‘데이터 잘하는’ 조직이란? 여기어때 곽태호 DNA센터장 인터뷰

데이터만 20년 판 IQ 160 멘사 출신 데이터 전문가

여기어때 곽태호 DNA센터장 인터뷰

종합 여행·여가 플랫폼 여기어때가 데이터와 AI를 전담하는 조직을 새로 만들었습니다. 이름하여 DNA(Data & AI) 센터인데요. 기존에 데이터에 집중한 ‘데이터사이언스실'이 있었으나 AI 역량을 더하겠다는 포부를 담아 개편한 것입니다. 여기어때가 이번 DNA센터 개편을 맞아 관련 인력을 채용한다기에, DNA센터를 실질적으로 이끄는 곽태호 DNA센터장을 만나봤습니다.

곽 센터장은 20년 넘게 통신, 금융, 유통 등 다양한 도메인에서 활동해온 데이터 전문가인데요. 항공우주공학을 전공하고 개발자로 첫 회사에 입사했으나 첫 회사에서 데이터 분석, 데이터 엔지니어링 업무를 맡기 시작하며 데이터 업무를 시작했습니다. 이후 엔코아, 액센츄어에서 데이터 전문 컨설턴트로 활동했고 GS 리테일 신사업부서의 테크 팀 리더로도 일했습니다. 숫자와 추리소설을 좋아하는, IQ 160이 넘는 멘사 회원이기도 한데요.

그는 약 2년 전 여기어때 ‘데이터사이언스 실’의 리드로 합류해 데이터 조직의 체질 개선에 힘썼습니다. 기존 데이터 인력에게 실제 서비스에 적용될 머신러닝 과제를 부여해 AI 등 최신 기술을 교육하고, 데이터 조직이 타 부서의 요청을 지원하는 부서가 아닌, 각 부서의 업무를 명확히 이해해 데이터 인사이트 혹은 자동화된 툴을 제공할 수 있는 조직으로 탈바꿈하도록 업무 방식을 개선했습니다. 그런 그가 최근 ‘데이터사이언스 실’이 CIO(Chief Infrastructure) 산하 ‘DNA 센터’로 바뀌며 자연스럽게 DNA 센터장으로 활동하게 된 건데요. DNA센터라는 이름을 직접 짓기도 한 그는 “여기어때에 데이터와  “조직에 데이터와 AI DNA를 심겠다는 의미를 담았다”고 합니다.

“국내에 데이터 잘하는 사람은 많지만 데이터 잘하는 조직은 없다”며 “여기어때를 데이터 잘하는 조직”으로 만드는 것이 목표라는 그가 그리는 데이터 조직의 모습을 들어봤습니다. 국내 데이터 환경이 척박한 시절부터 현업에서 데이터 비즈니스의 첨단을 걸어온 전문가인 만큼, 실무자들에게 도움될 성장과 커리어 이야기도 물었습니다.

Q. 여기어때 DNA 센터는 뭘 하는 곳인가요? 

데이터, AI 기반으로 비즈니스와 서비스를 개선하는 일을 하는 곳입니다. 조직이 데이터를 이용해 의사결정할 수 있도록 부서별로 업무에 필요한 데이터를 발굴하고 인사이트를 제공하거나 시각화해서 보여주는 일, 머신러닝을 이용해 상황에 맞는 추천을 하거나 타기팅된 고객에게 쿠폰을 제공하는 일도 합니다. 최근에는 업무 자동화를 많이 해요. 단순한 반복 작업을 AI로 전환해 작업하죠. 예를 들어 최근에는 AI가 수많은 리뷰에서 불만이나 중요 키워드를 뽑아내고, 그 강도가 높은지 비교하거나 비슷한 불만 사항을 모아볼 수 있도록 하는 내부 툴을 만들었어요.

Q. 어떤 분들이 일하고 계신가요? 

직무를 중심으로 네 개 팀으로 나뉘어 있어요. 고객 행동 데이터를 기획하고 관리하는 ‘유저 비헤이비어(user behavior) 팀’, 데이터 애널리스트들로 이뤄진 ‘비즈니스 인사이트 팀’, ML 모델 개발하는 데이터 사이언티스트로 이뤄진 ‘데이터 사이언스 팀’, 모델을 모니터링하고 서비스에 적용하는 ‘ML 엔지니어링 팀’입니다.

