Choi's Data Blog

2026 상반기 회고

초이준철 — Sun, 28 Jun 2026 01:43:08 +0900

원래는 분기마다 회고를 쓰려고 했으나 정신 차려보니 상반기 끝자락에 왔다.

이것만은 놓치면 안 되겠다 싶어 상반기 회고를 쓰려고 한다.

목차
1. 2026년 세운 목표 진행 현황
2. 지금까지 무엇을 했는가
3. 다가올 하반기에 이루고자 하는 것들

1. 2026년 세운 목표 진행 현황

연초 팀끼리 모여 각자의 목표를 공유했었다. 아래는 내가 공유했던 목표들이다.

1. 논리적인 구조를 가지고 기획
> 실험 템플릿에 익숙해지고 잘 활용할 수 있도록
2. 팀원들이 데이터를 잘 활용할 수 있도록 환경 조성
3. 대시보드 작성 등 자동화할 수 있는 방안 모색
> 불필요한 데이터 정리, 대시보드 내 지표 정리
4. 직무 관련 강의 2개 수강 완료하기
> PM을 위한 데이터 리터러시(프로덕트 데이터 분석), GA4 강의

논리적인 구조를 가지고 기획

좋은 실험은 좋은 아이디어에서 시작하는 게 아니라 명확한 문제 정의에서 시작된다고 생각한다.
우리 회사는 다양한 실험을 통해 지표를 개선하는 문화를 가지고 있다. 그리고 실험을 진행하기 전 반드시 작성하는 실험 템플릿이 있다.

템플릿에는 크게 세 가지 질문이 담겨 있다.

“왜 이 실험이 필요한가?”
“어떤 가설을 검증하려는가?”
“어떤 지표를 개선하고 싶은가?”

물론 실제 작성 과정에서는 더 많은 고민이 필요하다. 하지만 결국 좋은 실험을 만들기 위해 가장 필요한 것은 논리적으로 사고하는 능력이라고 느꼈다. 그래서 회사 필독서 중 하나도 『로지컬 씽킹』이다.

입사 후 진행했던 여러 업무 중 실제 지표 개선에 가장 큰 영향을 줬던 것들은 대부분 이 실험 템플릿을 기반으로 고민하고 실행했던 것들이었다. 단순히 아이디어를 내는 것보다, 문제를 정의하고 가설을 세우고 결과를 검증하는 과정이 얼마나 중요한지 경험했다.

앞으로도 더 좋은 실험을 만들고 더 나은 결과를 만들기 위해 논리적으로 사고하는 힘을 키워나가고자 한다.

팀원들이 데이터를 잘 활용할 수 있도록 환경 조성

입사 후 처음 맡은 프로젝트의 데이터를 확인했을 때 가장 먼저 느낀 점은 “데이터가 정말 많다”는 것이었다.

커머스 RAW 데이터부터 광고 채널 데이터, 그리고 정성적인 고객 데이터까지 다양한 데이터가 쌓여 있었다.

하지만 데이터가 많다고 해서 항상 좋은 의사결정을 할 수 있는 것은 아니라고 생각한다.

오히려 필요한 데이터와 그렇지 않은 데이터가 구분되지 않으면 중요한 지표를 놓치거나 데이터를 활용하는 데 어려움을 겪을 수 있다.

그래서 실제 의사결정에 필요한 데이터 중심으로 정리하고, 팀원들이 쉽게 확인하고 활용할 수 있는 환경을 만드는 데 집중하고자 목표를 세웠었다.

효율적으로 업무 할 수 있는 방안 모색

어떤 프로젝트는 5개 정도의 광고 채널을 사용하고 있는데 매번 raw 데이터를 다운받아 시트에 업데이트하고 있는 비효율적인 업무 환경이 있었다. API를 통해 자동으로 데이터가 적재될 수 있도록 만들고 싶었고, 매일 반복하고 있는 업무 중에서도 자동화할 수 있는 것들을 찾아서 자동화하고자 했다.

이를 통해 단순히 업무 시간을 줄이는 것을 넘어, 팀이 본질적인 업무에 더 집중할 수 있는 환경을 만드는 것을 목표로 삼았다.

직무 관련 강의 2개 수강 완료하기

직무 관련 강의를 상반기 내에 완강하는 걸 목표로 했었다. 강의는 총 두 가지가 있고 듣고자 한 이유는 다음과 같다.

PM을 위한 데이터 리터러시
- 예전부터 워낙 듣고 싶었던 강의이다. 기술적인 부분을 알려주는 강의는 아니고 데이터를 다루는 사람들이 어떤 관점 / 어떤 프로세스로 일해야 하면 좋은지에 대한 내용들이 잘 정리되어 있다.
실무자를 위한 구글애널리틱스
- 입사 후 처음 맡은 프로젝트에서 GA4 데이터를 자주 확인했고, 이벤트를 설정하고 관리하는 업무도 함께 진행했기 때문에 더 깊이 이해할 필요가 있었다. 단순히 데이터를 보는 것을 넘어서, GA4 구조 자체를 이해하고 싶어서 학습을 시작했다.

현재는 두 강의 모두 6-70% 이상은 들은 상태인데 요즘은 멈춰있다. (또륵)

2. 지금까지 무엇을 했는가

직무와 관련된 것들을 순차적으로 나열해 보자.

What	How
구매 전환율 개선	제품 상세페이지 쿠폰 배너 A/B 테스트
CRM 메시지 지표 개선	고객 인터뷰 기반으로 고객 세그먼트 CRM 메시지 지표 개선 (클릭률, 구매전환율)
부정 리뷰 자동 알림	조건에 부합한 부정 리뷰가 달렸을 때 슬랙으로 자동 알림이 발송되도록 설계
광고 데이터 자동화	API를 통해 광고 채널 데이터 자동 적재 (단, API 제공하지 않는 광고 채널은 제외)
데이터 파이프라인 설계	불필요한 데이터 제거하고 구글 시트에 효율적으로 적재할 수 있도록 파이프라인 설계
이벤트 텍소노미 설계	사용자 행동/비즈니스 목표 기반으로 핵심 이벤트 설계
이커머스 UI/UX 기획	-ing..

3. 다가올 하반기에 이루고자 하는 것들

현재 맡은 프로젝트는 앱 내에 이커머스를 새롭게 도입하여 매출 구조를 만들어내는 것이다.

이번 프로젝트에선 이커머스 UI/UX 기획까지 맡게 되었다. 처음엔 해야 한다는 걸 알았을 때도 쉽게만 봤었는데, 기획이 이렇게 쉽지 않다는 걸 몸소 깨달았다. 그럼에도 시간이 지나면서 이 경험은 좋은 기회라는 생각이 든다.

지표를 개선하건 어떤 문제를 해결하건, 결국 고객에 대한 깊은 이해가 바탕이 되어야 한다.

이 서비스가 왜 이렇게 설계되었는지, 어떤 의도로 만들어졌는지를 알아야 제대로 된 분석이 가능하다. 그걸 처음부터 직접 기획한다는 건, 앞으로 운영하고 분석해 나가는 데 있어 분명한 차별점이 될 거라 생각하기 때문이다.

버튼 위치 하나, 상품 카드 구성 하나도 결국 내가 나중에 측정해야 할 지표와 연결되어 있다. 기획을 하면서 분석을 설계하게 되고, 분석을 설계하면서 기획이 더 단단해지는 걸 알게 되었다. (물론 쉽지 않긴 하다..)

하반기의 첫 번째 목표는 정식 론칭이다.

내가 고민하고 설계한 화면을 실제 유저가 쓰는 것을 보고 싶다. 그리고 그 반응을 데이터로 직접 확인하고 싶다.

론칭은 끝이 아니라 시작이기 때문에, 데이터가 쌓이기 시작하는 그 순간부터가 진짜 시작이라고 생각한다.

두 번째는 의미 있는 KPI를 만드는 것이다.

숫자를 추적하는 것과 의미 있는 지표를 설계하는 건 다르다. 단순히 매출만 보는 게 아니라, 유저가 이커머스를 어떻게 경험하는지를 보여주는 지표를 직접 정의해보고 싶다. 어떤 유저가 첫 구매를 했고, 무엇이 그 결정을 이끌었으며, 그 유저가 다시 돌아오는지. 이 흐름을 데이터로 설명할 수 있을 때, 나는 이 프로젝트에서 분석가로서의 성장을 이뤄냈다고 말할 수 있을 것 같다.

[통계101x데이터 분석] 5장 "가설검정 "

초이준철 — Thu, 10 Jul 2025 15:25:07 +0900

목차
1. 가설검정
2. 제1종 오류
3. 제2종 오류

1. 가설검정이란?

