의사결정이 더 많은 데이터를 기반으로 삼는다면 조직이 의사결정을 더 빠르고 자신 있게 내리면서 좋은 성과를 내는 데 도움이 된다.
대부분의 조직은 의사결정 프로세스의 품질을 개선하기 위해 데이터 활용에 많은 투자를 한다. 데이터 기반 의사결정(DDDM, Data Driven Decision Making)은 직관, 관찰, 추측에 의존하기보다 데이터와 사실을 활용하여 의사결정을 뒷받침하는 절차다. 이사회부터 고객을 마주하는 현장에 이르기까지 매일 조직 내에서 수많은 비즈니스 의사결정이 내려진다. 이런 의사결정이 더 많은 데이터를 기반으로 삼는다면 조직이 의사결정을 더 빠르고 자신 있게 내리면서 좋은 성과를 내는 데 도움이 된다.

최근 철도를 이용해 북미 전역에 제품을 공급하는 석유 및 가스 업체에서 일했던 애널리스트와 DDDM에 대해 논의했다. 잘못된 데이터가 좋지 않은 의사결정으로 이어진다는 것은 흔한 이야기지만, 그는 좋은 데이터가 높은 비용을 초래하는 실수로 이어지기도 한다며, 한가지 사례를 들려줬다.

회사에서 새로 채용한 관리자 한 명이 철도 데이터를 검토한 뒤 임대한 차량 몇 개를 없애면 비용을 줄일 수 있다고 판단했다. 관리팀은 그가 데이터를 정확하게 분석했다고 생각했지만 그렇지 않았다. 그는 새로 입사한 회사에서 빨리 성과를 내려고 서두르는 바람에 미래 수요를 제대로 고려하지 못했다. 1년 뒤 수요가 늘자 회사는 훨씬 높은 임대료로 차량을 추가 임대해야 했다. 잘 못된 분석으로 인해 멀쩡한 차량을 없애면서 수백만 달러 손실이 초래됐다.

이 사례에서 알 수 있듯이 데이터 기반 의사결정은 데이터의 품질이나 연관성에 문제가 없다고 해도 항상 성공적인 것은 아니다. 이 열차 차량 임대 시나리오에서 무슨 일이 일어났는지를 돌이켜보면서 DDDM이 제대로 작동하지 못하고 스마트한 의사결정으로 더 나은 결과를 이끌어낸다는 목적을 달성하하지 못한 데는 몇 가지 요인이 있다는 사실을 깨달았다.

단순히 데이터만 있으면 좋은 의사결정을 내릴 수 있다는 추정에서 벗어나 DDDM 절차가 잘못될 수 있는 8가지 함정을 소개한다.

1. 좋지 않은 데이터. DDDM이 비즈니스에 긍정적인 영향을 미치려면 기반 데이터에 신뢰성과 연관성이 있어야 한다. 아무도 수치를 믿지 않거나 데이터가 비즈니스 전략과 일치하지 않는 경우, 이러한 근본적 문제는 DDDM의 나머지 절차를 모두 무너뜨릴 것이다. 데이터 품질과 연관성을 적절히 감독하지 않으면 DDDM은 문제투성이가 되어 좋은 영향력을 발휘하지 못하게 된다.

2. 약한 분석. 필요한 데이터를 갖췄다면 이를 제대로 분석해야 한다. 셀프 서비스 분석이 알려지면서 더 많은 사람이 분석 경험 없이도 데이터를 분석할 수 있게 됐다. 그러나 분석팀의 적절한 교육과 지원이 없다면 이렇게 수행한 분석에는 효과를 발휘하고 문제를 피하는 데 필수적인 깊이, 철저함, 정확도가 결여될 수 있다.

3. 잘못된 제안. 데이터를 분석해 유용한 정보를 도출한 뒤에는 비즈니스가 여기에 대응할 수 있도록 적절한 제안을 해야 한다. 분석은 탄탄하지만 제안된 솔루션이 부족하거나, 부적절하거나, 결함을 안고 있는 경우 DDDM 절차가 잘못될 위험이 있다. 일반적으로 이 문제는 데이터팀과 비즈니스팀 간에 협업이 부족할 때 발생한다. 데이터팀은 분석을 담당하지만 비즈니스팀의 지도 없이는 유의미한 제안을 하는 데 필요한 분야별 전문 지식을 보유하지 않았을 가능성이 있다.

