데이터인재 · 2026.11.08

데이터 리터러시 교육, BI 툴 강의일까 팀장의 질문 정의 과제일까?

데이터 리터러시 교육, 대시보드는 늘었는데 회의 결정은 왜 그대로일까?

대시보드가 늘어도 주간 회의의 결정이 그대로라면 데이터 리터러시 교육(데이터 문해력 교육)은 BI 툴 강의보다 팀장이 사업 문제를 측정 가능한 질문으로 다시 쓰는 실전 과제부터 시작해야 합니다. 판단 기준은 세 가지입니다.

핵심 기준

  • 누구에게: 도구는 갖췄는데 회의 결정이 바뀌지 않는 조직의 팀장·임원
  • 무엇을 먼저: 툴 강의는 짧게 두고 자사 데이터로 푸는 12주 질문 정의 과제에 집중
  • 무엇으로 측정: 만족도 대신 데이터 근거가 기록된 회의 결정의 비율

목차

BI를 도입한 지 2~3년 된 직원 500~2,000명 규모의 중견 유통·소비재 기업을 떠올려 보겠습니다. 리포트는 해마다 늘었는데 회의의 결정 방식은 그대로이고 HR은 BI 과정을 한 번 더 넣을지 고민합니다.

Evanta·Gartner C-level Communities가 2026년 5월 CDAO(최고데이터분석책임자) 600명 이상을 조사한 「Top 3 Priorities for CDAOs in 2026」에서 83%가 1년 안에 데이터 리터러시 프로그램을 운영 중이거나 시작할 계획이라고 답했습니다. 같은 보고서는 생성형 AI 프로젝트의 30%가 개념 검증(PoC) 단계 이후 중단된다고 짚습니다. 도구를 들이는 일과 결정을 바꾸는 일은 별개입니다.

국내 기업 교육 과정의 전형은 여전히 도구 실습입니다. 한국생산성본부의 데이터 리터러시 과정은 2일·16시간 동안 엑셀과 파이썬으로 데이터 구분부터 시각화까지 다루고 '무엇을 물을지' 정하는 시간은 커리큘럼에 따로 두지 않습니다.

그래서 붙들 질문은 하나입니다. 우리 조직의 문제는 데이터를 읽는 기술이 부족한 것일까, 질문을 정하는 사람이 없는 것일까?

데이터 리터러시·씩데이터·경계인이란? 읽는 능력에서 질문하는 능력으로

데이터 리터러시는 데이터를 목적에 맞게 만들고 이해하고 해석해 업무에 적용하며 그 결과로 소통하는 역량입니다. 딥스탠딩 파트너스는 이 역량을 '읽기 → 분석 → 질문 정의'의 세 층위로 나눕니다. 시중 과정 대부분은 그래프 읽기와 엑셀·SQL·BI라는 앞의 두 층에 머뭅니다. 비어 있는 셋째 층을 채우는 개념이 씩데이터와 경계인입니다.

씩데이터(Thick Data)는 사람들의 실제 경험과 행동에 담긴 맥락과 의미를 설명하는 정성 데이터입니다. 채널예스가 소개한 졸저 《THICK data 씩 데이터》의 정리대로 빅데이터가 '무엇을 얼마나'에 답한다면 씩데이터는 '왜, 어떤 맥락에서'에 답합니다. 책에 담은 블리자드 하스스톤 사례에서 미국 본사는 PC·아이패드 버전만 계획했습니다. 한국 팀은 버스·지하철로 출퇴근하며 작은 화면에 익숙한 생활 맥락을 근거로 모바일 출시를 주장했고 하스스톤은 출시 첫날 iOS 앱스토어 1위에 올랐습니다. 한 달 뒤 국내 매출은 미국 매출의 절반에 이르렀습니다.

유통·소비재 기업이라면 매출이 떨어진 매장 2~3곳에서 이탈한 단골 고객과 매장 직원을 인터뷰해 숫자가 보여 준 '어디서 얼마나'에 '왜'를 붙입니다.

경계인은 두 세계 사이에 서서 양쪽을 잇는 사람입니다. 저는 《경계인: AI 시대, 새로운 인재의 조건》을 쓰며 30명이 넘는 경계인을 수백 시간 인터뷰했고 공통 역량 다섯 가지를 MARGIN 프레임워크로 묶었습니다. 메타인지·적응력·리스크 테이킹·생성적 혁신·호기심입니다. 데이터 조직에서는 데이터팀과 현업의 언어 사이에서 질문을 통역하는 팀장이 경계인입니다.

질문의 주인이 없으면 리포트가 쌓일수록 분석 요청은 데이터팀으로 쏠립니다. 데이터팀은 '무엇을 원하는지 모르는 요청'에 시간을 쓰고 현업은 '원하는 답이 안 나온다'고 느낍니다. 그래서 교육 과제는 툴 숙련도가 아니라 질문 정의와 회의 결정 방식으로 다시 정의해야 합니다. 실제 사업 과제를 풀면서 배우는 방식인 액션러닝(Action Learning)에 이 과제를 담은 것이 질문 정의 과제입니다. 데이터 분석가·엔지니어 같은 전문 직무만은 기술 심화가 먼저입니다.

