2030 데이터 리터러시 레볼루션

 

출처	정의
위키피디아	데이터를 정보로 읽고 이해하고 작성하고 전달하는 능력, 데이터 작업에 관련된 역량에 중점을 두므로 데이터 읽기, 이해와 관련된 특정 기술력도 필요함
포브스	비즈니스 활동과 결과를 위해 데이터를 효과적으로 사용하는 것
이스턴미시간 대학교	데이터 차트를 적절하게 읽고 올바른 결론을 도출하고 오해의 소지가 있거나 부적절한 방식으로 사용되는 경우를 인식하는 방법을 포함해 데이터가 의미하는 바를 이해하는것
가트너	데이터 소스, 구성, 적용된 분석 방법과 기술에 대한 이해와 함께 상황에 따라 데이터를 읽고 쓰고 전달할 수 있는 능력, 사용 사례 적용과 그에 따른 비즈니스 가치 또는 결과를 설명할 수 있는 능력

 

데이터 리터러시의 정의 

 

데이터 리터러시는 왜 필요할까?

1. 데이터는 탁월한 인식 능력을 갖게 해준다. 똑같은 정보 환경에서
   데이터에 친숙한 사람은 다른 사람들이보지 못하는 것을 보거나 남들보다 더 다양한 관점으로
   더 정확하게 보고 복잡한 것을 단순화 해서 빨리 알아차린다.
2. 데이터는 판단력의 기초를 제공한다. 데이터는 편견과 선입견에 빠지지 않고
   정확하게 판단해 올바른 의사결정을 하는 데 도움이 된다
3. 데이터를 통해 상대방을 설득하고 동기를 부여 할 수 있다. 데이터는 사실에 힘을 보태어 강력한 메시지를 
   전달함으로써 상대방의 태도를 바꾸고 더 나아가 행동을 불러일으키는 강력한 힘을 가진다. 
   누군가와 갑론을박할 때 사실에 근거에 데이터를 제시하면 대부분 수긍하고 태도가 달라지는 것을 
   자주 보게 된다. 이것이 데이터의 힘이다. 

피터 드러커 교수 : "측정할 수 없으면 관리할 수 없고 관리할 수 없으면 개선할 수 없다." 

데이터 리터러시를 통해 조직은 데이터 품질을 올리 데이터 활용에 대한 이해를 촉진함으로써
커뮤니케이션과 협업을 확대할 수 있다. 또한 업무 프로세스를 개선하는 데 도움이 될 수 있으며
수익,생산성, 고객만족도, 직원만족도, 효율성을 크게 높일 수 있다. 

한대 데이터 분석은 소수의 직원만 담당햇지만 이제는 조직 전체가 수행할 수 있어야 한다. 왜 문제가 발생했는지 

빨리 정확하게 이해하고 재발 방지를 위해 능동적으로 대책을 세울 수 있기 때문이다.
특히 고객에게 개인별 맞춤화서비스를 제공하는 초개인화 시대에서 더 신속하고 정교한 고객경험을
제공하기 위해서는 현장을 포함한 조직 전체의 데이터 리터러시 향상이 경쟁력의 관건이라 할 수 있겠다. 

데이터 리터러시가 높은 직원은 업무 역량에 대한 자신감을 느끼게 되며
의사결정의 배경을 알게 돼 더 생산적이고 효율적으로 일할 수 있다.
실제로 그런 직원은 자신의 위치에서 더 안정감을 느끼는 반면 스트레스는 적어 직업 만족도가 높다고 한다. 

 

데이터 리터러시가 높은 기업 역시 향후 10년의 승리자가 될 가능성이 크다. 데이터 리터러시가 높은 기업은 
데이터에 기반한 의사결정을 통해 경영 전략과 비즈니스 모델을 개선 할 수 있다. 데이터를 기반으로 
제품과 서비스 개발, 마케팅 전략 수립, 고객 세분화, 고객 만족도를 향상함으로써 경쟁 우위를 유지하고 
새로운 시장을 개척할 수 있다. 아울러 조직의 데이터 수집, 정제, 분석, 해석등의 역량을 바탕으로 
인공지능 모델 개발에서 앞서갈 수 있고 관련 분야의 우수 인재를 유치하는 데도 유리하다. 

