데이터 과학이란 무엇인가?
데이터 과학은 통계, 과학적 방법, 인공지능(AI), 데이터 분석 등 다양한 분야를 결합해 데이터로부터 가치를 추출합니다. 데이터 과학을 수행하는 사람들을 데이터 과학자라고 부르며, 이들은 다양한 기술을 결합하여 웹, 스마트폰, 고객, 센서 및 기타 소스로부터 수집한 데이터를 분석해 실행 가능한 인사이트를 도출합니다.
데이터 과학은 분석을 위해 데이터를 정제, 집계, 조작하는 데이터 준비 과정에서부터 고급 데이터 분석을 수행하는 작업까지 모든 과정을 총칭하는 용어입니다. 분석 애플리케이션 및 데이터 과학자들은 분석 결과를 검토해 패턴을 발견하고, 비즈니스 리더들이 정보를 기반으로 통찰력을 얻을 수 있도록 지원합니다.
데이터 과학: 머신러닝을 위한 무한한 가능성의 보고
데이터 과학은 오늘날 가장 주목받는 분야 중 하나입니다. 데이터 과학이 이토록 중요한 이유는 무엇일까요?
그건 지금 기업들이 데이터라는 보물 ESIM과 통신사의 미묘한 상관관계 - 테크플러스-Techplus 창고를 깔고 앉아있기 때문이죠. 모던 기술로 점점 더 많은 양의 정보를 생성 및 저장할 수 있게 되자 데이터의 양도 폭발적으로 증가했습니다. 전 세계에 존재하는 데이터의 90%가 지난 2년간 생성된 것으로 추정됩니다. Facebook의 경우만 해도 사용자들이 매시간마다 1,000만 장의 사진을 업로드하니까요.
하지만 이와 같은 데이터는 데이터베이스 및 데이터 레이크에 저장된 후, 대부분 방치되어 버립니다.
모던 기술을 통해 수집 및 저장된 풍부한 데이터는 전 세계 조직 및 사회에 혁신적인 이점을 가져다줄 수 있습니다. 하지만 그건 우리가 그 데이터를 해석할 수 있을 때 얘기죠. 바로 이 시점에 데이터 과학이 중요한 역할을 수행할 수 있습니다.
데이터 과학은 트렌드를 볼 수 있게 해줍니다. 기업이 더 나은 의사결정을 내리고, 보다 혁신적인 제품과 서비스를 만드는 데 사용할 수 있는 인사이트도 제공하죠. 무엇보다 중요한 건, 비즈니스 분석가가 데이터에서 무언가를 발견하길 막연히 기다려야 했던 과거와 달리, 데이터 과학은 머신러닝(ML) 모델이 방대한 양의 데이터를 학습할 수 있게 한다는 점입니다.
데이터는 혁신의 기반입니다. 하지만 데이터 과학자가 데이터로부터 정보를 얻어내고, 이를 기반으로 조치가 이행될 때야 비로소 데이터의 가치가 빛을 발합니다.
데이터 과학, 인공지능, 머신러닝은 각각 어떻게 다른가요?
데이터 과학의 정의와 사용법을 제대로 이해하려면, 인공지능(AI), 머신러닝 등 이 영역과 관련된 용어들을 알아야 합니다. 이 용어들이 동일한 의미로 사용될 때도 있지만, 각 용어 사이에는 미묘한 차이가 있습니다.
세부 내용을 아래와 같이 간단히 정리했습니다:
- AI는 컴퓨터가 어떤 식으로든 인간의 행동을 모방하게 만드는 것을 의미합니다.
- 데이터 과학은 AI의 하위 개념으로 통계, 과학적 방법, 데이터 분석과 겹치는 면이 많은 영역입니다. 모두 데이터로부터 의미와 인사이트를 추출하는 데 활용되는 기술들이죠.
- 머신러닝은 AI의 또 다른 하위 개념이며, 컴퓨터가 데이터로부터 무언가를 파악할 수 있게 하고, AI 애플리케이션을 제공할 수 있게 만드는 다양한 기술로 구성됩니다.
추가로 한 가지 용어를 더 살펴보도록 하겠습니다. - 딥 러닝은 머신러닝의 하위 개념으로, 컴퓨터가 보다 복잡한 문제를 해결할 수 있게 해줍니다.
데이터 과학이 비즈니스를 변화시키는 방법
조직은 데이터 과학을 활용해 제품과 서비스를 개선함으로써 데이터를 경쟁우위로 전환해 나가고 있습니다. 데이터 과학 및 머신러닝의 사용 사례는 다음과 같습니다:
- 콜 센터에서 수집한 데이터를 분석해 고객 이탈률을 파악하여 마케팅 팀이 고객 유지를 위한 조치를 취할 수 있게 합니다
- 물류 회사가 배송 속도를 개선하고 비용을 절감할 수 있도록 교통 패턴, 기상 조건 등 다양한 요인을 분석하여 업무 효율성을 높입니다
- 의사가 질병을 조기에 진단하고 환자를 보다 효과적으로 치료할 수 있도록 의료 검사 데이터 및 보고된 증상을 분석하여 환자 진단을 개선합니다
- 장비 고장 시기를 예측하여 공급망을 최적화합니다
- 의심스러운 행동과 비정상적인 활동을 인지하여 금융 서비스 사기를 감지합니다
- 이전 구매 내역을 기반으로 고객에게 상품을 추천하여 매출 향상에 기여합니다
많은 기업들이 데이터 과학의 중요성을 인지하고, 엄청난 투자를 하고 있습니다. 3,000명 ESIM과 통신사의 미묘한 상관관계 - 테크플러스-Techplus 이상의 CIO가 참여한 Gartner의 최근 설문조사 결과, 응답자들은 분석 및 비즈니스 인텔리전스를 조직을 남들과 차별화해 줄 가장 중요한 기술로 꼽았습니다. 설문조사에 참여한 CIO들은 이 기술들을 자사 전략에 가장 중요한 요소로 보고 해당 기술에 투자하고 있습니다.
