2026/04/10 Fri.
| O | ● 코드카타 레벨 1 끝내기 = 3 문제 |
| O | ● 취업 컨설팅 - 인사이트 |
| X | ● 데이터 리터러시 완강 |
| ● 절반 수강 | |
| X | ● 서브 프로젝트 ppt |
⊙ 코드카타 레벨 1 끝내기
https://qc-standard.tistory.com/44
⊙ 취업 컨설팅 - 인사이트
(질문) 사람人 이력서 제출했음에도 시간이 지나도록 열람이 되지 않은 경우
- 이 질문을 한 이유는 나의 실제 사례이기 때문에 궁금해서였다
- 그에 대한 답을 얻을 수 있어서 이것만으로 가치있는 시간이란 생각이 든다
(질문) 6시그마 자격증을 꼭 취득해야하는지?
- 6시그마!!만 가지고 있다면 임펙트 없음
- 공대생의 기초 수료 과정으로 여기는 자격증 → 도메인 관련 / 통계 관련 자격증을 가지고 있다면 씨너지
- 6시그마를 취득할 예정이라면 다른 자격증 취득 권장
내가 궁금한게 많은 건지 40분이 짧다고 느껴졌다. 그 만큼 가치있는 시간이었다.
⊙ 데이터 리터러시
● 데이터 리터러시 (Data Literacy) 정의
- 데이터를 읽는 능력 ≒ 표나 그래프 해석 포함
- 데이터를 이해하는 능력 ≒ 데이터가 의미하는 바가 무엇인지 생각할 수 있는 능력
- 데이터를 비판적으로 분석하는 능력 ≒ 데이터를 곧대로 믿는 것이 아닌
→ 위 능력을 토대로 "결과를 의사소통에 활용할 수 있는 능력"
→ 데이터 주제에 대한 이해가 기반이 되어야 의사소통을 할 수 있음
→ 데이터 수집 / 데이터 원천적 이해
→ 데이터 활용법 이해
→ 데이터를 통한 핵심지표 이해
--→ 데이터 리터러시는 올바른 질문을 던질 수 있도록 만들어 줌 → 자기 자신에게 던지는 질문 (왜 하는지, 어떤 인사이트 도출이 목적인지,,, 목적 의식 고양)
● 데이터 분석에 대한 착각
| 데이터 분석을 해봐야지 → SQL, Python, Tableau 등 언어 툴을 학습 → 데이터를 봐도 모르는 상황 도래 |
| <데이터 분석에 대한 흔한 착각> ● 데이터를 잘 분석하면 문제, 목적, 결론이 나올 것이라고 생각 ● 데이터를 잘 가공하면 유용한 정보를 얻을 수 있다고 생각 ● 분석에 실패하면 방법론, 스킬이 부족한 것이라고 생각 |
| 데이터 리터러시 부족으로 생기는 상황!!이 더 많음 |
● 데이 터 해석 오류 사례
☑️ 심슨의 역설 (Simpson's Paradox)
| ● '부분'에서 '부분'에서 성립한 대소 관계가 그 부분들을 종합한 '전체'에 대해서는 성립하지 않는 모순적인 경우를 말한다. |
| ● 전체에 대한 결론이 언제나 개별 집단에 그대로 적용되는 것은 아님 ● 데이터에 기반한 결론이라고 해서 이를 맹목적으로 받아들여서는 안됨 |
☑️ 시각화를 활용한 왜곡
| 자료의 표현 방법에 따라서 해석의 오류 여지가 존재 |
☑️ 샘플링 편향 (Sampling Bias)
| 전체를 대표하지 못하는 편향된 샘플 선정으로 인해 오류가 발생 |
| 표본이 편향되면서 실제와는 다르게 해석하게 될 수 있음 |
☑️ 상관관계와 인과관계
상관관계
|
인과관계
|
![]() |
|
| ● 상관관계는 인과관계가 아닌 것을 항상 유의해야 함 ● 상관관계만으로 섣불리 의사결정 하지 않기 ● 양쪽을 모두 활용하여 합리적인 의사판단 하기 |
|
● 데이터 활용 예제

Q1) 위 그래프를 통해 어떤 것을 말할 수 있나요?
● 개발 > 마케팅 > 인사, 영업 >재무 > 고객지원 순으로 인원수가 있음
● 인사, 영업부의 차이를 정확히 알 수 없음
● 개발을 주력으로 하는 회사인지 진잠할 수 있음
→ 데이터 읽기
Q) 위 그래프를 작성한 사람은 무엇을 말하고 싶었을까?
● 개발 부서에 사람이 많다 → 개발부의 인원 감축?
● 개발, 마케팅에 비해 현저히 적은 인원의 CS(고객지원) → CS 증원
→ 데이터 작업 전 알고 싶은 것을 생각해보는 목적 사고적 방식
● 데이터 분석에 대한 접근법

- 위 단계 중 ‘생각’이 주요한 단계에서 데이터 리터러시가 필요
- 데이터 분석이 목적이 되지 않도록 ‘왜?’를 항상 생각해야 함
● 문제 정의란?
실패하는 이유 : 풀고자 하는 문제를 명확하게 정의하지 않음!!
- 데이터 분석 프로젝트의 성공을 위한 초석
- 분석하려는 특정 상황이나 현상에 대한 명확하고 구체적인 진술
- 프로젝트의 목표를 설정하고 분석 방향을 설정
→ 데이터 분석 시작의 첫걸음
● 문제 정의 사례 및 예제
문제 정의 사례
- 상황: 매출 증가가 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
- 문제 정의를 다음과 같이 수정해볼 수 있습니다.