 

Bi 소프트웨어 회사인 클릭 Qlik 에서 제공하는 10가지 평가 항목에 답해보자. 

1. 만약 당신이 이 데이터 시각화 자료를 본다면 어떻게 느끼겠는가? 
2. 당신은 업무에 데이터를 어느 정도 자주 사용하는가 ? 
3. 데이터에 얼마나 자주 압도당하는가? 
4. 데이터를 이해하는 것이 읽기나 쓰기만큼 중요하다는 것에 동의하는가 ?
5. 데이터로 이야기를 전달하는 능력의 중요성에 대해 얼마나 아는가 ?
6. 데이터 세트에서 중심값을 측정하기 위해 사용하는 중심화 경향값을 사용하는 것에 익숙한가?
7. 극단치를 사용할 때 데이터가 다르게 분석될 수도 있는데 어떻게 그것들을 사용하는가?
8. 상관관계는 얼마나 자주 인과관계를 의미하는가 ? 
9. 데이터 시각화에 대해 어떻게 생각하는가 ? 
10. 예측 분석을 통해 패턴과 추세를 찾아 미래를 내다볼 수 있다는데 동의하는가? 

애리조나 교육부도 ' 나의 데이터 리터러시 IQ는 얼마일까요? ' 라는 7개의 평가항목을 제공하고 있다. 
7개 항목 모두 5점 척도이며 종합점수가 13점 이하이면 '지원 필요' 14 ~ 18점 이면 '초보 수준'

19~24 점이면 '적절 수준' 25~28점이면 '강력한 수준' 으로 평가된다. 

 

그래프를 보고, 무엇을 알 수 있는가? 그리고 그래프에서 이를 뒷받침하는 증거는 무엇인가? 

무엇을 궁금해 하는가 ? , 자신이 속해 있는 커뮤니티와 어떤 관련이 있는가? 

이 그래프에서 무슨 일이 일어나고 있는가? 

 

 

2015년 캐나다 댈하우지대학교는 '대학교 리터러시 교육을 위한 전략 및 모범 사례지식 종합 보고서' 를 

발표했다. 이 보고서에 따르면 '데이터 리터러시는 비판적 태도로 데이터를 수집,관리,평가,활용 할 수 있는

능력이다.' 라고 정의하고 그에 따른 핵심역량, 세부 역량, 그리고 필요한 활동에 대해 체계적으로 기술했다.

5가지 핵심 역량과 각각의 세부 역량을 보면 다음과 같다.

1. 개념적 프레임 구축 : 데이터에 대한 개요 파악 
2. 데이터 수집 : 데이터 검색, 수집, 데이터 품질 평가
3. 데이터 관리 : 데이터 구성, 데이터 처리
4. 데이터 평가 : 데이터 분석, 데이터 이해와 해석, 데이터 기반 문제파악, 데이터 시각화, 데이터 설명 
                         데이터 기반 의사결정
5. 데이터 활용 : 비판적 사고, 데이터 문화, 데이터 윤리, 데이터 인용, 데이터 공유, 데이터 기반 의사결정 평가 

그뿐만 아니라 법적 윤리적 문제 인식, 데이터 인용 방법에 대한 지식 확산, 데이터 공유를 위한 방법과 

플랫폼 평가, 데이터 기반 의사결정 평가 등의 활동이 중요하다고 했다. 

