빅데이터가 만드는 제4차 산업혁명

"앞선 세 차례의 산업 혁명보다, 기업 경영의 패러다임을 (더) 완전히 바꿔 놓을 것이다." 거의 모든 경영학자들이나 4차 산업혁명 전도사들이 주장하는 바이며, 이 책 저자 김진호 박사님의 입장도 크게 다르지 않습니다 헌데 4차 산업혁명의 내용 함의가 무엇인지 그 각론에 대해서는 또 학자들, 기업들 사이에 입장이 크게 다르기에, 뭘 급하게 하긴 해야겠는데 뭘 해야할지 모르겠다는 혼란은 여전히 대중들, 또 공부하는 학생들 사이에서 가시지를 않습니다.4차 산업혁명의 파괴력은 아마도 2016년 상반기에 열린 알파고 對 이세돌 9단의 대결 덕분에 더 대중적으로 인식이 확산된 듯합니다. 한국은 유독 장노년층에서 바둑 애호층이 두텁고, 지난 세기 말에 체스는 이른바 IBM의 딥 블루 개발로 인간 플레이어의 수월성 신화가 깨어졌으나 바둑은 또다른 차원이라는 믿음이 이어졌기에 이 충격이 더 큰지도 모르겠습니다. 허나 사실 따지고 보면 바둑 역시 언젠가는 소프트웨어의 능력 범위, 주특기 등으로 포섭되리라는 전망이, 그 반대 입장보다는 훨씬 우세했죠. 구글이 개발한 알파고도, 엄청난 전력 소모 문제를 극복하지 않는 이상 완전한 승리를 선언하기엔 다소 무리가 따릅니다. 구글도 이게 신경 쓰이는지 대외 발표 자료에서 계속 이 문제를 언급은 합니다(얼마씩이나 개선이 이뤄졌다면서)."숫자가 정보다" 사실 데이터란, 그 자체로는 어떤 효용도 인간 생활에 가져다 주지 못하는, 마치 사막에서 갓 캐어낸 원유와도 같습니다. 수백 년 전 사람들은 그저 "한번 불이 붙었다 하면 좀처럼 꺼지지 않는, 더럽고 성가신 검은 기름" 이상으로 여겨지 않았습니다. 데이터 역시 마찬가지라서, 가공과 해석이라는 단계를 못 거치면 아무 의미 없는 공해 같은 부호의 더미에 불과합니다.통계 쪽에 종사하는 이들이 궁극적으로 넘어야 할 산은, 공식 하나만 알면 획일적 처리가 가능한 표준화라든가 최소자승법 같은 게 아니고, 이름만 거창하게 어려운 회귀분석도 아니며, 확률, 그 중에서도 베이지언(한국에서는 조건부 확률, 혹은 주관적 확률이라 부르죠) 케이스를 어떻게 능수능란히 다루느냐에 있습니다. 많은 이들은 그저 곱사건인 경우와, 특정 사건을 전제로 한 후 이와 연관된(혹은 무관한) 다른 사건이 연이어 터질 확률 개념 사이를 벌써 헷갈려합니다. 저자는 이를 가리켜 "문맹보다도 더 심각한 수맹"이라고 지적합니다.빅데이터 처리 과정에서 가장 시급한 과제 중 하나는 바로 "시각화"입니다. 그래프의 함정에 빠지지 말라는 것도 저자의 요긴한 충고 중 하나인데, 그림 도표의 왜곡과 과장에 쉽게 오도되는 것도, 차트라고만 하면 뭔가 그 안에 특별한 비밀이라도 숨은 양 착각하는 대중의 미신 때문이죠. 뭘 모르는 사람 기 죽일 때 "차트나 읽을 줄 알고 하는 소리냐?" 같은 손쉬운 수법이 횡행하는 것도 이 때문입니다.주식 투자자들 사이에서는 잘 알려진 사례입니다만, 책에는 유유제약의 리포지셔닝 전략이 소개되어 있습니다. 뭔 소린고 하니, 처음에는 영업사원들이 약국마다 돌아다니며 "베노플러스 겔"을 홍보했다고 합니다. 맨소레담이나 안티푸라민(상표명 그대로 쓰겠습니다)하고 같은 과라는 데에 홍보의 주안점이 놓였는데, 사람들 생각은 그럴 것같으면 이름 외우기도 힘든 후발주자를 구태여 약국에서 찾겠냐는 거죠.그래서 이 회사는, 빅데이터를 분석해서 "멍을 빼는 데에 일반인, 특히 다리를 드러내는 옷을 입기 쉬운 젊은 직장 여성들이 어떤 방법을 사용하는지"를 찾아 보았습니다. 계란으로 문지른다 등등 그야말로 효과가 의심스러운 민간 요법이 대다수! 베노플러스 겔은 소염 효과 외에, 직관적으로 "멍 빼는 약"으로 얼마든지 활용 가능했죠. 동일 상품을 포지션만 새로 정했을 뿐인데 매출은 급상승했고, 어느새 (전에는 없던 카테고리, 틈새 시장) 최강자로 자리매김했습니다. 빅데이터 분석 위력을 잘 증명한 사례이지요.벤포드 법칙이란, 어떤 자료라 해도 숫자의 첫자리 수는 대개 동일 밀도로 분포되며, 예컨대 5 등 특정 숫자가 자주 나오거나 1, 2, 3, ... 등의 빈도가 큰 차이를 보이면 그 자료는 조작되었을 가능성이 크다는 것입니다. 물론 영리한 조작자는 이런 사정까지를 다 감안하고 더 구체적인 지침 하에 조작을 시도하겠고, 그렇지도 못한 멍청한 범죄자라면 허점과 의도가 뻔히 드러나는 헛수고를 하면서도 혼자만의 환상에 취해 눈가리고 아웅을 하겠지요. 여튼 4차 산업혁명 시대에, 진실을 발견하고 남다른 가치를 찾아내는 능력은, 바로 숫자의 세계 그 비밀과 법칙을 온전히 이해하는 사람에게 주어진다는 책의 결론은 두고두고 곱씹을 만합니다.
제4차 산업혁명 시대!
경영은 무엇을 어떻게 해야 하는가?

