DBR에서 나온 기사입니다. 데이터 과학 활동을 하는 기업의 주요 실수와 대안을 말해줍니다. 1. 모기를 보고 칼을 빼는 것처럼 기술에 압도돼 비즈니스 맥락을 잘못짚음 - 간단하게 해결할 수 있

DBR에서 나온 기사입니다. 데이터 과학 활동을 하는 기업의 주요 실수와 대안을 말해줍니다. 1. 모기를 보고 칼을 빼는 것처럼 기술에 압도돼 비즈니스 맥락을 잘못짚음 - 간단하게 해결할 수 있는데도, 데이터 과학 시스템으로 문제를 해결하려 함. 리소스를 과하게 넣는 상황 발생 가능. - 대안) 도메인 전문가-데이터 과학자 간 공유 시스템을 회사에서 지원하고, 솔루션을 도입할 땐 다른 방법과 비교하고 결정하는 것을 원칙으로 함 2. 데이터 분석 과정에서 편향의 출처를 인식하지 못해 편향이 모델에 스며듦 - 유튜브가 개별 사용자 데이터에 맞춰 영상을 추천하듯, 분석모델은 원천 데이터에 맞춰 발전한다. 편향된 데이터만 가지고 데이터 모델링을 한다면, 결과 또한 한계가 명확하다 - 대안) 분석모델을 만드는 데이터과학자가 원천 데이터 특성을 명확히 이해해야 한다. 3. 솔루션은 맞지만 비즈니스 우선순위나 시스템과 부합하지 않아 적기를 놓침 - 사내 비즈니스와 데이터 분석 모델 개발 간 우선순위 및 프로세스가 맞아야 한다 - 대안) 데이터과학자가 회사 현안에 대해 면밀히 알고 있어야 함(1번과 3번은 해결방안이 비슷합니다) 4. 툴에는 문제없지만 사용자 경험을 분석하지 않아 시장이 예상과 반응이 다름 - 데이터 모델도 중요하지만, 이로서 도출된 것을 고객에게 어떻게 알려줄지도 중요하다 - 대안) 데이터 과학 프로젝트라고 해서 분석-모델링만 할 게 아니라 사용자 테스트가 필수적으로 들어가야 한다. 결국 핵심은 데이터과학자 - 산업전문가 간 협업체계를 잘 구축하는 것이라고 저자는 말합니다. 데이터 과학이 계속 발전해도, 조직 내 커뮤니케이션 구조가 여전히 중요한 이유이기도 합니다.