두 가지 형태의 데이터 기반 의사 결정
- 데이터란 기본적으로 과거의 기록
- 이를 바탕으로한 결정은 지금 하는 일의 최적화에 가까움 vs 혁신
- Data Driven Decision - 데이터 기반 의사결정
- Data Informed Decision - 데이터 참고 의사결정
****
데이터에서 인사이트 찾기
- 중요 지표를 데이터를 기반으로 정의하고 시각화하기
- 가설을 바탕으로 실제 데이터를 보고 확인
- A/B 테스트
****
데이터 분석 케이스들 살펴보기
데이터 업을 보면 계속해서 모니터링 해줘야 되는 것.
어떤 고객이 계속해서 사용하는가?유료고객들의 이탈률은?
****
데이터 분석 케이스 종류
- 고객 이탈률 분석 : 보통 코호트 분석으로 진행
- 고객 잔존률 분석 : 보통 코호트 분석으로 진행
- 중요 지표 대시보드 만들기
- 마케팅 기여
코호트란?
동일한 특성을 같는 고객.
예시 ) 연,월을 기준으로 첫 고객이 된 대상자를 이후 특정 날짜를 기준으로 몇 명이 계속 사용하는지, 탈퇴하는지 체크
데이터 분석의 예 - 고객 이탈률&잔존률
- 샌프란시스코 기반 전동 스쿠터 회사에서 돈을 많이 쓰는 고객들이 두 세달 후에는 서비스를 그만 사용하는 현상 발견
- 쿠폰을 보내면서 왜 떠나갔는지 설문조사 함. 스쿠터를 사용하다 보니 괜찮아서 고객 대부분이 자신의 스쿠터를 장만해 서비스를 이용하지 않게 됨.
데이터 기반 부가가치 예 - 고객용 대시보드
- Airvet이란 회사와 수행했던 프로젝트로 고객용 대시보드 개발
- 애완동물이 아플때에 병원에 가기 번거롭기도 하고 코로나 시기에 외부활동이 꺼려짐. 그래서 Airvet은 원격 애완동물 진료 서비스를 제공함.
- 애완동물 주인과 수의사/동물병원을 연결
- 세일즈포스와 내부 매출 정보를 연동하여 수의사/동물병원용 대시보드 개발
- 세일즈포스 정보를 데이터 웨어하우스로 복사
- 룩커(Looker)를 대시보드로 사용
- 수의사/동물병원용 - B2B형태의 영업
- 고객용 - B2C형태의 영업
****
데이터 분석의 예 - 마케팅 기여도 분석
- 샌프란시스코 기반 화장(火葬)[사람이 죽었을때에] 스타트업인 튤립의 예
- 장례 비용, 서비스 등 비교 플레이스
- 다양한 광고 마케팅을 디지털 미디어 기반으로 수행
- 이 결과를 빠르게 분석하여 어느 채널에 어떤 형태의 마케팅이 효과적인지 파악
- 디지털 마케팅은 기본적으로 데이터 중심으로 돌아감
****
데이터 분석의 예 - 고객 불만과 이탈률간의 관계
- 서비스 관련해서 트러블슈팅 전화를 하는 고객들의 이탈률은 어떨까?
- CS에 고객불만의 형태로 전화오는 고객의 이탈률이 높다고 가정하고 문제를 해결하려고 했음. 하지만 실제로는 기업 서비스에 관심이 있는 고객이 기능개선 등을 해결해 달라고 불만 전화를 하는 경우가 많았고, 이탈하는 대부분의 고객은 전화 없이 조용히 이탈을 한다는 것을 체크함.
- Survivorship Bias & Confirmation Bias (좋지 않은 습관들)
- Survivorship Bias : 내 눈에 보이는 것만 문제라 생각하고 해결하려 함. *전화를 오지 않는 사람이 더 큰 문제임에도 불구하고 전화 오는 고객에 대해서만 분석함.
- Confirmation Bias : 내가 갖고있는 믿음을 더 강하게 추천해주는 증거들만 채택 *경찰들이 범인이라고 생각하는 사람들에게 더욱 수사하고 다른 사람들에게는 눈도 주지 않음. 약간만 수상한 행동을 하면 자신의 생각이 옳다고 느껴짐.
즉, 데이터 가정 및 가설, 검증을 할 때에는 내 가설보다 더 큰 문제가 있는지 생각해 내는 버릇을 길러야 됨.
데이터 분석가의 역할
- 비지니스 인텔리전스(정보)를 책임짐
- 중요 지표를 정의하고 이를 대시보드 형태로 시각화
- 대시보드로는 태블로와 룩커등의 툴이 가장 흔히 사용됨
- 오픈소스로는 수퍼셋이 많이 사용 됨.
- 이런 일을 수행하려면 비지니스 도메인에 대한 깊은 지식이 필요
- 중요 지표를 정의하고 이를 대시보드 형태로 시각화
- 회사내 다른 팀들의 데이터 관련 질문 대답
- 임원들이나 팀 리드들이 데이터 기반 결정을 내릴 수 있도록 도와줌
- 질문들이 굉장히 많고 반복적이기에 어떻게 셀프 서비스로 만들 수 있느냐가 관건
key point! 많은 질문들을 종합하여 타 팀원들이 나에게 질문을 하지 않아도 대시보드를 보고 해결할 수 있도록 만들기.
데이터 분석가의 스킬셋
- SQL
- 보통 코딩을 하지는 않지만 파이썬 코딩 능력이 있다면 금상첨화
- 데이터 모델링과 ELT(”T”)
- dbt라는 툴을 많이 사용홤
- 통계적 지식
- A/B 테스트 지식과 경험
- 지표 정의와 대시보드 ( 태블로, 룩커, 파워 BI 등..)
- 비지니스 도메인에 관한 깊은 지식
- 일을 하다보면 자연스럽게 지식이 쌓임.
데이터 분석가의 딜레마
- 보통 많은 수의 긴급한 데이터 관련 질문들에 시달림
- 많은 경우 현업팀에 소속되기도 함
- 예시)나는 데이터 분석가인데 마케팅팀에 속해있다.
- 내 커리어에서 다음은 무엇인가?
- 소속감이 불분명하고 내 고과 기준이 불명확해짐.
- 예시)나는 데이터 분석가인데 마케팅팀에 속해있다.
즉, 데이터 분석가의 경우 조직구조가 더 중요함
한기용 강사님께서 데이터직종에 종사하시면서 느꼈던 점.
무조건 적인 데이터 기반의 의사 결정은 좋지 않다.
데이터가 중요하게 여겨지지만 아이러니 하게도 실무에서 데이터를 활용할때에는 데이터의 반대로 의사결정을 내릴때도 있고 데이터를 아예 무시하고 의사결정을 내릴 수 있는 배짱이 있어야 된다고 하신다.
하지만 배짱이 없는 리더의 경우 데이터 정보가 없다면 의사결정을 뒤로 미루거나 못하는 경우가 있다고 한다.
후자와 같은 경우 각종 미팅때 마다 데이터를 토대로 진행하려는 습관 때문에 수많은 지표가 생겨나며 결국 중요 지표를 찾기 어려워짐(데이터 거버넌스가 힘들어짐)
LV. 1