분석자가 세운 가설을 검증하기 위한 방법이고 가설검정에서는 p값(p-value)이라는 수치를 계산하여 가설을 지지하는지 기각할지 판단하는 것이다. * p-value 개념은 아래 설명

확증적 자료분석
- 미리 세운 가설을 검증하는 접근법
  - ex) “새로 송출한 광고가 상품 매출을 늘렸다”라는 가설을 세우고, 이를 검증함으로써 광고 효과 유무를 밝힐 수 있다.
탐색적 자료분석
- 가설을 미리 세우지 않고 전체 데이터를 탐색적으로 해석하는 접근법
귀무가설
- 밝히고자 하는 가설을 부정하는 명제
- ex) 신약 테스트에 대한 A집단(실험군)과 B집단(대조군)의 결과는 같다. 즉, 신약의 효과가 없다.
대립가설
- 밝히고 싶은 가설
- ex) 신약 테스트에 대한 A집단(실험군)과 B집단(대조군)이 다르다. 즉, 신약의 효과가 있다.
귀무가설 / 대립가설 관계
- 보통 귀무가설이 옳다면 대립가설이 틀린 것이고 귀무가설이 틀리다면 대립가설이 옳다는 관계이다.

p-value란?
- 귀무가설이 옳다고 가정했을 때 관찰한 값 이상으로 극단적인 값이 나올 확률을 일컫는다.

p-value에 대한 추가적인 설명
1. 일반적으로 p값이 0.05 이하인 경우 귀무가설 하에서 현실 데이터는 나타나기 어렵다고 판단하고 귀무가설을 버리고(기각하고) 대립가설을 채택한다. 이때 발생하는 평균값의 차이를 “통계적으로 유의미한 차이가 있다.”라고 한다.
2. p값이 0.05를 상회하는 경우 귀무가설을 기각할 수 없으며 “통계적으로 유의미한 차이는 발견하지 못했다”라는 결과가 된다.
결과적으로 귀무가설을 기각할 것인지 채택할 것인지의 판단 경계로 이용하는 값을 유의 수준 a라고 한다.

3. 가설검정에는 p값을 계산하고 유의수준 α와 비교함으로써 대립가설을 지지할지, 그러지 않을지에 대해 판단을 내린다.
4. 판단에는 p<α로 귀무가설을 기각하고 대립가설을 채택하는 것과, p≥α로 귀무가설을 기각할 수 없는 것의 2가지가 있다.
* 유의수준(α)이란?
잘못된 결정을 허용할 수 있는 최대 확률이다. 쉽게 말해서 "귀무가설이 사실인데도 실수로 그것을 버릴 확률"을 미리 정해두는 것

* 유의 수준(α) 예시
α = 0.05라면 "나는 5% 정도의 실수를 감수하고 귀무가설을 기각할 거야."라는 의미

2. 제1종 오류란?

실제로는 아무런 차이가 없음에도 차이가 있다고 판단해 버리는 잘못을 말한다.
- ex) 사실 약의 효과가 없는데도 있다고 주장하는 것
그러나 우리는 진실을 직접 알 수 없기에 해석 결과가 제 1종 오류를 범했는지 아닌지 판단할 수 없다. 대신에 p값과 유의수준 α를 이용하여 제1종 오류가 일어날 확률을 통제할 수는 있다.
- p값은 귀무가설이 옳다고 가정했을 때 실제로 얻은 데이터 이상으로 극단적인 값이 나타날 확률이다. 따라서 확보한 데이터가 귀무가설에서 얻은 것이라면 p<α 확률은 α가 된다. 이 때문에 α를 경계로 귀무가설을 기각하면 귀무가설이 옳은데도 착오로 귀무가설을 기각해 버리는 오류가 확률 α로 발생하게 된다.
- 즉, 유의수준 α의 값을 미리 정해 둠으로써 제1종 오류가 일어날 확률을 통제할 수 있는 것이다.
  - ex) 유의수준(α)를 0.05로 설정했다면, 오류가 일어날 확률을 5%까지만 허용하자는 걸 의미

3. 제2종 오류란?

정말로 차이가 있는데도 차이가 있다고는 말할 수 없어, 귀무가설을 기각하지 않는 판단을 내리는 것을 의미한다.
- ex) 사실 약의 효과가 있는데 효과가 있다고 말할 수 없다고 판단해 버리는 잘못
제2종 오류가 일어나는 확률은 β로 나타내는데, 제 2종 오류가 일어나지 않은 확률이다. 즉, 정말로 차이가 있을 때 있다고 올바르게 판단할 확률을 검정력 1-β라고 한다. β는 α와 달리 직접 통제할 수 없다.
- β는 표본크기가 커질수록 작아진다.
  - 왜냐하면, 표본의 크기가 커진다는 것은 데이터가 더 안정적이게 되고 실제 차이가 더 뚜렷하게 나타나기 때문이다.
  - β는 진짜 차이가 있는데도 못 알아볼 확률이라고 했다. 쉽게 말해 '표본이 커진다 → 실제 차이가 더 뚜렷하게 나타난다 → 못 알아 볼 확률이 작아진다'는 것이다.

[통계101x데이터 분석] 4장 "추론통계~신뢰구간"

초이준철 — Wed, 2 Jul 2025 10:41:28 +0900

목차
1. 된장국 맛보기로 알아보는 추론통계의 모습
2. 표본오차
3. 큰 수의 법칙
4. 신뢰구간

1. 된장국 맛보기로 알아보는 추론통계의 모습

된장국을 끓이는 과정에서 맛을 보는 모습을 상상해 보자.

상상해 보자 (맛있겠다..)

1. 우리가 알고자 하는 것은 국자로 뜬 된장국이 아니라 냄비 안에 든 된장국이다.
- 정말로 알고자 하는 것은 표본 데이터가 아니라 모집단이다.

2. 냄비 안의 된장국을 다 먹고 맛을 조사하기는 어렵다.
- 모집단의 모든 요소를 다 조사하는 전수조사는 어렵다.

3. 국자로 뜬 약간의 된장국으로 냄비 안의 된장국 맛을 '거의' 확인할 수 있다.
- 작은 크기의 표본으로도 모집단을 추론할 수 있다.

4. 국자로 된장국을 뜰 때는 먼저 잘 섞어야 한다.
- 표본을 추출할 때는 무작위로 추출해야 한다.

결국, 된장국 냄비(모집단)에서 국자로 뜬 된장국(표본)을 맛보고(추정)하는 과정이 직감적인 추론통계의 모습이다.

2. 표본오차

표본오차란 '정말로 알고 싶은 것'과 '실제 손 안에 있는 데이터'의 어긋남을 의미한다.

* 정말로 알고 싶은 것은 '모집단' / 실제 손 안에 있는 데이터는 '표본'

표본오차는 표본을 추출 할 때의 인위적인 실수나 잘못으로 생기는 오차가 아니라, 데이터 퍼짐이 있는 모집단에서 확률적으로 무작위 표본을 고르는 데서 발생하는 피할 수 없는 오차이다.

3. 큰 수의 법칙

표본평균과 모집단평균의 관계에는 큰 수의 법칙이 성립한다. 이는 표본크기가 커질수록 표본평균이 모집단평균에 한없이 가까워지는 걸 의미한다.

4. 신뢰구간

정규분포에서 하나의 값을 무작위로 꺼내면 약 95%의 확률로 그 범위에 포함된다는 뜻을 가지고 있다. 이걸 그대로 해석해 보자면, "95%의 확률로 이 구간에 모집단 평균이 있다."가 된다.

단, 확률변수는 모집단평균이 아니라 표본평균(또는 신뢰구간)이다. 즉, 모집단평균이 확률적으로 변화하여 그 구간에 포함되는 것이 아니라, 모집단에서 표본을 추출하여 oo% 신뢰구간을 구하는 작업을 100번 반복했을 때 평균적으로 그 구간에 모집단평균이 포함되는 것이 oo번이란 뜻이다.

쉽게 정리해서 말하자면 아래와 같다.
- 모집단 평균(전체 평균)은 변하지 않는다.
- 대신, 우리가 뽑는 표본이 달라지기 때문에, 그때마다 신뢰구간도 조금씩 달라질 수 있다.
- 그래서 95% 신뢰구간이란 말은, "우리가 이렇게 신뢰구간을 만들었을 때, 그 중 95% 정도는 진짜 평균을 포함한다"는 의미이다.

[책 : 그로스 해킹] 전환율과 AARRR에 대하여

초이준철 — Tue, 1 Jul 2025 21:54:50 +0900

"제품은 가설의 조합으로 이뤄져야 하며, 그러한 가설을 테스트하기 위한 최소한의 기능으로 제품은 이뤄져야 한다. 기능이 많은 제품이 성공하는 것이 아니라 최소한의 기능으로 사용자에게 가치를 전달할 수 있는 제품이 성공하는 것이다."