Q. 여기어때에 오신 지 2년 정도 되셨죠. 오셔서 어떤 일들을 하셨나요? 

처음에는 고객 행동 데이터를 수집, 관리, 활용하는 환경을 만드는 데 집중했어요. 여기어때가 생각보다 데이터 활용을 굉장히 잘하고 있는 조직이었는데, 그걸 더 잘할 수 있도록 오너십을 정비했죠. 그다음에는 조직 내 데이터 요청 업무를 정리했고요. 각 부서에서 데이터분석가들에게 요청이 많이 오는데, 그런 요청만 처리해주다 보면 데이터 조직이 지원 업무만 하는 조직으로 변해 지칠 수 있어요. 많은 데이터 분석 조직에서 겪는 문제죠. 그래서 기본적인 것은 각 부서 담당자가 직접 확인할 수 있도록 내부 쿼리 교육을 6개월 정도 진행했습니다. 그걸 통해 데이터 분석가들이 지원 업무가 아니라 가치를 생성할 수 있는 환경을 만들었죠. 그 뒤에 머신러닝을 활용한 추천 서비스 도입 등 AI 프로젝트를 수행하면서 AI DNA를 심었고, 분석한 데이터가 잘 활용될 수 있도록 분석가가 마케팅, 프로덕트, 비즈니스 조직과 섞여 과제를 발굴할 수 있는 환경을 만들고자 했죠.

Q. AI를 통해 내부 업무 자동화도 실행하고 계신다고 들었어요. 어떤 걸 하셨나요? 

자동화는 꾸준히 실행하고 있고요. 최근에는 AI를 활용해 채팅 데이터를 일정한 포맷으로 정리하는 툴을 만들었어요. 어느 날 영업하시는 분들이 일하면서 쌓아둔 채팅 내용을 따로 몇 시간을 들여 정리한다는 걸 알게 됐어요. 그래서 자동으로 채팅을 정리해주는 내부 툴을 일주일 정도 들여 만들었어요. 이제 그 분들은 그 시간을 다른 데 쓰실 수 있게 됐죠.

이렇게 만든 걸 다른 팀과 미팅할 때 소개하면서, 각 업무에서 어떤 부분을 자동화할 수 있을지 요청할 수 있도록 하고 있어요. 어떤 걸 요청해야 할지 모르는 경우도 많은데, 먼저 개발한 것을 보여드리면 거기서 아이디어를 얻고 제안주시기도 해요.

Q. 앞으로는 AI와 데이터를 어떤 식으로 더 활용하실 계획인가요?

개인화를 위해 진행하고 있던 과제를 좀 더 성장시키려고 합니다. 고객에 대해 학습한 것을 서비스에 빠르게 적용하고 계속 개선할 수 있는 구조를 갖추고 싶어요. 무엇보다 고객을 하나의 속성으로 이해하면 안 된다고 생각해요. 넷플릭스를 보는 어떤 사람도, 혼자 볼 때, 가족과 볼 때, 아내와 볼 때 무엇을 보는지가 다 달라요. 그 사람을 단순히 연령이나 성별, 한 장르를 좋아하는 속성에 묶어둘 수는 없죠. ‘개인화’에는 한 사람을 100퍼센트 이해하고 갑자기 확 바꾸겠다고 접근하기가 어려워요. 조금 바꿔보고 최적화해나가야 하죠. 그렇게 고객 맞춤형으로 친밀한 서비스가 될 수 있도록 기술 구조와 AI 과제를 만들려고 합니다. 이게 올해 목표이기도 해요.

Q. 그 목표를 달성하는 데 어떤 게 어렵나요?

과제를 잘 정리하고 실행 계획을 세우는 부분이 가장 어렵습니다. 업계에 ‘AI 조직이 선무당처럼 움직인다’는 얘기가 있어요. AI로 다 된다고 한다는 거죠. 그런데 AI 조직에서 테스트로 보여드리는 것과 실제 서비스에서 작동하는 것은 완전히 달라요. 그래서 조직 내에서 AI 과제가 실패하는 경우가 많죠.

중요한 건 AI를 통해 개선하고자 하는 업무를 충분히 이해하고 더 많은 상황을 분석해서 과제를 정확히 잘 정의하는 거예요. 실무자들은 자신의 업무를 굉장히 고민해서 실행해요. 숫자도 한땀한땀 살피고, 제휴사를 방문해 무엇을 개선해야 하는지 체크하기도 하고요. 그렇게 스스로 관리하는 지표도 있을 텐데, AI를 적용했을 때 그 실적이 떨어지는 일도 발생하지 않게 실행 계획을 잘 마련해야 해요. 그렇지 않으면 바쁜 실무자들 시간만 뺏고 효과는 없는 걸 만들 수 있죠.

