01. 데이터 리터러시
1. 데이터리터러시
- 데이터 수집과 데이터 원천을 이해하고
- 주어진 데이터에 대한 다양한 활용법을 이해하고
- 데이터를 통한 핵심지표를 이해하는 것
→ 이를 통해 올바른 질문을 던질 수 있도록 만들어 줌
2. 데이터 해석 오류 사례
심슨의 역설
: 데이터의 세부 그룹별로 일정한 추세나 경향성이 나타나지만, 전체적으로 보면 그 추세가 사라지거나 반대 방향의 경향성을 나타내는 현상
- 전체에 대한 결론이 언제나 개별 집단에 그대로 적용되는 것은 아님
- 데이터에 기반한 결론이라고 해서 이를 맹목적으로 받아들여서는 안됨
시각화를 활용한 왜곡
: 자료의 표현 방법에 따라서 해석의 오류 여지가 존재
샘플링 편향
: 전체를 대표하지 못하는 편향된 샘플 선정으로 인해 오류가 발생
상관관계와 인과관계
- 상관관계: 두 변수가 얼마나 상호 의존적인지 파악하는 것
- 인과관계: 원인과 결과가 명확한 것
상관관계는 인과관계가 아닌 것을 항상 유의.
3. 데이터 분석 접근법
- 크게 3 가지 단계로 구분
- 문제 및 가설 정의(생각)
- 데이터 분석(작업)
- 결과 해석 및 액션 도출(생각)
- 위 단계 중 ‘생각’이 주요한 단계에서 데이터 리터러시가 필요
- 데이터 분석이 목적이 되지 않도록 ‘왜?’ 를 항상 생각
02. 문제 정의
1. 문제 정의란?
- 데이터 분석 프로젝트의 성공을 위한 초석
- 분석하려는 특정 상황이나 현상에 대한 명확하고 구체적인 진술
- 프로젝트의 목표를 설정하고 분석 방향을 설정
문제 정의 방법론
- MECE (Mutually Exclusive, Collectively Exhaustive)
- 문제를 상호 배타적이면서, 전체적으로 포괄적인 구성요소로 나누는 것
- 이를 통해 복잡한 문제를 체계적으로 분해하고, 구조화된 방식으로 분석할 수 있음
- 로직트리
- MECE 원칙을 기반으로 복잡한 문제를 더 작고 관리하기 쉬운 하위 문제로 분해하는 데 사용
3. 문제정의 정리와 관련 팁
문제정의의 핵심은 So What?, Why So?
- So What?
- 정보나 소재에서 과제의 답변에 맞는 중요한 핵심을 추출하는 작업
- Why So?
- 왜 그렇게 말할 수 있는지
- 구체적으로 무슨 뜻인지를 검증하고 확인하는 작업
문제정의 팁
- 공유하고자 하는 사람은?
- 결과를 통해 원하는 변화는?
- 경영장의 입장에서 보도록 노력
- 많은 사람들과 의견 나눠보기
- 그 전에 혼자서 오래 고민해보는 시간을 가질 것
03. 데이터의 유형
1. 데이터의 유형
정성적 데이터 (Qualitative Data)
- 비수치적인 정보로 사람의 경험, 관점, 태도와 같은 주관적인 요소
- 대부분 텍스트, 비디오, 오디오 형태로 존재
정량적 데이터 (Quantitative Data)
- 수치적으로 표현되는 정보로 양적인 측정과 분석을 통해 얻을 수 있음
- 지표로 만들기 용이
비즈니스 목표를 위해 두 가지 데이터를 적절하게 활용하는 것이 필요
2. 정량적 데이터의 활용
- 정량적 데이터의 활용
- 정량적 데이터는 객관적이고 측정가능한 지표를 만들기에 적합
- 일일 활성 사용자수(DAU), 재방문 비율(Retention) 등
- 통계적 분석 적용
- 분포, 평균, 중앙값 등을 계산해서 데이터의 경향성과 패턴 파악 가능
- 해당 내용을 근거로 의사결정 과정에서 중요한 판단을 내린다.
- 다양한 데이터 분석 방법 적용
- 미래 예측, 효율적 자원 배분, 시장 변화에 대한 적응이 가능해진다.
04. 지표설정
1. 지표란?
지표란?
- 특정 목표나 성과를 측정하기 위한 구체적이고 측정 가능한 기준
- 목표 달성도를 평가하고 전략적 결정에 필요한 핵심 정보를 제공
- 정의한 문제에 대해 정확하게 파악하기 위해서 필요
문제 정의 vs 지표 설정
- 문제 정의 → 어떤 문제를 풀고자 하는가?
