Make a growth

나만의 페이스로 다시 시작하는 글또: 분석가에서 기획자로의 여정

cong_ — Sun, 13 Oct 2024 22:32:27 +0900

글또 8, 9기에 이어 10기에 참여하게 되었다.

10기를 시작하기까지는 많은 고민이 있었는데, 가장 큰 이유는 지난 기수에서의 활동 저조와 이번 기수에서 내가 어떻게 글또를 활용할 수 있을까? 가 잘 그려지지 않았기 때문이다.

먼저 과거 기수때의 활동을 살펴보면.

8기: 패스를 제외하고 글을 전부 제출했고, 커피챗에 적극적인 자세로 20회 이상 참여했으며, 뜻이 맞는 모임에도 참여하여 선한 영향력을 주고받는 시간을 보냈다.
9기: 불안정한 상황에 대한 불안함, 이직 준비, 미래에 대한 고민 등으로 마음이 벅차서 커피챗 외에 조금의 시간도 투자하지 못했다.

9기때 여러 가지 이슈들로 인해 마음이 복잡했던 것은 사실이나, 아주 적은 시간이라도 들여서 글을 쓸 수 있었다고 생각한다. 그러지 못했던 이유에 대해서 생각해 보면, 전 기수에서 하던 만큼 몰입할 에너지가 없어서 감당하기 힘들다는 생각이 앞섰던 것 같다.

그럼에도 불구하고 이번 기수에 함께 하게 된 포인트는 다음과 같다.

PM/PO 채널을 오픈한다는 소식을 들었다.
올해 상반기에 이직을 한 뒤로, 데이터 분석가와 기획자 직무를 병행하게 되었다. 그리고 현재는 대형 프로젝트에 조인하여 기획에 많은 리소스를 투여하고 있다. 스타트업에서 1인 데이터 분석가로 성장을 하는 데 큰 도움을 받았던 글또와 함께하며 또 다시 기획자로서 배움의 시간을 가질 수 있지 않을까라는 기대.
마지막 글또 기수라는 점
활동을 하면서 상상 이상으로 긍정적인 영향을 많이 받았던 커뮤니티의 종료 소식은 고갈되어 가던 의지도 다시 샘솟게 만들었다. 이번에는 개인적인 성장을 넘어서 다른 사람들에게 어떤 방식이든 긍정적인 영향을 전파하고 싶다는 생각이 들었다.
나에게는 나만의 페이스가 있다는 것을 인정한 것
시간 관리 모임, 자아 성찰을 통해서 나에게는 나만의 페이스와 방식이 있다는 것을 인지하고 받아들였다. 현재 상황에서 내가 할 수 있다고 생각하는 목표를 가지고 진행을 한다면 이전처럼 활동을 하는 것이 어렵지만은 않다는 생각이 들었다.

이직을 하고 새로운 환경에 들어와서 바로 프로젝트를 하는 것이 쉬운 일은 아니었다. 지금까지 경험을 두고 미루어보아도 어렵거나 이해가 안 되는 일들도 있었고, 낯선 개념들이 등장하기도 했다.

그동안 데이터 분석가로서 기획에도 많은 관여를 해왔다고 생각하지만, 막상 기획을 시작하니 정의하고 풀어가야할 문제들이 쏟아지고 데이터 분석을 할 시간이 없어지는 상황을 겪고 있다. 그렇다 보니 그동안 데이터 리터러시의 중요성에 대해서 외쳐도 좀처럼 싱크 맞추기가 어렵던 현업 분들의 모습이 스쳐갔다.

현재 내가 하고 있는 프로젝트를 간단하게 소개하자면, 데이터 마트, 인터날 프로덕트, 개인화 인벤토리까지 기술, 정책, 사용성 등 여러가지가 복합적으로 얽혀있다. 이 복잡한 프로젝트를 최대한 쉽게 풀고 쉽게 설명하고 싶다는 생각을 했다. 더불어 내가 생각하는 서비스 기획이란 무엇인가에 대한 포인트들을 잘 정리해서 갈무리하고 싶다.

위 포인트를 고려해서 이번 기수에서 다음과 같은 3가지의 목표를 설정했다.

7개의 글을 제출하기
(나의 글쓰기 패턴, 부담감 등을 고려해서 설정했다. 의미 부여하자면 행운을 상징하기도 하고, 드래곤볼을 모으는 느낌으로)
PM/PO 빌리지를 비롯한 글또 커피챗 3회 이상 참여하기
프로젝트에 대해 소개하고 나만의 서비스 기획 관점에 대해 기술하는 글 1개 이상 작성하기

앞으로의 나를 응원한다.

회고를 통한 문제 발견, 그리고 극복

cong_ — Sun, 10 Dec 2023 21:50:21 +0900

이 글을 쓰게 된 이유

시간을 더 잘 활용할 순 없을까? 내가 시간을 잘 쓰고 있는 게 맞을까?라는 고민은 누구라도 한번쯤 해보셨을 텐데요. 저는 이 고민을 더 잘 해결하기 위해서 하루의 계획과 회고를 할 수 있는 '타임트래커'라는 도구를 활용하고, 이 도구를 함께 사용하는 모임인 '시지삶' 활동을 지난 6개월 동안 해왔습니다. 이 기간 동안 저에게 많은 깨달음이 있었는데요. 이것들을 잘 정리하고 싶은 마음과 그것을 다른 분들에게 공유해보고 싶은 마음으로 이 글을 작성하게 되었습니다.

예상 독자

- 회고를 통해 성장하고 싶은 사람
- 본인의 문제를 발견하고 해결하고 싶은 사람
- 타임트래커에 관심이 있는 사람

타임트래커에 대해서

출처: https://www.timetracker.kr/

타임트래커는 위와 같은 구조를 가지고 있습니다. 매일 매일의 계획을 세우고 이행을 평가하고, 회고하는 형식으로 진행이 되는데요. 처음에는 계획을 하고 거의 달성하지 못하고, 자책을 하는 날이 많았습니다. 그렇지만 시지삶(시간을 지배해서 삶을 관리하는 모임)이라는 모임을 통해서 매일 인증을 해야 되는 룰이 있었기 때문에 어떻게든 인증을 하려고 노력했습니다.

시지삶을 하는 중반부 타임트래커를 보면, 정말 부실하게 적은 페이지들이 많이 나와요. 사실 다른 분들은 이걸 보면서 무슨 생각을 하셨을까? 조금 부끄럽기도 해요. 그렇지만 이런 하루하루가 제 문제를 살펴볼 수 있는 요인 중에 하나가 되었어요.

동기부여와 열정의 늪에 빠지다.

저는 타임트래커의 항목 중 '낭비' 시간에 대해서 고민이 많았는데요. 저의 기준으로 낭비시간이란 스스로 계획하지 않았던 일을 하거나 혹은 계획했더라도 그 시간을 효율적으로 쓰지 못한 시간을 말합니다. 저는 이 낭비 시간이 많은 날이 제 자신의 열정 수준을 잘 관리하지 못해서라고 생각했어요. 이것을 잘 관리하기 위해서는 충분한 휴식, 수면시간과 동기 부여를 할 수 있는 콘텐츠들의 수급이 계속되어야 한다고 생각했습니다.

그런데 문제는 동기 수준이 많이 다운되면 동기부여 영상을 보는 것 자체도 어려워지더라구요. 또한, 여러 가지 영상에서는 다 제각각의 방법을 이야기하는데 이 방법들이 저에게는 바로 적용되지 않는 문제가 있었습니다. 또한, 보통 일정 수준 이상의 목표를 달성한 사람들이 스피커로 나오는 영상이 많았는데, 마치 커다란 짐을 이고 가는 사명 같은 것을 스스로 부여해야 한다는 강박 같은 것을 심어주는 것들이 저에겐 더 버겁게 느껴졌던 것 같아요.

끌어당김의 법칙, 뇌과학, 도파민 등 여러가지 소재가 있었지만 저에게 자극이 되는 시간은 잠시 뿐이고 저에게는 이런 요소가 오히려 독으로 작용했습니다. 그래서 동기부여에 대한 트래킹을 멈추게 되었어요.

프로젝트 회고에서 단서를 얻다.

그 다음에도 저의 낭비시간을 줄이려는 노력은 계속 됐는데요. 개인적으로 매우 바쁜 시기에 사이드 프로젝트를 병행하며 회고했던 것에서 그 단서를 찾을 수 있었어요. 연 초에 활동을 시작했던 커뮤니티에서 파이널 프로젝트를 하는 와중에 팀장을 맡게 되었는데, 회사의 바쁜 시기와 겹쳐 정말 눈코 뜰 새 없이 바쁘더라구요. 프로젝트는 만족스럽게 마무리가 되었지만, 그 과정에서 저는 정말 고통스러웠고, '차 사고가 나면 좋겠다.'라는 생각을 할 정도로 회피하고 싶었어요. 이것들이 타임트래커의 '보고 느낀 것'에 적혀있더라구요. 제가 스스로 원해서 한 활동이었고, 결과도 좋았는데, 왜 이렇게 고통스러웠을까요? 저는 이 부분에 대해서 집중적으로 살펴보려고 했어요. 그 결과 저는 크게 세 가지의 문제점을 발견했어요.

과도한 목표에 압도당했던 나

목표 수준이 너무 높다.
먼저 저는 이 결과물이 정말 완벽에 완벽을 갖춘, 누구라도 보았을 때 납득할 만큼 멋져야 한다고 생각했어요. 그런데 이런 마음은 프로젝트를 진행하는 것 조차 어렵게 만들었어요. 기대치를 달성하지 못할까 봐 자꾸 미루게 되고, 걱정들만 가득하면서 스트레스 속에서 일은 진행되지 않는 상황을 마주했어요.
목표가 명확하지 않다.
위에서 기대치가 높은 목표는 사실 정량적으로 표현할 수도 없는 형태였어요. 저는 누군지도 모르는 미지의 적(?)과 사투를 벌였던 거죠. 이 목표치를 정량화해서 생각해보면, 그렇게 대단한 것도 아니고 내가 무엇을 원하는지도 잘 알 수 있었기 때문에 수행능력이 올라갔을 거라는 생각이 들었어요.
스스로를 인정하지 않는다.
목표 수준이 높은 것은 위 프로젝트에서만의 일은 아니었는데요. 저는 항상 남들과 자신을 비교하며 목표를 달성하기 전의 매 순간에 '더 잘해야 돼', '아직 멀었어', '난 너무 부족해' 등의 말로 스스로를 다그쳐왔어요. 타임트래커의 '감사한 일' 파트에 가끔 남들의 인정이나 칭찬을 받을 때 기쁜 마음을 기록하기도 했는데, 이것은 정말 찰나였어요. 저는 대부분의 시간을 저를 몰아붙였고, 이것은 결국 제게 연쇄적인 번아웃을 가져다준 것 같아요.

칭찬은 고래도 춤추게 한다는데

고래도 춤추게 하는 칭찬

위에서 느꼈던 문제들을 해결할 방법을 제 삶에 적용해보고자 했어요. 문제의 반대로 생각하면 되는 것이라서 그리 어렵진 않았어요.

목표가 내가 원하는 것이 맞는지 확인한다.
저는 목표를 세울 때 항상 크게 잡아왔었는데요. 지난 날들을 살펴보면 제가 진짜로 원하지 않았던 남의 목표들이 많더라구요. 그래서 목표를 잡을 때, 현실적으로 내가 달성할 수 있는 것인지 그리고 정말 원하는지?를 많이 생각하게 됐어요.
목표를 구체화 한다.
모든 목표는 구체적이어야 한다는 생각이 있어요. 그리고 이 과정에서 진짜 목표와 가짜 목표를 걸러낼 수 있기도 하구요. 정량적인 수준으로 치환하는 것은 지금 나의 수준과 비교해서 얼만큼 발전했는지, 얼만큼 부족한지 알 수 있어서 막연함을 줄이고 자기 확신을 얻을 수 있는 것 같아요.
스스로를 인정한다. (나에게 칭찬 세례를 퍼붓는다.)
사실 제가 가장 문제라고 생각했던 부분은 스스로를 몰아붙이는 것이었는데요. 저는 이것을 해결하기 위해서 정말 사소한 것이라도 저를 칭찬하기 시작했어요. 예를 들어 계획한 시간에 일어난 것, 아침에 물을 마시는 건강한 행위를 한 것, 잠자리를 정리한 것, 건강한 식단을 먹은 것 등. 이것은 업무에도 적용이 가능해서 저는 요즘 매일매일 스스로 대단한 분석가가 된 것처럼 느껴요. 물론 그 정도 수준까지 가지 않는 날도 있지만요. 이것은 저에게 자신감을 주고, 어떤 일이든 해낼 수 있는 힘을 주는 가장 큰 요소인 것 같아요. 칭찬은 고래도 춤추게 한다는데, 우리 자신을 매 순간 칭찬하면 매순간 춤출 수 있지 않을까요?

과거와 비교해서 달라진 타임트래커. 칭찬보드에 매일의 셀프 칭찬을 적음.

저는 위와 같은 과정을 겪으면서 이 좋은 것들을 남과 나눌 수 있다면 얼마나 좋을까?라는 생각에 남들에게도 칭찬을 해주는 걸 습관화하고 있어요. 이 행위는 남에게도 긍정적인 영향력을 주지만, 스스로도 에너지를 받을 수 있더라구요. 그래서 요즘 시지삶 내에서는 서로 칭찬하는 문화가 발전하고 있는 것 같아요. 제 주변인들에게도 이런 것들을 시작하면서 처음에는 낯선 모습에 당황하던 주변인들도 기분 좋음으로 하루를 살아가게 하고 있어요. 비슷한 문제를 겪고 있는 다른 분들도 이 글을 통해서 영감을 얻었으면 하는 바람입니다.

저는 스스로 칭찬하며 제가 가진 강점이 분명히 존재하고, '저만의 색깔'을 더 뚜렷하게 만들고 싶다는 생각이 들었어요. 남을 모방하지 않고, 내 목소리로, 다른 사람들에게 도움을 주는 것. 이번에 글또 9기에도 참여를 하게 되었는데, 위와 같은 깨달음을 바탕으로 저는 '제 색깔의 글을 쓰는 것'을 목표로 잡았어요. 이것에 대한 평가 기준은 다음과 같습니다.

나만이 할 수 있는 이야기로 글을 썼는가?
내가 실제로 경험해 보거나 내 언어로 재구성한 내용을 글로 담았는가?
다른 사람들에게 도움이 되었는가?
글을 쓰면서 즐거웠는가?

위 네 가지 항목에 1~5점을 부여하고 글또가 끝날 때까지 모든 글의 평균 15점 이상을 받는 것을 목표로 하려고 합니다. 셀프 피드백 하기 어려운 항목은 매 글마다 구글폼으로 설문을 받아볼 예정인데요. 피드백을 잘 받을 수 있을 진 모르겠지만 일단 시도해보려고 합니다.

피드백을 주시면 큰 힘이 됩니다!

5초 만에 끝나는 피드백 작성하러 가기(클릭)

글또 8기 회고 (2023년 상반기 회고)

cong_ — Sun, 16 Jul 2023 20:45:12 +0900

추운 겨울에 글또 다짐글을 썼었는데, 어느새 무더운 장마철이 되었습니다.

제목은 상반기 회고라고 거창하게 적었지만 틈틈이 중간 회고를 했었기 때문에 이 내용들을 종합하여 적어보는 글이 될 것 같습니다.

부담은 발산, 발산 그리고 발산으로

새로운 곳에서 받은 1인 데이터 분석가의 타이틀이 저에게는 매우 무겁게 느껴졌습니다. 데이터에 관해서 해볼 수 있는 것을 전부 다 할 수 있다는 아주 큰 메리트가 있지만, 이것을 반대로 해석하면 내가 적극적으로 하지 않으면 아무것도 할 수 없고, 모든 것에 책임을 져야 한다는 뜻입니다.

저는 좋은 데이터 분석가가 되기 위해서 혼자서 고민하기 보다는 외부 활동을 통해서 많은 간접 경험을 하고자 했습니다. 지난 6개월 동안 '데이터' 키워드가 들어가 있는 활동이라면 1초의 망설임도 없이 지원했습니다. 그 결과 강의 7개, 세미나 10회 이상, 네트워킹 20회 이상, 스터디 5개에 참여했습니다. 평일, 주말 할 것 없이 데이터로 꽉 찬 시간을 보냈습니다. 이것도 필요해보이고, 저것도 필요해 보여서 적극적으로 참여했고 당장 필요하지 않아도 어떻게든 도움이 되지 않을까?라는 생각을 가졌던 것 같습니다. 문제는 나의 시간과 정신력도 유한하다는 점이었습니다.