분석을 잘하는 개인은 많아요. 그런데 그걸 잘 활용하는 회사는 많지 않아요. 데이터 분석이나 기술 자체가 중요한 게 아니라, 서비스나 조직을 위한 과제를 만들 때 내부 업무 담당자들과 잘 협업하고 각 업무를 잘 이해해서 접근하는 게 중요해요. 그래야 데이터 담당자들이 실제로 의미 있는 과제를 실행하고 서비스에도 기여할 수 있죠. 그런 문제를 어떻게 잘 풀어갈 것인지가 가장 어려운 부분이에요.

Q. 그 어려움을 해결하기 위해 어떤 노력을 하고 계신가요?

데이터 분석가들이 내부 담당자들의 업무를 잘 이해할 수 있게 서로 섞일 수 있는 기회를 많이 마련하기도 하고요, 뭔가를 전환할 때 한번에 바꾸기보다 단계적으로 전환하려고 합니다. 업무를 자동화한다고 했을 때, 업무 전반을 한번에 자동화하는 게 아니라 AI가 실제로 대체할 수 있는 영역까지 작게 실행하고, 경험을 쌓아서 다시 과제를 만드는 식으로 실패 없이 적용하려고 해요.

Q. 예를 들어 설명해주실 수 있는 프로젝트가 있을까요?

검색 경험을 개선한 사례가 있어요. 요즘에는 저희 서비스뿐 아니라 많은 서비스에서 사용자들이 검색을 활용하는 게 습관이 된 것 같아요. 탐색을 하기보다 일단 검색부터 하는 거죠. 저희도 검색을 이용하는 사용자가 점점 더 많이 늘어나고 있다는 걸 확인하고, 개선하기로 했어요. 

검색 랭킹을 최신순, 인기순으로 보여주는 경우가 많고, 보통 각각 무엇을 최신, 인기 기준으로 할지에 관해 내부의 가중치가 반영된 알고리즘 로직이 있죠. 저희는 ‘사용자의 반응’에 집중하기로 했어요. 수식을 정하는 게 아니라 사용자가 앱에서 보이는 행동 반응을 AI에 학습시킨 거예요. AI가 그걸 기반으로 랭킹을 조정해주는 방식으로 검색 경험을 개선했어요. 정확히 얼마나 개선됐는지를 밝히기는 어렵지만, AB테스트를 하면서 이 방식이 수식 등의 기존 알고리즘을 개선하는 것보다 낫다는 것을 알게 됐죠.

Q. 채용할 때도 그런 걸 보시나요?

네. 어떤 문제에 어떻게 접근하는지, ‘유연성’을 살핍니다. 어떤 과제를 받으면 그걸 해결하는 방식이 다들 다양해요. 어떤 분은 ‘이런 데이터가 있지 않을까요’ 추측해 나름대로 어떻게 탐색해서 해결할지 이야기하고, 어떤 분은 ‘인터뷰부터 해야 할 것 같다’고 이야기하죠. 사실 주어진 데이터만 보고 단정짓고 결과를 내버리면 현업에서 쓸 수 없는 경우가 많아요. 그래서 사고가 얼마나 유연한지, 문제에 얼마나 폭넓게 접근하는지를 보고 있습니다.

Q. 올해 목표가 있으신가요?

사실 데이터를 정말로 잘하는 조직이 많지 않은 것 같아요. 저도 오랫동안 데이터 일을 해왔는데, 주변에서 찾아보고 얘기 들어봐도, 데이터를 잘하는 사람은 있지만 그 사람들을 잘 활용할 수 있는 조직은 적은 것 같아요.

단순히 기술적으로 AI 등을 도입하는 것으로 데이터를 잘한다고 할 수는 없어요. 조직에 필요한 과제를 잘 발굴하고, 비즈니스의 방향성을 이해해 우선순위를 잘 잡을 수 있어야 해요. 저는 여기어때를 데이터를 잘하는 조직으로 만들고 싶어요.

Q. 데이터를 잘한다는 게 뭔가요?

서비스에 실질적으로 적용해 매출이나 재방문 등의 실제 성과로 이어지는 거죠. 예를 들어 넷플릭스가 대표적입니다. 접속한 사람마다 추천해주는 게 다르고, 콘텐츠를 계속 바꿔가며 구매력을 높이는 일을 하는 것으로 잘 알려져 있죠. 아마존도 시즌마다 검색 결과를 통해 사람들이 선호하는 색상을 더 많이 보여준다든지 하는 활동에 굉장히 신경을 많이 써요.

