환경 관측의 현재 과제

파편화의 위기

오늘날 생태계 모니터링의 지형은 서로 다른 방법, 형식, 표준을 사용하는 고립된 데이터 섬들이 흩어져 있는 거대한 군도와 같다. 이러한 파편화는 환경 관측이 직면한 가장 근본적인 과제라 할 수 있다. 수십 년간의 기술 발전과 전 세계의 수많은 모니터링 프로그램에도 불구하고, 우리는 중대한 결정이 내려져야 하는 규모에서 생태계 변화를 이해하는 데 필요한 통합 시스템을 갖추지 못하고 있다.

간단한 시나리오를 생각해 보자. 한 보전 단체가 어느 지역 전역의 유역 건강성을 평가하려 한다. 이 단체는 연방 기관, 주 프로그램, 대학 연구, 시민과학 단체, 민간 컨설턴트로부터 수질 데이터를 확보한다. 각 데이터셋은 서로 다른 매개변수, 샘플링 빈도, 품질 관리 절차, 데이터 형식을 사용한다. 메타데이터는 불완전하거나 일관성이 없다. 공간 좌표는 서로 다른 측지 기준계를 사용한다. 분류학적 학명은 서로 다른 명명 권위를 따른다. 이 데이터셋들을 결합하려면, 그것이 가능하기라도 하다면, 수개월에 걸친 고된 조화 작업이 필요하다. 이러한 상황은 세계 곳곳에서 되풀이되며, 자원을 낭비하고 중요한 통찰을 지연시킨다.

데이터 형식 비호환성

생태계 모니터링 데이터는 Excel 스프레드시트, Access 데이터베이스, 독점 소프트웨어 형식, 맞춤형 플랫 파일, XML 문서, JSON 구조 등 무수히 많은 형식으로 존재한다. 프로그램이 CSV나 SQL 데이터베이스 같은 표준 형식을 사용하는 경우에도 필드명, 데이터 구조, 단위, 정밀도, 인코딩은 제각각이다. 이러한 형식의 다양성은 데이터 공유와 통합에 막대한 마찰을 일으킨다.

표준화된 스키마의 부재는 특히 심각한 문제이다. 종 관찰 기록에는 날짜, 시각, 위치(다양한 좌표계로 표기), 관찰자, 종(일반명, 학명, 분류학적 명명 권위), 계수 방법, 생활사 단계, 행동, 서식지, 날씨, 조사 노력량 등 수십 개의 필드가 포함될 수 있다. 그렇다면 어떤 필드가 필수이고 어떤 필드가 선택인가? 결측 데이터는 어떻게 부호화하는가? 어떤 통제 어휘가 적용되는가? 스키마 표준이 없으면 모든 데이터셋이 저마다의 고유한 해석이 되어 맞춤형 파싱과 변환을 요구하게 된다.

메타데이터의 결함

데이터에 관한 데이터인 메타데이터는 흔히 환경 모니터링에서 가장 중요하면서도 가장 소홀히 다뤄지는 측면으로 불린다. 포괄적인 메타데이터는 누가, 언제, 어디서, 왜, 어떻게 데이터를 수집했는지를 기록하여 데이터를 올바르게 해석하고 활용할 수 있게 한다. 그러나 모니터링 데이터셋에서 메타데이터는 불완전하거나 일관성이 없거나 아예 없는 경우가 많다.

흔히 누락되는 핵심 메타데이터 요소로는 방법론 세부사항(샘플링 프로토콜, 장비 사양, 검출 한계), 품질 보증 정보(교정 절차, 공시료, 반복 측정), 공간 메타데이터(측지 기준계, 투영법, 좌표 정밀도, 위치 설명), 시간 메타데이터(시간대, 샘플링 기간, 평균화 기간), 맥락 정보(연구 목적, 재원, 관련 데이터셋)가 있다. 이러한 메타데이터의 빈곤은 데이터의 활용성을, 특히 여러 출처를 결합하는 종합 분석에서 크게 제한한다.

기술 인프라의 한계

데이터 형식 문제를 넘어, 생태계 모니터링은 모니터링 역량, 데이터 품질, 분석 능력을 제약하는 상당한 기술 인프라의 한계에 직면해 있다.

