데이터 기반 의사결정은 현대 비즈니스 환경에서 필수적인 요소로 자리 잡고 있습니다. AX시대, AI 시대의 데이터 중요성은 아무리 강조해도 지나침이 없겠지요.  그러나 데이터 분석을 바탕으로 한 의사결정이 항상 옳은 결과를 보장하지는 않는다고 합니다.  어떤 경우에 옳지 않다는 것일까요? 

이번 뉴스레터에서는 지난 9-10월 하버드 비즈니스 리뷰(HBR)에 실린 '데이터 기반 의사결정이 잘못될 수 있는 경우'에서 다루고 있는 내용을 소개해 드리려고 합니다.

자, 상상해 보세요.

여러분은 지금 회사에서 근무하는 창고 직원의 시간당 급여에 관한 회의를 주관하고 있습니다. 이미 인플레이션 때문에 해마다 자동으로 소폭 인상되어 온 상황입니다. 이때 팀원 중 한 명이 임금을 인상하면 생산성이 크게 향상되어 결과적으로는 이익이 개선된다는 대기업 연구 결과를 인용하면서 창고 직원의 시간당 급여를 올리자는 주장을 합니다. 여러분이라면 어떻게 하시겠나요?

아티클에 따르면, 많은 경우 비즈니스 리더들은 이런 상황에서 제시된 증거를 맹신하거나 아예 무시해 버리는 두 가지 중 하나를 택한다고 합니다. 하지만 두 가지 접근 모두 잘못 되었는데요. 리더는 비즈니스와 관련 있어 보이는 증거와 현재 상황에 대한 적용 가능성을 신중하게 평가하는 토론의 장을 마련해야 합니다. 이때 관리자들이 데이터를 해석할 때 흔히 저지르는 실수는 다음과 같다고 설명합니다.

[관리자가 데이터를 해석할 때 저지르는 흔한 실수]

1) 상관관계를 인과관계로 오인하는 것

2) 표본 크기의 중요성을 과소평가하는 것

3) 잘못된 결과에 집중하는 것

이러한 오류는 의사결정을 왜곡시켜 기업에 부정적인 영향을 미칠 수 있습니다. 

저자는 위에서 설명한 시나리오에서는 임금 인상이 회사에 미칠 수 있는 잠재적 영향을 평가하기 위해선 질문을 던져야 한다고 설명합니다.

예를 들면, 

[시나리오에서 리더가 철저하게 검토해야 하는 질문 예시]

1) 연구결과가 창고 직원에게도 해당되는 지 평가할 수 있도록 연구 조건 설정에 대해 자세히 알려 줄 수 있는가?

2) 우리 회사의 임금이 동일한 직원을 두고 경쟁하는 다른 고용주의 임금과 비교해 얼마나 차이가 나며, 연구결과와 비교해 어느 정도인가?

3) 실험을 수행했나? 실험이 없었다면 임금 인상이 생산성 향상을 가져온 것인지 아니면 생산성 향상을 반영한 결과인 지 파악하기 위해 어떤 접근법을 사용했는가?

4) 어떤 생산성 측정 방법을 사용했으며 그 효과는 얼마나 오래 측정됐나?

5) 관련 있는 또 다른 분석 또는 데이터가 있는가?

어떤 데이터에서 얻은 증거든, 중요한 결정을 내리기 전에 철저하게 검토하는 것이 중요합니다. 선입견이나 잘못된 비교를 경계해야 하며, 다양한 편향은 증거를 체계적으로 평가하는 데 방해가 되어 '기저율 무시'나 '확증 편향'과 같은 오류를 범할 수 있습니다.

데이터 시대에는 데이터 없는 의사 결정이 설 자리를 잃고 있습니다. 방대한 데이터를 다루는 지금, 우리는 정확한 분석과 깊이 있는 논의를 통해 데이터를 올바르게 활용해야 합니다. 오늘의 뉴스는 데이터와 관련된 최신 뉴스를 공유 드립니다. 

11월 일교차가 심한 요즘, 건강 유의하시길 바랍니다. 2024년의 마무리와 2025년의 희망찬 계획을 세우기 위한 기초 데이터를 모으고, 분석하고 설계하는 한 주 되세요.

올바른 가격 설정와 이익 향상을 위한 데이터는 위닝프라이싱과 상의하시면 됩니다. 개인의 성장과 기업의 발전, 수익 향상을 응원하겠습니다. 

(사진 : CJ올리브네트웍스 김도형 AI빅데이터사업팀 부장) 

데이터 경제의 중심인 데이터 상품화가 현대 비즈니스에 미치는 영향과 유통 사례를 다룬 기사입니다. 데이터는 단순한 정보의 집합을 넘어 비즈니스 의사결정을 돕는 상업적 가치로 가공되며, 통신사, 카드사, 금융기관 등의 다양한 실제 사례를 통해 데이터 상품화가 어떻게 활용되고 있는지를 분석합니다. 또한, 데이터 거래소를 통한 안전한 데이터 유통 절차와 AI 서비스에서 데이터의 중요성에 대해서도 설명합니다.