디자인 싱킹을 바탕으로 새내기 데이터 분석가 성장시키기
새내기 데이터 분석가의 긴장
가정 하나를 해보겠습니다. 이제 막 취업에 성공하여 오늘부터 근무를 시작하게 된 데이터 분석가 ‘이중환’ 씨가 있다고 가정해보겠습니다. 중환 씨는 통계 및 분석 Tool을 사용하는 방법을 대학에서 배운 새내기 분석가입니다. 중환 씨에게 앞으로 어떤 일이 닥칠까요?
중환 씨가 처음 맡게 된 외부 분석 프로젝트는 바이오 제품 관련 마케팅 프로젝트입니다. 하지만 중환 씨는 통계와 프로그래밍을 전공했을 뿐 바이오에 대해선 1도 몰랐기 때문에 긴장하기 시작합니다. 바이오 분야는 어떻게 공부할 것이며, 어떠한 방식으로 프로젝트를 진행하면서 바이오 업계 사람들과 어떻게 커뮤니케이션을 진행해야 할지 가늠이 되지 않습니다. 이런 상황에서 중환 씨에게 어떤 도움이 필요할까요?
새내기 데이터 분석가가 당면한 과제
연구 과정이라는 것은 기본적으로 문제를 정의하고, 가설을 설정한 뒤 부족한 연구 데이터 속에서 최선의 접근 방법을 취하는 것이 일반적입니다. 하지만 데이터를 대량으로 다룰 수 있게 되면서 부족한 데이터에서 실험을 반복하며 최적의 인사이트를 산출하기보단 대용량의 데이터를 적절한(혹은 최신의 기술) 방법으로 처리해서 모델링 해 내는 것이 데이터 분석가의 주요한 능력으로 부각되었습니다. 하지만 기술에 집중하다 보면 해결을 원하는 진짜 문제가 무엇인지 놓칠 수 있습니다. 이를 방지하기 위한 MindSet 혹은 Process로서 Design Thinking(이하 디자인 싱킹)은 하나의 지향점이 될 수 있습니다.
디자인 싱킹이란?
디자인 기업인 IDEO의 CEO인 Tim Brown이 처음 제시하였고, 스탠퍼드 대학교의 d.school을 통해 확산되기 시작한 디자인 싱킹은 특정한 기술이 아닌 문제를 해결하기 위한 일련의 과정입니다. 디자인 싱킹은 문제를 해결하기 위해 아래의 핵심 원칙에 따라 진행하라고 말하곤 합니다. 간략히 소개해보겠습니다.
1. 공감(Emphasize)
공감은 문제를 이해하기 위해 이해 당사자와 교감하는 것으로 문제 관련 종사자와의 인터뷰, 피드백 수집, 최종 산출물을 사용할 User와의 인터뷰를 포함합니다.
2. 문제 정의(Define)
공감 단계를 통해 해결해야 할 문제가 무엇인지 정의합니다. 문제를 통해 도출해야 할 해답은 산출물일 수도 있고, 산출물을 통한 특정한 Decision Making 일 수도 있습니다. 하지만 너무 어렵게 생각할 필요는 없습니다. 디자인 싱킹은 모든 과정을 반복하도록 유도하고 있습니다.
3. 아이디어 내기(Ideate)
문제 해결을 위한 아이디어를 팀원들과 공유합니다. 아이디어는 기술적인 요소와 로직을 포함하여 비즈니스 실현 가능성까지 포괄적으로 포함됩니다. 관계자 모두로부터 지속적이고 빈번하게 아이디어를 수집하다 보면 문제 해결을 위해 특정 지점으로 수렴하는 아이디어를 발견할 수 있게 됩니다.
4. 프로토타입(Prototype)
수렴된 아이디어를 바탕으로 단순한 프로토타입을 작성합니다. 최소한의 기능만을 탑재하여 프로토타입을 빠르게 만듭니다.
5. 시험(Test)
생산된 프로토타입을 토대로 이해 당사자들에게 보여주고 빠르게 문제에 대해 피드백을 받아 다시 공감 단계부터 반복 수행하면서 제품을 빠르게 개선해 나갑니다.
