 데이터들이 매우 중요한 역할을 합니다. 서비스 디자인에 사용되는 각종 데이터 분석 기법들과 활용할 수 있는 도구들에 대한 소개, 데이터 기반 서비스 디자인의 실제 사례 등에 대해 다룰 생각입니다.

넷째, 데이터 기반으로 사업 만들어가기 입니다. 위에서 이야기한 데이터 분석 기반의 서비스 디자인과 일맥상통하는 이야기입니다. 매출을 만들어내지 못하면 좋은 서비스가 아닐까요 좋은 서비스라면 서비스 성격에 따라 매출은 못만들어 내더라도 최소한 투자는 받아낼 수 있습니다. 즉, 좋은 서비스는 어떤 식으로든 돈을 만들어내며 돈을 만들어내는 서비스는 어떤 측면에서든지 좋은 점을 최소한 하나는 갖고 있습니다. 단, 서비스 디자인에서 바라보아야 하는 데이터와 매출, 사업 모델링 관점에서 바라보아야 하는 데이터는 다른 부분도 있고 상호 고려해야 하는 부분도 있습니다. 한편 투자나 제휴 사업을 성공으로 이끌어내려면 자신이 갖고 있는 사업의 현황을 데이터를 통해 제대로 표현해야 하는 이슈도 있습니다. 이런 부분들에 대한 전반적인 이야기를 하고자 합니다.

이 칼럼을 통해 크게 네 가지 주제들에 대해 이야기 나누려고 하지만, 어떤 주제이든 상관없이 공통적으로 다음과 같은 색깔의 이야기가 될 것 같습니다. 일단, 저는 데이터를 통해 추출하는 가치를 중요시 하지 데이터 그 자체를 중요시 하는 입장은 아닙니다. 즉 도구로서 데이터를 보는 관점입니다. 그리고, 경험에 바탕을 두고 있지 않은, 다분히 관념적인 이야기는 썩 좋아하지 않기 때문에 대부분의 이야기들은 직접이든 간접이든 경험을 토대로 한 이야기들입니다. 그렇기 때문에 바이어스(bias)가 걸려서 제한될 수 있는 부분도 있습니다만, 여러분의 피드백들을 통해 보완이 될 것으로 믿습니다. 앞서 말씀 드린 제 삶이 그랬듯이 가급적 다양한 주제의 이야기들을 하고자 합니다. 실리콘밸리의 출장 이야기가 화두가 될 수도 있을 것 같습니다. 하지만, 어떤 이야기를 하든지 데이터가 공통의 연결고리가 된다는 점은 확실합니다. 끝으로, 확정적인 무언가를 전달하기 보다는 다양한 의견이 가능한 열린 주제들을 화두로 던지는 경우도 종종 있을 것입니다. 그렇게 서로의 생각을 확인하고 발전시켜 가는 것이 즐겁지 않을까요

5. 시작을 마무리하며

무엇보다 ‘DB인 이야기’를 통해 데이터라는 공통의 관심사를 가진 새로운 분들과 많이 만나고 교감할 수 있게 되어 정말 기쁩니다. 어느 정도 직장 생활해 보신 분들은 사회에서 공통 관심사에 대해 심도 있으면서도 편하게 논의를 할 수 있는 사람을 만나 수시로 대화를 나눌 수 있다는 것이 얼마나 소중하고 쉽지 않은 기회라는 것을 아실 것입니다. 그런 새로운 장이 하나 추가되었으니 저로서는 기쁠 수밖에요.

누차 말씀 드렸듯이 이 칼럼은 단방향으로 콘텐츠를 전달하는 칼럼이 아닌 칼럼에서 다룬 내용에 대해 질문과 답변과 의견이 쌍방향으로 오고 가면서, 심지어 저와 독자분들 사이에서만이 아니라 독자분들끼리도 피드백을 주고 받는 그런 칼럼이 되었으면 합니다.
사실 이것은 바란다고 해서 되는 것이 아니라 일차적으로는 칼럼을 쓰는 제가 이런 것이 가능한 구조와 느낌의 글을 써야 하는 문제이기도 합니다. 최대한 노력하면서 혹시 초심을 잃을 것 같으면 이 첫 번째 글을 살펴보도록 하겠습니다.

문득 든 생각인데, DB인 이야기에 올라오는 칼럼들에 대해서 어떤 피드백들이 오고 가며, 그 피드백을 하는 사람들은 dbguide.net 에서 어떤 콘텐츠들을 주로 소비하고 액션을 취하는지를 데이터화해서 분석해보면 어떨까요 정형 데이터 및 비정형 데이터가 모두 사용될 것이고, 이동 경로 분석까지 고려되는, 소비자와 생산자의 클러스터링 및 상호 매칭이 가능한 꽤 재미있는 결과물이 나올 것 같지 않나요

첫 칼럼으로 두 개의 파트에 걸쳐 다소 길게 주욱 썰을 풀었습니다만… 어떤 이야기를 나누고 싶은가요 언제든지 의견 환영합니다. 그런 의견을 주시는 것이 종종 저자를 도와주는 일이라는 것을 팁으로 드리며, 첫 칼럼을 마칩니다. 모두 행복한 하루 되세요~

Gonnector 고영혁 (Dylan Ko)
이메일 - Gonnector@gonnector.com
페이스북 - http://fb.com/Dylan.Y.Ko / 트위터 - @Gonnector
프로필 - http://linkedin.com/in/gonnector/ko

출처 : 한국데이터베이스진흥원

제공 : DB포탈사이트 DBguide.net