4. 잘못된 의사소통. 탄탄한 정보와 합리적인 제안이 있다면 이를 의사결정권자에게 명확하고 설득력 있게 전달해야 한다. 그렇지 않으면 듣는 사람이 정보의 중요도 또는 긴급성을 완전히 이해하지 못하고 간과하거나 잘못 이해할 우려가 있다. 이해하기 쉬운 시각 요소와 서사 구조를 결합하는 데이터 스토리텔링은 정보를 공유하여 행동으로 이어지게 만드는 효과적인 방법 중 하나다. 그러나 이는 대부분의 조직에서 제대로 개발되어 있지 않은 데이터 역량이며 더 많은 집중 교육과 훈련, 코칭을 필요로 한다.

5. 잘못된 해석. 정보와 솔루션이 효과적으로 전달돼도 의사결정권자가 여전히 전달받은 내용을 잘못 해석할 가능성이 있다. 적절한 수준의 데이터 문해력, 더 구체적으로는 데이터 해석 능력이 없다면 개인은 수치가 무엇을 뜻하는지, 어떤 조치를 취해야 하는지 잘못 이해할 수 있다. 관리자가 기초 데이터 해석 교육을 받으면 실수를 예방하는 데 도움이 된다.

6. 잘못된 의사결정. 증거가 특정 조치를 명확하게 뒷받침하는 경우에도 의사결정권자는 이를 거부하고 다른 방향으로 나아갈 수 있다. 경우에 따라서 확증 편향이나 더닝 크루거 효과 등 인지 편향이 문제를 낳기도 한다. 아니면 의사결정에 대한 책임 의식의 부재가 개인으로 하여금 사적인 목표나 이득을 팀 또는 조직의 이익보다 우선시하게 만들 수도 있다. 데이터 문화를 확립하지 않은 조직은 이런 문제를 겪을 위험이 있다.

7. 잘못된 실행. 의사결정이 데이터를 기반으로 이뤄졌더라도 제대로 구현되지 않으면 원하는 결과를 얻을 수 없다. 아무리 정보, 제안, 의사결정이 훌륭해도 적시에 제대로 실행되지 않으면 가치가 없다. 실행 단계에서 귀중한 정보에 찬물을 끼얹으면 모든 사람의 의욕이 꺾일 수 있다. DDDM은 의사결정 단계에서 끝나는 것이 아니다. 실행 활동을 모니터링하고 최적화할 때도 데이터에 의존해야 한다.

8. 부족한 학습. DDDM 절차에서 이전 단계를 모두 해결했더라도, 각 데이터 기반 의사결정을 체계적으로 검토하고 그로부터 학습하지 않으면 그 효과가 제한될 수 있다. 일반적으로 DDDM은 직관에 따른 의사결정보다 뛰어나다. 그러나 모든 데이터 기반 의사결정이 예상된 결과를 낳는 것은 아니다. 결과를 측정하고 그로부터 배우지 않으면 향후 의사결정을 개선하고 가다듬을 기회를 놓치게 된다.

데이터 기반 의사결정 절차의 모든 단계는 서로 연결돼 있다. 한 단계에서 실수하면 나머지 DDDM 절차 전체에 그 여파가 미치기 쉽다. 예를 들어 정보를 명확하게 전달하지 못하면 듣는 사람이 전달받은 내용을 잘못 이해해서 잘못된 의사결정을 내리고 잘못된 조치를 취할 수 있다. 조직에서 데이터 기반 의사결정으로 문제를 해결할 때는 앞선 절차의 문제가 이후 절차의 결과에 영향을 미치는지 여부를 평가해야 한다.

이와 같은 일반적 함정을 알아두면 DDDM 절차를 최적화하는 데 도움이 된다. 절차의 특정 측면에만 집중해 성공적인 데이터 기반 의사결정에 필요한 다른 요소를 전체적으로 고려하지 않는 경우가 많다. 전체적인 관점과 이해를 확보하고 DDDM 절차의 함정을 파악하면 조직에서 데이터 투자로 얻는 이익을 극대화할 수 있다.

※ 데이터 기반 의사결정 절차의 8가지 함정- 데이터 기반 의사 결정 프로세스에는 최소한 8가지 잠재적인 실패 지점이 있다.

※ DDDM(데이터 기반 의사 결정)은 많은 잠재적 함정으로 인해 탈선될 수 있는 프로세스다.

- BRENT DYKES 포브스 컨트리뷰터

위 기사의 원문은 http://forbes.com 에서 보실 수 있습니다.

포브스 코리아 온라인 서비스는 포브스 본사와의 저작권 계약상 해외 기사의 전문보기가 제공되지 않습니다.

이 점 양해해주시기 바랍니다.