 

마이 데이터의 정의와 원칙  

개념적 프레임 구축 || 데이터 개요 파악 || 데이터에 대한 전반적인 지식과 이해 

데이터 수집 || 데이터 검색 및 수집, 데이터 품질 평가 || 데이터 탐색 / 데이터 출처에 대한 신뢰도 평가 

데이터 관리 || 데이터 구성, 데이터 처리 || 기본 데이터 구성 방법과 도구에 대한 지식 습득, 데이터 정리 방법평가

데이터 평가 
- 데이터 분석 : 데이터 분석 계획 수립 

- 데이터 이해 및 해석 : 차트, 표, 그래프 독해 

- 데이터 기반 문제 파악 : 실제 상황에서 데이터를 사용해 문제 파악 

- 데이터 시각화 : 데이터의 체게화와 시각적 제시를 위한 의미 있는 표 작성 

- 데이터 설명 : 명확하고 일관된 주장 또는 결과 제시

- 데이터 기반 의사결정 : 데이터에서 얻은 정보의 우선순위 지정  

 

데이터 활용 
- 비판적 사고 : 데이터와 관련된 높은 수준의 문제와 당면과제 파악 

- 데이터 문화 : 학습, 연구, 의사결정을 위한 데이터의 중요성 인지

- 데이터 윤리 : 데이터와 관련된 법적, 윤리적 문제에 대한 인식 

- 데이터 인용 : 널리 수용되는 데이터 인용 방법에 대한 지식 확산 

- 데이터 공유 : 데이터 공유를 위한 방법과 플랫폼 평가

- 데이터 기반 의사결정 평가 : 데이터 기반 의사결정 또는 솔루션 효과 평가 

 

 (출처  : 댈 하우지 대학교 2015, 데이터 리터러시 교육을 위한 전략 및 모범사례 지식종합보고서 )

 

우선, 데이터 기획 역량은 데이터 간의 관계를 이해하고 전체적인 데이터 활용 계획을 세우는 능력이다.

데이터 수집 역량은 필요한 데이터를 신속하게 검색하고 선별해 확보 할 수 있는 능력이다. 

데이터 관리 역량은 데이터를 분석이 가능한 형태로 정제하고 구조화 하는 능력이다. 

데이터 분석 역량은 데이터를 목적에 맞는 분석 방법을 사용해 유의미한 결과를 도출하는 능력이다. 

수집된 데이터를 처리하고 의미를 적절하게 해석해 의미 있는 결론까지 도달할 수 있어야 한다. 

마지막으로 데이터 시각화 역량은 데이터를 다른 사람이 이해할 수 있도록 차트나 그래프 등의 형태로 시각화 해 

표현하는 것이다. 가공된 데이터를 혼자만 알고 있는 것이 아니라 사람들이 이해하기 쉽게 데이터 스토리텔링이 

진행된다면 의사결정자들이 전체 그림을 쉽게 이해할 수 있게 되고 실행까지 물 흐르듯 이어질 수 있다. 

 

데이터 리터러시 역량이 뛰어난 사람은 데이터 분석 과정을 계획, 실행, 개선하는 능력(기획), 필요 데이터를 

선별적으로 추출하는 능력(수집), 원본 데이터를 분석 가능한 형태로 전환하는 능력(관리), 다양한 수준으로

정량적 정성적으로 데이터를 분석하는 능력(분석), 알기 쉽고 소통하기 편한 방식으로 

데이터를 표현 하는 능력(시각화)이 탁월한 사람이다. 더 간단히 애기하면 데이터를 제대로 읽고 제대로 

다루고 제대로 전달하는 사람이다. 

 

데이터를 활용하는 데 도구와 기법을 얼마나 잘 다루는가의 문제보다도 데이터를 기반으로 문제를 바라보고 
데이터로부터 의미와 맥락을 도출해내는 관점과 역량이 더 중요하다고 본다. 

2020 년 '하버드 비즈니스 리뷰' 에서는 팀의 데이터 리터러시를 높이기 위해서는 6가지 역량을 갖춰야 한다고 말한다.

