빅데이터 특성이 의사결정 만족도와 이용행동에 영향을 미치는 요인에 관한 연구
김병곤*․윤일기**․김기원***
A Study on the Factors Affecting the Decision Making Satisfaction and User Behavior of Big Data Characteristics
Byung-Gon Kim*․Il-Ki Yoon**․Ki-Won Kim***
Abstract
The purpose of this study is to find the factors that influence big data characteristics on decision satisfaction and utilization behavior, analyze the extent of their influence, and derive differences from existing studies.
To summarize the results of this study, First, the study found that among the three categories that classify the characteristics of big data, qualitative attributes such as representation, purpose, interpretability, and innovation in the value innovation category greatly enhance decision confidence and decision effectiveness of decision makers who make decisions using big data. Second, the study found that, among the three categories that classify the characteristics of big data, the individuality properties belonging to the social impact category improve decision confidence and decision effectiveness of decision makers who use big data to make decisions. However, collectivity and bias characteristics have been shown to increase decision confidence, but not the effectiveness of decision making. Third, the study found that among the three categories that classify the characteristics of big data, the attributes of inclusiveness, realism, etc. in the integrity category greatly improve decision confidence and decision effectiveness of decision makers who make decisions using big data. Fourth, it was analyzed that using big data in organizational decision making has a positive impact on the behavior of big data users when the decision-making confidence and finally, decision-making effect of decision-makers increases.
Keywords：Big Data Characteristics, Decision Confidence, Decision Effectiveness, Big Data User Behaviors
1)
Received：2021. 01. 09. Revised : 2021. 01. 26. Final Acceptance：2021. 01. 28.
*** Corresponding Author, Professor, Business Administration, Namseoul University, 91 Daehak-ro, Seonghwan-eup, Seobuk-gu, Cheonan-si, Chungcheongnam-do, Republic of Korea, 31020, Tel：+82-41-580-2137, e-mail：[email protected]
*** Co-Author, Professor, Global Business School, Namseoul University, e-mail：[email protected]
*** Co-Author, Ph. D., Graduate School, Namseoul University, e-mail：[email protected]
1. 서 론
최근 제4차 산업혁명의 태동과 정보통신기술(ICT) 의 급속한 발전에 따라 사회관계망 서비스(SNS)와 각종 미디어를 통해서 생성되는 디지털 정보는 폭증하 고 있다. 이에 따라 발생한 데이터를 저장하고 분석하 며 처리하여 스마트 비즈니스에 활용할 수 있는 빅데 이터(big data) 기술의 기업 현장 적용이 절실히 필 요하게 되었다[Shamim et al., 2019]. 이러한 방 대한 양의 데이터를 분석할 수 있는 빅데이터 기술은 각광받는 산업분야가 되었고 다양한 분야에 적용되고 있다[Bag et al., 2020].
디지털 시스템을 통해 생산, 처리, 소통되는 데이터 의 양은 이러한 기기들과 사용자의 증가로 인해 상상할 수 없을 만큼 증가되고 있다. 전 세계 인터넷 사용자는 2000년 이후 약 1,000퍼센트 증가했다[WEF, 2018].
2018년과 2020년 사이에는 인터넷 사용자가 약 3억 명 늘어날 것으로 보인다[Forbes, 2018]. 그러나 더 욱 중요한 것은 인터넷에 연결되는 기기의 개수가 가히 폭발적으로 증가하고 있다는 사실이다. 2017년 기준 약 200억 대의 핸드폰, 컴퓨터, 센서와 다른 기기들은 글로벌 디지털 네트워커에 연결되었다.
이러한 데이터들이 생산, 사용되는 양과 범위, 연관 된 각종 분석도구, 활용범위 등은 연간 약 30% 이상으 로 성장할 것으로 예측한다. 또한 2025년에 이르면 최소 열배 이상으로 증가할 것으로 전망하고 있다[WEF, 2018]. KT경제경영연구소[2018] 보고서에 따르면 2020년까지 인터넷 플랫폼 가입자가 30억 명에 이를 것이고, 500억 개의 스마트 디바이스로 인해 상호 간 네트워킹이 강화되어 초연결 사회로 진입할 것으로 전망 하고 있다. 빅데이터는 미래 국가의 경쟁력이기 때문에 정보를 유전처럼 자산화하고 투명하게 활용할 수 있는 사회적 인식과 제도 마련이 시급하다[Ghasemaghaei, 2020].
빅데이터는 종전의 정형적인 구조화된 데이터와는 달리 기업이나 기관 및 SNS 등 다양한 데이터 출처로 부터 대용량으로 빠르게 생성되고 있으며, 기존 조직 이나 범위 내에서 설계나 통제하기 어려운 비구조적이 며 비정형적인 특성을 보이고 있다[Galetsi et al., 2020). 결국 빅데이터의 고유한 비정형적 비구조적 데이터 특성과 질적 품질 속성과 관련된 연구가 아직 불충분한 실정이다. 제4차 산업혁명의 진전과 더불어
기업과 공공기관에서는 빅데이터의 분석과 활용이 크 게 늘어나면서, 빅데이터 특성과 속성이 빅데이터 사 용자의 의사결정 만족도와 이용자의 이용행동에 관한 연구의 필요성이 급속하게 대두되고 있다.
본 연구는 기술적 변화의 속도에 따른 경영 환경의 변화에 대한 연구로서 선행연구를 통하여 도출된 범주 와 특성들이 빅데이터 특성에 원초적으로 포함된 현실 존재론적 데이터 품질 속성으로서의 의미를 가지고 있 다는 것을 파악하게 되었다. 또한 시스템 설계자들이 데이터 품질 이슈에 관련된 데이터 품질 확보를 위한 의미로 파악될 수 있고, 품질 속성 간과 데이터 품질 속성과 의사결정 만족도 변수간의 영향력의 관계를 파 악하는데 필요한 지침을 제공할 수 있을 것이다.
본 연구의 목적은 다음과 같다. 첫째, 데이터 품질 과 속성에 관한 선행연구, 의사결정 만족도와 경영성 과에 관한 선행연구 등을 바탕으로 본 연구의 개념적 연구모형을 개발한다. 둘째, 통계 분석 프로그램을 이 용하여 연구모형의 적합도를 검정하고, 본 연구에서 설정한 연구가설을 검정한다. 셋째, 가설 검정 결과를 해석하고 연구결과를 요약하며, 연구의 학술적 시사점 과 실무적 시사점을 제시하고, 연구의 한계점 및 향후 연구 방향을 제시한다. 넷째, 빅데이터 속성이 의사결 정 만족도와 경영성과에 미치는 영향 요인을 밝히고, 그 영향 요인의 영향력의 정도를 분석하며, 기존 연구 와의 차이점을 도출한다.
2. 이론적 배경
2.1 빅데이터 기술의 개요
빅데이터란 디지털 환경에서 빠르게 생성되는 다양 한 형태로 규모가 크고 복잡하며 비즈니스적 가치 있는 데이터이다. 빅데이터(Big Data)의 개념을 광의로 해석하면 빅데이터 자체뿐만 아니라 빅데이터 기술과 산업을 총칭하는 것으로, 데이터를 수집하여 분석하고 활용하는 일련의 과정을 의미한다고 볼 수 있다.
빅데이터의 특징은 데이터 용량의 규모(Volume),
데이터 형태의 다양성(Variety), 데이터 생성의 속도
(Velocity), 데이터 속성의 복잡성(Complexity),
데이터 비즈니스의 가치(Value) 등이 있다. 데이터의
형태는 고객정보, 상품정보 등과 같이 수치로 표현될
수 있는 정형 데이터, 완정한 테이블 구조는 아니지만
HTML이나 XML과 같이 일정한 형식을 따르는 반정 형 데이터, 그리고 이미지, 텍스트, 동영상 등과 같은 비정형 데이터 등으로 다양하다.
빅데이터 분석을 통하여 원시 데이터에 포함된 고 급 정보가 도출되어 실제 생활과 기업 경영에 유용하 게 이용될 수 있다는 것에 큰 의미가 있다. 이는 다양 한 산업, 사회, 학문을 생성하는 데이터 속에 우리가 겉으로 확인할 수 없었던 다양한 내용이 내재되어 있 다고 본다. 그래서 데이터를 잘 수집하고 정제하여 필 요한 정보를 추출하여 분석하면, 데이터 속에 들어있 던 가치 있는 정보의 실체를 파악할 수 있을 것이다.
최근 빅데이터이 분석과 활용이 중요하게 급부상한 이유는 첫째로 빅데이터의 영향력이 커진 것이다. 둘 째로 빅데이터를 분석하고 활용할 수 있는 기술들이 발달하였다는 점이다. 빅데이터 분석하고 활용하는 기 술들로는 데이터의 저장, 관리, 공유, 활용 등을 위한 클라우드 기술, 습도, 온도, 위치, 소리 등의 데이터를 수집하기 위한 센싱 기술, 센싱된 데이터에 대한 분석 과 활용을 지원할 수 있는 소프트웨어 기술 등이 있다.
