[데이터 문해력] 데이터 분석을 잘 한다고 생각했다면? 읽는 내내 뼈 세게 맞는 책🦴

📚빅 데이터 시대, 성과를 이끌어 내는 데이터 문해력

• 카사와기 요시키 지음 / 강모희 옮김
• https://product.kyobobook.co.kr/detail/S000001019698

빅데이터 시대, 성과를 이끌어 내는 데이터 문해력 | 카시와기 요시키 - 교보문고

IT업계는 '데이터 문해력을 키워야 한다, 데이터 문해력이 경쟁력이다'라는 얘기를 흔하게 들을 수 있습니다.
이런 이야기는 비단 소위 데이터 직무라고 불리는 일을 하는 사람에게만 해당되지는 않습니다.
기획자부터 마케터, HR에 이르기까지, 데이터라는 것이 쌓이고 있는 모든 곳에서 일하는 이에게 필요한 능력이라는 이야기를 꽤 오랜 시간 들어온 것 같습니다.

퍼포먼스 마케터로 나름대로 많은 데이터를 들여다 봤지만,
보다 데이터 분석에 전문성을 갖고 싶어 직무 전환을 결심했을 때 다양한 플랫폼에서 가장 많이 추천 받았던 책인데요.

흔하게 사용하는 '데이터 문해력'이라는 단어, 정말 무엇을 말하는 건지 명확하게 정의하실 수 있나요?
이 책은 아주 명쾌하게, 나름대로 데이터를 분석하고 있다고 생각했던 사람들의 뼈를 제대로 때리며 답을 내려줍니다🥊

 

💡 바쁜 사람을 위한, 이것만 알자!

1. 데이터 활용의 프로세스
   목적과 문제 정의 -> 지표 및 기준 결정 -> 현황 파악 및 평가 -> 원인 분석 -> 해결 방안(결론)
2. 하지만 데이터 프레젠테이션은 정반대이다.
   결론 -> 평가 지표 및 기준 결정 -> 적합한 데이터 및 그래프 선택
3. 모든 단계에서 목적을 고려해야 한다. 왜 이걸 하고 있지? 뭘 알고 싶은 거지?
4. 결과가 아닌 결론을 제시해야 한다. 그래서 문제 정의, 평가, 원인 분석이 중요하다.
5. 데이터 문해력은 결국
   • 데이터에 의존하지 않고 스스로 목적과 문제를 정의하는 능력
   • 필요한 데이터나 분석 범위를 넓은 시야로 디자인 할 수 있는 능력
   • 정답이 없다는 것을 알고 스스로 정답을 만들어내고 논할 수 있는 능력

 

📝 인사이트 기록

❥ 앞으로는 데이터 문해력이 필요하다.

데이터 활용을 잘 하지 못하는 이유는 기술과 방법론이 부족해서가 아니다.
통계와 분석 방법을 활용하기 위한 사고방식, 즉 데이터 문해력이 필요하다.

데이터를 활용하는 능력을 기르기 위해 여러 하드스킬들과 방법론, 통계 지식들을 키워야 한다고 생각하기 쉽상입니다.
저 역시도 이전 회사에서 일하며 '내가 이렇게 데이터를 읽어내는 게 정말 맞는 걸까?' 라는 고민을 정말 많이 했습니다.
데이터 분석 능력을 키우기 위해서 가장 먼저 해야할 것은 통계를 공부하고 여러 기술들을 익혀야 한다고 생각했지만,
아직 배울 것이 많지만, 통계 지식이나 기술이 곧 데이터에서 인사이트를 발굴해내는 능력으로 연결되지 않는다는 것을 많이 느끼고 있습니다.

특히 인상적이었던 것은 '사람이 창출할 수 있는 가치에 집중하라'는 얘기였습니다.
통계 지식을 정확하게 기억하고, 어려운 계산을 정확하고 빠르게 실행하는 것은 기계가 압도적으로 잘한다는 것이죠.
앞으로 더 잘하게 될 것이구요.
'기계에 맡기는 것이 더 나은 일'과 '사람이 해야하는 일'을 구분하고 정말 꼭 필요한 것을 갈고 닦아야 한다는 말에 공감이 많이 되었습니다.

❥ 올바른 데이터로 올바른 문제를 풀기 - 목적 사고력

책 전체를 관통하는 핵심 메시지 중 하나는 이것인 것 같습니다.

 데이터 분석은 목적을 달성하기 위한 도구이다.
데이터 활용의 시작은 목적을 먼저 정의하는 것이다.