고통을 겪고서야 깨달은 템포

다짐 글에 적어놓은 것처럼 배운 것을 나만의 언어로 정리하고, 써먹어보는 시간을 가질 시간도 없이 지금 당장 필요한 것들만 겨우겨우 추려서 적용해 보는 과정을 보냈습니다. 그 상황에서 여러 번의 미니 번아웃을 마주했습니다. 이 시간 동안 제가 크게 성장한 것은 사실이지만, 최근에 저는 좀 더 지혜롭고 지속할 수 있는 학습 방법을 찾고자 했습니다.

지난달부터는 규칙적인 기상 루틴과 계획을 세우고 있고, 현재 시간관리 모임에 참여하고 있습니다. 휴식 시간을 계획하게 된 이후에야 휴식 시간을 온전한 쉼으로 인식하게 되어서 긍정적인 영향력을 많이 받고 있습니다.

또한 '버리기'입니다. 기존에는 조금이라도 욕심이 나면 장바구니 담아 꽉꽉 채웠다면, 내게 지금 당장 필요한 것인가?를 곰곰이 생각해 보게 되었습니다. 지난 6개월의 활동으로 제 에너지와 시간 블록이 한정된 자원이란 걸 여실히 깨달았습니다. 과한 인풋은 나라는 공장의 가동을 아예 중지시킬 수 있기에, (욕심 때문에) 어렵지만 최대한 많은 것을 내려두고자 노력하고 있습니다.

영감을 주는 귀인들

글또를 하면서 수 번의 커피챗과 네트워킹을 진행했습니다. 친목성 모임도 있었고, 글을 보고 제가 연락을 한 경우도 있었습니다.

네트워킹을 통해서 실제 업무 노하우를 얻기도 했고, 긍정적인 동기부여를 받기도 했습니다. 이 과정에서 끝나고 나서 나누지 못한 얘기에 대해서 아쉬운 경우가 존재했고, 무슨 얘기를 했는지 모르게 흘러가는 경우도 존재했습니다. 그래서 이후에는 미리 이야기하고 싶은 아젠다를 사전에 전달했습니다. 아무런 토픽없이 만나는 것보다 미리 주제를 공유하고 만났을 때 상대와 저 모두 긍정적인 경험을 하는 확률이 높았습니다.

기존에는 데이터분석가에 한정해서 커피챗을 진행하다가, 어떤 기회로 직무 관계없이 네트워킹을 진행하게 됐습니다. 그러고 나니 제가 하는 고민이 굉장히 국소적이고 다른 관점에서 생각해 볼 수 있다고 느껴졌습니다. 이런 점에서 다양한 사람과의 만남을 지향하고 있습니다. 단, 첫 만남에는 뚜렷한 목적 (그 시간을 통해서 얻을 수 있는 무언가)를 가지고 접근하려고 노력합니다.

첫 만남 이후에도 몇몇 분들과는 계속 연을 이어오고 있습니다. 그 만남을 통해서 새로운 모임을 이어가기도 하고, 진심으로 응원하는 사람들이 생긴 것 같아서 기쁩니다.

다짐글의 목표

제 목표는 다음과 같았습니다.

1) 글또 8기 6개월 동안 2주마다 글 제출을 모두 완료 (제출률 100%)

저도 사람이라서, 여러 가지 변수를 마주하다 보니 100% 제출은 하지 못했습니다. 그렇지만 패스권을 제외하고는 모두 제출했으니 스스로 칭찬해주고 싶습니다. 그리고 패스권의 존재가 감사하게 여겨지네요.

2) 배움을 활용해 본 프로젝트 사례를 게시글 3개 이상의 시리즈물로 연재 (지표 혹은 BI와 관련된 것이 될 것 같음)

시리즈물로 글을 쓰는 것에는 실패했습니다. 그 이유를 생각해 보자면, 위에 말했던 것처럼 워낙 많은 발산을 진행 중이었고, 스스로도 정리되지 않은 부분이 존재했기 때문이라고 생각합니다. 그렇지만 지표라는 것에 대해서 끊임 없이 연구하고 사내 구성원, 경영진과 토의하고 고생했던 내용을 글로 적어보고 싶은 마음이 있습니다. 이것은 다음 기수를 하게 된다면 꼭 시도해보고 싶습니다.

3) 다른 사람들과의 오프라인 교류 10회 이상 (그 속에서 긍정적인 영향을 주는 그룹 만들기)

10회라는 수치적 목표는 초과한지 오래고, 어떤 식으로 네트워킹을 진행해야 양쪽에 의미 있는 순간이 되는지까지 고민하고 적용했습니다. 이 부분은 초과 달성이라고 할 수 있겠네요. 나중에 글로 정리해 보면 좋을 것 같습니다.

4) 분석가로서 나만의 뾰족한 점이라고 자신 있게 말할 수 있는 분야에 대한 글 적기 (없으니까 만든다는 의미)

이 목표를 다시 보니 그때는 정말 뭘 몰랐구나, 라는 생각이 듭니다. 개개인의 장단점은 분명히 존재하기 때문에 뾰족한 것은 없는 게 아니라 찾지 못했다는 생각이 듭니다. 그리고 지금 다시 생각해 보면 뾰족한 게 꼭 있어야 하나라는 생각도 드네요. 이 목표는 저에게 큰 의미가 없어진 것 같긴 합니다. 수렴하는 것도 필요한 부분이지만, 제가 느끼기에 가장 중요한 것은 성장을 멈추지 않는 긍정적인 자세입니다. 이 바닥은 멈추지 않는 사람이 승자인 것 같다는 생각을 많이 하게 된 것 같습니다.

거창하게 회고를 하고 싶었지만, 또 여러가지 벌려놓은 스불재(스스로 불러온 재앙)를 수습하러 가야 하기 때문에 짧은 회고를 마칠까 합니다. 저의 글을 읽어주신 분, 저와 만남을 가지신 분, 그렇지 않더라도 언젠가 만날 모든 분들에게 정말 감사드립니다. 다음 기수에 또 뵐 수 있기를 희망합니다.

데이터 분석가는 어떻게 조직이 '행동'하게 할 수 있을까?

cong_ — Sun, 18 Jun 2023 01:46:22 +0900

저는 올해 초, 스타트업의 데이터 분석가로 입사했습니다. 직무를 피벗 하면서 주도적으로 일하는 것을 원했던 저에게 참 감사한 순간이었습니다.기쁨도 잠시, 저는 많은 부담감에 시달렸습니다. 가장 큰 이유는 제가 1인 분석가였기 때문이죠.

기존에 조직에는 데이터 분석가가 없었던 상황이었고, 저는 R&R을 새롭게 만들어 나감과 동시에 조직에 데이터를 통해 기여하기 위해서 고민했습니다.

이때 제가 가장 많이 했던 생각은 '내가 잘할 수 있을까?', '내가 틀리면 어떡하지?'와 같은 두려움의 부류였습니다. 그래서 업무 외 시간에는 닥치는 대로 '데이터'라는 키워드가 들어가 있는 거의 모든 강의, 세미나, 네트워킹, 스터디 등에 참여해 왔습니다.

그렇게 반년 가까이를 보내면서 미니 번아웃과 채찍질을 반복했고, 지금도 아직 많이 부족하지만, 초반보다는 직무적으로, 삶의 방식에서도 조금은 요령이 생긴 것 같아 정리하는 마음에 글을 쓰게 되었습니다.

많은 데이터 분석가 분들이 알고 계시듯이, 분석가의 역할은 스펙트럼이 정말 넓기 때문에 어떤 주제를 쓸까 고민하다가 가장 어려운 데이터 문화, 그 중에서도 분석을 통해 변화를 일으키는 '행동'을 촉구하는 것에 고민했던 내용을 쓰게됐습니다.

제가 데이터 문화를 만들어 나가는 과정은 성윤 님의 강의 PM을 위한 데이터 리터러시에서 많은 도움을 받았는데요. 여기서는 크게 데이터 문화를 만들기 위해 필요한 요소로 기술적 관점, 역량 관점, 인식과 경험 관점으로 나누어 설명합니다.

이전에는 데이터 문화의 기술적 관점, 역량 관점을 주로 다뤘던 글을 적었었는데 이번에는 인식과 경험 관점에 관한 글을 적어보고자 합니다. 이 글을 통해 저와 비슷한 상황이신 분들과 공감하고 싶고, 조언을 얻고 싶은 마음입니다.

이 글의 목적

데이터 분석가로 재직하며 조직의 데이터 문화를 만들어가는 과정, 그중 조직이 행동하게 하는 것에 대한 내용을 정리해 보았습니다.

예상 독자

데이터를 통해 조직의 행동 변화를 만들고 싶은 데이터 분석가, PM, 그 외 모든 구성원

입사 초반의 이야기

본격적으로 조직의 행동 촉구에 대한 내용을 말하기 전에, 입사 초반 이야기를 조금 해보려 합니다.

입사 후 한 달 동안은 조직의 데이터 구조를 파악하기 위한 시간을 보냈습니다. 당시에는 많은 데이터 추출 요청을 처리하면서 내부 DB의 테이블 구성과 특징들을 살펴보았습니다. 다양한 데이터 요청들에 대해서 이것들을 왜 보시고 어디에 사용하려고 하시는지 끊임없이 물어보고, 이 데이터들을 찾으려고 여러 가지 문서를 검색해 보면서 어디에 어떤 정보가 들어있는지 파악하는 시간을 가졌습니다.

그 외 시간은 조직의 비즈니스 모델을 확인하고 어떤 구조로 수입원을 얻는지 확인했습니다.

그리고 주로 어떤 지표를 중요하게 보는지, 그것들을 트래킹 하여 어떤 액션을 취했는지를 확인했습니다. 그리고 다양한 구성원들과 커피챗을 진행하면서 현재 가장 해결하고 싶은 문제들을 물어보며 이것들을 데이터로 어떻게 도와드릴 수 있을지 고민했습니다.

제품에서 더 중요하다고 여겨지는 사이드는 데이터 트래킹이 상대적으로 잘 이루어지고 있는 반면에, 꼭 필요하지만 상대적으로 중요성이 덜한 사이드는 제대로 트래킹이 되고 있지 않았습니다. 그래서 저는 이 서비스에 관한 문제를 가설나무를 활용해서 MECE 하게 쪼개고, 어떤 지표들을 봐야 할지, 이후에는 어떤 Action을 할 수 있는지를 생각해 보는 시간을 가졌습니다.

지표가 없는 상태에서 가설나무를 그리면, 어떤 지표를 뽑아야 할지 가이드가 생깁니다. 이때 DAU, MAU와 같은 기본적인 지표부터 리텐션, 코호트 차트, 퍼널 차트 등을 구축하고 과거와 데이터 분석을 진행하고 앞으로의 Action Plan들을 정리하여 조직의 경영진과 함께 이야기했습니다.

지금 생각해 보면 그때 참 떨렸습니다. 고작 한 달 밖에 안된 사람이 바로 회사를 설립한 경영진과 이야기를 하려니 부담감이 컸었죠. 조직의 현재 상황을 냉철하게 전달하는 용기도 데이터 분석가에겐 항상 요구되는 것 같습니다. 그리고 그 용기를 위해서는 내가 도출한 인사이트가 편향되지는 않았는지, 신뢰할 수 있는지를 끊임없이 확인하는 과정이 필요했습니다.

경영진의 의사결정 과정은 좀 더 거시적인 측면이 강합니다. 미래를 생각하면서 전사의 방향을 맞추어 가야 하기 때문이죠. 기존의 히스토리를 잘 알지 못했던 상황에서 제시했던 큼지막한 액션 플랜들은 바로 적용하기 조금 어려웠고, 몇 가지는 진행하기로 하였으나 진행이 더뎠습니다.

그 이후

저는 진행이 더딘 이유가 제가 비즈니스에 대한 이해가 부족해서, 그리고 현업의 실제 고민과 괴리가 있어서라고 생각했습니다. 그래서 경영진, 현업과 더 많은 대화를 나누어 가면서 실제로 데이터를 통해 도움을 주기 위해서 노력했습니다.

구성원들이 데이터에 쉽게 접근할 수 있도록 데이터 마트, 대시보드를 만들고 분석 보고서를 공유하고 미팅을 가졌습니다. 그러던 중 어느 순간부터 이런 생각을 하게 됐습니다.

나는 다양한 것들을 했는데, 왜 바뀌는 게 없는 것 같은 느낌이 들지?

시간이 지나고 나니까 제가 작성한 회의록, 컨플루언스, 대시보드는 점점 쌓여만 가는데 내가 개선에 기여하지 못하고 있다는 느낌이 들었습니다. 왜 그런지를 깊게 고민해 보니 몇 가지 이유가 있었습니다.

더 긴급하고 중요한 일을 처리하는데 리소스를 사용하느라
액션에 필요한 비용이 부담돼서
아직 액션을 실행할 최적기가 아니라고 생각해서
주도적으로 액션을 실행할 사람이 없어서

여러 이유 가운데 주된 부분은 비즈니스 임팩트와 관련된 내용이라는 생각이 들었습니다. 분석을 통해 가설과 액션을 설계하는 것도 중요하지만, 결국에는 액션을 해서 얻을 수 이익이 어느 정도가 되는지를 알아야 그것에 자원을 투입할 수 있다는 점이죠.

결국 기존의 아이템에 대한 생각은 '해서 좋은 건 알지만, 뭐가 얼마나 좋은지는 모르니까 일단 급한 것부터 할게'의 느낌이었던 것 같아요. 특정 지표를 개선하기 위한 가설을 세우는 것과, 비즈니스 임팩트를 계산하는 일은 또 다른 일이었습니다.

없던 데이터를 볼 수 있도록 만들고, 그것들을 쉽게 볼 수 있게 하고, 거기서 중요한 것들을 지표화하고, 해석해서 이런 것들을 하면 좋을 것 같다. 까지 제안했지만 그래서 그것이 어떤 '가치'가 있는지까지 증명을 해야 하니, 참 어렵습니다.

하지만 한정적인 자원을 적절하게 사용하기 위해서는 당연한 일이라고 생각합니다.

특히나, 투자 시장이 얼어붙고 매출과 영업이익이 주요 지표가 된 요즘 상황에서는 이 비즈니스 임팩트라는 것이 더 중요한 개념으로 다가오는 것 같습니다. 저는 조직의 매출액, 고정비, 변동비, 공헌이익, LTV, CAC, payback period 등의 지표를 살펴보면서 어떤 지표의 개선이 가져올 수 있는 유닛이코노믹스를 계산했습니다.

이 과정에서 정말 삽질을 많이 했는데, 이와 관련된 내용은 추후에 다른 글로 더 자세히 다뤄보겠습니다.

이 부분에서 재밌었던 점은 리텐션 1%p를 개선하는 것보다 객단가와 고객수를 높이는 것이 장기적으로 훨씬 큰 임팩트를 준다는 것이었는데요. 정량적으로 임팩트를 수치화하고, 이런저런 관점에서 보니까 왜 특정 아이템들의 진행 속도가 더뎠는지 이해가 되는 부분이었습니다.

결국에 경영진, 현업의 의사 결정자들은 직관적으로 당장 수익, 비용에 영향을 미치는 부분을 우선순위로 해결하려 했기 때문이라는 생각이 들었습니다.

비즈니스 임팩트를 계산한 이후 기존의 아이템 리스트를 가지고 지금 하는 일보다 더 큰 임팩트를 낼 수 있으니까 우선순위를 조정하라고 주장하는 것은 사실상 좀 힘들다는 생각이 들었습니다. 제가 정의한 문제는 '데이터를 통한 의사결정으로 행동을 하는 것이 더디다.'라는 것이었기 때문에, 조금 다른 측면에서부터 접근을 시도했습니다.

첫 번째로, 조직의 데이터 성공경험을 많이 만드는 것입니다.

성윤 님의 강의 PM을 위한 데이터 리터러시에서는 조직 구성원들에게 데이터 기반의 성공 경험을 계속해서 만들어나가는 것이 데이터 문화의 형성에 중요하다고 말합니다. 이것은 사람을 변화하도록 해야 하기 때문에 난이도가 높습니다.

하지만 여기서 사람이란 변수는 정말 다양하기 때문에 오히려 기회라고 생각했습니다.

저는 일단 조직 내에서도 상대적으로 액션 하기 쉬운 상대들을 찾아서 데이터를 통한 컨설팅(?)을 진행했습니다. 예를 들어, 새로운 기능을 기획해야 하는 디자이너에게 유관한 기존 기능들에 대한 데이터 리포트를 공유해서 기획의 발판을 마련해주었습니다.

이 경우에는 어차피 해야하는 일이면서도 데이터를 통해서 더 좋은 결과를 만드는 데 기여할 수 있는 좋은 케이스였습니다.

이외에도 마케팅 문구를 조금 달리해보는 실험을 설계해보는 것,

준수되어야 할 리스크 지표를 raw data로 보고 계시는 분에게 리스크 대시보드를 만들어주는 것 등의 시도를 했습니다.

