책정리

- 중요한 것은 지적인 기계가 어떤 감정을 가질 수 있느냐가 아니라 기계가 감정 없이도 지능을 가질 수 있느냐는 것이다. (마빈 민스키)
- 초기 인공지능 학자로 노벨 경제학상을 받은 사이먼은 1965년에 “20년 후에는 기계가 사람이 할 수 있는 모든 일을 할 수 있게 된다”고 주장했다. 인공지능의 대부 민스키(Marin Mind, 도 유사한 이야기를 했다. 1970년 한 잡지와의 인터뷰에서 민스키는 3 년 내지 8년이면 보통 인간이 갖고 있는 일반 지능을 갖춘 기계가 나타날 것”이라고 주장했다. 돌이켜보면 이들의 주장이 얼마나 황 당한 것이었는지 알 수 있다. 당시 연구원은 이렇게 과도한 낙관론을 갖고 있었다.
인공지능 기술 성장에 대한 낙관론은 계속 이어지고 있다. 2005년에 미래학자 커즈웨일 Rapmond Kurzweil은 "2029년이면 튜링 테스트를 통과하는 컴퓨터가 나올 것”이라 예측했다. 2020년대 중반까지 인간지능 모델이 만들어지고, 이 모델의 능력이 생물학적 신체와 뇌의 한계를 초월하는 특이점이 2045년쯤에는 나타날 것이라고 주장했다.
- 불확실성이 존재하는 세상을 에이전트가 어떻게 생각 하는가에 따라서 문제 해결의 방법이 다르게 된다. 에이전트의 생각은 그 나름의 세상 모델' 이다. 모델이란 현실 세계의 복잡한 현상을 추상화하거나 가정 사항을 도입하여 단순하게 표현한 것이다. 복잡해서 단순화하지 않으면 제한된 자원으로 문제를 해결할 수 없다. 그러나 과도하게 단순화하면 현실과 동떨어져서 효용성이 없다. 에 이전트가 활동하는 세상 모델'을 교과서에서는 통상 일곱 가지 관점으로 체계화한다.
첫째, 결정론적 · 확률적 관점이다. 외부 환경의 이전 상태 및 에이전트의 행동에 따라 발생한 다음 상태가 완벽하게 예측 가능한 경우, 이러한 세상의 성격을 결정론적이라고 한다. 가장 단순하게 세상을 보는 것이다. 상태를 확률적으로 일어날 수 있다고 보면 복잡도는 증가한다.
둘째, 정적 · 동적 관점이다. 에이전트가 정보를 얻은 후 행동을 취할 때까지 세상이 변하지 않고 고정되어 있다고 가정하면 이런 세상을 정적이라고 한다. 그 반대라면 동적이라고 한다. 세상을 동적으로 본다면 문제 풀이가 훨씬 어려워진다. 동적 세상에서는 일반적으로 신속히 반응해야 한다. 반응이 늦으면 버스 지나간 다음에 손드는 격이다.
셋째, 관측 가능성으로 구분하는 것이다. 에이전트가 완벽히 관찰할 수 있는 세상이 있는가 하면, 부분만 관찰할 수 있는 세상도 있다. 물론 관찰 자체가 힘든 세상도 있다. 완벽히 관찰할 수 있는 세상에서는 의사결정이 상대적으로 쉽다. 예로, 바둑 게임은 게 임에 참여하는 두 명의 에이전트가 세상을 모두 볼 수 있다. 바둑 돌이 놓인 바둑판을 모두 볼 수 있기 때문이다. 그러나 포커 게임은 그렇지 않다. 게임의 상황을 일부만 알 수 있다. 상대방의 카드는 볼 수 없기 때문이다.
넷째, 존재하는 에이전트의 수로 세상을 구분할 수 있다. 다수의 에이전트가 존재하는 세상은 훨씬 복잡하다. 에이전트들이 협조하거나, 경쟁하거나, 무관심할 수 있다. 게임 상황에서는 에이전 트들이 팀을 형성하여 경쟁하는 경우가 많다.
다섯째, 세상에 관한 사전 지식의 유무다. 세상을 지배하는 법 칙을 에이전트가 사전에 알고 있다면 '알려진 세상' 이라고 간주한 다. 반대의 경우, 에이전트는 환경을 지배하는 법칙을 모른다. 따라서 에이전트가 자원을 동원하여 세상의 법칙을 발견해가야 한다.
여섯째, 단편적 · 순차적 관점에서 세상을 구분한다. 단편적 관점에서는 세상의 변화를 단편적 사건의 집합으로 본다. 따라서 의사결정하는 데 있어서 현재 상태만 고려하면 된다. 반대로 순차적 관점에서는 변화가 과거 사건의 영향으로 바뀐다고 본다. 따라서 과거의 상태를 모두 기억해야만 현재 최적의 행동을 결정할 수 있다.
일곱째, 이산·연속의 관점이다. 이산Discrete 환경에서는 위치나 시간의 간격이 고정되어 있다. 예를 들면, 초 단위로 시간을 표현 한다고 할 때, 초 이하의 시간은 무시된다. 그러나 연속적 환경에서는 위치나 시간이 연속된 선상의 한 점이다. 따라서 원하는 정밀도 수준으로 측정하여 정량화해야 한다.
에이전트가 세상을 어떤 관점으로 보느냐에 따라서 문제의 난이도는 천차만별이다. 또한 도출된 해결책이 얼마나 현실적인가도 결정된다. 외부 환경 중 부분만 관찰 가능하고, 확률적, 순차적, 동 적, 연속적이면서 다수의 에이전트가 존재하는 상황이 여러 문제 해결 중 가장 어려운 환경이다. 가급적 현실성 있도록 세상을 봐야 겠지만, 문제 해결의 복잡도를 감소하기 위해 단순화를 피할 수 없는 경우가 많다.
- 높은 산을 오르려면 낮은 산은 내려와야
언덕 오르기나 급경사탐색 알고리즘은 탐색 중에 산을 나려는 방향으로는 움직이지 못한다. 낮은 봉우리를 넘어서 높은 산으로 올라가려면 내려가는 길도 거쳐야 한다. 이것을 가능하게 하는 것이 모의 담금질Simulated Annealing 알고리즘이다. 금속의 담금질에서 영감을 받은 이 탐색 알고리즘은 가끔 의도적으로 나쁜 방향을 선택하기도 한다. 나쁜 방향이란 목적함수의 값을 올리는 것이 아니라 낮추는 방향이다. 나쁜 방향을 선택함으로써 낮은 봉우리를 벗어날 가능성이 생긴다. 나쁜 방향 선택의 빈도는 확률로 조정한다. 탐색 초기에는 확률을 높여서 나쁜 행동이 자주 선택돼 넓은 범위 를 탐색할 수 있게 하고, 탐색이 진행되면서 점진적으로 확률을 낮 춰 탐색 범위를 좁힌다. 잘 찾아온 최정상 근처에서 벗어나지 않도록 하게 함이다.
- 기계 학습이란 훈련데이터집합을 잘 표현하는 모델을 만드는 작업이다. 즉, 모델의 틀을 설정하고 훈련데이터집합을 잘 표현하는 파라미터(매개변수)값을 구하는 작업이다. 기계 학습에서 특히 관심 있는 것은 입력과 출력 간 함수 관계의 모델이다. 전통적인 기계 학습 기법에서는 모델의 틀로써 수식을 주로 사용했다. 선형함수 또는 간단한 비선형함수가 많이 쓰였다. 수식 모델은 독립변수, 종속변수, 파라미터 등으로 구성된 방정식이 일반적이다. 확률적인 현상을 모델링할 때는 확률함수를 사용한다.
인공 신경망 기법에서는 노드와 연결선으로 구성된 망구조를 모델의 틀로 사용한다. 주어진 망구조에서 훈련데이터집합을 가장 잘 표현하는 파라미터값을 구하는 것이 모델링이다. 단순한 수식을 사용하는 것보다 훨씬 표현력이 좋다. 그래서 요즘 다양한 문제를 인공 신경망을 이용하여 해결한다. 과거에는 망구조를 개발자 의 경험과 직관에 의하여 미리 설정하는 것이 일반적이었다. 그러 나 요즘은 적합한 망구조를 찾는 과정도 자동화되었다. 다양한 망 구조와 파라미터 최적화를 시도한 후에 가장 바람직한 모델을 선택하는 것이다. 오토엠엘AutoML, Automated Machine Learning 이 이런 목적의 도구다.
- 지도 학습을 위한 훈련데이터 집합의 구축에는 많은 비용과 노력이 소요된다. 비지도 학습은 이런 노력이 필요 없기 때문에 매력적이다. 그러나 비지도 학습에 비해 지도 학습은 패턴 분류 문제 풀이에서 더 우수한 성능을 보인다. 직접적으로 가르침을 주기 때 문이다. 라벨이 주어진 데이터와 주어지지 않은 데이터를 섞어서 훈련에 사용하면 우수한 성능과 비용 절감의 두 가지 효과를 모두 얻을 수 있을 것이라 기대된다. 이런 방법을 준지도 학습Semi-Superised Learming 또는 자기주도 학습Self Supervised Learning 이라고 한다.
소비자의 구매 이력을 이용하여 신상품을 추천하는 데에는 군집화 방법이 사용된다. 소비자 A와 소비자 B가 유사한 구매 패턴을 갖고 있다는 것은 비지도 학습으로 확인했다면 소비자 A가 구매한 물건을 소비자 B도 구매할 것이라는 믿음으로 추천한다. 이렇게 하면 무작위로 추천하는 것보다 소비자들이 추천을 받아들일 확률이 높다. 또 일상적이지 않은 이상 상태의 발생을 탐지하거나 고장 예측에도 군집화 방법이 활용된다.
- 차원 감소 문제
데이터의 차원이란 표현에 사용된 특성의 개수다. 너무 많은 수의 특성으로 데이터를 표현하면 그 데이터가 갖는 깊은 의미를 나타내지 못하는 경우가 많다. 꼭 필요한 특성만으로 데이터를 표 현하면 데이터가 갖는 깊은 의미를 표현할 수 있고, 계산도 간편할 수 있다. 적은 수의 중요한 특성으로 데이터를 표현하기 위해 차원 축소)rmensionality Reduction 라는 작업을 한다. 높은 차수의 데이터를 축약 하여 낮은 차수의 데이터로 만드는 것으로 학습하기 좋은 형태로 데이터를 변형하는 전처리 방법이라고 볼 수 있다. 차원 감소를 위 해서는 주성분 분석, 오토엔코더Autoencode, 등이 자주 사용된다.
- 주성분 분석Principal Component Analysis 은 통계적 방법에서 자주 쓰는 방법이다. 데이터 분산을 크게 만드는 적은 수의 특성을 선택하여 선형으로 변환한다. 높은 차원의 공간이 낮은 공간으로 축소되는 것이라 볼 수 있다. 변환 과정에서 정보를 잃어버리긴 하지만 중요한 특성은 유지되고 데이터 분별이 쉬워질 것을 기대한다.
오토엔코더는 데이터 차수 감소의 목적으로 자주 사용되는 인공 신경망 기법이다. 라벨이 없는 학습데이터에 대해 입력과 동일 한 출력을 내도록 지도 학습으로 훈련시킨다는 아이디어에서 출발 한다. 인코더와 디코더로 구성된다. 인코더는 입력을 은닉 노드로 변환하는 것이고 디코더는 은닉 노드에서 다시 원래 데이터로 재 현하는 것이다. 입력층 노드보다 은닉 노드를 적게 하면 은닉 노드 의 출력을 감소된 차원의 데이터 표현으로 볼 수 있다. 오토엔코더 는 비선형 변환이 가능하다. 오토엔코더의 역할은 강력한 특성을 추출하기 위한 의미적 변환으로 볼 수 있다.
- 기계 학습을 한다는 것은 기계 학습 알고리즘을 사용하여 훈련데이터집합을 잘 표현하는 모델을 구하는 것이다. 학습과정의 핵심은 모델의 틀을 미리 설정한 후에 최적의 파라미터값을 구하는 것이다. 기계 학습의 작업과정은 그림과 같다. 훈련데이터 준비가 처음 해야 할 작업이다. 훈련데이터 수집은 많은 노력이 소요된다. 특히 지도 학습을 위한 데이터는 라벨을 모두 붙여야 하기 때 문에 많은 수작업이 필요하다.
해결하고자 하는 문제의 유형에 따라 적절한 기계 학습 알고리즘을 선택해야 한다. 알고리즘에 따라 학습 결과의 성능과 요구되는 계산량의 차이가 많다. 따라서 알고리즘의 본질과 장단점을 잘 이해하는 것이 중요하다. 간단한 패턴 분류를 위해서는 전통적인 의사결정나무 기법과 선형 경계선 분석 알고리즘 등으로 충분할 수도 있다. 군집화를 위해서는 K-평균 알고리즘이나 계층적 군집화 방법 등을 단순한 거리 개념과 같이 사용할 수 있다. 이 방법들은 대부분 통계적 추론 기법으로 오래전부터 잘 알려진 알고리즘들이다. 인공 신경망 기법은 최근 딥러닝 기법이 알려짐에 따라 다시 각광받고 있는 강력한 방법론이다. 인공 신경망 알고리즘은 지도 학습, 비지도 학습, 강화 학습 등에 모두 사용할 수 있다. 다양한 문제에 적용할 수 있는 매우 일반적인 방법론이다. 다양한 망구조에 따라 기능과 성능이 다르기 때문에 깊은 이해와 개발 경험에 의한 통찰력이 필요하다. 공개 소프트웨어로 만들어진 개발 도구들을 사용할 수 있는 이점도 크다. 이 방법론은 뒤에서 자세히 다를 것이다.
학습 알고리즘을 결정했으면 모델의 틀을 결정해야 한다. 모델의 틀은 학습 알고리즘을 정하고 나면 선택의 여지가 좁혀진다. 전통적인 방법에서는 패턴 분류의 경계선 형태는 어떤 것으로 할 것인가, 회귀분석에서는 선형으로 혹은 2차 다항식으로 할 것인가 등을 결정한다. 인공 신경망 기법을 사용하겠다고 결정했으면 망 구조를 결정해야 한다. 입출력층의 노드 개수는 문제의 성격이 결정해주겠지만 은닉층의 구조는 선택의 여지가 많다. 순환 경로를 둘 것인지, 계층적으로 구성할 것인지 등 망구조가 인공 신경망의 기능과 성능을 결정한다. 데이터의 양에 따라 연결선, 즉 망의 파 라미터 수를 제한하는 것이 바람직할 수도 있다. 그래야 새로운 입 력에 잘 작동한다. 이런 문제를 일반화 문제라고 하는데 다음 장에 서 다룰 것이다.
모델의 틀, 즉 구조가 결정되면 최적의 파라미터를 탐색하는 작업을 수행한다. 이 작업이 바로 최적의 모델을 선정하는 작업이 다. 이 과정은 컴퓨터가 수행한다. 많은 컴퓨팅 자원이 소요된다. 훈련의 속도와 성능을 결정하는 여러 가지 하이퍼 파라미터가 있는데 그 하이퍼파라미터의 성격을 잘 이해하고 결정해야 한다. 이것저것 시도해보고 결정하는 것이 일반적이다.
학습의 결과인 모델의 성능을 평가하는 것이 마지막 작업이다. 평가의 핵심은 새로운 데이터에 얼마나 잘 작동하는가를 보는 것이다. 그래서 훈련데이터와는 별도로 평가용 데이터집합을 준비한다. 평가에서 부족함이 발견되면 모델의 틀을 변경하거나 하이퍼파라미터값을 변경해 가면서 좋은 모델 찾기를 반복한다.
- 고등 동물은 자주 보는 손, 얼굴 등을 인식하기 위해 그 물 체 집합에만 반응하는 상위 수준 특성을 사용한다고 알려졌다. 해 당 특성들은 많은 노출에 의하여 자율적으로 학습된다는 이론이 있다. 또 자주 보는 할머니 모습과 같이 복잡한 상위 개념이나 특 정 물체에만 활성화되는 신경세포가 우리 뇌에 존재한다는 이론이 있다. 이를 할머니 신경세포' 라고 한다. 2012년 구글은 영상에서 신경망이 복잡한 물체를 자율적으로 발견할 수 있는지를 실험했 다. 연결선이 10억 개인 고층 신경망에 2만 개의 물체가 나타나는 1,000만 개의 영상을 라벨 없이 보여주었는데 물체의 존재 여부가 자율적으로 훈련이 되었다. 정확도는 사람 얼굴은 81.7%, 고양이 는 74.8%였다. 또 사람 얼굴과 고양이는 각각 다른 노드를 활성화 시켰다. 이 실험은 할머니 신경세포의 가설을 증명한 것이라고 볼 수 있다.
- 자연어는 애매하다. 상황에 따라 단어의 역할, 의미가 달라진다. 의미만 전달하는 것이 아니라 감정 등 부수적인 정보도 전달한다. 이를 위하여 동일한 객체나 현상이 여러 가지 방법으로 표현된다. 특히 대화에서는 같은 의도나 감정도 여러 가지 스타일로 표현된다. 문맥의 변화 속에서 의미와 감정을 파악하는 것이 가장 어려운 문제다. 명시적으로 제시되지 않은 상식과 세상 모델을 이용하기도 해야 한다. 이 문제를 해결하기 위해 문장에서 함께 나타나는 단어들과 그들의 역할을 평가하는 등 여러 가지 방 법을 시도하고 있다. 하지만 단어의 의미, 궁극적으로 문장의 의미를 이해하는 것은 어려운 문제다. 더구나 자연어의 범위는 매우 넓고, 새로운 어휘가 계속 생기고 의미도 변하는 등 끊임없이 진화하 기 때문에 더욱 어렵다.
그래서 자연어 처리에서는 확률적 판단을 자주 사용한다. 언 어 요소의 발생 빈도를 확률적으로 표현한 확률적 언어모델이 대표적이다. N개의 단어가 연속되었을 때 다음에 나타나는 단어의 빈도를 확률 분포로 표현할 수 있다. 또 특정한 순서로 단어가 앞뒤로 나타났을 때 가운데 단어의 빈도를 표현하는 모델을 심층 신 경망으로 만들기도 한다. 심지어 한 문장이 나온 다음에는 어떤 문 장이 나오는가를 예측하여 이야기를 작성하기도 한다. 최근 각광 받고 있는 GPT-3가 이런 능력이 있다.
- 컴퓨터가 자연어를 잘 처리하게 하려면 첫 단계는 언어를 적절히 표현하여 입력하는 것이다. 언어는 단어의 연결로 볼 수 있기 때문에 단어의 표현이 가장 기본이다. 기호 처리적 기법에서는 단어를 심볼로 표현하고 기호적 연산으로 추론 등을 수행했다.
그러나 신경망 기법에서는 수치적 계산을 하기 때문에 단어를 수치로 표현해야 한다. 단어를 N차원의 벡터, 즉 N차원 공간의 점으로 표현하는 기법이 최근 많이 쓰인다. N차원의 벡터 표현에서 의미가 유사한 단어들이 공간상에서 가까운 장소에 모이도록 배치한다면 여러 이점이 있다. '과일' 이라는 단어는 '사과' 와 유사한 위치 에 나타나기 때문에 문장에서 '과일'과 '사과'는 문법적으로는 물론 의미적으로도 유사한 의미로 사용할 수 있다. 유사한 단어들을 모으기 위해 문장에서 함께 나타나는 단어들 의 빈도를 분석한다. 단어의 의미는 문장에서 그 단어와 함께 나오 는 단어의 영향을 받아 결정된다는 언어학 이론이 있기 때문이다. 과일이나 '사과'는 먹는다'는 단어와 함께 자주 나오기 때문에 의 미가 유사하다고 간주할 수 있다. 비지도 학습 방법으로 큰 말뭉치 를 훈련용 데이터로 사용하여 단어의 벡터 표현을 구하는 것이 일반적이다. 벡터 표현은 자연어 처리의 성능을 결정하기 때문에 좋 은 벡터 표현 방법의 탐색은 중요한 연구과제다.
이런 표현 기법 하에서는 단어의 의미를 공간상에서 연산을 통해 유추할 수 있다. 벡터 표현이 잘 되었다면 유사한 관계를 갖는 단어 쌍들은 공간상에서 유사한 위치 관계를 유지할 것이다. 그림 에서 보듯이, "KING과 MAN의 관계와 동일한 관계를 WOMAN 과 갖는 단어는?" 이라는 질문을 "KING - MAN + WOMAN = ?"라 는 벡터 계산으로 구할 수 있다. 즉, QUEEN과 WOMAN의 관계 는 KING과 MAN의 관계와 유사하다.
- 딥러닝은 여러 인공지능 문제에서 뛰어난 성과를 보이고 있다. 그러나 방대한 학습데이터와 많은 계산이 필요하다는 것이 근본적 약점이다. 누구나 조금만 관심이 있다면, 수백 장의 훈련용 영상데이터와 PC정도의 계산 능력으로도 개와 고양이 사진 분류기'를 만들 수 있을 것이다. 또 간단한 명령어를 이해하는 챗봇도 만들 수 있을 것이다. 그러나 이를 넘어가면 다른 차원의 문제가 된다. 수백만 개의 훈련 데이터를 모아서 가공해야 하고 강력한 GPU 수십 개를 이용하여 며칠 또는 몇 주간 학습을 수행해야 한 다. 현실적으로 이러한 작업은 많은 데이터와 컴퓨팅 자원을 가진 대기업에서만 가능하다. 대기업이 아니면 경쟁력 있는 신경망 모 델을 만들 수 없다는 이야기다. 인공지능 소프트웨어, 특히 기계 학습 도구들이 공개되었지만 많은 데이터와 컴퓨팅 자원이 없다면 그림의 떡일 뿐이다. 전 세계적으로 딥러닝 적용 사례가 늘어나면서 점점 더 많은 컴퓨팅 자원이 데이터 학습에 투입된다. 이 때문에 전력 소비가 급격히 늘어나서 지구온난화를 가속시킨다는 우려 도 있을 정도다.
- 이런 문제를 완화할 수 있는 방법이 이미 개발된 신경망 모 델을 개방하고 공유하는 것이다. 이미 개발된 신경망 모델의 구조 와 훈련된 연결 강도 등을 모두 공개한다면, 이것의 성능을 개선하거나 이를 부품으로 사용하여 더 크고 강력한 모델을 만들 수 있을 것이다. 이를 위한 기술이 전이 학습ransfer Learning 이다. 전이 학습 은 이미 습득한 지식을 새로운 문제 해결에 이용하는 기술로써 신경망 기술의 확산과 발전에 크게 공헌하고 있다. 심층 신경망이 점점 다양한 영역에 적용되면서 전이 학습은 딥러닝 모델을 개발하는 데 매우 인기 있는 기술로 떠올랐다.
- 기계 학습은 기본적으로 통계적 학습 및 추론 방법이다. 그 성능은 데이터의 양과 질이 결정한다. 훈련 데이터가 많으면 많을수록 좋은 성능을 보인다. 기계 학습에서 필요로 하는 데이터의 양은 모델 파라미터의 수가 증가함에 따라 기하급수적으로 증가한다. 파라미터의 수에 비하여 데이터가 적으면 학습에 사용한 데이터에서는 잘 작동하지만, 새로 보는 데이터에는 잘 작동하지 않는다. 우리가 기계 학습을 통해서 인공지능 시스템을 만드는 이유는 새로운 문제에서 해결책을 얻고자 하는 것인데 이것은 치명적인 약점이다. 더구나 심층' 이란 단어에서 유추할 수 있듯이 심층 신경 망은 많은 수의 노드와 연결로 구성된다. 즉 파라미터의 수가 매우 크다. 따라서 심층 신경망을 훈련시키기 위해서는 방대한 데이터 를 확보해야 한다. 이는 딥러닝 기법의 확산에 큰 장애요인이다.
또 훈련데이터는 정확해야 한다. 특히 지도 학습에 사용되는 입력과 출력 쌍의 훈련 데이터는 철저히 점검하여 정확도를 높여 야 한다. 정확하지 않은 데이터로 훈련시킨다면 그 결과를 보장할 수 없다. 쓰레기 같은 데이터가 입력되면 쓰레기 같은 결과가 나오 는 것은 당연한 이치다. 데이터를 모으고, 빠진 정보를 채워 넣고, 잘못된 데이터를 수정하는 등 데이터 준비 작업에는 많은 노력이 필요하다. 더구나 이 과정은 자동화가 쉽지 않다.
딥러닝에서 다루는 심층 신경망은 매우 복잡하고 방대한 데이터로부터 학습한다. 최근 발표된 GPT-3 자연어 모델은 1,750억 개의 연결선으로 구성되어 있다. 5,000억 개 단어, 700기가바이트 의 문장이 훈련 데이터로 사용되었다. 이렇게 큰 신경망을 훈련시 키는 데에는 강력한 컴퓨터 능력이 필요하다. 이 훈련을 V100이 라는 GPU 한 개로 훈련시키면 200년이 걸린다는 계산이 나왔다. 지구 온난화를 딥러닝이 촉진하다는 비판이 빈말이 아니다.
- 딥러닝이 활성화된 2012년 이후부터 2018년까지 컴퓨터의 계산 요구는 30만 배가 증가했다고 한다. 데이터의 양에 따른 계산량은 기하급수적으로 증가했지만 학습 결과의 정확성은 로그함수로 증가한다. 그러나 가장 큰 이유는 점점 더 큰 심층 신경망을 개발하고 더 많은 데이터로부터 학습하기 때문이다. 엄청난 규모의 데이터와 컴퓨터 능력이 필요하기 때문에 딥러닝 연구와 심층 신경망 개발은 일부 글로벌 대기업에서만 가능하다. 상대적으로 부유 한 미국 대학에서도 우수한 연구원들이 더 나은 연구 환경을 찾아 기업으로 이탈하는 현상이 나타났다. 개발도상국 대학에서는 꿈도 못 꿀 지경이다.
자동차, 공장 등 인공지능을 필요로 하는 현장에서 직접 학습 하고 학습결과를 운용해야 할 필요성이 커지고 있다. 또 노트북이 나 스마트폰에서도 기계 학습을 수행하고, 그 결과를 실시간으로 운용할 수 있다면 인공지능이 빠르게 확산될 것이다. 현장의 기기 에서 학습하고 활용하는 것을 엣지 컴퓨팅이라고 한다. 이를 위해 신경망 계산을 가속화하는 반도체 칩의 개발 경쟁이 치열하다. 학습 효율을 높여서 적은 데이터로 효율적으로 훈련하는 방법에 대한 관심도 높아졌고 적은 컴퓨팅 자원으로 딥러닝을 수행하려는 녹색 인공지능의 연구도 시작되었으나 아직 성과는 미미하다. 많은 데이터와 컴퓨팅이 필요한 현재의 딥러닝 기법은 개선되어야 한다. 고양이 모습을 이해하기 위해 수백만 장의 고양이 사진과 며칠에 걸친 계산이 필요하다는 것은 난센스다. 새로운 돌파구가 필요하다.

