251022_BootCamp Day 3_데이터 리터러시_1

1. 데이터 리터러시 (Data Literacy)

1) 데이터 리터러시의 정의

- 데이터를 읽는 능력
- 데이터를 이해하는 능력
- 데이터를 비판적으로 분석하는 능력
- 결과를 의사소통에 활용할 수 있는 능력
→ 데이터와 그래프를 보고 올바른 질문을 던질 수 있는 능력

 

2) 데이터 분석에 대한 착각
- 데이터를 잘 분석하면 문제, 목적, 결론이 나올 것이라 생각
- 데이터를 잘 가공하면 유용한 정보를 얻을 수 있다고 생각
- 분석에 실패하면 방법론, 스킬이 부족한 것이라고 생각
→ 데이터 분석의 Hard Skill뿐 아니라, 데이터 분석 전/후에 생각하는 과정(Soft Skill)이 더 중요하다!

3) 데이터 해석 오류 사례
1. 심슨의 역설(Simpson’s Paradox)
- 부분에서 성립한 대소관계가 부분들을 종합한 전체에 대해서는 성립하지 않는 모순적인 경우
- 전체에 대한 결론이 언제나 개별 집단에 그대로 적용되는 것은 아님
- 데이터에 기반한 결론이라고 해서 맹목적으로 받아들이면 안된다
2. 시각화를 활용한 왜곡
- 자료의 표현 방법에 따라서 해석의 오류 여지가 존재
3. 샘플링 편향 (Sampling Bias)
- 전체를 대표하지 못하는 편향된 샘플 선정으로 인해 오류가 발생
- ex) Literary Digest 잡지사의 1926년 미국 대선 여론조사 오류
- 편향된 표본은 실제와는 다른 해석 결과를 만들어낼 수 있다
4. 상관관계와 인과관계
- 상관관계 : 두 변수가 얼마나 상호 의존적인지를 파악하는 것을 의미
- 인과관계 : 실질적으로 하나의 요인으로 인해 다른 요인의 수치가 변하는 형태를 의미
- ex) 1940년대 보건 전문가의 소아마비와 아이스크림 섭취 간의 연구 결과
- 상관관계는 인과관계가 아니므로 상관관계만으로 섣불리 의사결정을 해선 안된다

4) 데이터를 읽는 법
1. 그래프를 보면서 해야 할 것
- 데이터를 읽는 것
- 데이터 작업 전 알고 싶은 것을 생각해보는 목적 사고적 방식
- 무엇을 말하고 싶었는지, 이 그래프를 왜 사용했는지 생각해보는 습관
2. 데이터 분석 접근법
- 문제 및 가설 정의 (생각) → 데이터 분석 (작업) → 결과 해석 및 액션 도출 (생각)
- 데이터 리터러시가 필요한 ‘생각’부분에서 문제가 되는 경우가 많음
- 데이터 분석이 목적이 되지 않도록 ‘왜?’를 항상 생각해야

 

2. 문제 정의 (Problem Definition)

1) 문제 정의란
- 데이터 분석 프로젝트의 성공을 위한 초석
- 분석하려는 특정 상황이나 현상에 대한 명확하고 구체적인 진술
- 프로젝트의 목표를 설정하고 분석 방향을 결정

2) 문제 정의 예제
- 상황 : 3개월 전부터 자사 제품의 사용자 수가 감소하고 있다. 사용자 수를 늘리기 위한 포인트 이벤트를 하고 있지만, 효과가 없어 보인다. 또한 자사 제품 내 서비스 중 A보다 B가 더 안 좋은 상황이다. 사용자가 줄었기 때문에, 수입도 감소하고 있다.
- 문제 정의 : 지난 3개월 동안 자사 제품의 사용자 수가 감소하고 있으며, A보다 B에서 더 높은 감소세를 보이고 있다. 현재 진행되고 있는 포인트 이벤트는 효과가 없으므로, 추후 3개월 간 자사 제품의 사용자 수를 이전 수치까지 끌어올리기 위해 적용할 새로운 마케팅 전략은 무엇인가?
- 문제 정의는 매우 복잡하고 시간이 소요되는 과정
- '문제를 올바르게 정의하였는가?’라고 계속해서 생각해봐야 한다

3) 문제 정의 방법론
1. MECE (Mutually Exclusive, Collectively Exhaustive)
- 문제 해결과 분석에서 널리 사용되는 접근 방식
- 문제를 상호 배타적이면서, 전체적으로 포괄적인 구성요소로 나누는 것
- 복잡한 문제를 체계적으로 분해하고, 구조화된 방식으로 분석할 수 있다.
- 잘못된 MECE : 중복되었거나, 누락이 존재하거나, 분류 기준이 다르거나 불명확한 경우
- MECE를 실제 업무에 적용하는 방법

1. 문제 식별

중요한 이슈들을 포함해, 해결하고자 하는 문제를 식별한다. 최대한 구체적으로 문제를 파악한다.