이런 식으로 데이터 분석을 바탕으로 신규 기능을 런칭해 이것의 효과를 확인하고, 특정 지표의 개선을 하고, 대시보드를 통해서 위험 요소를 사전에 대비하는 등 크고 작은 경험을 만들어 나가고 있습니다.

두 번째로, 전략가의 포지션을 만드는 것입니다.

강의에서는 데이터를 보조적인 역할이 아닌, 주도적인 역할로 인지하도록 바꾸는 것이 중요하다고 말합니다. 사실 이것은 다른 것들보다 저한테는 조금 쉬웠는데요. 데이터 추출의 역할을 최소화하고 분석과 이것을 통한 액션 아이템을 계속해서 함께 전달했습니다.

특히 저는 액션이 더딘 것에 답답함을 느껴서 아예 조직 내에서 구조적인 운신의 폭을 넓혔습니다. 입사 초기를 말씀드리며 설명했던 관리되지 않던 사이드의 액션을 촉구하기 위해서 TFT 설립을 제안해서 만들었습니다.

그리고 조직 내 포지션에서 액션을 주도적으로 촉구하기 위해서 기존팀에서 PM팀으로 이동을 요청을 해서 옮겼습니다.

실제로 이동 이후 PM과 기존보다 더 많은 커뮤니케이션을 통해 속도감 있게 일할 수 있게 되었습니다. 이런 부분에선 스타트업이 주도적으로 일을 할 수 있는 부분에서 강점이 있는 것 같습니다.

마지막으로, 앞서 산출한 비즈니스 임팩트를 활용하는 것입니다.

이 임팩트를 대략적으로라도 측정할 수 있는 이상, 우리는 대부분의 것을 정량적으로 이야기할 수 있습니다.

이것은 어떤 일을 해야 하는지, 실제로 어떤 가치가 있는지에 대한 더 좋은 고민을 할 수 있는 발판이 됩니다.

또, 제안을 할 때에도 힘을 실어주고 일의 우선순위를 판단할 수 있기 때문에 우리는 기존보다 더 기민하게 움직일 수 있습니다.

하지만 임팩트를 제시한다고 해도, 사실 앞서 말한 두 가지 방법이 수반되지 않으면 시행은 어려운 것 같습니다.

아무리 논리적이고 합리적인 제안도 그것을 말하는 사람이 누구냐에 따라 결과는 천차만별이기 때문에 신뢰를 얻는 것이 가장 중요하다고 생각합니다.

반년 만에 데이터 문화를 논하는 것은 조금 이르다고 생각합니다. 저도 아직 부족함을 느끼고, 앞으로 가야 할 길이 훨씬 더 많은 것을 알고 있습니다.

하지만, 이런 시행착오를 겪으며 조금 더 성장하는 제 모습을 깨달았을 때, 미니 번아웃이 오지 않고 앞으로 더 나아갈 수 있는 동기부여가 되는 것 같습니다.

제가 이 일을 하며 느꼈던 점은, 데이터 분석가는 시야를 넓게 가져야 한다는 점입니다. 행동이 왜 안되는지를 생각하다 보니, 경영자의 마인드에서 자꾸 생각하게 되는 관점의 전환이 있었습니다.

그래서 어떤 것이 중요한 건지, 우선순위의 우위에 있는 것인지를 조금은 더 쉽게 판단할 수 있는 눈이 조금은 키워진 것 같습니다.

또 한 가지로 데이터 분석가도 시대의 흐름에 맞춰서 고민의 비중을 조정해야 한다는 것입니다. 자금이 돌지 않는 현재 시점에서는 더 보수적으로 비즈니스 관점을 생각할 줄 아는 사람이 경직된 상황에서도 행동을 이끌어낼 수 있지 않을까 생각합니다.

영감을 받은 곳

- PM을 위한 데이터 리터러시 인프런 강의

파이썬으로 시작하는 통계학개론(2)

cong_ — Sun, 4 Jun 2023 08:39:24 +0900

지난 게시물에 이어서 확률 분포를 다루고자 합니다.

이번 게시물에서는 포아송, 정규화, 표준화, 근사, 음이항분포에 대해 여러가지 개념 정리와

문제를 바탕으로 이해해보는 시간을 가졌습니다.

1.6. Poisson distribution

포아송 분포 Poisson distribution

단위 시간/공간 당 사건의 발생 횟수에 대한 확률 분포

ex) 1시간에 몇 건의 구매가 발생했는지? (판매량, 발생량을 흔히 포아송 회귀로 모델링)

단위시간/공간

각 페이지에 나타날 오타의수에서 <페이지>
하루동안 길냥이를 마주치는수에서 <하루>
1시간 동안 팔린 커피 수에서 <1시간>

𝑃 (𝑋 = 𝑥; λ) = \frac{λ^{x} e^{- λ}}{x!}, x = 0, 1, 2, \dots

큰 특징 중 하나로 평균과 분산이 모두 모수인 람다로 같음 (표준편차가 아니라 분산)
실제 데이터로부터 포아송 관련 모델링을 할 때는 평균보다 분산이 큰 경우가 더 많음 (= 과산포 overdispersion)
- 현실에서는 과산포가 매우 일반적인 문제, 그럴때는 평균을 람다의 기준으로 잡으면 된다.
- 요일 정보는 포함 가능하지만, 온도 정보는 포함 못한다. (변수 2가지) 그래서 과산포가 발생
- 이를 해결하기 위해 음이항 분포를 사용하기도 함
이항분포에서 n이 무척 크고 p가 낮아지면 람다 = np인 포아송으로 근사가 가능하다.
- 컴퓨터가 발달하지 않았던 시절, 유용한 기법. 원리는 다음과 같음
이 분포가 포아송 분포가 맞냐? 하는 것에는 정답이 없다. 그러나, 단위 시간당 사건의 발생횟수라는 개념을 적용하는 것

문제 1.6

파이썬으로 포아송 분포Poisson distribution를 구현해보세요.

from scipy.stats import poisson
import matplotlib.pyplot as plt

def pmf_poisson_graphing(lamb):
    '''
    주어진 lambda에 대한 확률값을 시각화한다.
    x의 범위는 [0, 3*lambda]이다.
    '''
    
    xs = range(0, 3*lamb)
    ps = [poisson.pmf(x, lamb) for x in xs]

    fig, ax = plt.subplots()
    ax.plot(
        xs, ps,
        marker='o'
    )

    plt.show()
    
#Input
    
pmf_poisson_graphing(3)
pmf_poisson_graphing(7)

1.7. Standardization and Normalization

여러 자료의 단위를 맞추는 방법으로 가장 널리 쓰이는 두 가지 방법

데이터의 스케일을 맞추는 방법으로 분포 형태를 바꾸진 않음

표준화 Standardization

평균을 0, 표준편차를 1로 맞춰주는 변환, 주로 통계학에서는 표준화를 사용

서로 다른 분포를 비교하기 위해 분산과 표준편차를 표준에 맞게 통일하는 방법

통계학에서는 표준 정규분포를 많이 쓰기 때문에표준화 사용 경향이 강하다.

X = \frac{X - \bar{X}}{s t d (X)}

정규화 Normalization

최솟값을 0, 최댓값을 1로 맞춰주는 변환, 주로 딥러닝에서는 정규화를 사용

서로 다른 단위의 데이터를 비교하기 위해 데이터의 간격을 늘리거나 줄이는 방법

X = \frac{(X - m i n (X))}{m a x (X) - m i n (X)}

어느 하나가 우월하다고 말하긴 어려움 (상황에 따라 다름)
논문 참조시 해당 논문에서 사용하는 기법을 그대로 따라가는 게 좋다.

문제 1.7

iris 데이터 셋에서, sepal length를 표준화 및 정규화해보세요. 이전과 이후의 차이를 시각화하여 비교해보세요.

from sklearn import datasets
import pandas as pd
import matplotlib.pyplot as plt

iris = datasets.load_iris() # 데이터 꺼내기
X = pd.DataFrame(iris.data, columns = iris['feature_names']) # pandas df로 변환

sepal_length = X['sepal length (cm)']
sepal_length_normalized = (sepal_length - sepal_length.min()) / (sepal_length.max() - sepal_length.min()) # Min-Max scailing
sepal_length_standarized = (sepal_length - sepal_length.mean()) / (sepal_length.std()) # Z-Score Normalization

#Input
fig, (ax1, ax2, ax3) = plt.subplots(ncols=3, figsize=(15,5))
ax1.hist(sepal_length, color='skyblue')
ax1.set_title('Original')
ax2.hist(sepal_length_normalized, color='skyblue')
ax2.set_title('Normalization')
ax3.hist(sepal_length_standarized, color='skyblue')
ax3.set_title('Standardization')
plt.show()

각각 다른 Output이 도출되는 것을 확인할 수 있다.
아래는 분포별 데이터 스케일링 결과를 비교한 자료 (출저: 김채형님 블로그)

1.8. Approximation

근사 Approximation

거의 같은 것, 근사 유무보다는 얼마나 근사가 되었는가?로 표현될 수 있음

근사를 하는 이유

다른 분포들보다도 정규분포가 지수족 관점에서 보면 증명/정리가 쉽다
꼭 정규분포가 아니라, 더 쉬운 분포로 근사하는 것 (일반적으로 정규분포로 바꿔서 사용하긴 함)

문제 1.8

포아송 분포와 정규 분포를 이용해 이항 분포를 근사Approximate해보세요.

from scipy.stats import binom, poisson, norm
import matplotlib.pyplot as plt

def poisson_binom_plot(n, p):
    lamb = n * p
    mu = n * p
    std = (n * p * (1 - p))**(1/2)

    x_min = int(-n*0.2)
    x_max = int(n*1.2)

    probs_binom = [binom.pmf(i,n,p) for i in range(x_min, x_max+1)]
    probs_poisson = [poisson(lamb).pmf(i) for i in range(x_min, x_max+1)]
    probs_norm = [norm(loc=mu, scale=std).pdf(i) for i in range(x_min, x_max+1)]

    plt.plot(range(x_min, x_max+1), probs_binom, alpha=0.5)
    plt.plot(range(x_min, x_max+1), probs_poisson, alpha=0.5)
    plt.plot(range(x_min, x_max+1), probs_norm, alpha=0.5)
    plt.legend(['binom', 'poisson', 'norm'])
    plt.title(f'N={n}, p={p}')
    plt.show()
    
#Input

poisson_binom_plot(5, 0.9)
poisson_binom_plot(20, 0.4)
poisson_binom_plot(20, 0.9)
poisson_binom_plot(40, 0.9)
poisson_binom_plot(100, 0.0001)

주의사항

정규분포는 n이 작아도 이항분포와 거의 비슷한 분포
그러나, p가 굉장히 작거나 커지면 근사가 꽤 어긋남. 특히, p가 0이나 1에 가까워지면 X가 0보다 작거나 n보다 클 확률이 0보다 커질 수 있음 (10개의 동전을 던졌을 때 앞면이 11개 or -1개가 나올 확률이 0보다 크다는 의미로 말이 되지 않음)
- 정규분포와 달리 이항분포는 비대칭, 0이나 1근처에서 비대칭이 심해지는 문제 발생
광고 CTR은 일반적으로 1% 미만이며 추천 시스템에서 다루는 노출대비 클릭 또한 1% 미만인 경우가 많다.
- 따라서 이러한 비율의 검정시 정규 근사를 아예 이용하지 않는 것이 좋음
- 이항 분포를 직접적으로 이용하거나
- 베이지안 통계학을 도입하는 것을 선호

1.9. Negative binomial distribution

음이항 분포 Negative binomial distribution

p의 확률로 r번 성공할 때까지 베르누이를 시행하는 확률 분포.
베르누이를 시행한다는 것은 성공과 실패만 있는 확률 변수를 실현(시행)한다는 것.
ex) 동전이 r번 앞면 나올 때까지 동전을 던지는 것. 성공이 아닌 실패가 포인트. (negative)

P (X = x; r, p) = (\binom{r + x - 1}{r - 1}) p^{r} (1 - p)^{x}, x = 0, 1, \dots

이항분포처럼 모수 시행횟수(n)을 고정할 수 없음
마지막 시행이 항상 성공으로 고정되기 때문에 조합에 r대신 r-1이 들어가고, r번 성공하기 때문에 p를 r제곱하게 됨

문제 1.9

당신은 영업을 뛰고 있으며, 각 잠재 고객에게 영업이 성공할 확률은 동일하게 70%라고 가정합시다. 당신은 하루에 10건의 영업을 성공시키면 집에 갈 수 있습니다. 이때 영업 성공 횟수가 이항 분포를 따르는지 확인해보기 위한 시뮬레이션을 완성시키세요.

import numpy as np
from tqdm import tqdm
import matplotlib.pyplot as plt
from collections import Counter

def try_till_success(n):
    '''
    1. 1회씩 시도(Bernoulli)하여 성공 횟수가 10회 누적될 때까지 try count를 누적시킨다
    2. 10번 성공하면 try_counts에 append 한 뒤 초기화
    3. 1~2를 n회 반복
    *numpy에는 Bernoulli가 없으니 이항 분포에서 n=1로 하여 대신 사용한다.

    '''
    try_counts = []
    for _ in tqdm(range(n)):
        try_count = 0
        success_count = 0
        while success_count < 10:
          try_count += 1
          success = np.random.binomial(1,p) # 이항분포는 베르누이 시행을 n번 반복한 것이기 때문에 n=1은 베르누이 분포라고 볼 수 있음
          if success:
            success_count += 1
        try_counts.append(try_count)
    return try_counts

def bar_plotter(nums):
    '''
    matplotlib이 제공하는 히스토그램은 여러 개를 겹쳐그릴 때 이쁘지 않아 bar plot으로 대신 그렸다
    '''
    num_counter = Counter(nums)
    plt.bar(
            num_counter.keys(),
            num_counter.values(),
            width=0.9, alpha=0.3
           )
    plt.show()
    
    
    
#Input
    
n = 100000
p = 0.7
try_list = try_till_success(n)
nb_list = [10+np.random.negative_binomial(10, p) for _ in range(n)]
binom_list = [np.random.binomial(int(10/0.7**2), p) for _ in range(n)]

try_counter = Counter(try_list)
nb_counter = Counter(nb_list)
binom_counter = Counter(binom_list)

plt.figure(figsize=(12,10))
plt.subplot(2,1,1)
plt.bar(try_counter.keys(), try_counter.values(), alpha=0.3)
plt.bar(nb_counter.keys(), nb_counter.values(), alpha=.3)
plt.legend(['try till sucess', 'negative binomial'])

plt.subplot(2,1,2)
plt.bar(try_counter.keys(), try_counter.values(), alpha=0.3)
plt.bar(binom_counter.keys(), binom_counter.values(), alpha=.3)
plt.legend(['try till sucess', 'binomial'])
plt.show()

이항 분포로 위 상황을 취급할 경우, Output으로 출력된 분포가 다른 것을 확인할 수 있다.

파이썬으로 시작하는 통계학개론 (1)

cong_ — Sun, 21 May 2023 14:53:30 +0900

통계를 공부하는 이유

데이터 분석을 할 때 여러가지 통계 기법이나 모델을 활용하는데요. 이 때 통계에 대해 확실하게 이해하고 있어야 오류없이 적재적소에 잘 활용해서 보다 더 정확한 결과를 얻어낼 수 있습니다. 또한, 통계는 단순 평균을 구하더라도 아웃라이어 체크, 중복 검사와 같은 건강 체크를 하고 검증 가능한 가설을 세워 조작적 정의를 할 수 있도록 도와주는 데이터 리터러시를 키워준다고 생각합니다.

비전공자 출신으로 통계학의 기초부터 다시 공부해보고자 하는 니즈가 항상 있었는데, 실무를 하며 당장 필요한 것이라고 느끼기는 힘든 분야라서 공부를 미뤄왔습니다. 그러던 중 이번에 모두의 연구소에서 Introduction to Basic Statistics in Python라는 웹북을 가지고 스터디에 참여하게 되어 공부 한 내용을 차례대로 정리해나가고자 합니다. 공부한 내용과 실습 코드 그리고 추가적으로 알면 좋을 내용들을 정리할 예정입니다.

1.1 Probability

통계, 머신러닝 모델은 대부분 확률분포에 의존해 있기 때문에 이를 이해해야 모델의 유용성과 한계를 알고 적절하게 사용할 수 있다.

