01. 데이터 리터러시

• 정의

1. 데이터를 읽는 능력
2. 데이터를 이해하는 능력
3. 데이터를 비판적으로 분석하는 능력
4. 결과를 의사소통에 활용할 수 있는 능력

👊🏻정리하자면,
데이터 수집과 데이터 원천을 이해하고, 주어진 데이터에 대한 다양한 활용법을 이해하고 데이터를 통한 핵심 지표를 이해하는 것!
-> 데이터 리터러시는 올바른 질문을 유도해줌!!!!

• 데이터 분석에 대한 착각

1. 데이터를 잘 분석 = 문제, 목적, 결론이 잘 나옴
2. 데이터를 잘 가공 = 유용한 정보
3. 분석 실패 시 -> 방법론, 스킬이 부족하다고 생각

• 데이터 해석 오류 사례

1. 심슨의 역설
   '부분'에서 성립한 대소 관계가 그 부분들을 종합한 '전체'에 대해서는 성립하지 않는 모순적인 상황

-> 백신 접종 완료자의 치명률이 5배 이상 높음;;

-> 50세 미만은 백신 접종 여부와 관계 없이 치명률이 매우 낮으며, 50세 이상의 위험군에서는 백신이 치명률을 낮추는 효과가 있음

🫵🏻전체에 대한 결론이 언제나 개별 집단에 그대로 적용되는 것도 아니고!!
데이터에 기반한 결론이라고 맹목적으로 받아들이면 안됨!!

2. 시각화를 활용한 왜곡
   자료의 표현 방법에 따라서 해석의 오류 여지가 존재

왼쪽 : 그대로의 자료, 중간 : 증가량에 로그를 취한 자료, 오른쪽 : 최초 수입을 100%로 놓고 이후의 증가율에 대한 자료

🫥 왼쪽 그래프에서는 노동자의 임금이 현저히 낮은 것을 알 수 있지만, 중간 그래프와 오른쪽 그래프에서는 노동자의 임금 증가가 급격하게 올라가다보니, 노동자의 임금 증가가 자본가의 수입 증가를 능가한다는 오해를 부를 수 있음

3. 샘플링 편향
   전체를 대표하지 못하는 편향된 샘플 선정으로 인해 오류 발생

😂문제점 :
1. 여론조사용 주소를 얻기 위해 전화번호부, 자사의 구독자 명부, 클럽 회원 명부 등을 사용. -> 이런 명부는 모두 공화당(따라서 랜던)에 투표할 가능성이 높은 부유한 계층에 편중된 경향이 존재
2. 우편물 수신자 중 25% 미만의 사람이 응답.
-> 이는 정치에 관심 없는 사람, Literary Digest를 싫어하는 사람과 다른 중요한 그룹을 제외시킴으로써 역시 표본을 편향되게 만듦

• 상관관계와 인과관계

1. 상관관계 : 두 변수가 얼마나 상호 의존적인지 파악 (비례/반비례)
2. 인과관계 : 하나의 요인으로 인해 다른 요인의 수치가 변하는 형태 (원인/결과)

🫡상관관계 != 인과관게 인 것을 명심해야함!
1. 상관관계만으로 섣불리 의사결정 금지!
2. 양쪽을 모두 활용하여 합리적인 의사판단 하기!

- 데이터 분석 과정 (생각 생각 생각!!)

---

02. 문제 정의

• 문제 정의란?

1. 데이터 분석 프로젝트의 성공을 위한 초석
2. 분석하려는 특정 상황이나 현상에 대한 명확하고 구체적인 진술
3. 프로젝트의 목표를 설정하고 분석 방향을 설정

• 예시
  상황: 매출 증가가 목표인 패션 플랫폼 A
  문제 정의:
  지난 6개월 동안 25-35세 여성 고객층의 구매 전환율이 급격히 감소했다. 이 고객층의 전환율을 2%에서 5%로 끌어올리기 위해 어떤 마케팅 전략을 적용할 수 있을까?
  구매 전환율: 고객이 방문한 후 구매까지 전환됐는지의 여부
  구매고객수/방문고객수*100 = 구매 전환율(%)

  ❌ 문제 정의: 매출을 어떻게 늘릴 수 있을까? ❌
  -> 이런 식으로 하면 모호하고 구체적이지 않으며, 어떤 고객층, 제품에 초점을 맞출지에 대한 명확한 지침이 부재
  -> 데이터 분석 방향성 잡기 어려워짐 !!