셋째로 빅데이터 분석을 통해서 새로운 비즈니스적 가 치의 창출이 가능해진 점이다. 넷째로 전체 데이터량 의 90% 수준인 비정형 데이터 분석을 통하여 의사결 정의 스마트화와 가치창출을 실현시킬 수 있는 대안으 로 빅데이터 분석이 필요하게 되었다.
2.2 데이터 품질과 특성에 관한 문헌연구
2.2.1 데이터의 품질에 관한 선행연구
데이터 품질과 특성에 관한 선행 연구에 따르면 데이 터 품질을 향상하기 위하여 빅데이터의 확보가 필요하 게 되었다. 빅데이터는 데이터의 양(volume)이 상당 히 많고, 신속(velocity)하며 다양(variety)하고, 진 실성(veracity) 있는 데이터를 말한다. 정보시스템 분 야에서 데이터품질이나 정보품질의 다양한 차원과 특성 및 속성간의 관계와 영향력에 대한 이론적 연구와 실증적 연구는 다수의 연구자에 의해 수행되었다[Benbasat et al., 2008; Ballou and Pazer, 1995; Delone and McLean, 1992; Wand and Wang, 1997;
Zmud, 1978; Ivanov, 1972]. 다수의 선행연구에서 데이터 품질 특성으로 밝혀진 정확성(accuracy), 신 뢰성(reliable), 적시성(timeliness), 정밀성(preci-
sion) 등은 의사결정 만족도와 경영성과에 긍정적인 영향 을 미치는 요인으로 밝혀졌다[Delone and McLean, 1992; Wand and Wang, 1997; Ballou and Pazer, 1985; Zmud, 1978; Ivanov, 1972].
2.2.2 빅데이터의 특성 관한 선행연구
Goes[2014]는 기존의 빅데이터 연구와 정보시 스템 연구를 바탕으로 빅데이터 기반구조 분류체계 (big data infrastructure taxonomy)로 출처형태 (source type), 출처사이트(source site), 데이터 규모(volume), 속도(velocity), 다양성(variety), 진실성(veracity), 데이터관리(data management), 계산(computation), 통제(control), 기록필요성(ar- chival needs) 등 10가지로 분류하였으며, 이에 따 른 약 50여 가지의 빅데이터의 속성을 제안하였다. 그 는 빅데이터 인프라에서 데이터 통합이 중요하다고 강 조하였고, 데이터의 구문과 의미 수준까지 통합하는 것을 중요한 이슈로 제기하였다.
데이터 자체가 가지는 본질적인 품질 특성에 대해 구체적으로 논의할 필요가 있다. 관계형 데이터베이스 를 도입한 1970년대 이후 응용시스템의 구현과 활용을 위해 정보시스템 분석설계자들은 Codd[1970]에 의 해 발표된 관계형 데이터베이스 이론을 기초로 개념적 물리적 모델링을 수행하였다. 기업의 DB는 99%는 관계형 DBMS의 형태로, 구조적 시스템 분석 설계에 의해 정확성(accuracy), 무결성(integrity), 관련성 (relevancy) 등의 자료 품질 특성이 있으며, 오늘날 의 빅데이터 속성으로 유지되고 있다.
빅데이터의 여러가지 출처로 인해 자료의 본질적
불확실성이 커졌고, 진실성(veracity)은 계량적 지
표로 알려진 속도(velocity), 규모(volume), 형태
(variety) 등으로부터 데이터의 가치를 추출하기 위
한 주요 성공요인이 되었다. IBM[2013]은 빅데이터
의 네 번째 특성으로써 진실성(veracity)을 데이터
불확실성(uncertainty of data)으로 정의하였으며,
빅데이터는 특히 의문스러운 데이터를 처리하며, 정직성
(truthfulness), 정확성(accuracy), 정밀성(pre-
cision), 올바름(correctness)을 포함하는 데이터의
유형과 관련된 신뢰성의 수준이라고 정의하였다. IBM
[2013]은 빅데이터 품질의 새로운 속성으로 현실성
(currency), 정확성(accurate), 정직성(truthful),
올바름(corrective), 정밀성(precise), 신뢰성(reli- able), 시의적절성(timely), 관련성(relevant), 완 전성(complete), 양심적(consice), 사실성(factual) 등을 제안하였다.
IBM[2013] 등의 진실성(veracity)에 대한 개념 은 진실성 자체가 데이터 품질 속성을 의미하는지, 정직성 (truthfulness), 정확성(accuracy), 신뢰성(reli- ability), 정밀성(precision) 등의 데이터 품질 속성 과 연관되어 있는지 분명하지 않다고 주장하였다. 본 연구에서는 진실성을 빅데이터의 특성으로 보고, 빅데 이터의 특성과 함께 빅데이터의 질적 특성으로서 새로 운 품질 속성으로 간주하며, 빅데이터 사용자의 의사결 정 만족정도와의 관련성과 영향력 정도를 검토하고자 하였다.
2.3 의사결정만족도와 이용행동에 관한 문헌연구
2.3.1 의사결정 만족도에 관한 선행연구
의사결정 만족도는 의사결정자가 의사결정 과정과 문제해결 활동을 지원하는 시스템의 능력을 말한다.
Chervany et al.[1972]에 의해 제안된 정보시스 템 프레임워크에 관한 연구에서 의사결정 효율성 변수 가 사용되었다. 의사결정 자신감에 관한 연구[Zmud, 1978]와 의사결정 시간에 관한 연구[Benbasat et al., 2008] 등과 같은 연구가 수행되었다. 본 연구에 서는 교통, 기후, 보험, 금융, SNS 등 각 분야에서 발 생한 데이터의 분석을 통하여 빅데이터의 속성에 따른 의사결정자가 인식하는 의사결정 만족도를 측정하는 구성개념으로써 의사결정 효율성과 의사결정 자신감 을 사용하고자 한다.
다수의 선행연구에서 정보시스템의 정보품질과 시스 템품질은 의사결정자의 의사결정 만족도에 영향을 미 치는 것으로 보고되었다[Bharati and Chaudhury, 2004]. 의사결정자는 정보시스템의 주요 가치로 시스 템 품질과 정보의 품질을 핵심요인으로 인식하고 있다.
Barkhi and Kao[2010]는 정보시스템의 가치로 시 스템의 정보품질이라는 연구결과를 제시하였으며, 정 보품질을 결정하는 요인으로 의사결정시 정보를 사용 하는 사용자 인식이라고 보고하였다.
본 연구에서는 Bharati and Chaudhury[2004]
와 Barkhi and Kao[2010]의 연구에서 사용된 의사
결정 만족도를 연구변수로 사용하고자 한다. 의사결정 자가 인지하는 의사결정 만족도는 의사결정에 사용하 는 응용시스템이 의사결정 자신감에 얼마나 효과적이 며 지속적으로 의사결정자의 만족도를 높일 수 있는지 를 설명하는 요인들이다. 의사결정 만족도는 의사결정시 문제에 대한 인지된 확신감(decision confidence)과 의사결정 결과 얻을 수 있는 조직의 효과(decision effectiveness) 등의 연구변수를 측정하기 위하여 항 목을 설정하였다.
2.3.2 이용행동에 관한 선행연구
Park[2018]은 이용행동을 어떤 제품이나 서비스, 기술 등에 대해 그 기술을 활용하고 사용하는데 있어 서 가지는 주관적인 행동이나 행위로 제시하였다. 본 연구에서는 이용행동을 공공 서비스, 금융 분야에서의 인증 시스템, 의료, 유통 등에서 빅데이터 기술을 활용 하고 사용하는데 있어서 가지는 주관적인 행동이나 행 위로 설정하였다. Yang et al.[2016]는 통합기술수 용이론을 중심으로 스마트 기기 등장으로 제기된 새로 운 금융서비스 형태인 핀테크를 이용하는 사용자를 중 심으로 연구하였다. 기존 4가지 변수인 성과 기대, 사 회적 영향, 노력 기대, 촉진 조건 외에 신뢰성이라는 새로운 변수를 추가하여 사용자 의도를 측정하였다.
Lee et al.[2006]는 모바일 뱅킹 이용의 확대를 위해 기술수용모형을 기반으로 연구를 진행하였다. 그 는 연구에서 보안성을 추가한 후 이용자의 행동을 연 구하였다. 연구를 통해 보안성은 모바일 뱅킹 사용에 있어 지각된 유용성에 유의한 영향을 미치고, 태도와 는 부정적인 상관관계를 나타낸다고 주장하였다. 그 리고 부정적인 상관관계의 이유에 대해서 보안성이 높아지면 사용자의 사용정도는 낮아지고 이는 곧 사 용자의 이용적 측면에 부정적 인식을 주기 때문이라 주장하였다.