"우리가 데이터를 통해 확인하려고 하는 것은 눈앞의 지표 몇 개가 아니라 '고객'에 대한 폭넓은 이해라는 걸 잊지 말자."

전환율

전환율을 구하려면 목표로 하는 이벤트를 정의하고 이를 위해 거쳐야 하는 경로를 먼저 구체화해야 한다. 경로를 구체화한다는 것은 전환 퍼널을 그리는 것이다.

전환율 지표의 특징

전환율은 카테고리 외에도 다양한 변수에 영향을 받는다. 똑같은 상품에 대한 전환이라도 친구 초대를 통해 들어온 사람과 디스플레이 광고를 통해 들어온 사람은 전환율에 차이가 난다.

이처럼 전환율을 전체 대상으로 확인할 때보다 여러 그룹으로 쪼개서 볼 때 더 강력한 의미를 지닌다. 이처럼 공통적인 특성에 따라 여러 집단으로 분류한 사용자 그룹을 코호트라고 한다. 이처럼 퍼널 분석의 진정한 가치는 주요 퍼널에서의 단편적인 전환율을 계산하는 데 있는 것이 아니라 전환율에 영향을 미치는 유의미한 선행지표를 발견하는 데 있다.

우리 서비스 사용자들의 평균 결제 전환율을 50% 이지만,
페이스북 광고를 통해 가입한 사용자의 결제 전환은 40%이고 친구 초대를 통해 가입한 사용자의 결제 전환은 60% 임을 확인했다.
* '가입 방법'이라는 선행지표가 결제 전환율에 영향을 주는구나! 이것이 유의미한 선행지표를 발견하는 것

효율적인 지표 관리: AARRR

회사 조직도에 따라 지표를 나눠서 제각각 관리하지 말고 사용자의 서비스 이용 흐름에 따라 단계별 주요 지표를 전체 서비스 관점에서 정의해야 한다.
* 사공이 많으면 배가 산으로 간다. (지표가 많으면 제품이 산으로 간다는 얘기)

유저가 들어오는 순간부터 나가는 순간까지를 모두 포괄하는 일종의 퍼널을 만들고, 각 단계에서 핵심이 되는 지표가 무엇인지 찾아야 한다.

고객 유치: 사용자들을 어떻게 데려올 것인가?
활성화: 사용자들이 우리 서비스의 핵심 기능을 잘 사용하는가?
리텐션: 사용자들이 우리 서비스에 지속적으로 방문하는가?
수익화: 사용자들이 우리 서비스의 핵심 기능을 사용하기 위해 결제를 하는가?
추천: 사용자들이 우리 서비스를 주변 지인들에게 소개, 추천하는가?

AARRR의 가치

AARRR은 단순히 단계별로 지표를 모니터링하는 데서 그치지 않는다. 특히 "고객 유치에선 DAU를 봐야 하고, 활성화에선 이탈율을 봐야 하고.." 같은 식으로 서비스의 특성이나 포지셔닝을 고려하지 않고 단계별로 무조건 정해진 몇 개의 지표가 있다고 설명하는 건 AARRR을 완전히 잘못 이해한 것이다.

가장 중요한 건 서비스의 특성에 따라 카테고리별로 어떤 지표를 봐야 할지 선정하는 과정, 그리고 지표를 개선하기 위해 어떤 실험을 어떤 우선순위에 따라 진행할지를 결정하고 실행할 것인가다.

AARRR을 활용하는 방법

1. 각 단계별로 풀어야 하는 문제를 확인한다.
2. 각 단계의 핵심이 되는 주요 지표를 선정하고, 해당 지표의 현재 수준을 측정한다.
3. 측정된 지표가 가지는 의미를 이해한다.
4. 개선해야 하는 목표 수준을 정하고 실험을 통해 단계적으로 개선한다.

실무에서 AARRR을 잘 활용하려면 위와 같은 4단계를 통해 사용자와 서비스에 대해 깊이 있게 고민하는 과정이 필요하다.

AARRR의 각 부분에 대해서 하나씩 확인해 보자.

고객 유치

고객 유치 과정의 핵심은 고객 유치에 기여한 채널의 성과를 판단할 수 있는 모델을 만드는 것이다. 채널별 성과를 판단할 때에는 데려온 사용자 수를 보는 것이 아니라, 어떤 채널을 통해 들어온 사용자들이 꾸준히 활동하는지, 결제로 전환되는 비율이 얼마나 되는지를 바탕으로 각 채널의 가치를 정확히 판단할 수 있어야 전체적인 마케팅 전략을 수립하거나 예산을 분배할 수 있다.

고객 유치 데이터를 분석할 때 중요한 포인트는 오가닉 트래픽의 비중을 높이는 것이 아니라 가능한 한 많은 트래픽을 식별해서 미식별 트래픽의 비중을 최대한 줄이는 방향이어야 한다.

온라인에서 유입 경로를 확인하기 위해 가장 널리 사용되는 기능은 UTM 파라미터다. UTM 파라미터란 서비스로 유입된 트래픽이 어느 경로로 들어왔는지 출처를 확인할 수 있도록 URL 뒤에 추가된 파라미터를 의미한다.

모바일 앱 경우 UTM 파라미터 형태로 유입 기여도를 확인할 수 없다. 모바일 앱은 링크를 클릭한 후 앱스토어로 이동한 다음에 앱을 설치하고 실행하는 과정인데, 앱스토어로 이동하는 과정에서 URL에 지정된 UTM 파라미터가 유실되기 때문이다. 그래서 모바일 앱에서의 유입 기여를 살펴보기 위해서는 어트리뷰션이라는 개념이 사용된다. 어트리뷰션이란 사용자가 앱을 설치하고 사용하는데 어떤 채널이 기여했는지를 식별함으로써 모바일 앱의 마케팅 성과를 판단하는 과정이다.

파라미터는 손쉽게 만들어서 GA를 통해 성과를 측정할 수 있지만, 어트리뷰션을 확인하기 위해선 대부분 유료로 제공되는 별도의 서비스를 사용해야 한다. 어트리뷰션을 잘 활용하기 위해서는 정량적으로 나타나는 수치 외에도 각 마케팅 채널이 어떤 지면을 가지고 있는지, 어떤 사용자층을 보유하고 있으며, 어떤 식으로 사용자를 타기팅 하는지, 광고의 사용자의 인터랙션이 어떤 식으로 이뤄지는지 등 채널의 특성을 잘 이해하고 있어야 한다.

활성화

활성화 단계의 핵심은 퍼널에 대한 분석이다. 퍼널 분석을 진행할 때 고려해야 하는 세 가지 요소는 다음과 같다.

1. 핵심 가치를 경험하는 시점과 그곳으로 연결되는 각 단계를 잘 정의했는가?
* 우리 서비스가 줄 수 있는 핵심 가치를 구체화하고 사용자들이 핵심 가치를 경험하는 정확한 순간을 정의하는 것이다.
2. 각 단계별 전환율을 어떤 기준으로 측정하는가?
3. 코호트에 따른 퍼널별 전환율을 보고 있는가?

리텐션

리텐션은 사용자들이 특정 서비스를 얼마나 꾸준히 남아서 활동하는지 보여주는 지표이다. 리텐션은 대표적으로 잘하고 있을 때일수록 더 세심하게 측정하고 관리해야 하는 지표에 속한다. PMF를 만족하는 서비스는 초기 일정 기간이 지나면 그래프의 기울기가 완만해지면서 리텐션이 안정적으로 유지되는 패턴을 보인다. 반면, 그렇지 못한 서비스는 리텐션 그래프의 기울기가 꾸준히 우하향하는 패턴을 보인다.

리텐션이란 지표는 서비스가 속한 카테고리의 영향을 크게 받는다. 매일 새로운 콘텐츠를 보기 위한 뉴스 서비스와 1년에 한두 번 떠나는 해외여행을 준비하기 위해 들어오는 여행 서비스는 리텐션을 판단하는 기준이 다를 수 있다.

언제나 리텐션 수치를 확인할 때에는 단순 비교 대신 해당 서비스가 속한 카테고리를 감안해서 지표의 건전성을 판단하는 것이 필요하다.

퍼널 분석과 마찬가지로 리텐션을 분석할 때도 코호트에 따른 차이를 확인하고 그 원인이 되는 요소를 구명하는 것이 대단히 중요하다. 리텐션은 쪼개서 볼 때 의미 있는 지표라는 점을 기억하자. 일반적으로 리텐션을 분석할 때 활용하는 코호트의 기본은 날짜다.

만약, 리텐션이 가파르게 떨어지는 구간을 지난 후 안정화되는 단계에서는 사용자와의 관계를 잘 유지하는 것도 중요하다. 그래서 정기적인 커뮤니케이션 플랜이나 CRM 마케팅 활동, 주기적으로 진행하는 프로모션 등이 도움이 된다. 특히 일정 기간 미사용 후 휴먼 고객이 되는 사용자들을 대상으로 적절한 복귀 명분을 만들어주는 리마케팅 등을 꾸준하게 해야 한다.

