기업 내 데이터 사이언티스트 양성과 활용에 대한 연구

고승곤

추천

검색

자료유형: 학술저널

저자정보: 고승곤 (가천대학교)

저널정보: 피터드러커 소사이어티 창조와 혁신 창조와 혁신 제14권 제4호

발행연도: 2021.12

수록면: 143 - 171 (29page)

이용수

📌

연구주제

📖

연구배경

🔬

연구방법

🏆

연구결과

초록· 키워드

오류제보하기

1990년대 소개된 데이터 사이언스(Data Science, 이하 DS)는 디지털 전환 (Digital Transformation; 이하 DX)과 함께 기업의 새로운 화두이다. 이는 IT와 DB 관련 기술의 발전과 모바일 환경에 기초한 소셜 미디어(Social Media) 등장과 같은 사회적 변화와 Big Data에 대한 체계적 분석 방법 개발에 따른 대용량 데이 터의 유용성과 활용도가 높아짐에 따라 자연스럽게 나타난 현상이라고 할 수 있다. DS의 유용성은 다양한 대용량 데이터를 활용한 의사 결정 방법의 개선 여부에 따 라 결정되며, 데이터 사이언티스트(Data Scientists; 이하 DSt)는 복잡한 구조와 상호 작용을 갖는 수많은 변수들로 구성된 데이터로부터 해석 가능한 패턴과 명확 한 규칙(들)을 도출하여 조직 내 의사 결정을 도울 수 있어야 한다. 하지만, 각 기업 의 중요 사업 영역/활동에 적합한 DSt를 외부로부터 지속적으로 고용하는 것은 물 리적으로 한계가 있으며, 데이터에 기초한 과학적 의사 결정 문화의 정착을 기대하 는 기업들에게 바람직하지 않다. 왜냐하면, 기업의 올바른 의사 결정은 사업 환경 의 이해 그리고 관련 분야에서의 경험과 지식을 전제로 가능하기 때문이다. 따라서 꼭 필요한 전문가의 외부 고용과 함께 기업의 사업 환경과 업무 영역에 대한 경험 이 풍부하고 데이터의 의미와 의사 결정의 중요성을 이해하는 내부 구성원들을 대 상으로 기업 내 DSt를 체계적으로 양성하는 것이 대안일 수 있다. 본 논문에서는 통계학의 파생 관점에서 DS 교육 과정을 설명하고 기업 내 DSt의 역량 범위를 기 준으로 훈련 과정에서 필수적으로 반영해야 할 핵심 주제들과 비중 그리고 사내 전 개 시 주의 사항을 논의한다. 또한 데이터 분석의 기본이 되는 통계적 학습과 기계 적 학습간의 실무적 차이점을 설명하고, 시각화와 모형화 관점에서의 핵심 개념과 도구를 소개한다. 또한 DS를 적용하는 기업에서 발생할 수 있는 일반적인 실행 오 류를 제시하고 이를 방지하기 위한 지침을 제시한다.

Introduced in the 1990s, Data Science(hereinafter referred to as DS) is a new topic for companies along with Digital Transformation(hereinafter referred to as DX). This is a natural phenomenon as the usefulness and utilization of large-capacity data increases due to the development of a systematic analysis method for Big Data and social changes such as the development of IT and DB-related technologies, the emergence of social media based on the mobile environment. The usefulness of DS depends on whether the decision-making method using a variety of large amounts of data is improved and Data Scientists(hereinafter referred to as DSt) should be able to help decision-making within the organization by deriving interpretable patterns and clear rule(s) from data composed of numerous variables with complex structures and interactions. However, there is a physical limit to continuously hiring a DSt suitable for each company's important business area/activity from outside and it is undesirable for companies that expect to establish a data-based scientific decision-making culture. This is because the correct decision-making of a company is possible based on an understanding of the business environment with experience and knowledge in related fields. Therefore, it may be an alternative to systematically training DSt within the company for internal members who have extensive experience in the company's business environment and work area, and who understand the meaning of data and the importance of decision-making, along with external hiring of essential experts. In this paper, the DS training process is explained from the perspective of derivation of statistics, and the core topics and weights that must be reflected in the training process based on the competency range of DSt within the company are discussed, and precautions when developing in-house. It also explains the practical differences between statistical learning and mechanical learning, which are the basis of data analysis, and introduces key concepts and tools from the perspective of visualization and modeling. It also presents common execution errors that can occur in companies that apply DS and provides guidelines for preventing them.