1. 좋은 질문을 할 수 있는 역량 
2. 필요한 데이터를 선별하고 검증할 수 있는 역량 
3. 데이터 해석을 기반으로 쓸모 있는 결론을 만들어 내는 역량 
4. A/B 테스트를 통해 가설을 검증함으로써 결과를 판별할 수 있는 역량 
5. 의사결정자들이 이해하기 쉽게 분석 결과를 표현할 수 있는 역량 
6. 데이터 스토리텔링을 통해 의사결정자들이 전체 그림을 이해하고 분석 결과에 따라 
   실행하게 하는 역량이 중요하다고 애기하고 있다. 

데이터가 어떻게 의미를 지니는지에 대해 두가지 힌트를 얻을 수 있다. 

첫째, 데이터(정보)는 사용하는 상황이나 사람에 따라서 가치와 의미가 달라지므로 어떤 맥락에서 

         데이터가 사용됐는지를 이해한느 것이 필요하다. 데이터는 그 자체로는 별로 의미가 없다. 
         하지만 어떤 상황에서 어떤 이유로 사용되느냐에 따라 그 정보성의 가치는 천차만별이 된다. 
         이게 바로 데이터의 본질이다. 

둘째, 데이터(정보)를 많이 가지고 있다고 지식과 지혜가 쌓이지는 않는다. 지혜를 쌓기 위해서는 적정한 정보를 
         보고 이러한 정보가 발생하는 근본적 이유를 생각해 미래를 추론하는 연습을 하는것이 중요하다. 

 

결론적으로는 올바른 데이터 분석은 데이터나 정보의 단순한 해석이 아니라 부분을 모으고 연결하고 전체를 구성해 
미래에 어떻게 하면 좋을지에 대한 방향성을 찾을 수 있는 지혜의 단계로 발전해야 한다. 우리가 똑같은 데이터를
가지고 있더라도 거기서 정보를 어떻게 연결하느냐, 거기에 활용하는 지식이 무엇이냐에 따라서 얻어낼 수 있는 
지혜는 다 달라진다. 그리고 그 지혜를 잘 만들어내는 사람이 진정으로 데이터 리터러시가 높은 사람이라 
할 수 있겠다. 

 

데이터는 실제 업무에서도 광범위하게 사용되고 있다. 우선 마케팅 부서는 고객 데이터, 설문조사 데이터, 
광고 데이터 등을 주로 활용한다. 전자상거래 거래 열람 이력, 행동 로그 등의 고객 데이터를 수집하고 
고객의 선호도를 분석해 니즈에 맞는 추천과 광고노출에 활용할 수 있다. 이러한 추천과 광고 노출은 고객의 
구매욕구를 자극함으로써 매출 증대로 이어진다. 

 

영업 부서는 고객데이터, 판매 데이터, 협상 데이터 등을 활용한다. 고객 데이터를 성별, 연령, 주소 등으로 
분류하고 구매 성향을 분석해 신규 고객확보에 활용할 수 있다. 성공한 협상 데이터의 공유를 통해 
회사의 전반적 영업 역량 향상에 도움을 줄 수도 있다. 

 

제조 부서에서는 제품 데이터를 주로 사용한다. 자동차 회사의 경우 배터리에 탑재된 센서 데이터를 활용해 
사용조건과 주행환경에 따른 성능 변화를 지속적으로 모니터링해 문제를 해결할 수 있다. 
그 외에도 데이터를 활용해 공정에서 발생할 수 있는 문제들을 쉽게 예측하고 품질을 향상 할 수 있다. 

 

'시민 데이터 과학자'

https://www.ciokorea.com/news/300493?page=0,1

‘그림자 아닌 빛으로’··· 시민 개발자·데이터 과학자 성공 사례 3가지

 

조직에서 성공적인 데이터 거버넌스 체계를 구축하기 위한 실행 방법은 다음과 같다.