센서 네트워크의 과제

현대의 생태계 모니터링은 환경 데이터를 연속적으로 수집하는 자동화 계측기 배열인 센서 네트워크에 점점 더 의존하고 있다. 이러한 네트워크는 여러 기술적 과제에 직면한다. 전력망이 없는 원격지에서는 전력 공급이 문제가 된다. 무선 통신에는 비용이 수반되는 셀룰러 또는 위성 연결이 필요하다. 데이터 저장 용량은 기록 기간을 제한한다. 센서 교정 드리프트로 인해 주기적인 유지보수 방문이 필요하다. 가혹한 환경 조건은 장비 고장을 일으킨다. 야생동물의 간섭이 센서를 손상시킨다. 생물 부착(biofouling)은 수중 센서의 성능을 저하시킨다.

무엇보다 중요한 점은, 센서 네트워크가 독점 프로토콜을 사용하는 고립된 시스템으로 운영되는 경우가 많아 통합이 어렵다는 것이다. 제조사마다 서로 다른 통신 표준, 데이터 형식, 관리 인터페이스를 구현한다. 여러 공급업체의 장비를 결합한 다중 센서 네트워크를 구축하려면 광범위한 맞춤형 통합 작업이 필요하다.

원격탐사 통합

위성 및 항공 원격탐사는 생태계 모니터링에 비할 데 없는 공간적 범위를 제공하지만, 원격탐사 데이터를 지상 관측과 통합하는 일은 여전히 어렵다. 센서마다 공간 해상도, 분광 대역, 시간 빈도, 처리 수준이 다르다. 구름은 광학 센서의 활용도를 제한한다. 복사 보정은 플랫폼마다 다르다. 지상 검증(ground-truthing)에는 조율된 현장 샘플링이 필요하다.

원격탐사 데이터 처리에는 전문 지식과 상당한 컴퓨팅 자원이 요구된다. 원시 영상은 정교한 알고리즘을 이용해 대기 보정, 기하 정합, 분류를 거쳐야 한다. 시계열 분석에서는 대용량 데이터를 다루고 센서 간 불일치를 고려해야 한다. 원격탐사 산출물을 검증하려면 호환되는 프로토콜로 수집한 광범위한 현장 데이터가 필요한데, 표준이 없어 그러한 데이터가 존재하지 않는 경우가 많다.

데이터 관리 시스템

많은 모니터링 프로그램은 견고한 데이터 관리 시스템 없이 개인 컴퓨터의 스프레드시트, 체계 없이 정리된 파일 공유, 적절한 백업이 없는 낡은 데이터베이스 같은 임시방편에 의존한다. 이처럼 부적절한 시스템은 데이터 손실, 버전 관리 문제, 접근 제약, 분석 병목의 위험을 낳는다.

전문적인 데이터 관리를 갖춘 재정이 충분한 프로그램도 과제에 직면한다. 데이터베이스 시스템은 새로운 데이터 유형을 수용할 유연성이 부족할 수 있다. 웹 인터페이스는 모든 사용 사례를 지원하지 못할 수 있다. API 설계가 프로그래밍 방식의 접근을 제한할 수 있다. 장기적인 데이터 보존을 위해서는 저장 매체와 파일 형식이 구식이 됨에 따라 지속적인 이전 작업이 필요하다. 데이터 관리 표준이 없기 때문에 각 프로그램은 검증된 접근법을 채택하는 대신 공통 문제에 대한 해법을 매번 새로 만들어 낸다.

분석 및 해석의 과제

원시 모니터링 데이터는 분석과 해석을 거쳐야 실행 가능한 정보가 된다. 이 변환 과정은 표준이 해결에 도움을 줄 수 있는 여러 과제에 직면한다.

통계적 검정력과 설계

의미 있는 생태적 변화를 탐지하려면 충분한 통계적 검정력이 필요하며, 이는 효과 크기, 자연 변동성, 샘플링 설계, 표본 크기에 좌우된다. 많은 모니터링 프로그램은 반복 부족, 부적절한 샘플링 체계, 과도한 환경 변동성으로 인해 적절한 검정력을 갖추지 못한다. 그 결과 실제 변화를 잡음과 구별할 수 없는 모호한 결과가 나온다.