데이터 과학의 수행 방식
데이터를 분석하고, 분석 내용에 따라 조치를 취하는 과정은 선형적이라기 보다 반복에 가깝습니다. 그리고 이와 같은 과정은 데이터 모델링 프로젝트에서 데이터 과학 수명 주기가 진행되는 전형적인 방식이기도 합니다:
계획 수립: 프로젝트와 해당 프로젝트의 잠재적 결과를 정의합니다.
데이터 모델 구축: 데이터 과학자들은 종종 다양한 오픈 소스 라이브러리 또는 인데이터베이스 도구를 사용해 머신러닝 모델을 구축합니다. 많은 사용자들이 데이터 수집, 데이터 프로파일링 및 시각화 또는 기능 엔지니어링에 도움이 되는 API를 원합니다. 이들에게는 적절한 도구와, 적절한 데이터 그리고 컴퓨트 파워와 같은 기타 리소스도 필요합니다.
모델 평가: 데이터 과학자들은 반드시 높은 확률의 정확도를 달성한 이후에 구축 모델에 대한 배포 결정을 내려야 합니다. 일반적인 모델 평가 과정에서는 포괄적인 평가 측정 지표 및 시각화 모음이 생성되며, 이를 활용해 신규 데이터에 대한 모델의 성능을 평가합니다. 또한 시간 경과에 따른 평가를 진행해 생성된 모델이 최적의 행동을 수행할 수 있게 합니다. 모델 평가는 단순한 원시 성능 평가를 넘어 예상되는 기본 동작을 고려하는 단계까지 진행합니다.
모델 설명: 머신러닝 모델의 내부 매커니즘을 인간의 언어로 설명하는 게 늘 가능했던 건 아닙니다. 하지만 설명 가능성의 중요성은 점점 더 커지고 있습니다. 데이터 과학자들은 예측 생성에 투입된 요소들의 상대적 가중치 및 중요성에 대한 자동 설명과 각 모델 예측에 대한 모델별 상세 설명을 원하고 있습니다.
모델 배포: 훈련된 머신러닝 모델을 선택해 이를 적합한 시스템에 적용하는 일은 종종 어렵고 힘든 과정을 수반합니다. 이 과정은 모델을 확장 가능하고 보안성 뛰어난 API로 조작할 수 있게 하거나, 인데이터베이스 머신러닝 모델을 사용하면 한결 단순해질 수 있습니다.
모델 모니터링: 모델을 배포했다고 끝난 것은 아닙니다. 모델이 제대로 작동하는지 확인하기 위해 배포 후에는 항상 모델을 모니터링해야 합니다. 모델이 학습했던 데이터는 일정 기간이 지난 후에는 더 이상 미래 예측에 도움이 되지 않을 수도 있습니다. 사기 탐지를 예로 들자면, 범죄자들은 늘 계정 해킹을 위한 새로운 방법을 시도하니까요.
데이터 과학용 도구
머신러닝 모델을 구축, 평가, ESIM과 통신사의 미묘한 상관관계 - 테크플러스-Techplus 배포, 모니터링하는 과정은 복잡한 일일 수 있습니다. 데이터 과학 도구의 수가 증가한 이유가 바로 여기에 있죠. 데이터 과학자들은 여러 유형의 도구를 사용하지만, 가장 흔히 사용하는 도구는 오픈 소스 노트북입니다. 동일한 환경에서 코드를 작성 및 실행하고, 데이터를 시각화하고, 결과를 확인하는 데 사용되는 웹 애플리케이션이죠.
가장 널리 쓰이는 노트북은 Jupyter, RStudio, Zeppelin입니다. 노트북은 분석을 수행하는 데 매우 유용하지만 여러 데이터 과학자가 팀으로 작업해야 하는 경우 한계가 있습니다. 이 문제를 해결하기 위해 데이터 과학 플랫폼이 구축되었습니다.
어떤 데이터 과학 도구가 적절한지 선택하려면 다음과 같은 질문들을 던져볼 필요가 있습니다: 귀사의 데이터 과학자가 사용하는 언어는 무엇인가? 그들은 어떤 종류의 작업 방법을 선호하는가? 그들은 어떤 종류의 데이터 소스를 사용하는가?
예를 들어 오픈 소스 라이브러리를 사용하는, 데이터 소스에 구애받지 않는 서비스를 선호하는 사람들이 있습니다. 인데이터베이스 머신러닝 알고리즘의 속도를 선호하는 사람들도 있죠.
데이터 과학 프로세스는 누가 감독하나요?
대부분의 조직에서 데이터 과학 프로젝트는 일반적으로 세 가지 유형의 관리자가 감독합니다:
비즈니스 관리자: 이 유형의 관리자는 데이터 과학 팀과 협력하여 문제를 규정하고 분석 전략을 세웁니다. 마케팅, 재무, 영업 등 LOB 책임자가 여기에 해당되며 데이터 과학 팀이 이들에게 보고하는 체계로 구성됩니다. 이 유형의 관리자는 데이터 과학 및 IT 관리자들과 긴밀히 협력하여 프로젝트가 제대로 수행되도록 합니다.
