추가 적립 안내

제4차 산업혁명 시대, 리더의 조건
“리더는 무엇을 리드해야 하는가?”
“성공하는 리더는 어떻게 이끄는가?”

빅데이터를 잘 활용하기 위해서는 첫째, 누가, 언제, 어디서, 무엇을, 어떻게, 왜 하는지에 대한 정보를 담고 있는 데이터에서 고객과 시장에 대한 통찰력(insight)을 추출할 수 있는 능력을 갖춰야 한다. 스티브 잡스는 “소비자는 우리가 무언가를 보여주기 전에는 자신이 무엇을 원하는지 전혀 알지 못한다”고 말했다.
소비자들이 무엇을 원하는지 모르는 것을 기업은 넘쳐나는 데이터 분석을 통해 찾아야 한다. 둘째, 데이터에서 추출한 통찰력을 고객 만족과 기업 성과를 높이는 방향으로 의사결정에 활용할 수 있는 체계(infrastructure)를 갖춰야 한다.
여기에서 체계란 기업 내의 업무 처리와 의사결정 프로세스와 조직 문화 등을 의미한다. 스웨덴의 통계학자인 한스 로슬링은 “기업에서 문제가 되는 것은 필요한 데이터가 없는 게 아니라 필요한 데이터를 찾아내지 않는 것과 그런 데이터를 어떻게 다루어야 할지 모르는 것”이라고 말했다.
리더는 조직이나 기업을 이끄는 사람이다. 리더가 조직이나 기업을 이끌기 위해 하는 일 중에서 가장 중요한 일은 의사결정이다. 리더는 마지막에 자신이 외롭게 홀로 의사결정을 내려야 하는 사람이다. 사실 기업 경영은 의사결정의 연속이며 의사결정의 성공 혹은 실패가 기업의 성과와 흥망을 좌우한다.
단 한 번의 잘못된 의사결정으로 엄청난 시련을 겪거나 단 한 번의 현명한 결정으로 크게 도약했던 기업의 사례를 현실에서 쉽게 찾을 수 있다. 저명한 리더십 연구자인 에드거 퍼이어는 리더십의 요체는 의사결정이라고 단언했다. 그렇다면 제4차 산업혁명 시대, 리더의 조건은 무엇인가?

첫째, ‘디지타이징 비즈니스’로 자신의 사업을 혁신해야 한다. 디지타이징 비즈니스란 빅데이터 시대의 5대 핵심 기술인 소셜미디어, 모바일, 사물인터넷, 클라우드, 빅데이터를 자신의 사업을 혁신하는 새로운 도구로 활용해 비즈니스를 혁신하는 것을 말한다.
둘째, 데이터 분석적으로 경영을 한다는 마인드, 즉 분석 지향 리더십으로 무장해야 한다. 리더가 데이터 분석적 경영의 잠재력을 절감하고 적극적으로 추진할 때 디지타이징 비즈니스의 성공 가능성은 높아진다.
셋째, 분석 지향 리더십의 주도하에 기업 내의 모든 구성원이 데이터에 근거한 의사결정을 일상화할 수 있는 기업 문화를 조성해야 한다. 일명 팡(FANG)으로 불리는 페이스북(Facebook), 아마존(Amazon), 넷플릭스(Netflix), 구글(Google) 등 유명한 글로벌 기업이 갖는 공통점은 무엇일까?
이 기업들은 데이터 분석적 경영으로 최고의 경쟁력을 구가하고 있고, 그 배후에는 분석 지향적인 조직 문화를 구축하고 일상화한 리더가 있었다.
제4차 산업혁명, 빅데이터, 인공지능은 지금 이 시대를 풍미하는 유행어다. 이러한 시대에 디지타이징 비즈니스는 선택이 아니라 필수다. 자신의 비즈니스를 차별화하고 경쟁력을 높이기 위해서는 데이터 기반의 경영으로 탈바꿈해야 하기 때문이다.
하지만 많은 기업이 디지타이징 비즈니스를 하는 데 큰 어려움을 겪고 있다. 왜 이런 일이 벌어지는가? 그것은 디지타이징 비즈니스가 무엇이며, 어떤 것이 문제이고, 어떻게 해야 고칠 수 있는 것인지를 모르기 때문이다.
이제 빅데이터 시대에 경쟁의 승부는 누가 더 많은 데이터를 갖고 있고, 누가 그것을 다른 사람들보다 잘 활용하는지에 달려 있다.
『빅데이터 리더십』에서는 빅데이터 리더십, 즉 빅데이터 시대에 성공을 보장하는 리더십을 다룬다. 제1장에서는 리더는 무엇을 리드하고 성공적인 리더는 어떻게 이끄는지를 다룬다. 제2장에서는 왜 데이터 분석적 경영을 해야 하는지를 설명한다. 제3장에서는 빅데이터 리더십의 정의와 사례를 제시한다.
제4장에서 제8장까지는 디지타이징 비즈니스의 유형을 7가지로 구분하고 각 유형별 사례를 설명한다. 제9장에서는 우리 기업의 현실과 문제점을 지적한다. 제10장에서는 이를 극복하기 위한 빅데이터 리더십 로드맵을 제시한다.

