Orc’s WIKI

Orc Hwang

원문 정보
제목: Why Technically Excellent Data Teams Still Fail
출처: Goutham Budati, Practical Data Community (practicaldatacommunity.substack.com)
발행: 2026-06-11 · 약 12~15분 분량
원문 링크: https://practicaldatacommunity.substack.com/p/why-technically-excellent-data-teams
데이터 팀의 실패는 대부분 기술이 아니라 ‘해석과 의사결정’의 층에서 일어난다는 진단. 데이터 직군의 문화·실무 관점에서 Articles에 담는다.
한 줄 요약 (TL;DR)
데이터 팀은 파이프라인·대시보드 같은 산출물(output)의 양을 최적화하지만, 조직이 원하는 것은 의사결정에 대한 영향력이다. 그 사이를 잇는 빠진 층이 Perspective(해석) 이며, 데이터 → 해석 → 행동(Data → Perspective → Action)으로 일하는 습관을 만들 때 비로소 기술적 탁월함이 조직 영향력으로 전환된다.
왜 이 글을 골랐나
아래에서 위로, 이 글의 척추는 한 장으로 요약된다. 각 층에는 그 층에 주저앉을 때의 실패 모드가 붙어 있고, 위로 올라가는 화살표에는 그 층을 넘기는 핵심 습관이 붙어 있다.
flowchart BT
 D["Layer 1 · Data (데이터) 파이프라인 · 대시보드 · 스키마 · 인프라 ❌ 실패: 데이터 '배달'에서 멈춤 (200개 중 10개만 실제 사용)"]
 P["Layer 2 · Perspective (해석) informing → influencing ❌ 실패: 해석 회피 (객관성의 함정 · 피드백 사각지대)"]
 A["Layer 3 · Action (행동) 분석과 실제 의사결정의 간극을 닫는다 ❌ 실패: 행동으로 이어지지 않음"]
 G(["공유된 현실 (Shared Reality) = 조직 영향력 · Decisions are the point"])
 D -->|"습관: 의사결정과 연결 · 프레이밍을 얹는다"| P
 P -->|"습관: 주간 원페이저 · 매크로/마이크로 · v0.8 공동설계"| A
 A -->|"습관: No-data-alone · 기회 규모 산정 · 학습 아젠다"| G
“200개의 대시보드를 만들었지만 실제 의사결정에 쓰이는 것은 10개뿐”이라는 문장은 데이터 직군이라면 누구나 뜨끔한다. 이 위키에는 이미 데이터를 다루는 관점의 글이 여럿 있다 — 데이터 품질은 ‘사다리’다가 데이터의 유스케이스 적합성을 이야기했고, 데이터가 당신의 유일한 해자다와 The Untrainable이 데이터·도메인 전문성의 경쟁 우위를 논했다. 이 글은 그 사이의 빠진 고리 — “잘 만든 데이터가 왜 의사결정으로 이어지지 않는가”라는 조직 영향력의 문제 — 를 정면으로 다룬다. AI가 인프라 작업을 자동화할수록 남는 가치가 무엇인가라는 질문과도 곧장 연결된다.
핵심 내용
저자는 광고 대행사에서 리포팅을 자동화하던 경험에서 이 프레임을 얻었다. 정확한 대시보드보다, 그 데이터를 해석한 예측 모델(forecasting)이 의사결정을 훨씬 강하게 움직였다는 관찰이 출발점이다. 그는 데이터 업무를 세 개의 층으로 나눈다.
Layer One: Data (데이터)
인프라·파이프라인·스키마·대시보드 — 모든 것의 토대다. 여기서의 치명적 실패 모드는 데이터 ‘배달’에서 멈추고 의사결정과 연결하지 않는 것이다. 200개 중 10개만 쓰이는 대시보드가 그 증거다.
“Accurate data without framing hands the hardest interpretive work to the person with the least capability.”
(프레이밍 없는 정확한 데이터는, 가장 어려운 해석 작업을 그 일을 가장 못하는 사람에게 떠넘긴다.)
Layer Two: Perspective (해석)
데이터 팀이 알리는 것(informing)에서 영향을 주는 것(influencing)으로 넘어가는 지점. 저자가 지목하는 ‘빠진 층’이다. 2026 AI & Data Leadership Executive Benchmark Survey에서 선임 데이터·AI 리더의 93%가 AI 도입의 핵심 장벽으로 ‘문화와 변화 관리’를 꼽았고, 기술을 꼽은 사람은 7%뿐이었다 — 15년 설문 역사상 가장 극단적으로 갈린 결과다. 병목은 기술이 아니라 해석과 채택이라는 뜻이다.