확률 변수 random variable

확률적으로 값이 결정되는 변수, 동전을 던졌을 때 윗면이 무엇인지

확률 분포 Probability distribution

확률 변수가 어떤 값일 확률을 나타내는 함수, 윗면이 앞면(뒷면)일 때 확률이 얼마인지 알려주는 전환기(함수)

𝑃 (𝑋 = ℎ 𝑒 𝑎 𝑑) = p

확률 probability

어떤 사건이 일어났을 지에 대한 가능성을 0~1 사이의 숫자로 표현한 값, 동전을 던졌을 때 확률 변수가 앞면(뒷면)일 가능성의 값

사건(사상) event

확률변수에서 관측될 수 있는 결과의 집합

표본 공간 sample space

가능한 모든 사건의 집합

일반적으로 대괄호로 표기 ex) {'head','tail'}

공정(fair)하다

각 사건의 확률이 동일하다는 것

동전을 실제로 던지면 확률 변수가 실현 realize 된다.

문제1. Probability

공정한 동전을 던졌을 때, 앞(Head) 또는 뒤(Tail)가 나올 확률을 구하는 함수를 작성해보세요.

def pmf_coin(outcome):
    '''
    본 함수는 동전을 던졌을 때 나오는 결과(Head 혹은 Tail)를 입력값으로 받는다.
    입력값 outcome이 Head와 Tail 둘 중 하나일 때는 0.5, 그 외에는 0이 확률이 된다.
    확률 변수의 형식으로, 주어진 outcome에 대한 확률을 출력한다.
    '''
    if outcome in ["Head", "Tail"]:
        p = 0.5
    else:
        p = 0

    print(f"P(X = x) = {p:.2f}")
    
pmf_coin('Head')
#P(X = x) = 0.50

pmf_coin('Tail')
#P(X = x) = 0.50

pmf_coin('etc')
#P(X = x) = 0.00

set {} 을 활용하면 시간복잡도가 더 적게 들 수 있다.
list는 끝까지 확인을 하기 때문에 처리되는 속도는 set이 더 빠르다.

1.2. Probability distribution

균일 분포 Uniform distribution

사상이 무엇인지와 무관하게 확률이 동일한 분포

베르누이 분포 Bernoulli distribution

베르누이 시행은 어떠한 시행을 했을 때 두 가지 결과, 즉 성공 실패 가능성을 가지는 시행

동전 던지기 뿐 아니라 결과가 두 가지인 시도, 예컨대 생존/사망이나 정품/불량 등의 수많은 문제를 다룰 수 있다.

일반적으로 결과가 두 가지(이진 Binary)인 상황을 베르누이로 다룸

모수 parameter

확률 분포에서 모수란 그 확률 분포의 특성을 나타내는 수

베르누이 분포에서 동전에서 앞면이 나올 확률이 모수가 되고, 정규 분포에서는 평균과 분산이 모수

지지역 Support

확률 분포에서 확률 값이 0이 아닌 확률 변수 x의 집합

발생 가능한 사건 (head, tail)은 지지역으로 변환 가능, 발생 불가능한 사건 (동전이 세워진다.)은 확률이 0이며, 지지역으로 변환불가

\begin{array}{r} 𝑃 (𝑋 = 𝑥; 𝑝) = {\begin{cases} 𝑝^{𝑥} (1 - 𝑝)^{(1 - x)}, & x = 0, 1 \\ 0, & o t h e r w i s e \end{cases} \end{array}

수식해석

확률변수 X를 확률 분포인 P에 넣어준 것
대문자 X: 확률변수, 소문자 x: 아직 정해지지 않은 값
; 뒤의 p: p가 모수로 주어진다는 의미
{ : 여러가지 케이스를 나눠서 보는 것. 대표적인 케이스 혼합분포 Mixture distribution

문제2. Probability distribution

파이썬으로 베르누이 분포를 구현해보세요.

def pmf_bern(p, x):
    '''
    주어진 p와 x에 관한 베르누이 분포의 확률 값을 반환한다.
    x는 0과 1만이 가능하다.
    '''
    if x in [0, 1]
        prob = p**x*(1-p)**(1-x)
    else:
        prob = 0
    print(f"P(X={x}; p={p}) = {prob:.2f}")
    return prob

pmf_bern(p=0.7, x=1)
P(X=1; p=0.7) = 0.70

pmf_bern(p=0.2, x=1)
P(X=1; p=0.2) = 0.20

pmf_bern(p=0.2, x=0)
P(X=0; p=0.2) = 0.80

1번 동전 던지기 문제 같은 경우 균일 분포이면서 베르누이 분포이다.
균일 분포 != 베르누이 분포지만, 파라미터의 값에 따라 그 둘이 겹칠 수 있다.
임의의라는 표현은 모든 경우에 다 적용된다는 의미. ex) 임의의 양수는 0보다 크다*는 말은 모든 양수가 0보다 크다는 말

1.3. pmf vs pdf

이산형 확률 분포 Discrete probability distribution

확률 변수의 값이 이산적인 (0이나 1, 2와 같이 단절된 값을 가질 수 있는) 확률분포

확률 질량 함수 Probability mass function (pmf)

이산형 확률 분포에 대한 확률 함수

연속형 확률 분포 Continuous probability distribution

X의 값이 이산적이지 않고 연속적일 때 확률 분포

확률 밀도 함수 Probability density function (pdf)

연속형 확률 분포에 대한 확률 함수, X가 주어진 범위(표본 공간) 내에서 임의의 실수 값을 가짐

이산형 확률 분포는 다음과 같이 상대적으로 더 쉽게 계산이 가능

P (X = 1 o r 2) = P (X = 1) + P (X = 2) = \frac{1}{6} + \frac{1}{6} = \frac{1}{3}

그러나 연속형은 각 점에 대한 확률은 의미가 없고, 면적이 의미를 가진다.

ex)

p(0<x<0.3) = 0.6

P(x=0.3) = 0

하나 하나씩은 너무 작아서 limit을 적용하면 0이 나온다.

각 점 하나 하나로 보게 되면 전부 0이기 때문에 의미가 없다.

\begin{aligned} P (0 < X < 0.5; a = 0, b = 1) & = \int_{0}^{0.5} \frac{1}{b - a} d x \\ = \int_{0}^{0.5} 1 d x \\ = 0.5 \end{aligned}

문제3. Continuous probability distribution

파이썬으로 연속형 확률 분포의 하나인 연속 균등 분포를 구현해보세요.

def pdf_unif(x, a=0, b=1):
    '''
    주어진 a, b, x에 관한 균등 분포의 확률 값을 출력한다.
    '''
    if (a < x < b):
        prob = (x-a)*1/(b-a)
    else:
        prob = 0
    print("P(X=%s; a=%s, b=%s) = %.2f"%(x, a, b, prob))

pdf_unif(x=0.5)
#P(X=0.5; a=0, b=1) = 0.50

pdf_unif(x=0, a=-1, b=2)
#P(X=0; a=-1, b=2) = 0.33

pdf_unif(x=2.5, a=0, b=3.5)
#P(X=2.5; a=0, b=3.5) = 0.71

균일분포에서의 구간 [a, b]에서 확률은 구간의 길이에 비례한다.
따라서 구간 [a, b]의 길이인 (b - a)로 확률밀도를 나누어주면, 단위 길이당 확률을 얻을 수 있다.

1.4. Normal distribution

표준 정규 분포 Standard normal distribution (z분포)

평균이 0이고 표준 편차가 1인 정규분포

정규 분포는 평균Mean과 분산Variance이라는 두 개의 모수를 가진다.

세상 모든 정규 분포는 표준 정규 분포로 변환Transformation될 수 있다.

표준 편차 Standard deviation

표준편차는 분산의 제곱근으로, 둘 다 데이터가 얼마나 퍼져있는지를 가리켜 혼용되므로 정확한 수식에 유의

분산은 계산 과정 중 제곱이 들어가기 때문에 단위가 달라져서 표준편차를 더 많이 쓴다.

\begin{array}{r} 𝑃 (𝑋 = 𝑥; μ, σ^{2}) = {\begin{cases} \frac{1}{\sqrt{2 π} σ} e x p (\frac{(x - μ)^{2}}{2 σ^{2}}), & x \in R 0, & o t h e r w i s e \end{cases} \end{array}

임의의 정규 분포를 표준 정규 분포로 변환할 수 있다.

s d (X) = \sqrt{V a r (X)} = σ, t h e n s d (X / b) = \sqrt{V a r (X / b)} = σ / b

문제4. Normal distribuiton

파이썬으로 정규 분포Normal distribuiton를 구현해보세요.

from scipy.stats import norm # scipy 패키지를 사용합니다. 

def pdf_norm(x, mu=0, sigma=1):
    '''
    주어진 x, mu, sigma에 관한 정규 분포의 확률 값을 출력한다.
    '''
    prob = norm.pdf(x, loc=mu, scale=sigma)
    print(f"P(X={x}; mu={mu}, sigma={sigma}) = {prob:.2f}")
    
    
pdf_norm(0)
#P(X=0; mu=0, sigma=1) = 0.40

pdf_norm(1.96, 0, 1)
#P(X=1.96; mu=0, sigma=1) = 0.06

pdf_norm(-1, 2, 10)
#P(X=-1; mu=2, sigma=10) = 0.04

norm 안에 pdf라는 명령어가 또 있어서 인수가 총 3개 필요
분포들마다 여러가지 함수가 존재하고, 정확한 모델은 없다. 유용한 모델이 있을뿐이다.

1.5. Binomial distribution

이항분포 Binomial distribution

베르누이 분포가 1회의 시도에서 성공/실패를 다루었던 분포라면, 이항분포는 이를 n번의 시도로 확장한 분포

n회의 베르누이 시행을 합한 것 ex) 8개의 동전을 던지면 앞면이 몇 개 나오냐를 이항분포로 다룰 수 있다.

모수 공간 parameter space

모수가 의미 있는 값을 가질 수 있는 공간이며, 이는 집합으로 표현 가능

이항 분포에서 n은 1보다 크거나 같은 정수이고, p는 0과 1사이의 실수

𝑃 (𝑋 = 𝑥; n, p) = (\begin{matrix} n \\ x \end{matrix}) p^{x} (1 - p)^{(n - x)}, x = 0, 1, \dots, n,

첫번째 항은 조합 Combination. 여러 가지 경우의 수를 세어준다.
두번째 항은 성공이 x번 있었다는 것을 의미
세번째 항은 실패가 n-x번 있었다는 것을 의미
이항분포의 평균은 np ex) 성공확률이 60%, 시행횟수 10번일 경우 6번 성공
분산은 np(1-p), n 고정시 p가 0 or 1에 가까울 수록 분산 값이 커지고(결과값 변동이 크고) 0.5일 경우 최소

문제5. Binomial distribution

파이썬으로 이항 분포Binomial distribution를 구현해보세요.

from scipy.stats import binom # scipy 패키지를 사용합니다. 
def pdf_binom(x, n, p):
    '''
    주어진 x, n, p 관한 이항 분포의 확률 값을 출력한다.
    '''
    prob = binom(x, n, p)
    print(f"P(X={x}; n={n}, p={p}) = {prob:.2f}")
    
    
pdf_binom(x=3, n=10, p=0.3)
#P(X=3; n=10, p=0.3) = 0.27

pdf_binom(x=7, n=10, p=0.7)
#P(X=7; n=10, p=0.7) = 0.27

pdf_binom(x=50, n=100, p=0.1)
#P(X=50; n=100, p=0.1) = 0.00

이항분포에서 모수공간은 시행 횟수인 n이 정수로 떨어져야 하며 1보다 작을 수 없고, 확률인 p는 0과 1사이의 실수여야 함
정규분포의 경우 모수공간은 평균은 임의의 실수값, 분산은 0보다 큰 실수여야 함
모수 공간 밖의 모수를 설정하면, 확률함수는 제대로 작동하지 않음

데이터 분석가가 조직의 제갈공명으로 거듭나는 방법

cong_ — Sun, 23 Apr 2023 18:53:00 +0900

글을 쓰게 된 배경

데이터 분석가라는 직무는 회사의 규모, 도메인, 업무 방식에 따라서 성격이 많이 다릅니다. 때문에 "본인이 상상했던 일과는 다르다"는 이야기를 어렵지 않게 들을 수 있는데요. 속칭 데이터 추출만 하는 '쿼리머신'이 된 것 같아 커리어가 걱정된다고 이야기하시는 분들을 위해서 조직의 전략가로 포지셔닝하기 위해서 제가 시도했던 방법을 적어보았습니다.

예상독자

데이터 문화가 자리잡지 않은 스타트업의 데이터 분석가, PM
데이터 분석가 직무이지만, 실제 하는일은 단순 데이터 추출의 비중이 높으신 분
데이터 분석가 채용을 했는데, 어떤 역할을 부여하면 좋을지 고민이 많은 조직장

저는 스타트업의 1인 데이터 분석가입니다. 입사 초반에는 여러 개발자 분들이 나누어 담당하시던 데이터 추출 업무를 도맡아 조직의 데이터 구조에 대한 이해를 높였는데요. 데이터 구조에 익숙해질 무렵 점점 추출 요청이 많아졌습니다. 문제는 요청사항이 전부 다르기 때문에 비즈니스와 DB의 히스토리를 파악하는 과정에서 꽤나 시간이 필요하다는 점이었습니다.(이미 짰던 쿼리를 보는 것 포함) 그리고 데이터 분석가와 일하는 게 낯선 조직원도 '데이터 분석가 = 데이터 주는 사람'의 인식을 가지고 있어서 데이터 추출 요청을 하는 경우가 대다수였습니다.

저는 데이터 추출을 포함하여 업무에 사용되는 리소스를 줄이고, 데이터 분석가에 대한 인식을 바꾸기 위해서

리소스 최적화 - 측정 - 인식변화의 과정을 적용했습니다.

리소스 최적화

Redash 활용

Redash 화면 구성

redash란?

협업 데이터 쿼리 및 시각화를 위한 오픈 소스 자체 호스팅 플랫폼. 여러 데이터 소스들을 손쉽게 연결할 수 있고, 쿼리 편집과 대시보드를 활용하여 원활한 공유가 가능합니다.

저는 데이터 추출에 소모되는 리소스를 줄이기 위하여 redash를 적극적으로 활용하였는데요. 데이터 추출 요청이 오면 정기적인 사용여부를 확인하고, 자주 필요한 데이터의 경우 redash의 파라미터를 활용해서 구축해놓고 쿼리를 모르시는 분도 쓸 수 있도록 해두었습니다. 제목과 description을 활용해서 처음 보시는 분들도 어떻게 사용해야 하는지, 어떤 조건이 걸려있는지에 대한 내용을 알 수 있도록 했습니다. 태그를 활용해서 요청 부서별, 서비스별로 구분이 되도록 관리하고 있습니다. 사용이 매우 편리하고 접근성이 높습니다.

그리고 redash 사용현황을 주기적으로 모니터링하며, 잘 사용하시는지? 새로운 요청을 하실 때 기존에 구축되어 있는 항목은 아닌지?를 확인했습니다. 또한 잘 활용하시지 않는 경우, 이유를 물어봐서 불필요한 항목을 제거하고 개선하여 지속적으로 사용가능하도록 만들기 위해 노력하고 있습니다. 그 결과 추출 요청이 많이 줄었습니다.

커뮤니케이션 코스트 줄이기

다른 직무도 마찬가지겠지만, 데이터 분석가는 커뮤니케이션이 정말 중요한 요소 중 하나라고 생각하는데요. 요청하시는 분과 서로 이해하는 바가 달라 본래 처리에 필요했던 리소스보다 몇 배는 더 많이 사용하는 경우가 비일비재 합니다.

저는 이런 경우를 최소화하고자 두 가지 질문을 자주 사용합니다.

왜 필요하신가요?
요청하시는 분이 의도하신 것은 아니겠지만, 목적자체가 아직 확실하게 정의되지 않은 경우가 있습니다. 이럴 경우 분석가의 입장에서도 어떤 것을 원하는 것인지에 대해 생각해야 해서 많은 시간이 소요되는데요. 왜?라는 질문을 함으로써 해야 하는 일을 명확하게 정의할 수 있고, 요청자가 원하는 것보다 더 좋은 방법을 떠올리기도 합니다. 이것은 추출요청뿐만 아니라 데이터 분석이 필요한 경우에 더 많은 리소스를 줄일 수 있습니다.
~의 정의가 어떻게 되나요?
다양한 팀과 소통하는 데이터 분석가의 특성상, 생소한 용어들을 많이 접하게 되는데요. 같은 용어여도 사용하는 팀마다, 사람마다 의미하는 바가 다르기 때문에 정의가 어떤 것인지 꼼꼼하게 파악하는 것이 중요합니다. 컨텍스트를 알아야 되는 용어가 있다면 요청을 받을 때 미리 알아 놓아야 추후에 핑퐁을 효과적으로 줄일 수 있습니다. (이렇게 해도 핑퐁을 완전히 없앨 수는 없는 것 같지만요...)

위와 같이 리소스를 최적화했다면, 실제로 얼마나 효과가 있었는지 측정을 해야겠죠? 저는 이것들을 효율적으로 측정하기 위해서 다음과 같은 방법을 사용합니다.