- 한국에서 정말 키오스크 도입으로 인건비를 줄이고 있는지는 정확한 데이터를 확인해봐야 알 수 있습니다. 그런데 일단 독일, 호주 등 다른 국가를 보면, 대부분의 매장에서 맥도 날드 직원이 음식을 직접 테이블로 서빙합니다. 심지어 주문을 키오스크로 해도 음식은 직접 가져다주곤 하지요. 이를 보면 키오스크의 설치가 단순히 고용을 줄이기 위해서 하는 게 아니라는 것을 알 수 있습니다. 그렇다면 키오스크 설치의 목적은 무엇일까요? 바로 주문량 증가입니다. 실제로 키오스크를 통해서 주문을 받았더니 사람들이 주문을 더했다는 결과도 있습니다. 다만 국내에서는 키오스크의 확산과 보급이 당시 최저임금제 이슈와 맞물려서 많이 보도되었지만, 맥도날드가 키오스크를 도입하게 된 진짜 이유는 실은 비용 절감 때문이 아니라 주문량을 늘리기 위한 시도였던 것입니다.
또한, 많은 고객을 대상으로 조사해보니 사람들은 키오스크 앞에서 주문할 때 대화하지 않고 화면을 직접 누르니 조금 더 마음이 편하고 일순간이지만 자기가 전지전능해진 듯한 감각을 느꼈다고 합니다. 특히 요즘 화두인 디지털 네이티브 세대의 경우에는 디지털 화면이 더 편하다는 장점도 있습니다. 그들의 입장에서는 사람을 대하는 것이 더 힘들고 때로는 피곤하기까지 합니다.
- 이런 현상은 국내에서도 많이 벌어지고 있습니다. 국내에서도 배달 애플리케이션 산업의 활성화 이유가 사람들이 전화 거는 일을 불편하게 느끼기 때문이라는 분석이 있습니다. 다들 전화하는 일을 내심 힘들어합니다. 오히려 비좁은 화면을 손가락으로 꾹꾹 누르는 것이 심리적으로 편합니다. 어쩌면 인류가 그렇게 진화하는 것 같기도 합니다. 이전에는 주문을 받는 직원과 대면해서 거북해하면서 했던 주문을 이제는 손안에서 마음 편하게 하고 싶어 합니다. 또한, 많은 사람이 화면 앞에서는 조금 더 마음 편하게 여러 가지 조합도 해보고 지금까지 하지 않았던 맛의 조합도 실험해보는 등 조금 더 자유롭게 행동합니다. 이처럼 디지털이라는 것이 고객에게 전지전능한 느낌을 줄 수 있고 그 느낌을 우리 기업의 고객에게도 전해줄 수만 있다면 예전에는 미처 생각하지 못했던 기회가 생길 수도 있습니다.
- 맥도날드가 이처럼 여러 가지 일을 굉장히 많이 시도한 것은 실질적인 성과와 움직임으로 드러나고 있습니다. 맥도날드는 디지털 트랜스포메이션을 위해 여러 테크 기업들을 인수했습니다. 다이나믹 일드도 그렇게 인수한 기업입니다. 다이나믹 일드는 빅데이터를 활용해서 인공지능으로 추천 알고리즘을 만드는 기업입니다. 또한, 음성 인식을 통해서 드라이브 스루에서 음성으로 주문을 받을 수 있도록 해주는 기업도 인수했습니다. 모바일 애플리케이션 개발 업체도 인수했습니다. 패스트푸드 기업인데도 실제로는 엔지니어의 근거지를 늘린 셈입니다. 그러면서 한편으로는 기술 연구소인 맥도날드 테크랩이라는 기구를 실리콘밸리 한가운데에 뒀습니다. 마치 테크 기업인 것처럼 보이려는 의도가 농후합니다. 또한, 그런 뉘앙스를 풍기는 사업 전략도 공표했습니다. 맥도날 드는 이처럼 디지털 기술을 통해서 익숙하고 오래된 비즈니스를 바꿔보겠다며 디지털 트랜스포메이션의 기치를 내걸었습니다.
맥도날드의 이런 시도들의 공통점은 모두 소프트웨어에 기반을 뒀다는 것입니다. 맥도날드가 그야말로 좌충우돌하면서 다양한 시도들을하는 와중에도 우리는 이 점을 눈여겨봐야 합니다. 그리고 그들이 왜 이렇게 자신감과 확신을 가지고 디지털 트랜스포메이션을 하려고 하는 지 깨달아야 합니다. 우리의 상식으로는 IT와 멀리 떨어져 있다고 여겨지는 이런 기업들조차 왜 디지털 트랜스포메이션을 지속해서 시도할까요? 바로 그들이 IT, 특히 소프트웨어가 가져온 변화와 효율에 대해서 체감했기 때문입니다.
맥도날드와 스타벅스는 구글이나 마이크로소프트 등의 테크 기업 과 함께 코로나19의 타격을 가볍게 뛰어넘은 기업으로 손꼽힙니다. 맥 도날드는 백신 보급이 시작된 2021년 봄에 이미 코로나 이전의 매출을 회복했습니다. 맥도날드나 스타벅스가 그렇게 위기를 극복한 이유를 충 성도가 높은 고객을 소유한 덕이라고 생각할 수도 있습니다. 그러나 코로나19로 인한 경기 위축으로 큰 타격을 받은 기업들을 살펴보면 하나같이 충성도가 높다고 여겨지던 브랜드였습니다. 
- 예전에는 IT를 당연히 코스트 센터 Cost center(원가 중심점), 경영의 시녀라고 생각했습니다. 그래서 지금까지는 IT라고 하면 대부분 내부에서 만든 기획을 외주 업체에 위탁해서 만든 뒤에 다시 가져오는 방식을 취했습니다. 이런 방식에 익숙해져 굳이 직접 몸을 움직일 필요를 느끼지 못하는 일부 IT 구성원 같은 경우에는 디지털 트랜스포메이션을 시도 할 때 수동적 저항 세력이 되기도 합니다. “우리 기업의 업무는 특이하 니까 특수하게 만들어야 한다”, “전부 다 특별 주문 외주로 만들어와야 한다”, “클라우드로 이행하지도 못한다”, “데이터가 우리 전산실 내에 있는 것이 얼마나 중요한데 그러시느냐?”라며 부정적으로 대응합니다. 그러나 이런 문화도 스마트폰의 영향이 전 세계 소비 시장에 퍼지자 점진적으로 바뀌고 있습니다. 비즈니스는 굳어 있는 밸류 체인 위에서 하는 게 아니라 생태계라는 유연한 발상 안에서 벌어지는 일임을 모두가 목격했고, 이제는 그 일이 각자의 조직 앞에 놓인 현실이 됐기 때문입니다.
- 기크가 본인의 소중한 시간에 무언가를 공부해서 앞으로도 그것에 의존하겠다고 한다면 이는 큰 결정입니다. 무언가를 스스로 골라서 기 꺼이 의존하겠다고 하는 것, 이 자체가 기크들한테는 상당히 큰 선택입 니다. 그리고 기업이 기크들에게 공부할 수 있는 아이디어를 제공할 때 이 시너지는 더욱 커집니다.
여기에 주목할 만한 점이 있습니다. 기업이 만든 아이디어를 공부한 기크들은 다시 생산자 역할을 하기 시작합니다. 오픈 소스가 잘되는 이유는 기업들이 단지 자기가 쓰기 위해서 만드는 것을 넘어서 조직 밖의 사람들이 쓰게 해주고, 이 과정에서 안팎의 기크들이 그걸 공부하고 다시 그 지식을 확장해서 새로운 가치의 재료를 만들기 때문입니다. 개방성 그리고 호환성, 파급, 확대 재생산 등 일련의 메커니즘이 이렇게 개방되고 공유된 지식 상품을 둘러싸고 움직입니다. 결국, 개발자들과 같은 기크들은 어떤 기업이 가지고 있는 가치, 서비스, 제품을 둘러싸고 커뮤니티를 키워나가게 됩니다.
한편으로, “저희가 만든 거예요”, “저희가 틈틈이 쉬는 시간에 만든 것들을 공개합니다” 등 사소한 일들이라도 개방형으로 공개하면 이는 다른 누군가를 자극하고 또 다른 혁신에도 쓰이게 됩니다. 선의가 점점 파급력을 가지면서 확대 재생산이 이뤄지는 사이클이 생겨납니다.
물론 이런 것들은 이타심에 의해 돌아가는 것처럼 보입니다만, 실은 오픈 소스야말로 지극히 이기주의적인 활동입니다. 훌륭한 오픈 소스를 만들 수 있다는 것은 개발자의 입장에서는 무엇보다도 강력한 경력이 됩니다. 그래도 오픈 소스라고 하면 '그렇게 공짜로 뿌리는 게 과연 믿을 만할까?', 그것을 우리 업무에 쓰는 게 과연 옳은 일일까?'라고 생각 할 수도 있습니다. 그러나 다음의 요소가 오픈 소스의 신뢰도를 보장해 줍니다.
- 닌텐도나 소니에게 는 공통점이 있습니다. 이 기업들의 공통점은 놀이의 마음, 그리고 생산 과 창조하는 일이 지닌 낭만성을 어떻게든 지킨 곳입니다. 그런 곳들만 이 지금까지 살아남아서 활발하게 활동하고 있습니다. 그리고 이를 다 른 말로 표현하면 바로 소프트웨어 기업으로 표현할 수 있습니다. 이들 은 소프트웨어의 가치를 중시하고 소프트웨어가 결국 위기에서 자신을 구원한다는 것을 믿었습니다. 이처럼 쓰러진 전자 업계에서 그나마 유 일하게 생존한 분야는 놀이의 마음을 지니고 있고 새롭게 뭔가를 만드 는 것을 정말 재미있다고 느끼는 이들이 있던 분야였습니다. 바로 기크 들의 기업이었습니다.
- 그런 장기적인 여유가 우리에게도 있으면 좋겠다고 생각합니다. 여유란 억지로 만들어내는 것입니다. 리더가 위기감을 있는 그대로 인정하고 그런데도 용기를 잃지 않을 때, 사내의 누군가도 지금까지 존재하 지 않았던 걸 만들어볼 용기를 절박함 속에서도 다시 발휘하게 됩니다.
언젠가는 되겠지요. 안 되면 짐 싸서 다 함께 집에 가는 것입니다.
“Go Big, or Go Home."
모 아니면 도, 대박 아니면 쪽박, 이판사판을 나타내는 영어 숙어입니다. 이는 스타트업의 만트라이기도 합니다.
물론 여유의 문화라고 말은 하지만, 리더들의 마음은 잘 움직이지 않습니다. 사람의 마음이란 것이 또 그렇습니다. 그렇다면 이를 제도적으로 만들 수는 없을까요? 쉽지는 않습니다만, 방법은 있습니다.
- 디지털 트랜스포메이션 과정을 거친 후에 만들어지는 '디지털 제품은 그 개선 속도가 비약적으로 빠릅니다. 개발자, 소프트웨어 엔지니어 들이 그 업그레이드의 주인공들입니다. 그렇게 개선된 제품들은 완성후 고객에게 전달하는 간격이 극단적으로 줄어들 수 있습니다. 특히 소프트웨어 제품의 경우에는 제품을 개선한 후에 고객이 사용할 수 있게되는 때까지 수분의 시간 만에 제품이 출시될 수도 있습니다. 개선된 업무가 100% 디지털라이제이션이 이뤄져 있다면 중간에 수작업이 걸쳐 있는 경우와 비교해서 제품을 엄청나게 빠른 속도로 고객의 손에 쥐어 줄 수 있게 됩니다. 제품을 내고 고객의 피드백을 받아서 제품을 개선한후 다시 제품을 출시하는 이 과정이 빠르면 빠를수록 제품의 고도화가 빨라지고 그 완성도 또한 높아집니다. 이렇게 되면 고객의 만족도가 높아집니다. 급기야는 열광하는 팬이 생기고, 그렇게 바라던 브랜드 로열티도 생깁니다. 즉, 개선 업무가 선순환을 이루고 양적으로 쌓이면 질적변화가 일어날 수 있는 상황이 다가옵니다.
이제 데이터 플레이의 상위 단계로 넘어갈 차례입니다. 기업의 데이터 분석 역량이 향상되면 예측 분석 Predictive analysis 이나 처방 분석 Prescriptive analysis 을 할 수 있는 역량을 갖게 됩니다. 과거나 현재를 분석 해서 이해하는 것보다 미래를 예측하고 예측 결과에 따라서 어떻게 행동하면 좋을지 판단하게 되면 비즈니스 임팩트의 크기가 거대해집니다.
데이터로 일하는 방법에도 고수가 있습니다. 이런 분석 역량을 자유자재로 다루게 되면 거의 고수의 단계입니다. 이 지점에서 분석 역량을 좌지우지하는 것은 이론이나 알고리즘이 아니라 사용할 데이터를 준비 하는 일입니다. 이론이나 알고리즘을 갖추는 일은 단시간에 압축해서 따라잡을 수 있지만, 데이터를 갖추는 일은 시간이 오래 걸립니다. 또한, 필연적으로 하위 단계의 발전을 직접 겪어야 합니다.
- 데이터를 기반으로 고객의 만족도를 높이는 경험을 빠른 속도로 여러 번 반복하게 되면 사업적으로 기존과는 다른 경쟁력이 생깁니다. 속도가 충분히 빨라지면 임직원과 고객은 기업이 기존과는 다른 사업을 할 수 있다는 것을 알게 됩니다. 양질 전환, 즉 양이 쌓이면 질적 변화가 나타납니다. 분석 역량도 성숙해져서 현황을 기술 Descriptive 하거나 진단판단Diagnosis 하는 수준에서 예측이나 처방하는 수준으로 업그레이드됩니다. 분석에 필요한 데이터도 미리 갖추게 됩니다. 그중에서도 가장 중요한 질적 변화는 비즈니스 모델의 플랫폼화입니다. 디지털 트랜스포메이션의 성숙도가 진척된 기업들은 제품과 고객을 양면 시장을 가진 플랫폼으로 발전시키게 됩니다. 강력한 제품과 열광하는 팬을 확보한 상태에서 새로운 제품을 공급하게 되고, 새로운 제품으로 인해 고객의 폭을 넓히게 됩니다. 게다가 강력한 데이터의 비즈니스 임팩트를 목격한 다른 사업 주체들과 연계돼 플랫폼을 조성해 더 큰 시장을 창출하게 됩 니다. 이후로는 다른 사업 주체들이 이 플랫폼에 올라타기 위해서 안간힘을 씁니다. 지금도 디지털 트랜스포메이션을 성공적으로 이뤄낸 기업 들을 보면 플랫폼의 문을 열어주지 않았을 뿐이지, 수많은 업체가 문을 열어주기만 한다면 그 플랫폼에 올라타려고 애씁니다. 이쯤 되면 디지털 트랜스포메이션의 완성이라고 할 수 있습니다.
- 이미 글로벌 클라우드에는 데이터를 다루기 위한 전문적인 도구들이 많습니다. ETL Extract Transform Load 뿐만 아니라 딥러닝 모델도 자동으로 만들고 하이퍼 파라메터 Hyper-parameter"를 튜닝해줘서 추론Inference 속도를 높이기 위한 모델을 최적화까지 해주고 합니다. SOTA State Of The Art (최신식의) 기술들도 일용품화돼 있어서 필요한 만큼 즉시 활용할 수 있습니다.
문제는 이런 도구들을 어떻게 엮어서 유기적으로 동작하게 하느냐겠지요.
- 데이터가 만들어져서 데이터웨어하우스DW, Data Warehouse 나 데이터레이크 Data Lake에 저장되면 API Application Programming Interface를 통해 필요한 데이터를 가져가는 세일즈포스 같은 플랫폼이나 태블로 같은 분석 · 시각화 솔루션들은 이미 널리 활용되고 있습니다. 게다가 이런 솔루션들은 SaaS Software as a Service (서비스형 소프트웨어)나 PaaS Platform as a Service (서비스형 플랫폼) 형태의 클라우드로 제공되고 있습니다. 버튼 몇 번만 누르면 사용 가능한 상태로 바로 앞에 놓입니다. 이렇게 필요한 기술은 예산사용을 승인받는 즉시 활용할 수 있습니다. 5단계까지 진행되면 업무에 실시간성이 생성됩니다. 업무의 속도가 생각의 속도에 가깝게 빨라집니다. 즉, 좋은 생각이 나면 바로 실행해볼 수 있게 됩니다.
- 데이터 플레이 조직을 구성할 때 필요한 직군과 역할
* 데이터 프로덕트 매니저 Data Product Manager 
데이터 프로덕트 매니저는 데이터를 가져가서 사용할 조직과 원활한 대 화가 가능해야 합니다. 또한, 개발자나 데이터 사이언티스트와의 소통도 가능해야 합니다. 디지털 조직과 기존 조직은 둘 사이에 통역사가 필요하다는 말이 있을 정도로 두 조직 간의 대화가 쉽지 않습니다. 생각하는 사고방식이나 우선순위를 결정하는 철학뿐만 아니라 용어가 아예 다른 경우도 있습니다. 데이터 프로덕트 매니저는 이런 상황에서 안내가 가능해야 합니다. 즉, 양측에 대한 이해가 있어야 하는 만큼 확보하기 어려운 인적 자원입니다.
* 클라우드 엔지니어 Cloud Engineer
클라우드 엔지니어는 필요한 솔루션을 찾아내고 평가해서 가장 적합한 솔루션이 무엇인지 판단할 수 있는 안목이 필요합니다. AWS, GCP, 애저는 모두 각각 장점이 있는 솔루션들을 포함하고 있으므로 다수의 클라우드 서비스를 동시에 이용하는 멀티 클라우드가 대세가 됐습니다. AWS에서는 외부의 클라우드를 이용하는 개발자들을 빌더 Builder라고 부릅니다. 본인들이 제공하는 솔루션을 마치 블록 쌓듯이 쌓아 올리면 그것만으로도 서비스를 구축할 수 있다고 이야기합니다. 그 명칭처럼 클라우드 엔지니어의 주요한 역할은 클라우드에서 제공하는 수많은 Saas, PaaS 중에서 필요한 솔루션을 찾고 그것들을 엮어내는 데 있습니다.
* 데이터 사이언티스트 DS, Data Scientist
예측 분석을 진행하거나 복잡한 분석 과제를 진행하다 보면 통계 지식과 소프트웨어 개발 지식이 동시에 필요한 경우가 많습니다. 데이터 사 이언티스트는 무엇보다도 클라우드상의 솔루션을 이용할 때 해당 솔루 션이 결과로 제시하는 용어와 수치를 보고 현상을 이해하고 개선 방안을 제시할 수 있는 전문성이 필요합니다. 데이터를 의미 있게 만들어내기 위해서 해야 할 일과 하지 말아야 할 일을 정할 수 있는 리더십도 중요합니다.
* 데이터 엔지니어 DE, Data Engineer
데이터 사이언스 Data Science 과제의 80%는 데이터를 다듬는 일이라고 합니다. 빅데이터 플랫폼BDP, Big Data Platform에 데이터를 얹기 위해서는 ETL 작업을 진행해야 합니다. 데이터 엔지니어는 원천 데이터를 받아서 다듬고 사용하기 쉽도록 변형해서 빅데이터 플랫폼에 올립니다. 유의해야 할 점은 업무 난이도보다는 전체 업무량이 기하급수적으로 늘어날 수 있다는 점입니다. 수작업으로 업무의 완성도를 높였다면 늘어나는 업무를 소화하기 위해서 자동화를 할 수 있어야 합니다.
* 데이터 애널리스트 DA, Data Analyst
데이터 애널리스트는 현업 업무 진행에 대한 이해, 즉 도메인 지식Domain knowledge을 가지고 데이터를 분석하는 업무를 진행합니다. 그래서 데이터에 담긴 사업적 의미를 누구보다도 잘 이해하고 있어야 합니 다. 물어보지 않는 질문에 대해서는 어떤 데이터도 대답해주지 않습니다. 데이터를 읽고 그 의미를 파악할 수 있는 데이터 감수성과 데이터 문해력이 매우 필요한 역할입니다.
- 데이터 사이언티스트와 데이터 애널리스트는 역할을 묶을 수 있으 나 데이터 사이언티스트의 인건비가 워낙 비싸므로 한 명의 데이터 사이언티스트에 주니어 데이터 애널리스트를 여러 명 두는 방식이 일반적입니다.
클라우드 엔지니어와 데이터 엔지니어도 역할을 묶을 수 있으나 그렇게 하면 각각의 전문성이 살아나지 못할 수도 있으므로 할 수 있다면 분화하는 편이 좋습니다. 클라우드 업계의 변화 속도가 워낙 빨라서 클 라우드 엔지니어는 새로운 기술을 파악하고 습득하기에도 바쁩니다. 반면에 현장에서의 활용 방안이 도출되는 것은 오히려 속도가 느린 편이라 메가존이나 베스핀글로벌 같은 국내의 외부 클라우드 전문 벤더를 고용하기도 합니다.
대기업에서는 데이터 조직을 만들 때 최소 3명 정도는 확보하고 시작해서 5명까지 모은 후 하나의 팀으로 성장시키는 것이 일반적입니다. 이후로 업무 진행이 능숙해지면 다수의 인원이 같은 역할을 수행하도록해서 학습 조직으로 성장할 수 있습니다.
- 데이터에는 비즈니스 로직이 담겨 있습니다. 그것을 탐색하는 사람은 우선 데이터에 관심을 가져야 합니다. 데이터를 봐도 마음으로 봐야 보이는 것이 있습니다. 어린 왕자가 말하듯이 마음으로 보아야 잘 보이는 일이니, 신기합니다. 그냥 흘려듣듯이 데이터를 숫자로만 보고 의미를 파악하지 못하면 아무것도 이해되지 않습니다. 마음으로 데이터를 보고 그 의미를 파악하는 능력을 데이터 감수성'이라고 부릅니다. 고급 데이터 사이언티스트가 되려면 이 감수성을 키워야 합니다. 몇 번이나 들여다보고도 의미를 이해할 수 없다면 이제는 비즈니스 로직을 이해할 수 있는 사람을 찾아서 물어야 할 때입니다. 물어볼 때는 내가 이해할 수 있도록 처음부터 모든 것을 다 설명해달라고 하는 대신에 이 데이터 를 이렇게 보고 저렇게도 보았는데 이런 부분이 납득되지 않으니 어떻 게 생각하는지 물어봐야 합니다. 자기 밥그릇인 업무 노하우를 친절하게 거저 가르쳐줄 위인은 큰 조직일수록 쉽게 찾기 힘듭니다. 적어도 그 답변을 요구할 만큼 나도 데이터를 들여다봤다는 것을 내세우고, 실은 당신도 내가 궁금해하는 그것을 의아해하고 있지는 않은지 공감대를 불러일으켜야 좋은 답변을 들을 수 있습니다. 그 정도는 해야 업무 협업이 이뤄지고 다른 사람의 업무 노하우를 나눠 받게 됩니다.
- 데이터를 더 많이 보여줘야 합니다. 탐색적 분석과 인사이트 리포트가 도움이 될 수 있으니 충분히 활용하면 좋습니다. 데이터를 쉽게 이해할 수 있도록 시각화 Visualization 하고 사업의 목적과 인사이트 리포트에서 다루는 주제의 합을 맞춰야Align 합니다.
이 단계에서 곧잘 하는 실수가 있습니다. 바로 데이터 사이언티스트들이 알고리즘이나 도구를 강조하는 것입니다. 정작 데이터를 이용해야 하는 이들은 사업의 내용을 잘 알고 있는 분들입니다. 데이터 안에서 비즈니스를 더 잘할 수 있는 단초를 찾아내면 함께 업무 협의를 할 수 있는 커다란 여지가 남아 있습니다. 그런데 그런 데이터 자체에 집중하지 않고 낯선 외래어를 남발하면서 가능성만을 제시하곤 합니다. 알고리즘 이나 도구에 집중해서는 안 됩니다. 중요한 것은 데이터를 활용한 결과가 사업에 가져올 영향력입니다.
- 전통적 마케팅에서는 마켓 세분화 Market segmentation 를 중시합니다. 대기업에서 마케팅 캠페인을 집행하려면 에이전시를 이용하기 마련인데, 캠페인이 어느 정도 규모가 돼야 에이전시에 업무를 요청할 수 있습니다. 그러나 이제는 디지털 마케팅으로 전환되면서 온라인을 활용해 개 인화 마케팅 Personalization marketing을 할 수 있게 됐습니다. 데이터가 더 늘어난 만큼 고객을 더 자세히 이해하게 됐으며 여기에 더해 데이터 분석역량이 성숙해지면서 초개인화 마케팅 Hyper Personalization marketing 으로 전환하게 됩니다.
데이터가 충분히 늘어나고 예측 분석의 정확도가 높아지면 이제 기존 구매 고객의 데이터를 기반으로 가장 비슷해 보이는 잠재 고객의 목록을 만들 수 있습니다. 유사 타게팅 Lookalike modeling 이라고 불리는 방식으로 이상적인 잠재 고객을 찾아낸 후에 예측 모델링을 통해서 이들이 얼마나 구매할 것 같은지 예상해서 스코어를 매길 수도 있습니다. 회사가 메시지를 보내야 할 대상을 우선순위에 따라서 줄을 세울 수도 있는 셈입니다. 고객마다 어떤 디지털 채널을 통해서 메시지를 보낼지 선별합니다. 가장 반응이 좋은 디지털 채널을 가려냅니다. 메시지 내용은 어떤 표현을 선호할지도 계산합니다. 더불어서 메시지를 언제 전달하면 좋을지도 추론합니다. 가용할 수 있는 모든 데이터를 활용해서 예측값을 높이면 마케팅 효율성이 좋아지니까요. 데이터 드리븐 디지털 마케팅은 이렇게 이뤄집니다.
- 아날로그 감성이 풍성한 오토바이 제조 업체인 할리데이비슨 같은 전통적인 기업도 디지털 채널을 이용하기 위해서 노력 중입니다. 디지털 마케팅 플랫폼 앨버트를 도입해 CRM(고객 관계 관리) 타깃을 대상으로 메시지, 타이틀, 이미지 등을 변경해가면서 가장 반응이 좋은 마케팅 캠 페인을 찾아냈습니다. 그리고 수백만 개의 키워드와 수천 개의 유사 광고를 테스트하면서 고객별로 맞춤형 캠페인을 진행했습니다. 결국, 전체 물량의 40%를 디지털 채널을 통해서 판매하는 결과를 만들어냈습 니다. 한국에서 할리데이비슨의 대상 고객은 구매력이 강한 40대와 50 대입니다. 이들을 공략하기 위해서는 최적의 채널을 선택해야 했습니다. 한국에서 40~50대에게 적합한 채널은 네이버였습니다. 퍼포먼스 마케팅 담당자는 네이버 밴드를 통해서 동호회에 접근한 후 이벤트를 기획하고 최적의 메시지를 만들어서 입소문을 냈습니다.
- 프로덕트 오너는 스크럼으로 대변되는 애자일 문화가 종래의 PM과는 다른 업무 수행 방식이 있다는 것을 전파하기 위해 만든 단어입니다. 하지만 여전히 많은 테크 기업에서 PO와 PM을 혼용하고 있습니다. 프로덕트 오너는 우리에게 일반적으로 익숙한 프로젝트 매니저와는 완전히 다른 역량을 보유하고 있습니다. 프로덕트 오너는 프로젝트 매니저(제품 관리자), 제품 기획자와 구분해서 생각해야 합니다. 국내에서 PM 이라고 하면 대개 프로젝트 매니저를 지칭합니다. 제품 기획자는 제품의 기획 문서를 만들고 구현은 제품 관 리자에게 넘깁니다. 제품이 만들어지면 곧바로 종료되는 프로젝트란 거의 없고 이후로는 유지·보수 단계에 들어가게 됩니다. 이때 제품이 기획했던 대로 동작하지 않는다거나 사용자가 기획한 대로 사용하지 않는 경우가 생깁니다. 이처럼 제품의 유지와 보수만으로 해결이 안 되는 문제가 생기면 팀을 다시 꾸려서 문제를 해결해야 합니다. 그러나 다시 프로젝트를 구성해도 원래의 제품 기획자는 이미 다른 프로젝트에 투입된 경우가 많습니다. 고객의 피드백을 받아서 제품을 개선하는 일이 새로운 제품 기획자에게 맡겨지면 제품에 담겨야 할 철학과 고객에게 제공하고자 하는 가치가 바뀝니다. 이런 상황에서는 제품이 일관성을 유지하기가 어렵습니다.
제품 관리자는 본인의 임무를 수행하는 데 필요한 의사 결정을 내리고 세무적인 실행 사항은 사업 책임자에게 넘기는 경우가 많습니다. 의사 결정권자인 만큼 다수의 제품 관련 사항을 조율해야 하기 때문입니다. 제품의 세부사항을 잘 모르는 경우도 많습니다. 그래서 제품 간에 '카니발 이 발생하면 사업 책임자가 이를 전략적으로 조율해야 합니다. 제품 관리자는 본인이 맡은 제품이 잘 성장하도록 제품에 관련된 전략을 세우고 실행하며 점검합니다. 하지만 단독으로 결정할 수 없는 부분이 많으므로 때로는 의사 결정이 정체되기도 합니다. 이런 상황에서 기업의 실행 속도를 더 빠르게 하도록 제품과 관련된 의사 결정권과 책임을 더 강화한 역할을 프로덕트 오너, 즉 제품 소유자라고 부르곤 합니다. 이처럼 프로덕트 오너는 제품에 대한 의사 결정권을 넘겨받은 사람입니다. 더 빠른 의사 결정을 위해서 제품과 관련한 CEO의 권한이 위임돼 있다는 뉘앙스로 미니 CEO라 부르기도 합니다. 그런데도 실제 상황에서는 의사 결정을 못해서 병목 현상이 일어나는 경우도 많습니다. 프로덕트 오너가 프로젝트 매니저와 다른 점은 의사 결정 권한을 위임받았다는 것입니다. 권한 위임이 이뤄지지 않아 권한과 책임이 불균형을 이루고 있다면 무늬만 바뀐 호박이라고 할 수 있겠지만, 제대로 권한을 위임받은 상태라면 제품의 성장은 프로덕트 오너의 역량에 달려 있다고 할 수 있겠습니다. 프로덕트 오너의 중요 역량을 꼽자면 1 고객에 대한 이해, 2 제품에 대한 이해, 3 개발에 대한 이해, 이렇게 크게 세 가지 영역에서의 역량이 필요합니다.
- “스마트한 사람을 뽑아서 뭘 하라고 하다니요. 말이 안 됩니다. 우리는 똑똑한 인재를 뽑죠. 우리가 뭘 해야 하는지 알려주게 하려고요 (It doesn't make sense to hire smart people and tell them what to do; we hire smart people so they can tell us what to do).” (스티브잡스)

* CDO Chief Digital Officer
온오프라인(유무선이라고 말하기도 합니다) 디지털 제품과 서비스, 채널 전체를 도맡는 역할은 CDO에게 있는 것으로 여기는 경우가 많습니다. 디 지털 네이티브 기업은 별도의 CDO가 있는 것이 아니라 CEO가 CDO역할을 함께 수행합니다. 반면에 전통 기업은 디지털 제품의 비중이 아 직 작은 경우가 많으므로 CEO 외에 별도로 CDO가 존재하는 것이 무난합니다.
기존 전통 기업은 제품과 서비스에 관한 조직이 사업부로 나뉘어 있거나 이를 통합해서 관장하는 조직장이 있기 마련인데, 해당 조직에 디지털 제품 및 서비스를 함께 맡기는 것은 좋은 선택이 아닙니다. 디지털조직은 AARRR 등 새로운 관점을 가지고 사업을 바라보려고 하지만, 기존 조직은 매출에서 영업 이익 등 전통적인 잣대만을 고수하기 마련이기에 이 시각이 통합되거나 조율되지 못하는 어려운 상황이 자주 생깁니다.
이런 상황은 제품의 성격이 달라서 발생합니다. 무한 복제가 가능하고 원가 구성이 다른 디지털 제품은 제품의 성격상 싸다고 팔리는 것이 아니고 좋은 사용자 경험을 하게 해줘야 팔립니다. 반면에 전통적 아날로그 제품은 대개 가격을 낮추는 할인 행사를 진행하면 더 많이 팔립니다. 또 디지털 직군은 IT 직군이 아니라 사업 조직으로 사업에 이바지하 는 것을 선호하므로 디지털 조직의 입장에서는 고객과의 접점을 가진 것이 매우 중요합니다.
CDO가 존재하지 않는 경우에도 디지털 제품과 채널을 맡는 업무는 필요하므로 해당 역할을 사업보다는 기술에 무게를 신는 CTO에게 맡기거나 꼭 CPO라고 부르지는 않더라도 디지털 제품에 대해 같은 역할을 하는 임원에게 맡기는 경우가 많습니다.
* CPO Chief Product Officer
제품과 마케팅 채널을 모두 관장하는 업무는 대개 CEO의 업무입니다. 그래서 보통은 CPO라는 역할이 눈에 띄지 않습니다. 전통 기업에서는 기존 제품을 유지하면서 새롭게 디지털 제품을 만들어야 하는데 CEO 는 기존 제품에 익숙하고 디지털 제품에는 익숙하지 않으므로 해당 업 무를 CDO에게 맡기는 경향이 있습니다. CDO가 CIO와 업무를 나누는 경우에는 CPO의 역할이 경계가 모호해져서 CPO라 부르지 않고 별도의 임원에게 맡기는 경우가 있습니다. 역할은 분명하지만, 부르는 이름이 애매해서 조직마다 다른 이름으로 부르곤 합니다. 그러나 반드시존재해야 하는 역할입니다.
* CDMO Chief Data Management Officer(7||0|| CC/2THE Chief Data Monetization Officer), 또는 CDO Chief Data Officer
데이터 담당 임원입니다. CDO라고 하면 디지털 임원인 CDO Chief Digital Officer 와 혼동할 수 있으니 CDMO라고 부르기도 합니다. 그렇다.면 CDMO라는 새로운 역할을 수행하는 임원은 누구에게 보고하고 승인받을까요? 이에 따라 CDMO의 역할이 변하기도 하고 조직에서 데이터를 얼마나 잘 활용할 수 있게 되는지 여부도 달려 있습니다. CDMO가 CEO에게 보고하고 권한과 책임을 부여받는다면 가장 강력하게 디지털 트랜스포메이션을 추진할 수 있을 터이지만, 데이터 활용처가 많지 않은 초기부터 이렇게 진행하기는 어렵습니다. CEO에게 보고할 경우 CEO의 데이터 이해의 폭에 따라서 실행 속도가 달라질 것이고, 다른 부서의 견제도 만만치 않을 것입니다. 초기를 지나 확실한 성과를 내기 시작하면서부터 CEO에게 직접 보고하는 형태를 갖추는 것이 좋습니다.
한편으로 CDMO가 CDO, CIO, COO에게 보고하고 권한과 책임 을 부여받는다는 것은 상위 조직의 역할 일부를 나눠 받게 되는 것입니다. 각각 장단점이 있겠지만, 모든 역할을 다 나눠서 수행할 만큼 임원 진을 다양하게 구성하기는 어렵습니다. 디지털 네이티브 기업이 아니라 전통 기업의 경우 가장 효율적인 조직 구성은 CDO-CDMO의 라인업이 되겠지요.