이 층을 가로막는 두 가지 함정:
객관성의 함정(objectivity trap): 데이터 직군은 “해석은 내 일이 아니다”라며 판단을 회피하고, 그 결과 이해관계자가 알아서 추측하게 만든다.
피드백 사각지대(feedback blind spot): 엔지니어는 자신의 산출물이 실제로 어떻게 쓰이는지 거의 보지 못한다.
해석을 습관으로 만드는 방법:
주간 원페이저(Weekly one-pager): ① 사실 요약 한 문단, ② 비즈니스적 함의 한 문단, ③ 구체적 다음 행동 1~2개. 저자는 “대부분의 사람이 멈추는 마지막 섹션이, 가장 중요한 일이 시작되는 곳”이라고 말한다. 매달 한 명에게 공유해 피드백을 받아 의사결정 직관을 키운다.
매크로와 마이크로(Macros and micros): 조직 건강을 나타내는 소수의 핵심 지표(macro)와, 그것을 움직이는 입력 지표(micro)를 짝지어 본다. “비즈니스 전체가 합의한 탄탄한 노스스타 지표”가 전제다.
버전 0.8에서의 공동 설계(Co-design at version 0.8): 완성 전에 산출물을 이해관계자에게 열고, 마지막 20%를 함께 다듬는다. 이렇게 하면 산출물이 ‘주인의식(commitment)’으로 바뀐다. 한 이해관계자가 낸 100개의 질문 목록이 몇 년치 개발 로드맵이자 스코프 통제 장치가 된 사례를 든다.
“The narrative is the deliverable.” · “Writing is thinking. An AI tool can clean up your prose. It cannot develop your perspective.”
(내러티브가 곧 산출물이다. 글쓰기가 곧 사고다. AI는 문장을 다듬을 순 있어도, 당신의 관점을 대신 길러 주지는 못한다.)
Layer Three: Action (행동)
가장 어려운 층. 분석과 조직의 실제 의사결정 사이의 간극을 닫아야 한다.
No-data-alone 규칙: 모든 분석에는 반드시 추천 행동이 붙는다. 이 하나의 제약이 일의 범위를 처음부터 바꿔, 탐색적 분석이 아니라 의사결정에 관련된 지표를 겨냥하게 만든다.
기회 규모 산정과 옹호(Opportunity sizing & advocacy): 기회의 가치와 우선순위에 의견 있는 숫자를 내놓는다. 구체적 숫자는 이해관계자가 반박할 수 있게 해 주고, 모호한 권고보다 훨씬 안정적으로 의사결정을 이끈다.
학습 아젠다(Learning agenda): 어떤 권고가 실제 행동으로 이어졌고 어떤 것은 무시됐는지 추적한다. 몇 달에 걸쳐 갱신된 숫자를 들고 다시 찾아가는 지속적 옹호가, 그 권고에 대한 진짜 확신을 증명한다.
Org Structure (조직 구조)
이상적 구성은 비즈니스 도메인마다 애널리틱스 엔지니어 1명(시스템 견고성) + 애널리스트 1명(내러티브·이해관계자 관계) 의 짝이다. 어느 한 역할도 단독으로는 제대로 작동하지 않는다. 초기 단계 회사에서는 인프라 부담이 압도적일 때, 주간 리뷰·월간 데모로 해석을 공유할 시간을 보호하는 것으로 대신한다.
The Rhythm That Compounds (복리로 쌓이는 리듬)
운영을 꾸준히 반복하면, 어떤 파이프라인·알림·인프라 투자가 실제로 중요한지에 대한 이해가 복리로 쌓인다. 데이터 팀의 진짜 임무는 다음과 같다.
“The data team’s job is to build a shared reality: a common, reliable understanding of what is happening and what it means.”
(데이터 팀의 일은 ‘공유된 현실’을 짓는 것이다 — 무슨 일이 벌어지고 있고 그것이 무엇을 의미하는지에 대한, 공통되고 신뢰할 수 있는 이해.)
분석과 인사이트
원문 요약과 구분해 내 관점을 적는다.
가장 강한 지점은 ‘해석을 회피하는 것도 하나의 선택’이라는 통찰이다. “데이터는 스스로 말하지 않는다. 누군가는 반드시 해석한다”는 문장은, 데이터 직군이 자주 숨는 ‘객관성’ 뒤에 사실은 책임 회피가 있음을 찌른다. 해석을 안 하면 해석이 사라지는 게 아니라, 가장 준비 안 된 사람(대개 비전문 이해관계자)에게 넘어갈 뿐이다. 이건 SQL 실력의 문제가 아니라 직업 정체성의 문제다.