측정

회사 자체의 협업툴이 따로 존재하지만 개인적으로 해당 업무에 얼마 정도의 시간을 투자하고, 느낀 점들을 기록하기 위해서 어떤 방식이 가장 좋을지를 고민했는데요. 아무래도 가장 허들이 낮고 편리한 구글 스프레드시트를 활용했습니다.

업무 시간 측정 및 셀프 평가 위한 구글 스프레드 시트

저는 이 시트를 아래와 같은 항목으로 구성했습니다.

요청일: 요청을 받은 일자
완료일: 요청을 완료한 일자
실소요 시간: 업무에 소요된 시간(분)
진행상황: 진행 중, 완료, 보류, 추가작업 등 상태에 맞게 카테고리화
요청부서: 요청을 한 부서 (스스로 하는 경우 데이터팀 기재)
요청인: 요청을 한 당사자
분류: 데이터 추출, 대시보드, 데이터 분석 등등 업무내용별 카테고리화
내용: 요청 및 작업 내용
작업툴: 작업에 사용되는 툴
링크: 요청 혹은 관련 스레드, 컨플루언스 링크
비고: 기타 작업에 참고해야 할 내용
회고: 업무가 끝나고 어떤 점이 어려웠는지? 어떤 부분을 잘했는지? 어떻게 하면 더 잘할 수 있는지? 등에 대해서 기재

위와 같은 형태로 업무를 관리하며 제가 느낀 장단점은 다음과 같습니다.

장점

어떤 업무에 어느 정도의 리소스를 사용했는지 정량적으로 관리
부서별 분석가 리소스 사용 현황 확인 가능
업무별 회고를 통해 셀프 피드백 가능
추후 비슷한 업무 진행 시, 히스토리를 찾아보는데 용이

단점

협업툴 외에 추가적으로 기재해야 하기 때문에 시간이 중복으로 소요될 수 있음
수동으로 기재하기 때문에 누락의 가능성 존재
다른 사람들과 공유가 불가능함 (= 다른 사람들이 내가 어떤 일을 하는지 상세히 파악하기 어려움)

위와 같은 단점이 존재하지만, 장점이 단점을 크게 압도하기 때문에 이런 방식을 도입이 도움이 되는 것 같습니다. 저는 이와 같은 방법을 통해 다음과 같은 측정을 했는데요.

입사 후 3개월 간의 업무 비중 변화

데이터 요청 관리시트를 통해서 파악한 입사 초 3개월의 업무 비중 모습입니다. 데이터 추출이 차지하는 비율이 점점 줄어듦을 확인할 수 있습니다. 요청 자체가 줄어들었을 수도 있기 때문에, 팀별 redash 사용률을 함께 확인하면 좋습니다.

3개월 간 데이터 추출 요청 소요시간 그래프

이것은 양 Y축의 단위가 다른 그래프의 모습인데요. 데이터 추출 요청에 실제로 소요된 총 시간과 요청별 평균 처리 소요시간을 알 수 있습니다. 그래프를 보면 추출에 사용한 절대적인 시간도 줄었고, 추출 요청에 대한 처리 속도도 상승한 걸 알 수 있습니다. 결과적으로 추출 리소스를 많이 줄일 수 있었고, 더 가치 있는 업무에 리소스를 많이 투여할 수 있었습니다.

앞서 확보한 리소스를 어떻게 더 가치있는 일에 사용할 수 있었을까요? 이것은 조직의 데이터 리터러시와 직결되는 문제라고 생각하는데요. 이 부분에서는 정성적인 노력이 많이 필요한 것 같습니다.

인식변화

문제해결(체험판) 제공

기업이 고객에게 상품을 팔거나 서비스 구독을 유도할 때, 샘플이나 무료 체험을 제공하는데요. 기업 = 나, 고객 = 사내 구성원으로 적용하여 데이터 분석가와 함께 일하는 방법을 경험하게 했습니다. 앞에서 왜?라는 질문으로 커뮤니케이션 코스트를 줄였다면, 그 질문을 통해 단순히 추출, 분석결과만 전달하기보다 어떤 액션을 할 수 있을지를 함께 고민하는 시간을 가지려고 했습니다. 엉덩이를 가볍게 하여 자리로 찾아가 요청자가 어떤 상황인지 더 이해하고 데이터를 통해 할 수 있는 액션을 함께 논의했습니다. 이렇게 조금씩 합을 맞춰가며 '저와 함께 일하면 이런 것들이 가능해요'라는 것을 조금씩 알린 결과, 점점 많은 분들이 문제 해결을 위한 고민을 저에게 나눠주시고 계십니다. (영업성공)

상부의 조력 얻기(상급자와 싱크 맞추기)

인프라가 아직 완전히 구축되지 않은 경우면 더더욱 조직장, 리드와의 커뮤니케이션이 중요합니다. 저는 혼자서 고민하는 시간 때문에 많은 일의 진행이 늦어졌는데요. 이를 위해서 CTO님과 1 on 1 시간을 최대한 활용했습니다. 한~두 달에 한번 있는 시간을 최대한 활용해서 많은 피드백을 받아야 성장할 수 있고, 환경이 바뀔 수 있다고 생각했습니다. 그래서 제 업무관리 시트를 활용해 시각화하고 업무 현황과 제가 느끼는 어려움 등을 공유했습니다. 충분히 개선의 여지가 있음에도 제가 말하지 않았던 영역이 많이 존재한다는 것을 깨달았습니다. 이후에도 CTO님의 조력으로 기본적인 업무처리에 소모되는 코스트를 많이 줄이고 있고, 저의 역할을 전략가에 가깝게 포지셔닝하는데 많은 도움을 받고 있습니다. 조력이 있는 것과 없는 것에는 정말 차이가 크기 때문에 상급자에게 지속적인 공유를 통해 싱크를 맞추는 자세가 필요한 것 같습니다. (특히나 혼자 있는 분들이라면 필수적인 요소입니다.)

위와 같은 과정을 겪으며 깨달은 점을 크게 3가지 정도로 나누어 공유해 볼까 합니다.

팁 3가지

친절한 것과 업무를 잘하는 것은 다릅니다.
친절함에 매몰되어 과한 인풋을 투입하거나, 우선순위를 변경하면 더 많은 리소스를 소요할 가능성이 있습니다. 이는 분석가의 리소스를 필요로 하는 다른 분들에게는 불친절한 일이 될 수 있습니다.
너무 빠른 아웃풋은 오히려 독이 될 수 있습니다.
급한 요청의 경우 바로 해주는 것이 맞지만, 우선순위는 높지 않지만 금방 끝나는 일이라 바로 처리하는 경우 상대방은 '이 정도면 이렇게 빨리 해줄 수 있구나'라는 인식을 심어줄 수 있습니다. 저는 다음과 같은 상황을 겪었습니다.

A 요청 ► 금방 하는 거네? 빠른 아웃풋 ► B도 안될까요? ► 해줌 ► 죄송한데 C도요 ㅜㅜ ► 본래 하던 일의 업무 흐름이 계속 끊김

이런 경험들이 쌓이다 보니, 빠른 아웃풋보다 업무를 처리하는 명확한 기준 필요하다고 느꼈습니다.
함께 일하는 가상의 coworker를 만듭니다.
혼자 일하다 보면 코드를 치는 것도, 업무를 관리하는 것도 내 머릿속에 늘어놓게 되는 경우가 늘어나는 것 같습니다. 그것이 빠르고 효율적인 방법이긴 합니다만, 우리는 언제까지고 혼자 일하지 않을 것이기 때문에 이러한 습관은 우리를 함께 일하기 어려운 사람으로 만들뿐더러, 현재 조직에서도 우리가 어떤 일을 하고 있는지 정확한 파악이 어렵게 만듭니다. 때문에 가상의 '데이터분석가2'를 만들고, 이 사람에게 계속 공유하며 일을 한다고 생각하면 이런 부분을 어느 정도 해소할 수 있는 것 같습니다.

앞으로 할 예정인 것들

정기 데이터 리포트 발행
결과물을 어느정도 범위로 해야 할지, 어떤 방식으로 해야할지 고민이 많은데요. 조직 구성원에게 액셔너블한 인사이트가 담긴 요소를 제공하면서 데이터 분석가 활용법을 전파하는 것이 목표입니다. (어떤 방법이 좋더라~ 하는 의견을 주실 분 언제나 환영합니다.)
데이터 교육
현재 정식적으로 데이터 교육을 시행하기보다 데이터 요청을 자주 하시는 분들을 위주로 의사소통을 할 때마다 조금씩 지도를 하며 양육(?)을 하고 있습니다. 지금 하고 있는 것들이 많아서 아직 정식적인 세션을 운영하진 않았는데요. 장기적으로 필요한 일이라서 어떤 방식이 우리 조직에 최적일까?를 고민하고 있습니다. (이 부분도 다른 분들의 사례를 수집하고 있습니다.)
검색이 가능한 데이터 카탈로그 도입
앞서 게시했던 데이터 거버넌스 관련 글에서 데이터 카탈로그에 대한 이야기를 언급했었는데요. 조직원이 SQL을 활용할 줄 알아도 데이터 구조를 모르면 아무런 효용이 없습니다. 이것을 해결하기 위해서 데이터 구조와 스키마를 확인할 수 있는 데이터 카탈로그를 도입하려고 계획 중입니다. 다른 업무와의 우선순위에서 밀리는 것 같지만 최대 3Q 내에 도입하는 것이 목표입니다.

마무리

글의 초입에 썼던 것처럼 회사마다 상황이 다르기 때문에 어떤 방법이 우리 조직에 적합한지에 대해서는 정답이 없습니다. 데이터 분석가 직무 역할에 대한 고민이 있으시거나 조직의 데이터 문화를 디벨롭하기 위한 고민을 하시는 당사자분들이 이 글을 보고 조금이나마 도움이 되셨으면 하는 마음으로 글을 적어보았습니다.

거창하게 썼지만 전략가로 거듭나기 위한 방법은 결국, 조직원들의 마음을 얻고 그들이 더 좋은 가치를 만들 수 있도록 도와주는 것이라고 생각합니다. 저도 아직 제갈공명의 수준이 되려면 갈 길이 멀었지만, 자고로 헤드라인은 최대한 자극적으로 써야한다고 배웠습니다.

제가 생각하는 목표는 대략 이런 모습일까요

제가 많은 분들과 이야기해 본 결과, 조직에서 데이터 분석가에게 뭔가를 원하는 때는 "그들의 주장에 근거를 찾고 확신을 얻고 싶을 때"입니다. 구성원들에게 힘을 실어주고 신뢰받는 데이터 분석가이자, 조직의 제갈공명이 되기 위해서 앞으로도 많은 시도와 실패를 반복할 예정입니다. 위에도 언급했지만, 이와 관련된 이야기 혹은 다른 어떤 주제라도 함께 나누고자 하는 분들을 언제나 기다리고 있습니다.

데이터 시각화 커뮤니티 Vizable basic 과정 회고

cong_ — Sat, 8 Apr 2023 11:46:53 +0900

비저블의 마스코트 비구름

데이터 시각화 커뮤니티 Vizable의 basic 과정을 마무리하며 얻은 태블로 지식과 결과물을 정리하는 글입니다.

예상독자

태블로로 데이터 시각화를 하고자 하는 데이터분석가, 마케터, PM 등 현업자 및 취업 준비생
Vizable 활동에 관심이 있는 분

태블로란?

데이터 시각화 분석 도구로, Drag & Drop 과 몇 가지 계산식을 이용하여 데이터 시각화를 효과적으로 할 수 있음

Vizable이란?

데이터의 시각적 분석을 스터디하는 비즈니스 인텔리전스 커뮤니티. 다양한 산업군의 멘토, 멘티들과 함께 BI 분야의 다양한 스터디 및 네트워킹 행사, 실무 활용사례 특강, 기업 탐방, 컨퍼런스 프로젝트, Tableau Software 사와 협업 전시 부스 제작 등 다양한 활동을 진행

왜 했는가?

태블로를 업무적으로 활용하는 것이 처음이었는데, 실무에서 좋은 BI(Business Intelligence)를 제작하고 싶었습니다. 단순히 시각화 툴 사용법이 아닌 비즈니스에 대한 이해와 스토리텔링을 여러 사람들과 교류하며 경험하며 성장하고 싶었습니다.

Vizable의 basic 과정은 주차별로 태블로의 기능에 대한 VOD를 학습하고 이를 활용해서 결과물을 제작하는 것이었습니다. 결과물을 공유하고 멘토, 멘티들과 피드백을 주고 받으며 시각화 퀄리티를 높일 수 있는 다양한 팁을 공유했습니다. 5주동안 수행한 내용을 모두 담고 있다보니, 글이 좀 길어질 수 있어 대략적으로 보고 싶으신 분들은 각 과제별 하단부 요약을 참고해주세요. 멘토, 멘티님들이 남겨주신 피드백을 보완 부분에 담았습니다.

Week 1. 데이터 시각화 차트 3개 만들기

기본적인 차트 유형을 배우고 3가지 유형의 차트를 활용해보는 과제를 수행했습니다.

사용 데이터 : Real World Fake Data - Season 1 Call Center

1. 바 그래프

차트 설명: 콜센터별 처리 건수를 막대의 길이로, 고객의 감정 상태를 색깔로 구분하고 건수와 구성 비율을 텍스트로 나타냈습니다.

차트 활용 방안 : 막대그래프를 활용하여 각 센터가 상대적으로 얼마나 많은 민원을 처리하고 있는지 확인할 수 있으며, 운영에 대한 평가지표로 활용이 가능합니다. 또한, 고객의 감정 상태 비율을 확인하여 센터별 고객 응대 난이도를 파악하는 데 유용합니다. 이 정보를 활용하여 센터 내 직원 배치, HR 효율 지표 등에 사용할 수 있습니다. 현재 Los Angeles/CA의 처리 건수가 가장 높은 것으로 확인되며, 감정 상태의 비율은 모든 센터 전반적으로 비슷한 편이나 건수가 많은 센터일수록 Very Negative 비율이 더 높은 것을 알 수 있습니다.

2. 맵

차트 설명 : 미국의 주별 민원 발생 건수가 많을수록 빨간색, 적을수록 검은색으로 구분하여 지도에 표기하고, 건수와 주 이름을 텍스트로 나타냈습니다.

차트 활용 방안 : 주별로 발생하는 민원 건수를 직관적으로 파악할 수 있습니다. 고객 수 대비 민원 건수를 확인해야 정확하겠지만, 현재 California와 Texas의 민원 건수가 압도적으로 높은 것을 확인할 수 있습니다. 이를 바탕으로 해당 지역에만 영향을 미치는 기술적인 오류나 서비스 품질 저하가 있었는지를 가늠할 수 있어 문제의 근본적인 원인을 파악하는 데 도움이 될 수 있습니다.

3. 하이라이트 테이블

차트 설명 : 도시별, 민원 사유별 평균 통화 시간을 직관적으로 확인할 수 있습니다. 평균 통화 시간이 짧을수록 파란색, 길수록 빨간색에 가까워집니다.

차트 활용 방안: 도시별로 민원 처리에 대한 난이도를 정량적으로 확인하고 평가 지표로 활용하거나 근본적인 원인 해결에 활용할 수 있습니다. Vermont의 경우 Payments와 Service Outage 민원에 대한 평균 통화 시간이 매우 높은 편인데, 이를 통해 해당 지역 담당자 혹은 고객의 이해도가 떨어지거나, 서비스적 결함이 존재할 수 있다는 가설을 세우고 문제 해결에 활용이 가능합니다.

요약

바 그래프에서 컬러를 활용하면 각 항목을 이루고 있는 구성 비율을 표기하기 좋습니다.
맵 시각화는 지역별 특성과 분포를 확인하는데 유용합니다.
하이라이트 테이블은 카테고리별로 분석하고 싶은 측정값과 특징을 한 눈에 볼 수 있습니다.

보완사항

그래프 내에 단위를 표시해주면 더 쉽게 이해할 수 있습니다.
'마크 항상 표시' 기능을 이용하면 크기가 작아서 나오지 않던 레이블도 보여줄 수 있습니다.

양수값 내에서 2가지 컬러를 사용하는 경우에는 색상 범례를 함께 표기해주는 것이 좋습니다.

Week 2. 인플루언서 데이터로 시트 3개 만들기

인플루언서 더미 데이터를 활용해서 막대차트, 라인차트를 필수로 사용하고 다양한 차트와 배우지 않았던 차트 중 하나를 구현하는 실습을 진행했습니다.

