Chapter1 D-5 TIL

홍유택·2025년 1월 7일

데이터리터러시

01. 데이터 리터러시

- 1) 데이터 리터러시의 정의

☑️ 데이터 리터러시(Data Literacy)

데이터를 읽는 능력

데이터를 이해하는 능력

데이터를 비판적으로 분석하는 능력

결과를 의사소통에 활용할 수 있는 능력

☑️ 데이터 리터러시란?

데이터 수집과 데이터 원천을 이해하고
주어진 데이터에 대한 다양한 활용법을 이해하고
데이터를 통한 핵심지표를 이해하는 것
데이터 리터러시는 올바른 질문을 던질 수 있도록 만들어 줌

- 2) 데이터 해석 오류 사례

☑️ 심슨의 역설 (Simpson’s Paradox)

'부분'에서 성립한 대소 관계가 그 부분들을 종합한 '전체'에 대해서는 성립하지 않는 모순적인 경우를 말한다.

☑️ 시각화를 활용한 왜곡

자료의 표현 방법에 따라서 해석의 오류 여지가 존재

☑️ 샘플링 편향 (Sampling Bias)

전체를 대표하지 못하는 편향된 샘플 선정으로 인해 오류가 발생

☑️ 상관관계와 인과관계

상관관계

두 변수가 얼마나 상호 의존적인지를 파악하는 것을 의미

파악 방법은 한 변수가 증가하면 다른 변수도 따라서 증가/감소하되 그 추이를 따름

인과관계

실질적으로 하나의 요인으로 인해 다른 요인의 수치가 변하는 형태를 의미

원인과 결과가 명확한 것

- 3) 데이터 리터러시가 필요한 이유

☑️ 데이터 분석에 대한 접근법

크게 3가지 단계로 구분

문제 및 가설정의

데이터 분석

결과 해석 및 액션 도출

위 단계 중 ‘생각’이 주요한 단계에서 데이터 리터러시가 필요

데이터 분석이 목적이 되지 않도록 ‘왜?’를 항상 생각해야 함

02. 문제정의

1) 문제 정의란?

☑️ 데이터 분석에 실패하는 이유

데이터 리터러시 단원에서 정리했던 것처럼, 풀고자 하는 문제를 명확하게 정의하지 않음

☑️ 문제 정의란?

데이터 분석 프로젝트의 성공을 위한 초석

분석하려는 특정 상황이나 현상에 대한 명확하고 구체적인 진술

프로젝트의 목표를 설정하고 분석 방향을 설정

2) 문제 정의 방법론

☑️ MECE (Mutually Exclusive, Collectively Exhaustive)

문제 해결과 분석에서 널리 사용되는 접근 방식

문제를 상호 배타적(mutually exclusive)이면서, 전체적으로 포괄적(collectively exhaustive)인 구성요소로 나누는 것

MECE를 통해 복잡한 문제를 체계적으로 분해하고, 구조화된 방식으로 분석할 수 있음

☑️ 로직 트리(Logic Tree)

MECE 원칙을 기반으로 복잡한 문제를 더 작고 관리하기 쉬운 하위 문제로 분해하는데 사용

상위 문제로부터 시작하여 하위 문제로 계층적 접근

일반적으로 도표 형식으로 표현되어 쉽게 파악할 수 있음

03. 데이터의 유형

☑️ 정성적 데이터 (Qualitative Data)

비수치적인 정보로 사람의 경험, 관점, 태도와 같은 주관적인 요소를 포함해요

대부분 텍스트, 비디오, 오디오 형태로 존재해요

정형되지 않고 구조화 되어있지 않아요

데이터를 구조화하기 어려워요

새로운 현상이나 개념에 대한 이해를 심화하는데 사용해요

☑️ 정량적 데이터 (Quantitative Data)

수치적으로 표현되는 정보로 양적인 측정과 분석을 통해 얻을 수 있어요

데이터가 숫자 형태로 존재하기 때문에 통계적으로 분석하기 쉬워요

개인의 해석이나 주관이 적게 작용하는 객관성을 가지고 있어요

지표로 만들기에 용이해요

설문조사, 실험, 인구 통계, 지표 분석 등에 활용해요

04. 지표 설정

☑️ 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

☑️ Retention Ratio의 역할

몇%의 유저가 우리 서비스를 다시 사용하는가?