리더십은 비전을 현실로 바꾸는 능력이다

리더는 기업의 경쟁우위를 높이는 방향으로 모든 의사결정을 한다. 그렇다면 경쟁우위는 어떻게 달성할 수 있을까? 첫째, 비전을 잘 제시해야 한다. 둘째, 이 비전을 실현하기 위한 체계를 적절히 갖춰야 한다. 셋째, 직원들이 비전과 체계 속에서 최선의 능력을 발휘할 수 있도록 임직원 교육에 아낌없이 투자해야 한다.
기업의 경쟁우위는 비즈니스의 다양한 영역에서 1~2퍼센트의 효율과 생산성을 증대시키거나 비용과 위험을 감소시키는 것이다. 데이터 분석을 통해 고객과 시장에 대한 인사이트를 추출하고, 그것을 바탕으로 현명한 의사결정을 할 때 지속가능한 경쟁우위를 창출할 수 있다.
비전은 5년 혹은 10년 후에도 자신의 기업이 경쟁우위를 확보·유지할 수 있는 방향을 제시하는 것이다. 기업 환경과 기술, 고객의 선호가 급속하게 변하고 있는 빅데이터 시대에 현재의 성공은 결코 미래를 보장하지 못한다.
시스코시스템스의 회장 존 챔버스는 “새로운 기술과 환경에 적응하기 위해 전체 기업을 어떻게 변화시킬 것인지 알아내지 못한다면, 앞으로 10년 내에 모든 기업의 최소한 40퍼센트는 사라질 것이다”고 예측했다.
리더는 비전이 달성될 수 있도록 체계를 효과적으로 구축해야 한다. 유명한 리더십 학자인 워런 베니스는 “리더십은 비전을 현실로 바꾸는 능력”이라고 말했다. 또 데이터 분석의 최고 권위자인 토머스 대븐포트 교수는 디지타이징 비즈니스의 성공 요인으로 ‘델타(DELTA)+조직 문화’ 모델을 제시했다.
델타는 접근 가능한 고품질의 데이터(Data), 분석에 대한 전사적(Enterprise) 관점, 분석 지향의 리더십(Leadership), 분석을 적용할 전략적 타깃(Target), 전문 분석가들(Analysts)을 말한다.
기업의 모든 활동은 직원들에 의해 수행되므로 직원들의 역량에 좌우될 수밖에 없다. 그러므로 기업이 디지타이징 비즈니스로 경쟁하기 위해서는 일반 직원들도 기본적으로 분석적 소양을 갖춰야 하는 것이 당연하다. 직원들의 분석 능력, 즉 분석적·통계적 사고력을 향상시켜주는 교육이 필요하다.
단순한 지식 전달을 위한 교육보다는 업무에서 느낀 다양한 문제를 데이터 분석적으로 해결하는 능력을 배양해야 한다. 기업이 데이터 분석을 기반으로 경쟁하기 위해서는 리더의 비전과 헌신이 매우 결정적이다. 무엇보다도 디지타이징 비즈니스에 대한 확신과 확고한 실행 의지, 용기를 가져야 한다.