BI 툴 강의와 질문 정의 과제, 기간·인원·효과 측정은 어떻게 다를까?

강의형은 2일·16시간 동안 툴을 익히고 만족도로 평가를 마치지만 질문 정의 과제형은 12주 동안 실제 결정을 다루고 바뀐 회의 절차로 성과를 잽니다. TechCrunch가 소개한 에어비앤비도 Coursera·Udacity 강의가 사내 데이터와 도구에 맞지 않아 효과를 보지 못하자 자체 Data University를 만들었습니다.

구분강의형(한국생산성본부)사내 대학형(에어비앤비)질문 정의 과제형(딥스탠딩 파트너스 권장안)
운영 기간2일2016년 3분기 시작, 상시12주
1인 투입16시간단계별 과목 선택주 3~4시간, 약 40시간
참여 인원과정별 모집2017년 5월까지 500명 이상팀장 20명 기준
산출물수료증·실습 파일직무별 도구 활용바뀐 회의 절차와 결정안
효과 측정수강 후기·만족도도구 주간 사용 비율데이터 근거가 기록된 결정 비율
커크패트릭 평가 단계1~2단계(반응·학습)3단계(행동)3~4단계(행동·성과)
데이터팀·경영진참여하지 않음사내 데이터·도구로 설계데이터팀 짝 멘토, 경영진 승인·최종 보고

팀장 20명이 참여한다고 가정하면 강의형은 16시간×20명으로 320시간, 과제형은 약 40시간×20명으로 800시간입니다. 과제형이 2.5배 길고 차이는 480시간입니다. 늘어난 시간에는 실제 업무 결정이 담기므로 기존 실적 분석과 회의 준비를 과제로 옮기면 부담이 줄어듭니다.

에어비앤비의 데이터 도구 주간 사용 비율은 30%에서 45%로 15%p, 1.5배 올랐습니다. 같은 비율을 팀장 20명에 대입하면 데이터를 직접 보는 팀장이 6명에서 9명으로 3명 늘어나는 셈입니다.

가장 현실적인 답은 공통 기초를 반나절~1일로 짧게 끝내고 자사 데이터로 푸는 직무별 과제에 시간을 몰아주는 결합형입니다. 과제형의 비용은 경영진 스폰서와 데이터팀의 시간입니다. 과제를 잘못 고르면 평범한 업무 프로젝트로 끝나므로 사전 진단과 과제 선정이 성패를 가릅니다.

우리 조직에는 어떤 방식이 맞을까? 규모·업종·대상별 기준

데이터 인프라는 갖췄는데 데이터로 결정하는 문화가 약한 조직에는 팀장 질문 정의 과제형이 맞습니다. 인프라와 문화가 모두 갖춰졌다면 직무별 심화와 AI 리터러시로, 문화는 있는데 인프라가 약하다면 도구·접근 권한과 기초 강의로, 둘 다 약하다면 거버넌스와 지표 정의 정비로 시작합니다. Evanta·Gartner 조사에서도 CDAO의 2026년 1순위 과제는 '데이터·AI 거버넌스 강화'로 지난해 3위에서 올라섰고 응답자의 40%가 올해 거버넌스 플랫폼과 솔루션에 투자할 계획입니다.

기준구분맞는 방식
규모300명 이하대표가 직접 맡는 과제 1~2개
규모중견기업사업부 하나로 파일럿 후 확대
규모대기업계열사·직무별 공통 과정과 과제형 분리
업종유통·소비재매장 관찰·고객 인터뷰 비중 확대
업종금융규제·리스크 지표 해석
업종제조공정 데이터와 현장 작업자의 암묵지(말로 옮기기 어려운 경험 지식) 결합
대상신입·실무자데이터 문해력 기초 강의
대상팀장질문 정의와 회의 운영 과제
대상임원지표 체계 설계와 데이터 기반 결정의 솔선수범

에어비앤비가 데이터 기반 의사결정을 다루는 100레벨을 인사·사업개발까지 모든 팀이 듣도록 설계했듯 질문하는 문화도 일부 부서의 과목으로는 자리 잡지 않습니다. 팀장이 필요한 데이터를 요청 없이 볼 수 없거나 매출·전환율 같은 핵심 지표의 정의가 부서마다 다르다면 교육 예산보다 거버넌스 정비 예산을 먼저 잡으십시오.

팀장 질문 정의 과제 12주, 어떤 순서로 운영하고 효과는 어떻게 잴까?

12주는 질문 정의·현장 검증·작은 실험·절차 반영의 네 구간으로 운영하고 효과는 데이터 근거가 기록된 회의 결정 비율로 잽니다.

  • 1~2주 차: 사업 문제를 측정할 수 있는 질문으로 다시 쓰고 경영진 승인을 받아 과제 정의서를 만듭니다.
  • 3~6주 차: 정량 분석과 현장 관찰·고객·직원 인터뷰를 병행해 씩데이터 가설을 세우고 검증합니다.
  • 7~10주 차: A/B 테스트나 운영 방식 변경 같은 작은 실험을 돌립니다.
  • 11~12주 차: 경영진에게 결정안을 보고하고 회의 방식과 지표를 업무 절차에 반영합니다.