IT 관리자: 선임 IT 관리자들은 데이터 과학 운영을 지원할 인프라 및 아키텍처를 책임집니다. 이들은 데이터 과학 팀이 효율적이고 안전하게 운영될 수 있도록 운영 및 리소스 사용을 지속적으로 모니터링합니다. 이들은 또한 데이터 과학 팀을 위한 IT 환경 구축 및 업데이트를 담당하기도 합니다.
데이터 과학 관리자: 이 유형의 관리자들은 데이터 과학 팀과 그들의 일과를 감독합니다. 이들은 프로젝트 계획 및 모니터링을 통해 팀의 균형적인 발전을 유지하는 팀 빌더입니다.
그러나 전체 프로세스에서 가장 중요한 역할은 데이터 과학자들이 맡습니다.
데이터 과학자는 누구인가요?
전문 분야로서 데이터 과학은 아직 젊은 분야라고 할 수 있습니다. 통계 분석 및 데이터 마이닝 분야에 그 뿌리를 두고 있죠. 2002년에 창간된 The Data Science Journal은 국제 과학 위원회: CODATA(Committee on Data for Science and Technology)에서 발간했습니다. 2008년에 이르러 데이터 과학자라는 직함이 생겨났고 이후 데이터 과학 분야는 빠르게 성장했습니다. 점점 더 많은 대학에서 데이터 과학 학위를 제공하기 시작했지만, 아직까지도 데이터 과학자가 부족한 상황입니다.
데이터 과학자의 임무에는 데이터 분석 전략 개발, 분석용 데이터 준비, 데이터 탐색, 분석 및 시각화, Python 및 R과 같은 프로그래밍 언어를 사용하여 데이터로 모델 구축하기, 애플리케이션에 모델 배포하기 등이 포함될 수 있습니다.
데이터 과학자는 혼자 일하지 않습니다. 실제로 가장 효과적인 데이터 과학은 팀웍을 통해 이루어지죠. 데이터 과학자 외에도 데이터 과학 팀에는 문제를 정의하는 비즈니스 분석가, 데이터를 준비하고 데이터 액세스 방법을 설정하는 데이터 엔지니어, 기본 프로세스 및 인프라를 감독하는 IT 아키텍트, 분석 모델 또는 출력을 애플리케이션 및 제품에 배포하는 애플리케이션 개발자가 포함될 수 있습니다.
데이터 과학 프로젝트 구현의 과제
데이터 과학이 주는 약속과 데이터 과학 팀에 대한 막대한 투자에도 불구하고 많은 기업이 데이터의 가치를 온전히 실현하지 못하고 있습니다. 일부 기업들은 인재 유치전 및 데이터 과학 프로그램 생성 경쟁에서 팀 워크플로의 비효율성을 경험했습니다. 다양한 팀원이 서로 다른 도구 및 프로세스를 사용해 공동 작업이 제대로 이루어지지 않았기 때문이죠. 보다 체계적이고 중앙화된 관리가 이루어지지 않는다면 경영진은 투자에 대한 최대의 수익을 얻지 못할 수 있습니다.
이 혼란스러운 환경은 다양한 문제를 시사합니다.
데이터 과학자가 효율적으로 일할 수 없습니다. 데이터에 대한 접근 권한은 IT 관리자가 부여해야 하기 때문에 데이터 과학자가 데이터 및 데이터 분석에 필요한 리소스를 얻게 되기까지 오래 기다려야 하는 경우가 많습니다. 접근 권한을 얻게 되었더라도 데이터 과학 팀원들은 다양한 도구(높은 확률로 서로 호환되지 않는 도구)를 사용해 데이터를 분석할 가능성이 높습니다. 예를 들어 한 과학자가 R 언어를 사용해 모델을 개발했는데, 해당 모델이 사용될 애플리케이션은 다른 언어로 작성된 경우가 있죠. 모델을 유용한 애플리케이션에 배포하는 데 몇주, 심지어 몇 개월이 걸리기도 하는 이유가 바로 여기에 있습니다.
애플리케이션 개발자가 가용한 머신러닝에 액세스할 수 없습니다. 개발자가 애플리케이션에 배포될 준비가 되지 않은 머신러닝 모델을 받게되는 경우가 종종 발생합니다. 게다가 액세스 지점이 유연하지 않을 수 있기 때문에, 해당 모델을 모든 시나리오에 배포하는 게 불가능하고, 확장성 자체도 애플리케이션 개발자의 손에 맡겨지는 경우가 있습니다.
IT 관리자가 지원에 너무 많은 시간을 할애합니다. 오픈 소스 도구가 확장되면서 IT 팀은 그 어느 때보다 긴 '지원해야 할 도구 목록'을 손에 쥐기도 합니다. 예를 들어 마케팅 분야의 데이터 과학자는 재무 분야의 데이터 과학자가 쓰는 것과는 다른 도구를 사용할 수 있습니다. 각 팀의 워크플로가 다를 수도 있습니다. 즉 IT 팀이 계속해서 새로 환경을 구축하고 업데이트해야 한다는 뜻이죠.