디지타이징 비즈니스의 7가지 유형

디지타이징 비즈니스의 유형은 어떻게 구분할 수 있을까? [유형 1]은 생산성 향상이나 이상 탐지 등으로 운영 효율을 높이는 유형이다. [유형 2]는 매출 증대의 목적으로 예측이나 최적화를 수행하는 유형이다. [유형 3]은 축적된 분석적 역량을 서비스화해 개별적으로 컨설팅하는 유형이다.
[유형 4]는 아예 이런 서비스를 종합적으로 제공하는 플랫폼을 만들어 다수의 고객에게 동시에 서비스하는 유형이다. [유형 5]는 고객이나 시장에서 필요하다고 판단되는 데이터를 수집해서 고객에게 필요한 시점에 데이터를 판매하는 유형이다.
[유형 6]은 데이터 자체를 판매하는 것이 아니라 데이터 분석을 바탕으로 컨설팅을 해주거나 데이터를 갖고 고객이 수행하게 될 분석을 예상해 필요한 분석까지 추가해 서비스하는 유형이다. [유형 7]은 [유형 6]과 같은 컨설팅 서비스를 아예 종합적인 플랫폼으로 만들어 다수의 고객에게 동시에 서비스하는 유형이다.
[유형 1]은 캐나다 아동병원의 ‘아르테미스 프로젝트’를 예로 들 수 있다. 아르테미스 프로젝트는 미숙아들의 생리적인 데이터와 임상 데이터를 실시간으로 수집하고 종합적으로 분석해 감염이나 그 외의 합병증을 조기 경보하는 플랫폼이다.
의사들은 미숙아 감염의 증상이 수동적으로 확인되기 24시간 전에 조기 경보를 받음으로써 사전에 대응해 생명을 구할 수 있다. 2009년 캐나다 토론토의 아동병원에서 시작된 이 프로젝트는 IBM과 제휴해 클라우드 컴퓨팅 버전으로 개발되었고, 지금은 캐나다의 여러 아동병원으로 확산되었다.
미국 로드아일랜드주의 프로비던스, 중국 상하이와 선전 등의 아동병원에서도 활용되고 있다.
[유형 2]는 월마트의 ‘소셜 게놈 프로젝트’를 예로 들 수 있다. 소셜 게놈 프로젝트는 수억 건의 페이스북 메시지, 트윗, 유튜브 비디오, 블로그 포스팅 등을 분석하는 솔루션이다. 어느 고객이 “나는 솔트(salt)가 정말 좋아!”라고 트윗을 했다. 이 트윗이 수 초 안에 월마트랩(@WalmartLabs)에 도착한다.
여기에서 주요 관련 내용들이 번개같이 분석된 뒤, 몇 분 후에 그 고객의 친한 친구에게 이메일을 보낸다. 그 고객이 ‘솔트’라고 했을 때 그것이 ‘소금’이라는 양념이 아니라 영화 제목인 것을 월마트랩은 어떻게 알아차렸을까? 이 고객에 대한 정보를 축적하고 지속적으로 분석해 취향을 파악하고 있었기 때문이다.
구매 이력 등 고객 정보와 SNS 게시글 등 외부 데이터를 통합해 고객의 행동을 예측하는 데 활용한 것이다. 이를 위해 SNS 게시글에서 단순 키워드 검색이 아닌 문장의 의미를 파악하는 분석 엔진도 개발했다.
[유형 3]은 하코의 ‘청소 토털 솔루션’을 예로 들 수 있다. 독일 기업인 하코는 실내외 청소 장비 분야에서 글로벌 선도 기업이다. 이 기업은 청소 장비 제조뿐만 아니라 청소 관련 노하우와 축적된 데이터를 바탕으로 자연스럽게 청소 토털 컨설팅으로 사업을 확장했다.
하코의 청소 토털 솔루션은 해당 시설이나 부지에 대한 심층적인 조사에서부터 시작된다. 조사 결과는 이미 축적된 산업별 데이터 분석과 연계되어 최적의 장비 혹은 장비 조합을 추천한다. 물론 청소 장비를 판매한 후 각종 지원 서비스도 들어 있다.