이외에도 통합기술수용모델을 토대로 설계된 선행
연구들에서 모바일 학습의 이용 행동에 영향을 미치는
요인, 가상현실 융합산업 생태계 분석을 통한 뮤지컬
시장의 활성화 전략 사용의도, 인터넷전문은행 수용의
도, 베트남 소비자의 저작권 유통 플랫폼 수용의도, 공
급체인관련 미국과 인도에서의 블록체인기술 수용관
련 실증조사[Queirozet al., 2019] 등을 통해 의미
있는 결과들이 제시되었다.
3. 연구모형 및 가설 설정
3.1 연구모형의 설계
데이터 품질과 속성에 관한 기존 연구에 따르면 데 이터 품질을 향상하기 위한 방법으로 데이터의 양 (volume)이 충분히 많고, 신속(velocity)하며 다양 (variety)하고, 진실성(veracity) 있는 빅데이터의 확보가 필요하게 되었다. 정보시스템 분야에서 데이터 품질이나 정보품질의 다양한 차원과 속성 및 속성간의 관계와 영향력에 대한 이론적 연구와 실증적 연구는 다수의 연구자에 의해 수행되었다[Benbasat et al., 2008; Delone and McLean, 1992; Wand and Wang, 1997; Ballou and Pazer, 1985, 1995;
Zmud, 1978; Ivanov, 1972].
데이터 품질 관련 다수의 선행 연구에서 다루어진 데이 터 품질 속성으로 정확성(accuracy), 신뢰성(reli- able), 적시성(timeliness), 정밀성(precision), 대 표성(representable), 혁신성(innovative), 해석 성(interpretable) 등은 의사결정 만족도와 경영성과 에 긍정적인 영향을 미치는 요인으로 밝혀졌다[우현종, 2015; Delone and McLean, 1992; Wand and Wang, 1997; Ballou and Pazer, 1985; Zmud, 1978; Ivanov, 1972]. 본 연구에서는 데이터와 정보 품질의 차원과 특성 및 빅데이터 사용자의 의사결정 만
족도와 빅데이터 사용자의 이용행동에 관련된 선행연구 를 바탕으로 <Figure 1>과 같은 개념적 연구모형을 개 발하였다.
3.2 연구가설의 설정
3.2.1 빅데이터 특성과 의사결정 만족도간의 가설설정
(1) 가치혁신과 의사결정 만족도간의 가설설정대표성(representable)은 대상이나 현상의 정체 와 의미를 대표성 있게 묘사하고 표현하며 설명이 가 능한 성질을 말하며, 목적성(explorable)은 어떤 현상을 진단 및 통찰하여 의미를 찾고, 특정 상황을 예측할 수 있는 속성을 의미한다. 해석성(interpre- table)이란 특정 사건이나 대상 및 집단 간의 차이와 관계, 그리고 인과관계를 밝혀서 해석할 수 있는 특성 을 뜻하며, 혁신성(innovative)은 어떤 대상이나 현 상을 빠르게 식별하거나 파헤치며, 순차적 지속적으로 의미와 가치를 생성 또는 환기시킬 수 있는 속성을 의 미한다. 가치 혁신(value innovativeness)이란 대 상이나 현상에 대한 다양한 해석과 진단으로 새로운 정체와 의미를 지속적으로 찾아 묘사하며, 나아가 특 정 상황을 예측하는 성질을 가진 해석성, 대표성, 목적 성, 혁신성 등의 속성이 이 범주에 속하는 것으로 정의 한다.
<Figure 1> Research Model
Goes[2014]는 빅데이터 인프라에서 데이터 통합 이 중요하다고 강조하였고, 데이터의 구문과 의미 수 준까지 통합하는 것을 중요한 이슈로 제기하였다. 또 한 그는 빅데이터의 속성 중 데이터의 진정성에 대해 충분한 연구가 필요하다고 밝혔다. 그는 기존의 빅데 이터 연구와 정보시스템 연구를 바탕으로 빅데이터 기 반구조 분류체계를 10가지로 분류하였다. 즉 출처 형 태, 출처 사이트, 데이터 규모, 속도, 다양성, 진실성, 데이터관리, 계산, 통제, 기록 필요성 등이며, 이에 따 른 빅데이터의 속성으로 목적성, 대표성, 혁신성, 해 석성 등 약 50여 가지의 속성을 제안하였다.
본 연구에서 제안하는 빅데이터의 품질 특성을 나타 내는 정확성, 무결성, 완전성, 개별성, 집단성, 편향성, 목적성, 대표성, 혁신성, 해석성 등의 속성들이 빅데이 터를 이용한 사용자의 만족도와 기업의 경영성과에 정 (+)의 관련성이 있는 것으로 인식한다. 또한 기업 내부 조직 시스템의 환경과 설계에 제한적이지 않으며, 빅데 이터의 다양한 수요자와 최종 정보사용자에 의하여 인 지된 대표성 있는 속성으로 도출될 것으로 기대한다.
따라서 본 연구에서는 기업 내부의 정보시스템 설계나 평가를 지향하는 데이터 중심 품질에 한정하지 않는다.
다양한 선행연구에서 나타난 정보 품질 속성으로 목 적성(explorable), 대표성(representable), 혁신성 (innovative), 해석성(interpretable), 정확성(accu- racy), 무결성(integrity), 신뢰성(reliable), 적시성 (timeliness), 정밀성(precision), 포괄성(compre- hensive), 접근성(accessible), 사실성(factual) 등 은 의사결정 만족도와 기업의 경영성과에 긍정적인 영향 을 미치는 요인으로 밝혀졌다[우현종, 2015; Delone and McLean, 1992; Wand and Wang, 1997;
Ballou and Pazer, 1985; Zmud, 1978; Ivanov, 1972]. 따라서, 본 연구에서는 빅데이터의 가치혁신 범주에 속하는 빅데이터의 대표성, 목적성, 해석성, 혁 신성 속성 등이 의사결정 만족도에 긍정적인 영향을 미 칠 것이라는 다음과 같은 연구가설을 설정하였다.
가설 H1 : 가치혁신은 의사결정 만족도에 긍정적인 영향을 미칠 것이다.
H1-1-1 : 대표성은 의사결정 자신감에 긍정적인 영향을 미칠 것이다.
H1-1-2 : 대표성은 의사결정 효과에 긍정적인 영 향을 미칠 것이다.
H1-2-1 : 목적성은 의사결정 자신감에 긍정적인 영향을 미칠 것이다.
H1-2-2 : 목적성은 의사결정 효과에 긍정적인 영 향을 미칠 것이다.
H1-3-1 : 해석성은 의사결정 자신감에 긍정적인 영향을 미칠 것이다.
H1-3-2 : 해석성은 의사결정 효과에 긍정적인 영 향을 미칠 것이다.
H1-4-1 : 혁신성은 의사결정 자신감에 긍정적인 영향을 미칠 것이다.
H1-4-2 : 혁신성은 의사결정 효과에 긍정적인 영 향을 미칠 것이다.
(2) 사회영향과 의사결정 만족도간의 가설설정
대중성(public)은 공개적인 영역에서 객관적으로 추천되고 공유되는 성질을 의미하며, 개별성(indivi- dual)이란 개인의 일상적이며 주관적인 생활이나 상태 및 성향을 나타내는 특성을 뜻한다. 문화성(cultural) 은 국가나 문화 및 지역에 따라 특성을 나타내는 속성을 말하며, 집단성(collectivity)은 사회적 관계의 교감과 공감을 나타내는 특성을 의미하고, 편향성(willful)이 란 감성적 정치 경제적 성향을 주도적이거나 다소 의도적 으로 표현하는 성질을 말한다. 사회 영향(social influ- ence)이란 개인, 지역, 국가 등으로 다원화된 공유 가치를 주도적으로 추구하는 특성을 가진 문화성, 개별성, 집단 성, 편향성 등의 속성이 이 범주에 속한다고 볼 수 있다.
빅데이터 기술 분야의 사회적 형태에서 생겨나는 사회 적 영향 등의 특성 범주가 조직 속 특정 자료의 구조로 들어오고, 그 자료를 분석하고 가공하여 의사결정 만족도 에 미치는 영향과 기존의 근거이론 방식으로 밝혀진 속성 들을 연구모형에 적용하였다. 본 연구는 빅데이터를 분석 한 정보사용자들이 현실에서 인지 가능한 대상이나 사건 에 대한 데이터를 제품이나 서비스로 간주하며, 제품이나 서비스가 의사결정자 즉, 정보수요자의 사용에 적합한지 그렇지 않은지를 판단하는 수요자의 관점에서 데이터 품질속성을 참조하고 사용한다[Deming, 1986; Juran, 1993; Dobyns and Crawford-Mason, 1991].