수익화

수익화 관리를 위해서는 서비스가 어떤 비즈니스 모델을 가지고 있는지 명확히 이해하고, 비즈니스 모델이 잘 작동하는지, 비용 대비 수익이 안정적인지를 데이터로 확인할 수 있어야 한다.

수익화 관련 주요 지표는 ARPU(Average Revenue Per User, 인당 평균 매출)이다. ARPU 지표 개념을 보면, 정말 단순해 보이지만 그렇지 않다. ARPU는 시작과 끝이 있는 특정 기간에 대한 지표다. 즉, '현재 시점 APRU'이란 것이 존재하지 않는다는 말이다. APRU을 세우기 위해서는 다음과 같은 여러 질문들을 던져야 한다.

- APRU를 구할 때 사용하는 사용자는 누적 가입자 전체일까?
- DAU나 MAU로 봐야 할까?
- 결제에 대한 지표니깐 가입자가 아니라 결제자를 봐야 할까?
- 마찬가지로 매출의 기준이 되는 기간은 언제부터 언제까지일까?
- 지금까지의 누적 매출을 봐야 할까?
..

APRU 지표를 정의하는 데 있어서 여러 가지 질문들을 던질 수 있는 만큼, 먼저 해야 할 것은 전사적으로 통용되는 명확한 기준을 세워야 한다.

두 번째 주요 지표는 ARRPU(Average Revenue Per Paying User, 결제자 인당 평균 매출)이다. 어라, ARPU와 상당히 유사해 보이지만 전체 사용자가 아닌 '결제자'만을 대상으로 한다는 점이 다르다. ARRPU도 명확한 기준을 세워야 하는데, 보통 월간 매출과 월간 결제자 수를 바탕으로 계산하는 것이 일반적이다.

* ARRPU = Revenue / Paying User

세 번째 주요 지표는 고객 생애 가치(Lifetime Value, LTV)이다. 고객 생애 가치는 한 명의 사용자가 진입하는 순간부터 이탈하는 순간까지의 전체 활동 기간에 누적해서 발생시키는 수익으로 정의할 수 있다.

* 고객 생애 가치 = (1인당 평균 매출 - 1인당 평균 비용) / (1 - 고객 유지 비율 + 할인율) - 고객 획득비융

그러나, 현실에서는 이런 식의 계산은 사실상 불가능하다. 왜냐하면 우리는 경제학 시험문제를 푸는 것이 아니라 비즈니스 현실에 마주한 문제를 풀어야 하기 때문이다.

그래서 고객 생애 가치 대신 고객 생애 매출을 활용하는 것을 저자는 추천한다. 고객 생애 가치가 고객 한 명에 대한 기대 수익이라면 고객 생애 매출은 고객 한 명에 대한 기대 매출이다.

* 고객 생애 매출 = 평균 구매 금액 x 구매 빈도 x 고객 유지 기간

고객 생애 매출을 활용할 때의 중요한 포인트는 우리 서비스의 전체적은 고객 생애 매출을 딱 떨어지는 숫자로 요약하는 것에 집착할 필요가 없다는 점이다. 고객 생애 매출은 전체 회원을 대상으로 하는 하나의 지표로 계산하여 관리하기보다는 코호트를 잘 나누고 코호트별 고객 생애 매출의 추이가 어떻게 변화하는지 살펴보는 것이 훨씬 유용하다. 이 경우 가장 일반적으로 활용되는 코호트 분류 기준은 '가입 시점'이 된다.

건강한 서비스라면 가입 시점을 기준으로 3개월가량 되는 시점이 되면 고객 생애 매출이 고객 획득 비용을 크게 넘게 될 것이다.

* 하나의 수식으로 건강한 서비스인지 알 수 있다. "CAC + a < LTR"

수익화 쪼개서 보기

데이터를 쪼개서 확인하는 것은 많은 인사이트를 얻을 수 있는 하나의 방법이다. 수익화(매출)도 쪼개서 보는 방법을 함께 살펴보자!

1. 아이템별 매출의 합계
* 매출 = 아이템 A + 아이템 B + 아이템 C + ..
2. 사용자별 매출의 합계
* 사용자 세그먼트를 분류하고 각 세그먼트별 매출의 합계를 통해 전체 매출을 계산할 수 있다. '신규 회원 매출 + 기존 회원 매출' 등..
3. 결제자 수 x ARPPU
* ARPPU는 결제자의 인당 결제액을 의미한다. 따라서 ARPPU에 결제자 수를 곱하면 전체 매출이 된다.
* 여기서 결제자 수는 활동회원 중 얼마나 결제를 했느냐에 따라 달라지는 지표이기 때문에 여기서 한 번 더 쪼갤 수 있다. 예를 들면 '결제자 수 = 활동회원 x 결제비율'로 쪼개고 다시 보면, 매출 = 활동회원 x 결제비율 x ARPPU로 볼 수 있다.

이처럼 매출을 퍼널에 따라 쪼개 보면 매출이 증가하거나 감소하는 패턴을 훨씬 더 세부적으로 파악할 수 있게 된다.

예를 들어, 매출이 증가하거나 감소했을 때 그 원인이 가입전환율이 좋아서인지, 잔존율이 좋아져서인지, 유저가 결제하는 비율이 높아져서인지, 혹은 평균적으로 더 비싼 제품을 샀기 때문인지를 판단할 수 있게 되는 식이다.

이처럼 가입 기간에 따른 월별 코호트 기준으로 매 코호트의 데이터를 이렇게 쪼개서 확인하면 기간에 따른 효과와 퍼널에 따른 효과를 결합해서 훨씬 입체적으로 매출을 분석할 수 있다.

[통계101x데이터 분석] 3장 "통계분석의 기초"

초이준철 — Mon, 30 Jun 2025 16:44:14 +0900

목차
1. 다양한 데이터 유형
2. 대표적인 기술통계량
3. 이상값
4. 확률
5. 정규분포

1. 다양한 데이터 유형

양적 변수란 숫자로 나타낼 수 있는 변수
- 이산형: 횟수, 사람 수 같이 셀 수 있는 숫자 데이터이다. 예를 들면 주사위 눈처럼 1부터 6까지의 정수 형태로 나오는 것
- 연속형: 키나 몸무게와 같이 이어지는 값을 의미한다.
질적 변수란 숫자가 아닌 범주로 나타내는 변수
- 설문 조사의 예/아니오, 동전의 앞/뒤, 맑음/흐름/눈/비와 같은 날씨, 식당 메뉴

2. 대표적인 기술통계량

대푯값이란 대략적인 분포 위치를 의미하고 대표적인 값을 정량화하기 위해 사용하는 통계량
- 평균값
- 중앙값
- 최빈값

평균값, 중앙값, 최빈값 그래프 예시

3. 이상값

이상값에 대한 명확한 정의는 없지만 평균값에서 표준편차의 2배 또한 3배 이상 벗어난 숫자를 이상값으로 본다. 실제로 데이터를 해석할 때는 이상값이 실제 값이 아니라, 측정 시나 데이터 기록 시 실수일 가능성도 고려해야 한다. 데이터 분석 현장에서는 시각화를 통해 이상값이 있는지를 확인하고, 이것이 실제 값인지 실수로 생긴 값인지를 판단하는 것이 중요하다.

이상치 예시

4. 확률

확률이란 발생 여부가 불확실한 사건의 발생 가능성을 숫자로 표현하는 것이다. 흔히 알고 있는 예시로 보자.

주머니에 붉은 구슬 4개와 흰 구슬 1개가 있다. 안을 보지 않고 구슬 하나를 꺼내는 경우의 수를 보자.
P(흰 구슬) = 1/5
P(붉은 구슬) = 4/5
* 여기서 흰 구슬, 붉은 구슬에 따라 확률이 달라지기 때문에 이것들을 확률 변수라 부른다.

확률분포란 가로축에 확률변수를, 세로축에 그 확률변수의 발생 가능성을 표시한 분포이다.
독립이란 확률변수가 2개가 있다고 가정한다면 X와 Y의 동시확률분포 P(X,Y)가 각각의 확률 P(X)와 P(Y)의 곱과 같다는 뜻이다. 쉽게 말해 한쪽이 어떤 값을 취하든지 다른 한쪽의 발생 확률은 변하지 않는다는 것을 의미
조건부확률이란 한쪽 확률변수 Y의 정보가 주어졌을 때, 다른 한쪽 확률변수 X의 확률을 조건부확률 P(X|Y)라 한다.