- 매일 수백만 개의 영상이 틱톡에 업로드되지만, 그중 대부분은 일반 적인 조회 수만 받는다. 각 동영상 시청자의 규모는 시스템의 끊임없 이 변화하는 신비로운 알고리즘에 의해 결정되며, 이 시스템을 컨트롤 하는 데 있어 이러한 알고리즘이 어떻게 작동하는지 이해하는 것이 가장 중요하다. 틱톡에 동영상이 업로드되는 순간, 동영상 클립과 설명문은 자동 감 사를 거치기 위해 대기 리스트에 올려진다. 컴퓨터 비전은 클립 내의 요소를 분석하고 식별하는 데 사용되며, 그다음 키워드로 태그가 지 정 및 분류되고 플랫폼의 콘텐츠 지침을 위반한 것으로 의심되는 동영 상은 사람의 검토를 거쳐야 하기에 플래그가 지정된다. 모니터링 요원 은 중복된 콘텐츠가 있는지 대규모 데이터 저장소의 영상을 교차 확인 한다. 이 시스템은 표절을 방지하고, 인기 있는 영상을 다운받아 워터 마크 제거 후 그것들을 새로운 계정으로 다시 올리는 관행을 막기 위해 고안되었으며 이러한 중복으로 식별되는 동영상은 노출도가 크게 저하되기도 한다. 모든 심사 과정을 거친 후, 해당 영상은 수백 명의 활성 사용자들로 구성된 작은 풀에 공개된다. 수직 범주 내에서 영상의 인기도를 측정하기 위해 전체 조회 수, 좋아요 수, 댓글, 평균 재생 길이 및 공유와 같은 측정지표를 분석하며, 인기가 많은 콘텐츠는 다음 단계로 이동하 여 수천 명의 활성 사용자에게 노출된다. 다시 한 번 더 높은 수준의 측정지표를 통해 평가된 후, 그중 제일 높은 평가를 받은 영상만 더 많 은 시청자에게 노출되는 다음 단계로 진행될 것이다. 영상이 상위 계층으로 이동함에 따라 잠재적으로 수백만 명의 사용자에게 노출될 가능성이 있다.
- 하지만, 프로세스가 완전히 알고리즘에 의해 실행되는 것만은 아니다. 예를 들어, 100만 뷰에 이르는 영상이 담당자의 리뷰 과정을 통해 갑자기 삭제되는 사례도 존재하는 것처럼, 상위 레벨에서는 콘텐츠 조 정팀 담당자가 일련의 엄격한 지침에 따라 영상을 시청하고 플랫폼의 서비스 약관을 위반하지 않거나 저작권 문제가 없음을 확인하기도 한다. 틱톡과 같이 많은 유저가 활동하는 플랫폼에서는, 시스템의 허점 과 속임수를 찾으려고 애쓰는 나쁜 사람들 또한 늘 존재한다. 그들은 클릭 농장을 이용하여 계정을 면밀히 모니터링하고 새로운 영상의 인기를 판단하는 데 사용하는 측정지표를 인위적으로 과장하여 알고리즘이 유리하게 작용하도록 한다. 비양심적인 마케팅 담당자들은 한 바구니에 계란을 넣고 단 한 개의 계정에 대한 측정 기준을 높이기보다는, 수십 개의 심지어 수백 개의 유사한 계정을 운영함으로써 성공할 확률을 더욱 높이고 있다. 중 복 콘텐츠 모니터링 시스템을 피하기 위해 다양한 필터와 효과를 사용 하거나 긴 영상을 잘라 더 짧은 콘텐츠 섹션으로 편집하며, 플랫폼의 규정이 점점 더 엄격해짐에 따라 이에 대처해 속임수를 쓰기 위한 온갖 방법을 동원하고 있다. 그것은 마치 고양이와 쥐의 끝없는 게임과 같 아 플랫폼이 한 개의 구멍을 간신히 막아 낼 때마다 곧 또 다른 구멍이 발견될 것이다.
- 오늘날 바이트댄스는 널리 뻗어 나가는 거대한 기업이다. 다른 IT 대 기업과 마찬가지로 게임, 교육, 기업 생산성, 결제 등으로 구성된 수많은 온라인 서비스로 확장돼 가고 있다. 현재, 2020년 책 집필 당시 토우티아오(今日??ToutiaoToday), 더우인, 틱톡 총 3개의 플랫폼으로 해 당 서비스를 제공하고 있으며, 이 플랫폼들이야말로 바이트댄스가 빠 른 성장을 이루는 데 핵심 동력이라 할 수 있다.
이러한 비즈니스의 부상은 회사가 수억 명의 신규 사용자를 확보할 수 있었던 획기적인 주력 플랫폼에 의해 추진된 총 3단계의 뚜렷한 성 장 단계를 보여 준다. 각 단계에는 자체 개발 및 기존 앱의 기능이 포 함되어 있어 플랫폼 간의 범주를 광범위하게 다양화했으며, 단계마다 이전 단계에서 개발된 제품 및 기술을 기반으로 구축되어 있다. 틱톡의 성공은 중국 자매 앱인 더우인의 기술과 경험, 판촉 극본을 복제하는 데 있었고, 더우인의 성공은 중국 유명 뉴스 집계 앱인 토우티아오 를 통해 개발한 추천 엔진과 운영 전문성, 현금 보유량에 달렸었다. 마지막으로 중요한 것은 토우티아오의 성공이다. 결국, 이 모든 성공은 회사의 설립자인 장이밍(一喝 Zhang Yiming)의 통찰과 결정력으로 거슬 러 올라가야 한다. 2011년, 노련한 사업가 장이밍은 스마트폰이 인간이 정보를 수신하 고 상호작용하는 방법을 크게 변화시키리라는 것을 예견했다. 비록 그 당시에는 아무도 이를 예견할 수 없었지만, 이 생각의 씨앗은 회사의 창립에 심어져 결국 틱톡의 글로벌 성공을 통해 열매를 맺었다. 스티 브 잡스의 말을 인용하자면, “앞을 내다보는 점들은 연결할 수 없지만, 거꾸로 볼 때만 연결할 수 있다”. 
- “우선 엔터테인먼트를 통해 시장을 개척하기로 결정했습니다.” 앞서 99Fang.com에서 이밍과 함께 일했던 바이트댄스의 초기 모바일 앱 개 발자인 황허(黃河 Huang He)는 “오락은 진정한 수요”라 말했다.
바이트댄스가 공식적인 사업체로 등록하기도 전에, 초기 팀은 “구피 픽쳐 4라는 이름의 첫 번째 앱을 출시했고, 이 앱은 밈과 웃긴 중독성 있는 사진을 끊임없이 만들어 제공했다.
“네이한 딴즈"45 라는 두 번째 앱 또한 인터넷 밈에 초점을 맞추어 앞 의 앱과 비슷한 위치에서 빠르게 흐름을 이어 갔다. 네이한 딴즈는 즉 각적인 히트를 쳤고, 몇 달 만에 수백만 명의 사용자를 사로잡았다. 유 사한 두 앱 간의 성공의 차이는 더 나은 이름과 데이터 절약 최적화에 있었다. 전반적으로, 이 신생 기업은 2012년 상반기에 수십 개 이상의 테스트용 앱을 출시하며 다양한 주제와 방향을 실험했다.
- 최적화된 이름을 구상하기 위해, 연구팀은 중국의 트위터인 웨이보 (微博 Weibo)의 상위권 계정들을 조사했고, 가장 많이 사용되는 제목은 직설적인 언어로 표현한 중국어 이름이라는 것을 발견했다. 이에 따 라, 초기 테스트용 앱들 또한 “아름다운 사진”, “오늘 저녁 꼭 봐야 할 영상”, “진정한 미녀 - 매일 100명의 아름다운 소녀들”과 같이 특이하 지 않고 오히려 평범하고 간단한 설명 제목으로 앱의 용도를 즉시 이해 할 수 있는 이름을 사용하였다. 
앞서 99Fang.com에서 5개의 부동산 앱을 만들어 다양한 포지셔닝을 테스트했던 이밍 사단은 이러한 전략 및 결과를 바이트댄스에서 더 다양한 테스트를 통해 발전시켰다. 새로운 아이디어는 신속하게 앱으로 출시하여 여러 기능을 테스트한 후 시장에서 어떤 것이 더 가치 있는지 를 확인하는 것은 바이트댄스만의 전략이 되었다.
- 바이트댄스는 중국 인터넷 산업의 빅3라 불리는 바이두, 알리바바, 텐센트(통칭 BAT라 불린다)의 영향을 받는 운명을 피할 수 있었다. 사실, 중국 인터넷 업계에서는 일정 규모에 도달하게 되면 BAT의 투자를 받거나 거대 기업에 편승한 경쟁사에 의해 무너질 위험을 감수해야 한다는 의견이 대부분이었다. 특히 알리바바와 텐센트는 방대한 양의 트래 픽과 사용자 데이터를 가지고 있으며 강력하고 광범위한 인터넷 서비 스 생태계를 구축하고 있다. 이러한 이유로 대부분의 스타트업들은 빅 3 회사의 포트폴리오를 이용해 기업 투자자의 대리인이 되는 길을 택 한다. 바이트댄스는 중국 인터넷 기업 중 빅3을 제외한 유일하게 덩치 가 큰 회사이다. 텐센트가 바이트댄스에 투자한다는 소문이 돌자 한 직원은 “텐센트 직원이 되기 위해 바이트댄스에 가입한 게 아니다.”고 이밍에게 투덜거렸고 “나도 아니다.”는 이밍의 퉁명스러운 대답을 들 을 수 있었다. 63 바이트댄스가 투자를 받아들인 대기업 중 하나는 투자 시리즈 C라운드에 합류한 웨이보였다. 웨이보는 앞서 말한 이밍의 전 직장인 판푸 를 꺾고 “중국판 트위터” 왕관을 차지했고, 이는 곧 그들이 바이트댄스 에 방대한 양의 데이터를 제공할 수 있다는 것을 의미했다. 웨이보는 다양한 앱이 상호 작용할 수 있는 중개자 역할을 하는 API64를 열어 토 우티아오가 웨이보 사용자의 데이터와 댓글과 같은 활동에 접근할 수 있도록 했다.
만약 사용자가 시나 웨이보 계정으로 토우티아오에 로그인했다면, 바이트댄스는 몇 초 안에 그들의 웨이보 관심사와 에세이 선호도를 분 석하고 그 결과를 사용하여 개인화 추천을 진행할 것이다. 바이트댄스 가 경쟁자라는 사실을 뒤늦게 깨달은 웨이보는 결국 경쟁사의 데이터 접근을 차단하고 바이트댄스 주식을 매각해 버렸다.
- 이 글을 읽고 있는 여러분들은 어떻게 중국 인터넷 대기업 중 하나인 웨이보가 바이트댄스가 그들의 경쟁자였다는 사실을 깨닫지 못했을 수 있는지 물어볼지도 모른다. 대답은 벤처 캐피털에서 가장 뛰어난 인재 들 중 누구도 바이트댄스를 진지하게 받아들이지 않았다는 것과 같은 이유이다.
토우티아오는 뉴스 제공 웹사이트로 정의되었다. 이러한 이유로, 대 부분의 IT기업 및 투자자들이 우려하는 “레드오션”으로 분류되는 “모 바일 뉴스 앱” 범주 내에서만 경쟁하는 것으로 좁게 인식되었다. | “파트너들과 논의하며 느낀 점은, 이 분야는 경쟁이 너무 치열하다 는 것이었습니다. 바이트댄스와 같은 스타트업에게 주어지는 기회는 거의 없다고 봐야 합니다.”라고 세쿼이아의 닐이65 설명했다. 이미 알 아주는 대기업과 손을 잡아 충성도 높은 사용자들을 지휘하거나 BAT 중 하나에게 지원을 받는 부당한 이득을 누리는 등, 기술이 아닌 다른 비즈니스 요인이 승자의 관건이 되어 버렸다. 그러나 문제를 제기하는 것은 중국 투자자들만이 아니었다. 이미 기술의 한계에 대해 세계적으 로 광범위한 회의론이 퍼지고 있었다. “뉴스 집계는 사실상 매우 어려운 일입니다, 성공한 기업 조차도 어 떤 뉴스/콘텐츠가 사용자를 이끌지 판단하는 데 있어 인간의 두뇌만큼 훌륭한 알고리즘은 없다는 사실과 씨름해야 합니다.86 미국의 유명 기 술 블로그 테크크런치(TechCrunch)에서 미국 스타트업 프리즘(Prismatic)의 가능성에 대해 매우 부정적인 기사를 쓴 것이 여론의 시작이었다. 당 시 프리즘(Prismatic)은 토우티아오와 비슷한 위치였고, 지금 돌이켜 보면 이러한 관점은 매우 구시대적으로 보인다.
- 2011년, 구글이 유튜브에 "Sibyl75이라는 새로운 머신 러닝 시스템을 구현하면서 돌파구가 마련되었고 그 효과는 대단했다. 유튜브 엔지니어들은 새로운 시스템 도입으로 인해 사이트 조회수가 마치 로켓 우주 선 부스터를 단 듯 폭풍 증가했음을 발견했다. 곧 더 많은 사람들이 검 색이나 입소문을 통해 영상을 시청하기보다 “추천 동영상 목록에서 시청할 동영상을 고르고 있었다.
구글은 추천 시스템을 계속 업데이트하며 시스템을 최적화한 후, 스 탠포드대학(Stanford University) 교수 앤드류(Andrew Ng)가 이끄는 유명 문샷 연구소 그룹, 구글 X가 개발한 구글 브레인(Google Brain)으로 전환했 다. 그리고 구글 브레인의 딥 러닝은 획기적이고도 새롭게 발전해 나갔다. “Sibyl”의 영향은 이미 인상적이었지만, 구글 브레인 결과는 놀 라웠다. 2014년부터 2017년까지 3년 동안 유튜브 홈페이지에서 동영상 시청에 소요된 총 시간은 20배나 증가했으며, 이 중 유튜브의 “추천 시 스템”을 통해 소요한 시간이 70%76 이상을 차지했다. 소셜 미디어 전 반에 걸쳐 유튜브의 추천 비디오가 나의 흥미를 끌 만한 영상을 추측하 는 데 있어 섬뜩할 만큼 정확하다는 인식 또한 증가했다.
“딥 러닝”으로 알려진 획기적인 돌파구를 포함하여 AI 분야의 급속한 발전은 이러한 콘텐츠 유통 방법이 급속히 발전할 것임을 의미했고, 바이트댄스와 같은 회사 입장에서는 이러한 새 시대의 발전이 보다 더 좋을 수 없었을 것이다. 그들은 알고리즘 추천의 효율성과 정확도가 도약과 경계 사이에서 앞으로 발전해 나갈 새로운 시대의 초입에 서 있었다. 유튜브가 가장 먼저 혜택을 받은 것처럼 보이지만 사실 이러한 발전은 아마존의 제품 추천에서부터 틱톡 동영상에 이르기까지 모든 종류의 온라인을 발전시킬 것이다.
- 중국의 많은 업계 베테랑들은 개인화된 추천이 모바일 경험을 향상시킬 수 있는 큰 잠재력을 가지고 있음을 인식했다. 그러나 이밍은 기회를 감지했을 뿐만 아니라 단호하게 행동했기 때문에 그 누구보다 앞설 수 있었다. 결국 바이트댄스의 성공을 이끈 가장 중요한 요인은 그 결정의 타이밍에 올인" 하기로 약속한 이밍의 초기 비전의 명확성이었다. 이에 따라 바이트댄스는 스마트폰의 부상과 AI의 부상이라는 한 시대가 아니라 두 시대를 규정하는 트렌드 섹터로 자리매김할 수 있었다.
- 추천은 가장 최근에 완성된 서비스이다. 추천이 완전히 수용된다면 채널을 적극적으로 구독하거나 친구 추가 혹은 '좋아요' 버튼 없이도 놀라운 접근성을 보여 줄 것이다. 좋은 추천은 높은 기술 요건을 동반하는데, 검색창에 입력하는 내용에 따라 명확한 옵션을 제공하는 검색 엔진과 달리 권고에는 명확한 의사 표시가 없다. 오직 사용자의 이전 행동에 따라 사용자의 선호도를 추론해야 하기 때문이다.
온라인 콘텐츠 추천의 초기 개척자는 2001년에 설립된 스템블어펀 (StrumbleUpon)83 으로, 추천을 기반으로 하는 브라우저 툴바 확장 프로그 램이다. 넷플릭스도 2009년 추천 시스템의 정확도를 10% 높인 알고리 즘으로 100만 달러의 상금을 수여하기도 했다. 온라인 추천의 중요성은 “이 제품을 구입한 고객의 다른 제품 목록...”84과 같은 메시지를 통 해 전자 상거래에서도 분명해지기 시작했다.
전반적으로 추천 시스템은 “콘텐츠 기반 필터링”과 “보편적 필터링” 이라는 두 가지 주요 프로세스에 의존한다. 이 두 개념은 비교적 이해 하기도 쉬운 프로세스에 속한다. “콘텐츠 기반 필터링 시스템은 사용 자가 이미 소비하고 싶어 하는 콘텐츠와 유사한 콘텐츠를 사용자에게 추천하는 것인데, 예를 들어 강아지가 나오는 영상을 보는 것을 즐기 고 “강아지 애호가” 라는 태그가 달려 있는 사용자에게 시스템은 더 다양한 강아지 영상을 추천할 것이다.
이에 반해, “보편적 필터링”은 유사한 콘텐츠를 즐기는 사용자 그룹 을 찾는 데 중점을 둔다. 자, 지금 제인과 트레시의 이해관계가 매우 밀접하게 관련되어 있다고 가정해 보자. 만약 제인이 관심 비디오를 끝까지 여러 번 시청한다면, 시스템은 트레시에게도 그 비디오를 추천할 것이다.
- 바이트댄스를 시작하기 전부터 이미 이밍은 다양한 콘텐츠 유통 방법에 대해 깊은 실무 경험을 쌓았다. 여행 검색 엔진 쿠쉰(2006~2008)과 트위터와 유사한 소셜 플랫폼 판푸(2008~2009) 그리고 검색엔진과 추천 기능을 모두 응용한 부동산 포털 99Fang까지, 그는 한 인터뷰에서 자신이 가진 깊이 있고 폭넓은 전문지식을 인정했다.
“정보의 효율적인 흐름은 제가 사업에서 가장 중요하게 생각하는 주제입니다. 전 정보 전달은 인간 사회의 이익, 협력, 인식에 큰 영 향을 미친다고 생각하며, 특히 다양한 정보에 관심이 많습니다. 검색 엔진의 키워드든, 사람을 통해 전달되는 소셜 네트워크 사이트는, 관심사를 세분화하여 사용하는 추천 엔진이든 그 모두 정보 기반 말입니다.”
- 바이트댄스가 설립 직후 사용한 인터넷 정보 배포 프레임 워크 “추천” 기능은 사실 다른 글로벌 기업인 페이스북이 이미 사용하고 있었던 방법이었다.
2013년, 마크 저커버그는 페이스북 뉴스 피드에 중대한 변화를 예고 하며 “세계 모든 사람들에게 세계 최고의 개인 맞춤형 신문을 선물하고 싶다.”89 라고 말한 바 있다. 미국의 IT 대기업은 머신러닝을 사용하는 것이 경쟁력을 유지하는 핵심이라고 생각했다.
페이스북 뉴스 피드는 이미 친구와 가족, 뉴스 미디어, 광고, 브랜드 등의 콘텐츠를 최적화하여 추천하는 정교한 기술을 적용하고 있었으며 인스타그램은 2014년도부터 인기 탭인 “탐색” 탭을 각 사용자에 맞게 정확하게 맞춤화된 콘텐츠를 표시하도록 조정했다. 유튜브 또한 2011 년부터 참여율을 높이기 위한 가장 효과적인 전략으로 추천 동영상을 최적화하는 데 집중하기 시작했다.
- 2018년 1월 바이트댄스는 베이징에서 공개회의를 열어 그들의 알고리즘 작동 방식을 공개했다. 95 이번 회의의 목표는 음란물 유포에 대한 국영 언론과 인터넷 감시자들의 구체적인 비판을 잠재우는 데 있었다. 행사에는 회사의 수석 알고리즘 설계자 카오(Cao Huanhuan)가 나와 바이트댄스의 추천 시스템 원칙을 자세히 다루었다. 그의 발표 내용은 아래와 같다.  바이트댄스의 시스템은 콘텐츠 프로필, 사용자 프로필과 환경 프로필, 이 세 가지 프로필을 중심으로 한다. 카오는 리버풀과 맨체스터 유 나이티드의 잉글랜드 프리미어리그 축구 경기에 관한 뉴스 기사를 예로 들어 콘텐츠 프로필을 설명했다. 기사는 자연어 처리를 이용해 키 워드를 추출하며 '리버풀 풋볼 클럽', '맨체스터 유나이티드 풋볼 클럽', 영국 프리미어 리그' 및 게임의 주요 선수 다비드 데 헤아(David de Gea)' 같은 이름도 추출하게 된다.
그런 다음 키워드의 관련성을 계산하게 되는데 “맨체스터 유나이티 드 풋볼 클럽”은 0.9835, “다비드 데 헤아”는 0.9973으로 예상대로 매 우 높았다. 또한 콘텐츠 프로필에는 기사가 게시된 시기도 포함되어 있어, 시스템에서 기사가 작성된 시간을 계산하고 오래된 기사는 추천 을 중지할 수도 있다.
사용자 프로필은 사용자의 인터넷 사용 기록, 검색 기록, 사용 중인 기계 유형, 기계 위치, 연령, 성별 및 행동 특성을 포함한 다양한 소 스로부터 구축된다. 사용자는 소셜 데이터와 사용자 행동 특성에 따라 수만 개의 위도로 나뉘어 서로 다른 프로필을 구축했다.
- 플랫폼에서 추천하는 게시물을 읽을 때, 사실 그 플랫폼은 우리가 무 엇을 읽기로 선택하는지, 무엇을 무시할지, 어떤 내용에 얼마나 시간을 투자하는지, 어떤 기사에 댓글을 달지, 어떤 이야기를 공유할지 등 사용자 행동을 추적함으로써 사용자들의 선호도를 학습한다. 마지막으로, 환경 프로필은 다양한 상황에 따라 사람들의 선호도가 다 르기에 사용자의 직장, 가정 또는 출퇴근 중의 지하철 등 위치를 기반으 로 한다. 다른 특성으로는 날씨와 심지어 사용자의 네트워크 연결 안정 성, 사용자의 네트워크 환경(예: Wi-Fi 또는 China Mobile 4G)이 있다. 시스템은 읽은 기사 비율과 그 소요 시간의 백분율을 최적화하는 콘텐츠 프로필, 사용자 프로필 및 환경 프로필 간의 가장 정확한 통계를 계산한다.
콘텐츠 유통 작업 과정에는 품질과 잠재적인 독자층을 바탕으로 새로 게시된 각 스토리에 “추천 가치값”할당 및 계산하는 작업이 포함된다. 값이 높을수록 해당 기사는 더 적합한 사람들에게 전달될 것이며, 사용자가 스토리와 상호작용하며 스토리의 추천값이 변경된다. 좋아요, 댓글, 공유와 같은 긍정적인 상호작용은 추천 가치를 증가시키고, 싫어요. 짧은 가독시간과 같은 부정적인 행동은 그 가치를 낮추는 데, 콘텐츠의 작성 시간에 따라 값도 변경된다. 스포츠나 주가와 같은 빠른 뉴스 주기 카테고리의 경우 하루나 이틀 정도면 가치가 크게 하락하는 방면, 라이프스타일이나 요리와 같은 꾸준한 범주의 경우, 그 과정은 더 느릴 수 있다.
- 토우티아오 설립 초기 당시, 바이트댄스는 사전 설치를 통해 수천만 명의 사용자를 확보할 수 있었다. 이로 인해 회사의 핵심 사용자들은 저가의 안드로이드 기기를 사용하는 사람들이었고, 그중 상당수는 이미 토우티아오가 사전에 설치된 스마트폰을 구입했다. 그리고 시간이 지나면서, 이 핵심 그룹의 콘텐츠 선호도는 회사를 향한 대중의 인식 에 큰 영향을 주기 시작했다.
사실, 해당 앱은 사람들에게 무의미하고 교양 없는 쓰레기를 제공한다는 평판을 얻었다. “저흰 사람들의 요구 중 96%는 저속한 것이라는 사실을 직시해야 합니다.”
수석 UI 디자이너이자 바이트댄스의 22번째 직원이었던 가오(高寒 Gao Han)의 설명이다. 하지만 그는 앱의 평판이 예상외로 좋다는 것을 확인하며 이렇게 말했다. “토우티아오는 당연히 쓰레기일 수 있죠. 클릭 한 번이면 모든 종류 의 지저분한 뉴스들이 쏟아져 나오니까요. 맞아요, 인정하겠습니다.”
모든 사람들은 정크 푸드가 몸에 나쁘다는 것을 알지만, 사람들은 여 전히 정크 푸드를 즐겨 먹는 것처럼 바이트댄스는 저속한 내용을 적극 적으로 밀고 나가는 것을 강력히 부인했지만, 105 사람들이 원하는 것을 제공해 주는 사업은 부정할 수 없었다. 마침 그들은 중국 대중들이 매 일 기름진 빅치즈버거와 같은 자극적인 제목의 뉴스, 유명인사의 스캔 들, 예쁜 여성들의 사진 등을 원한다는 것을 알았다. “중국 전체가 사 회 엘리트들로 구성되어 있다고 생각하십니까? 대학 교육률은 4%에 불과합니다.”라고 가오는 덧붙였다.
- “초기에 성장을 추구할 때는 브러시가 되는 것이 좋습니다. 구체적인 요구를 뛰어나게 해결할 수 있는 브러시 말이죠. 하지만 나중에는 캔 버스가 되는 것이 좋습니다. 그 어떤 일도 일어날 수 있는, 빈 캔버스 말이죠.”
이것이 알렉스가 뮤지컬리의 발전을 어떻게 구상했는지를 설명할 때 든 비유였다. 뮤지컬리는 립싱크를 통해 인기를 얻었고 초기 프로덕트-마킷 핏(PMF)을 찾을 수 있었다. 이 플랫폼은 모바일 콘텐츠 창작 의 장벽을 낮춰 잠재적으로 모든 사람들이 연예인이 될 수 있도록 했다. 초기 가치 명제는 간단했다. 이 앱은 사람들이 Lip-Sync Battle을 보고 자신만의 짧은 립싱크 동영상을 만들 수 있도록 도와주는 도구였다. 대부분의 사람들은 새로 만든 영상을 인스타그램과 같은 다른 플랫폼에 게시하기를 원했다.
이러한 초기 사용자 보존 전략은 뮤지컬리가 창시한 것은 아니었다. 유튜브는 사람들이 웹 페이지에 무료로 동영상을 넣을 수 있는, 당시 로서는 혁신적인 개념인 동영상 호스팅 도구로 시작했다. 인스타그램 은 초기에 “킬러 기능인 필터를 통해 사람들이 손쉽게 사진을 전문적 으로 보이게 수정할 수 있는 도구를 제공하며 인기를 끌었다. 뮤지컬 리는 유틸리티 도구에서 출발했기 때문에 첫걸음을 성공적으로 내딛을 수 있었고, 이 초기의 인기를 사용해 더 크고 다양한 기능을 가진 앱으로 성장할 기회를 얻을 수 있었다.
- 자신들의 도구를 사용해 콘텐츠와 크리에이터들의 수가 임계점을 넘긴다면, 수동적인 엔터테인먼트에 대한 사람들의 욕구를 충족하며 콘텐츠 플랫폼으로 성장할 수 있다. 일종의 모바일용 TV처럼 말이다. 또한 사용자들의 수가 임계점을 넘긴다면, 사용자들 간의 교류를 촉진하여 소셜 플랫폼으로 진화할 수도 있는데, 이를 위해서는 사람들의 인연과 지위에 대한 욕구를 해소해 줄 필요가 있다. 콘텐츠는 사람들 사이의 상호작용의 시작점이자 지위 상승의 시작점이기도 하기 때문에 이 두 가지 욕구는 상호 보완적이다.
반대로, 앱을 통해 만들어진 인간관계는 사용자들을 다시 불러들여 더 많은 콘텐츠를 소비하게끔 한다. 하지만 많은 플랫폼들에서는 이 두 가지 목표를 균등하게 잘 달성하는 것이 어렵다. 예를 들자면, 유 튜브는 지식과 엔터테인먼트의 보고의 역할은 뛰어나게 수행했지만 사 용자들 간에 관계를 형성시키는 기능은 약했다. 
- 운영팀은 카메라 효과, 실시간 스트리밍 도구, “BFF" (Best Fan Forever)Q&A옵션 등 사용자들과 인플루언서들을 연결해 주는 소셜 기능들을 만들기 위해 많은 노력을 들였고, 이들은 모두 큰 인기를 끌었다. 청소년들은 공유하고, 챌린지에 참여하고, 서로와 상호작용하는 것을 좋아했다. 이로 인해 플랫폼의 창립자들은 플랫폼의 향후 방향이 당시 중국의 대표적인 짧은 동영상 앱인 콰이쇼우와 같은 동영상 기반의 소셜 네트워크라고 믿게 되었다. 하지만 나중에서야 뮤지컬리는 자신들의 제품을 잘못 이해했다는 것을 깨달을 수 있었다. 성장의 비법은 더 많은 기능이나 카메라 효과를 추가하는 것이 아니었다. 가장 변화가 필요했던 것은 바로 백엔드 아 키텍쳐였다. 뮤지컬리 상해 부서의 제품 전략에서 일하는 미국인인 제임스 베랄디(James Veraldi)는 “우리는 사용자 인터뷰와 심층적인 데이터 분석을 통해 뮤지컬리는 소셜 네트워크가 아니라 콘텐츠 플랫폼이라는 것을 발견했다.”고 밝혔다. 뮤지컬리는 수년 동안 스스로를 차세대 인 스타그램이라고 생각했지만, 사실은 차세대 유튜브에 더 가까웠던 것이다.
뮤지컬리는 이미 활발한 얼리어댑터인 청소년층을 넘어 최대 잠재력 까지 성장하기 위해서는 수동적인 엔터테인먼트의 가치에 더욱 기댈 필요가 있었다. 뮤지컬리가 추가적으로 확장하기 위해서는 세 가지 과 제를 넘어야 했다. 바로 포지셔닝, 콘텐츠 다양화, 그리고 기술이다. 
- 더우인의 성공은 알고리즘의 추천 엔진에 크게 의존했으며 이로 인해 사회적 관계의 필요성이 없어졌다. 그 반대로, 웨이시의 소셜 그래프가 이러한 사항을 개선할 수 있는 가능성을 가지고 있었지만, 한편으로는 가족, 지인, 또는 동료들을 계정에 추가하는 것은 사용자의 자유를 억제할 수 있었기 때문에 부정적인 측면도 함께 가져왔다. 사용자들은 누구를 팔로우하고 무엇을 업로드하는 데 있어 편안함을 느끼 고 싶어 한다. 따라서 어느 정도의 익명성을 보장하고 일상적으로 연락하는 사람들과의 분리가 필요한 상황에서 콘텐츠는 충분히 유기적이고 친화적이어야 한다. 이는 사용자의 소속감과 참여감을 동시에 느끼게 한다.
- 이밍은 바이트댄스를 한 단계 발전시키기 위해 간단한 전략을 사용했는데, 그것은 최고의 인재를 고용하여 조직에 전문적인 지식을 주입하는 것이었다. 이밍은 회사 초기 추천 엔진을 개선하기 위해 바이두에서 최고 수준의 전문가들을 끊임없이 고용했고, 이후 본격적으로 수익을 창출하기 위해 전통 미디어 광고의 떠오르는 스타 중 한 명인 장이동을 스카우트했다. 플립그램은 인도의 뉴스 정보 웹사이트인 데 일리헌트(Dailyhunt) 및 인도네시아의 베이브(BABE) 등의 다른 초기 회사 들과 마찬가지로 이밍이 중요한 현지 비즈니스 노하우 및 전문 지식을 이용할 수 있도록 지원했다. 이처럼 바이트댄스는 경험이 풍부한 로컬 창업자들의 조언을 받으며 현지 시장 상황을 빠르게 이해할 수 있었다.
- 중국의 로컬 인터넷은 현지 입맛에 맞춘 고유의 특성225이 너무 많아 | 인기 있는 중국 앱조차 별도의 “국제 버전”을 만드는 것이 일반적이다. 더우인도 다르지 않았다. 무엇을 바꿀지 결정할 때, 첫 번째 나온 의견 중 하나는 이름을 바꾸되 독특한 비주얼 아이덴티티와 로고를 유지하 는 것이었다.
“틱톡의 똑딱거리는 시계 소리는 영상 플랫폼의 짧은 특성을 암시합니다.
새로운 글로벌 버전 이름의 공식적인 설명이었다. 틱톡은 각국의 주 요 언어로도 발음하기 쉬우며 오디오의 중요성을 암시하고 숏폼비디오 의 특징을 나타내 사용자들의 관심을 끌었다. 뮤지컬리와는 달리, 텍 톡이란 이름은 음악, 립싱크, 춤과는 직접적인 관련이 없었다. 초기 몇 달 동안 틱톡은 tiktok.com 도메인을 구매하기 전에 '어썸. 미를 태그 라인으로 사용하고 에이미의 웹 사이트 amemv.com을 사용했다. 나중에는 매 순간순간을 의미 있게'라는 슬로건도 추가되었다. 이는 서양 시장의 콘텐츠 제작자들을 향한 메시지로, 다시 한 번 숏폼 플랫폼만의 짧은 특성을 강화한 것이었다.
중국의 인터넷 회사들은 글로벌 진출을 고려할 때 가장 먼저 그들의 뒷마당이라 할 수 있는, 전 세계의 인구 절반 이상이 사는 아시아를 타기팅한다. 그 이유로는, 다른 아시아 국가들도 중국처럼 1990년대와 2000년대의 웹 1.0 및 2.0의 데스크톱 인터넷 시대를 건너뛰고 모바일 을 바로 사용하게 된 사용자들이 대부분이라는 유사성을 공유하고 있 기 때문이다. 대체로 아시아 국가들은 소셜 미디어 활용이 활발하고 온라인 엔터테인먼트에 대한 수요가 강했기 때문에 이는 틱톡의 확장을 위한 좋은 징조였다.
- 2012년 이밍은 모바일 뉴스 피드를 통해 콘텐츠를 통합할 수 있는 기회를 얻었고 개인 맞춤 설정 기능을 사용했다. 바이트댄스는 한 아파트에서 단 30명의 직원으로 시작한 회사였다. 당시 중국에서 두 번째로 가치 있던 인터넷 회사, 거대 검색업체인 바이두가 바이트댄스의 꿈을 이루기에 훨씬 적합했고 그들은 높은 기술 요건을 갖춘 서비스를 제공했지만 바이두의 리더십은 기회의 중요성을 인식하지 못했다.
마찬가지로 2017년에 텐센트는 바이트댄스와 숏폼비디오로 직접 경 쟁하는 것을 포기했다. 그들은텐센트의 자체 숏폼비디오 서비스 웨이 시를 종료하고 당시 시장 선두였던 콰이쇼우의 소수 지분을 인수하는 것을 선택했다. 더우인의 사용이 폭발적으로 증가하자 텐센트는 경쟁분야에 재진입하기 위해 허둥댔지만, 결국 더우인을 따라잡기엔 너무 늦었음을 깨달았다.
페이스북은 이 패턴을 그대로 따라가고 있었다. 그들의 실수는 텐센 트가 거쳤던 것과 일치했다. 페이스북은 일찍이 뮤지컬리의 가능성을 확인하였고 어느 시점에서는 앱의 인수를 진지하게 고려했었다. 하지 만 아이러니하기도 틱톡을 심각하게 과소평가했다.
순식간에 중국 산업 전체를 깜짝 놀라게 한 더우인의 부상에 텐센트 는 용서받을 수 있었지만, 페이스북에게는 그런 변명이 통하지 않았 다. 페이스북은 이미 중국에서 무슨 일이 일어났는지 정확히 알고 있 었기 때문이다. 바이트댄스는 비정상적으로 큰 비용을 페이스북 광고에 지출함으로써 국제 버전의 사용자를 확보하고, 서양 시장에서의 뮤지컬리의 성공을 훨씬 능가할 수 있었다. 페이스북의 자만심이는 '캠브릿지 애널리티카(Cambridge Analytica, 페이스북의 개인 데이터 수백만 건을 유출한 영국 정치 컨설팅 회사)'의 스캔들 여파든, 그들은 바이트댄스의 움 직임에 반응할 기회가 있었지만 여전히 그 기회를 놓치고 있었다.
페이스북의 틱톡 복제 시도는 텐센트가 중국에서 더우인을 모방하 려는 노력에 비해 소심했다. 텐센트는 재빨리 수억 달러 규모의 보조 금을 수백 명의 영상 크리에이터들에게 지원하며 팀을 동원했고, 기존 가족 제품군 전체에 걸쳐 대규모 프로모션을 진행했다. 그에 비해 페이스북은 보수적으로 몇몇 선택된 개발도상국들만을 상대로 테스트했고 크게 움직이는 것을 자제했다.
중국에서 텐센트는 더우인이 그들의 몇몇 핵심 사업 라인에 끼지는 심각한 위협을 깨닫고 즉각 텐센트 서비스에서의 모든 바이트댄스 광고를 중단하는 조치를 취했다. 대조적으로 페이스북과 구글은 틱톡이 이제 그들의 라이벌임에도 불구하고 중국 회사가 광고하는 것을 계속 허용했다. 그것은 플랫폼 전반에 걸쳐 큰 비용을 들여 사용자를 틱톡으로 데려올 수 있는 역할을 했다.
- 틱톡이 낮은 장벽과 전통적인 소셜 플랫폼을 따르지 않은 탓에 많은 사람들은 틱톡의 진정한 “해자”가 무엇인지를 궁금해했다. 도대체 무엇 때문에 부유한 경쟁 자들이 틱톡의 시장 점유율을 침식하는 것을 막고 있었을까? 알고 보니 틱톡과 경쟁하는 미국 기업들은 더우인과 경쟁하던 중국기업이 부딪혔던 장벽에 똑같이 부딪히고 있었다. 기본적인 틱톡 복제품을 구축하여 시장점유율을 얻기는 쉬웠다. 하지만 더 나아가, 좋은 버전의 틱톡을 만들기란 매우 어려웠다.
- 가장 큰 인터넷 회사들만이 틱톡이 가지고 있는 자동 영상 분류 시스템과 콘텐츠 추천 시스템을 구현할 수 있는 자원을 가지고 있었다. 이 기술은 롱테일 개념의 콘텐츠를 사용자와 매칭하게 해 기존 콘텐츠의 장점을 더욱 증폭시켰고, 사용자들이 틱톡에서 더 많은 시간을 보 낼수록 회사의 사용자 프로필 관심 그래프는 더 상세해졌다. 간단히 말해, 틱톡을 더 많이 사용할수록 더 개인화되었으며 결국 다른 경쟁 자들이 따라잡을 수 없이 데이터는 풍부해져만 갔고, 경쟁자들은 뒤처졌다. 경쟁사들이 틱톡과 경쟁하기 위해서는 영상의 분류와 태경을 자동화하기 위한 정교한 컴퓨터 비전을 사용해야 했다. 틱톡이 참신하고 창 의적인 증강현실 영상 필터도 지속해서 출시하고 있었기 때문이다.
틱톡이란 브랜드는 이미 음악 위주의 숏폼비디오와 동의어가 돼 있 었다. 이 브랜드의 이미지는 틱톡의 이름만큼이나 강력했다. 틱톡이 란 브랜드가 일반 대중들 사이에서 중요한 지위에 도달하자, 그 이름은 공용어로 쓰이기 시작했다. “우리 틱톡 하자!”라고 말하는 데는 부 연 설명이 필요 없었다.
틱톡의 사용자 수가 증가할수록 틱톡은 더 많은 화제를 불러일으켰다. 사람들은 항상 달라지려고 노력하지만, 대부분의 사람은 대중을 따르게 마련이다.