설계상의 문제로는 교란 변수(여러 요인이 동시에 변화), 부적절한 대조군(기준 지점이나 기저 데이터의 부재), 공간적 위반복(독립적이지 않은 표본을 독립적인 것으로 취급), 시간적 자기상관(연속된 표본이 서로 독립적이지 않음)이 있다. 이러한 설계 결함은 생태계 상태나 관리 효과에 대해 타당한 추론을 내리는 능력을 훼손한다.

지표 선정과 검증

생태계 모니터링은 일반적으로 생태계 상태를 반영하는 측정 가능한 변수인 지표에 초점을 둔다. 생태계는 복잡하고 잠재적인 지표가 많기 때문에 적절한 지표를 선정하는 일은 어렵다. 지표는 스트레스 요인에 민감하고, 적절한 시간 범위 내에서 반응하며, 측정 비용이 효율적이고, 이해관계자가 해석할 수 있어야 한다. 이 모든 기준을 충족하는 지표를 찾기는 어렵다.

더욱이 널리 사용되는 지표 중 상당수는 그것이 실제로 생태계 건강성이나 관리 목표를 반영한다는 엄밀한 검증을 거치지 않았다. 검증에는 다양한 맥락에서 지표 값이 생태계 상태와 상관관계를 가진다는 것을 보여 주는 광범위한 연구가 필요하다. 그러한 검증이 없으면 모니터링은 관련성이 불확실한 변수를 추적하게 되어, 정보 가치가 없는 측정에 자원을 낭비할 수 있다.

변화 탐지 방법

진정한 생태계 변화를 자연 변동성, 측정 오차, 샘플링 불확실성과 구별하려면 정교한 분석 방법이 필요하다. 단순한 전후 비교는 기후 변동이나 천이 같은 교란 요인을 고려하지 못하기 때문에 불충분한 경우가 많다. 보다 견고한 접근법으로는 대조-영향 설계, 시계열 분석, 상태공간 모형, 머신러닝 알고리즘이 있다.

그러나 이러한 고급 방법에는 모니터링 프로그램에서 흔히 확보하기 어려운 통계 전문성이 요구된다. 이 방법들은 공백 없는 연속 시계열을 포함해 충분한 양과 질의 데이터를 필요로 한다. 또한 생태 데이터에는 성립하지 않을 수 있는 가정(선형성, 정규성, 정상성)을 전제한다. 표준화된 분석 프로토콜이 없기 때문에 프로그램마다 호환되지 않는 방법을 사용하게 되어 결과를 비교할 수 없다.

조직 및 제도적 장벽

기술적 과제는 기술적 해법이 존재하는 경우에도 효과적인 모니터링을 가로막는 조직적·제도적 장벽으로 인해 더욱 심화된다.

재원의 불안정성

생태계 모니터링은 추세를 탐지하고 변화를 평가하기 위해 장기간 지속적인 노력을 필요로 한다. 그러나 재원은 흔히 단기적이고 프로젝트 기반이며 예측할 수 없다. 2~5년의 연구비 주기는 많은 생태적 변화를 탐지하기에 부족하다. 정치적 변화는 예산 우선순위를 바꾼다. 경기 침체는 환경 프로그램의 예산 삭감을 촉발한다. 이러한 재원 불안정성은 시계열의 단절, 시간적 범위의 공백, 그리고 프로그램 종료 시 기관 지식의 상실로 이어진다.

재원의 불확실성은 또한 모니터링 효율과 데이터 품질을 높일 인프라, 교육, 표준화에 대한 투자를 가로막는다. 한 해 단위로 운영되는 프로그램은 전략적 개선보다 기본 운영 유지에 집중한다. 안정적인 재원이 없으면 포괄적이고 조율된 모니터링 시스템을 지속하기 어렵다.

역량과 전문성의 격차

효과적인 생태계 모니터링에는 분류학적 동정, 현장 방법론, 통계 설계, 데이터베이스 관리, 프로그래밍, GIS, 원격탐사, 품질 보증 등 다양한 전문성이 필요하다. 많은 모니터링 프로그램, 특히 소규모 조직과 개발도상국은 이러한 전문성 전반에 접근하지 못한다. 대학 연구자는 통계 역량은 있어도 데이터베이스 인프라가 부족할 수 있다. 기관 직원은 현장 작업에는 뛰어나도 분석 역량이 부족할 수 있다. 시민과학 프로그램은 방대한 양의 데이터를 생성하지만 품질 관리에 대한 지침이 필요할 수 있다.

