DataBaser.Net: 데이터애널리틱스실패법칙7가지

분석 과정에서 가장 큰 문제는 데이터에서 무엇을 얻으려는 것인지 모를 때
시스템이 알아서 흥미롭거나 알아 둘만한 가치가 있는 데이터를 찾아 줄 것이라는 오해 때문에 기업들은 10여 년이 넘도록 데이터 마이닝과 관련해 헛물을 켜 왔다. 설령 머신러닝 기술이 있다고 해도, 데이터의 관계와 관련해 어떤 정보를 찾고 싶은지, 애널리틱스의 방향성 정도는 설정해 둬야 한다.
데이터에 대한 쿼리와 데이터가 말하고자 하는 바를 정확하고 완전한 스토리로 엮어낼 수 있는 사람
데이터를 이용해 질문에 대답하고, 또 자신들이 찾아낸 결과물을 끊임없이 따지고 탐색해 데이터가 단순히 내러티브만을 제공하는 것이 아니라 실제 현상을 설명할 수 있는지, 향후 일어날 일을 예측할 수 있는지 알아보려 한다. 또한 우리가 데이터를 통해 찾아내려 하는 것이 무엇인지, 우리의 목표가 무엇인지 모두에게 알리고 지속적이고 일관된 데이터 측정을 하는 것이 중요하다

자체적 빅데이터 인프라스트럭처를 구축하려 할 경우, 데이터 과학자들은 실제로 애널리틱스를 개발하는 것 외에 다른 업무에 지나치게 많은 시간을 낭비하게 된다
클러스터는 때로는 하드웨어 실패로 인해, 그리고 무엇보다 소프트웨어 실패로 인해 자주 무너졌다. 소프트웨어 패키지가 데이터를 이탈하고 때로는 이로 인해 수시간 넘게 클러스터가 불가용한 상태가 되기도 했다.

고품질 데이터는 유의미한 정보와 통찰력을 얻기 위해 가장 중요한 요소다. 데이터웨어하우스와 데이터 레이크를 통해 정형 및 비정형 데이터를 한 데 모을 수 있어야 한다. 성공적으로 애널리틱스 작업을 해내는 기업은 데이터 청소와 정확한 레이블링을 통해 데이터의 품질을 향상시키려 노력한다.
데이터의 신선도를 유지

중간급과 실무급 매니저들의 참여없이 진행된 분석은 실무에서 매니저들에게 큰 도움이 되지 않는 정보만을 내놓기가 쉽다
이렇게 얻은 정보는 좀 더 큰 그림만을 보게 된다. 그저 시간이 남을 때 생각해 볼 만한 문제들일 뿐이다. 대부분의 매니저는 이런 시간적 여유를 가지고 있지 않다.
애널리틱스의 역할은 현재 기업의 문제가 무엇인지, 실패의 가능성이 가장 높은 영역이 어디인 지를 미리 말해줘 이를 예방할 수 있도록 하는 것이다. 그리고 만일 실무자들이 이 정보를 일상적인 업무 환경에서 활용할 수 있게 된다면 그 이니셔티브는 성공한 것이라 할 수 있다

Contents