첫째, 직원들의 데이터 사용성을 높여야 한다. 그러기 위해서는 직원들이 데이터가 무슨 의미가 있는지, 

         어떻게 수집하느지, 어떻게 사용하는지르 이해해야 한다.
         또한 데이터는 정해진 위치에 저장돼야 하고 간단하고 논리적인 방식으로 정돈돼야 한다. 

둘째, 메타데이터를 문서화해 관리해야 한다. 메타데이터는 회사에서 수집한 각각의
         데이터세트가 가진 목적이 무엇인지조직의 목표와 연관성이 무엇인지 등을 설명하는 정보다.
         이러한 메타데이터를 관리해 데이르 더 쉽게 찾아 사용할 수 있도록 하고
         현업과 IT 팀에 필요한 중요한 데이터 콘텍스트를 제공해야 한다. 

 

우버의 사례를 보자. 수년 전 우버의 데이터 과학자들은 관련 데이터를 찾는 데 1주일에 평균 3시간 정도를 사용하고 
있었다고 한다. 적은 시간이라고 판단할 수도 있으나 우버는 달랐다. 우버는 데이터북이라는
일종의 데이터 카탈로그를 만들어서 찾는 시간을 줄일 수 있었다

 

셋째, 데이터 품질을 유지해야 한다. 데이터 품질을 유지하지 못하면 직원들이 잘못된 정보를 사용해 막대한 
         피해를 초래하게 된다. 오류 데이터, 오래된 데이터 정비 등 데이터 정확도를 지속적으로 점검해야 한다. 

넷째, 데이터 보안을 철저히 해야 한다. 데이터의 대부분을 직원들이 쉽게 접근할 수 있도록 만들어야 한다. 
         하지만 인사나 재무등 특정 정보는 데이터 접근 권한을 제한하고 데이터를 안전하게 보호 해야 한다. 

다섯째, 데이터를 보호하고 연결한다. 데이터 수집, 저장, 관리, 폐기 등에 적용되는 내부 표준을 수립하고
             조직 내 다른 부문의 데이터들을 통합함으로써 통찰의 요소를 찾아주고 시너지를 올려야 한다. 

여섯째, 내부 통제 구조를 잘 갖춰야 한다. 데이터 거버넌스 정책, 절차, 표준, 평가 방법 등을 규정하고 그 규정

             내용을 각 부서에서 부서 특성에 맞게 구체적으로 적용할 수 있도록
             내부 통제가 마련되고 잘 작동돼야 한다. 또한 데이터 접근과 저장이 가능한 사람과 그에 대한 권한과 
             목적이 명확히 정의돼 있어야 한다. 마지막으로 모든 임직원이 '데이터와 나는 상관없어' 라고 느끼지 않도록 
             교육하고 데이터 관리가 모두의 몫이라는 걸 인지시키는 것이 중요하다. 

 

데이터 리터러시 문화를 조성하라. 

구글, 애플, 아마존, 넷플릭스 등 글로벌 데이터 기반 기업들의 공통점은 무엇일까 ?

데이터 리터러시 경영으로 최고의 경쟁력을 구가하고 있고 그 배경에는 분석 지향적 데이터 조직문화를 구축 하고 
있다는 점이다. 문화는 거버넌스 등의 규칙과 다르다. 문화는 말이 아니라 행동을 통해 드러난다. 
문화는 조직에서 허용되거나 허용되지 않는, 그리고 장려되거나 장려되지 않는 표준과 행동이라 할 수있다.

 

데이터 문화는 조직이 의사결정을 위해 데이터를 가치 있게 사용하며 그 과정이 중요하다고 생각하는 구성원들의
신념과 행동을 지지한다. 그 결과로 조직의 사고방식과 운영에 데이터가 자연스럽게 녹아들어 가는 것이다. 

데이터 문화는 조직의 모든 구성원에게 데이터 기반 의사결정에 필요한 통찰력을 제공해 다양한 

과제를 해결하는데 목표가 있다. 