이러한 역량 격차는 제한된 교육 기회, 인력 이직, 숙련 인력의 은퇴로 인해 더욱 악화된다. 지식은 문서화된 절차보다 개인에게 머물러 있는 경우가 많아, 사람이 떠날 때 취약성이 생긴다. 전 세계 모니터링 공동체의 역량을 구축하려면 접근 가능한 교육 자료, 기술 지원 네트워크, 공유 자원이 필요하며, 이 모두는 표준화의 혜택을 받는다.

데이터 공유의 장벽

환경 데이터가 개방적으로 공유되어야 한다는 인식이 커지고 있음에도 불구하고, 수많은 장벽이 데이터의 가용성을 저해한다. 연구자는 논문 발표가 끝날 때까지 데이터를 공개하지 않을 수 있다. 기관은 명확한 데이터 정책이나 공유를 위한 기술 인프라가 없을 수 있다. 프라이버시 우려로 인해 민감한 종의 위치 데이터에 대한 접근이 제한된다. 부가가치 데이터 산출물을 둘러싸고 지식재산권 문제가 발생한다. 데이터 제공자에 대한 공로 인정과 출처 표시가 부족하면 공유 의욕이 꺾인다.

기술적 장벽으로는 API의 부재, 독점 형식, 부적절한 메타데이터, 호환되지 않는 라이선스가 있다. 문화적 장벽으로는 경쟁적 태도, 신뢰 부족, 경력 발전에서 데이터 공유에 대한 인정 부족이 있다. 이러한 장벽을 극복하려면 기술 표준뿐 아니라 정책 체계, 인센티브 구조, 개방형 과학을 향한 문화적 전환이 필요하다.

분류학 및 동정의 과제

생물다양성 모니터링은 근본적으로 정확한 종 동정에 의존하지만, 겉보기에 기본적인 이 작업은 모니터링 활동 전반에 걸쳐 큰 과제를 안고 있다.

분류학 전문성의 감소

세계는 이른바 "분류학적 장애(taxonomic impediment)"에 직면해 있다. 즉 종을 동정할 수 있는 전문 분류학자의 수가, 특히 곤충, 균류, 미생물처럼 극도로 다양한 분류군에서 줄어들고 있다. 대학 프로그램은 계통분류학 교육을 축소했다. 박물관은 분류학 직위를 위한 재원이 부족하다. 분류학 연구는 학계의 채용과 승진에서 저평가된다. 그러는 동안 종의 발견은 계속되고 있으며(지구상 종의 상당 부분이 아직 기재되지 않은 것으로 추정된다), 기존의 종 기재는 여러 언어로 된 수 세기에 걸친 문헌에 흩어져 있다.

이러한 전문성 감소는 모니터링 프로그램에서 동정 병목을 만든다. 현장 기술자는 현장(in situ) 동정 능력이 부족할 수 있다. 전문가 검증을 기다리는 표본이 적체된다. 오동정은 데이터 품질을 훼손한다. 은밀종(cryptic species)이 혼동된다. 모니터링이 점점 동정하기 쉬운 분류군에 집중되면서, 생태계 건강성에 대한 이해를 왜곡하는 분류학적 편향이 생긴다.

명명법의 불안정성

유전 분석, 형태학적 개정, 계통 재편을 통해 분류학이 발전함에 따라 종명은 바뀐다. 수십 년간 하나의 이름으로 알려진 종이 여러 종으로 나뉘거나, 다른 종과 통합되거나, 다른 속으로 옮겨질 수 있다. 이러한 명명법상의 변화는 과학적으로 정당하지만 데이터 관리에 과제를 안긴다. 옛 이름으로 된 과거 기록을 갱신해야 한다. 이명(synonymy)을 추적해야 한다. 종 개념이 바뀌면 시계열이 단절될 수 있다.

모니터링 프로그램마다 서로 다른 분류학적 명명 권위를 사용할 수 있어 호환되지 않는 종 목록이 생긴다. 해양 생물은 World Register of Marine Species를 따르고, 육상 생물은 Catalogue of Life나 지역별 명명 권위를 따를 수 있다. 식물은 World Flora Online(과거 The Plant List의 후속)이나 Flora of North America 같은 지역 식물지를 사용할 수 있다. 이들 명명 권위는 종 개념이나 명명법에 대해 합의하지 않을 수 있어 데이터 통합의 장벽이 된다.

