데이터 전략은 모든 사용 사례에 필수적이며, 인공 지능(AI)의 급격한 발전은 명확히 정의된 전략의 중요성을 크게 부각시켰습니다.
모든 AI 기능은 데이터 기반이므로 하나의 AI 최적화 데이터 전략이 모든 AI 사용 사례에 적용될 것이라고 생각할 수 있습니다. 하지만 기존 AI와 생성형 AI는 서로 다른 데이터 요구 사항을 가집니다. 생성형 AI의 가치를 극대화하려면 비정형 데이터를 효과적으로 관리할 수 있는 데이터 전략이 필요합니다.
이는 데이터 자산, 데이터 인프라, 비즈니스 프로세스 내 데이터 사용 현황 등 데이터 환경을 파악하는 것에서 시작됩니다. 또한 조직 내 데이터 활용 문화를 조성하고, 데이터 민주화 및 AI에 대한 기본적인 이해를 통해 직원들의 역량을 강화해야 합니다. 이는 결코 쉬운 과제는 아니지만 중요하고 달성 가능한 목표입니다. 다음 프레임워크는 조직의 비즈니스 목표를 달성하고 AI 성공을 이루기 위한 적절한 데이터 전략을 설계하는 데 도움이 됩니다.
고위 경영진과 만나 조직의 주요 목표와 우선순위를 명확히 파악하세요. 이러한 대화를 통해 핵심 질문을 던지고 데이터 전략에 대한 최적의 방향을 수립할 수 있습니다.
엔터프라이즈 데이터의 품질, 그리고 데이터가 여러 비즈니스 부서 간에 원활하게 흐르고 있는지 여부를 파악하면 아직 발견되지 않은 비즈니스 가치를 발굴할 수 있습니다.
데이터 전략이 구체화되는 과정에서 이해관계자들과 지속적으로 소통하세요. 그들의 우선순위와 고충을 항상 염두에 두세요.
가장 효과적인 사용 사례 파악하기
IBM에서 데이터 전략, 컨설팅 및 혁신 프로젝트를 주도하는 Tony Giordano는 올바른 데이터를 비즈니스 목표에 맞추는 일은 "해결하려는 비즈니스 과제가 무엇인가"라는 질문에서 시작해 이 질문으로 끝난다"라고 말합니다.
설득력 있는 사용 사례를 찾을 때는 명확하고 실현 가능한 결과를 염두에 두어야 합니다. 선도적인 CDO들은 비즈니스의 핵심 동인이 무엇인지, 그리고 데이터와 분석을 주요 성과에 연결하는 것이 얼마나 중요한지를 잘 이해하고 있습니다.¹
투자 보호
기존의 인프라, 기술, 역량을 활용하여 데이터 전략을 한 단계 끌어올리세요. 조직의 기술 에코시스템을 파악하고, 데이터를 어디에서 어떻게 활용해야 비즈니스 성과 달성에 도움이 될 수 있는지를 이해하세요. 데이터를 깊이 있게 이해하면 비즈니스 전략과 맞지 않는 오래된 데이터 아키텍처를 파악하고, 예산이 확보된 이니셔티브를 더 효과적으로 활용하며, 개선이 필요한 영역을 찾아낼 수 있습니다.
장애 요인과 격차 파악하기
최종 목표를 설정하고 경영진의 승인을 받은 후에는, 진정한 데이터 중심 환경을 구축하는 데 방해가 되는 장애 요소를 파악할 수 있습니다. 사일로 구조는 데이터 통합, 데이터 관리, 워크플로 전반에 걸친 문제의 근본 원인이 되는 경우가 많습니다. 실제로 IT 리더의 81%는 데이터 사일로가 디지털 혁신을 저해하고 있다고 응답했습니다.²
데이터 접근이 장애물이 되어서는 안 됩니다.
사용자는 실질적인 성과를 이끌어내는 데이터에 자유롭게 접근할 수 있어야 합니다. 데이터가 어디에 저장되어 있는지, 관리 및 규정 준수가 이루어지고 있는지를 고민할 필요가 없어야 합니다. 필요한 데이터를 안심하고 사용할 수 있어야 합니다.
데이터 전략을 위한 디자인 사고
디자인 사고 접근 방식은 조직의 문제점을 드러내어 여러 사용 사례, 비즈니스 라인 및 개별 팀에 전략적 가치를 가져다줍니다. 이 프로세스는 관찰, 성찰, 창조의 연속적인 주기를 거치며 달성 가능한 해결책을 도출하고, 지속적인 대화로 문제와 해결책에 접근합니다.