비즈니스 관리자가 데이터 과학 업무에서 지나치게 배제되어 있습니다. 데이터 과학 워크플로가 비즈니스 의사결정 프로세스 및 시스템에 늘 통합되는 건 아닙니다. 그 결과 비즈니스 관리자가 데이터 과학자들과 협업하는 데 필요한 충분한 지식을 얻지 못하는 경우가 발생하죠. 통합 환경이 개선되지 않으면, 비즈니스 관리자는 시제품이 제품이 되기까지 이토록 오랜 시간이 ESIM과 통신사의 미묘한 상관관계 - 테크플러스-Techplus 걸리는 이유가 무엇인지 이해하지 못하고, 자신이 판단하기에 '프로세스가 지나치게 느린' 프로젝트에 대한 투자를 지원하지 않을 가능성이 있습니다.
새로운 역량을 선사하는 데이터 과학 플랫폼
많은 기업이 통합 플랫폼 없이 진행되는 데이터 과학 작업이 비효율적이고, 불안정하며, 확장이 어렵다는 사실을 깨달았습니다. 이와 같은 깨달음은 데이터 과학 플랫폼을 탄생시켰죠. 이 플랫폼들은 모든 종류의 데이터 과학 작업이 이루어지는 소프트웨어 허브입니다. 좋은 플랫폼은 데이터 과학 구현 과정의 문제를 대부분 완화하고, 기업이 보다 빠르고 효율적으로 데이터를 인사이트로 전환할 수 있도록 지원합니다.
중앙형 머신러닝 플랫폼을 활용하면, 데이터 과학자는 자신이 즐겨 쓰는 오픈 소스 도구를 사용해 협업 환경에서 작업할 수 있으며, 이들의 모든 작업은 버전 제어 시스템에 의해 동기화됩니다.
데이터 과학 플랫폼의 이점
데이터 과학 플랫폼은 팀이 코드, 결과 및 보고서를 공유할 수 있게 하여 중복을 줄이고 혁신을 유도합니다. 또한 관리를 단순화하고 모범 사례를 통합하여 작업 흐름상의 병목 현상을 제거합니다.
일반적으로 최고의 데이터 과학 플랫폼은 다음을 목표로 합니다:
- 데이터 과학자가 모델 개발 속도를 높이고 오류를 줄일 수 있도록 지원하여 생산성을 높입니다
- 데이터 과학자가 다양한 종류의 대용량 데이터를 보다 쉽게 다룰 수 있게 지원합니다
- 편견으로부터 자유롭고 감사 및 재현 가능한, 신뢰할 수 있는 엔터프라이즈급 인공지능(AI)을 제공합니다
데이터 과학 플랫폼은 전문 데이터 과학자, 일반인 데이터 과학자, 데이터 엔지니어, 머신러닝 엔지니어 또는 전문가를 포함한 다양한 사용자 간의 협업을 위해 구축되었습니다. 예를 들어 데이터 과학 플랫폼을 사용하면 데이터 과학자가 모델을 API로 배포하여 해당 모델이 다른 애플리케이션에 쉽게 통합되도록 할 수 있습니다. 데이터 과학자는 IT 팀의 지원 없이도 각종 도구, 데이터 및 인프라에 액세스할 수 있습니다.
데이터 과학 플랫폼에 대한 시장의 수요가 폭발적인 증가 추세를 보이고 있습니다. 실제로 플랫폼 시장의 연평균 성장률이 향후 몇 년간 39% 이상을 달성할 것으로 예상되며, 시장 규모가 2025년까지 3,850억 달러에 이를 것으로 예상됩니다.
데이터 과학자에게 필요한 플랫폼
데이터 과학 플랫폼의 기능을 살펴볼 준비가 되었다면, 다음의 주요 기능들을 고려해야 합니다:
협업을 권장하는 프로젝트 기반 UI를 선택하는 게 좋습니다. 플랫폼은 개념이었던 것이 최종 제품이 되는 모든 과정에서 해당 모델에 대한 팀원 간의 협업을 지원해야 합니다. 이 플랫폼은 팀의 각 구성원에게 데이터 및 리소스에 대한 셀프 서비스 액세스 권한을 부여해야 합니다.
통합 및 유연성에 중점을 두어야 합니다. 플랫폼이 최신 오픈 소스 도구 사용, GitHub, GitLab, Bitbucket 등 공통 버전 제어 공급자 및 기타 리소스와의 긴밀한 통합을 지원하는지 확인하세요.
엔터프라이즈급 기능이 포함되어 있어야 합니다. 팀의 성장 속도에 따라 비즈니스에 필요한 확장을 플랫폼이 지원할 수 있는지 확인하세요. 플랫폼은 고가용성과 강력한 액세스 제어 기능을 보유해야 하며 다수의 동시 사용자를 지원할 수 있어야 합니다.
데이터 과학을 셀프 서비스로 이용할 수 있어야 합니다 . IT 및 엔지니어링 팀의 부담을 덜어주고, 데이터 과학자가 환경을 즉시 생성하고, 모든 작업을 추적하고, 모델을 운영 환경에 손쉽게 배포할 수 있게 해주는 플랫폼을 선택해야 합니다.
손쉬운 모델 배포를 보장해야 합니다. 모델 배포 및 연산화는 머신러닝 수명 주기에서 가장 중요한 단계 중 하나이지만, 이 과정이 종종 간과되곤 합니다. 선택한 서비스가 보다 손쉬운 모델 연산화를 지원하는지 확인해 보세요. API를 제공하는 방식일 수도, 사용자가 손쉬운 통합 과정을 거쳐 모델을 구축하게 하는 방식일 수도 있습니다.