• 문제 정의 방법론

1. MECE (Mutually Exclusive, Collectively Exhaustive)
   문제를 상호 배타적(mutually exclusive)이면서,전체적으로 포괄적(collectively exhaustive) 인 구성요소로 나누는 것
   

   ❌잘못된 MECE 예시❌

   • 사람 - 남성, 여성, 아저씨로 나눔: 남성과 아저씨가 중복
   • 영화 장르 - 액션, 스릴러, 공포로 나눔: 멜로 코메디 등 누락 장르 존재
   • 자동차 - SUV, 세단, 쿠페, 현기차로 나눔: 분류 기준이 다름. 자동차 종류 VS 브랜드
   • 3학년 3반 학급원 - 영어 우수 학생, 수학 우수 학생으로 나눔: 분류 기준이 불명확, 서로 중복되고 누락된 정보가 존재

2. 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

• 로직 트리 예시

🫥 로직트리는 정해진 답이 없으며, 사용자가 어떤 기준으로 나누냐에 따라 그 깊이와 넓이가 달라짐
인과 관계의 순서는 작은가지 → 큰 가지

• 문제 정의의 핵심 및 팁

1. 문제 정의의 핵심

• So what? : 수집한 정보와 소재에서 ‘결국 어떻다는 것인지’를 알아내는 작업,
  그래서, 따라서, 이렇듯 앞에 오는 정보나 소재에서 과제의 답변에 맞는 중요한 핵심을 추출하는 작업
• Why So? : 왜 그렇게 말할 수 있는지, 구체적으로 무슨 뜻인지를 검증하고 확인하는 작업
  So what?한 요소의 타당성을 자료 전체 혹은 그룹핑한 요소로 증명할 수 있다는 사실을 검증하는 작업

2. 문제 정의 팁

• 결과를 공유하고자 하는 사람이 누구인지 정의하기
• 결과를 통해 원하는 변화를 생각하기
• 회사 소속이라면, 경영자의 입장에서 보려고 노력
• 많은 사람들과 의견을 나눠보는 것도 방법
• 반드시 혼자서 오래 고민해보는 시간을 가질 것

---

03. 데이터의 유형

• 정성적 데이터 vs 정량적 데이터

1. 정성적 데이터

• 비수치적인 정보로 사람의 경험, 관점, 태도와 같은 주관적인 요소를 포함
• 대부분 텍스트, 비디오, 오디오 형태로 존재
• 정형되지 않고 구조화 되어있지 않음
• 데이터를 구조화하기 어려움
• 새로운 현상이나 개념에 대한 이해를 심화하는데 사용

2. 정량적 데이터

• 수치적으로 표현되는 정보로 양적인 측정과 분석을 통해 얻을 수 있음
• 데이터가 숫자 형태로 존재하기 때문에 통계적으로 분석하기 쉬움
• 개인의 해석이나 주관이 적게 작용하는 객관성을 가지고 있음
• 지표로 만들기에 용이
• 설문조사, 실험, 인구 통계, 지표 분석 등에 활용

🌞한번에 표로 보기🌞

-> 비즈니스 목표를 위해서 두 가지 데이터를 적절하게 활용하는 것이 필요!

• 정량적 데이터 사례

<인구 통계 데이터>

<수치형 설문 조사 데이터>

<비즈니스 성과 데이터>

<행동 로그 데이터>

<마케팅 데이터>

• 정량적 데이터 활용

😻정량적 데이터는 객관적이고 측정가능한 지표를 만들기에 적합
일일 활성 사용자수(DAU, Daily Active User), 재방문 비율(Retention) 등 서비스의 건강 상태를 나타내는 중요한 지표들을 확인 가능 😻

<수치형 설문조사 데이터를 정량적인 기준으로 나눈 사례, 추천 지수(NPS)>

• 통계적 분석 적용

🤡 분포, 평균, 중앙값 등을 계산해서 데이터의 경향성과 패턴을 파악 가능

<여행 키워드 검색 및 예약 시계열 그래프>

<요일별, 성별 레스토랑 팁 분포 그래프>

• 다양한 데이터 분석 방법 적용

👍🏻 비즈니스 분석, 예측 모델링, 추세 분석을 포함한 머신러닝과 같은 현대적 데이터 분석 기법에 활용 가능
-> 이를 통해 미래 예측, 효율적 자원 배분, 시장 변화에 대한 적응이 가능