 

데이터 리터러시 문화를 구축하기 위해서 무엇을 해야 할까 ? 

1. 보고서 형식을 데이터 분석이 포함되도록 바꿔야 한다. 단순 실적을 정리하거나 막연히 그럴 것이라는 
   대책 대신에 현황 데이터를 바탕으로 문제를 인식하고 문제를 해결하는 방식으로 바꾸는 것이다. 
   당연히 데이터에 근거한 대책이 들어가도록 최고경영자가 솔선수범 해야 한다. 
2. 전사적 지원 체계를 수립해야 한다. 의사결정이나 판단이 포함된 프로세스들은 되도록 관리자의 
   판단이 아니라 분석 결과에 따라 자동으로 결정될 수 있도록 시스템화가 될 때 전사적 지원 체계가 
   만들어진다. 또한 기업의 핵심성과지표가 시각화를 통해 실시간으로 공유되도록 해 의사결정의 
   객관성을 확보할 필요가 있다. 
3. 분석 역량과 노력을 측정하고 평가지표를 만들어 보상해야 한다. 기업문화 형성에는 중요한 요소 중
   하나는 고과와 보상체계다. 그러나 대부분의 기업에서 분석 역량이나 노력은 평가에 반영돼 있지 않다. 
   현업에서는 데이터 활용이 중요하다고 말하면서 실제로는 안 해도 특별히 문제 없는 상황이 많다. 
   따라서 제도나 평가에 데이터 활용은 반드시 해야 할 일로 명시하고 객관적으로 측정하고 보상 할 수 
   있도록 고과 체계를 실행해 동기를 부여해야 한다. 
4. 실패를 두려워하지 않는 문화를 만들어야 한다. 데이터 활용이 활성화 되려면 직원들에게 
   의사결정에 적용하는 실험을 자주하도록 격려해야 한다. 하지만 실패를 엄격한 규율과 잣대로 평가 하려 
   든다면 위험 감수르 중단하고 안전을 추구하게 마련이다. 데이터를 분석하다 보면 상대 부서를 공격하는 
   내용도 들어갈 수 있다. 이럴때 책임을 묻기 보다는 개선 방향에 초점을 맞추고 비판을 겸허히 수용하는 
   기업 문화가 필요하다. 
5. 계층별, 수준별로 데이터 리터러시 교육에 투자해야 한다. 직원들이 필요한 경우 어느 때나 전문적인 
   도움을 받을 수 있도록 전담 조직을 두거나 개인에게 맞는 다양한 교육을 지원하는게 중요하다. 
   직원들의 데이터 활용 능력을 키우려면 먼저 팀별이나 개인별로 업무를 효과적으로 수행하는 데 
   필요한 정보의 종류를 식별하는 눈이 필요하다. 그런 다음 해당 데이터와 관련된 분석 기술 능력이 
   향상되도록 교육을 하고 해당 데이터 분석의 권한을 부여해야 한다.
   비즈니스 관점에서의 문제해결과 비판적 사고를 배울 수 있도록 변화해야 한다. 비판적 사고와 
   데이터 활용 기술이 조직의 데이터 문화를 성숙시키는 중요한 요소이기 때문이다. 
   또한 데이터 활용 능력이 회사의 성공에 얼마나 중요한지 직원들을 이해시켜야 한다. 
6. 데이터 커뮤니티를 통해 조직 내 소통을 활성화해야 한다. 열성적인 데이터 사용자들의 네트워크는
   조직의 데이터 리터러시를 높인다. 커뮤니티는 내부 경연, 학습모임, 외부 네트워크와의 이벤트를 통해
   기술을 개발하고 동료와 교류하는 기회를 제공한다. 2021년 '포춘' 이 선정한 1,000대 기업을 대상으로 
   한 설문조사에 따르면 응답 기억의 92.2% 가 데이터 중심 조직으로의 변화를 가로막는 장애물은 
   기술적인 문제가 아니라 변화에 대한 저항이나 이해 부족 등의 문화적 요인이라고 답했다. 