새로운 동정 기술

새로운 기술은 동정을 자동화하거나 보강함으로써 생물다양성 모니터링에 혁신을 가져올 것으로 기대된다. DNA 바코딩은 유전 서열로 종을 동정한다. 환경 DNA(eDNA)는 직접 관찰 없이 물, 토양, 공기 시료에서 종을 검출한다. 자동 음향 모니터링은 발성음으로 조류와 박쥐를 동정한다. AI 영상 인식을 갖춘 카메라 트랩은 포유류를 동정한다. 초분광 원격탐사는 우주에서 식물 종을 구별한다.

그러나 이러한 기술은 새로운 표준화 과제를 동반한다. 참조 서열 데이터베이스는 포괄적이고 오류가 없어야 한다. eDNA 프로토콜은 오염을 방지하고 검출 한계를 정량화해야 한다. 음향 라이브러리에는 검증된 울음소리 기술(記述)이 필요하다. AI 모델에는 광범위한 학습 데이터와 지역 간 검증이 필요하다. 분자, 음향, 영상 데이터를 전통적인 형태학적 관찰과 통합하려면 새로운 데이터 표준과 상호운용성 프로토콜이 필요하다.

기후 및 환경 변동성

생태계는 역동적이며 시간과 공간에 따라 자연적으로 변동한다. 이러한 변동성은 인위적 변화를 자연 변동의 잡음 속에 가려 모니터링을 복잡하게 만든다.

신호와 잡음의 분리

생태계 변수는 날씨, 계절 주기, 천이 과정, 개체군 동태, 교란 사건으로 인해 변동한다. 관리 효과나 오염 영향을 이러한 자연 변동성과 구별하려면 긴 시계열, 적절한 반복, 적합한 통계 방법이 필요하다. 단기 모니터링은 자연 변동을 인간 활동 탓으로 돌리거나, 변동성에 가려진 실제 영향을 놓칠 수 있다.

기후변화는 또 하나의 복잡성을 더한다. 기저 조건이 이동하고 있어 과거의 기준 상태는 적합성이 떨어진다. 생물계절 현상의 시기가 달라진다. 종의 분포 범위가 이동한다. 군집 구성이 변화한다. 적절한 관리 대응을 시행하려면 이러한 기후 주도 변화를 지역적 스트레스 요인과 구별해야 한다.

극한 사건과 체제 전환

생태계가 항상 점진적으로 변하는 것은 아니다. 허리케인, 가뭄, 화재, 질병 발생, 침입종 급증과 같은 극한 사건은 급격한 상태 변화를 일으킬 수 있다. 생태계는 하나의 안정된 구성에서 다른 구성으로 뒤바뀌는 체제 전환(regime shift)을 보일 수 있다. 이러한 비선형 동태를 탐지하고 이해하려면 드문 사건을 포착하고, 조기 경보 신호를 인식하며, 회복 궤적을 추적할 수 있는 모니터링 시스템이 필요하다.

점진적 변화를 전제로 설계된 표준 모니터링 프로토콜은 이러한 동태를 놓칠 수 있다. 추세 탐지에 적합한 샘플링 빈도는 사건 포착에는 너무 성길 수 있다. 만성적 스트레스 요인에 맞춰진 지표는 급성 교란에 반응하지 않을 수 있다. 변화하는 조건에 맞춰 조정되는 적응형 모니터링에는 데이터 연속성을 유지하면서 방법론의 진화를 수용하는 유연한 표준이 필요하다.

규모 확장 및 통합의 과제

개별 모니터링 프로그램은 일반적으로 특정한 공간적·시간적 규모에서 운영된다. 지역 규모에서 광역, 나아가 전 지구적 관점으로 규모를 확장하거나 여러 규모를 통합하는 일은 근본적인 과제를 안고 있다.

공간 규모의 문제

조사구 수준의 측정값을 단순히 합산한다고 경관 패턴이 되지는 않는다. 공간 이질성, 가장자리 효과, 규모 관계로 인해 미세 규모의 집약적 모니터링과 광역 규모의 조방적 모니터링은 생태계의 서로 다른 측면을 드러낸다. 이러한 관점을 통합하려면 신중한 샘플링 설계, 규모 변환 모형, 그리고 흔히 서로 다른 규모에서 서로 다른 변수를 측정하는 계층적 접근이 필요하다.