조건부확률 쉬운 예시
주머니에 빨간 사탕 4개, 파란 사탕 3개, 초록 사탕 3개가 있다. 이 중에서 껍질이 반짝이는 사탕은 6개, 그렇지 않은 사탕은 4개이다. 그리고 반짝이는 사탕 중에서 빨간 사탕은 3개이다.

만약, 반짝이는 사탕 중에서 빨간 사탕일 경우의 수는?
조건이 반짝이는 사탕 중임으로 6개이고, 이 중에서 빨간 사탕은 3개이다. 답은 3/6 > 50%

5. 정규분포

통계학에서 가장 자주 등장하는 중요한 확률분포는 정규분포이다. 정규분포는 평균과 표준편차에 따라 그래프의 형태가 달라진다.

출처: 위키백과 정규분포

[통계학101x데이터 분석] 2장 "모집단과 표본"

초이준철 — Mon, 30 Jun 2025 16:00:17 +0900

목차
1. 데이터 분석의 목적
2. 알고자 하는 대상
3. 모집단
4. 표본조사

1. 데이터 분석의 목적

데이터 분석을 시작할 때는 "ㅇㅇ을 설명한다.", "ㅁㅁ을 예측한다." 등과 같이 구체적인 데이터 분석 목적을 정하는 것이 중요한 첫 단계다.

목적 설정 예시
1. 신약의 효과 유무와 효과의 크기를 알고 싶다.
2. 서류합격률과 서류 제출수에 어떤 관계가 있는지 알고 싶다.
3. 기온으로부터 올해 농작물 수확량을 예측하고 싶다.

2. 알고자 하는 대상

데이터 분석의 목적을 정한 뒤에는 알고자 하는 대상을 명확히 하는 것이 중요하다. 예를 들어 신약의 효과를 알아내는 것이 데이터 분석의 목적이라면 알고자 하는 대상은 '고혈압이 있는 모든 사람'이 된다. 서류 제출수에 따른 서류합격률의 관계를 알아내는 것이 데이터 분석의 목적이 된다면 알고자 하는 대상은 '취업준비생'이 된다.

3. 모집단

통계학에서 모집단이란 알고자 하는 대상 전체를 의미한다. 앞으로 데이터 분석에서 어떠한 방법을 사용하든 간에 '지금 알고자하는 대상은 무엇인지', '무엇을 모집단으로 설정할 것인지'의 문제는 항상 주의를 기울여야 한다. 모집단의 성질을 알아야 이해할 수 있고 디테일한 분석이 가능하기 때문이다.

4. 표본조사

통계학에는 모집단의 일부를 분석해서 모집단 전체의 성질을 추정하는 추론통계가 있다. 추론통계에서 조사하는 모집단의 일부를 표본이라 하고 모집단에서 표본을 뽑는 것을 표본추출이라 한다. 그리고 표본을 이용하여 모집단의 성질을 조사하는 것을 표본조사라고 부른다.

모집단과 표본조사에 대한 이미지

표본크기를 정하는 방법이나 표본크기가 데이터 분석 결과에 끼치는 영향력에 대해서는 5장과 9장에서 설명이 될 예정입니다. 학습 후 여기에 링크를 남길게요 :)

[통계 101x데이터 분석] 1장 "통계학이란?"

초이준철 — Mon, 30 Jun 2025 15:38:49 +0900

목차
1. 데이터를 요약하는 것
2. 대상을 설명하는 것
3. 새로 얻을 데이터를 예측하는 것
4. 추가로 학습한 것 (간략하게)

1. 데이터를 요약하는 것

아무런 처리도 없는 데이터 원자료 [1.2, 2.1, 2.1, 0.8, 2.4, 0.9, 0.7]를 보고 우리는 쉽게 판단할 수 없다. 따라서 데이터를 요약하고 정리할 방법이 필요하고 대표적인 방법이 평균값 계산이다.

데이터 원자료만 봤을 때
[1.2, 2.1, 2.1, 0.8, 2.4, 0.9, 0.7] 이게 뭐야?

평균값 계산을 통해 봤을 때
해당 데이터 원자료의 평균이 1.7이구나!

2. 대상을 설명하는 것

대상이 가진 성질과 관계성을 명확히 밝히고 이를 이해하는 걸 의미한다. 우리는 일상생활에서도 관찰을 통해 관계성을 쉽게 발견할 수 있다. 붉은 사과를 먹을 땐 달달한데, 초록 사과는 시큼하다는 경험을 했다면, 사과의 색과 맛 사이에는 관계성이 있다고 짐작할 수 있다.
또 다른 이야기로 설명하자면 '연소득'과 '행복도' 두 가지 키워드의 관계성을 데이터로 확인한다고 치자. 시각화를 했더니 연소득이 증가할수록 행복도가 증가하고 있는 사실을 그래프를 통해서 확인했다. 우리는 이를 통해 "연소득이 증가할 수록 행복도도 증가하는구나"라고 생각할 수 있다.

예시 그래프

추가로 알아야 할 것은 인과관계와 상관관계에 대한 개념이다.

인과관계란? 2가지 중 하나(원인)를 변화시키면 다른 하나(결과)도 바꿀 수 있는 관계를 말한다.
상관관계란? 한쪽이 크면 다른 한쪽도 큰 관계를 의미한다.
* 상관관계에서 주의할 점은 한쪽을 변화시켰다 하더라도 다른 한쪽이 변한다고 단정할 수 없다.

3. 새로 얻을 데이터를 예측하는 것

데이터를 예측한다는 것은 이미 얻은 데이터를 기반으로, 이후 새롭게 얻을 데이터를 예측하는 것을 말한다. 농작물 예측 예시를 보자.

목적
- 미지의 데이터 = '올가을의 수확량'을 올여름 평균 기온으로 예측하고자 한다.
예측
- 30년 동안의 데이터를 확인해 보니 평균 기온에 따른 수확량을 알 수 있다. 올여름 평균 기온은 30도임으로 올가을의 수확량은 15톤가량 되겠다. 왜냐하면, 30년간 평균 기온이 30도일 때 수확량은 15톤이었기 때문이다.

추가 학습 내용

1. 통계적 추론
- 데이터에서 가정한 확률 모형의 성질을 추정하는 방법
2. 가설검정
- 세운 가설과 얻은 데이터가 얼마나 들어맞는지 평가하여 가설을 채택할 것인가를 판단하는 방법

여기에 대한 자세한 내용은 앞으로 나올 예정이에요 :)

[퇴사 회고] 인생 첫 퇴사

초이준철 — Wed, 25 Jun 2025 16:23:44 +0900

목차
1. 내가 쌓아온 경험들
2. 역할 관점에서 주요 업무
3. 배우게 된 것들
4. 감사한 것들
5. 아쉬운 것들
6. 앞으로 방향성

내가 쌓아온 경험들

역할 관점: 퍼포먼스 마케터, 데이터 분석가, 노코드 개발자(?)
성과 관점: 메타 광고 ROAS 지표 3배 상승, 실시간 대시보드로 수기 업무 100% 제거, 데이터 기반 마이페이지 수정 후 고객 문의 감소, LLM 기반 언어 모델 개발하여 신규 매출원 창출
데이터 관점: 회사 내부 데이터가 제대로 관리되지 않은 상황에서 테이블 정의서와 활용 데이터를 노션에 체계적으로 정리하고 실시간 대시보드를 구축하였고, 매주 '포커스데이'를 운영하며 내부 데이터를 분석해 비즈니스의 문제점과 방향성을 도출하고 실행에 옮기기 위해 노력하였다.
조직의 변화 관점: 다이어리 제품을 단독으로 맡았다가 데이터 개발팀이 신설되며 이전하게 되었다.

