- 데이터 리터러시란?
- 데이터를 읽는 능력
- 데이터를 이해하는 능력
- 데이터를 비판적으로 분석하는 능력
- 결과를 의사소통에 활용할 수 있는 능력
- 데이터 해석 오류 사례
- 심슨의 역설
- '부분'에서 성립한 대소 관계가 그 부분들을 종합한 '전체'에 대해서는 성립하지 않는 모순적인 경우
- 시각화를 활용한 왜곡
- 자료의 표현 방법에 따라서 해석의 오류 여지가 존재
- 샘플링 편향 (Sampling Bias)
- 전체를 대표하지 못하는 편향된 샘플 선정으로 인해 오류가 발생
- 상관관계와 인과관계
- 상관관계는 인과관계가 아닌 것을 항상 유의해야 함
- 상관관계만으로 섣불리 의사결정 하지 않기
- 데이터 분석이 목적이 되지 않도록 (문제 및 가설정의 → 데이터 분석 → 결과 해석 및 액션 도출) 항상 "왜?"를 생각해야함
- 풀고자 하는 문제가 무엇인지 명확하게 정의해야함!!!
- 문제 및 가설정의 단계나 결과 해석 및 액션 도출 단계에 시간을 더 들이고 생각을 더 하도록!!!
- 문제 정의
- 분석하려는 특정 상황이나 현상에 대한 명확하고 구체적인 진술
- 프로젝트의 목표를 설정하고 분석 방향을 설정
- 문제 정의 사례
- 상황: 매출 증가 목표인 패션 플랫폼 A
- 문제 정의: 매출을 어떻게 늘릴 수 있을까?
- 문제 정의는 했지만, 모호하고 구체적이지 않음
- 어떤 고객층, 제품에 초점을 맞출지에 대한 명확한 지침이 부재
- 데이터 분석할 시 방향성을 잡기가 어려움
- 수정방안
- 지난 6개월 동안 25~34세 여성 고객층의 구매 전환율이 급격히 감소함. 이 고객층의 전환율을 2%에서 5%로 끌어올리기 위해 어떤 마케팅 전략을 적용할 수 있을까?
- 문제 정의 방법론
- MECE (Mutually Exclusive, Collectively Exhaustive)
- 문제를 상호 배타적이면서, 전체적으로는 포괄적인 구성요소로 나누는 것
- MECE를 통해 복잡한 문제를 체계적으로 분해하고, 구조화된 방식으로 분석할 수 있음
- 잘못된 MECE 예시
- 사람 - 남성, 여성, 아저씨로 나눔: 남성과 아저씨가 중복
- 영화 장르 - 액션, 스릴러, 공포로 나눔: 멜로나 코미디 등 누락 장르 존재
- 잘못된 MECE 예시
- 로직 트리 (Logic Tree)
- 상위 문제로부터 시작하여 하위 문제로 계층적 접근
- 일반적으로 도표 형식으로 표현
- MECE (Mutually Exclusive, Collectively Exhaustive)
- 문제 정의의 핵심
- So What?
- 수입한 정보와 소재에서 '결국 어떻다는 것인지'를 알아내는 작업
- Why So?
- 구체적으로 무슨 뜻인지를 검증하고 확인하는 작업
- So What?
- 문제 정의 팁
- 결과를 공유하고자 하는 사람이 누구인지 정의하기
- 결과를 통해 원하는 변화를 생각하기
- 회사 소속이라면, 경영자의 입장에서 보려고 노력하기
- 많은 사람들과 의견을 나눠보는 것도 방법
- 반드시 혼자서 오래 고민해보는 시간을 가질 것
'기타' 카테고리의 다른 글
| 컴퓨터 수명 확인법 (0) | 2026.01.16 |
|---|---|
| 윈도우와 맥(air) 차이 (1) | 2026.01.16 |
| [데이터 리터러시 강의] 결과 vs 결론, 결론을 잘 정리하는 법 (0) | 2026.01.10 |
| [데이터 리터러시 강의] 정량적 / 정성적 데이터, 지표설정 (활성유저, 재방문율, 퍼널, LTV(고객평생가치)) (0) | 2026.01.10 |
| Microsoft 사용자 변경하기 (0) | 2026.01.10 |