---

04. 지표 설정

• 지표

1. 특정 목표나 성과를 측정하기 위한 구체적이고 측정 가능한 기준
2. 목표 달성도를 평가하고 전략적 결정에 필요한 핵심 정보를 제공
3. 정의한 문제에 대해 정확하게 파악하기 위해서 필요

<문제 정의 vs 지표 설정>

🫶🏻 문제 정의를 통해서 ‘어떤 문제를 풀고자 하는가?’를 정의했다면
지표는 ‘어떤 결과를 기대하는가?’에 대한 정량화된 기준 🫶🏻

• 지표 설정 예제

1. 목표 : 다이어트

1️⃣ <날씬에 대한 정의>

• 국가 비만도 정의에 의한 ‘정상’ 체중 (18.5 이상 23 미만)
• 지표: BMI (체중/키^2)
• 이상적으로 생각하는 체지방률 (15%)
• 지표: 체지방률 (체지방량/몸무게)

2️⃣ <액션 관리 지표>

• 수단: 주 5회 이상 운동
• 지표: 운동이행률 (5일/5일)
• 매일 7시 이후 금식
• 지표: 식단달성율 (30일/30일)

• 주요 지표 이해하기

1. Active User(활성 유저)

<활성 유저의 정의>

• 서비스에 들어오는 모든 유저? x
• Active User에 대한 정의에 따라 전략과 방향이 달라짐
• Active User에 대한 정의로 ‘이탈 유저’가 정의됨
• 투자를 위한 서비스 지표에 중요한 역할을 하게 됨

<Active User 설정해보기>

1. 사이트 진입 유저

• 허들이 가장 낮음
• Active User 지표가 가장 높게 측정됨
• 그러나 해당 유저 대상 액션 효율이 떨어짐

2. 사이트 진입 후 추가 행동을 한 유저

• 허들이 두 번째로 낮음
• 사이트에 진입하여 강의 중 하나에 진입한 유저
• 1번 보다 대상 액션 효율이 높을 수 있음

3. 서비스의 최종 액션까지 수행한 유저

• 가장 허들이 높음
• 자사 서비스의 Goal 액션을 한 유저
• 자사 서비스의 핵심과 효용성을 경험한 유저
• 해당 유저 대상 액션을 할 때 효율과 이익이 가장 높음
• Active User 지표가 가장 낮게 측정

<정리>

👍🏻 우리 서비스만의 Active User를 찾기 위해선?

• 어디까지 경험한 유저가 우리의 활성유저일까?
• 일반유저와 활성유저를 나누는 기준은?
• 유저는 어디서 우리 서비스의 효용성을 느낄까?
• 우리가 핸들링할 수 있는 유저의 사이즈는 얼마나 될까?

< 그 외의 주요 지표>

2. Retention Ratio (재방문율)

<재방문율 정의>

• 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

👅 일반적으로 리텐션은 시간이 지남에 따라 자연스럽게 감소 (Product B)
-> 기울기가 점점 완만해지며 안정화 되는 그래프를 가지고 있다면, 시장에 적합한 서비스라고 할 수 있음 (Product A)

<재방문율 측정 방법>

1. N-Day 리텐션

• 최초 사용일로부터 N일 후에 재방문한 Active User의 비율
• 일반적으로 사용하는 리텐션 지표는 N-Day 리텐션
• 게임, 소셜 등 습관적으로 사용하거나 반복적으로 행동을 유도하는 제품에 적합
• 유저가 Active User로 집계된 최초 날을 Day 0으로 설정
• Day 0에 액티브 상태가 된 모든 유저들의 N일차 리텐션을 계산
• N-Week, N-Month도 가능

한계 : 위 사용예시에서 튜브는 1월 3일을 제외하고는 전부 방문

• 그렇다면, 1월 3일의 리텐션에도 튜브를 포함하는 게 맞는 것 아닐까?
• 서비스의 사용 주기가 길 경우, N-day 리텐션을 사용하면 실제보다 더 과소평가
• N-day 리텐션은 사용자가 매일 접속하는 서비스에 활용하기 적절한 지표 -> 카카오톡, 인스타그램, 유튜브