Q. 그런데 그런 개인화, 맞춤 추천이 화두가 된 지 오래됐잖아요. 그럼에도 왜 그게 잘 안되는 건가요?

사람을 온전히 이해하기가 쉽지 않아서요. 저희도 개인화를 바로 적용하지 않는 이유가 있어요. 저희 서비스는 고객이 방문하는 주기도 길고, 방문할 때마다 목적이 달라져요. 이번에 방문했다고 저번에 관심 있었던 걸 또 관심 있어하리라는 보장이 없죠. 그걸 AI에게 그냥  맡겨버리면 AI는 단순히 전환율을 높이는 행동을 해요. 기존에 10명 중에 2명이 구매했다면, 10명 중에 3명이 구매하는 것으로 높이려는 거죠. 그러면 10명 중에 5명이 불만족해도 AI에게는 문제가 없는 거예요. 될 것 같은 것에만 집중하게 되죠. 이런 걸 전체적으로 모니터링하고 의사결정하지 않은 채로 특정 영역에서만 개인화를 하면 고객 행동이 안 좋아지는 결과로 이어질 수 있어요.

Q. 조직에서 AI를 얼마나 이해하고 집중해서 투자할 건지가 중요하겠네요. 

맞아요. AI가 정말 빠르게 발달해서, 일하는 사람들의 이해의 차이도 점점 더 커질 거예요. ‘GPT 뜬다니 GPT 해봐’ 한다고 뭐가 나오는 건 아니잖아요. 조직에서 필요한 것을 잘 만들어 쓸 수 있도록 해야 해요. 또 지금의 기술이 어디까지 할 수 있는지는 과거의 경험과는 달라요. 그래서 이전에 해봤는데 안 됐던 게 지금은 될 수도 있고요. 그런 시각 차이, 이해 차이로 인해 벌어지는 조직내 눈높이를 잘 맞추는 것도 중요합니다.

Q. 데이터 조직이 있는 회사가 많은데요, 여기어때 DNA센터만의 매력은 무엇인가요?

실질적으로 적용되는 과제를 많이 해볼 수 있다는 점이에요. 사실 데이터 조직에 속해 있어도 최근 트렌드에 맞는 과제를 못 해보는 경우가 많아요. 이미 계획되어 있는 일들을 처리하거나 타 부서 요청 처리하기에만 바쁜 경우도 많고요. 그런데 저희는 예전에 했던 방법이 아닌 지금의 기술로 문제를 풀어보려고 하고 있어요. 그리고 내부 다른 직군들을 쫓아다니면서 비즈니스와 실무를 파악해 적용하기 때문에 실질적인 과제를 세팅할 수 있고요. 또 숙박이나 여행 업에 대한 이해도가 높아질 수 있습니다.

데이터 전문가로 성장하기

Q. 개인적인 커리어 질문을 해볼게요. 항공우주공학을 전공하셨는데 어떻게 데이터쪽으로 흘러오셨나요?

제가 전공한 학과가 수치 해석이나 프로그래밍을 많이 다루는 학과이긴 했는데, 병역특례로 입사한 첫 회사에서 데이터 업무를 맡았고 하다 보니 20년 넘게 계속하게 된 것 같아요.

처음에는 개발자로 입사했어요. 졸업할 때쯤에 IMF가 와서 대기업 항공 회사 몇 곳이 KAI라는 기업으로 합쳐지면서 취업 자리가 줄었거든요. 그때 저희 학과를 전공하고 졸업을 앞둔 사람들이 개발쪽으로 많이 갔죠. 회사에서 일하다 보니 분석 요청도 많고 데이터도 계속 쌓여서 정비도 해야 했죠. 저도 잘 모르는 게 많아서 밤마다 공부하고 테스트했어요. 그러다 기업 데이터 구조 설계나 튜닝을 전문으로 하는 컨설턴트로 일했고, 액센츄어에서 제안을 받고 합류해 대기업에 빅데이터 컨설팅을 했습니다. 중간에 창업이 하고 싶어 잠깐 여행자 타깃 1인 라이브 방송 플랫폼 ‘트립미라이브’라는 서비스를 만들기도 했고요. 그러다 보니 여기까지 왔네요.

Q. 요즘에는 데이터 분야도 분석, 엔지니어링, 모델링 등 이전보다 세분화되어 각각 요구하는 전문성도 다른 것 같아요. 그런데 센터장님은 한 가지 전문성에 집중하기보다 비즈니스 문제를 푸는 관점으로 다양한 데이터 역량을 길러오신 것 같아요. 어떻게 그렇게 해오셨나요?

