인터넷의 등장, 온/오프라인 통합, AI, ML 등의 등장으로 그 어느 때 보다 빅데이터 분석이 화두가 되고 있는 요즘입니다. 쏟아지는 데이터를 AI, ML을 통해 성과분석, 미래예측을 한다지만 현실에서는 쉽지 않은 얘기입니다. 웹 사이트 트래픽만 하더라도 UV, PV, 체류시간 등 기본 지표 외에도 얼마나 스크롤을 내렸는지, 어디에서 무엇을 눌렀는지, 심지어 세션 리플레이가 가능하게 데이터가 쌓이지만 과연 무엇을 봐야 할지 너무도 복잡합니다. 😵

들어가는 말

How Do You Get Someone on the Show "Hoarders?"

빅데이터, 스몰데이터, 다크데이터, 패스트데이터, 스마트데이터 등 우리는 참 많은 데이터를 수집할 수 있게 되었습니다. 하지만 구슬이 서 말이라도 꿰어야 보배라는 말이 있습니다.

수천톤의 정보를 데이터로 쌓을 수 있게 됐지만 정말 봐야하는 진실과 쓰레기에 뒤덮혀 쌓여간다면 데이터 호더스가 될 뿐 입니다.

그렇다면 어떻게 해야 데이터 분석을 통해 관리를 해야 인사이트를 얻을 수 있는지 몇 가지 체크리스트를 만들어 보았습니다. 🤩

명확한 비즈니스 목표

accomplishment accuracy accurate achievement
Photo by icon0.com on Pexels.com

서비스/분야별로 목표는 다양합니다. 때로는 노출수가 중요할 수도 있고, 때로는 전환율이 중요할 수도 있습니다. 성과 측정이 가능하고 성공에 기여하는 지표가 바로 Key Performance Indicators (KPIs) 입니다. KPI는 많다고 좋은 것이 아닙니다. 그럴수록 더 많은 데이터의 바다에서 허우적 거리다가 길을 잃고 익사하게 될 뿐이니 KPI는 최소갯수로 설정하고 관련 데이터 분석에 집중해야 합니다.

데이터가 오독되지 않도록 관리

young troubled woman using laptop at home
Photo by Andrea Piacquadio on Pexels.com

잘못된 데이터가 쌓일 경우 이상징후를 감지 못 하고, 성고판단에 오류를 범할 수 밖에 없습니다. 데이터분석을 해 본 사람이라면 누구나 100% 완벽한 데이터가 없다는 것을 알고 있습니다. 끊임없는 검증과 모니터링이 필요합니다. 흔한 사고로는 애시당초 데이터 수집의 오류(예를 들어 구글 애널리틱스의 이벤트가 중복 실행 된다거나…), 네트워크 문제로 인한 유실, 새로운 데이터에 대한 정리 오류 등이 있습니다. AI/ML이 발전하더라도 전담인력으로 관리하는 방법 밖에 없습니다.

특정 문제에 대한 Ad-hoc 분석

Do Not Study Hard, Study Smart - Motivation Video [HD] - YouTube

데이터를 활용하려면 스스로 노력해야 합니다. 열심히도 중요하지만 할 줄 아는 사람과 해보면 스마트하게 실력이 늘 수 있습니다. 예를 들어 매출이 급증했다거나 사용자 전환율이 낮아진 상황 등 다양하고 복잡한 사항에 대한 분석을 지속적으로 해보세요. 문제해결에 대한 다양하고 새로운 시도를 통해 데이터 수집의 문제점을 발견할 수도 있고, 데이터를 통해 원인 파악을 할 수도 있습니다. 가장 멋진 점은 새로운 문제에 대한 분석력이 늘어나는 것을 느낄 수 있습니다.

최대한 객관적이어야 한다

No, You're Not Reading the Bible "Objectively" | RFX Movement

사람들은 누구나 선입견을 가지고 있고, 부지불식간에 보이는 대로, 알던 대로 판단해 버리기 쉽상입니다. 결국 데이터의 보고 싶은 부분만 보고, 나머지는 그대로 버려지게 됩니다. 그런 오류를 피하기 위해서 객관적이되야 하지만 어려운 일이니 비관계자/외부인의 분석을 받아 보는 것이 좋습니다.

데이터를 시각화해야 한다

10 Types of Data Visualization Made Simple (Graphs & Charts)

아무리 숫자에 능해도 많은 데이터가 쌓이다보면 가늠할 수 없게 됩니다. 1973 통계학자인 Francis Anscombe가 발견한 과학적 사실은 데이터 시각화를 해야만 감지할 수 있는 것이 있다는 것 입니다. 그래서인지 요즘 데이터 시각화 툴, 다양한 Business Intelligence Tools을 활용하고 있습니다.

image of data visualizations showing patterns in data sets

전문가를 써야 합니다

The 10 Areas of Expertise in Data Science, and Why You Should Choose One |  by Melody Ann Ucros | Medium

외부 전문가이든, 내부 전문가이든 반드시 전문가가 있어야 합니다.

외부 전문가의 경우 최신 트렌드, 다양한 프로젝트를 통해 다양한 경험을 통해 기술 습득을 하는 반면, 내부 전문가의 경우 업무 스킬 향상을 위해 지속적인 트레이닝이 필요합니다.

맺음말

간단한 듯 하지만 만만치 않은 것이 데이터 분석입니다.

데이터를 쌓기 전에 가설을 세우고, 쌓이는 데이터를 보며 검증을 하고 수집 경로를 개선하고, 검증하고…의 반복입니다.

많은 데이터를 쌓는 것도 중요하지만 진짜 중요한 것은 분석을 통해 인사이트를 얻는 것 입니다. 어떻게 하면 데이터 분석을 잘 할 수 있는지, 실수하지 않는지에 대한 가장 기본적인 유의 사항에 대해 정리해 보았습니다.

빅 데이터, 다 쓰는게 아니라 알짜를 뽑아내는 것이 기술!

결국 외부 전문가 (저 같은 컨설턴트)가 분석에 참여하면 도움이 된다는 얘기로 마무리하겠습니다. 😎

참고로 “👉많은 눈의 긍정적인 효과 – 리눅스 법칙“에 대해서도 읽어 보시길 추천 합니다.