수요자들로서는 데이터 분석을 바탕으로 한 최적의 청소 장비와 최소 필요 인력, 효율성과 안전성, 애프터서비스가 모두 포함된 포괄적인 청소 관련 서비스를 한번에 받는 것이다.
[유형 4]는 제너럴일렉트릭(GE)의 ‘프리딕스’를 예로 들 수 있다. GE는 약 1,200명의 소프트웨어 개발자를 확보하고, 실리콘밸리에 GE 디지털(GE Digital)이라는 소프트웨어 연구소를 설립했다. 그리고 클라우드 기반의 운영 시스템인 프리딕스(Predix)를 발표하며 산업 현장에서 산업용 사물인터넷 플랫폼을 확산시켰다. 프리딕스는 제조업을 위한 클라우드 기반의 오픈소스 플랫폼으로 운영체제, 클라우드, 빅데이터, 분석 소프트웨어 등이 하나의 플랫폼으로 묶여서 서비스된다. GE는 제조업 분야의 절대 강자에서 2020년까지 세계 최대 소프트웨어 기업으로 변신하려는 목표를 조금씩 실현해가고 있다.
[유형 5]는 코아제타의 ‘파마 빅데이터(Pharma Big Data)’ 서비스를 예로 들 수 있다. 국내 제약업계에서 빅데이터를 활용하는 스타트업인 코아제타는 건강보험심사평가원에서 제공하는 환자 진료·처방 데이터를 구매해 제약사가 원하는 의약품·질병 정보로 재가공해 판매한다.
코아제타가 분석하는 145만 명의 진료명세서에는 환자의 기본 정보부터 질병에 대한 정보, 처방된 의약품의 1회 투약량, 1일 투약량, 복용 기간, 성분 코드, 금액 등 의약품에 대한 정보, 의약품 이외의 치료와 진료 행위에 대한 분류, 진료과, 지역, 병상 규모 등 요양기관에 대한 정보까지 60여 가지가 넘는 정보가 담겨 있다. 코아제타의 매출은 현재 10억 원 정도지만, 5년 안에 100억 원이 넘을 것으로 전망된다.
[유형 6]은 미국의 스마트홈 연구소인 ‘네스트 랩스’를 예로 들 수 있다. 네스트 랩스가 새로 내놓은 온도 조절기는 4가지의 혁신적인 특징을 장착했다. 첫째는 멋진 디자인이다. 둘째는 와이파이 장착이다. 셋째는 센서로 방 안에 실제로 사람이 있는지 탐지해 그에 따라 온도를 자동으로 조절한다. 넷째는 학습 기능이다.
구글은 2014년 초에 네스트 랩스를 32억 달러에 인수했는데, 이는 구글이 네스트 랩스의 현재 가치보다도 미래의 성장 가능성을 높게 평가한 결과다. 특히 네스트 랩스가 개발하고 앞으로 개발할 기기들과 구글의 크롬캐스트나 구글글라스 등의 모바일 서비스를 결합해 스마트홈 네트워크 시장에 적극적으로 진출하기 위한 것이다.
[유형 7]은 예측 모델과 분석 대회 플랫폼인 ‘캐글’을 예로 들 수 있다. 기업과 단체에서 데이터와 해결 과제를 등록하면, 데이터 사이언티스트들은 기계학습과 통계학을 기본으로 다양한 전략과 알고리즘을 구사해 이를 해결하는 모델을 개발하고 경쟁한다. 미국 항공우주국, 마이크로소프트, 페이스북, 포드자동차, 마스터카드, 화이자제약 등과 잇따라 계약을 맺고, 이들의 빅데이터 문제를 해결하는 대신 매달 혹은 건당 수만 달러의 수수료를 받는다. 캐글에 가입해 활동하는 데이터 사이언티스트는 약 55만 명에 이른다. 2017년 구글이 캐글을 인수했는데, 구글 클라우드 컴퓨팅 플랫폼 사업에서 큰 힘을 발휘하고 있다.