역할 관점에서 주요 업무

퍼포먼스 마케터
- 다이어리 제품을 단독으로 담당하며 팔로워 3.7만을 보유한 SNS 채널을 운영했다. 내가 채널을 맡을 당시에는 주요 지표들(좋아요, 공유, 댓글, 저장)이 전부 바닥을 찍고 있어서 마음 편하게 운영을 해보라고 하셨다. SNS 콘텐츠를 기획할 때에는 자사 제품을 먼저 내세우기보다는, 고객이 관심 가질 만한 키워드나 문제 상황을 먼저 설정하고 이를 우리 제품을 통해 자연스럽게 해결하는 방식으로 콘텐츠를 구성했다. 콘텐츠 주제는 내가 선정하고 파트장님께 컨펌을 받는 형식이었기 때문에 항상 데이터를 기반으로 설득하고자 했다. 예를 들어 소셜미디어 데이터에서 '시간'과 관련된 연관 분석 데이터를 확인하니 '스트레스' 키워드가 연관성이 높게 나왔다. 이를 바탕으로 “스트레스를 받는 이유는 시간 관리가 내 뜻대로 되지 않기 때문”이라는 가설을 세웠고, 해당 가설을 바탕으로 우리 제품이 시간 관리에 도움을 줄 수 있으며, 결과적으로 스트레스를 줄일 수 있다는 방향으로 콘텐츠를 구성했다. 내가 운영했던 기간을 보면 주요 지표가 2.5배 정도 증가했다.
- 레뷰 체험단을 모집하여 제품 홍보도 진행했었고 챌린저스라는 어플을 통해서 4주간 자사 제품을 이용하여 시간 관리를 인증하는 챌린지를 진행하기도 했다. 특히 챌린저스에서 인증할 때 우리 제품을 제대로 사용하고 있지 못하는 고객들에게 피드백을 드리기도 했는데, 이 과정에서 느꼈던 것은 내가 먼저 제품에 대한 이해가 높아야 피드백도 구체적으로 드릴 수 있다는 것이다. 본래 다이어리 제품을 처음 맡았을 때 바로 자사 다이어리를 매일 디테일하게 작성을 했었다. 그리고 파트장님께 다이어리 사용법에 대해서 피드백을 받으며 제품에 대한 이해를 높이고자 했다. 제품을 사용하며 느낀 건 시간 관리만 잘해도 인생이 바뀔 수 있겠다는 생각이 정말 많이 들었다. 피드백은 언제나 공감 + 개선방향으로 제공했었다.
- 연말 프로모션 기간에는 파트장님께서 제품 기획과 디자인을 담당하셨고 나는 메타 광고 성과를 달성하기 위한 캠페인 운영을 담당했다. 클라리티에서 제공하는 고객 행동 데이터를 통해 프로모션 랜딩 페이지를 개선했고 고객 설문 조사 데이터를 바탕으로 메타 광고 A/B 테스트로 목표를 초과 달성하기도 했다. 또한, 리마인드 메시지를 통해 매출을 일으키기도 했다. 성과가 수치로 보였을 때 도파민은 아직도 잊지 못한다. 메타 광고에서 최고 ROAS 지표가 520%가 찍혔을 때 슬랙에 소리 질렀다.

도파민에 못 이겨 소리지르는 나

데이터 분석가
- 다이어리 제품 운영은 외주로 돌리고 신설된 데이터 개발팀으로 이동하게 되었다. 이유는 회사에서 본격적으로 내부 데이터를 활용하여 제품 개발이나 프로그램 운영 개선을 위해서였다. 회사는 풀스택 노코드 개발툴(프론트엔드 + 백엔드 + DB를 하나의 환경에서 다룰 수 있는 것)을 사용하고 있었다. 처음 데이터 개발팀으로 들어가서 했던 일은 데이터가 어떻게 적재되고 있는지, 어떤 테이블이 있는지를 먼저 파악했다. 앞으로 원하는 데이터를 추출하고 적극적으로 활용하기 위해 테이블 정의서를 새롭게 만들어서 정리했다. 테이블 정의서 내용은 다음과 같다. '테이블명 / 컬럼명 / 컬럼 예시 데이터 / SQL 추출 방법'
- 처음 맡았던 프로젝트는 실시간 대시보드 구축이었다. 기존 내부 대시보드는 엑셀로 관리가 되고 있었는데, 데이터를 매번 업데이트하고 관리하는 측면에서 상당히 비효율적이었다. 우선 대시보드에 사용되는 지표 산출 로직을 다시 한번 정리했다. 그리고 SQL을 활용하여 26개의 테이블을 다중 조인해서 쿼리를 작성했다. 이를 노코드 개발툴과 연결하여 대시보드를 만들었다. 이 과정에서 노코드에 대한 학습도 필요해서 GPT나 해외 유튜브, 내부 직원분에게 많이 여쭤봤다. 쿼리를 짜고 대시보드 UI를 만들 때에는 프로그램 운영팀과 커뮤니케이션을 정말 많이 했다. 왜냐하면 대시보드는 내가 보는 것이 아니라 프로그램 운영팀이 가장 많이 볼 테니깐 말이다. 주로 드렸던 질문은 "이렇게 하면 보기가 편하실까요?", "혹시 어떤 기능이 있으면 좋으실까요?", "이렇게 구성해 봤는데 피드백 부탁드려요!" 이거였다. 이렇게 질문과 피드백을 바탕으로 만들어진 대시보드를 사용하는 방법에 대해서 정리하고 슬랙으로 공표하였다.
- 대표님과 내부 데이터를 바탕으로 첫 미팅을 했을 때가 기억에 남는다. 회사 내부 데이터를 노션 두 페이지 정도 가량 정리해서 미팅에 참여를 했었다. 결과적으로 대표님의 질문은 이거였다. "so what? 그래서 무엇을 얘기하고 싶은 거야?" 질문을 받고 머리가 띵했던 기억이 난다. 아무런 목적 없이 단순한 현상에 대해서만 제시한 것이었다. 대표님께서 구체적으로 어떤 방향으로 데이터 미팅을 진행하면 좋을지 피드백을 받았고, CTO 분께도 데이터 분석과 관련해서 피드백을 받았다. 그날 밤 피드백 내용들을 정리하고 내가 앞으로 어떻게 데이터 미팅에 참여해야 될지에 대해서 노션에 개별적으로 정리했고, '목적' 그리고 '판단 기준' 두 가지 키워드로 정리됐다. 매주마다 데이터 미팅을 진행했고, 언제나 분석 목적과 어떤 것을 기준으로 판단을 내려야 할지에 대해서 고민을 하고, 내가 무엇을 얘기하고 싶은지 정리하여 데이터 미팅에 참여했다. 이후 데이터를 통해 의미 있는 의사결정을 내릴 수 있게 된 것 같다고 좋아하셨던 대표님의 말씀이 두 번째로 기억에 남는다. 티는 안 냈지만 속으로 너무 뿌듯했다. 내가 이 회사에 기여하고 있다는 사실이.
- LLM 언어 모델 개발 프로젝트를 단독으로 맡았다. 내부적인 한정된 리소스로 인해 고객들의 니즈를 충족시킬 수 없었다. 여기서 대안책으로 나온 것이 LLM 언어 모델을 개발해서 고객들에게 만족스러운 피드백을 제공하자는 것이었다. 이 논의가 나왔을 때 "제가 해보겠습니다!"라고 CTO분께 말씀드렸다. 당시 Python을 통해서 할 수 있었던 것은 데이터 정제, 시각화, 크롤링 정도였다. 딥러닝에 대한 학습은 한 번도 한 적이 없다. 그런데 새로운 것을 학습하고 제품을 개발하는 것 자체가 나에게는 너무 큰 설렘으로 다가왔다. 미팅이 끝나자마자 '랭체인으로 LLM 기반의 AI 서비스 개발하기'와 '챗 GPT와 랭체인을 활용한 LLM 기반 AI 앱 개발' 책 두 권을 바로 빌렸다. 당시 설날 연휴 기간이 시작되었는데, 연휴와 주말을 모두 학습 및 구현에 시간을 투자했었다. 여러 시행착오가 있었지만 결과적으로는 성공적으로 언어 모델을 개발했고, 고객 체험단을 회사로 초청하여 내가 개발한 언어 모델을 사용하고 만족도를 조사했었다. 결과는 7점 만점 6.1점을 받게 되었고, 몇 가지 피드백을 반영하여 제품으로 출시하여 신규 매출원을 창출했다.
‍ 노코드 개발자(?)
- 노코드 개발자도 하나의 역할로 넣은 이유는 간단하다. 대시보드를 구축할 때 노코드를 활용했고, 데이터를 통해 고객의 문제를 발견하고 해결하는 주요 액션도 노코드를 사용해서 고객 마이페이지를 수정하는 것이었다. Python으로 LLM 언어 모델을 개발하고 이것을 노코드에 도입하고 UI를 만드는 과정도 전부 노코드를 활용해야 했기 때문이다. 결국 데이터와 관련된 액션 대부분은 모두 노코드 개발로 수행되었다고 보면 되겠다.

배우게 된 것들

⏱️ 시간 관리
- 업무량이 상당히 많고, 업무 스콥 또한 넓다 보니 시간 관리를 제대로 하지 않으면 살아남을 수 없었다. 회사에서도 항상 시간 관리에 대한 중요성을 강조했고, 무엇보다 다이어리 제품을 맡다보니 시간 관리를 잘하기 위해서 더 노력했다. 항상 구글 타이머로 한 시간을 맞춰두고, 시간이 울리면 한 시간을 내가 어떻게 보냈는지 다이어리에 작성하고 색깔로 칠했다. 빨간색은 가장 별로인 것, 초록색은 보통, 파란색은 밀도 있는 시간을 보낸 것으로 색깔별로 시간의 농도를 측정했다. 이를 통해 시간 관리를 어떻게 개선시킬지, 이 시간은 왜 내가 잘 보냈는지에 대해서 피드백하고 기록했다.
- 업무가 많으니 항상 우선순위에 대한 고민이 있었다. 이것도 중요하고 저것도 중요하니 갈피가 잡히지 않을 때 항상 파트장님께 여쭤봤다. "이것들중 어떤 것을 우선적으로 해결해야 할까요?" 그리고 다이어리에 우선순위를 작성하고 데드라인을 정하여 업무를 했다.

