반응형

스쿼드내에서 진행하고 있는 사내스터디.

<데이터 문해력>이라는 책을 읽고 있다.

5장 발제를 맡았고,그에 앞서 요약을 해 보았다.

 


 

요약

  • 데이터를 활용하려면 본질적으로 논리적인 사고가 반드시 기반이 되어야 함.
  • 목적과 문제를 정의할때, 문제만 정의하지 않고 원인과 해결방안이 섞여 있는 경우가 많고, 그것은 스토리 전체에 문제를 일으킨다.
    • 올바른 순서 : 문제 → 원인 → 해결방안
    • 나쁜 순서 : 문제 → 바로 해결방안으로 달려듦.
    • EX. (문제)인구 감소 → (해결방안) 이벤트 투어를 많이 실시 : 데이터가 필요없는 참신한 아이디어에 지나지 않음.
      • 이런 제시를 하는 사람을 방법맨이라고 할 수 있음.
      • 데이터를 통해 확인한 내용이 정말로 직접적으로 제안 내용과 관계가 있는지 확인해야함
    • 좋은 순서 : 문제 → 원인을 데이터로 파악.
    • 아쉬운 결과가 나오는 것은 데이터 활용이나 분석에 문제가 있어서가 아니라 적절한 사고 과정을 밟지 않았기 때문.
    • 방법맨이 안 되려면?
      • 체크 포인트
        • 내가 낸 해결방안에 대해
          • 다른게 아니라 왜 그게 필요한지?
          • 그걸로 어떤걸 실현, 해결 가능한지? 효과적인 결과가 나올것이라는 근거는 어디있는지?
        • 에 대한 답이 없거나, 주관적인 답변일 경우 방법맨일 확률이 높음.
  • 왜 방법맨이 되고 마는가?
    • 생각한다
      • 창의적인 아이디어를 생각해낸다
      • 논리적으로 꾸준히 사물이나 현상의 원인을 파악한다.
      • 둘다 생각은 맞지만, 1과 2의 “생각한다”의 차이를 인지하고 논리성을 “생각”하는 것은 중요함.
      • 1보다 2에서 문제 해결에 대한 방안이 더 잘 나옴
  • 방법맨이 되는 것을 피하려면?
    • 내가 지금 ‘생각’하고 있는게 ‘원인’인지 ‘문제’인지 ‘해결방안’인지 파악할 수 있어야함
      • 해결방안에 대해 고민하는 것은 마지막 단계임.
    • 원인에 대해 끈질기게 생각하기
      • 얼마나 왜?를 반복해야하는지? : 최대한 깊이. = 결과적으로 두 지표 사이에 관련성이 있다고 판명될 때 까지.
  • 이런 논리적 사고 흐름이 없다면 지식이나 방법론은 모두 소용없음.
반응형

'독후감' 카테고리의 다른 글

데이터 문해력2  (0) 2023.01.10
[정리] 함께 자라기- 2 # 자라기  (0) 2022.01.24
[정리] 함께 자라기  (0) 2022.01.17
반응형

- 2021년 4월 참석

- <Wanted Con. 요즘, 데이터팀은 어떻게 일할까?>

https://www.wanted.co.kr/events/wantedcon18

 

Data 요즘, 데이터팀은 어떻게 일할까? : Wanted Con

진짜 현업에서 성과를 내고 있는 데이터 전문가의 이야기를 들어보세요.

www.wanted.co.kr

 

데이터 기반 스마트 쿠폰 시스템 구축하기 

연사 : 곽지호 현) LG CNS 고객 데이터 컨설턴트

 

  1. 구매행동에 주는 쿠폰의 영향
  • 평소보다 빨리 구매
  • 신규브랜드 구매
  • 더 비싼제품 구매
  • 비목적 충동구매
  • 더많은 상품구매
  • 전체적으로 많은 지출
  • 쿠폰 발송 시스템은 고객 프로파일링 시스템이다
  1. 세그먼트 아키텍쳐 구성

