Team

[데이터 조직] 사내 데이터 조직을 새로 만들었던 케이스

Bongho, Lee

2024년 4월 24일 — 3 min read

Photo by Carlos Muza / Unsplash

배경

조직장은 개발 및 데이터 관련 업무를 한 경험은 있지만, 경력 자체는 데이터 관련 경험이 많지 않았음
사내 데이터 엔지니어링, 분석, 과학자 관련 역할을 하는 사람 없었음

인터뷰를 통한 유관부서 니즈 파악

팀장이든 아니든 다른 부서의 동료들과 일대일 미팅 진행 → 현재 상황을 이해하고, 데이터 과제에 대해서 본인들을 어떻게 포지셔닝하는지 이해하기
- 데이터에 관한 일반적인 질문
  - 데이터를 어떻게 활용하는가?
  - 데이터 분석가/과학자/엔지니어의 직업이 무엇인지 아는가?
- 일일상 업무에서 데이터와의 연관성에 대한 질문
  - 성과를 어떻게 평가합니까?
  - 일상 활동을 어떻게 모니터링합니까?
  - 미래를 어떻게 계획하고 있나요?
- 현재 데이터 사용에 대한 질문
  - 현재 추적하는 주요 지표는 무엇입니까?
  - 어떻게 측정하고 시각화합니까?
  - 당신이 사용하는 도구를 나에게 보여줄 수 있나요?
- 회사에서 사용되는 도구, 데이터가 있는 위치, 비즈니스 이해관계자가 데이터를 사용하는 방법에 대한 첫 번째 아이디어를 획득 → Notion 등을 통해서 중앙문서화하고 새로운 곳에서 재활용

단기/장기 방향성과 액션아이템 수립

단기적으로는 데이터 분석가로서 이해관계자에게 도움이 됨을 증명할 필요가 있음
인터뷰 동안 나는 각 이해관계자가 직면하고 있는 문제점을 나열 후 우선순위 수립("투자된 노력 / 창출된 가치 기준)
기술리더와 협력 → 벤치마크 기반 최상의 도구를 논의하고 구축
- Airflow, BigQuery, dbt 및 LookerStudio를 데이터 스택의 첫 번째 구성 요소로 구현
비즈니스 측면에서는 관리자와 논의를 통해서, 회사에서 내가 할 수 있거나 취해야 하는 조치의 범위, 내가 나열한 모든 프로젝트의 우선순위 지정, 회사의 데이터 전략을 구성하고 보고할 수 있도록 준비

Reference

A Guide To Building a Data Department From Scratch

[책]”실패를 통과하는 일“ - 나는 어디로 가고 있는가?

2021년, 업무상 던졌던 질문으로 인해 나는 CEO Staff으로 일하게 되었다. 실무와는 멀어진 업무로 갈등을 겪곤 했지만 결과적으로 CEO의 시야와 실무의 시야를 모두 가지게 된 것은 Low Hanging Fruit 치고는 굉장히 좋은 경험이었던 것같다. 한가지 누락된 것이 있다면 빠르게 성장하고, 성공한 회사의 CEO Staff였기에 그 반대 경험은 없다는 것이 아쉬었지만 말이다.

[책] 생각하는 기계 - ‘황의 분노’와 OIALO, 한 엔지니어의 눈으로 본 리더의 두 얼굴

처음 “생각하는 기계“라는 제목을 보았을 때, 젠슨황을 일컫는 말인 줄알았다. 보통은 유명할지라도 자서전을 읽는 것 자체를 그리 좋아하지는 않는 편이다. 그런데 누군가 이 책에 대해 평하길 “AI의 역사를 지근거리에서 볼 수 있다”라고 한 것을 보았다. 그래서 읽게 되었다. AI의 거대한 흐름을 기술의 관점으로는 지속해서 보고 있지만 구체적으로 왜

[책]Reshuffle: Who wins when AI restacks the knowledge economy

원래는 Amazon에 가서 Personal Knowledge Managment에 관한 책을 사려고 했다. Sketch Your Mind라는 책이었는데, 그 때 이 책 “Reshuffle”을 발견하였다. AI가 어떻게 Knowledge Economy를 흔들 것가? 라는 부제를 훑어보면서 저자가 쓴 다른 책을 보게 되었는데 거기에 내가 좋아했던 책을쓴 저자라는 것을 알게 되었다. 그래서 크게 고민하지 않고 구매를 하고

[책]올라운드투자, 누군가의 투자일기

“올라운드 투자”라는 제목을 보았을 때는, “올라운드 플레이어”가 생각이 났다. “올라운드”라는 표현을 오랜만에 들어본 까닭이었다. 그럼에도 불구하고 이 책을 고른 것은 저자가 그간 보여준 컨텐츠에 대한 신뢰가 있던 까닭이었다. 컨텐츠를 다양하게 보는 편이지만 깊이가 아주 있지는 않았다. 여기서 깊이라 함은 기존 전문적인 정량적 분석의 내용의 수준을 말하는 것이다.

배경