#데이터 사이언스 #데이터 사이언티스트 #빅 데이터 #통계적 학습 #기계적 학습 #시각화 #통계적 모형화 #Data Science #Data Scientist #Big Data #Statistical Learning #Machine Learning #Visualization #Statistical modeling

참고문헌 (34)

참고문헌 신청

고승곤 / 2019 / Big Data의 활용을 위한 새로운 Six Sigma 프로젝트 실행 방법 / 창조와 혁신 12(4):115~137

고승곤 / 2020 / 프로젝트 기반의 통계적 문제 해결 / 교우사

김진석 / 2018 / 통계, 데이터사이언스, 커리큘럼(국내 통계학과를 중심으로) / 2018 추계 통계학회

정원철 / 2018 / 해외 사례로 살펴본 데이터 사이언스 교육 과정 / 2018 추계 통계학회

ASA / American Statistical Association Undergraduate Guidelines Workgroup. 2014 curriculum guidelines for undergraduate programs in statistical science

함께 읽어보면 좋을 논문

논문 유사도에 따라 DBpia 가 추천하는 논문입니다. 함께 보면 좋을 연관 논문을 확인해보세요!

이 논문의 저자 정보

고승곤

소속기관 가천대학교

주요연구분야 사회과학 > 경영학

논문수 6 이용수 137

최근 본 자료

전체보기

구분	그룹	데이터 항목
AI 학습용 데이터	원문	원문 PDF 파일
AI 학습용 데이터	원문 + 메타 (기본/상세)	원문 PDF 파일 및 서지정보 CSV
대량 구매용 데이터	B2B 구독 방식	특정 자료 한정으로 원문 접근 권한 부여
대량 구매용 데이터	URL 전달 방식	바로 PDF 뷰어를 열람할 수 있는 URL 제공

구분	그룹	데이터 항목
AI 학습용 데이터	기본 메타	발행기관명, 간행물명, 권호명, 권(vol), 호(issue), 통권, 발행연도, 발행월, 논문명, 저자명, 시작페이지, 종료페이지, 전체페이지, 상세페이지URL
상세 메타 데이터	발행기관 메타	발행기관 이명, 영문명, 창립연도, 홈페이지URL, 발행기관 소개
	간행물 메타	부제목, 간행물 유형, ISSN, ISBN, 최초발행연도, 폐간연도, 간행빈도, 발행주기, 등재사항, 이용수, 피인용수, 권호수, 논문수, 표지이미지
	논문 메타	작성 언어, 부제목, 대등제목, 목차, 키워드, 초록, 이미지, 참고문헌, 이용수, 피인용수, 논문활용도, DBpia통합주제분류, KDC분류, DDC분류, 한국연구재단분류, UCI, DOI
	저자 메타	소속기관, 소속부서, 직급, 연구분야, 연구키워드, 이용수, 피인용수, 저자 논문활용도

구분	그룹	데이터 항목
※ 결합형/맞춤형 메타 데이터는 신청 내용에 따라 다양하게 제공 가능
이용순위 정보	주제분야별 많이 이용된 논문	“인문학”에서 많이 이용된 논문 TOP100
	이용기관별 많이 이용된 논문	“중고등학교”에서 많이 이용된 논문 TOP100
	세부기관별 많이 이용된 논문	“서울대학교”에서 많이 이용된 논문 TOP100
	키워드별 많이 이용된 논문	“Chat GPT”에서 많이 이용된 논문 TOP100
키워드 정보	많이 이용된 키워드	특정기간/분야/저널 내 많이 이용된 키워드
	많이 발행된 키워드	특정기간/분야/저널 내 많이 발행된 키워드
	많이 검색된 키워드	특정기간/분야/저널 내 많이 검색된 키워드
	연구 트렌드 키워드	특정 키워드 연관 연구동향 분석 데이터 키워드

논문 기본 정보

초록· 키워드

AI 요약

연구주제

연구배경

연구방법

연구결과

주요내용

목차

참고문헌 (34)

함께 읽어보면 좋을 논문

이 논문의 저자 정보

최근 본 자료

댓글(0)