- 데이비드 래퍼 IBM 아태 중국 사회공헌 총괄은 다음과 같이 말했다. 
"인공지능과 빅데이터가 모든 것을 지배하는 세상에서 블루칼라와 화이트 칼라의 역할은 갈수록 미미해지고 있다. 뉴칼라 New Collar는 새로운 것을 창조하고 연구·개발하는 능력이 뛰어난 계급인데 이들이 미래 세상을 이끌어 갈 것이다.” 
“학위가 있는지 없는지는 전혀 중요한 문제가 아니다. 얼마 나 과학, 기술, 엔지니어링, 수학 분야를 친숙하게 느끼며 일하는지, 그리고 세상의 변화에 얼마만큼 적응하는지가 더 중요하다.”
- BPR을 가능하게 하는 핵심 정보 기술로써 워크플로우 관리 시스템WFMS, Workflow Management System이나 이 시스템의 확장된 개념인 비즈니스 프로세스관리 시스템BPM, Business Process Management의 도입이 이루어지고 있다.
BPM은 기존 워크플로우 관리 시스템이 진화한 것으로 생각할 수 있 는데, 워크플로우 관리 시스템은 프로세스 자동화에 중점을 둔 데 비해 BPM은 글로벌화되는 최근의 경영 환경을 반영하는 어플리케이션 통합이 나 협업 및 프로세스 조정 등에 중점을 두고 있다. 즉, BPM은 기업 경쟁 력 향상을 위해 프로세스의 효율적 실행이 중요시되면서 프로세스의 전 주 기를 관리하는 방향으로 그 범위를 확장하고 있는데, 워크플로우 관리 시 스템에서 상대적으로 소홀히 취급되었던 프로세스 분석이나 진단 기능들 을 추가적으로 지원하는 것이다. BPM이란 사람, 조직, 응용 시스템, 문서 와 기타 정보를 포함하는 운영 프로세스를 설계하고 실행하며, 제어하고 분석하기 위해 필요한 각종 방법이나 기법 및 소프트웨어를 사용하여 기업 프로세스를 지원하는 것이라 할 수 있다.
BPM을 위한 정보 시스템인 BPMS는 진단 (재)설계 (재)구축운영의 전체 비즈니스 프로세스 사이클에서 프로세스 운영을 실행, 관리 및 조율 하기 위해 명백한 프로세스 설계에 의해 작동하는 일반적인 소프트웨어 시 스템을 말한다. BPM(S) 개념의 변천과 발전 방향을 관리 시스템과 정보 시스템의 관점 에서 각각 살펴보면, 관리 시스템 관점에서의 BPM(S)는 1910년대 테일러 의 과학적 관리에서 1990년대의 ERP를 거쳐 2000년대에는 BPM(S)로 변화하고 있다. 최근의 BPMS는 워크플로우에 기반한 유연성을 그 특징으로 하고 있으며, 이를 BPM의 제3의 파도라고 부르고 있다. 1세대 BPM(S)는 수작업에 의한 비즈니스 프로세스 관리를 특징으로 하며, 2세대 BPM(S)는 다량의 트랜잭션 처리를 위한 절차적 자동화에 중점을 두고 있다. 3세대에 서는 비즈니스 프로세스의 유연한 자동화에 초점을 맞추고 있다.
- 정보 시스템 관점에서 BPM(S)는 1980년대의 의사 교환이나 정보 공유 중심의 이메일이나 그룹웨어 등의 사무 자동화에 쓰이고, 1990년대에는 문서 흐름 자동화 중심의 워크플로우로 발전하여 이 시기에 워크플로우 개념 정립 및 상용 제품이 등장하였다. 워크플로우 관리 시스템WFMS은 '소프트웨어를 이용하여 컴퓨터로 표현된 업무 규칙에 의해 실행 순서가 제어 되는 업무 흐름을 정의하고 관리 및 실행하는 시스템' 이라고 정의한다. 용어 자체에 이미 프로세스 자동화의 개념이 내포되어 있어서 워크플로우 관리 시스템은 BPR 성공을 위한 핵심 정보 기술로서 중요한 역할을 하였다. 2000년대에는 협업 중심의 전략적 정보화라 할 수 있는 BPMS로 발전하고 있으므로 최근의 BPMS는 자동화Automation에서 협업Orchestration 으로 그 중심이 이동해가고 있다.
- BPM가끔 '비즈니스 프로세스 자동화와 혼용됨은 특정 소프트웨어가 아닌 비즈니 스 프로세스를 간소화하고 효율성과 가치를 극대화하는 방법이다. 프로세스가 어떻게 작동하고 있는지, 개선 분야는 어디인지 파악하고, 솔루션을 처음부터 끝까지 구축하기 위한 방법을 상세하게 검토한다. BPM은 비즈 니스 프로세스의 인프라가 견고하다는 것을 확인하는 것이다.
반면 RPA는 인간처럼 프로세스를 조작하기 위해 설계되었기 때문에 좀 더 표면적인 레벨 (User Interface 같은)에 존재한다고 할 수 있다. 구현이 더 빠 르고 모든 소프트웨어에서 바로 사용할 수 있으며, 변화하는 세계에 적응 하도록 쉽게 변경하거나 업데이트가 가능하다.  RPA와 BPM은 서로 상충되지 않는다. 서로 다른 구현 전략을 가지고 같은 목표를 달성하고자 하는 것이기 때문이다. 이전에 사람이 처리하던 빈도 높은 프로세스를 처리하기 위해 RPA를 사용하고 표면 수준의 수정에 의지하는 것이 아니라 프로세스 자체를 변환해야 하는 경우가 있는데 이럴 때는 BPM을 사용하는 것이 적당하다.

- 삼성SDS는 자체 개발한 인공지능 기능 업무자동화 솔루션 ‘브리티웍스Brity Works' 를 활용해 사내 1만 7,000여 개 업무를 자동화했다. 삼성SDS 관계자는 “지난 6개월간 업무에 자동화 솔루션을 적용한 결과, 20만 시간을 절감할 수 있었다”고 설명했다.
삼성SDS는 물류 사업에 브리티웍스를 적용했다. 이를 통해 수십 명의 인력이 각 지역별 항공사 · 선사의 3만여 개 사이트에 매일 접속해 화물 위 치 정보를 수집해 입력하던 단순 업무를 자동화했다. 또 시스템 관리 담당 자가 명령어 입력 결과 확인 메일 전송' 등 단순 반복하는 서버 점검 프로세스도 브리티웍스를 통해 자동화했다. 이 밖에 연 4,000여 건 이상 발생하는 구매 주문서의 발행 프로세스시스템 접속-계약번호 조회-정보 확인 결재를 자동 화하는 등 전체 임직원 80%가 참여해 회사 전 업무 영역을 혁신하고 있다.
- LG CNS는 자체 개발한 RPA를 매출, 비용 정산작업, 송장 입력시스템, 인사 채용, 보험청구서 작성 분야 등에 이용토록 하고 있다. LG그룹의 제 조 관련 계열사 등 9곳과 외부업체 2곳 등에 RPA 솔루션을 공급했다. 이를 통해 단순 비용 정산작업을 할 때 시간을 아낄 수 있게 되었다. 특히 기업 구매 파트에서는 송장인보이스을 보내는 시간을 절약할 수 있었다. | LG CNS는 기존 RPA 태스크포스TF를 RPA 플랫폼팀으로 승격 개설하 고, 클라우드 기반 RPA 포털 서비스도 처음 선보였다. 재경이나 구매, 인사 관련 프로그램을 자신의 PC에 따로 설치할 필요 없이 담당자가 포털에 접 속해 RPA를 실행하고 여러 사람이 작업한 내용을 바로 확인 및 업데이트 할 수 있게 된 것이다.
- 포스코 ICT는 2017년부터 자사와 그룹사의 재무·회계·노무 업무에 RPA를 구축해 운영 중이다. 이미 사업부서의 공과금 납부, 영수증 입력 등을 RPA가 처리하면서 관련 업무에 대한 소요 시간이 80% 이상 줄어들었다. 최근에는 자체 RPA 솔루션인 '에이웍스A.WORKS’ 개발을 완료하고 유 통·금융 분야로 진출할 계획을 갖고 있다. 2019년 8월 하나금융 산하 IT전 문 관계사인 하나금융티아이와 공동사업 추진을 위한 업무협약을 체결한 바 있다.
- SK C&C는 회사 및 계열사 인사업무 파트와 AIA생명, 부동산 플랫폼 다방 등에 RPA가 가능한 서비스를 공급 중이다. SK C&C가 개발한 '에이브릴 HR 포 리크루트'는 입사 지원자의 자기소개서를 검증하는 솔루션이 다. 현재 SK C&C와 SK하이닉스가 쓰고 있다. 이 솔루션은 30명이 사흘 이상 검토했던 서류작업을 3~4시간 만에 끝낸다. AIA생명은 SK C&C의 도움으로 보험상품 불완전 판매 여부를 검증하는 데 활용하고 있다.
- KT는 기업의 경비 처리를 더 쉽고 빠르게 처리할 수 있는 챗봇 기반의 전표를 대신 처리하는 전표 로봇전대리 솔루션을 자체 개발, 사내에 적용했 다. '전대리는 챗봇 기반의 RPA 프로그램으로, 자주 처리하는 전표 이력을 추천하고, 시스템에 접속하지 않아도 메신저 채팅을 통해 몇 번의 클릭만 으로 전표에 필요한 계정, 적요 등을 선택해 모든 전표 처리 업무를 할 수 있도록 만든 솔루션이다. 그동안 경비 처리를 위해서는 전표가 발생할 때 마다 사용자가 시스템에 직접 접속해 처리해야 했다. 또한 시스템 내에서 전표 처리에 필요한 계정, 적요 등을 모두 수작업으로 입력해야만 전표 처 리가 가능해 업무 처리 시간이 오래 걸렸다. KT는 '전대리'를 적용하여 기 존 대비 최대 90% 이상의 업무 효율성을 향상시킬 수 있을 것으로 기대하 고 있다. 또한 현장 근무 등으로 PC 접속이 어려운 영업 직원을 위한 '전대 리' 모바일 버전도 출시 예정이다. KT는 '전대리 외에도 '자료 추출을 대 신하는 자료제공 로봇추대리'을 출시한다. '추대리' 역시 챗봇 기반으로 전사 적 자원 관리ERP 경영 자료를 받아볼 수 있어 쉽고 편리한 업무 처리 환경을 제공할 예정이다. 

- 기업들은 보통 일반적으로 로보틱 운영 센터ROC, Robotic Operation Center의 형태로 팀을 구성해 조직에 가장 큰 영향을 미치는 프로세스들을 처리 한다. 이것이 중앙 집중적인 탑다운 접근법이며 네 단계가 있다.
1. 자동화가 가능한 영역을 파악한다. (히트맵', 프로세스 디스커버리 및 플래닝 소프트웨어 기능을 활용한다.) 
2. 가장 높은 ROI을 달성할 수 있도록 각 업무를 진행 시간과 빈도에 따라 순위를 매긴다. 
3. 이를 통해 자동화해야 하는 핵심 업무를 정하고, 기대하는 결과를 정한다.
4. 자동화를 한 뒤 문제가 해결되었는지 평가한다. 만약 문제가 해결되지 않았다면, 가장 효과적인 사람과 로봇의 업무 조합을 찾아본다.
이 네 단계를 통해 기업의 자동화팀은 주요 업무 프로세스를 살펴보고 어떤 업무가 가장 많이 시간이 걸리고 업무량이 많은지 찾아내야 한다. 산 업 및 도메인별 히트맵, 프로세스 마이닝 기술과 그 외 플래닝 도구를 활 용할 수도 있다. 현재 국내에 가장 활발하게 도입되고 있는 방법이다. 중앙 관리와 대용량처리가 쉬운 반면 구축비용과 구축시간이 많이 드는 단점이 있다.
- '바텀업 접근을 선택했다면, 직원들은 자신의 일상적인 프로세스 중 어떤 것이 자동화될 수 있는지 탐색하도록 하는 체제 모형을 마련한다. 해당 작업들이 개개인에게는 비효율적이거나 비용이 많이 드는 것처럼 보이지 않 을지라도, 조직 차원에서 보았을 때에는 반복된 업무에 상당한 시간이 낭비되고 있을 수 있다.