빅데이터 리더십 로드맵

제4차 산업혁명과 빅데이터 시대에서 소셜미디어, 모바일, 사물인터넷, 클라우드, 빅데이터 등의 기술들은 다양하게 얽히면서 사람들의 소비와 행동 양식을 변화시키고 있다. 그에 따라 대부분의 산업, 사회, 문화, 정치가 그 영향을 받고 있다.
이제 리더는 스마트폰 시대 이전에 형성된 경험과 직관을 모두 버리고 스마트폰, SNS, 모바일 시대의 빠른 변화에 적응해야 한다. 세계적으로 성공한 기업들은 다음과 같은 특징을 갖는다. 첫째, 기업의 경영진이 데이터 분석과 활용에 헌신적이었다. 둘째, 데이터 분석이 전략적·차별적 역량을 뒷받침했다.
셋째, 데이터 분석에 대한 전사적 접근과 관리가 이루어졌다. 넷째, 데이터 분석 기반 경쟁에 전략적 투자를 했다. 하지만 기업들은 디지털 혁신을 추진하는 데 많은 어려움을 겪는다. 이런 상황은 기업의 경영자로서 심각한 도전이다.
비즈니스를 조금 개선하는 정도가 아니라 거의 재창조하기 위한 변화를 해야 하는데, 어디에 어떻게 투자해야 하는지 모르기 때문이다. 그렇다면 기업의 경영자들이 이런 문제점을 극복하고 디지타이징 비즈니스를 성공시키기 위한 ‘빅데이터 리더십 로드맵’은 어떤 것인가?
첫째, 경영자 자신의 근본적인 변화다. 디지털 혁신은 비즈니스 전략, 업무 프로세스, 기술 등에서 필요한 변화를 수립해 간단하게 아래로 위임만 하면 되는 것이 아니다. 경영자 자신도 근본적으로 변화할 때만 디지털 혁신을 주도적이고 효과적으로 이끌 수 있다. 그렇다면 리더는 어떻게 변화해야 하는지 7가지를 제안한다. 데이터를 기반으로 경영하겠다는 확고한 신념을 가져라. 자신의 경험이나 직관에 의한 의사결정 방식을 버려라. 데이터를 요구하라. 숫자를 의심하라. 최소한의 필요한 분석적 지식을 익혀라. 장기적인 투자임을 잊지 마라. 진행을 지속적으로 점검하라.
둘째, 분석 기반 경영 체계 구축이다. 세계 최고의 기업들은 경영자가 데이터 분석의 장점을 이해하고 분석에 필요한 인프라 구축에도 적극적이다. 여기에서는 3가지 측면에서 인프라 구축에 대한 로드맵을 제시한다. 데이터 담당 임원을 임명하라. 데이터 분석적 기업 문화를 조성하라. 분석 전문 인력을 확보하라.
셋째, 임직원 교육이다. 기업을 바꾸는 것은 사람이고, 사람을 바꾸는 것은 교육이다. 디지털 혁신이 데이터 분석으로 경쟁하는 기업을 만드는 것이라면, 임직원들도 데이터 분석적으로 업무를 하도록 교육시켜야 한다.
교육은 현업 직원의 분석 능력을 향상시킬 뿐만 아니라, 교육을 받은 직원들이 앞으로도 분석적으로 업무를 수행할 것이기 때문에 분석적인 기업 문화를 확산시키는 일석삼조의 효과가 있다.
디지털 혁신의 이슈를 발굴·기획하고 추진 동력을 제공해야 하는 사람들이 임원들인데, 이들에게도 디지털 혁신이 가져오는 비즈니스 잠재력을 이해시키고 관련 프로젝트 이슈를 발굴·설계·추진할 수 있는 교육을 실시해야 한다.