쿠폰 어드민 : 쿠폰 팩터 타입, 팩터, 세그먼트, 쿠폰, 프로모션의 조합과 생성

  • factor Type : 분석가가 잘 정리해두고 마케터가 요구할 때마다 빠르게 취사선택 할 수 있도록 만들어 두어야 함. (검색과 조회가 용이하도록 - 쿠폰 어드민)
  1. 쿠폰 분석
  1. 과거 분석
  • 세그, 팩터 등 엔티티별 사후 피벗교차분석
  • 세그별 쿠폰 프로모션 코호트 분석
  • 쿠폰 유입 클릭스트림 히트맵 분석 ( like 뷰저블 )
  • 고객 클러스터링
  1. 미래 예측/처방 분석
  • 고객별 쿠폰사용 예측 모델링
  • 쿠폰별 회수율/달성매출 예측 모델링
  • 고객 이탈 예측 모델링 및 팩터 설계 지원
  • 추천 알고리즘을 통한 쿠폰 SMS 개인화
  • 세그별 최적 쿠폰 추천 모델링
  1. 비즈니스 기대효과
  1. 정량적 성과
  • 전체 쿠폰 회수율 n배 상승
  • 목표 매출 달성율 n%p 증가
  • 이탈 감소폭 n%p 감소
  1. 인사이트
  1. 추론 유닛 엔티티의 교차분석만으로도 다양한 BI가 제공된다.

 

A/B테스트를 위한 제품 설계 및 분석

 

연사 : 정다미 현) 펫프런즈 CPO

 

  1. 실험을 하기 위해 가장 중요한 영역
  1. 목표 정렬하기
  • business kpi는 제품의 실험 지표로 삼기에 부적절하다.
  • 대신, nsm(north star metrics) :
    • ex. 기업별 nsm
      • 에어비앤비 : # of nights booked
      • amazon : sales
      • quora : # of answered questions
      • spotify : trial users( or premium subscribers) X hours per session X session per week
  1. 고객 문제 정의하기
  1. 정성적 고객 인사이트 ( IDI, FGI, VOC )
  • 어떤 문제를 겪는지 알아내기
  • 누가 어디서 왜 문제를 겪는지 검증해야 함.
  • 제품가치의 부족함보다, '잘 전달되지 않게 막고 있는 것'이 무엇인지를 파악
    • "이런 기능이 있는지 몰랐다. " " 과정이 너무 복잡해 " 와 같은 발견이 더 유용한 발견임.
  1. 정량적 데이터 분석 ( PRODUCt data, 설문조사 )
  • 어디서 문제를 겪는지
  • 어떤 문제를 누가 왜 겪는지
  • 우리가 바라는대로 행동한 고객군과 아닌 고객군을 나누어서 행동학적으로, 유저의 속성별로 나눠서 확인하는 것이 필요하다
  • 퍼널별 전환율, 전환시간 등 체크
  1. 동료로부터 좋은 실험 아이디어를 모으는 법
  • 다양한 이해관계자(다른부서, 직급, 직무) 8명 넘지 않게 포함시키기
  • 전략적으로 해결할 문제에 대해서 맥락과 이야기를 충분히 전달하기
    • 집중할 목표 지표
    • 발견한 고객 문제 (누가 어디서 무엇을 왜 )
    • 회사 및 제품 전략과 이 문제가 해결되는 것이 어떤 연관이 있는지
  • 각자 해결책을 3개 이상 미리 준비하게 하고, 각 아이디어마다 1-2분씩 설명
  • 비슷한 아이디어 그룹핑 시켜주기
  • 인당 제한된 수(2~3개)로 아이디어에 투표
  • 투표를 많이 받은 아이디어들에 대하여 토의 (ICE스코어링)
  1. 실험결과 분석
  • primary 지표와 omtm
    • 모순되는 결과가 있을 때, 판단 원칙을 가급적 지킬 것
  • 방문자별 세그멘테이션 결과 분석
    • 전체 실험으로서는 실패하더라도 부분적으로 효과적일 수 있음
      • 본페로니 교정 필요 : 가설이 많아질수록 더 맞을 확률이 높다.
  • 앞선 실험의 배움을 극대화하기
    • winner / lesson learned 를 문서화하기
    • 잘 된 실험 확장하기 ( 적용 영역 확대, 부서 간 배움 전파 )
반응형

+ Recent posts