- RPA COE의 구성원은 누구인가?
* RPA 후원자: 전반적인 로봇 공학 전략을 책임지는 역할로서, CoE는 기업전체의 환경에 걸맞은 RPA 후원자를 지정해야 한다. 
* COE 리드: CoE 활동, 성과 보고 및 운영 리드를 담당한다. 
* RPA 프로젝트 관리자: 로봇 프로젝트가 CoE 전략에 따라 제공되도록 하여 성공적인 구현, 적시에 정해진 예산 내에서 이익을 얻을 수 있도록 한다. 
* RPA 챔피언: 조직 전체의 자동화 채택 프로세스를 추진한다. 
* RPA 및 CoE 비즈니스 분석가: 자동화에 사용되는 프로세스 정의 및 맵을 작성하는 주제 전문가로서, 상황을 식별하고 잠재적 이점과 필요한 자원 에 대한 자세한 분석을 제공한다.
* RPA 솔루션 설계자: RPA 인프라를 처음부터 끝까지 감독하며 CoE 설정 의 개발 및 구현 단계를 모두 지원한다. 자동화 CoE의 세부 설계 및 라이 선스 요구를 담당한다. 
* CoE 개발자: CoE 자동화 워크플로우의 기술 설계, 개발 및 테스트를 담당한다. 
* 인프라 엔지니어: 자동화 CoE의 배포 및 향후 운영에 관련된 팀을 지원한다. 주로 문제 해결 및 서버 설치를 위한 인프라 지원을 제공한다. 
* Controller & Supervisor: CoE 모니터링, 스케줄링 및 지원을 담당하며 업무가 평소와 같이 진행되도록 한다.
- 대부분의 RPA 공급 업체는 도구에 인공지능 및 기계 학습 기능을 내장시킨다. 이러한 딥 러닝 기능에는 컴퓨터 비전 또는 자연어 처리"가 포함된다. 이를 통해 봇은 워크플로우 기록 중 표시되는 단어와 아이콘을 이해하고 프로세스를 정확하게 수행할 수 있다. 비즈니스 응용 프로그램과의 통합에서 회사는 종종 RPA 도구를 구현하여 CRM, ERP 시스템 및 회계 소프트웨어를 비롯한 다른 유형의 비즈니스 응용 프로그램 내에서 작업을 수행한다. 이러한 시스템과 함께 통합하고 작동하는 기능은 RPA 소프트웨어의 중요한 기능이다.
- Mavenick 컨설팅사가 제시한 RPA 3단계 성숙모델을 소개한다. 지능형 자동화가 물리적 인프라, 비즈니스 관리 소프트웨어, 운영관리, 분석, 프로세 스 자동화, 인공지능 및 정보 보안 전반에 걸쳐 이루어지는 자동화 중심의 기업을 위한 단계이다. 기업이 마지막 단계에 도달하면, 인지 및 데이터 지 향 모델로 전환하여 RPA의 모든 이점을 누릴 수 있다.
1단계: 임시(Ad-hoc) 단계
: 대부분의 기업은 사례별로 RPA를 채택하기 시작한다. 이 단계에서는 전체적인 자동화 전략이 아직 마련되어 있지 않으며, 모든 도구 평가 및 프 로세스 선택 기준은 개별 팀장이 주도한다. 임시 단계에서 조직은 다음과 같은 측면에 대해 주의를 기울여야 한다.
* 간단한 과정부터 시작하는 것이 중요하다. 
* 복잡한 자동화를 다루기 전에 팀에서 교육해야 할 몇 가지 측면이 있다. (예: 변경 관리, 심층 기술 및 프로세스 엔지니어링 기술, 운영 모델, CoE, 거버넌스, 비즈니스 모델 및 실행 프레임워크))
임시 단계는 요구 사항 수집을 위한 중요한 시간이다. 기업은 RPA가 어떻게 기존 기술 환경에 가장 적합하게 구축할 수 있는지를 신중하게 평 가하고 장기적인 채택 목표도 제시해야 한다.
2단계: 채택 단계
: 수집된 요구사항과 원하는 장기 RPA 채택 목표에 기초하여 CoE가 설정되며, 전사적으로 자동화를 확장하기 위한 진화 모델을 이용할 수 있는 명확한 자동화 채택 전략이 정의된다. 기업이 RPA 채택 목표를 명확히 제시할수록 채택은 보다 효과적으로 조정될 수 있다.
특정 RPA 플랫폼의 선택은 공식적으로 정의된 평가 기준에 기초해야 하며, 기준 자체는 개별 부서의 필요와 그 이상으로 확장되어야 한다. 이는 무엇보다도 변경 관리, 엔드투엔드 비즈니스 프로세스 관리, 적극적인 목 표 및 진행 과정 추적 등을 감안해야 가능하다.
임시 단계에서 채택 단계로 전환하는 가장 중요한 요소는 전체적 기준 과 디지털화 및 자동화 채택을 위한 잘 정의된 전략을 사용한 CoE 설정이 다. 전략은 변경 관리, 심층적인 기술 및 프로세스 엔지니어링 기술 훈련, 기술 관리 및 인력 배치, 운영 모델, 거버넌스, 비즈니스 모델 및 실행 프레임워크를 포함해야 한다.
3단계: 적응 단계 
: 기업이 적응 단계에 진입할 때, 그것은 자동화 중심 기업을 창출하기 위한 3단계 성숙도 모델의 종료 상태에 도달했고, 지속적인 개선과 과정 수정 메커니즘을 구현했다는 것을 의미한다.
이 단계에서 기업은 자동화 전략의 다양한 부분에서 성숙하고, 프로 세스 엔지니어링 기술뿐만 아니라 심층적이고 광범위한 자동화 기술을 구 축했으며, 기술의 광범위한 가용성으로 인해 이제 분산형 실행의 허브와 스포크 모델'을 채택할 수 있으며, 입력 전반에 걸쳐 자동화 기능이 구축되 었다.
기업은 규칙 기반 또는 MLMachine Learning/AI 기반 자동화를 채택하여 모든 비즈니스 기반의 가상 인력의 일관성과 정렬을 보장하는 포괄적인 프레임워크를 가지게 된다.
둘 사이의 기본 관계에 대해서는 약간의 의견 차이가 있다. 머신 러닝이 AI 분야라는 데는 거의 모든 사람들이 동의하지만 RPA와 AI에 대해서는 동일한 합의가 존재하지 않는다. 이에 대한 합의가 이루어지지 않은 이유 중 하나는 RPA 기술과 지금까지의 사용 사례가 “지능형”이 아니기 때문이다. RPA는 사람의 노력이 필요했던 규칙 기반의 작업을 처리하는 데 큰 도움 이 될 수는 있다. 그러나 아직 사람의 심층 신경망처럼 진행되지는 않는다.
인간의 판단과 행동을 강화하고 모방하는 AI 기술은 규칙 기반의 인간 행동을 복제하는 RPA 기술을 보완한다. '화이트칼라' 라는 지식 기반 근로자와 '블루칼라 라는 서비스 기반 근로자가 조직의 생산성을 높이기 위한 엔진으로서 협력하는 것처럼, RPA와 AI 두 기술은 서로를 보완하며 작동
이러한 3단계 성숙도 모델은 연속체로 생각되어야 한다. 단계들은 별개의 것이 아니라 겹치는 것이다. 기업에서 일부 측면은 채택 단계에 있는 반면 다른 측면은 여전히 애드혹Ad-Hoc일 가능성도 있다. 행동 계획을 결정 하기 위해서는 현재 상태와 목표 상태에 대한 평가가 중요하다.이러한 3단계 성숙도 모델은 연속체로 생각되어야 한다. 단계들은 별개의 것이 아니라 겹치는 것이다. 기업에서 일부 측면은 채택 단계에 있는 반면 다른 측면은 여전히 애드혹Ad-Hoc일 가능성도 있다. 행동 계획을 결정 하기 위해서는 현재 상태와 목표 상태에 대한 평가가 중요하다.
- RPA는 작업을 자동화한다. 현재 수준의 RPA는 전체 종단 간 프로세 스를 자동화하기는 아직 어려운 것이 사실이다. 사용자의 요구를 충족하기 위한 노력으로 인해 개발되는 두 가지 특정 기술이 있다. 인지적인 기능의 통합에 대한 두 가지 예를 살펴보자.
* 인지 캡처Cognitive Capture: 인지 캡처는 옴니 채널(예: 웹 양식, 종이 문서, 이메일)을 통해 데이터를 수집한 다음 기본 AI/인지 알고리즘을 사용하 여 비정형데이터를 정형데이터 형식으로 변환하여 RPA가 작업을 자동 화한다. 
* 프로세스 오케스트레이션: 프로세스 오케스트레이션은 워크플로우 자동 화에 엄격하고 규율을 추가한다. RPA에 의해 자동화된 작업은 일반적으로 워크플로우의 일부이기 때문에 이 부분이 필요하다. 프로세스 오케스트레이션은 모든 예외를 처리하고 전통적인 동적 사례 관리를 수행하며 RPA 디지털 작업자와 실제 직원 간의 협업 및 업무 전달을 관리함으로써 RPA를 지원한다.
예를 들어, RPA 프로세스를 구축하는 동안 비정형 데이터의 사용에 영향을 줄 수 있는 시나리오를 생각해볼 수 있다.
* 필요한 문서에서 컨텍스트에 따라 규정된 비정형 정보를 추출해야 하는 경우 
* 특정 고객 분류에 따라 문서를 분류하고 그에 따라 행동해야 하는 경우 
* 정보를 추출하기 전에 추론을 적용해야 할 때
* 프로세스에서 사용하기 위해 추출한 데이터에 연결된 관계도 검색해야 하는 경우
위의 모든 시나리오에서 AI와 RPA 간의 협업은 비정형 정보의 사용을 가속화하여 지능형 자동화의 범위를 확장하고 향상시킨다. AI는 모든 관련 데이터를 RPA에서 즉시 유용하고 실행 가능하게 만든다.
다른 많은 기술들과 마찬가지로 RPA도 AI와 손잡고 스마트 운영을 추 진하기 위해 진화할 수 있다. 이 여정은 유인Attened RPA에서 무인Unattened RPA로 그리고 인지 RPA로 시작하여 자율적인 RPA로 진행한다.
- 모든 ERP 시스템 응용 프로그램에서 RPA를 사용하여 ERP 프로세스를 자동화하면 비용 절감, 100%의 정확도, 빠른 처리 속도와 함께 향상 된 규정 준수, 제어 및 감사 기능과 같은 명확한 최종 이점을 얻을 수 있다. RPA는 비즈니스 전반에서 ERP 프로세스를 개선할 수 있다.
* 인적 자원: 채용에서 온보딩, 경력 개발 등 직원 라이프 사이클 프로세스의 모든 측면을 자동화 
* CRM고객 관계 관리: 자동화를 통해 고객 경험CX을 향상시켜 콜센터 효율성을 높이고 고객 만족도를 향상 
* 공급망: 인건비를 낮추고 회사의 경쟁력을 향상
* 제조: 재고 관리, 조달 및 주문 처리를 개선하고 제조 생산을 관리 및 최적화하기 위한 데이터를 제공 
* 재무 및 회계: 관련 프로세스를 자동화하고 인적 오류 요인을 제거하며, 보고 요구 사항에 대한 RPA 사전 설정 준수를 향상 
* 비즈니스 인텔리전스: RPA는 실시간 프로세스 수준의 데이터 분석 기능을 제공하여 민첩성을 향상시키고 중요한 의사 결정을 향상

- 자바 프로그래밍 언어는 제임스 고슬링 James Gosling, 마이크 셰리든Mike Sheridan, 패트릭 노튼
Patrick Naughton에 의해 1990년대에 썬 마이크로시스템즈Sun Microsystems에서 만들어졌다. 자바는 부분적으로는 당시 널리 쓰이던 C 프로그래밍 언어를 본떠 만들어졌다. C에는 메모리 자동관리가 없었고, 메모리 관리 오류는 당시 프로그래머에게 자주 두통을 일으키게 하는 오류였다. 자바는 언어 설계를 통해 이런 종류의 오류(메모리 관리 관련 오류)를 없앴다. 자바는 메모리 관리를 프로그래머가 볼 수 없게 감췄다. 이것이 자바가 초보자에게 좋은 언어가 된 이유 중 하나다. 하지만 좋은 프로그래머와 좋은 프로그램을 탄생시키려면 좋은 프로그래밍 언어 이상의 것이 필요하다. 그리고 자바로 인해, 디버깅하기 더 어려운 새로운 버그 종류가 생겨났음이 드러 났다. 이런 버그 중에는 감춰진 메모리 관리 시스템으로 인해 생긴 형편없는 성능이 포함된다.
여러분도 이 책을 통해 알게 되겠지만, 메모리를 이해하는 것은 프로그래머에게 핵심 기술에 속 한다. 처음 프로그램을 배울 때는 이후에 좀처럼 고치기 어려운 전형적인 습관이 생기기 쉽다. 소위 '안전한' 환경에서 자란 아이들이 그런 환경에서 자라지 않은 아이들보다 나중에 실제 삶 에서 더 큰 부상을 입을 확률이 높다는 연구 결과도 있다. 이는 아마도 이런 아이들이 추락하는 아픔이 뭔지 배우지 않았기 때문일 것이다. 처음 시작하는 프로그래머들에게는 안전한 프로그래밍 환경이 덜 두려울 테지만, 그들 또한 나중에 만나게 될 실제 세계를 미리 대비할 필요도 있다. 
- 기술과 그 기술을 발명한 사람에 대해 배우기 위해 시간을 내보라. 이 책에서 언급한 사람들은 대부분 흥미로운 문제를 최소한 한 가지 이상 해결한 사람이며, 이들이 세계를 어떻게 인식했고 문제를 해결하기 위해 어떤 접근을 했는지 배워볼 만한 가치가 있다. 닐 스티븐슨Neal Stephenson 의 2008년 소설 『Anathem』에 좋은 대화가 나온다.
“우리의 적은 원자폭탄이 가득 들어 있는 외계 우주선이다. 우리한테는 각도기가 있다." "좋아. 집에 가서 자와 끈을 찾아오지.”
이들이 기초적인 것에 얼마나 의지하는지 명심하라. 이들의 대화는 '위키피디아에서 뭘 할지 찾아보자'나 '스택 오버플로 Stack Overflow에 질문을 올려보자', '깃허브GitHub에서 패키지를 찾아보 자'가 아니었다. 어느 누구도 해결하지 못한 문제를 푸는 방법을 배우는 것이 가장 중요한 기술이다.
- 덧셈 결과가 우리가 사용할 비트의 개수로 표현할 수 있는 범위를 벗어나면 어떻게 해야 할까?
이런 경우 오버플로가 발생한다. 오버플로란 말은 MSB에서 올림이 발생했다는 뜻이다. 예를 들어, 4비트 덧셈에서 1001 (9)과 1000(8)을 더한 결과는 10001(1710)이다. 하지만 MSB 왼 쪽에 사용할 수 있는 비트가 없기 때문에 결과가 0001(10)이 된다. 나중에 자세히 보겠지만 컴 퓨터에는 조건 코드(또는 상태 코드) 레지스터condition code register라는 것이 있어서 몇 가지 이상한 정보를 담아둔다. 이런 정보 중에는 오버플로 비트가 있고, 이 비트에는 MSB에서 발생한 올림값이 들어간다. 이 비트값을 보면 오버플로가 발생했는지 알 수 있다. 여러분은 한 수를 다른 수에서 빼는 것은 한 수에 다른 수의 음수를 더하는 것과 같다는 사실을 알고 있을 것이다. 다음 절에서는 음수를 표현하는 방법을 살펴본다. MSB 위쪽에서 1을 빌려오는 경우를 언더플로 underflow라고 부른다. 이에 해당하는 조건 코드도 컴퓨터에 들어 있다.
- 프로시저, 서브루틴, 함수
엔지니어들은 게으름에서 비롯된 이상한 습성을 가진 경우가 있다. 정말 하기 싫은 일이 있으 면 엔지니어들은 자신을 대신해 이 일을 해줄 무언가를 만든다. 심지어 이런 것을 만드는 데 걸 리는 노력이 원래 하기 싫은 일을 하는 데 드는 노력보다 훨씬 많이 들어도 굳이 이런 짓을 하고 는 한다. 프로그래머들이 피하고 싶어 하는 일 중 하나는 똑같은 코드를 두 번 이상 작성하는 것 이다. 이렇게 코드 반복을 피하는 데는 게으름 외에도 여러 가지 충분한 이유가 있다. 예를 들어 중복된 코드를 줄이면 코드가 메모리를 덜 차지하고, 코드에 버그가 있는 경우 여러 군데를 반 복해 고치지 않고 한 군데만 고치면 된다는 장점이 있다.
함수function(또는 프로시저procedure, 서브루틴subroutine)는 코드를 재사용reuse하는 주요 수단이다.
- 여러 프로그램을 동시에 실행하려면 어떻게 해야 할까? 우선, 각 프로그램을 서로 전환시켜 줄 수 있는 일종의 관리자 프로그램이 필요하다. 이런 프로그램을 운영체제 또는 운영체제 커널kernel('중심' 이라는 뜻)이라고 부른다. 우리는 OS와 OS가 관리하는 프로그램을 구분하기 위 해 OS를 시스템 프로그램이라고 부르고 다른 모든 프로그램을 사용자user 프로그램이나 프로세스 process라고 부른다. 
- 프로그램의 각 명령어에 대한 비트 조합을 하나하나 알아내려면 아주 고통스럽다. 초기 컴퓨터 프로그래머들은 이런 작업에 신물이 나서 프로그램을 작성하는 더 나은 방법을 고안해냈다. 이 방법이 바로 어셈블리 언어assembly language다.
어셈블리 언어는 다음과 같은 놀라운 일을 해준다. 어셈블리 언어를 쓰면 프로그래머가 모는 비 트 조합을 외우지 않고 이해하기 쉬운 니모닉mnemonics을 통해 명령어를 쓸 수 있다. 어셈블리 언어에서는 주소에 이름, 즉 레이블을 붙일 수 있다. 그리고 코드에 주석comment을 달아서 다른 사람들이 프로그램을 더 쉽게 읽고 이해하도록 도와줄 수 있다.
어셈블리 언어로 작성된 코드를 읽어서 동등한 기계어 코드machine code를 생성해주는 프로그램을 어셈블러assembler라고 부른다. 이런 변환 과정에서 어셈블러는 레이블이나 심볼symbol의 값을 결정해 채워 넣어준다. 코드에서 명령어 위치가 바뀌면 생길 수 있는 바보 같은 오류를 예방해주기 때문에 심볼의 값을 결정해 넣어주는 기능은 아주 유용하다. 
- 초창기 프로그래머들은 불가능한 일을 해야만 했다. 맨 처음 컴퓨터가 만들어졌을 때는 어셈블러도 없었다. 그래서 개발자들은 어려운 방식, 즉 직접 손으로 모든 비트를 알아내는 방법으로 최초의 어셈블러를 작성해야 했다. 첫 번째 어셈블러는 아주 원시적이었지만 제대로 작동하는 어셈블러가 생겼기 때문에 이 어셈블러에서 작동하는 어셈블리 언어를 사용해 더 나은(더 많은 의사명령어와 기능을 제공하는) 어셈블러를 어셈블리 언어로 작성할 수 있었고, 개선된 의사명령 어와 기능을 활용하는 어셈블리 언어로 다시 더 많은 기능을 제공하는 어셈블러를 만들 수 있었으며, 이런 식의 개선을 계속할 수 있었다
- 부트스트랩bootstrap 이라는 말이 있다. 종종 이 말을 부트boot라고 줄여서 부르기도 한다. 컴퓨터를 부팅하는 과정은 롬 등에 들어 있는 작은 프로그램을 메모리로 읽어오는 것부터 시작한다. 이 프로그램은 필요한 초기화를 진행한 후 더 큰 프로그램을 (보통은 하드 디스크, USB 등 대용량 저장장치에서) 읽어오고, 이 프로그램은 더 큰 운영체제 등을 불러올 수 있다. 초기 컴 퓨터에서는 사람이 직접 전면 패널의 스위치를 사용해 최초 부트스트랩 프로그램을 입력해야만 했다.
- 어셈블리 언어는 큰 도움이 됐지만 여러분도 알 수 있듯이 간단한 일을 할 때도 많은 작업이 필요하다. 좀 더 복잡한 작업을 묘사하기 위해 더 적은 단어를 사용할 수 있으면 정말 좋을 것 이다. 프레드 브룩스Fred Brooks는 1975년 애디슨 웨슬리Addison-Wesley에서 펴낸 『The MythicalMan-Month: Essays on Software Engineering』이라는 책(『맨먼스 미신』, 인사이트, 2015)에서 평균적으로 하루에 3~10줄의 문서화되고 디버깅이 이뤄진 코드를 작성한다고 주장했다. 따라서 코드 한 줄로 더 많은 일을 할 수 있다면 훨씬 더 많은 일을 완수할 수 있다.
고수준 언어high-level language 로 들어가자. 고수준 언어는 어셈블리 언어보다 더 높은 추상화 단계에서 작동한다. 고수준 언어의 소스 코드는 컴파일러 compiler라는 프로그램에 의해 실행된다. 컴 파일러는 소스 코드를 기계어로 번역, 즉 컴파일compile 해준다. 기계어 코드를 다른 말로 목적 코드 object code라고도 한다.
수천 가지 고수준 언어가 만들어졌다. 일부는 아주 일반적인 언어이고, 일부는 아주 구체적인 작업을 위한 언어다. 처음 생긴 고수준 언어 중에는 포트란FORTRAN이라는 언어가 있다. 포트란 이라는 이름은 '식변환기formula translator'를 줄인 말이다. 포트란을 사용하면 일차방정식 같은 수식을 계산할 수 있는 프로그램을 쉽게 작성할 수 있다. 
- 포트란이나 베이직 언어는 비구조적unstructured 언어라고 불린다. GOTO와 레이블을 조합할 때 아 무런 구조를 강요하지 않기 때문이다. 구조적structured 프로그래밍은 이런 잘못된 GOTO 사용으로 인해 발생할 수 있는 스파게티 코드 spaghetti code 문제를 해결하기 위해 개발됐다. 몇몇 언어는 구조적 프로그래밍 개념을 극단까지 수용했다. 예를 들어 파스칼은 GOTO를 완전히 없했고, 이로 인해 기초적인 구조적 프로그래밍을 가르칠 때만 유용한 프로그래밍 언어가 됐다. 공정하게 말하자면 어차피 파스칼은 교육용으로 설계된 언어였으므로 자신의 목적에 맞는 역할을 한 것이다. C는 켄 톰슨Ken Thompson 이 만든 B 언어를 계승한 언어인데, 원래 벨 전화 연구소의 데니스 리치Dennis Ritchie에 의해 만들어졌다. C 는 아주 실용적인 언어이며 가장 널리 쓰이는 프로그래밍 언어 중 하나가 됐다. 나중에 나온 언 어 중 상당수가 C의 요소를 그대로 가져다 썼으며, 그와 유사한 언어로는 C++, 자바, PHP, 파이 썬, 자바스크립트 등이 있다.