첫 구간에서는 '매출이 왜 떨어졌나'를 '2분기 재방문 고객의 객단가가 특정 매장군에서만 줄어든 이유는 무엇인가'로 바꿉니다. 데이터팀 담당자는 현업 팀장과 1:1로 짝을 지어 분석을 대신하지 않고 질문을 다듬습니다. 생성형 AI는 분석 초안과 가설 생성에만 쓰고 검증은 사람이 맡습니다.

팀장 20명이 12주 동안 주간 회의를 한 번씩 연다고 가정하면 회의 기록은 240회 쌓입니다. 이 기록에서 데이터 근거가 명시된 결정의 비율을 교육 직후와 3개월·6개월 뒤에 다시 재고 아직 참여하지 않은 사업부를 비교 집단으로 둡니다. 만족도와 다시 정의된 질문 수는 보조 지표로 쓰고 업무 절차에 들어간 분석·대시보드 수와 요청-회신 주기는 3개월·6개월 시점의 성과 지표로 봅니다.

지표가 목표가 되는 순간 제 구실을 잃는다는 굿하트의 법칙대로 숫자로만 재면 지표를 맞추려는 행동이 생깁니다. 과제 전후 회의를 관찰하고 팀장을 인터뷰해 질문이 '누가 잘못했나'에서 '무엇을 확인해야 하나'로 옮겨 갔는지 함께 봐야 합니다. 과제가 리포트 개선에 그치면 산출물을 결정안으로 다시 정의하고 데이터팀이 분석을 대신하면 팀장이 직접 쿼리를 다룰 시간을 확보합니다. 스폰서가 빠지면 6주 차 중간 보고를 경영 회의 안건으로 고정하십시오.

데이터 리터러시 교육 프로그램, 무엇을 보고 고를까?

자사 데이터로 과제를 풀고 회의 절차까지 바꾸는 프로그램을 고르십시오. 2027년 예산을 짜는 지금 외부 업체에 확인할 항목은 여섯 가지입니다.

  • □ 자사 실제 데이터로 과제를 진행하는가
  • □ 사전 진단과 과제 선정 단계가 있는가
  • □ 데이터팀과 경영진의 참여가 일정에 들어 있는가
  • □ 정량 분석과 현장 관찰·인터뷰를 함께 다루는가
  • □ 만족도 외에 3~4단계(행동·성과) 측정 방법을 약속하는가
  • □ 교육 뒤 회의 절차와 지표에 반영하는 단계가 있는가

결론이 바뀌는 조건도 있습니다. 팀장이 12주 동안 주 3~4시간을 낼 수 없거나 경영진 스폰서가 없다면 과제형부터 밀어붙이지 마십시오. 반나절~1일 공통 기초로 시작하되 효과 지표는 회의 결정 비율로 잡고 스폰서가 생긴 사업부부터 과제형으로 옮깁니다.

교육 일정을 잡기 전에 다음 주 실적 회의 한 번을 관찰하며 네 가지를 확인하십시오.

  1. 이 회의에서 질문을 정하는 사람은 누구인가?
  2. 지난달 요청한 분석 중 실제 결정에 쓰인 것은 몇 건인가?
  3. 숫자가 떨어졌을 때 첫 반응은 원인 질문인가 책임 추궁인가?
  4. 회의가 끝날 때 '다음에 확인할 질문'이 남는가?

네 질문에 선뜻 답하지 못한다면 처음의 질문은 이렇게 바뀝니다. 우리에게 필요한 것은 데이터를 더 잘 읽는 사람인가, 더 좋은 질문을 던지는 사람인가? 그 관찰을 팀장의 12주 과제로 옮기려는 조직이라면 딥스탠딩 파트너스의 씩데이터 IX 워룸이 숫자와 현장 사이에서 질문을 함께 다듬겠습니다.

자주 묻는 질문

데이터 리터러시 교육은 몇 시간이 적당한가요?신입·실무자의 공통 기초는 반나절~1일이면 충분합니다. 팀장에게는 주 3~4시간씩 12주, 약 40시간의 질문 정의 과제를 권합니다.
BI 툴 교육은 필요 없나요?필요합니다. 다만 질문이 정해진 뒤에 배운 툴은 바로 쓰이고 질문 없이 배운 툴은 리포트만 늘립니다.
교육 효과는 언제, 무엇으로 측정하나요?교육 직후와 3개월·6개월 뒤에 데이터 근거가 기록된 회의 결정 비율을 재고 참여하지 않은 사업부와 비교합니다.

같이 읽으면 좋은 것들

블로그 목록으로

글로 다 담기 어려운 이야기는
씩데이터 IX 워룸에서

기업 혁신과 인재 육성을 함께 진행하는 6개월 프로그램.
실제 매출 단위의 문제를 회사 안에서 직접 풀어갑니다.