제4차 산업혁명 시대에는 소셜미디어, 모바일 디바이스,
사물인터넷, 빅데이터, 클라우드 서비스가 핵심이 될 것이다.

2016년 1월 세계경제포럼(World Economic Forum) 회장 클라우스 슈바프는 제4차 산업혁명을 뒷받침하는 기술들이 모든 산업에 걸쳐 기업에 거대한 충격을 주고 있다 고 말했다. 또 혁신기업들은 디지털 플랫폼을 통해 리서치, 개발, 마케팅, 판매, 유통 등에 접근할 수 있으므로 현재 시장을 점유하고 있는 기존 기업들을 제치는 게 가능하다 고 주장했다. 이처럼 제4차 산업혁명은 이전의 세 차례의 산업혁명(1784년 제1차 산업혁명, 1870년 제2차 산업혁명, 1969년 제3차 산업혁명)보다 기업 경영의 패러다임을 완전하게 바꿀 것이다. 제4차 산업혁명을 이끄는 분야는 인공지능, 사물인터넷, 빅데이터, 자율주행 자동차, 로봇, 공유경제, 3D 프린터 등 정보통신기술과 관련이 있다.

인공지능은 학습을 위해 많은 양의 데이터가 필요한데, 엄청난 양의 다양한 데이터가 폭증하는 빅데이터 시대에 안성맞춤의 찰떡궁합으로 높은 성과를 내고 있다. 이제 인공지능은 일상생활을 포함하는 거의 모든 영역에서 유용하게 활용된다. 앞으로도 인공지능은 더 넓은 영역에서 더욱 세세한 문제에 이르기까지 그 적용이 확장되면서 높은 성과를 낼 것임은 자명하다. 2016년 11월 미국 대선을 앞두고 거의 모든 여론조사가 힐러리 클린턴의 승리를 예상했지만, 인공지능 모그IA의 예측은 달랐다. 모그IA는 트위터, 구글, 페이스북, 유튜브 등에서 수집한 2,000만 건의 데이터를 기반으로 검색어 추이와 후보자들에 대한 ‘관여도(engagement)’를 분석해 도널드 트럼프의 승리를 예측했다.