데이터 품질 관련 다수의 선행연구에서 나타난 데이터
품질 속성으로 문화성(cultural), 개별성(individual),
편향성(willful), 집단성(collectivity), 정확성(accu-
racy), 무결성(integrity), 신뢰성(reliable), 적시성
(timeliness), 정밀성(precision), 접근성(accessible),
사실성(factual) 등은 의사결정 만족도와 기업의 경영
성과에 긍정적인 영향을 미치는 요인으로 밝혀졌다[우현
종, 2015; Delone and McLean, 1992; Wand and
Wang, 1997; Ballou and Pazer, 1985; Zmud, 1978; Ivanov, 1972]. 따라서, 본 연구에서는 빅데이터의 사회영향 범주에 속하는 빅데이터의 개별성, 문화성, 집 단성, 편향성 속성 등이 의사결정 만족도에 긍정적인 영향 을 미칠 것이라는 다음과 같은 연구가설을 설정하였다.
가설 H2 : 사회영향은 의사결정 만족도에 긍정적인 영향을 미칠 것이다.
H2-1-1 : 개별성은 의사결정 자신감에 긍정적인 영향을 미칠 것이다.
H2-1-2 : 개별성은 의사결정 효과에 긍정적인 영 향을 미칠 것이다.
H2-2-1 : 문화성은 의사결정 자신감에 긍정적인 영향을 미칠 것이다.
H2-2-2 : 문화성은 의사결정 효과에 긍정적인 영 향을 미칠 것이다.
H2-3-1 : 집단성은 의사결정 자신감에 긍정적인 영향을 미칠 것이다.
H2-3-2 : 집단성은 의사결정 효과에 긍정적인 영 향을 미칠 것이다.
H2-4-1 : 편향성은 의사결정 자신감에 긍정적인 영향을 미칠 것이다.
H2-4-2 : 편향성은 의사결정 효과에 긍정적인 영 향을 미칠 것이다.
(3) 온전성과 의사결정 만족도간의 가설설정
사실성(factual)은 생각과 표현이 일치하는 솔직하 고 믿을 만한 자료로 점차 특정 의미 있는 사실로 수렴하 는 속성을 의미하며, 접근성(accessible)이란 필요로 되는 시점에 필요한 양만큼의 수집할 수 있는 데이터의 규모나 속도 측면의 특성을 말하며, 포괄성(compre- hensive)은 범위(scope)와 깊이(depth)로 현상을 포괄적으로 나타내는 다양한 성질을 말한다. 온전성 (completeness) 범주는 네트워크 효과에 의해 필요한 시점에 양과 깊이 및 범위까지 접근할 수 있는 성질을 가진 포괄성, 접근성, 사실성 등의 속성을 포함하고 있다.
데이터 품질의 속성(성질)을 밝히기 위한 연구는 주 로 데이터의 본질적 품질, 이용자 만족도와 정보시스 템 성공, 감사와 회계 등의 3가지 영역에서 수행되었 다. 데이터 본질적 품질 영역에서 수행된 다수의 연구 [Ballou and Pazer, 1985, 1982]에서 최신의 값이 기록된 적시성, 실제 값과 일치되게 저장된 정확성, 데 이터 값이 실제와 동일하게 표현된 일관성, 특정한 항목
의 모든 값이 기록된 완전성 등에 대하여 정의하였다.
IBM[2013]은 빅데이터 품질의 새로운 속성으로 현실 성, 정확성, 정직성, 올바름, 정밀성, 신뢰성, 시의적절 성, 관련성, 완전성, 양심적, 사실성 등을 제안하였다.
지금까지 다수의 연구자들에 의해 데이터 차원의 다양한 분류와 조사 및 서술에 대해 연구가 수행되였 다. 그들의 연구에서 도출된 데이터 품질 속성에는 현 실성, 완전성, 정확성, 정당성, 타당성 등을 포함하고 있다. 그들의 연구에서 식별되거나 도출된 200여 용어 들의 본질(intrinsic), 정의(definition), 측정방법 (measures) 등에 대한 동의수준은 낮게 나타났다.
특히 계량적 지표를 이용한 시스템 평가와 관련하여 이론기반이나 설계기반 방식으로 기존 데이터나 정보 의 품질 속성에 관한 평가와 연구가 수행 되였다.
데이터 품질 분야의 각종 기존연구에서 보고된 데이 터 품질 속성으로 문화성(cultural), 개별성(indivi- dual), 편향성(willful), 집단성(collectivity), 정확성 (accuracy), 무결성(integrity), 신뢰성(reliable), 적시성(timeliness), 정밀성(precision), 포괄성(com- prehensive), 접근성(accessible), 사실성(factual) 등은 의사결정 만족도와 기업의 경영성과에 긍정적인 영향을 미치는 요인으로 밝혀졌다[우현종, 2015; De- lone and McLean, 1992; Wand and Wang, 1997; Ballou and Pazer, 1985; Zmud, 1978;
Ivanov, 1972]. 따라서, 본 연구에서는 빅데이터의 완전성 범주에 속하는 빅데이터의 포괄성, 접근성, 사실 성 속성 등이 의사결정 만족도에 긍정적인 영향을 미칠 것이라는 다음과 같은 연구가설을 설정하였다.
가설 H3 : 온전성은 의사결정 만족도에 긍정적인 영향을 미칠 것이다.
H4-1-1 : 포괄성은 의사결정 자신감에 긍정적인 영향을 미칠 것이다.
H4-1-2 : 포괄성은 의사결정 효과에 긍정적인 영 향을 미칠 것이다.
H4-2-1 : 접근성은 의사결정 자신감에 긍정적인 영향을 미칠 것이다.
H4-2-2 : 접근성은 의사결정 효과에 긍정적인 영 향을 미칠 것이다.
H4-3-1 : 사실성은 의사결정 자신감에 긍정적인 영향을 미칠 것이다.
H4-3-2 : 사실성은 의사결정 효과에 긍정적인 영
향을 미칠 것이다.
3.2.2 의사결정 만족도와 이용행동간의 가설설정
(1) 의사결정 만족도의사결정 만족도는 의사결정자가 의사결정 과정과 문제해결 활동을 지원하는 시스템의 능력을 말한다.
Chervany et al.[1972]에 의해 제안된 정보시스템 프레임워크에 관한 연구에서 의사결정 효율성 변수가 사 용되었다. 의사결정 자신감에 관한 연구[Zmud, 1978]
와 의사결정 시간에 관한 연구[Benbasat et al., 2008] 등과 같은 연구가 수행되었다. 본 연구에서는 교통, 기후, 보험, 금융, SNS 등 각 분야에서 발생한 데이터의 분석을 통하여 빅데이터의 속성에 따른 의사결정 자가 인식하는 의사결정 만족도를 측정하는 구성요인으 로 의사결정 효과와 의사결정 신뢰도를 사용하고자 한다.
다수의 선행연구에서 정보시스템의 정보품질과 시스 템품질은 의사결정자의 의사결정 만족도에 영향을 미치 는 것으로 보고되었다[Bharati and Chaudhury, 2004; Barkhi and Kao, 2010]. 의사결정자는 정보 시스템의 주요 가치로 시스템 품질과 정보 품질을 핵심 요인으로 인식하고 있다. Goes[2014]는 정보시스템 의 가치로 시스템의 정보품질이라는 연구결과를 제시하 였으며, 정보품질을 결정하는 요인으로 의사결정시 정 보를 사용하는 사용자 인식이라고 보고하였다.
Bharati and Chaudhury[2004]는 웹기반 의 사결정지원시스템의 의사결정 만족도에 관한 실증적 연구에서 의사결정 중에 고려되는 대안의 적합도와 의 사결정의 재무적 경제성 등의 측정지표들은 의사결정 과정의 경제적 효율성과 의사결정 자원의 효과성 등을 의사결정 성과로 변환하는데 사용된다. Barkhi and Kao[2010]의 연구에 의하면 의사결정 품질은 S/W 시스템이 의사 결정자가 객관적으로 판단할 수 있도록 측정 가능한 매출액과 순이익 등을 제안하였다. 사용자 만족도는 솔루션으로 의사 결정자의 만족도를 측정하 는 것으로, 의사결정 응용 시스템이 의사결정자들 간 에 얼마나 긴밀하게 달성 가능한 최상의 해결책을 제 시하고 있는지를 의사결정 자신감으로 측정하였다.
(2) 이용행동
본 연구에서는 독립변수인 가치혁신, 사회적 영향, 온전성, 무결성 등이 매개변수인 의사결정 만족도가 종 속변수인 이용행동에 매개하여 의사결정 만족도가 이용 행동에 미치는 영향관계를 살펴보고자 하였다. 즉, 왜 이러한 인과관계가 발생하는지, 어떻게 영향을 미치는
지에 대해 의사결정 만족도를 매개변수로 설정하여 이 용행동에 어떤 영향관계가 있는지를 검증하였다. 기술 수용이론 모델을 토대로 설계된 선행연구들에서 매개변 수인 의사결정 만족도가 종속변수인 이용행동을 매개하 는 효과가 있다는 연구결과를 찾아볼 수 있었다. 국내의 연구에서 모바일 학습의 이용 행동에 영향을 미치는 요 인, 인터넷전문은행 수용의도, 베트남 소비자의 저작권 유통 플랫폼 수용의도 등을 확인 할 수 있었다.