- 지표 설정 → 어떤 결과를 기대하는가?
2. 주요 지표 이해하기
-
Active User (활성유저)
- 서비스에 들어오는 모든 유저가 Active User 는 아니다.
- 자사의 목표에 따라 다르게 설정해야 함.
- 우리 서비스만의 Active User 를 찾기 위해선?
- 어디까지 경험한 유저가 우리의 활성유저일까?
- 일반 유저와 활성유저를 나누는 기준은?
- 유저는 어디서 우리 서비스의 효용성을 느낄까?
- 우리가 핸들링할 수 있는 유저의 사이즈는 얼마나 될까?
-
Retention Ratio (재방문율)
- 몇 % 의 유저가 우리 서비스를 다시 사용하는가?
- 리텐션이 높은 서비스는 획득비용에 투자한 비용을 빠르게 회수할 수 있음
- 리텐션은 서비스(특히 앱서비스) 성장에 있어서 매우 중요한 지표
- 사후 분석 시에 용이
- Retention 측정 방법
- N-Day 리텐션
- Unbounded 리텐션
- Bracket 리텐션
-
Funnel (퍼널)
- 유저들이 어디서 이탈하는가? 를 확인하기 위한 구조화
- 잠재고객을 유입시키며 최종적인 목표 액션을 달성할 때까지의 과정
AARRR
- 단계별 전환율을 지표화 하여 서비스 보완 지점을 찾음
- Acquisition: 유입
- Activation: 활성화
- Rentention: 재방문(재구매)
- Revenue: 수익
- Referral: 추천
-
LTV (Life Time Value, 고객 평생 가치)
- 해당 유저가 우리에게 평생 주는 이익은 얼마나 될까?
- 유저와의 관계를 측정하고, 이를 사업적 이익으로 가져가는데 중요한 지표
- LTV 가 높다는 것으 ㄴ해당 서비스와 관계가 좋고, 충성도가 높은 고객이 많다는 것
3. 북극성 지표
: 팀의 목표와 방향성, 그리고 이를 측정하는 척도
- 좋은 북극성 지표의 특징
- 제품 / 서비스 전략의 핵심
- 유저 / 고객이 제품 / 서비스에서 느끼는 가치
- 회사의 사업 목표를 나타내는 지표 중 선행지표
- 북극성 지표의 사례
-
북극성 지표가 중요한 이유
방향성
- 제품/사업 조직이 무엇이 최적화되어야 하고, 무엇을 포기해도 되는 지에 대한 방향성 제시
효율 증대
- 전 직원을 하나의 목표에 집중시킴
- 서로 상반된 목표에 집중하거나, 중복을 방지 (MECE 한 구조)
05. 결론 도출
1. 결과와 결론
결과 : 데이터 처리, 분석, 모델링 후 얻어진 구체적인 데이터의 출력
결론 : 분석적 데이터 결과를 바탕으로 이끌어낸 의미나 통
결론 도출 시 주의사항
- 결과 - 결론 도출 시에는 스토리텔링이 필요
- 하지만, 필요 이상으로 자신의 해석을 융합하면 안 됨
- 데이터를 통해 알 수 있는 범위에서만 생각
결론을 잘 정리하는 법
- 결론을 공유할 대상이 누구이며, 어떻게 변화하길 원하는지? 생각하기
- 단순하고 쉽게 전달
- 핵심 지표 위주로
- 액션 아이템을 제안 하는것이 핵심
- 흥미 유발
- 모든 내용을 담지 않고 흥미로운 부분 위주로 공유
- 대상자 관점에서의 접근
- 공유 받는 사람의 시선에서 이해하기 쉽도록 정리
- 지식의 저주에 빠지지 않고 논지를 뒷받침 해줄 자료들을 함께 첨부
- 시각화 팁
- 직관적으로 이해할 수 있도록 구성
- 범례와 단위 함께 표기
- 결론 보고서에 쓰면 좋은 플로우
- 전체 내용을 한 문장으로 정리하는 요약
- 해당 보고서의 메인 주제
- 해당 보고서를 쓴 이유와 원하는 변화
- 문제 정의 단계
- 핵심 내용 전개
- 결론 및 액션 아이템
- 정리
- 앞서 문제 정의, 지표 설정을 할 당시의 목적을 떠올리며 정리
- 결론을 공유할 대상이 누구이며, 어떻게 변화하길 원하는지? 생각
데이터분석 공부 일기~!