데이터 사고

Data thinking

데이터 사고는 어떤 대상을 선택하고, 그것의 부품이나 구성 요소를 식별하며, 그것들을 조직하고 묘사하는 과정 동안 관찰된 일반적인 "정신적 패턴"의 유행어로서, 전체 프로세스의 동기와 시작에 관련된 유용한 방법으로 그것들을 조직하고 묘사한다.

신제품 개발 및 혁신 데이터 사고의 맥락에서 데이터 사고는 다음과 같이 설명할 수 있다: 데이터 사고는 데이터 중심 솔루션과 사용자, 데이터 및 미래 중점 사업을 탐구, 설계, 개발 및 검증하는 프레임워크다.데이터 사고는 데이터 과학과 설계 사고를 결합하므로 이 접근법의 초점은 데이터 분석 기술과 데이터 수집뿐 아니라 비즈니스 잠재력이 높은 사용 중심 솔루션 설계에도 있다.[1][2][3][4]

이 용어는 2013년 마리오 패리아와 로제리오 파니가시가 데이터 과학, 데이터 분석, 데이터 관리, 데이터 실무자들이 어떻게 자신의 목표를 달성할 수 있었는지에 대한 책을 쓰면서 만들었다.

데이터 사고의 주요 단계

데이터 사고에 대한 표준화된 프로세스가 아직 존재하지 않더라도, 프로세스의 주요 단계는 많은 간행물에서 유사하며 다음과 같이 요약될 수 있다.

전략적 컨텍스트의 명확화 및 데이터 기반 위험 및 기회 집중 영역 정의

이 단계에서 디지털 전략의 광범위한 맥락을 분석한다.구체적인 데이터 프로젝트를 시작하기 전에 새로운 데이터 및 AI 기반 기술이 비즈니스 환경에 어떤 영향을 미치고 있으며 이것이 조직의 미래에 미치는 영향을 이해하는 것이 필수적이다.트렌드 분석/기술 예측 및 시나리오 계획/분석뿐만 아니라 내부 데이터 역량 평가도 이 단계에서 일반적으로 적용되는 주요 기법이다.[5][3]

아이디어화/탐색

초기 단계의 결과는 데이터 기반 변환의 가장 유망하거나 가장 높은 위험에 처해 있거나 데이터 기반 변환으로 인해 발생하는 초점 영역의 정의다.아이디어화/탐색 단계에서 선택한 초점 영역에 대한 구체적인 사용 사례가 정의된다.성공적인 아이디어화를 위해서는 조직적(비즈니스) 목표, 내부/외부적 사용 요구, 데이터 및 인프라 필요성, 최신 데이터 기반 기술 및 동향에 대한 도메인 지식 등에 대한 정보를 결합하는 것이 중요하다.[6][2]

데이터 사고 맥락에서 설계 사고 원리는 다음과 같이 해석할 수 있다: 데이터 중심 아이디어를 개발할 때 기술 타당성, 비즈니스 영향 및 데이터 가용성의 교차점을 고려하는 것이 중요하다.설계 사고의 전형적인 도구(예: 사용자 연구, 개인 정보, 고객 여정)는 이 단계에 광범위하게 적용된다.[7]

그러나 조직의 사용자, 고객 및 전략적 요구만 고려되어야 하는 것은 아니다.데이터 니즈와 데이터 가용성 분석은 물론 데이터 기반 솔루션에 적합한 AI 기술에 대한 연구도 성공적인 개발 프로세스의 필수 요소다.[8]

솔루션의 데이터 및 기술 지하도를 적용하기 위해 CRISP-DM(데이터 마이닝용 산업 표준 프로세스)의 관행이 일반적으로 이 단계에서 활용된다.[9]

프로토타이핑/개념 증명

이전 단계에서 데이터 솔루션의 주요 개념이 개발되었다.현재 단계에서는 실현가능성을 확인하기 위해 개념 증명을 실시한다.또한 이 단계는 설계 사고의 프로토타입 프레임워크를 활용하고 시험, 평가, 반복 및 정교함을 포함한다.[10]프로토타이핑 설계 사고 원칙은 이 단계 동안 데이터 과학 프로젝트(예: CRIP-DM)에 적용되는 프로세스 모델과 결합된다.[5]

비즈니스 영향 측정

솔루션 실현 가능성뿐만 아니라 데이터 사고 과정에서 그 수익성이 입증된다.이 단계에서는 일반적으로 비용 편익 분석과 비즈니스 사례 계산이 적용된다.[11]

구현 및 개선

개발된 솔루션이 이 단계에서 실현 가능성과 수익성이 입증되면 이를 구현하고 운용할 예정이다.[1][3]

참조

  1. ^ a b "Why do companies need Data Thinking?". 2020-07-02.
  2. ^ a b "Data Thinking - Mit neuer Innovationsmethode zum datengetriebenen Unternehmen" [With new innovation methods to the data-driven company] (in German).
  3. ^ a b c "Data Thinking: A guide to success in the digital age".
  4. ^ Herrera, Sara (2019-02-21). "Data-Thinking als Werkzeug für KI-Innovation" [Data Thinking as a tool for KI-innovation]. Handelskraft (in German).
  5. ^ a b Schnakenburg, Igor; Kuhn, Steffen. "Data Thinking: Daten schnell produktiv nutzen können". LÜNENDONK-Magazin "Künstliche Intelligenz" (in German). 05/2020: 42–46.
  6. ^ Nalchigar, Soroosh; Yu, Eric (2018-09-01). "Business-driven data analytics: A conceptual modeling framework". Data & Knowledge Engineering. 117: 359–372. doi:10.1016/j.datak.2018.04.006. ISSN 0169-023X.
  7. ^ Woods, Rachel (2019-03-22). "A Design Thinking Mindset for Data Science". Medium. Retrieved 2020-07-08.
  8. ^ Fomenko, Elena; Mattgey, Annette (2020-05-12). "Was macht eigentlich … ein Data Thinker?". W & V. German.
  9. ^ Marbán, Óscar; Mariscal, Gonzalo; Menasalvas, Ernestina; Segovia, Javier (2007). Yin, Hujun; Tino, Peter; Corchado, Emilio; Byrne, Will; Yao, Xin (eds.). "An Engineering Approach to Data Mining Projects". Intelligent Data Engineering and Automated Learning - IDEAL 2007. Lecture Notes in Computer Science. Berlin, Heidelberg: Springer. 4881: 578–588. doi:10.1007/978-3-540-77226-2_59. ISBN 978-3-540-77226-2.
  10. ^ Brown, Tim Wyatt, Jocelyn (2010-07-01). "Design Thinking for Social Innovation". Development Outreach. 12 (1): 29–43. doi:10.1596/1020-797X_12_1_29. ISSN 1020-797X.
  11. ^ "Data-Thinking – das Potenzial von Daten richtig nutzen". t3n Magazin (in German). 2018-09-08. Retrieved 2020-07-08.