대시보드 목적: 3월 한달동안 열심히 광고협찬 컨텐츠를 찍어내고, 우수한 성과를 낸 인플루언서들에 한해서만 4월달에도 계약을 유지하기 위함

가설

- 인플루언서별 단가가 존재할 것임 (팔로워 수, 게시글 업로드 수 등)

- 그렇다면 단순히 클릭수가 높다고 해서 계약을 하는 것이 아니라, 얼마나 효율적인가?를 봐야한다고 판단됨

기본지표

노출 수 (Impression): 노출 수는 광고가 유저에게 보여지는 횟수

참여 수 (Engagement): 좋아요, 댓글, 공유 등 게시물에 대한 고객의 참여율

추가지표: 대시보드를 구성하기 위한 추가적인 지표를 정의함

- 클릭률 (CTR; Click Through Rate): 클릭수 / 참여수

광고를 본 유저들이 얼마나 자주 클릭하는지 나타내는 비율

- 게시물 효율 (Post Efficiency): 노출수 / (팔로워수 * 게시물수)

인플루언서별 팔로워수가 각각 다르기 때문에, 노출 수를 팔로워 수*게시물 수로 나누어 해당 인플루언서의 게시물이 실제로 얼마나 효율이 좋은가?에 대해서 확인하고자 함 (보통 인플루언서 마케팅의 경우 팔로워 수, 게시물 수에 따라 광고비가 책정되기 때문에 이 두 가지에 대해 종합적인 판단을 위해서 해당 지표를 생성)

1. 혼합 그래프

차트 설명 : 인플루언서별 평균 CTR을 선 그래프로, 클릭 수 합계를 막대그래프로 나타낸 뒤, 이중축을 적용했습니다.

차트 활용 방안 : 추가 지표로 사용한 CTR을 라인 그래프로 나타내었습니다. 이를 통해서 어떤 인플루언서의 게시물이 실제 클릭을 이끄는지 확인할 수 있습니다. 다만, 절대적인 지표도 확인을 해야하기 때문에 클릭 수 합계를 막대그래프로 표시하였습니다. 이 그래프를 활용하여 가장 많은 클릭을 나타내는 인플루언서가 어느정도의 CTR을 보유하고 있는지 참고하여 재계약 의사결정에 활용할 수 있습니다. 예를 들어 압도적으로 높은 클릭수를 가진 인플루언서를 선택할 수 있고, 비슷한 수준의 클릭 수를 가진 인플루언서는 CTR을 보고 참고하여 계약 여부를 결정합니다.

2. Top N 바 차트

차트 설명: 위에서 정의한 게시물 효율 지표를 활용하여, Top 5 인플루언서 바 차트를 만들었습니다.

차트 활용 방안: 게시물 효율 지표는 팔로워 수와 게시물 수에 대비하여 얼마나 많은 노출을 이끄는가?를 확인할 수 있습니다. 즉, 가성비가 얼마나 좋은지 확인할 수 있는 지표입니다. 차트에 따라 상대적으로 효율이 압도적인 인플루언서는 우선적으로 계약하는 것이 ROAS에도 좋은 영향을 미칠 것으로 판단됩니다.

3. 워드 클라우드

차트 설명 :게시물별 해시태그를 바탕으로 워드클라우드를 구성했습니다. 평균 CTR에 따라서 색이 더 붉은 색으로 변하며, engagement의 합계에 따라서 크기가 달라집니다.

차트 활용 방안 :필터를 통해서 인플루언서, 테마별로 확인할 수 있으며, 키워드가 많은경우 engagement의 범위를 조정하여 확인이 가능합니다. 이를 활용하여 자사에서 주력하고자 하는 브랜딩 or 제품에 따라 어떤 인플루언서와 계약하는 것이 좋을 지를 판단할 수 있고, 역으로 어떤 키워드가 효율이 좋은지를 판단하여 마케팅 전략에 활용할 수 있습니다.

4. 퍼널 차트

차트 설명 :노출, 참여, 클릭을 각각 퍼널로 정의하고 고객의 전환율이 얼마나 되는지 확인하는 퍼널차트를 생성했습니다. (실제로는 퍼널이 아닐 수 있으나 여기서는 퍼널로 정의)

차트 활용 방안 :필터를 통해서 전체, 인플루언서별 퍼널 전환율을 확인할 수 있습니다. 3가지 지표를 동시에 확인하고 퍼널별 전환율을 확인하여 인플루언서의 특징(노출대비 참여율이 떨어지지만 클릭수는 높은편 등) 을 확인할 수 있고, 계약 이후에는 각 게시물별 필터를 새롭게 적용하여 특정한 게시물에 대한 광고 효율 확인 및 개선도 가능합니다.

- 사실 좀 더 멋있는 퍼널차트들을 레퍼런스 삼았지만, 생각보다 난이도가 있어서 최대한 단순하게 구현했습니다. 원본 데이터로는 퍼널차트에 활용할 수가 없어서 click, engagement, impression을 피벗하여 데이터를 가공하였습니다.

- 가로세로 크기가 다 반영된 차트를 구현하면, 각 퍼널 간 차이가 너무 커서 알아보기 힘들었습니다. 따라서 세로 길이를 맞춰 가독성을 높이기 위해서 간트계산식 (([값]/2)*-1)을 생성하고 간트차트로 표현했습니다.

- 위에서 구한 평균 CTR과 아래 퍼널의 click에 표기되는 CTR을 통일하고자 했는데, 계산식을 어떻게 적용해야할지 헷갈려서 퀵테이블 계산을 이용하여 총 합계에 대한 구성비율로 표기했습니다.

요약

콤보 차트를 활용하여 두 가지 지표를 한번에 확인할 수 있습니다. 또한 서식에서 레이블 표기 단위를 바꿔 그래프를 더 깔끔하게 만들 수 있습니다. 테두리 설정을 하는 경우가 더 깔끔해보이는 경우도 있습니다.
Top N 바 차트는 상위권에 소속된 상품의 특징을 보다 직관적으로 확인할 수 있습니다.
하이라이트 테이블은 카테고리별로 분석하고 싶은 측정값과 특징을 한 눈에 볼 수 있습니다.
워드클라우드에서 크기, 색깔을 활용하여 자료의 빈도를 확인할 수 있습니다.

보완사항

마케터를 위한 성과 모니터링 대시보드를 위해서는 주 단위로 집계해서 명확하게 비교 가능한 지표가 나오는 것이 좋습니다. (주 별 집계 + 전 주 대비 증감율)
마우스 오버를 활용하여 각 항목에 대한 세부 정보들을 보여주는 방법을 활용하는 것도 방법입니다.
퍼널 차트의 비율을 굳이 크기에 반영하지 않고 대시보드 상에서 고정된 크기에 값을 노출시키는 방법으로 보기 좋은 차트를 만들 수 있습니다.

Week 3. 태블로 집계 방식과 계산된 필드

사용데이터: RWFD Retail Transactions

위 데이터를 활용하여, 매출 데이터를 구하고자 했습니다. 사용 전 Order Amt 가 문자열로 구분되어 있어

FLOAT(SPLIT([Order Amt],'$',2)) 를 사용하여 새로운 [주문금액] 필드를 만들었습니다.

[시트1] 테이블 계산을 필수적으로 활용하여 원하는 지표의 전월 대비 증감량과 그 증가율을 확인할 수 있는 시트를 만들어주세요.

해당 Retail 데이터는 매출과 할인금액등이 기재된 데이터입니다. 여기서 가장 대표가 되는 매출을 메인 지표로 삼고, 각 월별 매출 금액과 증감액, 증감율을 함께 표시하였습니다. 이 시트를 활용하여 전월 대비 매출 추이를 확인할 수 있습니다.

[시트2] 아래 함수 중 2가지 이상의 함수를 자유롭게 사용하여 “하나의” 시트를 작성해주세요

금액별 순위

RANK(sum([주문금액]))

평균 주문금액

WINDOW_AVG(sum([주문금액]),FIRST(),LAST())

최대 주문금액

WINDOW_MAX(sum([주문금액]),FIRST(),LAST())

최소 주문금액

WINDOW_MIX(sum([주문금액]),FIRST(),LAST())

평균 이상 이하 컬러

if sum([주문금액]) - [평균 주문금액] > 0 then '평균이상'

elseif sum([주문금액]) - [평균 주문금액] < 0 then '평균이하'

else '평균' end

전체 Location City별 매출을 기준으로 순위를 볼 수 있고,

전체 평균과 최대, 최소 주문금액을 확인하여 도시별 매출이 어느정도 되는지를 확인할 수 있게 하였습니다.

평균값을 활용하여 컬러 필터를 적용하여 매출이 전체 평균이상인 도시의 값은 초록색으로, 평균이하인 도시의 값은 붉은색으로 나타냈습니다. 해당 시트를 활용하여 전체 매출 대비 특정 도시의 매출이 어느정도 되는지 확인할 수 있으며, 캠페인 프로모션 등 전략에 활용할 수 있습니다.

요약

CASE WHEN은 IF의 부분집합입니다. IF 조건문에서 "같을 때(=)"에 대한 함수를 CASE WHEN으로 대체할 수 있습니다.
ex) IF [a]=1 THEN [b] ELSE [c] END ► CASE [a] WHEN 1 THEN [b] ELSE [c] END 로 대체 가능
IF [a]>=1 THEN [b] ELSE [c] END ► CASE WHEN 문으로 대체 불가능
ATTR : 입력한 식(그룹)의 모든 행이 단일값만 포함하면 주어진 단일값을 반환하고, 그렇지 않으면 별표(*)를 반환합니다.
조건문에 집계값을 반환해야해서 계산식이 만들어지지 않을때 사용하는 마법의 함수입니다.
퀵테이블 계산을 우선적으로 활용하고, 좀 더 복잡한 계산식을 구현할 때 RUNNING, WINDOW와 같은 함수를 사용하는 것이 좋습니다.
ZN(필드명)

보완

워크시트 내에서 색상을 다르게 하는 방법 (저희 조 민구님이 알려주셨습니다.)
1. 측정값을 한번에 텍스트 마크에 올림
2. 세부정보 마크에 측정값 이름을 올림
3. 색상마크에 측정값을 올림
4. 색상에 올라간 측정값을 우클릭 > 별도의 범례 사용 클릭
5. 각 범례를 원하는 색상으로 편집
Tableau 계산식 use case

Week 4. 코호트 차트 그려보기

1. 코호트 차트 제작

(1) 코호트 차트 동영상 보고 따라해보기

가장 먼저 동영상을 보고 Superstore 데이터를 활용해서 똑같이 따라해 본 코호트 차트의 모습입니다. 여기서 더 예쁘게 작업을 할 수도 있었지만 동영상을 보면서 단순히 두 번째 구매일만 가지고 코호트 차트를 구성하는 게 좀 아쉽다고 느껴져서 코호트 차트를 왜 보는가?에 대해서 다시 생각해보았습니다.

코호트 차트는 사용자 그룹의 생애주기에 따라 어떻게 변화하는지, 얼마나 자주 사용하는지를 파악하여 제품 사용 빈도를 높이기 위한 전략을 수립하기 위해서라고 합니다. 그렇다면 모든 구매건을 반영하는 게 좋다는 생각이 듭니다. 다행히 동영상을 보며 만든 계산식을 조금씩만 바꾸면 할 수 있을 것 같습니다.

(2) 새로운 기준의 코호트 차트 제작해보기

먼저 행 선반에 들어갈 코호트를 만들어줍니다. 동영상을 보며 만들었던 First Purchase를 활용합니다.

열 선반에 들어갈 Elapsed period (경과기간) 필드를 만듭니다.

저는 리텐션을 함께 확인하고 싶어서 LOD식을 활용해서 새롭게 만들어보려고 했는데, 오류가 났습니다. 그런데 어디서 많이 보던 오류입니다. 혹시나 하며 생각에 지난 차수에 배웠던 ATTR을 써봅니다.

역시나 였습니다. ATTR의 의미를 아직 정확히 모르겠어도 이런 느낌으로 사용하고 있습니다.

(3) preferences.tps 수정하여 팔레트 추가해보기

colorhunt에서 색깔을 가지고 왔습니다.

다음과 같이 수정 후 저장하였습니다.

차트를 완성했습니다. 고객 수 보다는 리텐션을 보는 것이 더 직관적이라고 생각해서 텍스트 표기와 색상에 적용하였습니다. 저도 저 공백 부분은 해결하지 못했습니다. 분석 - 테이블 레이아웃 - 빈 행 표시를 눌러 시도해보았으나, 우측 하단 나머지 부분까지 전부 색이 들어갔습니다. 미관상 저 정도는 괜찮은 것 같기도 해서 타협해봅니다.

2. 세명고 학업성취도 데이터 활용

위와 같은 가상의 학생 성적 데이터에 계산식을 적용해 퀴즈를 풀어봅니다.

QUIZ 1. 기존 성적 데이터로 새로운 성적 데이터 만들기

각 학생들이 받은 각 과목별 성적에, 학생들의 각 과목별 평균 성적을 더하여 새로운 성적을 만듭니다.

ex) 법과정치 평균 (44+6+6+38+10)/5 = 20.8 이기 때문에 연진이의 새로운 법과정치 점수는 44 + 20.8 = 64.8

위와 같이 LOD 식을 이용하여 새로운 점수를 만들어주고, 복제를 활용하여 생활과윤리, 윤리와사상도 만들어줍니다.

총계에 평균을 적용하고 검증했으며, 잘 적용된 것을 확인할 수 있습니다.

QUIZ 2. 기존 성적 데이터로 새로운 성적 데이터 만들기

위 그림과 같이 중간고사 데이터만 화면에 표시하고, 기말고사 데이터까지 포함한 평균값을 참조선으로 활용해야합니다.

제시된 시트의 참조선을 구현하기 위해서는 새로운 LOD 계산식 필드를 만들어야합니다.

위와 같이 전체 평균을 반영할 수 있는 필드를 생성하고 복제x2 하여 생활과윤리, 윤리와사상에도 적용해줍니다.

참조선 편집 - 값 에서 위에서 만들었던 계산식을 선택합니다. 이 때, 목록에 노출하기 위해서는 계산식을 먼저 세부 정보에 넣어줘야 합니다. 이후 원하는 값을 평균, 레이블을 값 으로 수정합니다. 이것 역시 2번 반복하여 생활과윤리, 윤리와사상에도 적용해줍니다.

완성입니다.

저는 태블로를 사용해오면서 LOD에 대한 깊은 이해가 없어서 매번 워크시트에서 퀵 테이블 계산을 여러번 누르고 중괄호를 붙였다 뗐다 하면서 제가 원하는 뷰를 만들었었는데요. 이번 강의를 듣고 과제를 진행하면서 더 깊은 이해를 할 수 있었던 것 같습니다.

요약

코호트 분석은 동일한 기간의 동일한 특성을 가진 유저들을 Retention과 Activation 관점에서 분석할 필요성이 있다면 산업군과 관계없이 다양하게 쓰일 수 있습니다.
신규 가입 기간별 코호트, 최근 7일 이내 특정 브랜드 상품을 장바구니에 넣은 유저 등 특정 기간 내, 특정 행동을 수행한 유저들의 행동 패턴을 분석합니다.

Week 5. 비즈니스 대시보드 만들기

RWFD Financail Consumer Complaints 데이터를 활용하여 대시보드 만들기를 수행하며, 요구사항은 다음과 같습니다.

Vizable USA Financial의 임원진들은 그동안 받았던 Consumer Complaints를 한눈에 볼 수 있는 대시보드를 필요로 합니다. 회사 Analytics팀의 일원이라고 생각하고 만들어 주세요.
적어도 3개의 KPI를 세팅하여 Tracking 해주세요
대시보드에는 적어도 3개 다른 Type의 차트/그래프를 사용해주세요.
대시보드와 함께 임원진이 어떤 Action을 가져가야 하는지 분석하여 설명하고, 그 Action에 대한 데이터적인 근거는 대시보드에서 명확하게 보일 수 있게 해주세요.

(1) 데이터 파악 및 전처리

- 민원 고객 수만 알 수 있기 때문에 민원 비율이 얼마나 되는지 확인할 수 없는 상황

► 절대적 수치를 가지고는 판단이 어렵기 때문에 %로 나타내거나 조합하여 활용할 수 있는 지표 선정 필요

- 날짜 데이터 형식 통일

- 데이터가 너무 광범위해서 의사결정에 방해됨

► 필터링

(1) 최근 3개년 데이터만 활용: Date Received 2018.01.01 ~ 2020.09.30

(2) 전체 필드를 최대한 활용하기 위하여 종결건만 포함: Company response to consumer != In progress

(3) 접수일이 제출일 보다 큰 건만 포함: Date Received > Date Sumbited

(4) 접수일과 제출일 차이가 1년 이하인 건만 포함: (Date Received - Date Sumbited) <= 365

총 16580행의 데이터로 대시보드 제작 진행

(2) 비즈니스 시나리오

Vizable USA Financial 임원

Vizable USA Financial 임원진은 민원 해결에 비용이 소모되는 것을 극도로 지양합니다. 여기서 비용이란 실제 금전 뿐만 아니라 시간을 환산한 가치 또한 포함됩니다. 또한, 민원 응대 품질의 저하는 장기적으로 더 큰 비용이 요구될 수 있기 때문에 이 또한 고려해야합니다. 임원진에게 어떤 Action을 바탕으로 민원 응대의 비용을 줄이고 효율화할 수 있을지를 비즈니스 대시보드를 근거삼아 설득해야합니다.