- 우리는 어릴 때부터 세상은 원래 그런 거니까 적당히 순응하며 살라는 말 을 듣습니다. 쓸데없이 벽에 돌진하지 말고, 화목한 가정을 꾸리고, 적당 히 즐기면서 돈을 모으라는 말입니다. 하지만 그건 너무 편협한 삶이에요. 우리는 훨씬 넓은 세상에서 인생을 보낼 수 있습니다. 단, 한 가지를 깨달 아야 합니다. 바로 우리가 인생이라고 말하는 것, 우리를 둘러싼 모든 것 이 실제로는 특별한 사람들이 만든 게 아니란 거죠. 그러니까 “나도 세상 을 바꿀 수 있다”, “나도 세상에 영향을 미칠 수 있다”, “나도 뭔가를 만들 어서 세상에 보여줄 수 있다”라고 생각해야 합니다. (...) 그게 가장 중요 한 게 아닐까 싶어요. 인생은 원래 이런 거니까 어쩔 수 없다는 식의 잘못 된 생각을 깨트리고 인생을 바꾸고, 개선하고, 세상에 족적을 남기자는 거 죠. (...) 이걸 깨달으면 그때부터는 완전히 다른 사람이 됩니다. (스티브 잡스)
- 페이지랭크에도 허점은 있다. 과거에 스패머들이 스니커즈 스니커즈 스니커즈 스니커즈’ 수법으로 키워드 밀도를 공략했다. 면 최근에는 '링크팜link farm’, 즉 서로 연관 없는 링크를 잔뜩 넣은 웹페이지를 생성하고 있다. 웹사이트 운영자들은 링크팜에 돈을 주 고 자신의 웹페이지로 들어오는 링크를 포함시켜서 페이지랭크를 인위적으로 올리려고 한다. 그러나 가만히 앉아서 당할 구글이 아니다. 링크팜을 색출하는 기술을 도입한 것이다."
- 링크팜이 음지의 기술이라면 양지에서 사용되는 기술도 존재한 다. 이른바 SEOSearch Engine Optimization, 즉 검색엔진 최적화다. 웹 페이지를 검색 결과 최상위에 올리기 위해 구글 검색 알고리즘을 역 이용하는 방법이 어엿한 산업으로 자리잡았다.18 SEO의 기본은 자 신의 웹페이지를 링크한 웹페이지를 늘리는 것이다. 그 밖에도 웹페 이지의 제목과 본문에 적절한 키워드를 넣고 동일한 웹사이트 내의 모든 웹페이지가 서로 링크를 걸게 하는 등 여러 가지 기법이 동원 된다.
- 구글도 수시로 검색 알고리즘을 수정한다. 소소한 알고리즘 업데이트가 연간 500건 이상이다. 간간이 대대적인 업데이트가 있으면 SEO 전문가들은 또 어떻게든 변동 사항을 이용할 방법을 모색한다. 예를 들어 2018년에 모바일 기기에서 로딩 속도가 빠른 웹사이트에 유리하게 알고리즘이 변경되자 SEO 전문가들은 구글에서 제공하는 AMPAccelerated Mobile Pages, 즉 가속 모바일 페이지라는 도구를 이용해 웹페이지의 군살을 뺄 것을 권했다.
- API의 세 가지 유형
첫 번째 유형은 ‘기능 API다. 기능 API는 경로 계산, 문자메시지 전송, 문장 번역 같은 작업을 전문적인 앱에 맡길 수 있게 한다. 집에 문제가 생겼을 때 직접 수리하지 않고 배관공이나 목수를 부르는 것 과 같다. 기능 API는 다양하게 존재한다. 메일이나 문자메시지를 전 송하는 코드를 직접 작성하자면 꽤 번거롭다. 그래서 송금 앱인 벤모 Venmo는 송금 완료 메시지를 보낼 때 그 방면에 전문화된 API를 이용한다. 신용카드 결제를 처리하는 것 역시 쉽지 않은 작업이다. 그 래서 우버는 브레인트리Braintree API에 결재를 맡긴다. 브레인트리 는 누구나 코드 몇 줄만 입력하면 페이팔PayPal의 신용카드 결제 알고리즘을 쓸 수 있게 해주는 API다. 
두 번째 유형은 '데이터 API'로, 다른 앱으로부터 스포츠 경기 점 수, 최신 트윗tweet, 오늘의 날씨 등 흥미로운 정보를 넘겨받을 수 있게 한다. 호텔 프런트에 전화해서 근처의 괜찮은 박물관과 식당을 추천받는 것과 같다. 스포츠 전문 방송국 채널 ESPN은 주요 리그에 속한 모든 팀의 선수 명단과 경기 점수를 전달하는 API를 제공한다.  뉴욕 지하철에서 제공하는 API를 이용하면 열차의 위치와 다음 열 차의 도착 예정 시간을 알 수 있다. 고양이 사진을 무작위로 전송하 는 API도 있다.
세 번째 유형은 '하드웨어 API'로, 기기의 고유한 기능을 이용 할 수 있게 한다. 인스타그램Instagram은 휴대폰의 카메라 API를 통 해 줌, 초점, 촬영 기능을 빌려 쓴다. 구글지도는 휴대폰의 지리위치 API로 사용자의 현위치를 파악한다. 운동 앱은 휴대폰에 탑재된 가속도계와 자이로스코프gyroscope라는 센서를 통해 사용자가 어느 방 향으로 얼마나 빨리 움직이고 있는지 감지한다.
물론 API가 장점만 있는 것은 아니다. API를 활용하면 앱 개발이 한층 수월해지지만 앱이 API에 종속된다. 예를 들어 메일 전송 API 가 다운되면 그 API를 쓰는 모든 앱이 메일을 전송할 수 없게 된다. 그리고 어디까지나 가정일 뿐이지만 혹시 구글이 승차공유 서비스 를 출시한다면 경쟁사인 우버가 구글지도 API를 못 쓰게 막아버릴 수도 있다. 만일 우버에도 자체 지도 서비스가 있다면 그럴 때 구글 에 휘둘리지 않을 것이다.
- 무시무시한 시장점유율을 자랑하는 안드로이드를 발판으로 구글은 여러 방면에서 수익을 창출한다. 첫째, 구글은 제조사가 안드로이드를 이용하는 대신 유튜브와 구글지도 같은 자사의 대표적인 앱을 의무적으로 탑재하게 한다. 미국에서는 구글 검색창이 반드시 첫 화면이나 두 번째 화면에 나와야 한다는 조항도 있다. 구글 앱을 쓰는 사람이 늘어나면 구글은 더 많은 데이터를 확보해 더 많은 광고를 표시하고 더 많은 돈을 벌 수
둘째, 구글은 광고 수입보다는 못해도, 앱 구매 수수료로 상당한 수입을 올린다. 대부분의 국가에서 구글은 제조사가 안드로이드 앱스토어인 구글플레이 Google Play를 첫 화면에서 눈에 잘 띄는 곳에 배치하게 한다. 더 많은 사용자가 구글플레이에서 앱을 다운받게 만들기 위해서다. 사용자가 구글플레이에서 앱을 구매하거나 인앱 결제In-app Purchase를 하면 구글은 결제액의 30%를 수수료로 떼 간 다. 건별로 보면 푼돈인 것 같아도 다 합치면 연간 수수료 수입만 250억 달러에 달한다. 구글플레이 사용자가 늘어남에 따라 앱 판 매량이 증가하면 그만큼 수수료로 버는 돈도 많아지는 구조다.
셋째, 안드로이드의 지배력이 커질수록 구글이 광고 수입에서 챙기는 몫이 늘어난다. iOS 사용자가 구글 검색에서 광고를 클릭하 면 원래는 모두 구글 몫이어야 할 광고 수입 중 상당 부분이 애플에 게 돌아간다. 더군다나 구글은 iOS에 구글 검색을 기본 검색엔진 으로 탑재하는 대가로 애플에 연간 120억 달러를 지불하는 것으로 추정된다. 그러니까 구글 입장에서는 사람들이 아이폰 말고 안드 로이드폰에서 구글 검색을 이용하는 게 더 좋다. 이렇듯 안드로이드 사용자가 증가하면 구글의 수입도 증가하니까 안드로이드를 무료로 배포하는 게 당연하다.
- 안드로이드는 뼛속까지 오픈소스다. 오픈소스 운영체제인 리눅스의 '커널kernel'을 뼈대로 만들어졌기 때문이다. (참고로 리눅스는 세계 최대 규모의 슈퍼컴퓨터들에도 사용되는 운영체제다.) 커널은 앱이 장치의 하드웨어와 통신할 수 있게 해주는 소프트웨어로, 예를 들면 파 일을 읽고 쓰고 키보드와 와이파이를 연결하는 등의 기능을 구현할 수 있게 한다. 자동차로 치면 엔진에 해당한다. 커널이 없으면 컴퓨터는 아무것도 못 한다. 그러면 왜 구글은 안드로이드를 오픈소스로 만들었을까? 첫째, 개발 편의성 때문이다. 이미 존재하는 리눅스의 오픈소스 커널을 이용하면 안드로이드 개발에 들어가는 수고를 아낄 수 있다. 리눅스 커널은 1991년부터 꾸준히 개선되고 있다. 그리고 리눅스는 슈퍼컴 퓨터부터 게임기에 이르기까지 각양각색의 장치에서 구동되는 운영 체제다. 리눅스를 채택함으로써 안드로이드도 다양한 하드웨어에 서 작동하는 범용성을 확보했다.
둘째, 제조사가 차별화 전략의 일환으로 인터페이스 *를 개조할 수 있기 때문이다.  이것은 제조사가 다른 운영체제 대신 안드로이드를 선택하는 중요한 이유가 된다.
세째, 더 많은 사람이 안드로이드와 구글 생태계로 유입되기 때문이다. 안드로이드가 오픈소스이기 때문에 휴대폰의 다양한 부분을 입맛대로 바꾸고 싶은 사람은 iOS가 아닌 안드로이드 개조판을 선 택할 가능성이 크다. iOS는 오픈소스가 아니라서 바꾸고 싶어도 바 꿀 수 없는 부분이 많다. 구글은 안드로이드 개조판을 금지하지 않는다. 개조판을 사용하는 사람도 구글 검색과 구글 앱을 이용할 확률이 높기 때문이다. 사용자가 많아질수록 수입도 늘어나는 만큼 오픈소스 정책은 구글의 비즈니스에 도움이 된다.
-블로트웨어가 언제부터 비즈니스 모델로 대두했을까? 제조사와 통신사가 스마트폰 시장과 데이터 요금제 시장이 과포화 상태라는 현실을 인지하면서부터다. 웬만한 사람은 다 스마트폰이 있고 데이 터 요금제에 가입되어 있으니까 폰과 데이터 요금제를 파는 것만으 로는 기업의 수익을 높일 수가 없었다. 그래서 새로운 수익 창출을 모색한 결과가 블로트웨어 장사였다. 기업이 블로트웨어로 돈을 버는 방법은 크게 두 가지다.
첫째, 앱 개발자로부터 돈을 받고 해당 앱을 선탑재한다. 일례로 버라이즌은 대기업을 상대로 기기당 1~2달러를 받고 앱을 선탑재하겠다고 제안한 적이 있다. 버라이즌용 폰에 블로트웨어가 10개씩 설치되면 버라이즌은 손 안 대고 기기당 20달러를 버는 셈이었다. 이를 통해 통신사와 제조사는 돈을 쓸어담고 개발자는 앱을 강제로 사람들 앞에 들이밀 수 있다. 대다수 미국인의 월간 앱 다운로드 횟수가 0회라고 하니 개발자로서는 솔깃할 법하다.  이 판에서 유일하게 밑지는 쪽은 물론 소비자다.
둘째, 통신사와 제조사가 유명한 무료 앱의 짝퉁에 불과한 자사앱(대부분 유료)을 선탑재한다. 삼성은 자체 앱스토어를 선탑재하고 AT&T는 구글지도를 모방한 월 10달러짜리 길찾기 앱을 선탑재한 다. 버라이즌의 메시지 플러스Message+는 페이스북 메신저와 비슷 하지만 와이파이WiFi로 메시지를 보내도 요금이 나간다.
통신사와 제조사는 왜 이런 앱을 선탑재할까? 말했다시피 쉽게 돈 을 벌 수 있기 때문이다. 삼성은 자체 앱스토어에서 판매되는 앱과 테마에서 수수료를 뗀다. 통신사와 제조사는 값비싼 짝퉁 앱으로 수익을 올린다. 그들은 사용자가 블로트웨어를 대체할 무료 앱의 존 재를 모른 채 기본으로 깔린 앱만 사용하기를(그리고 돈을 내기를!) 원한다. 기본은 강력하다. 애플지도만 해도 아이폰의 기본 지도 앱이 된 뒤 2015년에 사용자 대부분이 선호하는 구글지도를 제치고 아이폰에서 가장 많이 사용되는 지도 앱으로 등극했다. 이게 바로 기본의 힘이다.
- 카이OS는 개발도상국용 모바일 운영체제의 원조인 파이어폭스 OSFirefox OS를 기반으로 제작됐다. 파이어폭스OS를 개발한 곳은 파 이어폭스 브라우저를 개발한 모질라Mozilla 였다. 모질라는 안드로이 드와 iOS 앱이 저사양 폰에서 구동하기에는 너무 무겁고 일단 다운 로드를 받아야 쓸 수 있는 반면, 웹사이트는 가볍고 순식간에 실행된 다는 점에 착안해서 웹 기반 운영체제인 파이어폭스OS를 만들었다. 파이어폭스OS용으로도 유튜브, 지메일 Gmail, 계산기 같은 ‘앱’이 존 재했지만 실제로는 일명 HTML5 앱이라고 하는, 특수하게 제작된 웹사이트였다. 
그런데 파이어폭스OS는 터치스크린이 탑재된 스마트폰용으로 제작됐기 때문에 안드로이드와 직접 경쟁해야 했다. 개발도상국에 점점 더 저렴한 안드로이드 스마트폰이 보급되자 파이어폭스OS는 입지가 점점 줄어들었다. 104 결국에는 제대로 힘 한번 써보지 못하고 2016년에 개발이 중단됐다. 
카이OS 측은 파이어폭스OS가 비즈니스 전략에는 허점이 있었지 만 기술적 토대는 튼실하다는 점에 주목했다. 파이어폭스OS가 오픈 소스였기 때문에 그 코드를 재활용할 수 있었다. 그렇게 탄생한 카이 OS는 웹 기반 운영체제인 것은 동일하지만 터치스크린이 없는 피처 폰에서 구동됐다. 그래서 굳이 안드로이드의 파이 조각을 뺏으려 하 지 않고 안드로이드가 절대 넘볼 수 없는 피처폰 시장에 진출함으로 써 파이를 키우는 전략을 채택했다. (저사양 안드로이드폰이 아무리 싸다고 해도 여전히 지오폰의 적수가 못 된다.) 카이OS의 현명한 선택은 그뿐만이 아니었다. 카이OS는 와츠앱WhatsApp, 유튜브 같은 앱에 대한 수요를 읽고 구글과 제휴해 카이OS용 구글 검색, 구글지도, 유튜브, 구글어시스턴트 Google Assistant 등을 개발했다. 전용 앱인 만큼 단순히 모바일 웹사이트를 불러들이는 것보다 사용자에게 쾌적한 경험을 제공할 수 있었다. 지오폰은 출시 1년 반 만에 판매량이 4천만 대를 돌파하는 기염을 토했다. 카이OS 역시 100여 개국에서 8,500만 대 이상의 카이OS 폰이 판매되는 대성공을 거뒀다. 
- 대형 조직이 랜섬웨어에 맞서기 위해 사용하는 또 다른 방법은 주기적으로 파일을 클라우드에 백업하고(해커가 파일을 암호화해도 되 살릴 수 있도록 인터넷에서 다운받은 파일을 반드시 백신 소프트웨어로 검사하는 것이다. 하지만 최고의 수비는 역시 사전에 대비를 철저히 하는 것이다. 그래서 일부 조직에서는 전통적인 운영체제를 배제하기 시작했다. 파일 다운로드, 앱 설치 등을 통해 악성코드가 침투할 수 있는 곳, 즉 '공격노출면attack surface'이 너무 많기 때문이다. 최근 보안에 민감한 조직에서는 구글의 크롬OS가 인기다. 크롬북Chromebook의 운영체제인 크롬OS는 사실상 웹브라우저에 불과하고 기존의 운영체제처럼 설치 파일(악성코드의 최대 침투로)로 앱을 설치하는 방식이 아니다. 그리고 각 탭이 '샌드박스sandbox'에서 돌아간다. 즉, 웹페이지의 내용이 컴퓨터의 다른 부분을 건드리지 못한다. 하지만 크롬OS도 앱스토어에 악성코드가 내장된 앱이 존재하는 등 보안상 허점이 있고, 악성코드 공격 외에 피싱 같은 사기 수법이 완전히 사라지진 않을 것이다. 
- 다크웹에서 자행되는 범죄에 대해 듣다 보면 다크웹이 무조건 불법이라고 생각하기 쉬운데, 실은 합법적으로 사용되고 있다. 엄밀히 말해 다크웹은 익명으로 인터넷을 탐색하는 수단일 뿐이다. 이 양지에 있는 웹사이트 중 일부가 사용자를 보호하기 위해 다크웹사이트도 제공하기 시작했다. 일례로 페이스북은 2014년에 중국처럼 페이스북이 금지된 국가에서 반정부 인사들이 이용할 수 있도록 다크웹 사이트를 개설했다. 앞에서 말한 탐사보도매체 프로퍼블리 카도 2016년에 이용자가 정부의 검열을 피하거나 타깃광고를 위해 인터넷 이용 내역을 추적하는 소프트웨어를 우회할 수 있도록 다크웹 사이트를 만들었다. 다크웹 접속용 소프트웨어인 토르 역시 개인정보보호 기능을 강화한 웹브라우저에 불과하다. 토르 프로젝트 측은 익명성을 보장 하는 토르가 다음과 같이 다양한 사람에게 힘을 실어줄 것이라고 주장한다.
“사람들은 웹사이트가 자신과 가족을 추적하는 것을 막기 위해 토르를 이용하고, 인터넷 업체에서 접속을 금지한 뉴스 사이트, 메신저 등에 접속하기 위해 토르를 이용합니다. (...) 또한 강간이나 학대 피해자, 질 병 보유자의 채팅방과 게시판에 접속하는 것처럼 사회적으로 민감한 사안에 대한 대화를 나누기 위해 토르를 이용합니다. (...) 언론인들은 내부고발자나 반정부 인사를 더 안전하게 취재하기 위해 토르를 이용하기도 하죠.”
- 애플은 왜 구형 아이목을 느려지게 만들까?
수년 전부터 애플이 구형 아이폰의 속도를 일부러 둔화시킨다는 의혹이 제기된 끝에 마침내 2017년에 애플이 그 사실을 인정했다. 이에 많은 사람이 돈벌이에 눈이 먼 애플이 의도적으로 폰을 빨리 고장나게 해서 신형 모델로 교체하게 만드는 계획적 진부화' 전략을 쓰고 있다고 비판했다. 하지만 실상은 좀 시시하다. 휴대폰은 오래 쓸수록 리튬이온lithium-ion 배터리의 성능이 떨어진다. 폰을 충전할 때마다 '충전 사이클'이 증가하는데 아이폰은 충전 사이클이 500회쯤 되면 배터리 용량이 초기에 비해 20% 정도 줄어든다. (혹시 휴대폰을 오래 썼더니 배터리가 금방 닳는 듯한 느낌이 든다면 느낌만 그런 게 아니다.) 그런데 하드웨어는 나날이 발전하기 때 문에 앱과 iOS가 요구하는 전력도 갈수록 증가한다. 배터리 용량은 줄어드는데 전력 요구량은 늘어나니 구형 휴대폰에는 불리할 수밖에 없다. 당연히 배터리 지속 시간이 나빠진다. 그리고 앱이 요구하는 전력을 배터리가 감당하지 못하면 휴대폰이 다운될 수 있다. 휴대폰이 우발적으로 다운되는 사태를 막기 위해 애플은 구형 아 이폰의 속도를 늦춰서 최대 전력 사용량을 낮추는 방식을 택했다.  그렇게 다운될 확률을 줄이고 배터리 지속 시간을 개선할 수 있었다. 
- 애플페이는 안전할까? 걱정하지 않아도 된다. 애플페이 는 휴대폰에서 상점으로 신용카드 번호가 전달되는 방식이 아니다. 애플이 카드사들과 긴밀히 공조해서 보안성을 극대화한 시스템을 만들었다. 사용자가 애플페이를 쓸 때마다 카드사(비자, 마스터카드 등)는 무작위로 만든 16자리 토큰token을 암호화해 휴대폰으로 전송 한다. 사용자가 휴대폰을 단말기에 대면 휴대폰에서 단말기로 이 암 호화된 토큰이 전송된다. 그러면 단말기는 이 토큰을 다시 카드사로 보내서 사용자의 토큰으로 확인되면 비로소 대금을 청구한다. 이렇게 하면 설령 해커가 사용자의 토큰을 입수한다고 해도 카드번호를 역추적할 수 없기 때문에 안전하다. 
- 더군다나 터치ID가 있는 아이폰에서는 결제할 때 지문인식으로 본인인증을 해야 한다. 그래서 애플페이가 신용카 드보다 훨씬 안전하다는 평가를 받는다. 이처럼 해커에게 신용카드 정보를 털릴 위험이 없기 때문에 애플페이 결제시스템을 도입하는 매장이 급속도로 늘어나고 있다. 2013년에 타깃이 해킹을 당해 무려 4천만 개의 카드번호가 유출된 사건을 떠올려보면 당연한 현상이다. 게다가 2016년부터 마그네 틱을 긁는 방식의 구형 카드 인식기를 쓰다가 해킹을 당하면 카드사가 아닌 판매자가 배상하도록 법이 바뀌었기 때문에 안전한 결제시스템이 더욱 중요해졌다. 물론 마그네틱 카드가 아닌 IC칩 카드를 쓰면 해킹을 방지할 수 있지만 마그네틱을 긁는 것보다 결제 속도가 훨씬 느리다. 그래서 애플페이가 더욱 매력적인 대안이 된다. 
- 와이파이 삼각측량 소프트웨어를 도입했을 때 노드스트롬은 모든 정보가 익명으로 처리되니 걱정할 필요가 없다고 했다. 휴대폰의 맥 주소만 안다고 그 소유자가 누구인지까지 알 수는 없다는 것이었다. (생각해보면 자기 휴대폰의 맥 주소도 모르는 사람이 대부분이다.) 하지만 맥 주소를 갖고 고객의 정체를 파악하는 영악한 방법이 분 명히 존재한다. 예를 들어 무료 와이파이를 쓰기 전에 메일주소로 회 원가입을 하라고 하면 고객의 맥 주소를 메일주소와 결부할 수 있다. 그러면 고객의 매장 내 활동과 온라인 활동을 연계하는 게 가능하다. 가령 메이시스 Macy's 온라인몰에서 스카프를 봤던 사람이 오프라인 매장에 들어오면 스카프 쿠폰이 지급되는 것을 생각해볼 수 있다. 이런 데이터가 CCTV와 결합되면 더 큰 폭발력을 발휘한다. 요즘 매장에 설치되는 신형 CCTV 중 일부 기종은 나이, 성별, 인종을 대략적으로나마 인식한다. 그뿐만 아니라 고객이 구체적으로 어떤 상품을 얼마나 오랫동안 보는지도 관찰한다. 이런 정보와 고객의 매장 내 동선 데이터, 온라인 구매 데이터가 합쳐지면 매장을 운영하 는 입장에서는 군침이 돌 수밖에 없다. 여기서 더 나가면 고객이 물건을 보다가 이동할 때 휴대폰의 푸시 알림push notification을 통해 맞춤형 쿠폰을 보낼 수도 있다. 물론 이것은 매장의 와이파이 네트워크에 접속한 고객에게만 가능할 것이다. 이 또한 무료 와이파이를 제공하는 이유가 된다.
- 서양 기업들은 성장 혹은 확장이 쉬운 비즈니스 모델을 만드는 데 중점을 둔다. 광고 판매 (구글과 페이스북)나 휴대폰 판매 (애플)는 전 세계 어 디서든 동일한 전략이 통용된다. 전 세계의 모든 기업이 광고를 하기 원하고 전 세계의 모든 사람이 휴대폰을 사고 싶어 하기 때문이다. 그래서 서양의 앱과 비즈니스 모델은 전 세계 어디서든 동일하게 작동하고, 지역별로 바꿔야 할 게 있다면 언어 정도다.  한편으로 중국 기업들은 물리적 인프라가 그리 좋지 않은 국가들에서 탁월한 결제와 배송 시스템으로 차별화를 이뤘다. 여기서 문제 는 나라마다 결제와 배송 환경이 크게 다르다는 점이다. 《이코노미 스트The Economist》의 표현을 빌리자면 도시국가인 싱가포르에서 탁 월한 배송 능력을 갖춰 봤자 만 개가 넘는 섬으로 이뤄진 인도네시아 에서는 무용지물이 된다. 이런 상황에서 이상적인 해법은 각국에 맞 는 시스템을 만드는 것이다. 그래서 중국 기업은 현지인의 창업을 지 원하고 그렇게 탄생한 현지형 기업을 인수한다. 
두 전략 모두 뚜렷한 강점이 있다. 미국 기업은 그 가공할 확장성 덕분에 새로운 시장에 진입했을 때 빠르게 치고 나간다. 예를 들어 아마존은 인도 시장에 들어갔을 때 이미 강력한 물류 인프라, 결제시스템, 브랜드 인지도, 많은 협력 업체를 거느리고 있었다. 한편으로 중국 기업은 각국에 맞는 상품과 비즈니스 모델을 개발함으로써 (당연히 확장은 어렵다) 어느 시장에는 안착할 수 있다.
물론 약점도 존재한다. 미국 IT 기업의 경우, 그 상품과 비즈니스 모델이 많은 국가에서 잘 통한다고 한들 어느 국가에도 완벽하게 부합하진 않는다. (구글이 구글고와 안드로이드고를 출시한 것은 기존의 구글 앱과 안드로이드가 인도에 완벽히 들어맞지 않았다는 방증이다.)' 중 국 기업들의 경우 투자를 받은 스타트업들 간에 경쟁 구도가 형성되 는 경우가 많다. 알리바바가 동남아에서 투자한 전자상거래 스타트 업 토코피디아 와 라자다가 현재 여러 나라에서 맞대결을 펼치고 있는 것만 봐도 그렇다.
- 망중립성이란 간단히 말해 ISP가 모든 데이터를 공평하게 취급해야 한다는 원칙이다. 어떤 데이터에도 특혜가 허용돼서는 안 된다. 특정한 영상, 트윗, 이미지가 더 빨리 전송되어서는 안 되고, 제로레 이팅의 경우처럼 더 저렴하게 제공돼서도 안 된다(그렇지 않으면 특 정한 데이터가 소비자에게 더 강한 매력을 발휘하게 된다). ISP는 기본적으로 인터넷 접속에 대한 지배권을 쥐고 있다. 우리가 인터넷에서 소비하는 콘텐츠는 모두 버라이즌이나 컴캐스트 같은 업체를 통해 전송된다. ISP는 막강한 힘을 갖고 있어 특정한 앱이나 웹사이트를 비호하기 위해 그 경쟁자의 데이터가 느리게 전송되 게 만들 수도 있다. 만약 ISP가 돈을 두둑이 챙겨주는 회사들의 편에 서서 운동장을 기울여버린다면 소비자로서는 큰 손해다. 그런 행태 는 인터넷의 개방성을 파괴하고, 혁신과 경쟁을 제약하며, 경제성장 을 둔화시킬 것이다. 
좀 더 구체적으로 말하자면 망중립성은 ISP가 잇속을 챙기기 위해 자행하는 3대 부당 행위를 금지하는 것이다. 그 첫 번째는 '차단'으로, ISP가 노골적으로 트래픽을 차단하는 것 을 뜻한다. 제일 악명 높은 사례는 AT&T가 저렴한 데이터 요금제 가 입자들의 페이스타임 이용을 차단한 것이다.  가입자들에게 대놓고 돈을 더 많이 내라고 요구하는 격이었다. 페이스타임 데이터가 전적으로 AT&T를 통해 전송되는 이상 약정으로 묶인 가입자들은 페이스타임을 이용하려면 요금제를 업그레이드하는 수밖에 없었다.
어떤 웹사이트를 전면적으로 차단하는 것은 너무 티가 나기 때문 에 많은 ISP가 좀 더 교묘한 수법을 쓴다. 바로 속도 제한'이다. 특정한 웹사이트, 주로 경쟁사의 웹사이트에서 콘텐츠가 느리게 전송 되게 만드는 것이다. 2013~2014년에 컴캐스트와 버라이즌이 넷 플릭스의 콘텐츠 전송 속도를 둔화시켰다. 40 아마도 자사의 비디오 스트리밍 서비스를 띄우기 위해서였을 것이다. 속도 제한이 너무 심해서 넷플릭스가 양사에 돈을 지불하고 제한을 풀어야 할 정도였다.  컴캐스트와 버라이즌이 가입자를 볼모로 자사의 상품을 밀고 넷플릭스의 돈을 뜯어낸 것이다.
세 번째인 '대가에 따른 차별’은 ISP가 특정한 웹사이트와 계약 을 맺고 경쟁사 웹사이트보다 정보가 빠르게 전송되게 만드는 것이 다. 44 이처럼 ‘추월 차선'을 제공하는 수법이 최근 들어 차단과 속도 제한보다 많이 쓰인다. 제로레이팅이 대표적인 예다. 
- 제로레이팅은 ISP가 특정한 앱을 무료로 이용할 수 있게 해주는 것으로, 보통은 앱 개발사로부터 거액을 받는 대가로 제공된다. 당 연히 해당 앱은 경쟁자보다 유리한 고지에 선다. 간단히 생각해보면 알 수 있다. 드라마를 몰아보려고 할 때 데이터가 차감되는 서비스와 그렇지 않은 서비스 중에서 무엇을 택하겠는가?
제로레이팅은 근본적으로 스타트업에 타격을 입힌다. 와츠앱, 페 이스북 메신저, 트위터를 무료로 이용할 수 있는 버진미디어의 사례를 보자. 이 앱들을 개발한 거대기업은 그런 특혜를 누리기 위해 버진미디어에 큰돈을 낼 자금력이 된다. 하지만 새로운 메신저 앱을 야심차게 개발하는 스타트업은 당연히 그럴 처지가 안 된다. 그래서 돈 많은 경쟁자들보다 현저히 불리해진다. 일례로 직원이 200명에 불과한 동영상 사이트 비메오Vimeo는 티모바일의 모회사인 도이치 텔레콤Deutsche Telekom과 제로레이팅 계약을 유지할 여력이 안 된다. 고 호소했다.46 다시 말해 제로레이팅은 이미 IT 업계에서 한자리를 차지하고 있는 대기업의 편에 서서 혁신을 저해하는 행위다. 특히 ISP가 무료를 내세워 자사의 상품을 밀어주면 문제가 더욱 심각해진다. 이 방면으로는 AT&T의 다이렉티비 나우 제로레이팅이 대표적인 사례다. 다이렉티비 나우는 제로레이팅을 등에 업고 사용 자를 울타리 안에 가두면서 경쟁자를 차단한다. 지금은 사용자에게 좋은 조건일지 몰라도 만약에 경쟁사가 모두 망한다면 AT&T가 제로레이팅을 철회하고 갈 곳 없어진 사용자에게 대폭 인상된 요금을 부과할지도 모를 일이다. 
앞서 언급했듯이 에피센터, 웍스에서 유럽 30개국의 제로레이팅 실태를 조사해보니 제로레이팅이 금지된 국가에서는 데이터 요금이 꾸준히 하락했지만, 허용되는 국가에서는 요금이 상승했다. 
왜 그럴까? 통신사가 제로레이팅으로 가입자를 유치할 수 있으면 굳이 요금제나 네트워크 품질로 경쟁할 필요가 없기 때문이다. 