빅데이터 분석은 다양한 데이터 혹은 그 결합을 기본적인 도구가 된 클라우드 컴퓨팅을 활용해서 적절한 인공지능 알고리즘으로 자동적으로 분석해 인사이트를 추출한다. 이렇게 추출된 인사이트는 더 나은 의사결정을 통해 비용 감소, 매출 증대, 새로운 제품·서비스 개발이라는 가치를 창출한다. 이러한 빅데이터 분석의 체계는 요즘 유행어가 된 ‘제4차 산업혁명’과 동전의 양면과 같은 동일한 개념이다. 특히 제4차 산업혁명은 다양한 산업에서 문제 해결을 위해 빅데이터 분석을 포괄적·적극적으로 활용하고 있다.

빅데이터가 만드는 제4차 산업혁명 은 빅데이터 시대와 제4차 산업혁명의 시대에 기업과 개인이 어떻게 대응할 것인지에 대한 전략을 담았다. 기업을 경영하는 CEO들에게는 빅데이터 분석적 경영의 중요성과 효과를 절감하는 계기가 되고, 개인에게는 분석 능력을 키우겠다는 깨달음과 자극을 줄 것이다.

기업은 제4차 산업혁명의 시대에 어떻게 대응해야 할까? 첫째, 디지타이징 비즈니스로 자신의 사업을 혁신해야 한다. 빅데이터는 거의 모든 산업과 경영의 기능을 변화시키고 있다. 다시 말해 변화된 기술과 환경을 새로운 혁신의 기회로 삼아야 한다. 둘째, 기업의 경영진은 데이터 분석적으로 경영을 한다는 마인드로 무장해야 한다. 데이터를 체계적으로 수집해 통계 모델 혹은 계량 모델로 분석해서 어떤 일이 왜 벌어지고 있는지에 대한 통찰력을 끄집어낸 뒤, 이를 경영전략 수립과 의사결정에 적극적으로 활용해야 한다.

책머리에 : 제4차 산업혁명 시대, 개인과 기업은 어떻게 대응할 것인가? · 5

CHAPTER 1 나는 왜 알파고의 완승을 예견했는가?
이세돌 9단이 패배할 수밖에 없는 이유 · 19 ｜ 왜 바둑은 인공지능의 위대한 도전인가? · 21 ｜ 알파고의 구조 · 23 ｜ 알파고와 판후이의 대결 · 26 ｜ 알파고를 업그레이드하다 · 31 ｜ 알파고를 만든 천재 과학자들 · 33 ｜ 알파고와 이세돌의 대결은 불공정했는가? · 37 ｜ 인공지능의 미래 · 40

CHAPTER 2 숫자가 정보다
확률적 선택의 문제 · 47 ｜ 선험적 확률: 카지노에서 돈을 따는 방법 · 49 ｜ 경험적 확률: 벤포드 법칙으로 탈세를 막다 · 55 ｜ 주관적 확률: 로버트 루커스의 ‘합리적 기대 이론’ · 58

CHAPTER 3 숫자로 가득한 세상
확률의 함정 · 65 ｜ 도박사의 오류: 독립적인 사건과 종속적인 사건 · 68 ｜ 유용성의 오류: ‘머피의 법칙’과 ‘머피의 오류’ · 73 ｜ 우연의 일치는 있다 · 77

CHAPTER 4 숫자의 편견
문맹보다 무서운 ‘수맹’ · 85 ｜ 빅데이터 분석 전략 · 89 ｜ 정규직이 된 설렁탕집 아르바이트생 · 91 ｜ 중고차 매매단지 시설 개선안 · 93 ｜ 이혼을 점치는 수학자 · 96