데이터 과학 플랫폼의 도입 시기
다음과 같은 상황이라면, 귀사에 데이터 과학 플랫폼이 필요한 것일 수 있습니다:
- 생산성 및 협업 과정이 압력을 받고 있습니다
- 머신러닝 모델을 감사하거나 재현할 수 없습니다
- 모델을 단 한 번도 제품화하지 못했습니다
데이터 과학 플랫폼은 비즈니스에 진정한 가치를 제공할 수 있습니다. Oracle의 데이터 과학 플랫폼에는 모델 배포 속도를 높이고 데이터 과학의 결과를 개선하기 위해 설계된 포괄적인 E2E 경험을 제공하는 광범위한 서비스가 포함됩니다.
eSIM과 통신사의 미묘한 상관관계
SIM 슬롯이 곧 스마트폰에서 사라질지도 모를 일입니다.
9월부터 우리나라에서도 eSIM을 쓸 수 있습니다. eSIM은 그동안 스마트폰의 가입 정보를 담던 손톱만한 SIM 카드를 없애고, 스마트폰에 직접 내려받는 인증 방식입니다. 스마트폰을 구입하면 날카로운 핀으로 옆구리를 찔러서 작은 트레이를 꺼내고 그 안에 SIM 칩을 넣는 일이 사라질 수도 있습니다.
너무 간단하게 이야기한 것 같지만 사실 이 SIM은 스마트폰을 비롯해서 휴대전화의 가입 정보를 인증하는 하나의 방법입니다. 이 SIM과 휴대전화는 꽤 오랫동안 인연을 맺어 왔는데, eSIM은 물리적인 SIM 카드 대신에 그 안에 들어 있는 가입 정보, 인증 정보를 소프트웨어로 대신하는 방법이라고 볼 수 있습니다.
그런데 이 칩을 기기 안에 넣는 것은 단순히 기술적인 변화를 넘어 우리가 휴대폰을 구입하고 개통하는 방법부터 기기를 쓰는 모든 과정의 변화를 가져오게 됩니다. 여기에 요금과 통신사들의 수익 셈법까지 그리 간단한 일이 아닙니다.
CDMA 2G, SIM 없던 시절
스마트폰을 쓰려면 꼭 이동통신사에 가입해서 전화번호를 받고, 5G나 LTE 등의 통신망과 요금제 등을 결정합니다. 그리고 이를 증명하는 디지털 증표가 SIM입니다. 이 작은 칩은 단순해 보이지만 가입자 고유의 식별 번호를 여러 가지 암호 기술을 통해 주고받으면서 통신사와 약속된 서비스를 받을 수 있는 것이지요.
eSIM은 이 칩을 없애고 스마트폰 안에 넣는 것이지요. 그런데 휴대전화를 조금 오래 써 오셨다면 먼저 떠오르는 것이 있을 겁니다. 2G 시절까지 ESIM과 통신사의 미묘한 상관관계 - 테크플러스-Techplus 우리가 쓰던 휴대폰은 SIM카드가 없었다는 점 말이지요. 지금은 SIM이 너무 당연하지만 우리나라의 초기 이동통신 서비스는 SIM 칩 대신에 휴대폰 내에 심어져서 기기를 통신사에 등록하는 방식이었습니다.
GSM 방식의 이동통신을 쓰던 대부분의 국가는 SIM을 기반으로 이용자를 식별했지만 우리나라가 선택한 CDMA 방식은 사실상 국내만의 생태계를 위한 기술이었기 때문에 기술이 만들어지는 과정에서 굳이 해외의 SIM 규격 표준이 필요가 없었습니다. 그래도 큰 문제가 되지는 않았습니다. 통신망이 해외와 달라서 쓸 수 있는 기기는 정해져 있었고, 또 통신 서비스는 애초에 SIM 없이 기기를 직접 등록해서 쓰는 ESIM과 통신사의 미묘한 상관관계 - 테크플러스-Techplus 것인 줄 아는 환경이 컸지요.
이런 휴대전화 시절에 우리는 SIM이라는 것도 모르고 살았지요.
이는 이동통신사들이 단말기 유통 시장을 쥐고 있으면서 자연스럽게 정착된 문화이기도 합니다. 그런데 이게 의외로 통신사들의 절대적인 권력을 만들어 주었지요. 이동통신사의 역할은 크게 두 가지가 있습니다. 하나는 통신망을 설치해서 이를 기반으로 통신 서비스를 제공하는 것이지요. 그리고 다른 하나는 휴대전화의 유통입니다. 최근에야 스마트폰이 글로벌로 판매되고, 전 세계의 이동통신 주파수가 어느 정도 통일이 되었지요. 하지만 예전에는 통신사마다 쓰는 주파수 대역이 달랐고, 특히 국내는 CDMA를 중심에 두고 서비스를 하면서 특정 조건에 맞는 기기만 쓸 수 있었습니다.
그리고 그 조건에 대한 부분들을 만족시킨 기기만 통신사를 통해서 판매할 수 있었습니다. 여기에 통신사들이 직접 운영하는 인터넷 서비스, 음악 서비스를 비롯해, 자체 규격의 문자메시지까지 하드웨어 제조사들은 통신사의 조건을 맞춰서 만들어야 했습니다. 자연스럽게 통신사는 기기에 대한 지배력이 생기게 됐지요.
SIM과 휴대폰 유통, 그리고 이동통신 업계의 힘
이런 분위기는 WCDMA를 표준으로 삼은 3G 시절의 초기까지 이어집니다. 2000년대 후반까지 이동통신사들은 네이트나 쇼 등 자체적으로 인터넷 서비스를 했고 음악, 비디오, 게임 등 콘텐츠 유통까지 했습니다. 통신사들은 이를 판매하는 창구 역할을 했기 때문에 자연스럽게 제조사들은 이 서비스들을 품은 휴대폰을 만들어야 했고, SIM을 써야 하는 3G 시대에도 여전히 강력한 지배력을 갖고 있었습니다. 이는 국내만의 일이 아니라 일본을 비롯해 많은 시장에서 일어나는 일이기도 했습니다.