- 검증되지 않은 순수한 가설은 팩트로 여겨지지 않는다. 여러 번의 검증을 거쳐, 실험에서 반박할 수 없는 결과가 나온 가설들만이 비로소 이론이 되고, 이 이론의 예 측이 통제된 반복실험에서 혹은 자연에서 여러 번 옳은 것으로 입증되어 야만 팩트로 받아들여진다. 이것이 바로 학문적 방법이다. 하지만 머신러닝 알고리즘 사용자들은 이런 학문적 방법을 무시하고, 처리 결과를 곧장 미래의 행동을 예측하는 데 활용한다. 팩트를 얻는 대신 그런 식으로 찾은 상관관계만 신뢰하는 것이 어느 때 충분하지 않은지를 이 책에서 차차 살펴보려고 한다.
- 고전적 알고리즘은 이처럼 의도치 않게 부작용을 초래할 수도 있지만, 알고리즘 설계자가 고의로 드러내놓고 비윤리적인 알고리즘을 만들 수도 있다. 패스워드 피싱이나 개인정보 갈취, 혹은 하드디스크의 데이터를 인 질로 금전 요구 등을 일삼는 유해 소프트웨어들이 그런 경우다. 가령 당 신이 매번 자동차를 운전해서 어디를 갈 때 최소한 한 번은 유명 패스트 푸드 체인을 거쳐 가게끔 내비게이션을 구축하는 것은 내게 쉬운 일일 것 이다. 이런 특별한 내비게이션에 대한 수요가 아직 없을 뿐!! 일례로 2018년에 여러 항공사가 옆좌석에 나란히 앉아 가기를 원하는 승객들을 비교적 자주 갈라놓는 알고리즘을 투입하고, 그럼에도 일행이 함께 앉으려고 하면 추가요금을 징수한 것으로 알려졌다. 영국 민간항 공국의 조사에 따르면 특히 라이언에어가 이런 비리에 연루되어 있다.  물론 라이언에어는 이를 부인했다. 일행을 따로 앉히면 승객들이 불편을 호소할 뿐 아니라, 비상시 탈출에 차질이 빚어질 수도 있다. 왕립항공협회 항공운항 그룹은 보고서에서 그런 결론을 내리면서, 어떤 경우에도 가족은 함께 앉힐 것을 권고했다. 그런 일이 정말로 의도한 것이든 아니면 부주의 때문에 빚어진 것이든 간에, 최상의 소프트웨어를 사용하는 것이 윤리적으로 요망된다고 하겠다.
알고리즘을 비윤리적으로 활용한 가장 유명한 예는 배기가스 조작 스캔들일 것이다. 차량이 테스트상황인지, 실제 도로에 있는지를 감지하는 소프트웨어가 이런 조작에 활용되었다. 그리하여 시험상황에서만 여러 시스템이 켜지거나 꺼져서 배출가스 기준을 충족했고, 실제 운행상황에서는 배기가스가 시험상황에서보다 여러 배 배출되었다. 이런 조작은 복잡한 배기가스 기술을 개발하는 비용을 절약해주고, 엔진 성능을 높여 운전체험을 향상시켜주었다. 그러나 이제 정확히 누가 알고리즘의 오류와 비도덕적 행동을 책임져야 할까? 특히 알고리즘 설계자들의 책임은 얼마나 클까?
- 고전적 알고리즘의 결과는 늘 특정 맥락 안에서만 이해될 수 있음을 보여주었다. 이를 위해 첫째 운영화(O), 둘째 맥락를 수학 문제로서 모델링하는 것(M), 셋째, 알고리즘(A), 이 세 가지가 서로 협연한다. 는 걸 알고 있어야 한다. 모델링이 적절하지 않으면 알고리즘이 도출한 결과를 의미 있게 해석하는 것이 불가능하다. 우리는 앞에서 그 예로 각 각의 출발시간과 도착시간을 고려하지 않는 철도 연결 모델링을 살펴보 았다. 이런 경우 알고리즘은 최단경로를 계산하지만, 결과를 실제에 적용 하기는 힘들다. 중요한 것은 이런 모델링이 문제제기에 따라서는 아주 이성적인 모델이 될 수도 있다는 것이다. 가령 한 역에서 다른 역으로 가는데 걸리는 최소 시간만 알고자 한다면(실제 소요시간과는 그다지 맞아떨어지지 않는) 이런 단순한 철도 연결 모델을 활용할 수 있다.
이번 장의 또 하나 중요한 점은 운영화를 통해 측정할 수 있게 수량화 된 개념이 다르게 운영화될 수도 있는지, 그리고 운영화가 개념의 중요한 측면들을 파악하고 있는지를 점검해야 한다는 것이었다. 내비게이션의 경우 이것은 최단경로를 어떻게 정의할 것인가 하는 질문이었다. 가령 노선의 길이를 기준으로 할지, 예상되는 최단 소요시간을 기준으로 할지 말이다.
마지막으로 나는 알고리즘도 오류가 있을 수 있음을 이야기했다. 그러나 알고리즘이 해답의 특성이 명확히 정해진 수학 문제를 다루는 경우에는 이 해답이 진짜 맞는지를 점검할 수 있다. 경로가 정말 최단경로인지, 정렬이 모든 정렬 규칙을 정말로 준수하고 있는지를 점검할 수 있다. 그러나 휴리스틱의 경우는 대부분 이런 점검이 불가능한데, 많은 머신러닝 방법은 휴리스틱이다. 
- 추천 시스템은 빅데이터를 활용하는 대표적인 알고리즘이다. 머신러닝 방법을 활용한 것으로, 머신러닝은 과거의 데이터로부터 추론 을 해서 적절한 구조를 만들고 미래의 데이터를 위해 결정을 내린다. 머 신러닝의 모든 방법은 인공지능에 속한다. 그러나 현재 추천 시스템이 정 말로 똑똑할까?
온라인 시장이 막 태동했을 때 이 시장이 오프라인 시장을 위협할 거라고는 거의 아무도 상상하지 못했다. 특히나 전문점의 경우는 오프라인숍이 고객들에게 탁월한 맞춤 서비스를 해줄 수 있었다. 하지만 이 책에서 소개한 기술을 사용하면서 상황은 변했다. 우리 대부분은 시간이 흐르며 온라인 숍이 얼마나 양질의 추천을 해줄 수 있는지에 혀를 내두르게 되었다. 어떻게 내가 언젠가 구입한 그 여러 가지 것들이 이렇게 중요한 정보를 포함하고 있었을까 당황하게 되었다. 어쨌든 내가 책을 아주 많이 읽던 시기에는 튀빙겐 자연과학대학에 있는 나의 단골서점 '오지안더도, 나의 단골서점 직원도 내 독서에 발을 맞추지 못했다. 그때는 아마존의 천 재적인 이 책을 구입한 분들은 다음 책도 구입했습니다' 덕분에만 최신 서적을 찾아 읽을 수 있었다. 그러나 요즘 완전히 새로운 것을 찾으려 할 때면 아마존의 추천이 별로 도움이 되지 않는다고 느낀다. 흥미로운 신간 서적이 종종 쓸데없는 책들에 묻혀 의미 없는 그룹으로 분류되어버린다. 동시에 다행히 굉장한 전문지식을 가지고 알고리즘 추천을 뛰어넘는 흥미로운 발굴을 제시해주는 오프라인 서점들이 존재한다. 그리하여 나는 때로 기차 시간을 여유 있게 예약하고 프랑크푸르트 중앙역의 슈미트&한 서점' 심리/IT/경제 코너에서 시간을 보낸다. 아니면 베를린에서 미팅 중간에 틈을 내어 얼른 '두스만으로 뛰어 들어가서는 두둑한 가방과 아이디어로 무장하고 나온다.
하지만 어쨌든 별로 신통치 않은 데이터 속에서 패턴을 인식하는 것이 바로 '인공지능'의 기본 속성이다. 인공지능 분야의 연구자들은 이런 접근 으로 지금까지 인간이 하던 과제들을 컴퓨터로 해결하게 하는 방법을 찾 고자 한다. 그리고 일단 그 일이 이루어지면, 기계가 그런 일을 할 수 있다는 것을 예전에는 상상도 못했다는 사실이 낯설게 여겨진다. 
- 그렇다면 누가 빅데이터 알고리즘의 결과들을 책임질까? 물론 나는 알고 리즘 설계자로서 순수한 결과, 즉 계산된 숫자에 책임이 있을 것이다. 내가 나의 넷플릭스 분석 알고리즘 같은 알고리즘을 프로그래밍한다면, 그 알고리즘은 내가 의도한 일을 해야 할 것이다. 따라서 나는 프로그래밍의 정확성을 책임진다. 하지만 이제 누군가 다른 사람이 그 알고리즘을 다른 데이터에 활용한다면, 알고리즘 설계자로서 내가 그 해석의 결과까지 책임져야 할까?
그런 경우 대부분은 데이터과학자가 참여하게 될 것이다. 데이터과학자는 여러 가지 데이터 분석 방법들을 잘 알고, 대부분은 결과들을 구체적으로 시각화시킬 줄도 아는 사람들이다. 한 기사에서는 데이터과학자의 역할을 이렇게 설명하고 있다. “데이터과학자는 구조화되지 않은 데이터 쓰나미로부터 중요한 비즈니스 문제에 대한 답을 건져 올릴 줄 아는 사람들이다.
예전의 '통계학자'와 비슷하지만, 조금 더 힙하고, 데이터 분석에서 통 계학자와는 다른 목표를 지향하는 신생 직업이다. 통계학에서 데이터 분석의 목적은 설명하는 것이지만, 데이터과학에서는 데이터 안에서 새로운 패턴을 찾아내고자 한다. 그 밖에도 데이터과학자는 능동적으로 프로그래밍을 하고 자신의 분석을 시각적으로 구현해 의사소통할 수 있어야 한다.
- 빅데이터에 대한 접근은 그 자체로는 별로 신통치 않은 많은 정보를 활용해 최소한 통계적인 패턴을 알아내는 것이다. 통계적 패턴은 커다란 무리의 사람들에게만 적용될 뿐 개개인의 행동에 꼭 적용되는 것은 아니다. 이런 접근을 좀더 급진적으로 활용하는 것이 머신러닝이다. 머신러닝은 과거의 데이터에서 패턴을 찾아 새로운 데이터에 대해 결정을 내린다. 따라서 찾아낸 상관관계로부터 직접적으로 규칙을 이끌어내 예측에 활용한다. 가설 수립에서 직접 가설 활용으로 넘어가는 이런 방법이 정당한지는 실측자료를 도구로 한 테스트 데이터세트를 활용하여 확인할 수 있다. 학습한 규칙들이 테스트 데이터세트의 상황과 맞아떨어지면 머신 러닝을 통해 배운 것이 옳다는 의미다.
- 이로써 우리는 이미 이번 장의 주제에 다다랐다. 바로 인공지능 알고리즘은 지금까지 인간 특유의 것으로 여겨졌던 활동, 즉 인지활동을 떠맡는다고 하는 것이다. 이를 지적 활동의 자동화라고도 이야기한다. 인공지능이라는 개념은 오늘날 보통 다음과 같이 정의된다. 
컴퓨터로 하여금 보통은 인간이 해결하는 인지활동을 수행하게 하는 소프트웨어를 인공지능이라 일컫는다.
인공지능의 정의는 물론 여러 가지 문제를 보여준다. 첫 번째 문제는 과연 인지활동 혹은 인간 특유의 지적 행동이 정확히 무엇인가 하는 것이 다. 두 번째 문제는 목표에 도달하면 정의도 변한다는 것이다. 즉 컴퓨터 가 원하던 것을 할 수 있게 되면, 해당 활동은 컴퓨터가 할 수 있다는 이유로 덜 지적인 것이 된다. 그리하여 토비 월시는 움직이는 과녁'이라는 말을 했다.
- 기계학습 과정에서 많은 것이 수작업으로 즉 인간이 일일이 확인해서 결정을 내려야 한다는 것, 그리고 많은 파라미터가 있음을 아는 것이 왜 중요할까?
이는 우리 모두가 기계의 판결에 내맡겨져 있지 않다는 의미이기 때문이다. 기계는 그냥 단순히, 객관적인 방식으로 사실을 확인할 수 있는 순수 수학을 활용하지 않는다. 이것은 어떤 결정들은 틀릴 수 있다는 뜻이다. 그러므로 당신은 기계를 잘 모른다 해도 일부 질문에 함께 결정할 수 있고, 결정해야 한다. 스스로 그런 결정을 내려야 한다. 이를 위해 스스로 기계가 되어 보자. 서포트 벡터 머신Support Vector Machine이 되는 것이다.
- 인풋 데이터가 첫 번째 층의 함수에 의해 처리되면, 그 결과는 다시금 두 번째 층에 인풋 데이터로 입력되고, 그 결과는 세 번째 층 함수의 인풋 데이터로 입력되는 식이다. 마지막 층, 즉 아웃풋 층은 청소로봇의 행동으로 이어진다. 즉 이제 로봇은 멈추든가, 좌회전 혹은 우회전하든가, 전진 혹은 후진하든가 하게 된다. 첫 번째 층의 수학 함수들은 원칙적으로 모든 인풋 데이터를 사용할 수 있다. 그러나 이 데이터들에 각각 다른 가중치를 둔다. 어떤 함수는 카메라 영상을 주로 평가하고, 어떤 함수는 충돌센서 혹은 임의의 조합을 평가한다. 이렇게 가중치를 할당한 계산의 결과는 이제 두 번째 함수로 처 리되고, 다시금 0과 1 사이의 결과가 나온다. 이를 정규화 normalize라고 한다. 계산과 정규화로 이루어진 각각의 함수가 뉴런' 즉 신경세포다. 우 리의 신경세포도 다양한 센서 인풋을 얻고, 그런 다음 활성화되든지' (신호 전달), 비활성화되든지 하지 않는가. 그래서 1(활성화)과 0(비활성화) 사이의값으로 정규화된다. 그 밖에 신경세포들은 감각세포와 연결되어 있을 뿐 아니라, 서로서로도 연결되어 있다. 이것은 인공신경망에서 이전 층의 아웃풋이 다음 층의 인풋이 되는 방식으로 나타난다. 또한 층 사이에서 인 풋에는 다시금 가중치가 할당되고 아웃풋 층은 청소로봇의 행동으로 이어진다. 그러면 그 값이 1에 근접하는 행동이 실행되고 보상 기능면에서 평가된다. 상황과 선택된 행동이 로봇이 빠르게 진행하고 추돌이 감지되 지 않는 것으로 이어지면, 이런 행동에 맞추어진(즉 이런 행동을 선택하도록 긍정적으로 기여하는 높은 값을 공급한) 세포들은 그런 행동에 기여했던 세포 들과 더 강하게 연결된다. 따라서 그런 행동에 긍정적으로 기여한 각 인풋의 가중치는 변한다. 올바르게 결정한 신경세포들을 위한 긍정적인 피드백이 이루어지는 것이다. 가중치가 정확히 어느 지점에서 얼마만큼 변하는가 하는 부분에 데이터과학자들의 기술이 개입된다. 데이터과학자들은 여러 가지 가능성을 동원해 신경망을 조절한다. 반면 행동이 더 낮은 속도, 혹은 측정가능한 충돌로 이어지면, 이런 행동에 이르는 가중치는 약화된다(부정적 피드백), 따라서 잘한 신경세포연 결은 과자를 받고, 그렇지 못한 연결은 엉덩이를 한 대 맞는 것이다. 좀 상궤를 벗어난 이미지였다. 대신에 좀더 인상에 오래 남기를, 삐딱한 것이 아름답다.
- 일방적인 피드백은 알고리즘 기반 의사결정 시스템을 훈련하는 데 나쁜 전제이다. 처음에 트레이닝 데이터가 적을 경우에는 특히 나 그렇다. 그러나 인간과 관련된 영역에서는 리스크나 성공 예측에 관한 한 일방적인 피드백만 존재하는 상황이 예외가 아니라 보통이다. 보통 알고 리즘 의사결정 시스템의 사용자들은 높은 리스크를 가진 사람들을 피하 고, 높은 성공잠재력을 가진 사람들을 찾기 때문이다. 그리하여 이른바 낮은 잠재력을 가졌다고 예측된 지원자들은 그들이 일을 잘 감당할 수 있 었다는 걸 증명할 길이 없다. 기계가 높은 리스크를 예측한 사람들은 그들이 대출금을 잘 상환할 수 있었음을 보여줄 길이 없다. 낮은 교육 잠재 력을 가진 것으로 예측된 아이들은 일찌감치 대학 진학을 포기하게 마련 이라, 그들이 대학 공부를 잘 해낼 수 있다는 걸 증명할 길이 없다.
따라서 이제 머신러닝은 무엇을 할 수 있을까? 재범이나 테러위험 예측, 신용도 평가, 입사지원자 선발과 같은 지금까지의 예는 머신러닝을 투입하는 전형적인 예는 아니다. 그러나 머신러닝이 정말 잘하는 분야가 있다. 시스템이 인간보다 더 능력을 발휘하는 분야다. 
- 이미지인식은 이제는 완전히 기계의 손으로 넘어갔 다고 말할 수 있다. 이것은 무엇보다 두 가지 때문이다.
1) 인간은 몇 안 되는 카테고리에서만 전문가가 될 수 있다. 어떤 사람은 약 3만 개의 뜨개질 패턴을 알고 있고, 어떤 사람은 모든 로봇팔을 구분할 수 있다. 그러나 모터와 버섯, 기각류, 뜨개 패턴을 동시에 똑같은 수준으로 아는 것은 그 누구도 불가능하다. 기계는 많은 카테고리들을 얼마든지 인식할 수 있다. 물론 카테고리를 추가하는 경우에는 기본부터 새로 학습해야 하지만 말이다.
2) 기본이 되는 사진 데이터뱅크와 실측자료, 즉 사진을 분류하는 카테고리들은 앞으로 더 개선되고 완전해질 것이다. 어느 순간 모든 모터 타입, 모든 균류, 모든 해양포유류, 모든 뜨개 패턴에 대한 해상도 높은 라벨링된 사진들이 모든 각도와 다양한 배경으로 존재하게 될 것이고, 이로써 기계의 정확성은 더 완전해질 것이다.
이런 상황은 학습하는 시스템에는 이상적이다. 세월이 흐르며 수백만 의 자원자들과 협업을 하면서 트레이닝 가능한 데이터가 마련된다. 이를 기초로 인류는 얼마 가지 않아 가령 생물종 다양성을 자동으로 조사할 수 있게 될 것이고, 이것은 중요한 생태계에 대한 인간 개입의 결과를 비용을 많이 들이지 않고 지속적으로 감시하는 중요한 기반이 될 수 있을 것이다. 물론 이미지인식은 기계의 각종 자율행동과 감시카메라의 토대가 되기도 한다. 시간이 흐르면서 동물종과 기술적 산물의 사진들이 충분히 존재하게 될 것이며, 우리 중 거의 모두의 사진이 이미지 데이터뱅크 안에 들어가 있게 될 것이다. 자, 인공지능 시스템이 최소한 인간 전문가만큼 능력을 발휘하는 두 번째 예는 의학적 진단과 관련된 것이다. 인공지능 시스템으로 특정 피부암을 발견할 수 있기 때문이다.
- 전문가 시스템은 인간이 만든 규칙들을 의사결정 나무(학습한 것이 아니라, 인간이 구축한 의사결정 나무)나 데이터뱅크 같은 구조에 담는다. 그런 다음 의사결정 알고리즘으로 새 데이터를 이 결정규칙에 넣어 통과시킨다.
이로써 모든 의사결정 규칙과 그 규칙들이 내린 결정들은 인간 입장에서 왜 그런 결정이 나왔는지 늘 이해할 수 있는 것이 된다. 이런 경우는 학습 요소를 지닌 소프트웨어 시스템을 사용하지 않는 것이 좋은 상황이다. 
한편 고전적 알고리즘이 존재하는 수학적 모델링을 할 수 있는 경우도 머신러닝 시스템을 활용하지 않아도 되는 상황이다. 수학적으로 그 해답 을 계산하는 데 얼마나 오래 걸릴지에 따라 판단이 달라지겠지만, 가급적 이면 고전적 알고리즘을 우선 사용해야 한다. 그 방법으로 실제로 최적의 해답을 찾아낼 수 있기 때문이다. 대부분의 머신러닝 알고리즘은 휴리스틱일 뿐임을 기억하라. 즉 해답을 찾으려 하지만, 그것이 최적임을 보장할 수 없는 행동지침일 따름이다.
- 머신러닝은 다음 조건이 충족될 때 기본적으로 성공적일 수 있다.
1) 양질의 방대한 트레이닝 데이터가(인풋) 있을 때
2) 측정가능한 실측자료, 즉 예측할 수 있는 것이(아웃풋 있을 때
3) 인풋과 예측할 수 있는 아웃풋 사이에 인과관계가 있을 때

머신러닝 알고리즘이 인간을 능가하는 면은 다음과 같다.
1) 임의의 데이터에서 상관관계를 찾을 수 있다는 점
2) 다양한 상관관계를 찾을 수 있다는 점
3) 약한 상관관계도 통계 모델에 집어넣어 유익을 이끌어낼 수 있다는 점

추가적으로 다음에 해당될 때 머신러닝의 결과는 믿을 만하다. 
1) 인풋과 예측되는 아웃풋 사이에 인과관계가 알려져 있어 관계자들이 쉽게 합의할 수 있는 명확한 인풋 데이터가 존재할 때
2) 두 가지 오류 유형(위양성/ 위음성 결정)에 대해 가급적 많은 피드백이 있을 때. 그로써 지속적으로 품질을 측정해 통계 모델을 역동적으로 개선할 수 있다.
3) 모든 관계자들이 쉽게 동의할 수 있는 명확한 품질 척도가 있을 때
- 머신러닝은 플랜 B일 따름이다. 그러나 유감스럽게도 플랜 A가 없을 때가 많다. 당면한 많은 문제는 고전적 알고리즘으로 해결을 할 수가 없기 때문이다. 물론 계속해서 인간이 이런 문제들을 해결하거나, 인간과 기계가 함께 해결책을 찾아나간다는 대안은 남는다. 좋은 해결이 무엇인지를 사회가 함께 모색하는 것은 중요하다. 아무도 우리에게서 이런 결정을 앗아갈 수 없다.
- 인간에 대한 알고리즘 기반 의사결정 시스템에서 대부분의 결정은 현재와 미래의 행동에 관계된다. 이 사람이 근무에 적합한 자질이 있 는가? 대출금 상환을 할까? 테러리스트일까? 여기서는 100퍼센트 옳은 결정규칙은 거의 존재하지 않는다. 그러므로 기계의 결정은 늘 통계적 특 성을 띨 수밖에 없다. 어느 개인이 특정 행동을 할 위험성은 그와 비슷한 사람들 내지 그와 비슷한 행동을 보였던 사람들을 기준으로 표시된다. 그 로써 인간행동의 리스크 예측은 힘든 것으로 악명이 높다. 기계가 누군가 의 재범 위험값이 70퍼센트라고 말하면, 이것은 그가 어느 범행으로 인한 사회적 비용의 70퍼센트를 유발하고, 70퍼센트만큼 징역형을 살아야 한 다는 뜻이 아니다. 인간은 범행을 저지르거나 저지르지 않거나 둘 중 하나다. 70퍼센트의 절도나 폭행은 없다. 그런 결과는 통계적 표현이다. 너와 비슷한 사람들의 70퍼센트가 범행을 저지른다'고 하는 것이다. 그 사 람과 닮은 집단은 알고리즘이 정한다.
알고리즘 기반의 의사결정 시스템은 이런 알고리즘적 연대책임으로 개개인의 위험평가를 그룹의 위험률로 대신한다. 이로써 알고리즘적으로 정당화되는 편견이 생겨나는 것이다.
- 기계가 내놓은 결과들을 해석하고 책임성의 긴 사슬에서 행동을 선택할 때에야 비로소 어떤 시스템이 사회적으로 어떤 유익이 있는지를 규정할 수 있다. 지난 장에서 나는 인풋 데이터에 이미 포함되어 있는 차별이 사회적 상황을 더 악화시킬 수 있음을 이야기했다. 열악하게 만들어진 지원자 평가 시스템, 이미지인식 혹은 음성인식, 구인광고의 분배 등. 그러나 이것은 어쩔 수 없이 받아들여야 하는 자연법칙이 아니다. 알고리즘이 대량의 데이터 안에서 부당한 차별을 발견하는 데 도움을 준다면, 그것을 활용할지 말지는 사회적 결정이다.
- 알고리즘 기반 의사결정 시스템의 개발과 활용에서의 윤리적 문제들
* 데이터: 어떤 사회적 개념을 어떻게 운영화했는가? 전체적으로 어떤 데이터를 활 용했는가? 이런 데이터의 질은 얼마나 높은가? 누가 실측자료를 정의하는가?
* 방법: 어떤 유형의 알고리즘을 사용했는가? 데이터의 양이 적합한가, 아니면 데이 터에 굶주리는가? 알고리즘이 오류에서 안전한가? 거기서 나온 통계 모델이 인간 이 이해할 수 있는 것인가?
* 품질 척도와 공평성 척도: 어떤 품질 척도와 공평성 척도를 사용했는가? 그것을 각각 누가 결정했는가?
* 데이터 입력: 데이터 입력에서 어떤 오류가능성이 있는가?
* 해석: 결과가 정확히 어떻게 제시되는가? 누가 그것을 해석하는가? 사람들이 관련 교육을 받았는가? 품질 척도의 값이 알려져 있는가? 이런 척도의 의미를 명확히 의사소통했는가?
* 행동: 누가 최종결정을 내리는가(행동하는가? 기계가 자율적으로 결정을 내리는 가? 아니면 그 뒤에 추가로 인간 결정자가 존재하는가?
* 피드백: 피드백이 쌍방인가, 일방인가? 피드백을 측정할 수 있는가? 어떻게 측정 하는가? 시스템이 어떻게 개선되는가? 더 중요한 목표에 대해, 기계의 활용으로 개선하고자 하는 사회적 목표를 누가 정했는가? 목표 도달을 어떻게 측정하는가?

- 세일즈포스가 정의하는 마케팅 관점의 고객의 시대 10가지 특징

1) 고객의 손끝에서 무제한의 컴퓨팅 파워를 즉시 활용할 수 있다.

2) 모바일은 전 인류를 연결하는 단일 플랫폼이다.

3) 소셜 네트워크는 아이디어와 정보가 실시간 소통되는 온라인 모임 공간이다.

4) 데이터 사이언스와 애널리틱스는 미래를 예측하고 과거의 것을 배우는 데 도움을 준다.

5) 자동차에서부터 가전기기까지 모든 것을 사물인터넷으로 연결한다.

6) 고객은 요구사항이 일관되게 충족되기를 바랄 뿐, 어떤 서비스인지는 중요하지 않다.

7) 고객담당자는 혁신적인 변화를 위한 커다란 기회를 맞게 되었다.

8) 고객과의 상호작용은 모두 개인화되어야만 고객의 실제 반응을 이끌어낼 수 있다.

9) 고객이 하는 모든 일들에 대한 데이터가 필요하다.

10) 더 많은 고객사의 임원들이 이제 변화할 시간이라고 말하고 있다.

- PaaS와 SaaS 형태로 클라우드 서비스를 제공하는 세일즈포스는 고객관계관리 업무를 프로세스화하고 시스템화하면서, 기업의 업무환경이 바뀌어도 변화를 수용할 수 있는 플랫폼 기반 서비스를 창조해냈다. 개발 자는 PaaS를 통해 영업부문의 요구를 반영한 시스템을 정기적으로 개발하거나 수정할 수 있고, 서비스 이용자(영업사원)는 SaaS를 통해 언제 어디서나 접속하여 업무를 볼 수 있다. 만약 영업사원의 업무 방식이 변경될 경우 시스템 또한 그 변경을 반영하므로, 영업사원은 최신의 프로세스와 일하는 방식으로 계속 업무를 할 수 있다. 즉, 세일즈포스가 클라우드 기술의 속성을 통해 지향하는 서비스는 크게 3가지 방향이다. (1) 비즈니스 요구의 빠른 변환, (2) IT기술의 지속적 최신성 유지, (3) 효율적 IT 비용(전통적 개 발 대비 낮은 총비용).

클라우드 서비스 도입에는 비즈니스 니즈와의 결합(Fit)이 중요하다. 국내외 다양한 클라우드 서비스 중 우리 기업에 가장 적합한 것을 찾으려면, 비즈니스의 니즈를 먼저 정의하고 이에 따라 제공받을 수 있는 IT 서비 스를 구해야 한다. 클라우드 서비스와 접목될 때 정말 업무 효과가 높아질까를 우선 검토해야 한다. 비즈니스 관점에서 고객관계관리 업무처럼 지속 적인 업무 변화와 이를 반영한 시스템화가 필요한지를 파악하라는 얘기다. 잦은 부서 변동을 고려한 사용자별 비용집계가 필요한지, 다양한 모바일 디바이스 변화를 수용할 수 있는 최신 기술 유지가 필요한지 등 다양한 관점에서 기업의 현 상황을 이해해야 한다. 

- 영업활동의 견실함은 바로 다음 질문에 얼마나 잘 대답할 수 있느냐가 될 것이며, 아래 질문은 세일즈포스의 근본 사상과도 일맥상통한다.

1. 양질의 비즈니스 기회가 지속적으로 창출되고 있는가? 

2. 회사가 가진 비즈니스 기회의 성공률은 얼마나 되는가? 

3. 경쟁사에 비해 성공률이 높거나 그렇지 않은 이유는 무엇인가? 

4. 계약 성공률을 높이는 데 필요한 개선 활동은 무엇인가? 

5. 회사 차원에서 어떤 비즈니스 전략으로 대응할 것인가? 

6. 지역 품목 서비스별 매출 트렌드가 완만한 성장곡선을 유지하는가? 

7. 영업사원을 평가할 때 매출 이외 영업활동도 평가하는가?

- Sales Cloud 적용을 통한 영업 혁신의 지향점

1) 과거의 낡은 소통 방식을 바꿔라. 플랫폼 안에서 소통하고 공유하라.

2) 모든 보고와 문서작성을 간소하게 줄이고 고객 접촉 빈도를 늘려라.

3) 얼마나 잠재기회를 많이 만들고, 유의미한 사업기회를 만들어 내는지 과정을 함께 평가하라.

4) 기존 고객 히스토리를 분석하고 새로운 인사이트를 찾아라.

5) 모바일을 통해 현장중심으로 영업하라. 실시간으로 본사의 지원을 받아라.

- IT 실무라는 관점에서 사전에 준비 점검할 사항은 다음과 같이 요약할 수 있 다. 그러니까 아래 7가지는 프로젝트 준비 시 반드시 고려할 사항이다.

(1) 클라우드 서비스 도입에 따른 기존 보안정책과의 상충 부분 이해 

(2) 세일즈포스에서 사용되는 콘텐트 및 파일, 모바일에 대한 보안정책 적용 방법 

(3) 세일즈포스 사용 용량, 오브젝트(기능)의 수, 라이선스의 종류, 개발플랫폼의 사용유무 

(4) 세일즈포스 적용 대상 부서의 규모와 추진 방식(일괄 혹은 단계적) 

(5) 세일즈포스 환경에서 국가별 대륙별 보안정책을 기업 상황에 맞게 적용할 방법(중국 개인정보 보호, EU의 개인정보보호법 대응 가이드라인 등에 대한 회사별 대응책 필요) 

(6) 세일즈포스가 적용되었을 때 현업 실무자와 IT 운영자의 역할 그리고 향후 운영 방법 

(7) 기존 시스템과 연계되는 인터페이스 대상과 방식

- “Information is the oil of the 21st century, and analytics is the combustion engine."

"정보는 21세기의 원유이며,분석은 그걸 태우는 연소기관이다.” (피터 존더가드 가트너 리서치)

- “In this age of the customer, the only sustainable competitive advantage is knowledge of and engagement with customers."

"지금과 같은 고객의 시대에서 지속 가능한 경쟁 우위는 오로지 고객에 대한 지식과 고객관계뿐이다." (포레스터 리서치)

- Sales Cloud 컨설팅을 진행하면서 놀랐던 점은 너무나 많은 기업의 영업방식이 아직도 개인 역량에 의존하고 있다는 사실이다. 경험 많고 유능한 영업사원은 자신만의 고객 프로파일을 갖고 있으며, 매일 시장정보와 상권정보를 탐색 분석하는 나름의 방식을 가지고 있다. 하지만, 대부분은 구글링이나 인터넷 검색으로 잠재고객을 발굴하고 있으며, 회사의 역량으 로 영업하는 것이 아니라 직접 자료를 찾아 출력한 다음, 사무실을 찾아가 담당자와 일단 부딪혀보는 식으로 영업을 수행한다. 흔히 영업에서 많이 활용하는 기업정보 DB인 크레탑(http://www.cretop.com)이나 해외기업 정보 DB인 D&B Hoovers (http://www.hoovers.com)조차 활용하지 않는 경우도 흔히 보았다. 영업을 잘하려면 좋은 기업을 골라내는 것도 중요하지만, 거래하기 나쁜 기업도 걸러내야 하지 않겠는가? 잘 만들어진 고객 DB가 있는 회사와 없는 회사, 애당초 영업의 기초 체력이 다르다. 

세일즈포스를 소개할 때 가장 강조하는 기능면의 장점은 고객에 대한 360도 뷰(View)를 제공한다는 점이다. 한 고객을 중심으로 다양한 정보 를 연결해 한 페이지로 요약 정리해서 보여준다는 콘셉트. 하긴 기존에 전혀 없던 새로운 방식은 아니다. 하지만 누구나 이용할 수 있고 어떤 기술로 도 구현 가능한 고객 360도 뷰는 고객 관점으로 일하는 출발점이 된다. 세 일즈포스는 정보의 시작을 고객으로 보고 Account 화면에 고객과 관련된 모든 데이터가 축적, 소통, 분석되도록 하고 있다.

- 지금 회사의 CRM 서버에 접속해보라. 고객정보 중 얼마나 최신의 내용이 기록되어 있는가? 미팅 결과를 문서로 저장해놓을 수는 있지만, 문서는 이미 파워포인트나 워드나 한글 프로그램에 종속된 정보일 뿐, 데이터가 아니다. 결국 디지털로 기록되더라도 분석과 내용 조회가 불가능한 정보가 된다. 그래서 적어도 고객과 관련한 업무를 다루는 부서의 커뮤니케 이션은 더구나 기록 가능한(사내 메신저나 SNS 같이 정보 축적이 가능한) 형태 가 되어야 한다. 페이스북에서 친구를 팔로우하듯이 고객을 팔로우하면 자 동으로 고객의 최신 정보가 실시간 알림으로 전달된다. 그런 알림을 보고 친구에게 댓글을 다는 것처럼, 소통 그 자체가 고객의 히스토리로 기록되 어야 한다. 이렇게 소통 수단 방식만 바꿔줘도 한 순간에 고객중심의 히스 토리 정보를 가진 회사가 된다. 하지만 가장 무서운 것은 기존의 커뮤니케 이션 습관이다. 이것을 바꾸는 것이 세일즈포스를 구축하는 일보다 훨씬 어렵다.

- 생각해보자. 유튜브 기능이 마음에 안 든다고 유튜브가 제공하는 동영상 기능을 새로 만드는가? 구글의 검색기능이 안 좋다고 나한테 맞는 검색 기능을 다시 만드는가? 아니다. 마찬가지로 세일즈포스를 플랫폼으로 이해한다면, 플랫폼 자체의 서비스에 익숙해져야 한다. 그리고 우리의 기존 시스템이나 방식을 거기에 적응시켜야 한다. 이런 과정 없이 기존에 써오던 익숙한 시스템 방식대로 만들거나 세일즈포스 플랫폼을 맘대로 손본다면, 자체 개발보다 더 불편하고 더 비효율적인 시스템을 갖게 될 뿐이다. 

플랫폼은 고객이 이용하는 부분 외에도 그 이면에서 플랫폼 기업이 관리하고 제공하는 영역이 별도로 존재한다. 세일즈포스를 단순히 IT 개발 도구로 인식해 도입한다면, 플랫폼 서비스 기업이 제공하는 서비스와 새로 만든 시스템 간의 연결성은 끊어진다. 

- 세일즈포스는 글로벌 표준 서비스를 제공하기 위해 개발자를 위한 표 준 규약인 OWASP(Open Web Application Security Project)를 통해 지침을 제 공한다. OWASP는 웹 애플리케이션을 개발할 때 지켜야 할 10가지 지침이 다. 세일즈포스는 PaaS 형태로 플랫폼 내 개발 기능을 함께 서비스하고 있 기 때문에, 개발자를 위한 규정과 지침도 모두 제공한다. 

우리가 이용하는 서비스를 깊이 있게 이해하고 알아가는 것은 중요하 다. 공개가 필요한 범위는 각 기업에 따라 다를 수 있다. 구글처럼 오픈소 스 기반으로 상생 협업하는 구도도 있지만, 특정 제품을 개발한 노하우와 소스의 공개는 없어도 제3의 기관을 통해 신뢰성을 검증 받아 IT 서비스를 제공하는 기업도 있다. 필요한 자료를 요청할 때도 이런 서비스 차이를 이 해하고 접근해야 한다.

우리가 프로젝트를 하면서 안타까운 순간은 크게 세 가지다.

첫째는 플랫폼이 가진 여러 제약이다. 15만 기업이 사용하도록 만들 려면 기능의 표준화가 필요하다. 진화 중인 플랫폼이다 보니, 고객사에 꼭 필요한 기능이 미미한 경우도 없지 않다. SI형이었다면 직접 개발이라도 하겠지만, 정해진 서비스를 사용해야 하는 SaaS 모델이므로 주어진 기능 내 에서 서비스를 이용할 수밖에 없다. 그런 한계가 있다.

둘째는 고객사의 시스템이 신뢰할 만한가의 문제다. 세일즈포스 아키텍처를 요청하는 기업 중에는 자사 시스템이 비표준으로 개발되어 세일즈포스와의 연계(Interface)가 어려운 경우가 있다. 한 번 로그인으로 여러 사 내 사이트를 이용하는 SSO(Single Sign On) 서비스 표준을 준용하지 않거 나, 한국의 보안규정만 지키다보니 유럽-미국 진출 시 새로이 준비해야 할 경우도 생긴다. 한국형-사내형 기술로 포장된 시스템이 많아 글로벌 표준과 상충하기 쉽다는 얘기다.

마지막으로 시스템의 신뢰성과 사내 정책이 없어서 혼란이 생긴다. 세 일즈포스가 준용하고 인증 받은 개인정보보호와 보안은 시스템 및 서비스 에 대한 제공자 관점의 신뢰성이다. 즉, 제품으로서 하자나 문제가 없다는 뜻일 뿐이다. 그런데도 SaaS 제품을 구매한 고객은 자사의 보안정책과 규정까지 모두 저절로 준용되는 것으로 오해한다. 제품 구매 이후, 고객의 정 보를 어떻게 수집 관리 저장할 것인가는 고객사의 정책 문제다. 세일즈포스 서비스를 이용하는 기업은 정보 표준을 세일즈포스에 요구할 것이 아니라(세일즈포스는 이미 나라마다 인증을 받은 상태다. 추가로 필요하다면 제품에 대해서 는 세일즈포스가 인증을 받을 것이다), 우리 회사가 글로벌 표준을 준수하는지, 국가별 정책을 준용하는지, 검토해서 이에 대한 정보보호 정책을 준비해야 한다.