데이터 분석을 해보자! 하고 일단 얻을 수 있는 모든 데이터를 최대한 긁어 모아 쫙~ 펼쳐놓고 '자 이제 여기서 뭘 찾아낼까..?' 고민하셨던 경험, 다들 있지 않으신가요?
저 또한 마케터로 일을 하며 정말 많은 경우 그렇게 일을 시작했었습니다. 광고주와 미팅을 하며 무언가 말할 거리는 찾아내야 하고, 뭐든 쥐어짜내기 위해 일단 요래조래 그래프부터 그려보는 거죠. 각종 데이터를 갖다가 이렇게도 저렇게도 그려보다가 오! 뭔가 눈에 띄는 변화가 있는걸? 하며 그 지점을 들여다보면 실제로 뭔가 의미 있는 것들이 발견되기도 했습니다.🫥

하지만 책에서 그래프와 데이터 중심의 데이터 분석은 레벨 1, 2의 하수라고 팩트폭행을 날려줍니다.
진정한 데이터 분석은 목적 중심으로, 알고 싶은 것(목적)에 따라 데이터를 수집하고 분석하는 것이라구요.

돌이켜보니 저도 그랬습니다. 그 때는 개념도 알지 못했던 '가설 설정'을 먼저 하고, 제가 데이터로 확인하고 광고주와 커뮤니케이션하고자 하는 메세지를 명확히 한 후 데이터를 분석했을 때 훨씬 더 의미있는 결과를 얻고 효율적으로 일할 수 있었어요.

반면, 데이터 분석을 통해 얘기할 것을 명확히 하지 않았을 때는 그저 여러 다양한 데이터에서 발견한 '현상'들을 광고주에게 나열하며 이야기하게 됐고, '그래서 뭘 어떡하란거죠..?' 라는 피드백을 듣기도 했죠.
뭔가 화려해보이는 데이터 분석과 그래프는 빛 좋은 개살구일뿐,
분석을 통해 당시 저에게 고객인 광고주가 알고 싶은 것, 즉 그들의 문제에 답을 해주는 것이 가장 중요하다는 걸 깊이 느꼈던 경험이었습니다.

❥ 현상 파악은 평가와 다르다.

 

가치 있는 정보는 구체적인 판단과 의사결정을 내릴 재료가 되어야 한다.
즉, 현상 파악을 넘어 평가를 해야 한다.

데이터 분석은 의사결정을 위한 도구입니다.
데이터를 그저 그래프나 표, 지표로 표시해서 나타내는 것은 현상을 파악하는 것일 뿐, 평가가 아닙니다. 그 그래프를 통해 어떤 의사결정을 내릴 수 있을까요?

앞서 말했던 '그래서 뭘 어쩌란거냐'(를 둥글게 말씀하셨던) 광고주 분과의 케이스가 또 다시 떠오르더라구요.
그땐 순간적으로 열심히 준비했는데 뭐가 문제지 싶어 당황했지만, 제게 정말 많은 것을 가르쳐주셨던 광고주 분.. 새삼 감사드려요 ㅎㅎ

그렇다면 평가는 어떻게 해야할까요? 주관적인 추측이 들어가지 않도록 비교해야 합니다.

비교 대상을 선정할 때 고려할 것
✅ 결론으로 이어지는 결과를 얻을 수 있는가?
✅ 비교를 통해 차이를 찾을 수 있는가?

비교 대상을 정할 때도 무작정 이런저런 데이터를 최대한 많이 수집해서는 안됩니다. 기억하시죠, 목적사고력!?
이 비교 대상의 데이터로 목적과 일치하는 결론을 내릴 수 있을지 검토하는 것이 우선입니다!

또 비교 대상으로는 외부/내부를 모두 고려해보면 좋습니다.
외부라면 타 경쟁사와의 비교일 것이고, 내부라면 자사의 타 제품과도 비교해볼 수 있겠죠.

저도 이전 회사 입사 초기에 팀장님이 비교를 강조하셨던 것이 떠오릅니다.
마케터로서 담당 광고주 웹 데이터와 광고 계정 데이터를 꾸준히 모니터링을 하는 것이 중요했는데요, 항상 현재의 데이터만 보는 것이 아니라 전년도, 전 분기, 전 주 등의 동기간과 비교하라고 말씀하셨습니다.
저도 부사수가 생겼을 때 자주 받았던 질문이 어떤 지표가 하락/상승 했을 때 이게 이슈인지 아닌지 어떻게 판단하냐는 것이었습니다.
그 기준은 누구도 정해줄 수 없고, 담당 계정을 꾸준히 보다보면 그 계정에 맞는 기준이 생긴다 라는 얘기를 했었는데 그게 결국 마케터만의 기준을 세워, 비교를 통해 평가하기 위함이었다는 생각이 듭니다.

❥ 해결방안은 원인에 실행되어야 한다.

목적에 맞는 데이터를 수집하고, 지표를 결정하고, 비교 대상을 선정해 평가까지 마쳤습니다.
그럼 이제 결과를 도출하면 되는 걸까요?