대학생 때 교수님께서 해주신 말씀이 떠오르네요. 항공우주공학 전공하면서 전공 수업이 너무 많아 힘들었는데 이런 말씀을 해주시더라고요. “너희는 오케스트레이션을 하는 역할이다. 비행기와 인공위성을 만드는 데 기계공학, 컴퓨터 통신, 전자 등 다양한 분야의 전문성이 필요하다. 항공우주공학에서는 그 모든 것을 각각 다 잘하라는 게 아니라 조율을 잘해서 비행기를 만들어내라는 것이다.” 이게 지금까지도 여러 가지에 호기심을 갖고 조율해내는 일에 밑바탕이 되는 것 같아요.

앞으로는 이런 게 더 필요하다고 봐요. AI 때문에 이 분야 직업이 없어지지 않을까 걱정하시는 분들이 많아요. 실제로 빅테크 기업에서 머신러닝 엔지니어들을 자르고 있기도 하죠. 기술이 많이 좋아지다 보니 사람을 대체할 수 있는 솔루션이 나오니까요. 그런데 실제로 각 업무를 잘 이해하고 조율해 정말로 데이터가 필요한 곳에서 잘 활용할 수 있게 하는 일은 아직은 AI가 대체하기 쉽지 않아요. AI에게 일을 잘 시켜서 원하는 일에 빠르게 접목하는 ‘오케스트레이션’ 역량이 더 필요해질 거예요. 한 분야의 깊이 있는 전문성보다 내가 맡고 있는 서비스, 내가 개선해야 하는 업무를 더 잘 이해하는 것이 중요해요.

Q. 요즘에는 데이터 직무 교육 프로그램이 있지만, 센터장님이 일 시작하셨을 때는 그런 게 없었을 것 같아요. 혼자 공부하신 건가요?

처음에 굉장히 힘들었죠. 처음에는 책도 많이 읽고, 교육에 엄청 많이 참여했는데, 막상 가보면 뻔한 이야기이거나 스스로 이미 많이 해봤던 방법에 관한 거더라고요. 그래서 내가 해본 걸 확인하고, ‘틀리지 않았구나’ 하는 거였죠. 그러고서는 엔코아라는 데이터 전문 컨설팅회사에 들어갔고 거기 데이터좀 한다 하는 분들이 많이 계셨어서 많이 배웠어요. 스터디도 많이 하고 서로 문제 해결한 경험을 공유하면서 많이 배웠죠.

Q. 데이터에 어떤 부분에 재미를 느끼셨나요?

어릴 때부터 숫자 다루는 걸 되게 좋아했어요. 추리소설도 좋아하고요. 나름 멘사 회원이기도 해요. 논리적으로 문제를 해결하는 것 자체를 되게 좋아했고 지금도 그래요. 데이터를 다루다 보면 이게 마술처럼 답이 짠 나타나는 게 아니라 설명할 수 있는 근거들을 하나씩 발견하게 되는데, 그게 정말 재미 있었던 것 같습니다.

Q. 현장에서 직접 부딪히면서 20년 동안 경력을 닦아오셨고 창업 경험까지 있으신 만큼 일에 관해 굉장히 진지하신 것 같아요. 일에서 어떤 것을 가장 중요하게 생각하시나요?

결과 내는 걸 굉장히 중요하게 생각해요. 관리자로서 나쁜 사람 같네요(웃음). 그런데 과정에만 너무 집중해서 결과를 제대로 내지 못 하게 되면 회사든 개인이든 충분히 더 잘할 수 있는 부분을 못 하게 되는 것 같아요. 일단 결과를 내 보고 고민을 해야 그 과정이 학습이 되고, 그걸 토대로 새로운 걸 할 수 있다고 생각해요. 그러다 보니 이제 점점 더 저는 예전에 제가 성공했던 방법을 쓰기 보다 어떤 걸 활용해서 더 결과를 잘 낼 수 있을지에 집중하는 것 같아요.

Q. 계속 열심히 일하게 되는 동력은 뭔가요?

새로운 걸 계속 경험해보고 싶은 마음 같아요. 데이터 하시는 분들은 보통 하나의 인더스트리를 하시는 경우가 많아요. 거기서 계속 노하우가 쌓이니까요. 그런데 저는 안 겪어본 인더스트리가 없을 정도로 다양한 경험을 했어요. 통신, 전자, 금융, 자동차, 유통 다 해봤죠. 그렇게 새로운 걸 접할 때마다 ‘여기서 이런 걸 해볼까’ ‘저런 걸 해볼까’ 하다 보면 6개월, 1년 시간이 지나가죠. 다행히도 제가 재미를 느끼는 부분이 회사가 원하는 부분과 많이 맞아 있었던 것 같아요.

콘텐츠 문의yozm@wishket.com

요즘IT의 모든 콘텐츠는 저작권법의 보호를 받는 바, 무단 전재와 복사, 배포 등을 금합니다.