또한 국외의 선행연구로 미국과 인도에서의 블록체 인 기술수용을 비교하는 실증연구에서 수용의도의 매 개효과가 사용행위에 긍정적인 영향을 미친다는 연구 결과를 확인할 수 있었다[Queirozet al., 2019]. 본 연구에서는 빅데이터 특성이 의사결정 만족도 변수를 매개하여 사용자의 이용행동에 긍정적인 영향을 미칠 것으로 가정하여 아래 가설을 설정하였다.
본 연구에서는 빅데이터의 속성과 의사결정 만족도 및 이용행동 간의 정(+)의 인과관계를 설정하고, 기 존 선행연구에서 제시된 빅데이터 사용자의 이용행동 을 여러 요인으로 파악하였다. 따라서 본 연구에서는 의사결정 만족도 범주에 속하는 의사결정 자신감 변수 와 의사결정 효과 변수가 빅데이터 이용자의 이용행동 에 긍정적인 영향을 미칠 것이라는 다음과 같은 연구 가설을 설정하였다.
가설 H4 : 의사결정 만족도는 이용행동에 긍정적인 영향을 미칠 것이다.
H4-1 : 의사결정 자신감은 이용행동에 긍정적인 영향을 미칠 것이다.
H4-2 : 의사결정 효과는 이용행동에 긍정적인 영 향을 미칠 것이다.
4. 실증분석
4.1 자료수집방법 및 표본의 특성
4.1.1 자료수집방법
빅데이터 기술의 의사결정만족도와 이용행동에 관한
실증적 연구의 수행을 위한 설문조사의 공간적 범위는
한국내에서 기업 활동을 하고 있는 민간기업체와 공공
기관 종사자를 대상으로 하였다. 빅데이터를 수집하고
분석하여 사용자가 필요로 하는 빅데이터에서 추출한
정보를 기업 경영활동이나 공공의 목적으로 이용하고
있는 조직을 모집단으로 규정하고 설문조사를 실시하였다.
설문조사방법은 빅데이터의 수집, 분석, 활용 등을 수행하여 비즈니스나 공공의 목적으로 이용하고 있는 공공기관과 기업체 등을 대상으로 자료 수집 시 응답자 의 개인정보 보호문제를 해결하기 위하여, 한국 빅데이 터 협회를 방문하여 사무국장을 만나서, 연구의 목적과 연구 방법을 설명하고, 자료 수집에 적극 협조해 줄 것 을 부탁하였다. 자료 수집을 연구자가 직접 진행하지 않고, 협회의 사무국장이 이메일로 기업의 담당자에게 설문에 응답해 줄 것을 부탁하여, 온라인으로 자료를 수집한 후 본 연구의 실증 분석에 사용하였다.
설문조사기간은 2020년 9월 05일부터 2020년 10월 15일까지 진행하였다. 설문조사 방식은 온라인 및 오프 라인 방식으로 진행하여 실시하였다. 온라인의 경우 구 글에서 지원하는 온라인 설문지방식을 활용하여 문자메 시지, 카카오톡, 밴드 등의 SNS와 이메일 등으로 전자 설문과 설문지 파일을 해당 기관, 업체의 실무자 및 관리자 에게 보내면서 설문에 참여해 줄 것을 협조 요청하였다.
본 설문조사에 들어가기 전에 빅데이터 분야 학계와 업계의 전문가 10여명을 대상으로 예비 설문조사를 실 시하였다. 빅데이터 관련 협회, 공공기관 등의 임원 및 전문가 그룹, 공공기관 실무진, 대기업 및 협회 소속 실무인원을 대상으로 설문조사를 진행한 결과 325명 으로부터 응답한 설문지를 회수하였다. 이중 설문응답 이 전제 문항에 대해 ‘매우 그렇다’, 또는 ‘보통이다’ 등 으로 답한 성실하지 않은 응답지 23부를 제외하고, 유 효한 응답으로 판단되는 302부를 본 연구의 실증 분석 자료로 이용하였다.
4.1.2 표본의 특성
빅데이터 특성이 사용자의 의사결정만족도와 이용 행동에 미치는 영향에 관한 실증적 연구의 수행을 위 하여 빅데이터를 수집하고, 분석하여, 이용하고 있는 민간기업체와 공공기관 조직의 직원, 관리자, 연구원, 임원진 및 최고경영자를 대상으로 설문조사를 실시한 결과를 정리하여, 설문 응답자의 특성을 분석하면 다 음의 <Table 1>과 같이 나타났다.
설문 응답자에 대한 분석결과, 조사대상자의 일반적 특성으로 남성이 231명(76.5%)으로 나타나 여성 빈 도보다 높게 나타났다. 연령대별로는 50~59세가 97 명(32.1%), 40~49세가 88명(29.1%)으로 상대적 으로 높은 분포를 보였으며, 50대와 40대의 응답률이 가장 높았다. 응답자의 학력사항은 대학 졸업자가 170
명(56.3%)으로 가장 높은 분포로 나타났다. 설문 응답 자들이 종사하고 있는 업종은 정보통신기술업에 종사하 고 있는 응답자가 114명(37.7%)으로 가장 높은 비율 을 차지하는 것으로 분석되었다.
설문에 응답한 응답자의 직위는 사원급이 47명(15.5%), 대리급이 30명(9.9%), 과장급이 48명(15.9%), 차장 급이 43명(14.2%), 부장급이 70명(23.2%) 순으로 나타났다. 빅데이터 기술의 사용경험은 1년 미만으로부 터 5년 이상까지 1년 단위로 구분하여 설문 항목을 구성 하였다. 설문지 분석 결과 1~2년 사용경험이 132명 (43.7%)으로 가장 높게 나타났다. 다음으로 1년 미만이 93명(30.8%)으로, 2~3년이 35명(11.6%) 순으로 분 석되었다.
Category Frequency Percentage
Gender Male 231 76.5
Female 71 23.5
Age
Less then 20 10 3.0
20~29 64 21.2
30~39 88 29.1
40~49 97 32.1
More than 50 43 14.2
Education
Community college
graduated 09 2.9
University students
or bachelor degree 12 4.0
Master degree 170 56.3
Ph.D. degree 111 36.7
Industry
&
Organi- zation
Public organization 78 25.8
Finance 21 6.9
Health care 23 7.6
Information Technology 114 37.7
Logistics 25 8.3
Service 23 7.6
Manufacturing 18 5.9
Others 28 9.3
Position
Employee 47 15.5
Assistant manager 30 9.9
Manager 91 30.1
General manager 70 23.2
Executive 51 16.7
CEO 13 4.3
Period of Blockchain
usage
Less then 1 year 93 30.8
1~2 132 43.7
2~3 35 11.6
3~4 17 5.6
4~5 13 4.3
More then 5 year 12 3.9
<Table 1> The Distribution of Sample (N = 302)
4.2 탐색적 요인분석 및 신뢰성 분석
요인분석결과 각 연구변수에 속한 측정항목들이 요 인별로 묶여지지 않는 사회영향 범주에 속하는 문화성 변수와 온전성 범주에 속하는 접근성 변수는 연구변수 로서의 타당성이 인정되지 않았기 때문에 탐색적 요인 분석에서 제거되었다. 또한 대표성 변수에서 7개 측정
항목 중 1개 항목이 제거되었고, 혁신성 변수에서 8개 측정항목 중 2개 항목이 제거되었으며, 편향성변수에 서 11개 측정항목 중 4개 측정항목이 제거되었다. 따 라서 본 연구모형에서 채택한 11개의 잠재적 연구변 수 중 2개의 변수가 제거되어, 9개의 변수가 연구변수 로서 가설검증에 이용하였다. 본 연구의 KMO 값은 모두 0.7 이상으로 나타나 분석에 활용한 연구변수
Variables Items Factor
Loading Commonality Eigenvalue Extracted
Variance Explained Cronbach
Alpha KMO
Representable
REP1 REP3 REP4 REP5 REP6 REP7
0.915 0.910 0.903 0.856 0.798 0.786
0.875 0.844 0.833 0.751 0.687 0.663
4.015 23.128 0.896
0.843 Explorable
EXP2 EXP1 EXP3 EXP5 EXP4 EXP6
0.836 0.821 0.794 0.778 0.762 0.755
0.783 0.760 0.713 0.626 0.619 0.582
3.551 18.826 0.835
Interpretable
INT1 INT3 INT2 INT4
0.889 0.870 0.864 0.716
0.874 0.767 0.747 0.675
2.586 14.473 0.748
Innovative
INN1 INN4 INN2 INN5 INN7 INN6
0.920 0.913 0.867 0.782 0.779 0.763
0.865 0.853 0.814 0.719 0.682 0.673
3.527 15.927 0.820
Individual
IND1 IND4 IND3 IND2 IND5 IND6
0.876 0.845 0.732 0.721 0.718 0.711
0.759 0.673 0.570 0.545 0.539 0.531
3.578 22.602 0.921
0.779 Collectivity
COL3 COL2 COL1 COL4
0.875 0.831 0.816 0.742
0.886 0.862 0.775 0.718
2.486 21.527 0.786
Willful
WIL2 WIL1 WIL5 WIL6 WIL8 WIL7 WIL9
0.902 0.896 0.884 0.842 0.796 0.763 0.752
0.842 0.836 0.763 0.697 0.573 0.561 0.547
2.485 19.284 0.724
<Table 2> Validity and Reliabilty for Research Variables
모두 KMO 기준치인 0.7 이상으로서 상당히 양호한 수준으로 나타남에 따라 요인분석을 위한 변수들의 적 합도 요건이 충족된 것으로 확인되었다.