결과를 도출하는 것보다 더 중요한 것은!!
✅ 결과 표시만 하고 끝내지는 않았는지
✅ 결과로 구체적인 판단이나 행동으로 연결될 것인지
✅ 문제와 결과에 대한 원인을 충분히 고려했는지

즉, 해결 방안을 제시해주어야 합니다.

"최근 매출이 떨어졌다"는 문제가 있다고 합시다. 이에 대한 해결 방안은 다양한 것들이 나올 수 있을 겁니다.
매달 이벤트를 한다던지, 상품 포장 디자인을 개편한다던지, 온라인에 더 자주 홍보를 한다던지 등등...

하지만 원인 분석이 없다면 도출한 해결 방안이 유효하지 않을 수 있습니다.
해결 방안은 원인에 실행되어야 하기에 반드시 원인을 먼저 분석해야 합니다.

원인을 찾아내는 사고방식
1. 원인 후보를 열거 한다.
2. 원인과 문제의 관련성을 파악할 수 있는 지표를 결정한다.
3. 관련성을 산포도나 상관계수 등을 통해 확인한다.

여기서 중요한 것은, 데이터 속에 답이 있는 것은 아니라는 것입니다. 데이터로는 알아낼 수 없는 여러 가능성이 있음을 고려해야 합니다.

마케터로 일할 당시, 제가 맡은 A 회사의 유입수가 갑작스럽게 10배 이상 증가한 적이 있었습니다.
이렇게 이례적인 데이터가 눈에 띌 때는 원인을 파악하는 것이 가장 우선인데요, 다른 지표를 아무리 들여다봐도 이유를 파악할 수가 없었습니다. 이상하다 싶어 네이버에 검색했더니 A 회사가 다른 플랫폼을 통해 단기적인 이벤트 광고를 진행했던 것이더라구요.
이 부분을 먼저 파악한 후, 유입은 늘었지만 이후 퍼널로 이어지지 않은 것을 어필하며 커뮤니케이션을 했던 기억이 있습니다.
단순한 사례지만 데이터가 모든 해답을 주지 않음을, 그 이면의 가능성들을 늘 염두에 주고 있어야 함을 배웠던 경험이었죠.

❥ 결과가 아닌 결론을 서술하기

결과 != 결론
◦ 결과 : 계산과 분석을 통해 나온 결과물
◦ 결론 : 결과가 목적에 대해 어떤 의미가 있는지 설명하는 것

결국 데이터 분석을 의뢰한 사람이 궁금한 것은 결론일텐데요,
결론은 청자가 궁금한 것, 즉 이 분석의 목적에 답을 해주어야 합니다.

여기서 중요한 것 중 하나는 직접적인 계산 결과가 통계 용어는 결론에 포함되어 있지 않다는 것입니다.

메일링 서비스 콘텐츠를 개발하고자 하는 사람이 있다고 합시다.
'메일링 리스트를 등록한 사람은 그렇지 않은 사람보다 방문 빈도의 평균값이 높습니다.' 라는 이야기가 청자에게 어떤 답을 줄 수 있을까요?
적어도 이렇게 바꿔주면 어떤 판단과 행동을 제시할 수 있겠죠. '메일링 리스트 등록은 방문 횟수 증가에 효과적입니다.'

결론은 결과를 기반으로 도출하지만, 표현 방식은 다르다.
청자에게 이 결론이 얼마나 가치가 있을지,
어떤 판단을 하고 어떤 행동을 취할 수 있을지 스스로 물어봐야 한다.

✔️ 정리하며

이 글에 다 싣지는 못했지만, 각 파트에 대해 정말 상세한 사례와 연습 문제를 들어주면서
잘못 굳어져 있던 데이터 분석에 대한 사고방식을 조목조목 바꾸어줍니다.
저도 읽으며 제가 '문제'라고 생각하고 정의했던 것이 사실은 현상에 불과했고,
원인 분석 없이 해결방안만 제시해서 공감을 얻지 못했던 경험도 떠올랐어요.
추상적인 개념만 나열하지 않고, 실전적인 방법들도 제시해주는 책이니
데이터 문해력이 당최 뭔지, 데이터 분석을 잘 한다는 것은 어떤 것인지 궁금하신 분들은 꼭 한 번 읽어보시면 좋을 것 같아요!

저도 분석 단계마다 책을 옆에 두고 계속 꺼내보려고 합니다!

적용할 것
✔️ 데이터부터 무작정 다 모아보고 그래프를 그려보며 뭔가를 찾아내려는 습관을 버리자.
      얻어걸리는 결론은 좋은 결론이 될 수 없다.
✔️분석은 작은 파트에 불과하다. 문제를 정의하고 원인을 찾아내보고 지표를 정의하는 '사고의 과정'에 집중하자.
     포트폴리오에도 그런 사고의 과정을 담아내자.
✔️책에서 나온대로 스스로 질문하며 과거에 했던 프로젝트의 문제를 정의를 다시 하는 연습을 해보자.