- 가장 좋은 방법은 SaaS 형태로 제공되는 본연의 기능을 사용하는 것이다. 하지만 현재 세일즈포스를 이용하고 있는 크고 작은 15만 기업 중 그런 기능을 그대로 사용하는 경우는 드물다. 각자의 경영 환경에 맞추어 조금씩 다르게 사용한다. 최소한 고객관리 정보에 필요한 필드 값이라도 차이가 나기 때문이다. 세일즈포스는 이와 같은 각사의 업무 및 시스템 환경을 고려해 SaaS 외에 개발자를 위한 PaaS도 함께 제공한다.

세일즈포스를 우리 회사에 적용하는 방법은 크게 다섯 가지로 요약 할 수 있다. 표준설정(Standard Configuration)은 만들어진 기능에 설정 값을 바꾸어 화면을 만드는 것이다. 업무 프로세스 자동화(Workhow Automation) 는 비즈니스 로직을 반영해 화면을 구성하는 방식이며, 기본 설정과 함께 SaaS로 제공되는 기본 기능을 그대로 사용하는 방법이다. 이는 어떤 형태 로 화면을 만들건 플랫폼 내 기능과 속성을 그대로 이용하기 때문에, 세일즈포스가 주는 서비스를 그대로 이용할 수 있다.

만약 우리 회사에만 필요한 기능이 있다면 일부 자체 개발을 반영하 는 세일즈포스 프레임워크 기반 개발과 Full Page 개발을 통해 구현할 수 있다. 여기부터는 자체 개발로 인해 세일즈포스 플랫폼과의 관계가 분 리되게 된다. Full Page 개발은 세일즈포스 개발 언어를 통해 직접 전체 기능을 개발하는 방법으로, 기존 SI형 자체 개발과 같아진다. 이 두 방식은 플랫폼과의 관계가 분리됨으로써 매년 3회 플랫폼 업그레이드 시 추가 개선되는 기능을 이용하는 데 제약이 생길 수 있다. 플랫폼과 분리 정도가 심할수록 향후 비즈니스 요건 변경 및 운영 시 유지보수 비용이 증가하게 된다. SI형 개발과 같이 시스템 구축 후 별도 운영, 유지보수를 통해 기능을 추가 개발하거나 관리해야 하기 때문이다.

마지막 AppExchange는 세일즈포스의 앱 스토어다. 필요한 상용 기능을 내려 받아 설치해 바로 플랫폼에서 이용할 수 있는 서비스다. 다만 이 앱은 전 세계 개발 파트너들이 자체적으로 만들어 상용화한 것으로, 세일즈포스와 별도로 비용을 내고 운영 관리해야 한다. 세일즈포스 프로젝트팀은 이런 고려사항을 숙지해 비즈니스 요구와 IT 시스템화 가능성을 조율하고 분석, 설계, 개발, 테스트를 진행해야 한다.

- B2B 및 전문직 영업에서는 잠재고객을 확보하고 Account로 전환하는 Pipeline 관리가 중요하다. 웹사이트, SNS, 이메일 등 온라인으로 방문한 고객에 대해 정보입력 Landing Page'에서 정보를 수집한다. 또는 영업사 원이 세미나, 박람회, 협회 모임 등을 통해 잠재고객들을 모으기도 한다. 우리 회사에 적합한 잠재고객 정보를 생성하고 관리하는 것이 영업 파이프 라인의 시작이다. 영업사원은 고객에게 받은 명함에서 회사명, 부서, 연락처 등의 기본 정보를 확보하게 되고, 세일즈포스의 Lead' 기능을 통해 이를 등록한다. 잠재고객 단계는 고객 코드나 ID 없이 고객정보를 관리할 수 있으며, 잠재고객 으로부터 문의가 오거나 요청한 사항이 있으면 간단한 정보를 기입하여 그 소통 내역을 기록해야 한다.

영업 담당자와의 대화를 통해 실제 제품이나 서비스에 관심을 보이는 잠재고객에 대해서는 Account 전환 작업을 진행한다. 실제 고객이 될 가 능성이 50% 이상이라 판단되고 영업 자원(시간과 노동)을 할당할 가치가 있 다고 생각되면, Account로 전환해 고객계정을 부여한다. 현장에서 어떤 제 품-서비스에 대한 정보나 견적을 요청할 때 Account로 전환하기도 한다. 해당 고객과의 첫 번째 거래 과정을 세일즈포스는 'Opportunity 라고 하며, 잠재고객이 Account로 바뀔 때 고객계정, Contact, Opportunity 등의 정보가 자동으로 생성된다. 그런데 대기업에서 ERP에 등록할 고객계정을 생성할 경우는 더 상세한 영업 정보가 필요하므로 ERP 고객정보와 연동하 기 위해 Account 전환을 한 단계 더 나누어 관리하기도 한다.

- 등록된 고객을 대상으로 영업사원은 이제 활동을 시작한다. Account 정보 생성시 등록된 고객 요청사항을 확인하고 방문 일정을 시스템 상 달력으로 예약한 뒤, 준비사항 등을 메모로 기입한다. 회사소개서나 사업자 등록증 등 지원 부서에 요청할 것이 있다면 Chatter를 통해 요청하고, 요청 사항은 Event에 등록해 방문 전 알람이 오도록 설정한다.

이어 고객을 면담한 영업 담당자는 미팅 내용을 면담록에 작성한다. Account 메뉴에서 해당 고객을 검색하면 언제든지 확인할 수 있다. 면담 후 템플릿으로 감사 메일을 불러와 구성하고, 세일즈포스 메일을 통해 고객에게 제품소개서와 함께 발송한다. 내가 보낸 메일 정보와 시간은 활동 으로 집계돼 영업활동 정보에 자동으로 반영된다.

우리 회사의 영업팀장은 영업사원의 활동 현황을 대시보드에서 파악 한다. 누가 어떤 고객을 어디서 만나는지 일일이 체크하지 않아도 그날과 그 주의 주요 진행상황을 아침마다 파악할 수 있다. 영업사원 또한 어제 등록한 점검 업무가 지연되는 경우 알람으로 표시하여 챙길 수 있으며, 본인 이 할 일, 금주의 매출 목표를 대시보드에서 확인하고, 오늘 만날 고객 목 록과 일정을 참조해 다시 활동을 시작한다.

전문직의 경우는 대체로 영업사원과 팀장의 활동을 본인이 직접 수행하지만, 소수의 직원이 있다면 지원부서처럼 Chatter를 통해 그 직원에게 업무를 지시한다. 그리고 이벤트 기능에 업무지시 사항, 완결 일자, 담당자 등을 지정 등록하면, 그 날짜가 오기 전 알람 설정으로 진행상항을 관리 할 수 있다.

모든 활동이 완료되면 그 결과(계약)와 매출 정보는 시스템에도 기록된다. 이 정보를 통해 영업담당자는 전체 고객(잠재고객+실 고객) 중 실 고객수가 기간별로 어떻게 변하는지, 유입되는 잠재고객과 이탈하는 고객은 어떤 상황인지, 리포트로 파악할 수 있다. 특정 기간별, 지역별, 업종별 고객 을 구분하여 비중을 파악하고, 별도 산식으로써 고객유형별 매출기여도까지 리포트를 통해 분석할 수 있다. 주요 제품 서비스별, 영업담당자별 매출정보를 파악해 다음 기간 영업에 어떻게 반영할지도 결정할 수 있다.

- 긱 이코노미 부상
'긱(Gig)'은 사전적으로 소규모 회장에서의 연주회를 뜻합 니다. '긱'이란 단어는 1920년대 미국의 재즈 공연장 부근에서 단기계약으로 연주자를 필요에 따라 섭외해 공연한 데서 유래했지요. 이후, '기'이란 단어에는 '임시로 하는 일'이라는 의미가 담겼습니다.
긱 이코노미(Gig Economy)는 기업이 필요에 따라 단기 계약직이나 임시직으로 인력을 충원하고 대가를 지불하는 형태의 경제를 의미합니다. 과거에는 각종 프리랜서와 1인 자 영업자 등을 포괄하는 의미로 사용됐지만, 최근에는 온라인 플랫폼 업체와 단기 계약 형태로 서비스를 제공하는 공급자를 의미하는 단어가 됐습니다. 
- 블록체인은 기본적으로 정보를 저장하는 IT기술입니다. 정보를 저장하는 저차원의 기술 중 하나가 USB입니다. 또 다른 방법이 클라우드입니다. 제가 자료를 USB에 담지 않고 '나에게 메일 보내기'로 자료를 첨부해서 이메일로 보내놓고 현장에서 이메일을 열어 다운로드할 수 있습니다. 그건 바로 클라우드에 저장했기 때문에 가능한 겁니다. 또 다른 정보 저장 방법이 바로 블록체인입니다.
기억해야 할 블록체인의 특징은 두 가지입니다. 블록체인이 디지털 트랜스포메이션에 다양하게 활용될 수 있는 이유도 바로 이 두 가지 특징 때문입니다. 첫 번째는 바로 조작이나 허위가 불가능하다는 사실입니다. 두 번째 특징은 중개자가 필요 없다는 것입니다. 단체 카톡방 안에서 약속을 정했기 때문에 나중에 딴말을 못 하는 겁니다. 정보를 모두와  공유했기 때문에 조작이나 허위가 불가능합니다. 
- 내부 업무에 RPA를 도입해 업무처리의 효율성을 높인 대표적 기업으로 골드만삭스를 꼽을 수 있습니다. 미국의 대형 투자은행인 골드만삭스는 신속하고 정확하게 금융시장을 분석하기 위해 인공지능 분석업체인 켄쇼(Kensho)에 약 1,500만 달러를 투자했습니다. 골드만삭스는 켄쇼의 인공지능 검색 알고리즘을 통해 국내외 주요 경제지표, 기업실적 및 신제품 발표, 주가동향 등 금융시장 내 방대한 데이터를 분석하고 있습니다. 골드만삭스는 RPA 적용을 통해 숙련된 애널리스트 15명이 4주 동안 걸리는 복잡한 금융데이터 분석을 단 5분만에 처리할 수 있을 정도로 기존 업무처리의 속도를 놀랍도록 향상시켰습니다.
- 신기술 개발의 대표적인 사례가 벡텔의 레드힐스 프로젝트입니다. 미국 미시시피에서 진행된 이 프로젝트는 대규모 광산 발전소를 건설하는 프로젝트였지요. 벡텔은 레드힐즈 건설의 구매조달 프로세스에 RFID기술을 도입하기로 결정했습니다. RFID(radio frequency identification)는 무선 주파수(RF, Radio Frequency)를 이용하여 물건 또는 사람 등의 대상을 식별(IDentification)할 수 있도록 해주는 기술을 말합니다.
당시 건설현장에서는 건설자재의 입고, 재고, 출고와 같은 정보 관리는 사람이 직접 수집하여 기록하는 경우가 대부분이라 수집된 건설자재의 정보는 신뢰도가 떨어지는 문제가 있었습니다. 또한 건설자재와 이에 관한 정보가 표준화된 방식 없이 건설현장에 제공됐기 때문에, 건설자재의 필요한 정 보를 실시간으로 확인할 수가 없었고, 많은 인력과 시간이 소요되고 있었습니다.
이에 벡텔은 건설 중에 사용되는 파이프 스풀(Spool), 서포트(Support) 및 행거(Hanger) 같은 자재에 IC칩을 등록시 켜 실시간으로 위치 파악 및 추적 관리를 할 수 있는 시스템 을 구축하였습니다. 결과적으로 벡텔의 레드힐즈 건설공사 를 대상으로 미국 건설산업연구원이 효율성을 분석한 결과 평균 30퍼센트(100 행거 당 159분)의 작업시간이 단축되는 효과가 나타났고 재고관리 및 재작업비용 절감과 자재의 추적 및 재고관리도 개선할 수 있었습니다.
- IoT를 구성하는 3대 기술이 있는데, 첫째는 센싱 기술이다. 전통적인 온도·습도· 열·가스 · 조도 초음파 센서 등부터 원격 감지, SAR, 레이더, 위치, 모션, 영상 센 서 등 유형 사물과 주위 환경으로부터 정 보를 얻을 수 있는 물리적 센서까지를 포 함한다. 물리적인 센서는 응용 특성을 좋게 하기 위해 표준화된 인터페이스와 정 보 처리 능력을 내장한 스마트 센서로 발 전하고 있다. 또한 이미 센싱한 데이터로 부터 특정 정보를 추출하는 가상 센싱 기능도 포함되며 가상 센싱 기술은 실제 IoT 서비스 인터페이스에 구현된다. 기존의 독립적이고 개별적인 센서보다 한 차원 높은 다중(다분야) 센서 기술을 사용하기 때문에 한층 더 지능적이고 고차원적인 정보를 추출할 수 있다. 
둘째, 유무선 통신 및 네트워크 인프라 기술이다. IoT의 유무선 통신 및 네트워크 장치는 기존의 WPAN(Wireless Personal Area Networks), WiFi, 3G-4G LTE, Bluetooth, Ethernet, BCN, 위성 통신, Microware, 시 리얼 통신, PLC 등 인간과 사물, 서비스를 연결할 수 있는 모든 유무선 네트워크를 의미한다.
셋째, IoT 서비스 인터페이스 기술이다. IoT 서비스 인터페이스는 IoT의 주요 3대 구성 요소(인간 · 사물·서비스)를 특정 기능을 수행하는 응용 서비스와 연동하는 역할 을 수행한다. IoT 서비스 인터페이스는 네트워크 인터페이스의 개념이 아니라 정보를 센싱, 가공·추출 처리, 저장, 판단, 상황 인식, 인지, 보안·프라이버시 보호, 인증 인가, 디스커버리, 객체 정형화, 온톨로지 기반의 시맨틱, 오픈 센서 API, 가상화, 위치 확인, 프로세스 관리, 오픈 플랫폼 기 술, 미들웨어 기술, 데이터 마이닝 기술, 웹 서비스 기술, 소셜네트워크 등 서비스 제공을 위해 인터페이스(저장, 처리, 변환 등) 역할을 수행한다.

- 문제는 많은 조직들이 디지털 기술 그 자체를 디지털 전환으로 착각한다는 것이다. 기업이 도입하는 디지털 기술은 디지털전환의 필요조건일 뿐 그 자체가 아니다. 마치 배트와 글러브가 야구라는 스포츠에 꼭 필요한 장비이지만 그 자체가 야구는 아닌 것과 같다. 같은 맥락으로 기업의 새로운 홈페이지나 앱, IT시스템, AI, 머신러닝, VR, AR 등은 자주 인용되는 디지털 전환의 도구들이지만 비싼 돈을 내고 이런 기술을 도입한다고 해서 디지털 전환에 성공할 수 있는 것은 아니다.
- 디지털 전환은 transformation 이라는 단어가 보여주듯 조직에 '변화'를 가져오는 것이다. 그리고 변화의 방향은 기업이 추구하는 고유한 가치에서 시작한다. 나이키의 기업 미션은 운동을 하는 모든 사람에게 영감을 제공하고 성과를 높일 수 있도록 도움을 주는 것이다. 수수료 없는 주식거래를 개척한 로빈후드의 미션은 모든 사람의 재무관리를 민주화하는 것이다. 자신 의 미션을 수행하기에 적절한 데이터와 기술을 결합해 변화된 디지털 세상에 꼭 필요한 가치를 만들어내는 능력이야말로 기업의 강력한 성공요인이다.
- 데이터 확보를 위한 기업들의 전쟁은 현재진행형이다. 페이스 북, 아마존, 넷플릭스, 구글 등 이른바 'FANG'으로 대표되는 디 지털 기술기업들이 고객과 직접 접촉해 많은 데이터를 확보하여 태생적으로 경쟁력을 갖는다는 것은 일견 당연해 보인다. 그렇다면 기술기업이 아닌 여타 다른 기업들은 어떻게 고객접점을 확보하고 데이터를 모을 수 있을까? 디지털 기술기업에게서 배울 점은 많지만 여타 다른 기업들은 이들과 출발선이 다르다는 점을 인정해야 한다. 그렇다면 태생적으로 정보기술과 디지털 기술에 기반하지 않은 전통적인 기업들은 데이터 확보를 위한 경쟁에 어떻게 나서야 할까?
최근 상대적으로 규모가 작은 기업이나 자영업자들도 디지털 전환의 혜택을 볼 수 있도록 도와주는 기업들이 생겨나고 있다. 세일즈포스(Salesforce)나 스퀘어(Square) 같은 기업들은 고객사 에 거래와 데이터 수집을 할 수 있는 플랫폼을 제공한다. 세일즈 포스는 '데이터 과학과 인공지능의 민주화'라는 미션을 가지고 중소기업의 IT 관리를 지원한다. 쇼피파이(Shopify)라는 기업은 소형 온라인 스토어를 만들고 창업하는 과정에 필요한 솔루션을 제공한다. 이들 기업을 활용하면 한 번에 큰 비용을 들이지 않더라도 구독 방식으로 데이터 관리는 물론 기업 활동에 필요한 솔 루션을 제공받을 수 있다.
내 기업의 데이터를 외부에 의존하는 것이 이상적이지 않다고 생각할 수 있지만, 창업 초기 단계이거나 규모가 작은 기업들은 외부 서비스를 활용해 데이터를 효율적으로 관리하고 비용을 절감할 수 있다면 전략적으로 좋은 선택이 될 수 있다. 
- 스타벅스의 디지털 고객경험을 만들어낸 사이렌 오더의 핵심 기술은 비콘(Beacon)이란 근거리 무선통신 장치 기술이다. 블루 투스 기반의 비콘을 고주파 방식으로 향상시켜, 고객의 앱에서 인근 스타벅스 매장에 설치된 비콘으로 주문과 결제가 가능하도 록 만든 것이다. 디즈니 매직밴드의 RFID가 그랬듯이 비콘 또한 그리 복잡한 기술은 아니다. 다만 매장에 긴 줄이 생기는 부정적 인 고객경험을 줄여주기 위해 해결방안을 찾다 보니 자연스럽게 사용하게 된 상용 기술이다.
이처럼 혁신적인 고객경험을 만든 사례를 보면, AI처럼 복잡하고 비용이 많이 드는 기술을 사용해 혁신을 만든 경우만 있는 것 이 아니다. 결국 중요한 것은 어떤 기술을 사용할 것인가가 아니라, 변화된 고객들에게 어떠한 디지털 고객경험을 전달할 것인가다.
- 결국 중요한 것은, 디지털 전환 시대에 사람들이 원하는 고객경험이 어떻게 달라졌는지 다시 면밀하게 살펴보고 재설정하는 것이다. SK텔레콤의 T맵 미식로드나 버거킹의 트래픽 잼 와퍼 프로젝트처럼, 고객이 만족하지 못하는 부분을 채워주기 위한 수단으로서 데이터를 찾는 것이 중요하다. 디지털 전환 시대 데 이터는 그 자체로 중요한 게 아니라, 고객이 원하는 바를 읽어내고 향상된 고객경험을 선사하는 도구로 쓰일 때 가치가 있다.
기술을 바라보는 시각 역시 마찬가지다. 디지털 전환이라고 해서 거창하고 대단한 기술을 상상할 필요는 없다. 디지털 전환 이라 하면 우리는 AI, 머신러닝, VR, AR, 클라우드 컴퓨팅, 엣지 컴퓨팅 등 멋진 용어를 떠올리곤 한다. 이런 기술적 혁신은 다양 한 분야에 엄청난 잠재력을 가지고 있지만, 대부분 우리 회사의 비즈니스와 거리가 있다고 느껴지는 것도 사실이다. 손에 잡히 지 않는 기술만 이야기하다 보면 디지털 전환이 뜬구름 잡는 먼 이야기처럼 느껴질 수 있다. 하지만 기술적 혁신은 여러 가지 고 민과 정보, 아이디어가 모여 만들어지는 일종의 패치워크다.
주변을 돌아보면 당장 사용할 수 있는 기술, 개발된 지 오래됐 으나 제대로 활용되지 않는 기술이 많이 있다. 디즈니와 스타벅 스의 사례처럼, 기술 자체에만 집중하지 말고 회사가 제공하는 기본적인 가치와 고객경험의 향상을 중심에 두고 생각하면 기술 의 활용방안이 더 가깝게 다가올 것이다.
- 과거의 비즈니스 모델은 기업이 주도적으로 제품/서비스를 만들어 소비자에게 일방향으로 전달하는 형태였다면, 디지털 전 환 시대에는 전혀 새로운 방식으로 비즈니스를 만드는 사례가 늘고 있다. 에어비앤비는 자신의 방을 빌려주는 전 세계 수많은 로컬 호스트들과 여행객을 연결하는 비즈니스로 100여 년 전통 의 힐튼을 넘어서는 기업가치를 만들어냈다. 공유 오피스 역시 매력 있는 공간을 제공하는 것도 중요하지만 매력 있는 사람들 로 그 공간을 채우는 게 더 중요하다. 펠로톤 또한 실내자전거에 스크린을 달아서 판매하는 것으로는 결코 지금의 구독자를 만들 지 못했을 것이다. 펠로톤의 성공에는 매력 있는 구성원들과 소통하고 싶게 만든 커뮤니티의 힘이 있었다.
이처럼 디지털이 가진 가장 큰 힘은 연결에 있다. 촘촘한 디지털망으로 느슨하게 이어진 세상에 우리는 살고 있다. 이것이 하나의 구심점을 가지고 매력 있는 커뮤니티가 될 때, 느슨한 연결 (weak tie)은 엄청난 힘을 가진 동력으로 작용할 수 있다. 이 결합 을 만들어내는 기술도 중요하지만 결국 중요한 것은 어떻게 매 력적인 생태계를 구축하고, 외부에 떠도는 연결지점을 모아 구 심력 강한 커뮤니티를 만들어낼 것인지다. 많은 기업들이 디지털 전환 시대에 고민해야 할 지점이다.
- 성공한 모델을 변경하는 것은 실패를 인정하는 것보다 더 어렵다. 성공 공식과 밸류체인을 바꾸는 과정에서 매몰비용에 대한 우려를 지우기가 쉽지 않기 때문이다. 무엇보다 성공을 이뤄낸 경영진과 구성원들에게 일종의 '성공의 추억'이 생겨, 과거 성공했을 당시의 환경을 기준으로 의사결정을 내리기 쉽다.
하지만 고객가치와 업의 본질을 중심에 두고 생각하면 다른 방향으로 나아갈 수 있다. DVD를 빌리는 고객들이 궁극적으로 추구하는 가치는 대여 행위나 DVD 자체에 있는 것이 아니라 대여한 영화의 콘텐츠를 즐기는 데 있다. 넷플릭스는 성공한 조직이 갖는 고질적 문제인 관성을 극복하고 '콘텐츠 소비'라는 사업의 본질을 전달하는 매개체를 고객의 편의가 증대되는 인터넷 스트리밍으로 변화시키는 데 성공했다. 리드 헤이스팅스 회장이 저서 《규칙 없음》에서 강조하듯 넷플릭스라는 회사는 '규칙' 이 라는 이름의 관성에 얽매이지 않고 지속적인 혁신과 창조를 위 한 문화를 조직의 강점으로 만들어가고 있는 중이다.
- 2000년대 후반 스마트폰과 태블릿PC로 대표되는 모바일 디바이스의 시대가 도래해 닌텐도는 물론 콘솔게임 시장 자체에 큰 위협요인이 되었다.
놀라운 점은 이렇게 새로운 기술이 도입되고 환경이 변화하는 시점마다 닌텐도가 뛰어난 적응력을 보여주었다는 사실이다. 더 놀라운 점은 그럼에도 '콘솔' 이라는 디바이스 형태는 닌텐도의 아이덴티티로 굳건히 유지되었다는 것이다.
닌텐도는 '마리오', '젤다의 전설' 등 자체적인 블록버스터 소프트웨어를 보유하고 있기에 PC나 휴대폰 등 다른 디바이스에서 사용할 수 있도록 제품을 확장하면 더 많은 수익을 올릴 수 있었는데도 이런 전략을 적극적으로 추진하지 않았다. 대신 경쟁 디바이스의 전략에 맞춰 새로운 콘솔게임으로 응수했다. 휴대폰이 경쟁 디바이스로 등장하던 시점에는 휴대성이 강한 DS 를 출시했고, PC게임 및 다른 콘솔게임이 고사양 경쟁을 펼칠 때 에는 모션센서를 장착한 '위'를 출시했다.
스마트폰이 나오고 게임의 중심이 모바일로 넘어가는 환경에서는 증강현실 게임인 '포켓몬고'로 세계적인 성공을 거둔 데 이어 스마트폰에서 플레이할 수 있는 마리오 게임을 출시했다. 포켓몬고와 마리오런은 콘솔게임이라는 아이덴티티에서 살짝 벗어난 형태이기는 하지만 제한적인 기능만 가능하기 때문에 닌텐도의 게임을 제대로 즐기려면 결국 콘솔 게임기를 이용해야 한다. 
모바일 기기에서 축적한 경험과 기술은 기존의 강점과 결합해 닌텐도 스위치로 이어졌다. 닌텐도 스위치는 언제나 휴대할 수 있는 모바일 게임 디바이스인 동시에 TV나 모니터에 연결하면 ‘위’와 같이 고정형 콘솔로 변신한다.
이처럼 휴대폰이나 PC등 다른 디바이스에서 구동되는 게임을 만드는 대신 시대 흐름에 맞게 자체 콘솔의 기능과 기술을 강화하는 것이 닌텐도의 기본적인 전략이다. 콘솔이야말로 닌텐도가 가진 가장 강력한 플랫폼이기 때문이다.
소프트웨어 회사가 모바일 앱을 출시해 엄청난 인기를 구가하면 구글과 애플도 덩달아 '손쉽게 이익을 창출한다. 심지어 소프트웨어 회사에 대해 항상 '갑'의 위치에 서는데, 이는 구글과 애플이 구글플레이나 앱스토어, 아이튠즈라는 플랫폼을 장악하 고 있기 때문이다. 닌텐도 역시 콘솔을 플랫폼화하고 마리오, 젤다, 동물의 숲 등 독점 소프트웨어 (proprietary software)로 다수 의 충성고객을 닌텐도의 생태계에 묶어둔다. 외부 게임 소프트 웨어 개발업체들은 더 많이 판매되는 콘솔에 게임을 출시해야 수익을 극대화할 수 있으므로 자연스럽게 닌텐도의 콘솔로 모여들게 되고, 이는 다시 닌텐도 콘솔의 가치를 상승시키고 더 많은 고객을 끌어들이는 요인이 된다.
결론적으로 닌텐도는 콘솔게임이라는 본연의 특성과 모두가 즐기는 게임문화라는 아이덴티티를 유지하되 시대와 기술, 고객 취향의 변화에 따라 콘솔을 진화시킴으로써 변화하는 환경에 적 응해왔다. 닌텐도와 넷플릭스의 사례는 역동적으로 변화하는 환 경 속에서 지속가능한 경쟁력은 결국 변화에 적응하는 능력 자체를 조직의 문화로 만드는 것임을 일깨워준다.
- 우리에게 민족자결주의로 잘 알려진 미국의 28대 대통령 우드로 윌슨은 “조직에서 적을 만들고 싶다면 뭔가를 바꿔라" 라고 말했다. 조직의 변화는 피할 수 없지만 변화에 대한 반발도 피할 수 없다. 디지털 전환은 조직의 광범위한 변화를 일으킨다. 
이러한 변화에는 다양한 종류의 어려움과 저항이 따르기 마련이다. 또한 변화에는 확실한 방향설정이 요구된다. 분명한 비전으로 방향을 잡고 조직 안팎의 저항과 반발을 극복해 성공적인 변화를 이끌어내는 어려운 과제를 수행하려면 결국 리더십이 중요하다.
- 미국의 저명한 시스템 과학자인 피터 센지(Peter Senge)는 “사람들은 변화에 저항하는 것이 아니라, 자신이 변화되는 것에 저항한다”는 말로 변화가 불러일으키는 공포감을 표현했다. 조직 구성원들은 그동안 연마해온 기술이나 역량이 무의미해지는 변화를 싫어한다. 또 자신의 위치나 영향력을 잃을 수 있는 변화를 본능적으로 거부한다. 도미노피자의 혁신 과정에서 조직운영의 핵심이 새로 생긴 IT부서로 넘어가는 것을 기존 구성원들이 반겼을 리 없다. 더욱이 디지털 전환은 디지털 기술을 바탕으로 조직 프로세스를 효율화한다. 이런 변화는 근본적으로 수직적인 조직구조를 수평적으로 바꾸고 위계보다는 협업을 강조하게 된 다. 필연적으로 부장, 차장으로 대표되는 중간관리자의 역할이 크게 축소될 수밖에 없다.
리더의 역할은 변화의 필요성을 조직 전체에 불어넣고 확실한 비전을 제시함은 물론 변화에 필요한 물질적, 정치적 지원을 해주는 것이다. 동기부여를 위해서는 급변하는 외부 환경이나 심각한 경쟁상황, 혹은 조직의 실적 하락 등 조직이 처한 위기상황에 대해 솔직하게 알리고 이해시키는 과정이 선행되어야 한다. 리더는 우리 조직이 놓여 있는 위치와 우리가 이상적으로 생각 하는 위치의 차이를 설명하고, 자신이 제시하는 변화를 수행했 을 때 기대되는 결과를 신뢰성 있게 전달해야 한다. 구성원들이 자기 역할이 축소된다고 두려워하거나 박탈감을 느끼지 않고 변화에 동참할 수 있도록 정치적, 정서적, 물질적 지원을 아끼지 않는 포용적인 리더십이야말로 조직의 디지털 전환을 성공적으로 이끄는 열쇠다.