이를 허물어낸 게 아이폰입니다. 애플은 통신 규격에 대한 조건들을 맞춰두고, 통신사들이 이를 따르도록 했습니다. 어떻게 보면 강요라고 할 수도 있지만 이를 반발할 수 없는 것이, 애플은 아이폰의 통신 규격을 3GPP가 결정한 WCDMA의 규격에 맞춰두었습니다. 버라이즌을 위한 CDMA 방식의 아이폰이 아이폰4S까지 나오긴 했지만 아이폰은 기본적으로 3G 통신망의 표준을 쓰도록 했습니다. 이론적으로는 아이폰을 정상적으로 쓸 수 없는 통신사는 기술 표준을 쓰지 않는 셈이죠.
3G와 함께 SIM이 우리 일상에 들어오면서 휴대폰 구입 문화도 많이 달라졌습니다.
초기에는 그래도 각 국가의 주파수를 최적화해야 했기 때문에 세부 모델이 나뉘기는 했지만 주파수 대역 외에는 전 세계의 모든 기기 경험이 똑같은 첫 기기였습니다. 그 위에서 돌아가는 서비스와 앱의 다운로드는 모두 애플의 앱스토어를 통해 이뤄졌고, 앱스토어에는 누구나 앱을 갖고 들어와서 사업을 할 수 있었습니다.
적지 않은 통신사들은 당연히 아이폰을 거부했지요. 통신사는 그저 통신망만 제공하는 역할만 남게 될 수도 있다는 불안감도 갖게 됐지요. 갤럭시를 비롯해 안드로이드 스마트폰들은 대부분 글로벌 스펙으로 기기를 통일하면서도 통신사들이 필요한 앱들을 프리로드해서 판매하기도 했지만 통신사에 얽매이지 않는 자급제 형태의 스마트폰 판매는 빠르게 늘어났습니다.
통신사는 기기의 스펙을 결정할 수도 없고, 자체 모델을 만들거나 독점 제품을 만드는 것도 어려워졌습닏다. SIM이 대중화되면서 이용자가 기기를 바꾸는 과정에서도 통신사가 관여할 수 있는 부분도 사라졌습니다. 우리나라도 허용된 기기만 쓸 수 있도록 하는 ‘화이트리스트’를 없애고 기술적인 이유 등으로 쓸 수 없는 기기만 빼고 자유롭게 SIM 카드만 갈아 끼워 ESIM과 통신사의 미묘한 상관관계 - 테크플러스-Techplus 기기를 바꿔 쓸 수 있도록 하는 ‘블랙리스트’ 제도가 자리를 잡았지요.
유통으로서의 역할을 상당 부분 내려놓게 된 것이지요. 국내의 통신 관련 법도 이 방향으로 흘러갑니다. 통신사는 통신 서비스만 제공하고, 기기 유통은 제조사가 직접 하는 것이 자연스럽게 자리를 잡아 갑니다. 약정 할인 제도도 바뀌어서, 기기 구입 가격을 보조해주는 것이 아니라 장기 가입에 따라 통신 요금을 할인해주는 방향으로 움직였습니다. 통신사는 기기에 대해서 관여하기 어려워진 것입니다.
SIM을 둔 통신사들의 동상이몽
이렇게 스마트폰의 등장과 SIM의 대중화 이후 국내 통신사들은 꽤 많은 부분이 개방되긴 했습니다. 그런데 이제 이 통신사 개방의 물꼬를 튼 SIM이 다시 사라지게 된 상황에서 적지 않은 통신사들이 불편한 기색을 드러냅니다. SIM을 내려놓지 않겠다는 것이지요.
이유는 여러 가지가 있겠지만 일단 이 SIM 칩의 판매가 통신사 매출에 끼치는 부분이 적지 않습니다. ‘그게 얼마나 한다고?’라고 생각할 수 있지만 애초에 이동통신 서비스는 초당 2원 남짓한 요금을 모아서 큰 매출을 만들어 왔던 회사입니다.
SIM을 판매하는 비용은 절대 무시할 수 없지요. 그리고 또 통신 규제를 통해서 가입비와 보증금 등을 받지 못하게 되면서 사실상 가입에 대한 비용을 SIM 카드에 녹여냈다고 볼 수 있습니다. 그리고 eSIM은 이마저도 사라지게 되는 것이지요. 어떻게 보면 지난 40여년 가까운 이동통신 역사에서 통신사들은 많은 것들을 내려놓았지요. SIM을 유료로 판매하는 것도 나름의 사정이 있다고 볼 수도 있습니다.
반면 이야기가 조금 다른 나라들도 있습니다. 사실 다른 나라의 통신사들은 새 부분 SIM 칩에 따로 돈을 받지 않습니다. 이 칩은 원가가 몇백원 수준이기 때문에 통신사들은 이 칩을 오히려 나눠주는 것으로 마케팅을 합니다. 저도 호주 시드니의 애플스토어에서 아이폰을 구입했는데, 오렌지의 SIM 카드를 주더군요. 필요 없다고 하니, 그래도 여기에서 휴대전화 서비스에 가입하게 되면 이걸 쓰면 편리할 것이라며 넣어주더군요.
eSIM은 이런 통신사들에게는 SIM 칩을 사서 포장하고, 나누어주는 생산과 물류 비용을 완전히 없앨 수 있습니다. 괜찮은 정책인 것이지요. 반면 국내 통신사들처럼 SIM을 판매하는 환경에서는 eSIM 도입이 칩 판매액만큼 매출이 줄어드는 효과를 가져오게 되겠지요. 통신사로서는 조심스러운 일입니다.