2. Unbounded 리텐션

• 특정 날짜를 포함하여 그 이후에 재방문한 유저의 비율
• 특정일을 포함하여 그 이후에 한 번이라도 재방문한 유저의 비율
• 유저가 정기적으로 반복해서 방문하는 서비스가 아닐 경우 적합
• 해석: Day5는 5일차 이후에 한 번 더 들어온 유저의 비율
• Unbounded 리텐션은 이탈률의 반대 개념

• 마지막 방문일 이전에는 방문한 것으로 계산
• 실제로 방문하지 않았어도, 계산에는 함께 포함
• N-day 리텐션과 비교시 결과값에 큰 차이가 있음
• 사용 빈도가 높지 않은 서비스에 활용하기 적절한 지표 -> 채용 사이트, 쇼핑몰, 부동산 매물 서비스,
• 위와 같이 사용 주기가 좀 더 긴 서비스들에서는 N-day 리텐션을 적용하게 될 경우 불필요한 할인, 푸쉬 메시지 발송 등 잘못된 액션을 할 가능성이 존재

• 한계 : 다만, Unbounded 리텐션의 경우 1월 6일에 계속 접속하지 않던 무지가 접속할 경우, 이 전의 리텐션 값들이 전부 변동되는 상황이 발생할 수 있음
• 해당 지표는 절대적인 수치보다는 지표가 어떻게 변화하는 지에 대해 트렌드를 보는 용도로 활용하는 것을 권장

3. Bracket 리텐션

• 설정한 특정 기간을 기반으로 재방문율을 측정
• Bracket 리텐션은 N-Day 리텐션을 확장한 개념 > 일/주/월 단위가 아닌 지정한 구간으로 나눔
• 1(0일차) / 2(1-3일차) / 3(4-6일차) / 4(7-11일차)
• 활성유저가 특정한 활동을 위해 각 Bracket 내 서비스에 재방문시 잔존 유저로 해석

• Day 0: 1월 1일 (신규 가입일 or 최초 접속일)
• Day 1~3: 1월 2일 ~ 1월 4일
• Day 4~6: 1월 5일 ~ 1월 7일
• Day 1~3 방문한 유저: 튜브, 어피치, 라이언, 프로도
• Day 4~6 방문한 유저: 튜브, 어피치, 무지
• 하루 정도 서비스에 접속을 안했더라도, 리텐션에 영향을 주지 않기 때문에 기준이 조금 더 널널함
• 서비스 사용주기가 길거나 주기적인 경우 사용하기 적합한 지표 -> 식료품 배달 서비스, 세차 서비스

🤡 Retention에 대한 이해

• 리텐션이 높은 세그먼트를 발굴하는 작업이 필요함
• 서비스의 사용 주기에 따라 리텐션 조회 기간을 늘려야 함
• 사후 분석 시에 용이

3. Funnel (퍼널)

• 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

4. LTV (Life Time Value, 고객 평생 가치)

• 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

• 신규유저(프로도)가 1월에 서비스에 처음 들어와서 구매를 하다가 이탈함
• 프로도의 LTV는 50000 + 20000 + 5000 = 75000
• LTV 추측이 가능하다면, 신규 유저를 데려오는 비용(CAC: Customer Acquisition Cost)의 산출 및 효율적인 예산 운용이 가능

🍀 LTV 산출 방법

• 이익 x Life Time x 할인율(미래 비용에 대한 현재 가치)
• 연간 거래액 x 수익률 x 고객 지속 연수
• 고객의 평균 구매 단가 x 평균 구매 횟수
• (매출액 – 매출 원가) / 구매자 수
• 평균 구매 단가 x 구매 빈도 x 구매 기간
• (평균 구매 단가 x 구매 빈도 x 구매 기간) – (신규 획득 비용 + 고객 유지 비용)
• 월 평균 객단가 / 월 가중 평균 잔존율
• LTV를 산출하는 방법은 매우 여러가지이며, 서비스마다, 관점마다 다르기 때문에 다각도로 고민이 필요함

🌸 LTV 정리

• 자사 서비스에 딱 맞는 LTV를 산출하는 것은 매우 어려운 일
• 사용 주기, 변수, 객단가 등 여러가지를 고려해야 함
• LTV를 늘리기 위한 방안
  • 객단가 상승
  • 구매 빈도를 높임
  • 이탈률 감소, 이용시간을 증가 등
• LTV는 가정을 베이스로 하는 지표이기 때문에 꾸준한 모니터링이 필요

• 북극성 지표

<정의>
1. 제품/서비스의 ‘성공’을 정의
2. 제품/서비스가 유저에게 주는 core value를 가장 잘 나타낸 것
3. 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?