본 연구의 요인분석결과 타당성이 검증된 12의 연 구변수에 대한 신뢰도와 각 측정문항에 대한 타당성 및 신뢰성분석을 실시한 결과를 다음의 표에서 제시 하였다. 자료수집 결과 데이터를 이용하여 연구변수 의 신뢰도 분석결과 Cronbach’s α 값이
모두 0.7 이 상으로 나타남에 따라 모든 연구변수의 신뢰도는 수 용할 수 있는 수준으로 분석되었다. 본 연구의 타당성 분석과 신뢰성 분석 결과를 제시하면 <Table 2>와 같다.4.3 확인적 요인분석
데이터의 의사결정 만족도와 이용행동에 관한 연구 에서 확인적 요인분석은 SPSS 프로그램에서 분석한 탐색적 요인분석을 다시 한 번 확인하는 것으로 설문 문항과 연구변수간의 요인부하량을 다시 측정하고, 자 료의 타당성을 재확인하는 과정이다. 확인적 요인분석 을 위하여 AMOS 26.0 통계처리 프로그램을 이용하
여 각 변수별 타당성을 확인하게 되는 확인적 요인분 석을 실시하였다.
본 연구에 사용된 연구변수들의 각 변수별 확인적 요인분석 결과 다음의 <Table 3>과 같이 나타났다.
각 연구변수별 측정문항의 표준화된 요인 적재치가 모두 0.4 이상으로 나타남에 따라 연구변수는 해당 측정항목들의 변량을 잘 설명하고 있는 것으로 분석 되었다. 또한 각 변수별 개념신뢰도(composite con- struct reliability : CCR)와 분산추출지수(ave- rage variance extract : AVE)를 구하여, 각 측 정항목이 해당요인을 어느 정도 수준으로 수렴하고 있 는지를 분석한 결과, 모든 연구변수의 개념 신뢰도가 0.7 이상으로 나타남에 따라 변수의 내적 일관성이 확 보되었다.
각 요인사이에 구한 분산추출지수(AVE)가 모두 0.5 이상으로 나타남에 따라 변수의 수렴타당성이 확 보되었다고 할 수 있다. 각 연구변수별 상관관계분석 표 결과에 분산추출지수($표시) 수치를 넣은 아래의
<Table 4>를 살펴보면, 분산추출지수가 요인별 상관 계수의 제곱보다 크기 때문에 요인사이에 판별타당성 이 확보되었다고 할 수 있다.
Variables Items Factor
Loading Commonality Eigenvalue Extracted
Variance Explained Cronbach
Alpha KMO
Comprehensive COM2 COM1 COM3
0.792 0.764 0.752
0.676 0.620
0.618 3.283 23.513 0.904
0.872 Factual
FAC2 FAC1 FAC3 FAC4 FAC5
0.842 0.790 0.762 0.743 0.715
0.758 0.725 0.677 0.652 0.646
2.872 21.734 0.785
Decision Confidence
DECO2 DECO1 DECO3
0.853 0.791 0.774
0.758 0.663
0.631 2.860 25.072 0.747
0.852 Decision
Effectiveness
DEEF1 DEEF3 DEEF2 DEEF4
0.875 0.780 0.752 0.737
0.624 0.592 0.580 0.562
2.583 27.805 0.865
Usage Behavior
USBE1 USBE2 USBE3 USBE4 USBE5
0.797 0.782 0.764 0.751 0.723
0.765 0.723 0.670 0.668 0.652
2.874 21.627 0.794 0.860
<Table 2> Validity and Reliabilty for Research Variables(Continue)
Variables Items Standardized factor loading S.E C.R. CCR AVE
Representable
REP1 REP3 REP4 REP5 REP6 REP7
0.925 0.913 0.830 0.816 0.748 0.694
0.036 - 0.035 0.028 0.047 0.115
41.851 - 27.970 33.520 22.048 9.194
0.911 0.795
Explorable
EXP2 EXP1 EXP3 EXP5 EXP4 EXP6
0.789 0.774 0.699 0.691 0.673 0.628
0.071 - 0.108 0.082 0.079 0.073
9.392 - 9.826 9.522 12.536 13.543
0.816 0.614
Interpretable
INT1 INT3 INT2 INT4
0.835 0.757 0.698 0.672
0.072 - 0.080 0.071
12.957 - 12.672 12.321
0.849 0.687
Innovative
INN1 INN4 INN2 INN5 INN7 INN6
0.874 0.786 0.762 0.690 0.685 0.627
0.074 - 0.082 0.079 0.071 0.073
13.072 - 12.573 11.960 12.572 13.526
0.826 0.646
Individual
IND1 IND4 IND3 IND2 IND5 IND6
0.891 0.847 0.824 0.762 0.730 0.683
0.057 - 0.076 0.037 0.050 0.039
23.925 - 22.852 17.815 33.038 32.373
0.918 0.772
Collectivity
COL3 COL2 COL1 COL4
0.827 0.752 0.689 0.592
0.110 - 0.075 0.106
12.284 - 12.011 11.125
0.814 0.580
Willful
WIL2 WIL1 WIL5 WIL6 WIL8 WIL7 WIL9
0.842 0.838 0.819 0.804 0.780 0.765 0.753
0.059 - 0.052 0.047 0.063 0.054 0.058
27.374 - 27.312 28.710 23.974 22.812 21.047
0.927 0.845
Comprehensive COM2 COM1 COM3
0.859 0.737 0.654
0.054 - 0.082
12.937 -
11.943 0.856 0.652
Factual
FAC2 FAC1 FAC3 FAC4 FAC5
0.917 0.854 0.826 0.810 0.747
0.045 - 0.043 0.039 0.036
40.862 - 28.973 33.528 22.027
0.933 0.815
Decision Confidence
DECO1 DECO3 DECO2
0.824 0.792 0.765
0.085 - 0.032
18.237 -
17.374 0.870 0.670
Decision Effectiveness
DEEF2 DEEF1 DEEF3 DEEF4
0.821 0.793 0.730 0.717
0.062 - 0.075 0.068
16.236 - 17.371 16.384
0.876 0.747
Usage Behavior
USBE1 USBE2 USBE3 USBE5 USBE4
0.837 0.806 0.781 0.762 0.753
0.068 - 0.054 0.042 0.031
28.072 - 27.143 26.132 24.156
0.891 0.872
<Table 3> Confirmatory Factor Analysis Result
χ 2 = 2567.312, df = 1475, p = 0.00, χ 2 /df = 1.873, NFI = 0.904, GFI = 0.917, AGFI = 0.907, CFI = 0.916, RMSEA = 0.055.
4.4 연구가설 검정결과
빅데이터 기술의 사용자 의사결정 만족도와 기업의 경영성과에 영향을 미치는 요인에 관한 실증적 연구에 서 AMOS 26.0 프로그램을 이용하여 경로분석을 실
시하여 연구가설을 검정하였다. 본 연구에서 사용한 28개의 연구가설을 검정하기 위하여 가설 경로별 경 로분석을 실시한 결과 <Table 5>와 같이 나타났다.
이 표에서는 표준화된 계수값, 표준편차, CR값(t값), 유의수준 등의 값을 제시하고 있다.
Variables (1) (2) (3) (4) (5) (6) (7) (8) (9) (10) (11) (12)
Representable(1) $.759 Explorable(2) .314 ** $.631 Interpretable(3) .127 * .238 ** $.676 Innovative(4) .246 ** .273 ** .351 ** $.648 Individual(5) -.402 ** -.267 ** -.098 * -.164 ** $.783 Collectivity(6) .227 ** .264 ** .307 ** .514 ** -.148 ** $.598 Willful(7) -.022 -.018 -.017 -.013 .015 -.105 * $.817 Comprehensive(8) -.578 ** -.248 ** -.062 -.199 ** .532 ** -.185 ** -.006 $.599 Factual(9) .465 ** .418 ** .199 ** .277 ** -.295 ** .269 ** -.024 -.517 ** $.738 Decision Confidence(10) -.002 -.022 .013 .038 .022 .037 .066 -.033 -.031 $.871 Decision Effectiveness(11) .359 ** .520 ** .401 ** .519 ** -.268 ** .513 ** .012 -.315 ** .515 ** .007 $.643 Usage Behavior(12) .225 ** .253 ** .288 ** .374 ** -.173 ** .378 ** .035 -.169 ** .343 ** .047 .462 ** $.805
<Table 4> Discriminant Validity of Variables
The values in the diagonals represent square root of average variance extracted.