책머리에 - 6

프롤로그
빅데이터와 인공지능 - 17
빅데이터와 제4차 산업혁명 - 22
빅데이터와 의사결정 - 24

제1장 리더십은 비전을 현실로 바꾸는 능력이다
리더는 무엇을 리드하는가? - 29
성공하는 리더는 어떻게 이끄는가? - 34
빅데이터 시대에 성공을 보장하는 리더십 - 37

제2장 빅데이터를 어떻게 분석할 것인가?
현명한 의사결정을 위한 조건 - 45
역사가 된 포스베리의 높이뛰기 - 49
쿠폰 상환율을 높여라 - 53
타깃은 어떻게 임신부를 발견했을까? - 56
메가트렌드 연구와 독감 예측 - 60

제3장 빅데이터와 리더십
빅데이터 리더십을 위한 전략 - 67
해러스 카지노와 빅데이터 - 70
고객의 취향을 분석하라 - 74
얼마나 빠르게 대응할 것인가? - 78

제4장 빅데이터와 디지타이징 비즈니스
데이터를 어떻게 구분할 것인가? - 87
디지타이징 비즈니스 유형 - 92
하림의 ‘501 양계농장’ - 94
윌 스미스, 나이팅게일, 심야버스의 공통점 - 97
인공지능이 고전을 번역하다 - 105

제5장 진단 분석과 이상 탐지 : 디지타이징 비즈니스 유형 1
왜 문제가 발생했는가? - 109
익스피디아의 전환율이 낮은 이유 - 110
1병동과 2병동의 산욕열 사망률이 다른 이유 - 113
벤퍼드 법칙 - 118
직원들의 성과는 왜 차이가 나는가? - 120
약한 인공지능의 시대 - 124
인공지능이 할 수 있는 것 - 128
어떤 가입자가 보험을 해지할까? - 133
캐나다 아동병원의 아르테미스 프로젝트 - 138

제6장 예측 분석과 개인화 추천 : 디지타이징 비즈니스 유형 2
비즈니스 방식을 업그레이드하는 수단이자 도구 - 143
이혼을 예측하다 - 145
개인 신용 예측 모델 - 150
날씨로 예측하는 명품 와인의 가격 - 154
캐피털원의 맞춤형 신용카드 전략 - 158
월마트의 소셜 게놈 프로젝트 - 161
베노플러스겔의 리포지셔닝 전략 - 165
링크트인의 PYMK 서비스 - 170
개인화 추천의 전성시대 - 175

제7장 빅데이터로 서비스를 혁신하다 : 디지타이징 비즈니스 유형 3·4
하코의 청소 토털 솔루션 - 181
IBM이 날씨 채널을 인수한 이유 - 183
페퍼 로봇의 수익 창출 서비스 - 186
롤스로이스의 토털 케어 서비스 - 189
사물인터넷의 궁극을 꿈꾸는 GE의 프리딕스 - 192

제8장 빅데이터 비즈니스 플랫폼 : 디지타이징 비즈니스 유형 5·6·7
빅데이터의 3가지 조건 - 201
데이터가 자산이다 - 206
데이터 분석으로 인사이트를 제공하다 - 217
공급자와 수요자를 연결하는 플랫폼 - 229

제9장 빅데이터 테마를 어떻게 선정할 것인가?
데이터를 낭비하는 기업들 - 237
디지털 혁신의 궁극적인 목표 - 240
빅데이터 프로젝트는 왜 실패하는가? - 242
무엇이 문제인가? - 245
빅데이터 테마 선정 프로세스 - 251

제10장 빅데이터 리더십 로드맵
성공하는 기업의 4가지 특징 - 257
리더는 어떻게 변화해야 하는가? - 260
데이터 분석 체계를 구축하라 - 267
디지털 혁신을 위한 교육 - 280

에필로그 - 287
주 - 290

1960년대 중반에 고무발포로 만든 매트가 만들어져 모래나 톱밥 대신에 사용되기 시작했다. 이 매트는 부드러울 뿐만 아니라 모래나 톱밥보다 높게 만들 수 있었다. 따라서 착지할 때 선수들이 받는 충격은 거의 없었다. 포스베리는 이런 환경 변화에 맞춰 과감한 기술을 시도했다. 다른 선수들은 관성에 젖어 기존 방법을 그대로 답습할 때 그는 머리로 착지하는 새로운 배면뛰기를 시도했던 것이다. 그리고 그의 시도는 높이뛰기 역사를 바꾼 성공으로 이어졌다. 포스베리의 사례가 시사하는 바는 명확하다. 이미 우리 곁에 와 있는 미래의 기술과 환경 변화를 기업이 혁신의 도구로 활용해야 한다는 것이다. 이는 소셜미디어, 모바일, 사물인터넷, 클라우드, 빅데이터 등을 자신의 사업을 혁신하는 새로운 도구로 활용하는 것이다. [제2장 빅데이터를 어떻게 분석할 것인가?](본문 52~53쪽)