협업 필터링(Collaborative Filtering)은 제품 및 사용자 간의 유사성을 검토하고 이를 바탕으로 사용자 취향에 맞는 
제품을 추천해주는 AI 기반 접근 방식 입니다. 즉, 나와 취향이 비슷한 사람들의 행동 데이터를 기반으로 
제품을 추천받게 되는 것 입니다. 

 

https://www.hyundai.co.kr/innovation/CONT0000000000005032

스마트 디바이스가 된 자동차

 

 

조마토는 현대적인 테크 기업과 마찬가지로 데이터 수집, 저장, 정리, 분석에 능하다. 

음식, 배달 시간, 가격, 할인에 대한 고객의 선호와 취향을 추적해 통찰을 얻는다. 이를 통해 계저별, 지역별 음식의
트렌드, 축제 기간 등의 정보와 결합해 고객별 맞춤 메뉴를 즉시 제시한다. 고객 친밀도가 매우 높아 고객이 
이 플랫폼을 바꾸기가 쉽지 않다고 한다. 

 

우선 조마토가 데이터와 기술을 어떻게 사용하는지 알아보자. 

조마토는 수집된 방대한 양의 데이터를 머신러닝을 통해 학습해 각 고객에게 더 개인화된 권장 사항을 제공하고

학습을 기반으로 대상 고객과 식당을 더 잘 연결한다. 아울러 특정 요리, 가격, 브랜드, 위치 등에 대한 권장사항을

맞춤형으로 제공한다. 레스토랑 추천은 과거 구매 이력, 검색 기록과 함께 주변에 있는 다른 유사한 고객이 
주문하는 내용을 기반으로 이루어진다. 개인화된 추천 시스템으로 조마토는 구매전환율과 클릭률을 15% 
향상 했다고 한다. 나아가 조마토는 자연어 처리를 기반으로 하는 머신러닝을 사용해 소셜 미디어 게시물과 
고객 리뷰를 분석한다. 이러한 분석은 회사에 통찰력을 제공해 브랜드를 구축하고 대상 고객의 감정을 
이해 하는데 도움이 된다. 음식 준비 시간도 양방향 딥러닝 모델을 사용해 실시간으로 정확하게 예측한다. 

빅데이터 전쟁에서 몰락의 원인을 다음과 같이 소개하고 있다. 

첫째, '비즈니스'가 아니라 '데이터'를 우선했다. 조직이 점차 커지면서 데이터 분석으로 해결할 수 없는 부분이 
많이 생겨났지만 테스코는 데이터 분석을 지나치게 믿었다. 2000년대 후반 들어 유통 산업의 대형화와 
온라인화가 급속히 진행되면서 '소품종 대량 생산' 과 '타깃형 전문 매장' 이 중요한 경쟁 트렌드로 대두됐다. 

하지만 테스코는 애매한 위치에 포지션이 하고 있던 탓에 유통시장에서 점점 경쟁력을 잃었다.

테스코의 데이터 분석은 마케팅에만 집중돼 있는 반면 마케팅의 근본 바탕인 기업의 핵심 역량 강화에는 
적절하게 대처하지 못했다.

 

둘째, '고객'이 아니라 '제품' 위주로 분석했다. 기존 제품과 가격 위주의 데이터 분석 전략을 고수한 나머지
고객의 행동과 성향, 특성을 놓친 것이다. 또한 기존의 테스코 고객들이 보여주었던 경험을 다른 국가의
고객에게 그대로 적용해 여러 나라에서 실패를 맛봐야 했다. 데이터가 아니라 비즈니스를 우선해야 하는데 
시장과 고객을 이해하려는 노력이 부족했고 혁신 없이 기존 전략만 고수 한 것이다. 

데이터 리터러시는 문제의식을 느끼는 데서 시작된다.