데이터 사이언스에서 소통이 필요한 이유
데이터 분석이라고 하면 떠오르는 정형화된 이미지는 복잡한 알고리즘과 전문적인 도구를 사용하여 수많은 숫자들을 처리하는 기술적인 작업일 것이다. 물론 이러한 기술적 능력은 데이터 분석가에게 필수적인 기초 역량이지만 그것만이 전부가 아니다. 실무 현장에서 데이터를 분석하는 일 만큼이나 중요한 것은 바로 그 분석 결과를 다른 사람들에게 어떻게 전달하느냐이다. 정교하게 도출한 예측과 통계 자료를 가지고 있더라도 그것을 제대로 이해하고 활용할 사람이 없다면 그 데이터는 아무 의미가 없다. 결국 데이터를 해석하고 설명하는 ‘소통’은 분석의 마지막 단계가 아니라, 분석 전체의 가치를 결정짓는 핵심 과정이다. 그렇다면 오늘날 데이터 분석에서 소통이 점점 더 중요한 역량으로 부각되는 이유는 무엇일까?
먼저, 데이터 분석가는 비전문가에게 분석 결과를 이해시켜야 할 상황이 많다. 현장에서 데이터 과학자들이 마주하게 되는 청중은 대개 데이터 분석에 대한 배경 지식이 부족한 경우가 많다. 마케팅팀, 인사팀 등 타 부서 직원들부터 외부 고객이나 이사회와 같은 고위층 경영진까지 다양한 사람들이 분석 결과를 전달받게 되지만, 이들 모두가 전문 용어나 복잡한 수치 모델링에 능숙하지는 않다. 그것을 바탕으로 실제 의사결정을 내리는 데 직접적인 영향을 미친다. 분석이 기업의 혁신이나 고객 경험 개선, 비용 절감으로 이어지려면, 비전문가인 이해관계자들이 데이터 분석 결과를 충분히 이해할 수 있도록 해야 한다.
다음으로, 오늘날의 데이터 분석은 다양한 부서와의 협업을 전제로 이루어진다. 마케팅, 생산, 인사 등 각 부서는 서로 다른 목적과 데이터를 다루며,데이터 분석가는 이들과 긴밀히 협력해 문제를 정의하고 해결책을 도출해야 한다. 이러한 환경에서는 각 부서의 비즈니스 맥락을 정확히 이해하고, 분석 결과를 효과적으로 전달하는 소통 능력이 핵심 역량으로 작용한다. 구체적으로, 각 부서의 역할과 의사 결정 방식을 충분히 이해한다면 보다 정확한 문제 정의와 데이터 선정이 가능해질 것이다. 예를 들어, 마케팅 팀이 전환율 향상을 목표로 한다면 소비자 행동 데이터를 중심으로 분석을 설계할 수 있고, 생산팀의 재고 최적화를 위해서는 공급망 데이터를 우선적으로 고려해야 한다. 이러한 맥락을 분석에 반영한다면, 각 부서의 실질적인 니즈에 부합하는 인사이트를 도출할 수 있다. 또한 분석 결과를 해당 부서가 쉽게 이해할 수 있도록 전달하면 실제 의사결정과 실행으로 이어질 가능성이 높아진다. 통계 용어나 복잡한 기법을 그대로 전달하기보다는 실무적이고 직관적인 언어로 해석해 설명하는 것이 효과적이다. 예컨대 “해당 변수가 통계적으로 유의미합니다”라는 표현보다 “이 요소가 고객의 구매 결정에 가장 큰 영향을 줍니다”라는 설명이 더 큰 설득력을 갖는다. 아울러, 분석 결과를 실행 가능한 형태로 제시한다면 협업은 단순한 정보 공유를 넘어 실질적인 성과로 연결될 수 있다. 예를 들어 “타깃 고객을 우선순위로 분류하면 캠페인 효율이 높아집니다” 또는 “해당 상품군의 수요가 증가할 것으로 보여 재고 배치를 조정해야 합니다”와 같은 구체적인 실행 방향을 제시하면, 분석이 곧바로 실무 전략으로 전환될 수 있다.
마지막으로, 오늘날의 기업 환경은 복잡한 분석 내용을 짧은 시간 안에 효과적으로 전달할 것을 요구하기 때문이다. 경영진이나 의사결정자는 분석의 세세한 과정보다는 ‘왜 이 데이터 지표가 중요한가’, ‘이 분석이 어떤 전략 방향을 촉구하는가’, ‘이 전략을 실행했을 때 기대되는 결과는 무엇인가’를 빠르게 이해하길 원한다. 따라서 분석가는 방대한 데이터와 복잡한 연산의 결과를 핵심적으로 요약하고, 이를 전략적 맥락 속에서 명확하게 설명할 수 있어야 한다. 그래야만 데이터가 실질적인 의사결정으로 이어질 수 있다.
‘좋은 소통’을 하는 데이터 과학자가 되려면 : 6가지 커뮤니케이션 기술
아무리 데이터 분석이 고도로 체계적이고 기술적인 방향으로 완료되어도, 분석 결과를 청중 혹은 클라이언트가 이해하지 못하면 데이터는 제 가치를 발휘할 수 없다. 청중에게 분석한 데이터의 가치를 이해시키고, 전략의 방향을 결정하는 동기를 부여하며, 행동으로 이어지게 하여 데이터가 제 몫을 하도록 하는 역할은 전적으로 데이터 과학자의 소통 능력에 달려있다. 이를 위한 구체적인 전략 6가지를 소개한다.