(3) KPI 설정

현재 취해야할 액션을 파악하기 위해서 3개년 데이터를 월별로 tracking 하는 대시보드를 기획했습니다.

- Total Complaint Volume: 총 민원 수

- Monetary Relief Rate: 전체 민원 중 금전적 구제 비율

- Required Days: 접수 소요일

- Timely Response Rate: 적시 응답률

- Needs Improvement Score: 개선 필요 점수 (기대 비용의 합으로, 높을 수록 개선에 집중해야함)

(금전적 구제 민원 건수*금전적 구제 평균 비용) + (평균 접수 소요일*민원 수) + (응답기한 초과 건수*품질 유지비용)

(SUM([Monetary used])*[Avg Monetary Relief Cost])+(avg([Required Days])*COUNTD([Complaint ID]))+(1-[Timely Response Rate])*COUNTD([Complaint ID])*[Quality Cost]

여기서 Avg Monetary Relief Cost, Quality Cost는 매개변수로 만들어 직접 기입이 가능하게 설정

기본값은 각각 100, 10

(4) 대시보드 활용방안

좌측 막대 차트를 활용하여 월별 각 메인 지표들의 추이를 확인할 수 있습니다. 매개변수 Base Month를 활용하여 기준월 조정이 가능하며 변경시 노출된 수치가 변경되고, 해당월에 컬러 하이라이트가 되며 우측의 모든 항목들도 기준월에 맞게 변경됩니다. 각 지표를 월별로 트래킹하며 기존 액션에 대한 평가를 할 수 있으며, 지표 증감에 따라 새로운 문제를 인지하고 원인을 살펴볼 수 있습니다.

우측 파이차트는 프로덕트별 민원 구성 비율을 나타냅니다. 해당 차트를 통해서 어떤 프로덕트에서 민원이 많이 발생하는지 확인이 가능하며, 선택 동작을 통해서 상세 이슈 내용과 Needs Improvement Score, 구성비율을 아래 테이블 차트에서 확인할 수 있습니다.

테이블차트의 이슈에 마우스 오버시, 해당 이슈에 대한 Need Improvement Score 라인 차트를 확인할 수 있습니다. 이를 통해서 각 세부 이슈에 얼마나 많은 기대 비용이 소모되어 왔는지 확인할 수 있습니다. 이때, 좌측의 스코어와 라인 차트도 함께 바뀌어 Score를 구성하는 지표 중 어떤 것이 더 많은 영향을 주었는지 확인이 가능합니다. Need Improvement Score는 우상단의 Avg Monetary Relief Cost, Quality Cost에 넣고자 하는 비용을 넣어 조정이 가능합니다. 정책의 방향성에 따라서 변수를 설정할 수 있습니다.

(5) Action Plan

- 전체 대시보드를 보았을 때, NIS(Need Improvement Score)는 감소하는 추세

- 좌측 라인그래프에서 Monetary Relief Rate를 확인해보면, 14.31%로 전월에 비해 1.79%p 상승했으며 전체 추이에서도 중간정도로 확인됨.

- 위와 같이 대략적인 흐름을 파악했다면, 이후에는 개별 프로덕트와 이슈별로 확인하는 작업이 필요함.

- 프로덕트 기준으로 가장 많은 민원이 발생하는 Checking or savings account에서도 Managing an account 이슈가 2,390점으로 가장 높은 NIS를 보유하고 있음. 이는 절대적인 건수가 압도적이기도 하며, 금전적 구제율도 17.16%로 전체 평균보다 높음. 이러한 상황에서 취할 수 있는 액션은 크게 2가지가 있음.

1) 사업부 내부적 액션: Managing an account에 대한 심화 교육 및 케이스 스터디 진행. 가장 많이 발생하는 만큼, 여러가지 케이스가 존재할 것이며 이에 대한 확실한 교육과 케이스 공유가 원활하게 이루어져야 함. 이를 바탕으로 응대 효율성이 개선되고, 결과적으로 소요시간 감축, 금전적 구제율 하락으로 기대 비용이 감소할 것임.

2) 사업부 외부적 액션: Managing an account 민원 수는 감소 추세이긴 하나, 지속적으로 상위권을 차지하고 있는 민원임. 따라서 근본적으로 이러한 이슈가 발생하지 않도록 voc를 취합하여 프로세스와 프로덕트 차원의 개선이 필요하며, 필요에 따라 추가적인 가이드 배부가 필요함. 절대적 민원 수 감소에는 기대비용 감소가 수반됨.

- Credit card or prepaid card 프로덕트에서 NIS 1,658점으로 가장 높은 수치를 보이고 있는 Problem with a purchase shown on your statement 이슈를 살펴볼 수 있음. 민원 건수도 58건으로 높은 비중을 차지하고 있으나, 금전적 구제율 27.59%, 접수 소요일 1.0day로 평균을 훨씬 상회하는 수치를 보유함. 여기서 취할 수 있는 액션은 앞서 나온 사업부 내부적 액션과 비슷하지만, 세부사항이 다름.

1) 사업부 내부적 액션: Problem with a purchase shown on your statement에 대한 심화 교육 및 케이스 스터디 진행. 금전적 구제율과 접수 소요 기간이 다른 이슈에 비해서도 높은 편임. 이는 이슈의 핸들링 난이도가 높을 수 있다고 생각할 수 있지만, 과거 흐름과 비교했을 때 상승하고 있는 추세임. 따라서 상담원 개개인의 핸들링 역량 부족으로 인한 요인이 더 클 수 있다고 판단됨. 따라서 비금전적 구제로 해결된 케이스들을 전사적으로 공유하여 교육할 수 있도록 하고, 비금전적 구제율이 높은 상담원들을 튜터로 내부에서 자체 세미나를 진행해볼 수 있음. 이 이슈는 접수 소요기간도 꽤나 긴 편인데, 단기간에 전체적인 역량을 끌어올릴 수 없다면 해당 이슈를 전문적으로 담당하는 몇몇 상담원을 지정하는 것도 하나의 방법임.

2) 사업부 외부적 액션: 위 Managing an account와 동일함

위와 같이 각 프로덕트별, 이슈별로 NIS가 큰 순서부터 우선순위를 적용하여 위와 같은 정책을 시행해볼 수 있으며, NIS를 구성하는 각각의 요소를 확인하여 세부적인 전략을 조정해나갈 수 있습니다.

요약

시각화는 단순히 예쁜 차트 구현과 계산식 활용법을 아는 것 보다, 그것을 어떤 문제를 해결하고자 사용하는 것에 집중하는 것이 중요합니다.
결과적으로 Action에 활용할 수 있도록 전체적인 시나리오를 대시보드에 담아내야 합니다.
Order of Operations와 인터랙티브 대시보드 기능을 잘 활용하면 사용자의 액션에 따라 원하는 인사이트를 다르게 제공해줄 수 있습니다.

회고

좋았던 점으로 주먹구구로 사용하던 LOD식을 체계적으로 활용해보며 계산식을 어떻게 구성해야될 지에 대한 개념을 제대로 익힌 것이 너무 만족스럽습니다. 배워도 금방 잊어버리는 기억력인데, 과제를 통해 바로바로 활용하게 되니까 단단히 자리 잡은 것 같아요. 그리고 가장 좋았던 점은 다른 멘티분들의 과제를 함께 볼 수 있다는 점 + 멘토, 멘티님들의 피드백이었는데요. 다른 분들의 결과물을 보면서 이렇게도 활용할 수 있구나하며 놀랐던 순간이 굉장히 많았습니다. 또한 각 과제물에 달리는 남겨주시는 멘토, 멘티님들의 피드백이 단순히 대상자분에게만 적용되는 게 아니라 저에게도 정말 많은 도움이 되더라구요. 그래서 틈날때마다 피드백을 확인하곤 했습니다.

아쉬웠던 점으로 저는 실무에서 시각화를 사용할 때 가장 간단한 막대 혹은 라인 그래프를 많이 활용하는 편인데요. 실제로 과제를 수행하고보니 원래 그랬던 것처럼 제가 익숙한 차트만 사용하려는 경향이 있더라구요. 과제를 하면서 의식적으로 사용하지 않던 차트도 활용해보려고 노력했는데 항상 시간에 쫓기며 하느라 더 다채롭게 시도해보지 못한 것 같습니다. 그리고 피드백을 보면서 도움을 받은 만큼, 저도 다른분들에게 다양한 피드백을 드리려고 했는데 생각보다 잘 해내지 못한 것 같습니다. 피드백 남기는 것도 상당한 시간을 필요로 하고 모바일로 보는 경우가 많은데, 내용을 보면서 댓글을 다는 게 너무 불편하더라구요. (핑계) 그럼에도 불구하고 항상 피드백을 주시는 멘토, 멘티님들을 보며 감탄했고, 반성했습니다. 마지막으로 혼자서 게시물을 보며 내적 교류는 많이 했지만, 실제 커뮤니케이션은 많이 하지 못한 것 같아서 아쉬웠습니다.

앞으로의 Action Plan은 이렇습니다.

- 과제 1개당 무조건 써보지 않은 차트 or 기능 1개 이상을 활용하고, 비즈니스 인사이트도 담아낼 수 있도록 한다.

- 과제 제출 마감 시간을 생각해서 제출일 당일부터 바로 과제를 시작한다.

- 피드백을 받은 이후 다른 분들의 과제 + 피드백 + 내 과제를 통합해서 정리하며 회고해보는 시간을 가진다.

- 출퇴근길에 네이버 카페앱 + 메모장을 활용해서 피드백을 달아본다.

- 커뮤니케이션에 적극적인 자세를 가진다 (피드백, 질문, 카톡을 많이 활용해본다).

이상 Vizable basic 과정 후기였습니다.

추후에 비즈니스 멘토링 과정 후기로 돌아오겠습니다.

회고: 스타트업에서 1인 데이터분석가가 (마음속에) 그로스팀을 만든 사연

cong_ — Sun, 26 Mar 2023 23:59:13 +0900

그로스(Growth)

나는 이 단어를 참 좋아한다. 대학시절부터 성장이라는 키워드를 나를 나타내는 단어 중 하나로 사용했었는데

어느 순간부터 비즈니스에서 사용한다는 것을 알게 됐다. 처음에는 그로스해킹이란 개념으로 더 많이 알려졌던 것 같다.

서비스를 성장시키면서 나도 같이 성장할 수 있다니 얼마나 멋있는 말인가?

그래서 그로스라는 것을 꼭 내 손으로 해보고 싶었다.

이런 집착은 유저 인터뷰를 하고, PMF를 찾고, 실제서비스를 만들어 운영하는 데까지 많은 힘이 되었다.

나는 이제 그로스를 좀 아는 놈이라고 생각했는데,

입사 3개월 차, 실제 스타트업에서 1인 데이터 분석가가 그로스를 한다는 것은 차원이 다른 일이라는 것을 깨달았다.

오히려 분석하는 시간보다 고민하는 시간이 훨씬 많을 정도로

때로는 벽을 만난 것 같은 답답함에 마주하기도 했고, 마치 내가 경영진이 된 것 같았다.

C레벨에서도 오랜시간 고민해왔을 부분을 나 혼자 고민하고 있는 게 맞는 건가라는 생각도 들었다.

그 와중에 이번에 IGAworks에서 주최하는 그로스 아카데미가 열렸다는 소식을 듣자마자 신청했다.

지금 하는 고민들의 실마리를 풀 수 있지 않을까라는 기대와 함께,

상대적으로 내가 잘 모르는 마케팅의 acquisition 부분까지 배워볼 수 있다고 생각했기 때문이다.

그리고 첫 회 연사는 그로스 해킹의 저자 양승화 님이셨다.

기존에 그로스 해킹에 대해서 책도 읽고 강의도 들었지만, 현장에서 듣는 내용은 생각보다 새로운 내용이 많았다.

강의를 들으며 배운 그로스에 대해서 다시 정의하자면 아래와 같다.

그로스해킹: 문제해결

우리가 어떻게 마주친 비즈니스 문제를 풀어갈 것인가?

Cross funtional team

아이디어 > 빌드 > 프로젝트 > 측정 > 데이터 > 배움 (린스타트업 개념)

그로스 해킹이란?

Cross funtional 한 직군의 멤버들이 모여서
핵심지표를 중심으로
실험을 통해 배움을 얻고, 빠르게 반복하면서
제품, 서비스를 성장시키는 것

그로스 해커는 없다

그로스 해킹 팀은 있지만, 그로스해커는 없다
그로스의 범위를 생각해 봤을 때, 개인이 할 수 있는 일이 아님
다양한 직군이 가진 전문성이 필요한 업무가 대부분
결국 그로스 업무를 위해서는 ‘조직’이 필요
그로스 해커를 채용하자 x -> 그로스 조직을 세팅하자 o

그로스 조직의 역할

1. 핵심 지표의 개선
- 핵심 지표를 정의하고, 측정할 수 있어야 함
- 가설-실행-검증을 통한 이터레이션
- 핵심 지표의 가시적인 개선
- 핵심 지표에 초점을 맞춘 실험을 진행하지만, 글로벌 최적화를 항상 같이 고려해야 함

2. 회사에 성장 DNA를 전파하는 조직

3. 그로스 조직 구성
그로스는 팀 스포츠이기 때문에 천재 한 명과 그를 따르는 사람들이 아닌, 각 분야의 프로페셔널들의 집단이 되어야 한다.
- 최소한의 구성 / 성장 실험을 할 수 있는 멤버
- 실험을 설계하고, 실험 환경을 구축할 수 있는 멤버
- 실험 결과 데이터를 분석할 수 있는 멤버

분명히 예전에 들었던 내용인데, 가장 중요한 부분을 놓치고 있었다는 생각이 들었다.

그로스는 '절대 혼자서 할 수 없다'는 것.

그러니 내가 답답함을 느꼈던 것도 당연한 일이다.

그래서 나는 결심했다. 내 마음속에 우리 회사의 그로스 팀을 만들기로.

그래서 PM과 마케팅 리드분에게 다시 한번 그동안 나의 인사이트를 공유하고, 목적을 상기시키며 (그동안에 계속 협업해 왔지만)

우리가 회사의 그로스팀이 되어야 한다고 생각한다며, 함께 해주기를 제안했다.

자 그럼 이제 무엇을 해야 할까?

그냥 우리끼리 으쌰으쌰 하면 되는 것 아니야?라고 생각할 수 있지만

정말 중요한 것은 전사에 성장 DNA를 퍼뜨려야 한다는 점이다.

특히 C레벨과의 소통이 중요하다는 내용이 다음과 같이 강의에서도 등장한다.

그로스는 top-down

- 그로스 조직의 첫 관문은 경영진 설득하기
- 경영진을 설득하지 않아도 되는 그로스 조직은, 출발선에서 10걸음 정도는 앞서서 출발하는 셈
- Bottom-up으로 성공한 사례는 없음
- 경영진이 데이터분석, 그로스해킹을 중요하게 생각하는 것 x
- 경영진이 데이터 분석, 그로스해킹을 위한 리소스와 지원, 시간을 내는 것

우리 회사에서는 다행히 리소스와 지원 그리고 이야기를 들어주는 시간까지 내어주고 계신다.

그렇다면 넥스트 스텝은 회사가 가려는 방향에 더 잘 갈 수 있도록 그로스 하는 것이 필요하다.

단순히 뜬구름 잡는 소리가 아니라 실제 비즈니스 임팩트를 낼 수 있는 그로스!

이번에 사내 플랫폼본부 워크숍을 가서도 여러 개발자분들과 함께 이야기하던 도중 이런 이야기를 들었다.

'제가 하고 있는 일이 고객에게 어떤 가치를 가져오는지 모르겠어요.'

나는 이 역할을 내가 할 수 있다고 생각했고, 해야만 한다고 느꼈다.

구성원들이 지금 가장 중요한 지표를 확인하며

자신이 어떻게 기여했는지 확인하고, 스스로 동기부여한다면 규모의 성장이 일어날 수 있지 않을까?

나는 1인 분석가라서 내가 잘하고 있는 게 맞나?라는 생각이 들 때가 많은데 이러한 태도가 나에게 가져다준 장단점이 있다.