정의: 서비스를 사용한 사람이 다시 서비스를 사용하는 비율 %

리텐션이란 한번 획득한 유저가 서비스로 다시 돌아왔는가?에 대한 지표

리텐션이 높은 서비스는 획득비용에 투자한 비용을 빠르게 회수할 수 있음

리텐션은 서비스(특히 앱서비스) 성장에 있어서 매우 중요한 지표

☑️ Funnel의 역할

유저들이 어디서 이탈하는가?를 확인하기 위한 구조화

퍼널은 잠재고객을 유입시키며 최종적인 목표 액션을 달성할 때까지의 과정

모든 서비스와 비즈니스는 각 단계로 갈 수록 이용자 수가 줄어들게 됨

각 단계의 전환율 (or 첫 유입 대비 전환율)을 측정

☑️ AARRR

디지털 마케팅시 퍼널을 활용하는 프레임워크

단계별 전환율을 지표화 하여 서비스 보완 지점을 찾음

Acquisition: 유입

Activation: 활성화

Retention: 재방문(재구매)

Revenue: 수익

Referral: 추천

☑️ LTV의 역할

해당 유저가 우리에게 평생 주는 이익은 얼마나 될까?

고객 생애 주기: 한 명의 유저가 서비스를 사용하기 시작하여 이탈할 때까지의 기간

LTV는 한 명의 유저가 생애 주기 동안 얼마만큼의 이익을 주는지를 정량적으로 지표화 한 것

LTV는 유저와의 관계를 측정하고, 이를 사업적 이익으로 가져가는데 중요한 지표

LTV가 높다는 것은 해당 서비스와 관계가 좋고, 충성도가 높은 고객이 많다는 것

북극성 지표

1) 북극성 지표란?

☑️ 북극성 지표

제품/서비스의 ‘성공’을 정의
제품/서비스가 유저에게 주는 core value를 가장 잘 나타낸 것
장기 성장을 위해 필수적으로 모니터링 해야 함

☑️ 좋은 북극성 지표의 특징

제품/서비스 전략의 핵심
유저/고객이 제품/서비스에서 느끼는 가치
회사의 사업 목표를 나타내는 지표 중 선행지표 (후행X)

☑️ 좋은 북극성 지표를 위한 체크리스트

유저가 목적을 달성하는 때가 언제인가?
모든 유저가 해당되나?
측정 가능한 지표인가?
측정 주기가 적절한가? (일, 주, 월, …)
외부 요인으로부터 영향을 많이 받진 않는가?
북극성지표의 성장이 사업의 성장과 함께하는가?
AARRR 퍼널 전 과정이 북극성 지표에 영향을 주는가?
북극성 지표의 변화가 적어도 매주 관찰가능한가?

05. 결론 도출

1) 결과와 결론의 차이

☑️ 결과

데이터 처리, 분석, 모델링 후에 얻어진 구체적인 데이터의 출력

숫자, 통계, 그래프, 차트 등의 형태로 나타낼 수 있음

ex) “고객 설문 조사 데이터를 분석한 결과, 고객 만족도와 구매 빈도 사이에 강한 상관관계가 있음을 보여줄 수 있습니다.”

계산과 분석을 해서 나온 결과물

☑️ 결론

분석된 데이터 결과를 바탕으로 이끌어낸 의미나 통찰

데이터에 기반한 해석, 추론 또는 권고 사항을 포함

ex) “고객 만족도와 구매 빈도 사이의 강한 상관관계를 보여주는 결과를 토대로, 고객 만족도 향상이 전반적인 매출 증가로 이어질 수 있다는 결론을 내릴 수 있습니다.”

목적에 대해 어떤 의미가 있는지 설명하는 것

☑️ 결론 도출 시 주의사항