✨Today I Learned

데이터 리터러시

임빵빵 2024. 7. 3. 16:50

20240703 TIL

데이터 리터러시란?

  • 데이터를 읽는 능력
  • 데이터를 이해하는 능력
  • 데이터를 비판적으로 분석하는 능력

= 결과를 의사소통에 활용할 수 있는 능력

즉,
1. 데이터 수집과 데이터 원천을 이해
2. 주어진 데이터에 대한 다양한 활용법 이해
3. 데이터 수집과 데이터 원천을 이해하고주어진 데이터에 대한 다양한 활용법을 이해하고데이터를 통한 핵심지표를 이해하며 올바른 질문을 던질 수 있도록 만들어줌

 

▶ 상관관계 VS 인과관계

상관관계 인과관계
두 변수가 얼마나 상호 의존전인지를 파악하는 것을 의미 실질적으로 하나의 요인으로 인해 다른 요인의 수치가 변하는 형태
한 변수가 증가하면 다른 변수도 따라서 증가/감소하되 그 추이를 따름 원인과 결과가 명확한 것
  • 상관관계는 인과관계가 아닌 것을 항상 유의
  • 상관관계만으로 섣불리 의사결정 하지 않기
  • 양쪽 모두 활용하여 합리적인 의사판단 하기

▶데이터 리터러시가 필요한 이유

데이터 분석이 목적이 되지 않도록 왜?를 항상 생각

 

문제 정의

  • 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
더보기

→ 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 브랜드3학년 3반 학급원 - 영어 우수 학생, 수학 우수 학생으로 나눔: 분류 기준이 불명확, 서로 중복되고 누락된 정보가 존재

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

▶로직트리 Cheet Sheet

 

더보기

앱 서비스에 적용하기 위해 변경해 본다면? (비즈니스에 따라서 정의가 달라짐!)

세그먼트 분류

  • 라이트유저, 일반유저, 헤비유저 > 구매 전 고객, 재구매 고객, VIP 고객 ex) 배달의 민족 고마운분, 귀한분, 더귀한분, 천생연분

캡슐 점유율

  • 해당 서비스 시장 점유율로 변화
  •  

▶문제정의의 핵심은 So What?, Why So?

So what? Why So?
수집한 정보와 소재에서 '결국 어떻다는 것인지'를 알아내는 직업 왜 그렇게 말할 수 있는지
그래서, 따라서, 이렇듯 앞에 오는 정보나 소재에서 과제의 답변에 맞는 중요한 핵심을 추출하는 작업 구체적으로 무슨 뜻인지를 검증하고 확인하는 작업
나타난 현상을 바탕으로 과제에 비추어 말할 수 있는 내용의 핵심을 추출하는 작업 So what?한 요소의 타당성을 자료 전체 혹은 그룹핑한 요소로 증명할 수 있다는 사실을 검증하는 작업

 

💡문제정의 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

데이터의 유형

▶정성적 데이터 VS 정량적 데이터

  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 객관적 내용
구성 및 형태 -수치나 기호
-데이터베이스, 스프레듣 시트		 -문자나 언어
-웹 로그, 텍스트 파일
위치 DBMS, 로컬 시스템 내부 -웹사이트, 모바일 플랫폼 등 외부
분석 통계 분석 시 용이 통계 분석 시 어려움
  • 정성적 데이터
    • 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
    • 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

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

주요 지표

▶Active User(활성유저)

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

→ 정밀도, 허들이 높아질수록 Active User의 수는 낮아지는 구조

지표 정의
전체 Active User 앱 적속이 이력이 있는 유저
서비스별 Active User 서비스별 서브메인 이하 추가 액션이 있는 유저
DAU Daily Active User
WAU Weekly Active User
MAU Monthly Active User
이탈유저(이탈율) 전체 DAU로 잡혔지만, 각 서비스의 DAU로 잡히지 않은 유저(비율)
CVR(Conversion Rate) 특정 행동을 한 후, 전환된 비율
CTR(Click Through Rate) 어떤 페이지에 접근한 후, 특정 요소를 클릭한 비율

 

더보기

▶Retention Ratio(재방문률)

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)

▶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

<활용예제>

 

  • 1월 1일에 회원가입한 5명(프로도, 튜브, 무지, 라이언, 어피치)
  • 1월 3일의 리텐션은? 40%
▶N-day 리텐션의 한계
서비스의 사용 주기가 길 경우, N-day 리텐션을 사용하면 실제보다 더 과소평가
N-day 리텐션은 사용자가 매일 접속하는 서비스에 활용하기 적절한 지표:
카카오톡, 인스타그램, 게임

 

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

<활용예제>

  • 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
▶Unbounded 리텐션의 한계
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

<활용예제>

  • 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

 

▶ Funnel : 잠재고객을 유입시키며 최종적인 목표 액션을 달성할 때까지의 과정

  • 유저들이 어디서 이탈하는가?를 확인하기 위한 구조화
  • 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

▶ 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

▶LTV 산출 방법

더보기
  • 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
  • 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

▶북극성 지표란?

  • 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)

▶북극성 지표의 유형

북극성 지표 수익모델 서비스 유형 서비스 예시
사용기간 광고, 사용료 SNS, 플랫폼, 스트리밍 유튜브, 인스타, 넷플릭스
거래량 판매액, 수수료 커머스, 매칭서비스 쿠팡, 크몽, 에어비앤비
효용 사용료 생산성 도구, 헬스케어 앱 슬랙, 줌, 지라

 

▶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

더보기

 

 

결론 도출

▶결과 vs 결론

결과 결론
데이터 처리, 분석, 모델링 후에 얻어진 구체적인 데이터의 출력 분석된 데이터 결과를 바탕으로 이끌어낸 의미나 통찰
숫자, 통계, 그래프, 차트 등의 형태로 나타낼 수 있음 데이터에 기반한 해석, 추론 또는 권고 사항을 포함
ex) “고객 설문 조사 데이터를 분석한 결과, 고객 만족도와 구매 빈도 사이에 강한 상관관계가 있음을 보여줄 수 있습니다.” ex) “고객 만족도와 구매 빈도 사이의 강한 상관관계를 보여주는 결과를 토대로, 고객 만족도 향상이 전반적인 매출 증가로 이어질 수 있다는 결론을 내릴 수 있습니다.”
계산과 분석을 해서 나온 결과물 목적에 대해 어떤 의미가 있는지 설명하는 것

→ 실제로 우리가 필요한 것은 ‘결론’이지만, 보통 결과를 많이 이야기 함

 

▶결론을 잘 정리하는 법

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

1. 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

2. 흥미 유발

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

3. 대상자 관점에서의 접근

  • 공유 받는 사람의 시선에서 이해하기 쉽도록 정리
  • 지식의 저주에 빠지지 않고 논지를 뒷받침 해줄 자료들을 함께 첨부
  • 대상자의 허들이 낮은 시각화 활용

4. 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

🛠️느끼고 배운 점

💡데이터 리터러시가 뭔지 어떤 내용을 가지고 있는지 알게 됨

💡데이터를 보고 분석하는 건 꽤 많이 복습하며 연습을 해야 될 것 같음

💡데이터 분석 착각은 다 내가 하고 있는 착각이었다 .. 여러 툴과 언어를 잘 하는 것이 아닌 데이터 문해력도 갖춘 데이터 분석가가       될 수 있도록 더 노력해야겠다