작성한 다이어리 일부

⁉️ 업무에 대한 태도
- "업무를 진행할 때에는 항상 의도를 가지고 있어야 한다" 파트장님께서 항상 강조하신 말씀이다. 가끔 업무를 그냥 하는 경우가 있다. 습관적으로 말이다. 이렇게 아무런 생각 없이 습관적으로만 업무를 진행한 시간을 보면 항상 빨간색이다. 왜 그런지에 대해서 피드백을 해 보면 의도 없이 그냥 했기 때문이었다. 내가 이것을 왜 하는지, 이걸 통해서 무엇을 얻고자 하는지 스스로 질문을 계속하고자 노력했다.
- 내가 업무를 진행할 때에도 목적과 의도가 분명해야 하지만, 데이터 분석가는 외부에서 오는 요청도 많다. 그러므로 항상 상대방의 요청에 대한 목적과 의도가 무엇인지 물어봐야 한다. 그러면 업무에 대한 대화의 깊이가 한층 더 깊어진다. 실제 경험을 바탕으로 두 가지 사례를 보자.

목적 없이 그냥 했을 때
타 부서: 준철님 이 데이터 뽑아주실 수 있을까요?
나: 네!

목적을 물어보고 했을 때
타 부서: 준철님 이 데이터 뽑아주실 수 있을까요?
나: 혹시 이 데이터로 무엇을 하실 건가요?
타 부서: 외부 미팅 자료에 사용할 건데 이 데이터를 통해서 설득시키려고요.
나: 그러면 이 데이터도 같이 보여드리면 좋을 것 같은데 어떻게 생각하세요?
타 부서: 좋은데요? 그러면 그 데이터도 같이 뽑아주세요!
나: 네!

⛓️ 구조적인 사고
- 파트장님께서 알려준 구조적인 사고도 업무에 많은 도움이 되었다. 모든 걸 'What - Why - How' 구조로 생각해 보는 것이다. 이것은 커뮤니케이션에서 도움이 많이 됐었는데, 노코드 개발과 관련해서 여쭤볼 때 "내가 현재 구현하고 싶은 것이 무엇이다.(What) > 그런데 이러한 부분이 되지 않는다. (Why) > 그래서 이 부분을 어떻게 하면 구현할 수 있을까요? (How)" 또한, 데이터 분석 과정에서도 도움이 되었다. "고객 문의수를 줄이고 싶다.(What) > 고객 문의수가 너무 많아서 CS 업무에 시간을 많이 할애한다. (Why) > 고객 마이페이지에 지표 데이터를 제공하자. (How)"
고객 관점
- 회사의 모든 분들은 고객의 입장에서 문제를 바라보고, 고객이 원하는 것은 무엇인지에 대해서 항상 고민했다. "나는 사실 모든 문제의 답은 데이터에 있다."라고만 생각했다가 회사를 다니며 바뀌었다. 데이터는 문제를 발견하는 하나의 수단일 뿐, 모든 문제의 답은 고객에게 있다. 파트장님들은 항상 고객을 직접 만나보는 것을 강조하셨다. 그래야 고객이 무엇을 필요로 하는지 알 수 있고 우리가 그것을 어떻게 충족시킬 수 있을지 고민할 수 있다고 말이다. 그래서 다이어리 제품을 맡았을 때 처음했던 것은 재구매 고객 20명과 전화인터뷰를 했었다. 고객들이 우리 제품을 왜 사용하고 있는지, 어떤 부분이 어렵고 불편한지에 대해서 깊이 알 수 있는 기회였다. 또한, 프로그램에 참여한 고객들과 만날 수 있는 기회가 있다면 주저 없이 만나고 소통하고자 했다. 이를 통해 데이터를 뜯어보았을 때 "저번에 고객분이 이렇게 말씀하셨는데, 이러한 이유로 해당 지표가 낮게 나오는 건가?"라고도 생각할 수 있게 되었다.

감사한 것들

나의 강점을 발견하게 된 것
- GALLUP의 강점 검사를 했을 때 나는 배움 / 책임 / 문제 해결 / 발상 이렇게 나왔었다. 회사에선 내가 가진 강점을 최대한 활용하고 키울 수 있도록 도와주셨다.
나를 믿고 프로젝트를 맡겨 주신 것
- 단독으로 대시보드 구축이나 LLM 언어 모델 개발 등 데이터와 관련한 모든 업무에 대해서 나를 믿고 맡겨주셨다. 부담이 없을 순 없겠지만, 부담보다는 나를 믿어주심에 감사한 마음이 더 컸다. 그래서 더 잘 해내고 싶었다.
배우게 된 것들의 모든 것
- '배우게 된 것들'에 적어놓은 모든 경험이 저에게는 정말 감사한 자산이다. 시간 관리를 통해 제 시간을 더욱 밀도 있고 효율적으로 쓸 수 있게 되었고, 업무에 대한 태도를 배우며 앞으로 어떤 자세로 일에 임해야 하는지도 깊이 고민하게 되었다. 또한 구조적인 사고를 바탕으로 커뮤니케이션하는 방법을 익혔고, 무엇보다 고객의 관점에서 문제를 바라보고 해결하는 자세의 중요성을 뼈저리게 배울 수 있었다.

아쉬운 것들

현재 회사에 단계에서 할 수 있는 데이터 분석의 한계를 지속적으로 느낄 때
데이터 개발팀으로 속해 있던 데이터 분석가 사수분이 노코드 개발 업무로 쏠리다 보니, 데이터와 관련된 업무에 대해 깊이 논의하고 기댈 수 있는 사람이 한 명도 없었다는 것
새벽까지 이어지는 노코드 개발 업무와 비효율적인 업무 구조가 개선되지 않은 것

앞으로 방향성

아직 어떤 산업의 데이터를 다루고 싶은지는 명확하지 않지만, 데이터 직무에 대한 확신은 분명해졌다. 현재 나의 방향성은 CTO님께서 해주신 말씀을 마음에 새기며, 꾸준한 학습과 실무 경험을 통해 한 걸음씩 성장해 나가는 것이다.

인생에서 가장 사랑하는 데이터라는 툴로 가장 이타적인 시간이 될 수 있게 해 봅시다.

요즘 이 짤을 많이 쓰길래 써봄

[MySQL] 프로그래머스 문제 풀이 (식품분류별 가장 비싼 식품의 정보 조회하기)

초이준철 — Fri, 16 Aug 2024 17:34:53 +0900

테이블 설명 및 문제

테이블에 대한 설명과 문제가 나와있습니다.

얼핏 보면 쉬운 문제 같지만, 계속 틀렸다고 나와서 머리가 아팠던 문제입니다

처음 작성한 쿼리

SELECT CATEGORY, MAX(PRICE) AS MAX_PRICE, PRODUCT_NAME
FROM FOOD_PRODUCT
WHERE CATEGORY IN ('식용유', '과자', '국', '김치')
GROUP BY CATEGORY
ORDER BY MAX(PRICE) DESC;

쿼리에 대한 결괏값 (오답값)

무엇이 틀렸는지 한 번 확인해 볼게요.

우선, 아래는 아무런 CATEGORY만 필터링하고 다른 조건은 아무것도 주지 않은 결괏값이에요.

그리고 빨간색 네모박스들만 출력되면 정답인 샘이죠.

무엇이 틀렸는지 감이 오시나요?

추출되어야 할 결괏값과 제가 짠 쿼리에 대한 결괏값을 비교해 보면

PRODUCT_NAME에 대한 값이 다르다는 것을 알 수 있어요.

그 이유는 CATEGORY로 GROUP BY 한 뒤 SELECT에 MAX 함수를 사용할 때

MAX(PRICE) 값은 올바르게 나오고, 다른 CATEGORY 칼럼과 PRODUCT_NAME 칼럼은 그냥 첫 번째 값으로 나오기 때문이에요.

올바른 쿼리

SELECT CATEGORY, PRICE AS MAX_PRICE, PRODUCT_NAME
FROM FOOD_PRODUCT
WHERE (CATEGORY, PRICE) IN (SELECT CATEGORY, MAX(PRICE)
	  	FROM FOOD_PRODUCT
        WHERE IN ('과자', '국', '식용유', '김치')
      		GROUP BY CATEGORY)
ORDER BY MAX_PRICE DESC;

카테고리와 금액은 확실하게 매치가 되지만 문제는 '제품 이름'이 매치가 안 되는 것이죠?

