데이터 분석이란 지표 성장(e.g. 매출/체류시간)을 목표로 인사이트를 추출하고, 이를 이용하여 사용자 행동 패턴의 변화를 이끄는 것입니다.
데이터에서 추출할 수 있는 인사이트는 총 4가지가 있습니다.
| Types of Insights | Description | Example |
|---|---|---|
| Observational | 현상, 환경, 또는 행동을 설명하는 것을 기반으로 하는 인사이트 | - Insight: 유저들이 홈페이지에서 오래 체류- Action: 홈페이지를 더 탐색하기 좋은 형태로 개선 |
| Comparative | 두 가지 서로 다른 시점/그룹 간의 비교를 기반으로 하는 인사이트 | - Insight: 오거닉 유저의 유입이 저번달 대비 이번달에 크게 감소- Action: 감소 원인을 찾아보자 |
| Causal | 다른 요소를 발생시키는 하나의 요소에 대한 인사이트 | - Insight: 프로모션을 조회하는 것은 유저로 하여금 핸드백을 구매하게 한다- Action: 프로모션을 더 많은 유저에게 조회하게 하면, 더 많은 핸드백 구매로 이어질 것 |
| Predictive | 미래에 발생할 요소에 대한 인사이트 | - Insight: 앞으로 인구가 비슷한 비율로 증가한다면, 2020년까지 5배 큰 웨어하우스가 필요할 것- Action: 더 큰 웨어하우스를 구매하도록 계획 |
4가지 중 Causal insight가 가장 중요한데, 가장 직접적으로 유저의 행동을 이해하고 변화시킬 수 있기 때문입니다.
예를들어, A상품을 구매한 유저가 미구매 유저보다 B상품을 더 많이 구매했다고 해서(Comparative),
B상품을 많이 구매하면 A상품을 더 많이 구매할 것이라고 보긴 어렵습니다.
단순히 이 결과로 유저가 B상품을 더 많이 구매하도록 이끈다면 원하는 결과를 얻긴 어려울 것 입니다.
반면, 멤버십 가입이 체류시간을 늘린다는 Causal insight를 활용한다면 원하는 결과를 얻을 확률이 높습니다.
하지만 그만큼 Causal inference는 비용이 많이 들고 하기 어려운 경우가 많습니다.
예를들어, A/B Test는 설계/개발 상의 문제로 시행할 수 없는 경우가 빈번합니다.
따라서 분석가라면 다양한 상황에서 Causal insight를 추출하는 훈련을 해야합니다.
Data Scientist