CHAPTER 5 숫자를 어떻게 사용할 것인가?
숫자에 길들여진 세상 · 103 ｜ 매카시즘과 어림수 · 105 ｜ 악마의 숫자 · 110 ｜ 시위대의 숫자가 왜 다를까? · 114 ｜ 숫자에 대한 무지 · 117 ｜ 숫자의 권력 · 120

CHAPTER 6 ‘그래프의 함정’에 빠지지 마라
빅데이터를 시각화하라 · 127 ｜ 숫자를 어떻게 그래프로 그릴까? · 131 ｜ 그래프는 사실을 어떻게 왜곡하는가? · 136 ｜ 그림도표의 왜곡과 과장 · 146 ｜ 그래프는 진실을 말해야 한다 · 152

CHAPTER 7 ‘퍼센트의 함정’에 빠지지 마라
퍼센트란 무엇인가? · 157 ｜ ‘대할인 판매’의 비밀 · 159 ｜ 스탈린은 왜 목표 달성률을 거짓말했는가? · 161 ｜ 퍼센트의 마술 · 165 ｜ 67퍼센트를 조심하라 · 168 ｜ 퍼센트의 소수점 · 171 ｜ 퍼센트와 퍼센트포인트 · 173

CHAPTER 8 ‘평균의 함정’에 빠지지 마라
평균이란 무엇인가? · 181 ｜ 산술평균, 중앙값, 최빈수 · 183 ｜ 평균 연봉의 비밀 · 187 ｜ 산술평균의 비밀 · 190 ｜ 평균을 어떻게 볼 것인가? · 192 ｜ 평균적인 사람은 없다 · 195

CHAPTER 9 ‘비교의 함정’에 빠지지 마라
비교의 심리학 · 201 ｜ 비교를 어떻게 할 것인가? · 204 ｜ 비교 대상의 크기가 같아야 한다 · 208 ｜ 이혼을 하면 빨리 죽는가? · 210 ｜ 권장소비자가격의 함정 · 213 ｜ 빅데이터 시대의 데이터 분석 능력 · 216

CHAPTER 10 원인과 결과를 어떻게 해석할까?
담뱃값이 오르면 흡연율이 낮아질까? · 221 ｜ 인중이 길면 오래 살까? · 224 ｜ 치마 길이가 짧으면 경기가 좋아질까? · 226 ｜ 대학을 졸업하면 소득이 높을까? · 230 ｜ 원인은 다른 곳에 있다 · 233

CHAPTER 11 통계를 어떻게 해석할 것인가?
여론조사로 여론을 알 수 없다? · 241 ｜ 최악의 선거 여론조사 · 245 ｜ 질문이 여론조사를 왜곡한다 · 249 ｜ 여론조사를 어떻게 해석할 것인가? · 253

CHAPTER 12 통찰은 어떻게 탄생하는가?
창의성은 분석에서 싹튼다 · 261 ｜ 케플러의 법칙은 어떻게 탄생했는가? · 266 ｜ 직관의 탄생 · 272 ｜ 분석 역량을 어떻게 키울 것인가? · 274 ｜ 분석 역량을 어떻게 습관화할 것인가? · 277

CHAPTER 13 우리는 빅데이터를 어떻게 활용했는가?
연애에서 결혼까지 문자메시지가 어떻게 변화하는가? · 283 ｜ 윌 스미스의 할리우드 성공 방정식 · 286 ｜ 수학의 힘으로 패턴을 발견한 멘델 · 289 ｜ 최초로 의무기록표를 만든 나이팅게일 · 293

CHAPTER 14 기업은 빅데이터를 어떻게 활용했는가?
하림의 닭 무게 측정과 예측 · 299 ｜ 유유제약의 리포지셔닝 전략 · 303 ｜ 넷플릭스의 영화 추천 엔진, 시네매치 · 307 ｜ 스펙 버린 구글의 채용 혁명 · 311 ｜ 카지노업계에서 대박을 터뜨리다 · 314

주 · 319

왜 숙제를 못했냐면요

한국의 다리 풍경