원격탐사는 넓은 범위를 제공하지만 세부 정보는 제한적이다. 지상 모니터링은 높은 세부 정보를 제공하지만 범위가 제한적이다. 이 해상도 격차를 메우려면 다중 규모 샘플링 설계, 보정 관계, 통합 방법이 필요하다. 서로 다른 규모를 연결하는 방법에 대한 표준이 없으면 모니터링 활동은 각자의 운영 규모 안에 고립된 채로 남는다.

시간 규모의 과제

마찬가지로 고빈도 센서 데이터와 저빈도 수동 조사는 각기 다른 시간적 동태를 포착한다. 연속 측정은 일주기 패턴을 분해하고 일시적 사건을 탐지하지만 단순한 변수에 국한될 수 있다. 주기적 조사는 복잡한 생물학적 지표를 측정할 수 있지만 그 사이의 동태를 놓친다. 이러한 시간 규모를 통합하려면 서로 다른 빈도로 측정된 변수가 여러 시간 규모에 걸쳐 작동하는 생태계 과정과 어떻게 관련되는지를 이해해야 한다.

과거 모니터링에서 얻은 레거시 데이터는 매우 귀중한 기저 정보를 제공하지만, 현대의 접근법과 다른 방법으로 수집된 경우가 많다. 개선된 방법을 도입하면서 연속성을 유지하려면 신중한 중첩 기간, 보정 연구, 그리고 방법론 변경을 기록한 메타데이터가 필요하다.

상호운용성 및 통합 기술

많은 통합 과제에 대한 기술적 해법이 존재하지만, 그 도입에는 장벽이 있고 그 구현에는 표준이 필요하다.

데이터 표준과 온톨로지

환경 정보를 위해 수많은 데이터 표준이 개발되었다. 생물다양성을 위한 Darwin Core, 생태 메타데이터 언어(EML), 지리공간 메타데이터를 위한 ISO 19115, 수문학을 위한 WaterML, 센서를 위한 SensorML, 배열 데이터를 위한 NetCDF 등이 그 예이다. 그러나 이들 표준은 특정 분야를 위해 독립적으로 개발되었기 때문에, 모니터링 프로그램이 여러 표준을 동시에 사용해야 할 때 상호운용성 문제가 생긴다.

지식의 형식적 표현인 온톨로지는 개념과 관계를 기계가 읽을 수 있는 형식으로 정의함으로써 서로 다른 표준을 잇는 가교가 될 수 있다. ENVO(Environment Ontology)를 비롯한 OBO Foundry 계열 온톨로지는 데이터셋 간 의미적 통합을 가능하게 한다. 그러나 온톨로지를 도입하려면 기술 전문성과, 환경과학 공동체에서 아직 성숙 중인 도구가 필요하다.

API와 웹 서비스

애플리케이션 프로그래밍 인터페이스(API)와 웹 서비스는 모니터링 데이터에 대한 프로그래밍 방식의 접근을 가능하게 하여 자동화된 통합과 분석을 지원한다. RESTful API, SOAP 웹 서비스, OGC 표준(WMS, WFS, WCS, SOS)은 데이터 검색, 접근, 처리를 위한 메커니즘을 제공한다. 그러나 각 모니터링 프로그램은 API를 서로 다르게 구현하므로 맞춤형 통합 코드가 필요하다. 생태계 모니터링을 위한 표준 API 사양이 없기 때문에, 다른 분야에서 등장한 것과 같은 상호운용 가능한 도구와 애플리케이션의 생태계가 형성되지 못하고 있다.

클라우드 컴퓨팅과 빅데이터

Google Earth Engine, Amazon Web Services, Microsoft Planetary Computer 같은 클라우드 플랫폼은 방대한 환경 데이터셋을 처리하기 위한 인프라를 제공한다. 머신러닝 알고리즘은 전례 없는 규모로 모니터링 데이터에서 패턴을 추출할 수 있다. 그러나 이러한 기술을 활용하려면 적절한 구조와 메타데이터를 갖춘 분석 준비 형식의 데이터가 필요하다. 표준의 부재는 모니터링 데이터를 클라우드 플랫폼으로 옮기는 데 마찰을 일으키고, 고급 분석 역량에 대한 더 넓은 사용자 공동체의 접근성을 제한한다.