그래서 이를 다루는 비용에 돈을 받기로 했습니다. eSIM을 발급하고 관리하는 인프라에 투자가 필요하기 때문이라는 이유가 따라붙긴 하지만 SIM 칩의 판매 수익이 줄어드는 것에 대한 우려가 더 크겠지요. eSIM 다운로드 수수료는 2750원 정도로 책정될 것으로 보입니다. 하지만 여기에는 한 가지 걸림돌이 있습니다. eSIM은 기기에 다운로드받을 때마다 수수료를 내야 합니다. 그러니까 기기를 바꾸면 다시 2750원을 내야 하는 것이지요. 새 기기를 살 때마다, 또 수리 등을 이유로 기기를 바꿔 써야 할 때마다 돈을 내야 합니다.
또한 기기를 바꾸는 과정도 번거로워질 수밖에 없습니다. 통신사의 대리점을 찾거나, 기기에서 직접 내려받아야 하는데 이 절차가 아무리 간단하다고 하더라도 SIM을 옮겨 꽂는 것과 비교할 수는 없겠지요. 어떻게 보면 다시 SIM이 없던 이전의 통신 환경으로 돌아가는 것처럼 보일 수도 있습니다. 통신사들은 SIM 판매를 통한 매출을 어느 정도는 유지하면서 가입자와 기기 제조사들에게 나름의 영향력을 보여줄 수 있습니다. 기기를 교체하는 과정에서도 통신사의 역할이 다시 늘어나기도 할 테고요.
eSIM이 바꾸어 놓을 통신 문화
그럼에도 국내 통신사들은 이 eSIM을 그리 달가워하지 않습니다. 해외의 경우 eSIM을 쓰는 이유 중 하나가 통신망의 품질이 썩 좋지 않기 때문에 두 개 통신사에 동시에 가입해서 쓰는 경우가 많았습니다. 하지만 SIM은 물리적으로 공간을 차지하기 때문에 제조사로서는 듀얼 SIM 슬롯을 두는 것이 꽤 부담스러운 일입니다. 그 자리에 배터리를 조금이라도 더 채우는 것이 효과적이니 말이지요. 그래서 eSIM의 도입은 상대적으로 쉽게 자리를 잡았습니다.
반면 우리나라는 어느 통신사를 고르더라도 전국적으로 고른 품질을 기대할 수 있습니다. 서비스의 질 때문에 두 개 통신사에 가입할 이유가 별로 없죠. 지금 이야기되는 것도 개인용 휴대전화와 업무용 휴대전화를 분리해서 쓰는 이들이 기기를 두 대 쓸 필요 없이 한 대만으로 쓸 수 있다는 것입니다.
SIM은 점점 크기를 줄여 왔습니다. 그리고 다음은 소프트웨어로 대체될 차례입니다.
그런데 소비자들이 기대하는 것은 또 조금 다릅니다. 바로 요금을 줄이는 것입니다. 최근 국내 통신 시장에서 알뜰폰의 역할이 꽤 재미있습니다. LTE망의 도매가가 내려가면서 흥미로운 요금제들이 많이 나오고 있기 때문입니다. 전화 요금이 싼 통신사의 서비스에 가입하고, 데이터 요금이 싼 서비스에 가입해서 전화와 인터넷을 분리하면 요금이 내려가는 효과를 기대할 수 있습니다. 어떻게 보면 통신 요금을 개개인이 더 세밀하게 설계할 수 있게 되는 것이지요.
이 때문에 국내에는 SIM 두 개를 꽂는 듀얼 SIM 스마트폰들이 잘 나오지 않는 편입니다. 그리고 eSIM이 도입되면 헤비유저들을 중심으로 아주 활발하게 통신사와 요금제의 조합이 공유될 겁니다. 대형 통신사들로서는 골칫거리가 되는 셈입니다. 물론 이용자로서는 더 나은 경험을 할 수 있겠죠.
제 경우에는 해외 출장이 잦을 때 전 세계 어디에서나 LTE를 저렴하게 쓸 수 있는 구글 파이를 즐겨 썼는데, 이 구글 파이 USIM을 꽂는 전용 기기를 따로 갖고 다니기도 했습니다. 하지만 eSIM이 활발하게 쓰이게 된다고 하면 국내 통신 서비스를 eSIM으로 대신하고, 남는 SIM 슬롯에 구글 파이 SIM을 꽂을 수 있겠지요.
무테의
모던한 해석
Strip3p titanium 컬렉션은 무테 아이웨어에 모던함과 패셔너블함을 더했습니다. LINDBERG 의 시그니처인 브릿지와 템플로 보다 완성감 있고 또렷한 무테 디자인을 선보이면서도 2.9g이라는 가벼운 무게감을 놓치지 않았습니다.
프론트 마운팅 기술은 대담하면서도 세련된 인상을 주며 젊은 착용자들도 무테 아이웨어의 가벼움을 경험할 수 있습니다. strip3p titanium 컬렉션과 함께라면 편안함을 잃지 않으면서도 자신만의 개성을 표현할 수 있습니다.
LINDBERG 딜러샵 찾기
라운드 및 스퀘어 형 또는 그 중간의 모든 형태 가능.