1. 결과 중심적 설명
데이터 과학자는 기술적 세부 사항에 집중해 청중에게 너무 많은 정보를 제공하기보다 분석이 실질적으로 조직에 어떤 효과를 가져올 수 있는지에 초점을 맞춰 설명해야 한다. 예를 들어, 새로운 시스템 도입 시 기술 사양을 장황하게 설명하기보다, 해당 시스템이 어떻게 효율을 향상시키고 비용을 절감할 수 있는지를 먼저 강조하는 것이 더 효과적이다. 일명 두괄식 화법이라고 부르는 결과 중심의 설명은 청중의 주의를 끌고, 정보 과잉을 방지할 수 있다.
2. 청중 맞춤형 언어 사용
전문성과 설득력을 동시에 확보하기 위해, 청중의 배경과 관심사를 정확히 파악하여 맞춤형 언어를 사용하는 것이 중요하다. 기술 부서의 이해관계자들에게는 전문 용어와 기술 지표를 활용하고, 재무 부서의 이해관계자들에게는 이익이나 수익성 같은 재무적 효과를 중심으로 재무 용어를 활용하여 설명해야 한다. 더하여, 분석 결과 및 인사이트를 청중의 기존 성과 목표와 연결 지어 설명하면 인사이트의 가치를 강조할 수 있고, 메시지의 수용 가능성이 훨씬 높아진다.
3. ‘TL;DR’ 방식으로 핵심부터 전달
현대는 청중의 집중력이 짧아진 시대이다. 분석 결과를 빠르고 명확하게 전달하기 위해서는 이른바 ‘TL;DR(Too Long; Didn’t Read)’ 방식이 효과적이다. 모든 분석은 시작부터 핵심 메시지를 요약해 제시해야 하며, 슬라이드 제목이나 보고서 부제목에도 요점만을 담아 직관성을 높이는 것이 바람직하다. 예를 들어, “고객 행동 분석 결과”라는 모호한 제목 대신 “고객 이탈률, 지난 분기 대비 15% 증가”와 같이 핵심적인 수치를 포함한 제목을 사용하면 청중이 빠르고 직관적으로 내용을 파악할 수 있다.
4. 시각화는 단순하게
차트, 그래프 등 시각 자료는 데이터의 이해를 돕는 핵심 도구다. 복잡하고 방대한 정보를 청중에게 직관적인 방식으로 전달할 수 있기 때문에 시각화 자체는 데이터 분석가에게 매우 권장되는 커뮤니케이션 기술이다. 다만 시각화는 단순해야 한다. 너무 복잡하면 시각화의 기대 효과를 잃고 오히려 청중의 혼란을 초래할 수 있기 때문이다. 패싯 그리드나 상관관계 행렬은 데이터 분석가에게는 익숙할지라도 비전문가 청중에게는 이해를 방해하는 장애물이 된다. 필요한 정보를 간단한 표나 바 차트로 요약하는 방식이 일반 청중에게 더 강력한 소통 수단이 될 수 있다.
5. 적극적인 피드백 수렴이 분석 완성도 높여
보고서나 발표 전에 이해관계자나 동료로부터 피드백을 구하는 과정은 소통 역량 향상에 큰 도움이 된다. 청중이 이해하지 못하는 지점은 무엇인지, 더 명확하게 표현할 수 있는 부분은 어디인지에 대한 질문과 의견을 수렴하는 과정을 통해 더 전달력 높은 결과물을 만들 수 있다.
6. 구조화된 커뮤니케이션 전략
명확한 커뮤니케이션 구조를 활용하는 것도 중요하다. ‘말할 것 → 말하기 → 말한 것 요약’의 3단계 전략은 다양한 부서가 함께하는 회의나 프레젠테이션에서 특히 효과적이다. 또, ‘5W’(무엇, 누가, 왜, 어디서, 언제)를 중심으로 내용을 구성하면 청중은 맥락을 쉽게 파악할 수 있으며, 핵심 메시지를 보다 명확하게 이해할 수 있다
소통이 곧 경쟁력… “비전문가도 이해할 수 있게 말할 수 있어야”
“자신이 박사 학위를 가진 분야의 학문을 그 분야의 박사 학위가 없는 사람에게도 설명할 수 있어야 한다.”
데이터 분석가에게 효과적인 소통을 강조하는 말이다. 오늘날 데이터 분석은 기술만으로 완성되지 않는다. 분석 결과가 현장의 언어로 전달되어 전략과 실행으로 이어질 때 데이터는 비로소 진정한 가치를 갖는다. 데이터 분석가에게 정교한 분석만큼 중요한 것은 인사이트를 누구나 이해할 수 있는 언어로 바꾸어 조직과 효과적으로 공유하는 능력이다. 궁극적으로, 뛰어난 데이터 분석가는 수치를 설명하는 데 그치지 않고 데이터를 통해 타인의 이해를 돕고 전략적인 의사 결정을 유도하는 설득자가 되어야 한다.
김예성 기자 yesung.kim@example.com