서울 시민들이 가장 불편해하는 것은 무엇일까? 시민들은 ‘심야에 택시를 잡기가 어렵다’는 것을 가장 불만스러워했다. 버스나 지하철 등 대중교통 수단이 없는 심야 시간대에도 여러 가지 이유로 장거리를 이동해야 하는 시민이 적지 않지만, 이 시간대의 유일한 교통수단인 택시는 손님들의 목적지에 따라 승차 거부를 하는 등 횡포가 심했다. 이런 불편을 해소하기 위해 서울시가 심야버스를 도입하자 회식이나 야근 등으로 늦게 퇴근하는 직장인들은 물론 대리기사, 수험생, 청소원 등 심야에 이동하는 사람들은 안성맞춤 서비스라며 폭발적으로 반응했다. 이제는 심야버스가 심야의 독점적 교통수단인 택시의 횡포를 따돌리며 ‘서민의 발’ 노릇을 톡톡히 하고 있다. 서울시 심야버스의 성공에는 데이터 분석을 활용한 노선 선정이 가장 큰 역할을 했다. [제4장 빅데이터와 디지타이징 비즈니스](본문 103~104쪽)

이 사례와는 달리 왜 문제가 발생했는지 진단하는 분석에서 높은 수준의 계량적이고 통계적인 분석이 행해지는 경우가 대부분이다. 예를 들어 익스피디아에서 어떤 루트를 통해 웹사이트에 접속한 고객이 온라인 거래로 이어지는 확률이 높은지 조사하고 있었다. 분석 기법으로 콕스 회귀 분석(Cox Regression Analysis, 원래는 일정 기간이 지난 후에 어떤 환자는 사망하고, 어떤 환자는 생존하는지 규명하기 위해 사용하는 생존 분석 기법)을 사용했다. 어떤 마케팅 노력이 실제로 판매로 이어지는지에 대해 기존의 모형(회귀 분석 혹은 군집 분석)은 맞는 해답을 전혀 제시하지 못했다. 생존 분석 기법으로 고객들의 복잡한 유입 경로를 분석한 결과, 익스피디아는 마케팅 노력과 실제 판매와의 관계를 적절하게 파악해 마케팅 비용의 효율성을 높일 수 있었다. [제5장 진단 분석과 이상 탐지](본문 111~112쪽)

아셴펠터 교수와 동료들은 연구 결과를 미국통계학회에서 발행하는 『Chance』(Vol.8 No.4, 1995)에[보르도 명품 와인의 질과 날씨(Bordeaux Wine Vintage Quality and the Weather)]라는 논문으로 발표했다. 이 논문은 다양한 분야에 분석이 성공적으로 적용될 수 있음을 보여주는 사례로 큰 주목을 받았다. 『뉴욕타임스』는 와인 방정식이 와인 감별사들의 코를 무색하게 했다고 했지만, 가장 유명한 와인 비평가인 로버트 파커(Robert Parker Jr.)는 이런 분석적 접근을 ‘순 엉터리’라며 원색적으로 비난했다. 또한 일부 와인 전문가들도 와인 방정식은 통계학자들의 심심풀이 소일거리에 지나지 않는다고 폄하했다. 물론 와인을 실제로 마셔보는 것이 와인의 품질을 판단하는 데 정확할 것이다. 하지만 명품 와인의 맛을 제대로 보려면 와인을 만들고 나서도 몇 년은 더 기다려야 한다. 와인 방정식은 감별사들의 코나 혀에 의지하지 않고도 포도를 수확하자마자 미리 명품 와인의 가격을 상당히 정확하게 예측해 의사결정에 활용할 수 있다는 장점 때문에 그 활용도가 점점 높아지고 있다. [제6장 예측 분석과 개인화 추천](본문 156~157쪽)