인재 및 역량 파악하기
데이터 변경을 직접 설계할 수는 없습니다. 조직은 AI의 빠른 발전 속도와 IT 산업 전반을 따라잡을 수 있도록 지속적인 교육을 제공해야 합니다. IBM 설문조사에 따르면 주요 CDO의 85%가 교육을 확대하고 있으며, 77% 는 내부 직원을 재교육하고 있고, 70%는 조직 전체의 데이터 해독 능력을 높이기 위해 새로운 인재를 영입하고 있다고 합니다.³
거버넌스 강화에 집중하기
생성형 AI 시대에는 종합적인 거버넌스를 구현해야 합니다. 중복 오류, 신뢰할 수 없는 검색, 개인정보 침해 없이 시스템을 안정적으로 운영하려면 규제가 필요한 주요 데이터 요소를 철저히 관리해야 합니다. 현재 누가 데이터 정책을 소유, 관리, 정의하고 있는지, 해당 거버넌스가 보안, 개인정보 보호 또는 규정 준수에 영향을 미치는지를 고려하세요. 데이터를 효과적으로 관리할 수 있도록 적절한 담당자에게 결정 권한, 책임 체계, 외부 리소스가 갖춰지도록 하세요.
데이터의 목표 상태 정의
"많은 데이터 환경이 노후화되어, 오늘날의 디지털 환경에 맞춰 유연하게 발전하지 못하고 있습니다"라고 Giordano는 말합니다. 최신 데이터 아키텍처는 일관된 데이터 품질을 유지하기 위해 관리, 거버넌스, 보안이 철저히 이뤄져야 합니다. 디지털 채널과 함께 발전할 수 있는 유연성도 필수입니다.
목표에 대한 진행 상황 측정
데이터 리더는 종종 혁신적인 변화를 주도할 것으로 기대되지만, 이들의 성공은 전술적이고 단기적인 비즈니스 목표를 기준으로 측정됩니다. AWS가 실시한 CDO 설문조사에 따르면, CDO의 74%는 자신의 성공이 비즈니스 중심의 성과로 측정되거나 비즈니스 목표와 기술 목표가 균등하게 나누어져 있다고 말하며, 오직 3%만이 자신의 성공이 전적으로 기술적 성과로 정의된다고 답했습니다.⁴
데이터 목표에 집중하세요. AI를 통해 비즈니스 가치를 높이는 가장 효과적인 방법을 고민하면서, 데이터 사용자로부터 얻은 인사이트를 활용하세요.
데이터 거버넌스 정책 수립하기
탄탄한 거버넌스 프레임워크는 품질, 개인정보 보호, 보안을 기반으로 합니다. 데이터, 분석, AI 이니셔티브를 포괄하는 메타데이터 및 거버넌스 계층은 데이터의 저장 위치와 관계없이 조직 전반에 걸쳐 명확한 인사이트 확보와 협업 향상에 기여합니다. 데이터 거버넌스 정책은 데이터 품질, 데이터 프라이버시, 데이터 보안, 데이터 관리와 관련된 조직 내 행동을 규정하며, 동시에 AI가 규제 업무를 어떻게 간소화할 수 있는지도 보여줍니다.
데이터 추진 리더 발굴하기
조직 내에서 데이터가 업무에 미치는 영향에 열정을 가진 인재를 찾아보세요. 이들이 바로 성공을 함께 이끌 파트너입니다. 이들을 정기적인 회의와 표준화 작업에 참여시키세요.
데이터 엔지니어, 데이터 아키텍트, AI 모델을 구축 중인 데이터 과학자 등 데이터 팀 내에서 성공 파트너를 찾을 수 있습니다. 데이터 분석에 의존하는 팀을 이끄는 사업 부문(LOB)의 리더들도 훌륭한 후보입니다. 이들은 새로운 기술을 활용해 비즈니스 프로세스를 개선하고 데이터의 가치를 극대화한 경험이 있을 가능성이 높습니다.
스프린트 주기 설정하기
데이터 및 AI 전략을 정착시키기 위해 조직은 종종 새로운 개념과 환경에 맞춰 조직 문화를 재구성해야 합니다.
빠르게 달성 가능하며 실질적 가치를 지닌 실행 가능한 목표부터 설정하세요. 이 목표에 맞춰 다양한 부서가 협업하는 팀을 구성하세요. 그런 다음 결과 입증에 도움이 되는 실행 가능한 마일스톤을 중심으로 짧은 스프린트 주기를 계획하세요. 마지막으로 최고 경영진, 기술팀, 비즈니스 사용자들이 모두 동일한 목표를 향해 나아가도록 하세요.