먼저 장점으로는 외부와의 교류다. 다른 분석가는 어떠한 생각을 가지고, 어떻게 일할까?를 알고 싶어서 다양한 활동을 하고, 네트워킹을 하고 있다. 그 과정에서 얻는 인사이트가 내가 생각했던 것보다 훨씬 더 커서 너무나도 감사한 하루하루를 보내고 있다.

반면에 단점은 소극적인 내부 액션이다. 나의 분석이 틀릴 수도 있기 때문에, 최대한 다듬어질 때까지 공유하지 않고 오랜 시간 고민한다. 그런데 이러한 자세는 나의 성장뿐만 아니라 일의 속도에도 영향을 미친다.

한 분석가 모임에서 이런 이야기를 들었다. 스타트업에서는 명확하게 규정되지 않은 것들이 있지만, 그 때문에 내가 나의 역할을 정하고 더 많은 것들을 경험해 볼 수 있다고. 그리고 다른 곳에서는 이런 이야기도 들었다. 1인 분석가일 때만 해볼 수 있는 것들이 있다. 그리고 그런 것들을 해본 사람들이, 함께 일을 하는 곳에서도 더 잘할 수 있다. 이러한 이야기들을 통해서 나는 나의 마음가짐과 방향성을 다잡을 수 있었다.

앞으로 나의 Action Plan은 이러하다.

- 그로스 팀을 기반으로 서비스의 성장을 위해서 끊임없이 함께 고민하고, 공유하고, 앞으로 나아간다.

- 한 달 고민해서 하나의 내용을 공유하기보다, 매일매일 하나씩 분석하고 정리한 내용을 공유하는 자세를 가진다.

- 구성원에게 내가 하는 일을 알리고, 함께 고민할 수 있는 데이터 리터러시를 전파한다.

이런 계획으로 기대하는 바는 다음과 같다.

- 나는 구성원 모두에게 피드백을 받을 수 있다.

- 내부적 타임라인을 외부적 타임라인으로 만들어 강제성을 높인다.

- 혼자만의 변화가 아닌 조직 전체의 변화를 끌어낼 수 있다.(고 믿는다.)

- 경영진과 그로스팀 간 생각을 지속적으로 동기화한다.

한 달 후의 나는 이걸 잘 해내고 있을지 궁금하다.

지표설정을 하려했을 뿐인데 (feat.가설나무)

cong_ — Sun, 12 Mar 2023 20:21:57 +0900

어떤 문제를 풀고자 하시나요?

입사 후, 내가 회사 구성원에게 가장 많이 던진 질문이다. 회사의 현재 상황을 가장 빠르게 파악하고 구성원들이 풀고자 하는 문제를 같이 고민하며 내가 기여할 수 있는 부분을 찾고자 했다. (면접을 볼 때도 가장 많이 했고, 많이 받았던 질문. 이 질문의 효용 가치는 어마어마한 것 같다. 누가 먼저 시작했을까.) 실제로 이 질문을 통해서 각 팀이 현재 가장 중요하게 생각하는 부분과 전체적인 비즈니스 맥락을 파악할 수 있었다.

이후 앱 런칭을 앞두고 있는 상황에서 목표가 무엇인지, 이걸 활용해서 어떤 효과를 기대하고 있을지에 대해서도 많이 묻고 다녔다. 그런데 복잡한 비즈니스로 인해서 뚜렷한 지표가 있지는 않은 상황이었고, 내가 데이터 분석가로서 이 지표를 정의하는데 앞장서야겠다고 마음먹었다. 핵심 지표를 정의하고 구성원 모두가 그것을 위해서 노력할 때 (= 같은 그림을 보고 같은 꿈을 꿀 때) 서비스의 성장이 일어난다고 생각하기 때문이다.

처음에는 단순히 생각했다.

방문자를 늘리고, 활성화를 시키고, 리텐션을 늘린다. 익숙했던 AARRR 구조로 생각하면 되지 않을까?

하지만 사업이 초창기도 아니고, 비즈니스 모델이 내가 기존에 경험해 왔던 것처럼 단순하지는 않았기 때문에 실제로 지표를 정의하는데 많은 어려움이 있었다.

모르는데 어떻게 해요

비즈니스에 대한 이해도가 부족하고, 현 상황을 제대로 알지 못하는 상태에서 지표를 정의하는 것은 어불성설이기 때문에 우선적으로 현 상태를 파악하고자 했다. 이 과정을 좀 더 잘 진행할 수 없을까 고민하다 가설나무를 활용해서 먼저 서비스에 대한 진단을 내려보고자 했다. 그렇다면 가설은 뭘까? 이에 대한 내용을 정리한 후 내가 어떻게 활용했는지 적어보고자 한다.

가설과 검증의 사례

1. A(cohort)한 사람들은 B를 좋아할 것이다.

► A(cohort)를 정의, “좋아한다”를 정의 (C보다 B를 좋아한다 or 전환율이 n% 이상이다)

2. A feature가 B feature보다 반응이 좋을 것이다.

► A와 B를 동일한 조건에서 테스트 “반응”을 정의 (전환율 or 리텐션 … 어떤 것이 working 하는지?)

3. 유저들은 우리를 A 때문에 좋아할 것이다.

► A를 경험한 유저와 못한 유저의 전환율/이탈율 차이, Usability test, 이번달 기준으로 경험한 사람과 아닌 사람

4. 우리가 더 빨리 성장하지 못하는 이유는 A때문일 것이다.

► 이탈하는 유저들의 공통점 (설문, 로그 분석)
- 게임 회사의 경우 직전 로그가 이탈의 원인
- 서비스에 따라 다르지만 이탈 사유를 정의하기가 어려움 ► 보완하기 위한 설문조사
- 데이터 분석을 시도하고 어려우면 설문조사를 해보는 것도 방법

사용성 테스트(Usability test)란?
사용성 테스트는 잠재 사용자들에게 테스트를 진행하여 제품을 평가하는 기술이다. 사용성 테스트를 통해서 디자이너들은 UX에서 웹 사이트나 앱이 사용하기에 충분한지 나아가 가능한 문제들을 발견해 낼 수 있다. 사용성 테스트는 보통 개발자에게 프로젝트를 전달하기 전인 UX를 수립하는 단계에서 진행된다. 그렇게 제품이 완성된 후에 수정하는 불필요한 작업들을 최소화시킬 수 있다.
나아가 사용성 테스트는 사용자들이 제품을 사용하는 것을 관찰하며 그들의 니즈와 선호도를 깊게 알아볼 수 있는 좋은 방법이다. 디자이너들은 사용자 중심의 디자인을 만들기 위해 필요한 정보들을 추릴 수 있다. 또한 그렇게 모인 정보들은 UX 디자인에만 쓰이는 것이 아닌 다른 단계의 제품 개발에도 활용할 수 있다.

가설 검증을 위해서 기본적으로 갖춰야할 데이터
- 유저 중심 데이터 기획 : 데이터 식별자가 존재해야함
- 가장 raw 한 단위 = datetime이 있는 로그 (전사적으로 개념 확립하는 것이 중요)

식별자
- 유저 1명당 단일한 표식이 필요
► 주민등록번호 / 전화번호 / 자체부여한 hash값 / 휴대폰 device id / ADID. UUID
- User id가 추적 가능해야 한다
► 식별자가 잘 생겼는지에 대한 판단 :arrow_right: 어떤 코호트든 정의가 가능한가?라는 물음에 대해서 대답이 가능해야 함
ex) 등급 상승에 걸리는 기간이 얼마나 되나요?
작년 vip 중에 올해도 vip등급인 사람이 얼마나 되나요?
매년 vip가 먼저 생기고 없어지는지 추이를 알 수 있을까요?

문제정의: 가설 검증하는 문화의 시작

글로벌 사업이 어떻게 하면 더 성장할 수 있을까요?
► 성장 = 월 방문자수? 매출? Brand awareness?

반응 좋은 상품들엔 어떤 특징이 있나요?
► 어떤 = 가격? 계약기간? PMF?

상품 구매가 저조해진 게 혹시 유저와 핏이 안 맞아서 일까요?
► 저조 = 구매수? 상품 상세페이지 진입 대비 구매율?

► 유저와의 핏 = 직무? 나이대? 구매력? 퍼포먼스 마케팅 타겟?

상품 구매 퍼널을 간소화하면 더 잘 팔리지 않을까요?

► 퍼널간소화 -> 퍼널 시작과 끝이 어디? 뺄 수 있는 부분은 어디?

재택근무를 금지하면 업무 몰입도가 높아지지 않을까요?
► 몰입 = 개발 스프린트 단축? 인당 매출 증가?

가설나무 만들기

가설을 쪼개면 검증이 간단해진다. 로직트리를 사용해서 가설 검증을 시도한다. 이것을 초기에 시작할수록 더 폭발적인 성장을 할 수 있다.
최종단계까지 가설을 쪼갠다면, 테스트를 해볼 수 있다.
가지뻗기 원칙

► 가설을 MECE하게 쪼개기. 가지들이 서로 겹치지 않으면서 빠짐없이 포괄하는 것

MECE (Mutually Exclusive Collectively Exhaustive)

상호배제 및 전체 포괄 구성 요소들이 중복되지 않으면서 동시에 전체에서 누락되는 것이 없도록 세분화 및 구조화하는 것

해당 개념은 맥킨지에서 처음 사용한 기법으로 바바라 민토(Barbara Minto)라는 사람이 문제 해결을 위해 정보를 논리적으로 구조화하는 프레임워크를 만들었다. 나는 이 개념을 로지컬 씽킹이라는 책을 통해서 접하고, 신세계를 접한 기분이었다. 처음 활용해 볼 때는 어려웠는데, 하면 할수록 수월해지고 실제로도 도움이 (엄청나게) 많이 된다.

http://www.yes24.com/Product/Goods/76899643

로지컬 씽킹 - YES24

출간 즉시 학계와 대중의 돌풍을 일으킨 책!최고의 커뮤니케이션 전문가가 알려주는 논리적 생각의 기술!‘현대 경영학의 창시자’로 불리는 톰 피터스(Tom Peters)는 경영컨설팅사 맥킨지앤드컴

www.yes24.com

가설 구조화를 문화로 만들기
분석가 / 전략팀 / 그로스팀뿐만 아니라 모든 도메인 오너가 가설검증을 생활화해야 한다.

실험에 대한 모든 것을 화해팀 구성원과 공유하는 실험보드

화해팀은 위처럼 전사가 데이터 드리븐 의사결정을 위하여 실험보드를 운영하고 있다고 한다. 나도 이런 데이터가 흐르는 조직문화를 내 손으로 만들고 싶다.

가설 체크리스트
- 가설의 true / false를 데이터로 검증할 수 있나?
- 가설의 true / false를 검증할 데이터가 전부 있나?
- 데이터에 유저 식별자와 datetime이 있나?
► 회원가입 이후의 로그엔 전부 user id가 있나?
► 모든 로그를 남기고 있나? (=raw data에 datetime 있나?)
- 실험내용
- 검증에 쓰일 지표
- 가설 채택/기각 (혹은 실험 성공/실패) 기준
► 이걸 미리 세우지 않을 경우에, 결과가 나왔을 때 이게 어떠한 의미지?라는 기준을 잡기가 애매함

활용하기

앱 지표 정의를 위해서 고민하던 나는, 현재 상황에 대한 진단을 위해서 가설 나무를 그려보았다.

내가 만들어본 자사 서비스의 가설나무

입사하고 얼마 되지 않아 그려본 것이었기 때문에 깊은 내용은 담고 있지 않지만, 그래도 상세한 내용은 블러처리를 하였다. 이 가설 나무를 세울 때 가지의 뿌리에 어떤 것을 적을까 고민했었는데, 결국에는 투자서비스 매출 상승으로 설정했다. 그 이유는 자사 앱의 기능이 투자를 중점적으로 담고 있었기 때문에 본래 고민하던 앱의 지표 설정과도 맥락이 같았기 때문이다.

가설 나무를 쪼개는 기준을 잘 모르겠다면 아래와 같은 기준을 활용해 볼 수 있다.

- 개념적으로 쪼개는 것

- 프로세스적으로 쪼개는 것

- 반대개념으로 쪼개는 것

- 시장과 점유율로 쪼개는 것

- 세그먼트로 쪼개는 것

예를 들어 위 가설나무에서 신규 / 기존으로 나눈 것은 개념적과 반대개념으로 쪼갰다고 볼 수 있으며

그 하위 가지는 프로세스적으로 쪼개는 것으로 볼 수 있다.

이렇게 계속 세분화하여 쪼개다 보면, 이 문제를 해결하기 위한 액션 혹은 문제점에 도달하게 된다. 그럼 이후에는 그걸 테스트해서 검증하거나 어떤 문제가 있는지를 데이터를 통해서 확인해 볼 수 있다. 나는 이 가지들의 끝부분 가운데 하나를 확인해 보기 위해서 여러 가지 그로스 지표(코호트, 리텐션, CC, 세그멘테이션, 인포그래피...)를 바탕으로 분석을 진행했고 결과적으로 어떤 것이 중요한지 확인했다. 이 과정에서 여러 사업부의 구성원들과 대화가 오고 갔고, 서비스에 대해서 고민하면서 스스로 이해도를 많이 높일 수 있었다.

사실 엄청나게 새로운 것을 알아냈다기보다는 기존에 대략적으로 알고 있었던 사실이 수치적으로 어떤 변화를 가져오고 있는지를 확인했고, 이를 바탕으로 앞으로 어떻게 해야 하는가?를 제시하는 것이 나의 역할이라고 생각했다. 그 과정에서 내가 생각했던 것보다 단순하지 않은 비즈니스 상황을 마주했고 이 상황에서도 활용할 수 있는 액션 아이템들을 위해서 끊임없이 고민하고 있다.

지표설정을 하려했을 뿐인데

결국 정리하자면 이렇다.

지표를 설정하고자 함 > 서비스 파악 필요 > 근본적인 해결을 위한 액션 필요 > 액션 아이템 가능여부 확인 필요 > 가능한 액션에 따라서 목표 지표(의 수준) 설정

그래서 지표 설정을 하려고 했을 뿐인데...라는 제목이 붙었다. 지표를 정의하는 과정은 회사마다, 서비스마다 다를 거라고 생각한다. 자사에서도 물론 활용하고 있는 메인지표가 있지만, 나는 특정 서비스에 지표를 정의하려고 했기 때문에 이런 경험을 하게 됐다. 최근에 활용 가능한 액션 아이템을 많이 고민하다 보니 정작 분석에서는 멀어지고, 사업개발자가 된 기분에 성윤님께 질문을 드렸었는데, 우문현답을 주셨다.

우문현답

난 사실 액션아이템을 생각하는 것을 매우 좋아한다. 그런데 딥다이브해서 분석하는 것에서 멀어지고 있는 기분이 들어서 이런 질문을 드렸는데, 결국 요는 둘 다 잘하면 된다. 돌아보니 스스로 조바심이 많이 났구나 싶다.

사실 1인 분석가라서 내가 잘하고 있는 건가?라는 생각이 들 때가 있다. 스스로 아직 부족하다는, 모자라다는 생각은 성장을 촉진하지만 때로는 이 생각이 오히려 독이 된다. (괜한 고민에 시간을 빼앗기는 것처럼) 최근에는 그만 겸손하셔도 될 것 같다는 말도 들었다. 남들이 보기에도 스스로 지나치게 부족하다고 생각하는 것이 보였나 보다.

동료의 인정 기능을 만든 flex는 대단하다

나를 좀 더 믿고 '나 뭐 돼'라는 마인드를 가지는 것이 지금 나에게는 필요하다고 생각한다. 그리고 이런 별 것 아닌 것에도 칭찬을 해주는 동료의 메시지에 기분이 좋아지는 걸 보면 스스로 인정받고 싶은 욕구가 큰 게 아닐까 생각한다. 나 스스로를 좀 더 인정해 주기로 했다.

결론적으로 액션 아이템을 정리해서 전사적으로 실험해 볼 수 있는 것들까지 정해지면, 이 지표설정을 일단락시킬 수 있을 것 같다.

사실 이 글은 좀 더 진행이 되면 상세하게 쓰려고 했는데, 최근에 가장 내 머릿속을 차지하고 있는 것이 이것이라서 일단 풀어냈다. (배우고-써먹고-기록하기 플로우 완성) 액션 아이템들을 잘 진행해서 추후에 다음 파트도 써볼 수 있기를 소망한다. 그리고 최근에 성윤님이 인프런에 PM을 위한 데이터 리터러시 강의를 오픈하셨는데, 지표와 관련돼서 내가 고민했던 부분을 저격한 맞춤 강의라서 스터디와 디스코드를 통해 나의 고민을 해소하고 함께 성장하는 시간을 가지려고 한다.

참고한 자료

myconsultingoffer MECE 상세설명

craftingcases 로직트리 가이드

화해 블로그: 실험문화

그로우앤베터 데이터드리븐 리더 실전