데이터 분석 과정에서 없던 프로세스는 어떤 것이 있을까?
1. 탐색적 분석(Emphasize)
새내기 데이터 분석가는 신규 프로젝트를 맡았을 때 해당 프로젝트의 전공에 대해 잘 모르는 경우가 많습니다. 따라서 가설 설정을 위해 프로젝트 관련 업계 종사자의 가설이나 분석가 개인의 경험에 의존하여 가설을 설정하는 경우가 있습니다. 하지만 어느 한 쪽의 가설을 수용할 뿐 통합적으로 가설이 설정되지 않습니다. 이럴 때 디자인 싱킹의 탐색적 분석 방법은 문제를 이해하고, 문제 해결을 원하는 최종 User의 의식 구조를 이해하는 데 도움이 될 수 있습니다. 디자인 싱킹에서 사용하는 탐색적 분석 방법은 As-Is Journey Maps 및 Customer Journeys 가 있습니다. 위 방법 자체가 결론을 도출해주진 못하지만 데이터 분석가가 다음 단계를 구성하고 전략을 설정하는 데 도움이 될 수 있습니다.
2. 아이디어 내기(Ideate)
데이터 분석은 가설 검증을 위한 기술적 선택에 치중하려는 경향이 있습니다. 하지만 디자인 싱킹의 아이디어 내기를 통해 기술적 실현 가능성과 비즈니스 실현 가능성의 균형에 대해서 한 번 더 생각하게 되고 여러 의견을 고려할 수밖에 없도록 분석가에게 강요합니다. 이 과정을 통해 아이디어를 취합해야 하는 데이터 분석가는 피곤하겠지만 프로젝트의 성공을 위해서라면 수용해야 하는 과정 중 하나입니다.
디자인 싱킹과 데이터 분석의 조화 및 이점
앞서 말한 바와 같이 디자인 싱킹은 그 자체로 해답을 가져오지는 못합니다. 하지만 기술 지향적인 데이터 분석의 과정을 디자인 싱킹으로 보완함으로써 아래의 이점을 가질 수 있게 됩니다.
– 데이터에 대한 올바른 이해 및 문제(가설) 수립 과정의 보완
– 이해 당사자와의 보다 효과적인 커뮤니케이션 및 피드백
– 데이터 분석가 의사소통 스타일의 개선
– Cycle 별로 예측 가능한 산출물의 형태 관리
– 의사결정 ‘과정’의 관리 효율 증가
최종적으로 디자인 싱킹을 통해 새내기 데이터 분석가가 모르는 것에 대한 아이디어 및 경험을 빠르게 획득하고 그것을 바탕으로 데이터 분석 과정을 효율화하는데 가치가 있습니다. 이는 조직의 성과에도 도움이 됩니다.
정리하며
수차례 반복한 바와 같이 디자인 싱킹은 새내기 데이터 분석가가 처음 프로젝트를 시작할 때 어떤 식으로 사고해야 할지 가이드를 제시합니다. 그리고 서로 다른 전공과 이해관계를 가진 사람들과 협업할 때 조직 내의 윤활유처럼 작용할 수 있습니다.
마지막으로 디자인 싱킹은 고정적인 절차가 아닌 유동적인 절차입니다. SAP나 IBM 등 디자인 싱킹을 사용하는 기업들은 기업의 사정에 맞게 디자인 싱킹을 수정, 보완하여 사용하고 있습니다. 그러니 절차 자체에 종속되기보다는 어떠한 마음을 가지고 프로젝트에 임해야 할 것인지가 디자인 싱킹의 가치라고 할 수 있습니다. 필요하다면 사례를 찾아보는 것도 도움이 됩니다.
짧은 글이지만 이 글이 많은 분들께 도움이 되면 좋겠습니다. 감사합니다.
[참조]
https://towardsdatascience.com/a-design-thinking-mindset-for-data-science-f94f1e27f90
https://www.datasciencecentral.com/profiles/blogs/design-thinking-humanizes-data-science
https://conversionxl.com/blog/customer-journey-mapping-examples/