Path Estimate S.E. C.R. p
Representable → Decision Confidence 0.287 0.055 3.487 0.000 ***
Representable → Decision Effectiveness 0.278 0.042 3.572 0.000 ***
Explorable → Decision Confidence 0.199 0.072 2.287 0.002 **
Explorable → Decision Effectiveness 0.297 0.043 5.537 0.000 ***
Interpretable → Decision Confidence 0.286 0.045 3.447 0.000 ***
Interpretable → Decision Effectiveness 0.211 0.028 3.136 0.002 **
Innovative → Decision Confidence 0.152 0.042 2.528 0.004 **
Innovative → Decision Effectiveness 0.284 0.057 3.716 0.000 ***
Individual → Decision Confidence 0.216 0.036 3.122 0.002 **
Individual → Decision Effectiveness 0.193 0.050 2.519 0.003 **
Collectivity → Decision Confidence 0.127 0.092 1.528 0.020 *
Collectivity → Decision Effectiveness 0.033 0.083 1.320 0.055
Willful → Decision Confidence 0.193 0.052 1.708 0.030 *
Willful → Decision Effectiveness 0.037 0.081 1.027 0.068
Comprehensive → Decision Confidence 0.257 0.047 4.752 0.007 **
Comprehensive → Decision Effectiveness 0.203 0.036 3.491 0.001 **
Factual → Decision Confidence 0.398 0.043 6.573 0.000 ***
Factual → Decision Effectiveness 0.217 0.052 3.052 0.003 **
Decision Confidence → Usage Behavior 0.201 0.030 2.370 0.002 **
Decision Effectiveness → Usage Behavior 0.328 0.083 3.462 0.000 ***
<Table 5> Estimated Path Coeficents
* p < 0.05, ** p < 0.01, *** p < 0.001.
구조방정식 모델의 가설검증을 위한 경로분석에서 가설 채택여부를 확인하는 방법으로 계수값, 표준오 차, CR값, P값을 구하였으며, AMOS 프로그램의 결 과 값인 Regression Weight의 CR값과 P값(p <
0.05)을 기준으로 가설 채택과 기각을 판단하였다.
CR값이 1.96 이상이고 유의확률 값이 0.05 미만이면 가설경로에서 유의한 영향이 있는 것으로 해석하였다.
경로분석 결과 나타난 값을 기준으로 가설의 채택 유무를 살펴보면 연구가설 총 20개 중 18개의 가설이 채택되어 채택률은 90%, 2개의 가설이 기각되어 기 각률은 10%로 분석되었다. 독립변수 9개 중 대표성, 목적성, 해석성, 혁신성, 개별성, 사실성, 포괄성 등의 7개 연구변수는 연구가설이 완전 채택되었고, 집단성 과 편향성 변수는 가설이 일부 채택되었다. 매개변수 인 의사결정 자신감 변수와 의사결정 효과 변수는 연 구가설이 채택됨에 따라, 종속변수인 이용행동 변수에 긍정적인 영향을 미치는 것으로 분석되었다.
4.5 가설검정결과 해석
빅데이터 특성의 의사결정 만족도와 이용행동에 관 한 실증적 연구에서 AMOS 26.0 프로그램을 이용하 여 경로분석을 실시하여 연구가설을 검정하였다. 경로 분석 결과 나타난 가설의 채택과 기각에 대한 이유를 해석하면 다음과 같다.
첫째, 빅데이터 특성 중 대표성 변수는 의사결정 자 신감과 의사결정 효과에 긍정적인 영향을 미칠 것이라 는 연구가설이 유의수준 0.1%에서 완전 채택됨에 따 라, 빅데이터의 대표성 특성은 빅데이터 사용자의 의 사결정 자신감과 효과에 매우 긍정적인 영향을 미치는 것으로 나타났다. 이는 빅데이터가 잠재된 의미가 있 고, 대상을 묘사하거나 설명력과 대표성이 있으며, 개 인이나 대상의 정체성을 나타내고, 추세나 현상의 흐 름을 보여주며, 시각화할 수 있기 때문에 의사결정 자 신감을 높이고, 의사결정 효과를 크게 극대화 할 수 있 는 것으로 해석된다.
둘째, 빅데이터 특성 중 목적성 변수는 의사결정 자 신감과 의사결정 효과에 긍정적인 영향을 미칠 것이라 는 연구가설이 유의수준 1%와 0.1%에서 지지됨에 따라, 빅데이터의 목적성 성질은 사용자의 의사결정 만족도와 효과에 매우 긍정적인 영향을 미치는 것으로 분석되었다. 그 이유는 빅데이터가 개별대상과 특정
시점이나 상황에 대한 예측력과 개선력이 있으며, 새 로운 의미를 찾을 수도 있고, 빅데이터를 분석하면 통 찰력이 생기며, 현상을 진단할 수 있기 때문에 의사결 정 만족도를 향상할 수 있는 것으로 판단된다.
셋째, 빅데이터 특성 중 해석성 변수는 의사결정 자 신감과 의사결정 효과에 긍정적인 영향을 미칠 것이라 는 연구가설이 유의수준 0.1%와 1%에서 채택됨에 따라, 빅데이터의 해석성 특성은 사용자의 의사결정 자신감과 효과에 매우 긍정적인 영향을 미치는 것으로 나타났다. 이는 빅데이터가 집단간 차이를 보여주며, 사건이나 대상간의 관계를 규명하고, 원인과 결과를 매치시킬 수 있으며, 원인을 규명할 수도 있기 때문에 의사결정 자신감과 효과를 개선할 수 있는 것으로 분 석된다.
넷째, 빅데이터 특성 중 혁신성 변수는 의사결정 자 신감과 의사결정 효과에 긍정적인 영향을 미칠 것이라 는 연구가설이 유의수준 1%와 0.1%에서 지지됨에 따라, 빅데이터의 혁신성 특성은 사용자의 의사결정 자신감과 효과에 매우 긍정적인 영향을 미치는 것으로 나타났다. 이는 빅데이터가 순차적이고 지속적으로 의 미를 생성하고, 특정 대상이나 현상을 식별할 수 있으 며, 현상이나 대상을 파헤칠 수 있고, 특정 상황을 알 리고 환기시키며, 예외적인 상황이나 대상에 관한 신 호를 주고, 현상이나 대상의 다양한 가치를 생성하며, 사용자가 원하는 시점에 빠른 조회가 가능하기 때문에 의사결정 자신감과 효과를 높일 수 있는 것으로 해석 된다.
다섯째, 빅데이터 특성 중 개별성 변수는 의사결정 자신감과 의사결정 효과에 긍정적인 영향을 미칠 것이 라는 연구가설이 유의수준 1%에서 채택됨에 따라, 빅 데이터의 개별성 속성은 사용자의 의사결정 만족도와 효과에 긍정적인 영향을 미치는 것으로 나타났다. 그 이유는 빅데이터가 개인 생활 데이터로 개인의 상태 데이터이며, 개인의 일상적이고 주관적으로 표현하는 데이터이고, 개인의 성향을 나타내며, 시점에 민감한 데이터이기 때문에 의사결정 신뢰도와 효과를 높일 수 있는 것으로 분석된다.
여섯째, 빅데이터 특성 중 집단성 변수는 의사결정
자신감에 긍정적인 영향을 미칠 것이라는 연구가설이
유의수준 5%에서 채택되었으나, 집단성이 의사결정
효과에 긍정적인 영향을 미칠 것이라는 가설은 기각되
었다. 빅데이터의 집단성 특성이 사용자의 의사결정
자신감에 긍정적인 영향을 미치는 것으로 나타났다.
그 이유는 빅데이터가 다수가 교감하고 공감할 수 있 는 데이터이며, 추천자료 위주의 데이터이고, 타인의 영향을 받는 데이터이기 때문에 의사결정 자신감은 높 이지만, 의사결정 효과는 높이지 못하는 것으로 분석 되었다.
일곱째, 빅데이터 특성 중 편향성 변수는 의사결정 자신감에 긍정적인 영향을 미칠 것이라는 연구가설이 유의수준 5%에서 채택되었으나, 편향성이 의사결정 효과에 긍정적인 영향을 미칠 것이라는 가설은 기각되 었다. 빅데이터의 편향성 특성은 사용자의 의사결정 자신감에 긍정적인 영향을 미치는 것으로 나타났다.
그 이유는 빅데이터가 국민의 성향을 나타내고, 개인 의 감성적인 치우침이 있으며, 주도적으로 이끌어가는 표현이 있고, 잠재된 의도가 있는 홍보성의 정치적 목 적과 성향의 데이터이며, 데이터 원천의 특성을 가지 고 있기 때문에 의사결정 자신감은 향상시키지만, 의 사결정 효과는 높이지 못하다는 것으로 해석된다.