‘버전 0.8 공동 설계’는 과소평가된 실무 기법이다. 엔지니어는 완성해서 보여 주려는 본능이 강하지만, 완성품은 피드백이 아니라 반응만 부른다. 미완성 상태로 열어 이해관계자를 마지막 20%에 참여시키면 산출물이 ‘우리 것’이 된다. 이는 Agile을 넘어서려는 최근 논의의 ‘작게, 자주, 함께’ 정신과 같은 뿌리다.
AI와의 연결이 이 글의 시의성이다. 93%가 병목을 문화·변화 관리로 지목했다는 통계는, AI가 인프라(Layer One)를 빠르게 자동화하는 지금 가치가 위 두 층으로 이동한다는 신호다. 파이프라인 구축은 commodity가 되고, 해석과 옹호 — 벤치마크할 수 없는 도메인 판단 — 가 남는 해자가 된다. 이는 The Untrainable과 데이터가 당신의 유일한 해자다가 각각 ‘측정 불가능한 일’과 ‘데이터 플라이휠’로 짚은 결론과 정확히 맞물린다.
이견/한계: 3층 모델은 깔끔하지만, 조직이 데이터 팀을 ‘티켓 처리 부서’로 취급하는 구조에서는 개인의 습관만으로 층을 넘기 어렵다. 원문은 개인·팀 실무에 초점을 두고 있어, 경영진이 데이터 팀에 의사결정 권한과 자리를 주는 조직 설계의 문제는 상대적으로 덜 다룬다. ‘No-data-alone 규칙’도 실행 권한이 없는 팀에서는 무력할 수 있다. 습관은 필요조건이지 충분조건은 아니다.
On Data Quality와의 궁합: 그 글이 “품질은 유스케이스에 따라 창발한다”고 했다면, 이 글은 그 유스케이스(=의사결정)를 데이터 팀이 직접 정의하고 이끌어야 한다고 말한다. 두 글을 겹쳐 읽으면 “무엇을 위한 데이터인가”라는 질문이 품질과 영향력 양쪽의 축임이 드러난다.
적용 포인트
주간 원페이저를 시작한다. 사실 한 문단 → 함의 한 문단 → 다음 행동 1~2개. 세 번째 섹션을 절대 비우지 않는다.
모든 분석 산출물에 ‘추천 행동’을 강제한다(No-data-alone). 분석을 시작하기 전에 “이걸로 어떤 결정을 바꾸려 하는가”를 먼저 적는다.
대시보드를 세지 말고, 실제로 의사결정에 쓰이는 대시보드의 비율을 센다. 이 비율을 팀의 핵심 지표로 삼는다.
완성 전(버전 0.8)에 이해관계자를 초대해 마지막 20%를 함께 다듬는다. 완성품 발표를 줄인다.
기회에는 의견 있는 숫자를 붙인다. “영향이 클 것”이 아니라 “약 X만큼”이라고 말해 반박 가능하게 만든다.
학습 아젠다를 기록한다. 어떤 권고가 채택/무시됐는지 추적하고, 갱신된 숫자로 다시 옹호한다.
도메인마다 엔지니어+애널리스트 짝을 맞춘다. 여의치 않으면 최소한 주간 리뷰·월간 데모로 해석 공유 시간을 사수한다.
마무리
이 글의 힘은 데이터 팀의 실패를 기술 부족이 아니라 해석과 행동의 부재로 재정의한 데 있다. 파이프라인은 완벽한데 조직은 데이터 팀을 필요로 하지 않는 역설은, Layer One에서 멈췄기 때문이다. AI가 하부 인프라를 삼켜 가는 시대일수록 남는 가치는 위쪽 — 데이터를 의미로, 의미를 결정으로 옮기는 능력 — 에 있다. “Decisions are the point. Everything else is how you get there(의사결정이 핵심이다. 나머지는 전부 그리로 가는 방법일 뿐이다).”
더 읽어보기
원문 — Why Technically Excellent Data Teams Still Fail (Goutham Budati)
데이터 품질은 ‘사다리’다: On Data Quality (1) 기본기 — 데이터 품질도 결국 유스케이스(의사결정) 적합성이라는 자매 논지
데이터가 당신의 유일한 해자다 — 데이터 플라이휠이 해자가 되는 이유
The Untrainable: 벤치마크할 수 없는 일에 가치가 남는다 — AI가 자동화 못 하는 도메인 판단의 가치
Lean Analytics, 다시 보기 — AI 시대 제품·비즈니스 지표가 흔들리는 방식
Agile에 작별을 고하며 — ‘작게, 자주, 함께’ 다듬는 협업의 뿌리

기술적으로 뛰어난 데이터 팀이 실패하는 이유: Data-Perspective-Action 3층 모델 (Goutham Budati)

댓글