3년 전 합류했을 때 회사에는 데이터 담당자가 한 명도 없었다. 의사결정은 임원의 직감과 엑셀 시트 몇 장으로 이뤄졌고, 같은 질문에 부서마다 다른 숫자를 내놓는 일이 흔했다. 나는 데이터 조직을 처음부터 만들어야 했고, 그 과정에서 가장 크게 깨달은 것은 “좋은 분석 도구를 도입하면 문화가 따라온다”는 생각이 완전히 틀렸다는 사실이었다.
이 글은 정답을 제시하려는 것이 아니다. 비슷한 출발선에 선 누군가가 같은 함정을 조금 덜 밟기를 바라며, 내가 통과한 다섯 번의 갈림길을 솔직하게 기록한다.
첫 채용은 스킬이 아니라 신뢰로 골랐어야 했다
초기에 나는 가장 화려한 이력서를 골랐다. 머신러닝 논문 경력과 대규모 파이프라인 운영 경험이 있는 사람이었다. 그러나 조직에 데이터 신뢰가 0인 상태에서 정작 필요한 것은 정교한 모델이 아니라, 영업팀이 던지는 “이 숫자 맞아요?”라는 질문에 끈기 있게 답하며 신뢰를 쌓는 사람이었다.
두 번째 채용에서 나는 기준을 바꿨다. 기술 점수는 평균이지만 비즈니스 맥락을 집요하게 파고들고, 모르는 것을 모른다고 말하는 후보를 뽑았다. 그가 6개월간 만든 것은 거창한 모델이 아니라 “모두가 믿는 단 하나의 매출 대시보드”였다. 그 대시보드가 조직의 데이터 문화 전체를 바꾼 변곡점이 되었다.
중앙집중과 분산 사이에서 너무 일찍 결정했다
조직이 6명이 되자 나는 성급하게 “플랫폼팀”을 만들었다. 인프라를 표준화하면 효율이 오를 거라 믿었다. 결과는 반대였다. 현업 부서는 플랫폼팀에 티켓을 넣고 2주를 기다려야 했고, 그사이 다시 각자 엑셀로 돌아갔다. 조직 구조를 비즈니스의 성숙도보다 앞서 설계한 대가였다.
구조는 문제를 해결하기 위해 존재한다. 아직 존재하지 않는 문제를 위해 구조를 먼저 만들면, 그 구조가 새로운 문제가 된다.
지표를 정의하는 일이 가장 정치적인 작업이었다
“활성 사용자”를 어떻게 정의할 것인가는 기술 문제가 아니라 권력 문제였다. 마케팅은 느슨한 정의를, 재무는 보수적인 정의를 원했다. 나는 이 논쟁을 데이터팀이 중립적으로 중재하는 자리로 삼았고, 정의를 문서화해 모두가 합의한 단일 출처를 만들었다. 이 합의 과정 자체가 데이터 조직의 권위를 세웠다.
- 핵심 지표는 반드시 정의와 산출 로직을 문서로 남긴다
- 정의 변경은 버전과 변경 사유를 함께 기록한다
- 지표 소유자를 명확히 지정해 책임을 분산하지 않는다
가장 큰 적은 경쟁사가 아니라 무관심이었다
훌륭한 분석을 내놓아도 아무도 읽지 않으면 의미가 없다. 나는 데이터를 만드는 것보다 데이터가 의사결정 회의 테이블에 오르게 만드는 일에 더 많은 에너지를 써야 한다는 것을 늦게 깨달았다. 분석 보고서를 던지는 대신, 임원의 다음 결정 한 가지에 직접 연결되는 한 장의 슬라이드를 만들기 시작하자 비로소 조직이 데이터를 찾기 시작했다.
한계와 남은 질문
물론 이 모든 교훈이 보편적이라고 주장할 수는 없다. 우리는 규제 산업이 아니었고, 데이터 양도 빅테크에 비하면 작았다. 규제가 엄격한 금융이나 의료 도메인이라면 거버넌스를 더 일찍, 더 무겁게 세워야 했을 것이다. 또한 신뢰 중심 채용은 조직이 일정 규모를 넘어서면 다시 전문성 중심으로 무게추를 옮겨야 한다는 반론도 타당하다.
그럼에도 한 가지는 확신한다. 데이터 조직 빌딩의 본질은 파이프라인이 아니라 신뢰의 인프라를 까는 일이다. 도구는 1년이면 바뀌지만, 조직이 숫자를 믿는 습관은 그보다 훨씬 오래 회사를 지탱한다. 다시 시작한다면 첫날부터 “누가 이 숫자를 믿게 만들 것인가”라는 질문을 조직도의 가장 위에 적어 둘 것이다.