내 안경에 가장 적합한 외형을 찾아보세요.
기술과 미니멀리즘의 조화
고급스러운 장인 정신이 엿보이면서도 미니멀한 디자인이 완벽하게 조화를 이루는 아이웨어를 찾고 계신다면,
더 이상 고민하지 마시고 바로 Strip3p titanium 컬렉션을 만나보세요.
불필요한 모든 요소를 제거한 디자인으로 미니멀하고 우아한 만큼 기술적으로도 우수한 컬렉션을 완성하였습니다.
견고함과 가벼움
디자이너와 엔지니어 팀이 함께 LINDBERG 의 고품질 티타늄을 사용하여 무테 안경에 견고함과 가벼움이라는 완벽한 특성의 조합을 더하였습니다.
다른 모든 LINDBERG 아이웨어 라인과 마찬가지로 Strip3p titanium을 이루고 있는 구성 요소들 또한 나사나 리벳 또는 용접을 사용하지 않고 조립되었습니다.
티타늄에 대해 더 알아보기
무테 아이웨어에 대해 더 알아보기
독창적인 디자인과 탁월한 편안함이 어우러진 Strip3p titanium.
직접 만드는 완벽한 핏
LINDBERG 가 자랑하는 획기적인 제작 시스템을 통해 나만의 고유한 Strip3p titanium을 만들어 보세요. 컬렉션에는 어떠한 얼굴과도 잘 어울릴 수 있도록 맞춤 제작이 가능한 스퀘어 및 라운드 형태가 포함되어 있습니다. 완벽하지 않은 제품에 만족하지 마세요. 다채로운 티타늄 색상에서 원하는 색상 조합을 선택하면 진정 나만이 가질 수 있는 아이웨어 룩을 완성할 수 있습니다.
맞춤 제작에 대해 더 알아보기
무에서 유로
그루브 색상은 미묘하지만 원하는 아이웨어를 맞춤 제작하는 데 아주 중요한 디테일로 작용합니다. 가장 마음에 드는 색상을 사용하여 렌즈의 모양을 우아하게 그려내어 테가 없어도 테가 있어 보이는 효과를 느껴보세요.
티타늄에 대해 더 알아보기
LINDBERG 핏은 모든 얼굴과 어우러지는 완벽한 핏을 자랑합니다. 모든 템플 디자인은 여러 가지 길이로 구성되어 있으며 충분히 조절이 가능합니다. 또한 최적의 편안함을 목적으로 설계된 의료용 실리콘 소재를 사용하여 인체 공학적이면서도 다양하게 조절 가능한 각기 다른 코패드 옵션을 만나보실 수 있습니다.
핸드메이드 품질을 자랑하는 LINDBERG 의 안경에는 각각의 고유 제품 번호가 정해져 있습니다. 뿐만 아니라 각 제품은 선주문 후제작이기 때문에 LINDBERG 안경에 착용하실 분의 이름을 각인하여 세상에 하나밖에 없는 안경으로 재탄생합니다.
기술적 미묘
잠깐! 현재 Internet Explorer 8이하 버전을 이용중이십니다. 최신 브라우저(Browser) 사용을 권장드립니다!
- 기사공유하기
- 프린트
- 메일보내기
- 글씨키우기
- 가나다라마바사
- 가나다라마바사
- 가나다라마바사
- 가나다라마바사
- 가나다라마바사
- 가나다라마바사
- 심규정
- 승인 2015.01.26 03:51
- 댓글 0
- 기사공유하기
- 프린트
- 메일보내기
- 글씨키우기
- 가나다라마바사
- 가나다라마바사
- 가나다라마바사
- 가나다라마바사
- 가나다라마바사
- 가나다라마바사
▲ 좌로부터 김기선ㆍ이강후국회의원, 박우순ㆍ송기헌 변호사
아이스하키경기장 원주 재배치 문제를 둘러싸고 논란이 가열되고 있는 가운데 지역 정치권인사들은 한결같이 “강원도와 정부가 수용해야 한다” “원주발전을 위해 꼭 필요한 것”이라고 입을 모았다.
김기선 의원(원주시 갑)은 “강원도 정무부지사 시절부터 경제적 관점, 올림픽 붐 조성을 위해 춘천, 원주, 강릉, 평창, 횡성에서 분산 개최해야 한다고 주장해 왔다”며“하지만 시기적, 물리적으로 가능한지 전문가 집단이 나서 꼼꼼하게 따져 봐야 한다”고 전제를 달았다.
특히 “일부에서 올림픽 뒤 활용방안이 없지 않느냐, 막대한 관리비가 투입된다. 이런 걱정을 하는데 이는 기우에 불과하다”며 “조직위에서 2월말까지 긍정적으로 검토, 결정해 동력을 확보해야 한다”고 말했다.
이강후 의원(원주시 을)은 “아이스하키경기장이 원주로 오게 되면 지역경제활성화, 원주의 도시이미지도 좋아질 것”이라며 “하지만 현실적으로 대통령은 물론 올림픽 조직위, 강원도가 안된다고 하니까 이 부분을 어떻게 대처해 나갈 것인지 꼼꼼하게 살펴볼 필요가 있다”고 말했다.송기헌 변호사(새정치민주연합 원주시을위원장)는 “올림픽 경기장이 강릉쪽에만 편중돼 있는 만큼 올림픽 붐 조성을 위해 분산개최 하는 게 맞다”며 “그래야 흥행이 담보될수 있다”고 말했다.
0 개 댓글