2. 문제 분해

문제에 기여할 수 있는 중요한 요소나 영역을 식별한다. 무형의 요소를 포함한 모든 가능한 영역을 브레인스토밍해 하위 집합에 편향되거나 중요한 요소를 간과하지 않도록 한다.

3. MECE 카테고리 생성

요소나 영역을 찾았다면, MECE에 맞는 카테고리를 생성한다.

작은 카테고리/버킷에서 시작해 매우 작거나 중복되는 것들을 그룹화한다.

(이때 동료나 클라이언트와 함께 카테고리를 테스트해 그 조직의 비즈니스 로직을 따르는지 확인한다. 이렇게 하면 카테고리를 생성할 때나, 이해 당사자를 설득할 때 도움이 된다.)

4. 분석하기

데이터를 찾아 카테고리별로 분석해 주요 요소(main factors)가 문제에 기여하는지 식별한다.

5. 정제하기

데이터와 함께 전체 카테고리 개요로 돌아가 이를 정제한다.

문제에 크게 기여하는 카테고리는 확장하여 하위 이슈들을 식별하고, 중요하지 않은 카테고리들은 논리 버킷 안으로 그룹화한다. 행동 가능한 잠재적 해결책을 파악할 때까지 식별한 하위 이슈들을 다시 MECE 분석할 수 있다.

 

2. 로직 트리 (Logic Tree)
- MECE 원칙을 기반으로 복잡한 문제를 더 작고 관리하기 쉬운 하위 문제로 분해하는 데 사용
- 상위 문제로부터 시작해 하위 문제로 계층적으로 접근
- Logic Tree의 종류

1. 현황을 파악하는 What Tree
2. 원인을 분석하는 Why Tree
3. 방법을 찾아내는 How Tree가 있으며, 문제를 해결하는 방식과 순서도 이를 따른다.

4) 문제정의를 왜 하는 것인가?
- 풀고자 하는 것을 명확하게 정의하고
- 이것을 해결하기 위한 데이터 분석의 방향성을 정하고
- 결과를 정리하고 해석하여
- 더 나아지기 위한 새로운 액션 플랜을 수립하기 위함

5) 문제정의의 핵심
1. So What?
- 수집한 정보와 소재에서 결국 어떻다는 것인지를 알아내는 작업
- 정보나 소재에서 과제의 답변에 맞는 중요한 핵심을 추출하는 작업
- 현재의 현상에서 과제에 맞게 말할 수 있는 내용의 핵심을 추출하는 작업

2. Why So?
- So What?에서 말한 내용을 왜 그렇게 말할 수 있는지 확인하는 작업
- 구체적으로 무슨 뜻인지를 검증하고 확인하는 작업
- So What?한 요소의 타당성을 자료 전체 혹은 그룹핑한 요소로 증명할 수 있는지 확인하는 작업
→ 두 가지 질문을 반복적으로 수행 (So What? → Why So? → So What? → Why So? …)하며 Logic Tree가 과제에 맞게 작성되었는지, 그 내용은 타당한지 검증하는 과정이 문제 정의의 핵심 과정.

6) 문제정의의 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

3. 정량적 데이터의 활용

1) 객관적이고 측정 가능한 지표를 만들기에 적합
-- 일일 활성 사용자 수(DAU), 재방문 비율(Retention) 등 서비스의 건강 상태를 보여주는 지표
-- 추천 지수(NPS) = 추천 고객 비율(Promoters) - 비추천 고객 비율(Detractors)
2) 통계석 분석 적용
-- 분포, 평균, 중앙값 등을 계산해 데이터의 경향성과 패턴을 파악
-- 해당 내용을 근거로 의사결정 과정에서 중요한 판단을 내림
3) 다양한 데이터 분석 방법 적용
-- 비즈니스 분석, 예측 모델링, 추세 분석을 포함한 머신러닝과 같은 현대적 데이터 분석 기법에 활용할 수 있음
-- 이를 통해 미래 예측, 효율적 자원 배분, 시장 변화에 대한 적응 가능