조건에 맞는 카테고리와 금액만 서브쿼리로 만든 뒤, WHERE 조건문을 통해서 FOOD_PRODUCT 테이블과 같은 가격을 추출하도록 설정하면 원하는 결괏값을 얻을 수 있어요.

문제 출처: https://school.programmers.co.kr/learn/courses/30/lessons/131116?language=mysql

프로그래머스

코드 중심의 개발자 채용. 스택 기반의 포지션 매칭. 프로그래머스의 개발자 맞춤형 프로필을 등록하고, 나와 기술 궁합이 잘 맞는 기업들을 매칭 받으세요.

programmers.co.kr

[책 : 데이터 읽기의 기술] 모든 데이터는 심리학이다

초이준철 — Sun, 26 May 2024 19:29:07 +0900

'데이터 분석 책 추천'에 항상 언급이 되는 데이터 읽기의 기술을 e-book으로 다운 받아 읽었어요.

책을 통해 데이터 바라보는 관점과 해석에 대해서 많이 배울 수 있는 시간이었습니다.

그래서 데이터 읽기의 기술을 읽으며, 기록했던 것들을 정리해서 기록하려 합니다.

소비자는 언제 회사에게 돈을 쓸까?

알고 (지식) → 좋아지면 (태도) → 구매한다 (행동)
소비자는 제품을 알고, 제품이 좋아지면 구매한다.
단순하게 말해서 어떤 제품을 알고, 좋아하게 되면, 다양한 방법으로 구매한다.
매출과 연결되어 있는 ‘사람’의 구매 행동을 분석하는데 가능한 한 많은 데이터를 가지고 있는 것이 매우 중요하다.

영수증에는 무슨 데이터가 담겨 있을까?

영수증은 소비자와 기업의 시공간이 만나는 순간을 담아낸 집합체다.
영수증에는 데이터의 육하원칙이 담겨 있다.
- 누가 (who) - 멤버십 등급, 인구통계학적 정보
  - 한 명의 고객, 멤버십에 가입했다면 여러 번 방문한 영수증을 한 사람의 행동으로 연결할 수 있게 되어 더욱 힘을 얻는다.
  - 멤버십 데이터와 연계하여 분석 가능
- 언제 (when) - 연, 월, 일, 시, 분, 초, 요일, 공휴일
  - 회계에서 중요한 기준이 될 수 있다. 여러 관점에서 분절해 분석할 수 있으며, 데이터에 힘을 실어주게 된다. 외부 데이터와 연결할 수 있는 중요한 ‘핵심 가치’가 된다.
  - 데이터를 일자별 프로모션이나 공휴일로 나누어 시계열 데이터와 연결해 시기 분석 가능
- 어디서 (where) - 매장 이름, 주소, 상권, 위경도 외
  - 오프라인 매장이다. 이 매장의 위치가 행정 구역이나 위경도와 만나는 순간이 빅데이터가 될 가능성이 높다.
  - 매장의 특성과 연계 분석 가능
- 무엇을 (what) - 제품 기준 정보, 카테고리, 속성 정보, 발주 일시
  - 기업의 상품 기준 정보, SKU(재고 관리 식별코드) 단위까지 세세하게 분류하고, 되도록 자세하게 태그를 한다. 분류 체계가 잘 되어 있다면, 분석에 날개를 달아준다.
  - 제품 패턴과 연결하여 분석 가능
- 어떻게 (how) - 결제 수단, 쿠폰 사용 여부, 이벤트 참여 여부
  - 결제 수단, 이벤트 정보 등을 담는다.소비자가 어떻게 기업에게 비용을 지불했는지 다각도에서 설명할 수 있고, 이 결제 수단에서 프로모션 아이디어가 나온다.
- 왜 (why) - SNS 분석, 설문 조사, 특정 집단 대상 심층면접 FGI ✨
  - 영수증 데이터만으로는 소비자의 행동 원인을 알기 어려울 때가 있다. 다른 데이터로부터 왜 그럴지 ‘추정’해야 한다. 정확한 why는 소비자에게 묻기 전까지는 알 수 없으며, 사실 소비자조차 답을 모를 수도 있다.

인구통계학적 정보는 중요할까?

20대인지, 30대인지, 여성인지 남성인지 중요할까? 우리 주변만 봐도 같은 성별, 같은 나이라도 각자가 갖고 있는 취향은 다르다는 것을 쉽게 알 수 있다.
이제는 ‘A’라는 한 명의 사람이 언제, 어디서, 무엇을, 어떻게, 몇 번을 구매하는지 연결해서 보는 것이 더 의미 있는 시대가 되었다.

데이터의 목적과 기업의 목적

데이터의 목적은 소비자를 더 깊이 이해하는 것이다. 이를 통해 소비자가 기꺼이 제품과 서비스를 구매할 수 있기 때문이다.
기업의 목적은 소비자가 원하는 제품과 서비스를 만드는 것임을 잊지 말아야 한다.

시간 데이터를 활용 방법

시간 데이터를 바탕으로 분석을 진행할 때에는 ‘의미 있는 시간대’를 찾아내는 것이다. 고객의 행동이 변화하는 변곡점을 찾아내야 한다. (그로스해킹 책에도 나왔지만, 잘 쪼갤 수 있는 능력이 필요하다.)
- 두 가지 일이 일어난 간격을 계산해 의미를 파악하는 것도 필요하다. 예를 들어, 가입과 첫 구매 간의 간격이나 이탈이 일어나는 시점 같은 것이 있다.
- 소비자의 행동 이유를 파악하고, 어떤 것을 제공해야 소비자가 좀 더 편리할지 궁리해야 한다.
- 시간 데이터는 소비자의 행동과 밀접한 연관이 있기 때문에 이리저리 뜯어보고 다각도로 살펴봐야 한다.

소비자 세그먼트를 하는 이유는?

소비자를 위한 제품을 만들거나 마케팅 전략을 짜기 쉽기 때문이다. 단, 인구통계학적 분류는 거의 의미가 없다.
- 분류를 해야 한다면, 아래와 같은 소비자의 행동에 따라 분류해야 한다.
  - 아침마다 무언가를 하는 사람
  - 점심마다 저런 소비를 하는 사람
  - 저녁마다 이런 곳에 들르는 사람
  - 직장에 다니고, 아침에 출근할 때마다 회사 근처 카페에 들리는 사람
  - 고속도로에 특정 시간대에 진입하여 근처 드라이브 스루 매장에 들렀다 가는 사람
  - 토요일 점심마다 느지막하게 브런치를 하는 사람
  - 금요일 밤마다 술을 마신 후 특정 매장에 음료수를 마시는 사람
  - 이런 행동이 훨씬 더 소비자의 필요와 맞닿아 있다.

현장에 답이 있다

분석을 하는 중에 숫자에 확신을 갖기 위한 확실한 방법은 현장에 가보는 것이라고 생각한다.
분석 업무를 컴퓨터 앞에만 앉아서 한다고 생각하면 착각이다.
분석 아이디어와 해석의 풍성함은 현장에서 나온다.

데이터 분석은 파편을 모아 스토리를 만드는 것

낱개의 분석을 모아 사람들에게 공감을 얻을 수 있는 스토리를 만들어야 한다.
하나의 분석을 끝내면 그것들을 모아 스토리로 만들어야 한다.
- 사람들이 이해할 수 있도록 일목요연하게 정리하는 작업을 거치고, 논리적으로 구멍이 없는지 찾아보고, 구멍이 있다면 그 부분도 추가로 분석해야 한다. 이러한 것을 ‘데이터 리터러시’라고 부르기도 한다.
남에게 설명하는 과정도 도움이 된다. 이 프로젝트에 대해 잘 알지 못하는 사람에게 들려주고, 그 사람이 궁금해하는 지점을 채워 넣는 것도 좋은 방법이다.

스토리를 만드는 데 가장 중요한 것은 '질문'

예를 들어, 조직에서 행사를 마쳤고 행사에 대한 어떤 데이터를 분석하고 준비해야 할까?
- 이 행사를 왜 시작했는가?
- 행사를 했는데 매출을 왜 올랐는가? 또는 왜 오르지 않았는가?
- 예전에 비슷한 행사를 했을 때와 비슷하게 매출이 올랐는가?
- 더 올랐는가, 덜 올랐는가?
- 만약 예전 행사와 다른 점이 있다면, 시간이나 장소가 바뀐 것 외에 무엇이 달랐는가?
- 그 바뀐 점이 매출에 더 좋은 영향을 주었는가, 나쁜 영향을 주었는가?
- 이 행사에 쓰인 비용을 회수하고 남을 만한 매출인가?
- 행사의 목적과 다른 효과는 없었는가?

결국, 우리가 데이터 분석을 하는 이유는
우리 회사와 제품을 사랑해주어야 할 소비자를 이해하고자 하는 것