IBM의 수익 모델은 날씨 채널에서 축적된 엄청난 날씨 데이터에 접근할 수 있는 권리를 팔거나 이를 바탕으로 다양한 산업에 속한 기업들에 유료 맞춤형 서비스를 제공해 돈을 버는 것이다. 예를 들면, 트럭 수송 사업을 하는 기업은 날씨 채널의 서비스에 접속해 특정 방향으로 폭풍이 온다는 경보를 받고, 폭풍이 예상되는 방향으로 운행하는 모든 운전자에게 경보를 보낸다. 같은 아이디어는 도로상의 개인 혹은 항공회사에도 그대로 적용된다. IBM은 꽃가루, 번개, 난기류, 레이다, 위성 이미지, 교통 상황, 휴대전화 센서 등 150여 개의 날씨 관련 데이터를 수집하고 있다. 구체적으로는 약 20만 개가 넘는 전 세계의 기상관측소(weather station), 다양한 모바일 기기(센서)에서 측정되는 기압 정보, 하루에 5만 대의 항공기가 운항 중에 보내는 대기 정보, 위성 이미지 등의 실시간 데이터에 160여 개의 날씨 예측 모델을 적용해 지역에 대한 22억 개의 정교한 날씨 정보를 제공한다(매 15분마다 업데이트된다). [제7장 빅데이터로 서비스를 혁신하다](본문 185쪽)

흩어져 있는 주차 정보를 모아 실시간 주차 공간 정보를 제공하는 앱이다. 한국의 자동차 등록대수는 2,000만 대에 육박한다. 가구당 1.55대의 자동차를 보유한 셈이다. 상황이 이렇다 보니 어디를 가더라도 주차 가능 여부는 반드시 미리 챙겨야 하는 중요한 정보 중 하나가 되었다. 국내 최초의 주차 정보 전문 앱인 ‘모두의 주차장’은 2013년 8월 서울 시내 약 2,000개의 주차장 정보를 기반으로 출시되었다. 이후 3년 만에 35만 명의 가입자를 모으며 ‘인기 앱’의 반열에 올라섰다. 모두의 주차장은 사용자의 현재 위치를 중심으로 가장 저렴하고 가까운 주차장을 찾을 수 있도록 돕는다. 주차장의 위치와 요금 외에 운영 시간과 연락처도 제공한다. 주차 정보를 관할하는 지방자치단체와의 협력을 바탕으로 성장하면서 서울에서만 제공하던 서비스도 6대 광역시로 넓혔다. [제8장 빅데이터 비즈니스 플랫폼](본문 209~210쪽)

데이터 낭비 기업은 어느 산업에서나 쉽게 찾아볼 수 있는 유형으로 데이터 수집 자체를 하지 않거나 수집해도 거의 활용하지 않는다. 기업의 임직원은 물론 경영자도 데이터의 전략적 활용에 대해 아무 관심이 없다. 데이터 수집 기업은 데이터의 중요성은 인식하고 있으나 정작 데이터를 저장하는 것 외에는 다른 조치는 취하지 않는 유형이다. 국지적 분석 기업은 내부 비즈니스 운영 상황을 잘 파악하기 위해 데이터를 국지적으로 활용하고 있지만, IT 부서나 사업 부서 사람들이 데이터의 전략적 활용성을 이해하지 못한다. 분석적 열망 기업은 데이터의 중요성을 알고 있으며 전략적 의사결정에 활용하기 위해 투자를 감행할 준비도 되어 있으나 선두 그룹에 비해 수준이 못 미치는 유형이다. 데이터의 전략적 활용성에 눈을 뜬 정보통신이나 소매산업의 일부 기업들이 이 유형에 속한다. 전략적 분석 기업은 데이터를 전략적으로 이용할 뿐만 아니라 매우 높은 수준의 분석 역량을 보유하고 있다. 제조업체나 금융 서비스, 온라인 유통 기업들이 이 그룹에 속해 있을 가능성이 높다. 데이터의 상당 부분을 활용하고 있으며 잠재 가치를 확보하기 위해 새로 등장하는 데이터들의 활용성을 계속적으로 탐색한다. [제9장 빅데이터 테마를 어떻게 선정할 것인가?](본문 238~239쪽)