<좋지 않은 북극성 지표의 예>

• 외부 요인의 영향을 많이 받는 지표
• 유저/고객의 전체 여정을 반영하지 않는 지표
• 유저/고객이 직접 가치를 느낄 수 없는 지표
• 측정 불가하거나, 기간 설정이 안되는 지표
• 상황에 따라 위 지표들도 북극성 지표가 될 수 있음

• 북극성 지표의 사례

<북극성 지표의 유형>

<대표적인 북극성 지표 사례>

<북극성 지표가 중요한 이유>
1. 방향성

• 제품/사업 조직이 무엇에 최적화되어야 하고, 무엇을 포기해도 되는 지에 대한 방향 제시
• 제품/사업 조직의 진척과 가치창출을 전사에 보여줌
  • 지원 조직이 더욱 적극적으로 지원, 제품개발 액션 실행속도가 빨라짐
• 제품/서비스 조직이 결과에 책임을 지도록 함
  • 비즈니스 임팩트에 따라 평가가 가능

2. 효율 증대

• 전 직원을 하나의 목표에 집중시킴
• 서로 상반된 목표에 집중하거나, 중복으로 일하는 것을 방지 (MECE한 구조)

<북극성 지표의 구조>

---

05. 결론 도출

• 결과와 결론의 차이

1. 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

2. 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

🫵🏻 실제로 우리가 필요한 것은 ‘결론’이지만, 보통 결과를 많이 이야기 함
이르는 과정은 본질적으로 동일하지만, 표현 방식이 다름

💥 결론 도출 시 주의사항

• 결과 - 결론 도출 시에는 스토리텔링이 필요
• 그러나, 필요 이상으로 자신의 해석을 융합하면 안됨
  • 데이터를 통해 알 수 있는 범위에서만 생각해야 함

• 결론 도출 예제

상황 설명

• 데이터: 온라인 소매점의 최근 6개월 판매 데이터
• 목적: 판매 성과 분석 및 개선 방안 도출

결론

• 전자제품이 의류보다 인기가 높으므로, 전자제품에 대한 마케팅을 강화해야 한다.
• 금요일과 저녁 시간대의 높은 판매량을 고려할 때, 이 시간대에 특별 프로모션을 진행하면 전체 판매량을 증가시킬 수 있다.

• 결론을 잘 내리는 법

☑️ 단순하고 쉽게 전달

• 핵심 지표 위주로 먼저 공유
• 지표를 해석하는 방법에 대해서도 설명
• 해당 지표에 오너십이 있는 조직에서 활용할만한 포인트 제안
• 액션 아이템을 제안 하는것이 핵심

☑️ 흥미 유발

• 모든 내용을 담지 않고 흥미로운 부분 위주로 공유
• 상대가 궁금해할만한 내용은 뭘까? 고민하고 필터링 하기
• 궁금한 사람들을 위해서는 디테일한 문서 따로 공유

☑️ 대상자 관점에서의 접근

• 공유 받는 사람(=대상자)의 시선에서 이해하기 쉽도록 정리
• 지식의 저주에 빠지지 않고 논지를 뒷받침 해줄 자료들을 함께 첨부
• 대상자의 허들이 낮은 시각화 활용

☑️ 시각화 팁

• 화려한 그래프 보다는 대상이 직관적으로 이해할 수 있도록 구성
• 보통 선, 막대 그래프로 거의 대부분의 리포팅이 가능
• 각 그래프의 범례와 단위 함께 표기해주기

☑️ 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

---

총정리

• 눈앞에 있는 데이터에 의존하지 않고 스스로 목적과 문제를 정의하는 것
• 그 목적을 달성하는데 필요한 데이터와 지표를 설정하는 것
• 데이터를 어떻게 봐야 문제의 정보를 효과적으로 얻을 수 있는지 분석하는 것
• 단순히 데이터를 보는 방식이나 분석 방법론, 통계지식에 매몰되지 않는 것
• 왜?를 항상 생각하기