2025 내일배움캠프 QAQC_2기 본캠프 7일차

안녕하세요! 본캠프 7일차 입니다!!

오늘은 팀을 변경했어요! 이번에는 1조 입니다 팀명은 'code one' - 코딩하는 1조라는 뜻이에요 ㅋㅋㅋ

팀원 중에 저랑 나이도 같고, 전공도 같고 , 원하는 도메인도 비슷하신 분이 있어서 놀랐어요 !!

제가 원하는 직무에서 일하셨던 분도 계셔서 좋습니다! 질문 많이 해야겠어요~~

 

새로운 강의가 열렸는데 '데이터 리터러시'라는 강의 입니다!

 

1. 데이터 리터러시란?

• 데이터를 읽는 능력
• 데이터를 이해하는 능력
• 데이터를 비판적으로 분석하는 능력
• 결과를 의사소통에 활용할 수 있는 능력
• 데이터 수집과 데이터 원천을 이해하고
• 주어진 데이터에 대한 다양한 활용법을 이해하고
• 데이터를 통한 핵심지표를 이해하는 것

데이터 분석에 대한 착각

• 데이터를 잘 분석하면 문제, 목적, 결론이 나올 것이라고 생각
• 데이터를 잘 가공하면 유용한 정보를 얻을 수 있다고 생각
• 분석에 실패하면 방법론, 스킬이 부족한 것이라고 생각

심슨의 역설 (Simpson’s Paradox)

• 심슨의 패러독스란 '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
  • 사례
    • 1940년대 보건 전문가의 소아마비와 아이스크림 섭취 간의 연구 결과
    • 당시 보건 전문가는 소아마비와 아이스크림 섭취량의 상관관계가 있는 것을 발견, 전국에 소아마비 예방을 위해 아이스크림 섭취량을 줄일 것을 권고
    • 소아마비는 여름에 많이 발생
    • 아이스크림은 여름에 판매량이 급증
    • 즉 소아마비와 아이스크림 섭취 간에는 어떤 인과관계도 존재하지 않음
    • 단순히 날씨라는 변수로 인해 공통으로 영향을 주게 됨
  • 상관관계는 인과관계가 아닌 것을 항상 유의해야 함
    • 상관관계만으로 섣불리 의사결정 하지 않기
    • 양쪽을 모두 활용하여 합리적인 의사판단 하기

2.  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)

• 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

정성적 데이터 vs 정량적 데이터

 

☑️ 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

☑️ 데이터 유형별 비교

	정량적 데이터	정성적 데이터
유형	정형 데이터 반정형 데이터	비정형 데이터
특징 및 관점	여러 요소의 결합으로 의미 부여 주로 객관적 내용	객체 하나가 함축된 의미 내포 주로 주관적 내용
구성 및 형태	수치나 기호 데이터베이스, 스프레드 시트	문자나 언어 웹 로그, 텍스트 파일
위치	DBMS, 로컬 시스템 등 내부	웹사이트, 모바일 플랫폼 등 외부
분석	통계 분석 시 용이	통계 분석 시 어려움

 

3. 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

1) ☑️ Active User 지표의 역할

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

2) ☑️ Retention Ratio의 역할

고객이 서비스를 지속적으로 이용하고 있는지를 파악할 수 있는 것이 리텐션입니다.

• 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

☑️ Retention 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

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

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

☑️ 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)

 

☑️ 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

4) LTV (Life Time Value, 고객 평생 가치)

☑️ 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

☑️ 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

4. 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?

☑️ 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

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
  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

• 결론을 잘 정리하는 법
  • 앞서 문제 정의, 지표 설정을 할 당시의 목적을 떠올리며 정리
  • 결론을 공유할 대상이 누구이며, 어떻게 변화하길 원하는지? 생각하기

☑️ 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

이번 데이터 리터러시는 데이터 분석에 대한 이론 강의였는데요!

ADsP 공부를 잠깐 했을 때 내용이 담겨있어서 반갑고, 조금은 이해하기 쉬웠던 것 같아요! 그렇다고 쉽다는 이야기는 아님니당ㅋㅋ

 

오늘 하루도 끝이 났습니다~!~! 정말 수고 많으셨어요!!

오늘따라 좀 피곤해서 강의를 듣다가 잠시 졸기도 했었어요... 💤 내일부터는 또 다시 열심히 집중해야겠어요!!!!

오늘은 산책을 좀 다녀올 생각이랍니다~ 🌙

내일 뵐게요~ 안녕~~~