여덟째, 빅데이터 특성 중 사실성 변수는 의사결정 자신감과 의사결정 효과에 긍정적인 영향을 미칠 것이 라는 연구가설은 유의수준 0.1%와 1%에서 채택됨에 따라, 빅데이터의 사실성 속성은 사용자의 의사결정 자신감과 효과에 긍정적인 영향을 미치는 것으로 나타 났다. 그 이유는 빅데이터가 솔직하게 믿을 만한 데이 터로서 생각과 표현이 일치하며, 차차 특정 의미로 수 렴되고, 결국 사실에 정확한 데이터이기 때문에 의사 결정 자신감과 의사결정 효과를 향상시킬 수 있는 것 으로 판단된다.
아홉째, 빅데이터 특성 중 포괄성 변수는 의사결정 자신감과 의사결정 효과에 긍정적인 영향을 미칠 것이 라는 연구가설은 유의수준 1%에서 채택됨에 따라, 빅 데이터의 포괄성 속성은 사용자의 의사결정 자신감과 효과에 긍정적인 영향을 미치는 것으로 나타났다. 그 이유는 빅데이터가 데이터 수준에 깊이(depth)가 있 고, 데이터의 범위(scope)가 넓으며, 데이터의 생성 출처가 다양하기 때문에 의사결정 자신감과 의사결정 효과를 개선시킬 수 있을 것으로 해석된다.
열 번째, 빅데이터의 의사결정 자신감 변수는 사용 자의 이용행동에 긍정적인 영향을 미칠 것이라는 연구 가설은 유의수준 1%에서 채택됨에 따라, 빅데이터의 의사결정 자신감은 기업의 빅데이터 이용자의 이용행동 에 긍정적인 영향을 미치는 것으로 분석되었다. 이는
빅데이터를 의사결정에 활용하여 의사결정 자신감이 높을수록 빅데이터 사용자가 실제 행동으로 이어져 빅 데이터를 이용하게 된다는 것을 시사한다.
열한 번째, 빅데이터의 의사결정 효과가 이용행동 에 긍정적인 영향을 미칠 것이라는 연구가설은 유의수 준 0.1%에서 완전 채택됨에 따라, 빅데이터의 의사결 정 효과는 이용행동에 매우 긍정적인 영향을 미치는 것으로 나타났다. 이는 빅데이터를 의사결정에 활용하 여 의사결정 효과가 높아지면, 빅데이터 이용자가 실 제 이용행동으로 이어지게 된다는 사실을 시사한다.
5. 결 론
5.1 연구결과 요약
본 연구는 빅데이터 기술의 특성이 의사결정 만족 도와 사용자의 이용행동에 영향을 미치는 특성 요인을 실증적으로 밝히고자 하였다. 또한 빅데이터를 분석하 여 기업이나 공공기관에서 적절하게 지능적으로 잘 사 용하면 다양한 효과가 나타나고, 성과를 낼 수 있을 것 으로 본다. 본 연구는 빅데이터 질적 특성이 의사결정 만족도와 이용행동에 미치는 영향 요인을 찾아내고, 그 특성 요인이 미치는 영향력의 정도를 분석하며, 기 존 연구와의 차이점을 도출하고자 한다. 본 연구의 결 과를 요약하면 다음과 같다.
첫째, 연구결과 빅데이터의 특성을 분류하는 세가 지 범주 중에서 가치혁신 범주에 속하는 대표성, 목적 성, 해석성, 혁신성 등의 질적 속성이 빅데이터를 활용 하여 의사결정을 하는 의사결정자의 의사결정 자신감 과 의사결정 효과를 크게 높이는 것으로 분석되었다.
둘째, 연구결과 빅데이터의 특성을 분류하는 세가 지 범주 중에서 사회적 영향 범주에 속하는 개별성 속 성이 빅데이터를 사용하여 의사결정을 진행하는 의사 결정자의 의사결정 자신감과 의사결정 효과를 향상시 키는 것으로 밝혀졌다. 하지만 집단성과 편향성 특성 은 의사결정 자신감은 높이지만, 의사결정 효과는 높 이지 못하는 것으로 나타났다.
셋째, 연구결과 빅데이터의 특성을 분류하는 세가
지 범주 중에서 온전성 범주에 속하는 포괄성, 사실성
등의 속성이 빅데이터를 활용하여 의사결정을 하는 의
사결정자의 의사결정 자신감과 의사결정 효과를 크게
향상시키는 것으로 밝혀졌다.
넷째, 빅데이터를 조직의 의사결정에 활용하여 의 사결정자의 의사결정 자신감과 의사결정 효과가 높아 지면, 빅데이터 사용자의 빅데이터 이용 행동에 긍정 적인 영향을 미치는 것으로 분석되었다.
5.2 연구의 시사점
본 연구는 빅데이터 특성이 의사결정 만족도와 사 용자의 이용행동에 영향을 미치는 주요요인을 실증적 으로 밝히고자 한다. 또한 빅데이터 특성이 의사결정 만족도와 이용행동에 미치는 영향 요인을 찾아내고, 그 특성 요인이 미치는 영향력의 정도를 분석하며, 기 존 연구와의 차이점을 도출하고, 본 연구의 시사점을 도출하고자 한다. 본 연구결과 나타난 시사점은 다음 과 같다.
첫째, 빅데이터의 특성 범주 중에서 가치혁신 범주 에 속하는 대표성, 목적성, 해석성, 혁신성 등의 속성 이 빅데이터를 활용하여 의사결정을 하는 의사결정자 의 의사결정 자신감과 의사결정 효과를 크게 높인다는 연구결과가 도출되었다. 이는 빅데이터의 특성 중 가 치혁신 범주에 속하는 대표성, 목적성, 해석성, 혁신 성 속성 등이 빅데이터의 특징이 충분히 내재되어 있 어 가치혁신에 긍정적인 효과가 나타날수록 의사결정 만족도가 높아진다는 것을 시사하며, 기존의 빅데이터 품질 연구와 일치하는 연구결과이다.
둘째, 연구결과 빅데이터의 특성을 분류하는 세가지 범주 중에서 사회적 영향 범주에 속하는 개별성 속성이 빅데이터를 사용하여 의사결정을 진행하는 의사결정자 의 의사결정 자신감과 의사결정 효과를 향상시키는 것 으로 밝혀졌다. 하지만 집단성과 편향성 특성은 의사결 정 자신감은 높이지만, 의사결정 효과는 높이지 못하는 것으로 나타났다. 이러한 연구결과는 개별성 속성이 빅 데이터의 특징적 성질을 잘 포함하고 있어 사회적 영향 에 긍정적인 효과가 있음을 반증하는 연구결과로 빅데 이터를 사용한 의사결정자의 자신감과 효과를 개선하 는 요인으로 작용한다는 것을 시사한다.
셋째, 빅데이터의 특성 범주 중에서 온전성 범주에 속하는 포괄성, 사실성 등의 속성이 빅데이터를 활용 하여 의사결정을 하는 의사결정자의 의사결정 자신감 과 의사결정 효과를 크게 향상시키는 것으로 연구결과 밝혀졌다. 이러한 연구결과는 포괄성, 사실성 등의 속 성이 빅데이터의 성질을 포괄하고, 사실을 나타내기
때문에 빅데이터의 온전성에 긍정적인 효과가 있음을 나타내는 것으로 빅데이터를 사용한 의사결정자의 자 신감과 효과를 향상시키는 요인으로 작용한다는 것을 시사한다.
넷째, 본 연구결과와 기존연구와의 차이점과 이유 를 분석하면 다음과 같다. 기존연구에서는 의사결정 효과 변수의 요인분석과 신뢰성분석에서 타당성과 신 뢰성이 없는 것으로 나타났으나, 본 연구에서는 변수 의 타당성과 신뢰성이 인정되었고, 가설검증에서도 유의한 효과가 나타났다. 그 이유는 기존연구와 본 연 구의 시간적 차이로 인해, 빅데이터의 수집과 분석기 술이 급속도로 발전하여 수집된 자료가 양질이고, 분 석기술이 발전함에 따라 기업의 의사결정자가 느끼는 만족도가 높고, 이용행동에도 긍정적인 효과가 있기 때문으로 분석된다. 또한 기업에서 빅데이터를 종전 보다는 많이 사용하다 보니, 설문 응답자들의 업무처 리 경력이 높아지면서 연구의 정교함이 높아졌기 때 문이다.
마지막으로 빅데이터 특성 영역에서 인공지능의 기 능과 같은 데이터 특성을 연구변수로 추가하는 것을 검토할 필요가 있다. 또한 빅데이터 특성 연구에서 기 존의 SNS 데이터에 더하여 급증하고 있는 사물인터 넷 데이터, 생산 공정 데이터 및 센싱 데이터 등 비정 형데이터에 대한 연구가 필요해 보인다.
References