작은 목표부터 달성하기
작지만 반복 가능한 사용 사례를 통해 데이터 및 AI 투자 가치의 실현 가능성을 빠르게 증명할 수 있습니다. 초기 단계에서 가장 어려운 문제를 무리하게 해결하려 할 필요는 없습니다. 영향력은 크지만 단순한 사용 사례를 통해 기술에 대한 중요한 인사이트를 얻고 초기 성과를 쌓을 수 있습니다. AI 도입 초기에는 파일럿 프로그램에 투자해 향후 더 큰 성과를 끌어내기 위한 경험을 축적하세요.
중앙 데이터 카탈로그 구축하기
중앙 카탈로그는 인사이트를 저장하고 공유해 데이터 소비를 보다 간편하게 만듭니다. 카탈로그에는 원본 및 큐레이션된 형태의 데이터가 목적에 맞는 스토리지와 함께 보강되어 저장됩니다. 데이터 접근 도구는 개별 앱이나 프로세스를 넘어 데이터 소비 방식과 생성되는 인사이트를 파악합니다. 이러한 세부 정보는 사용자가 조직 전반의 데이터를 고려해 실시간으로 의사결정을 내릴 수 있도록 도와줍니다.
데이터 소비자의 채택 역량 강화하기
새롭게 구축한 데이터 관리 프레임워크를 활용해 조직 전체의 채택을 장려하세요. 이렇게 하면 비즈니스 커뮤니케이션 방식에 영향을 미치고, 주요 워크플로를 개선하고, 보안을 최적화하고, 새로운 비즈니스 모델, 시장 기회 및 운영 효율성을 확보할 수 있습니다.
사례 보여주고 공유하기
사용 사례는 조직 역량 강화를 위한 주요 수단이 됩니다. Harvard Business Review의 최근 기사에 따르면 CDO와 AI 리더는 "데이터를 모두의 과제로 만들 때" 더 큰 성공을 거둘 수 있다고 합니다.⁵ 데이터 과학, 운영 분석, 디지털 혁신, 비즈니스 인텔리전스, 생성형 AI 이니셔티브 등 다양한 분야에 걸친 사용 사례를 통해 여러 팀이 데이터를 활용해 조직에 긍정적인 변화를 이끌 수 있도록 하세요.
인재 채용(및 재교육)
기술 격차를 해소한다는 것은 전통적인 채용 및 교육 전략을 넘어서는 것을 의미합니다. 기업이 인재 수요를 충족하기 위해 분주하게 움직이면서, 많은 기업이 직무 수행을 위해 교육 및 경력 요건을 조정하고 있습니다. 교육과 채용만으로 충분하지 않은 경우, 조직에서 AI와 자동화를 활용하여 기술 격차를 해결할 수 있는 방법을 고려하세요.
조직 전반에서 강력한 파트너십 구축
가장 기본적인 수준에서 데이터 리더의 역할은 조직이 데이터 수집, 관리 및 사용에 대해 최고의 결정을 내리는 것을 돕는 것입니다. 모든 수준에서 파트너십을 형성하고 강화할 때 피드백과 협업에 유연하게 대응하세요.
데이터 중심 기업을 구축해 나가면 흥미로운 변화가 일어납니다. 조직의 DNA에 비전이 깊이 스며들수록, 구성원들이 자발적으로 배우고 새로운 역할을 맡는 문화를 조성함으로써 일일이 통제하지 않아도 되는 환경을 만들 수 있습니다.
조직이 여러분을 지지하고 있습니다. 기존 기술을 고도화하고 데이터 접근성을 높이는 새로운 솔루션을 도입할 때, 여러분은 단지 효율을 높이고 새로운 인사이트를 도출하는 것을 넘어 데이터를 최대한 활용하는 문화를 만들어가고 있다는 사실을 기억하세요.
각주
¹ Turning data into value, IBM 기업가치연구소(IBV), 2023년 4월.
² 85% of IT Leaders See AI Boosting Productivity..., Salesforce, 2024년 1월
³ 2023 Chief Data Officer Study, IBM 기업가치연구소(IBV), 2023년 3월.
⁴ CDO Agenda 2024, AWS, Thomas H. Davenport, Randy Bean 및 Richard Wang, 2023년 10월.
⁵ Why Chief Data and AI Officers are…, Randy Bean 및 Allison Sagraves, 2023년 6월