- 지난 6개월 동안 25 - 35세 여성 고객층의 구매 전환율이 급격히 감소했다. 이 고객층의 전환율을 2%에서 5%로 끌어올리기 위해 어떤 마케팅 전략을 적용할 수 있을까?
- 구매 전환율: 고객이 방문한 후 구매까지 전환됐는지의 여부
- 구매고객수/방문고객수*100 = 구매 전환율(%)
- 지난 6개월 동안 25 - 35세 여성 고객층의 구매 전환율이 급격히 감소했다. 이 고객층의 전환율을 2%에서 5%로 끌어올리기 위해 어떤 마케팅 전략을 적용할 수 있을까?
문제 정의 예제
- 상황 : 3개월 전부터 자사 제품의 사용자 수가 감소하고 있다. 사용자 수를 늘리기 위한 포인트 이벤트를 하고 있지만, 효과가 없어 보인다. 또한 자사 제품 내 서비스 중 A 보다 B가 더 안 좋은 상황이다. 사용자가 줄었기 때문에, 수입도 감소하고 있다.효과가 없어 보인다.
- 문제 정의
1. 사용자 수 감소 : 사용자 수 감소로 인한 문제이나,,, 수입 감소가 주 문제라면 사용자 수 감소는 원인이 됨
2. 이벤트 효과가 없다 : 이벤트가 효과적이지 않기 때문에 발생하는 문제가 근본적으로 해결되어야 하는 것일까?
3. A 서비스 보다 B 서비스가 상황이 안 좋아진 이유를 살펴보아야 한다 : 그러나 이것을 근본적인 문제라고 하기에는 어려워 보입니다. - 과연 이걸로 문제를 해결할 수 있는지 생각해야 함
4. 수입이 감소한 것이 문제다 : 매우 중요한 문제라고 판단됩니다.그러나, 단어의 정의에 있어 더 명확할 필요가 있습니다. 가령 수입이 의미하는 것이 매출액인지, 순이익인지 등을 고려해야 합니다.
→ 문제 정의는 더 복잡하고 시간 소요되는 과정
→ 항상 "문제를 올바르게 정의 하였는가?"라는 물음을 가지고 임해야 함.
● 문제 정의 방법론
☑️ MECE (Mutually Exclusive, Collectively Exhaustive, 미시)
|
![]() 각각의 개별 요소 + 중복되지 않게 = 합쳐졌을 때 완벽한 구조 를 이루는 방 |
잘못된 MECE 예시
|
☑️ 로직 트리(Logic Tree)
|
![]() |
|
| 수익성 개선 방법 - 매출 증대 - 신규 고객 매출 증대 - 신규 고객 수 증가 - 신규 고객 객단가 증가 - 기존 고객 매출 증대 - 이탈 고객 감소 - 기존 고객 객단가 증가 - 비용 감소 - 구조조정 - 원가절감 |
||
|
객단가
고객 1인당 평균 매출(평균 결제액)
총 매출 ÷ 총 고객 수
매출
고객 수와 객단가의 곱
객단가 × 고객 수
|
||
→ 누락 / 중복 개념을 항상 살펴봐야함
● 로직 트리 Cheet Sheet
● 문제 정의 정리와 팁
< 문제 정의를 왜 하는 것인가?>
- 문제 정의는 풀고자 하는 것을 명확하게 정의하고
- 이것을 해결하기 위한 데이터 분석의 방향성을 정하고
- 결과를 정리하고 해석하여
- 더 나아지기 위한 새로운 액션 플랜을 수립하기 위함
- 문제 정의의 핵심은 So What?? Why So?
So what?
|
Why So?
|
문제 정의 Tip
- 결과를 공유하고자 하는 사람이 누구인지 정의하기
- 결과를 통해 원하는 변화를 생각하기
- 회사 소속이라면, 경영자의 입장에서 보려고 노력
- 많은 사람들과 의견을 나눠보는 것도 방법
- 반드시 혼자서 오래 고민해보는 시간을 가질 것
● 데이터의 유형
☑️ 정성적 데이터 (Qualitative Data)
- 비수치적인 정보로 사람의 경험, 관점, 태도와 같은 주관적인 요소를 포함
- 텍스트, 비디오, 오디오 형태로 존재
- 정형되지 않고 구조화 되어있지 않고 구조화하기 어려움
- 새로운 현상이나 개념에 대한 이해를 심화하는데 사용
☑️ 정량적 데이터 (Quantitative Data)
- 수치적으로 표현되는 정보로 양적인 측정과 분석을 통해 얻을 수 있음
- 데이터가 숫자 형태로 존재하기 때문에 통계적으로 분석하기 쉬움
- 개인의 해석이나 주관이 적게 작용하는 객관성을 가지고 있음
- 지표로 만들기에 용이
☑️ 데이터 유형별 비교
- 비즈니스 목표를 위해서 두 가지 데이터를 적절하게 활용하는 것이 필요
☑️ 정량적 데이터의 활용
- 객관적이고 측정가능한 지표를 만들기에 적합
- 수치형 설문조사 데이터를 정량적인 기준으로 나눈 사례, 추천 지수(NPS)를 만들 수 있음
☑️ 통계적 분석 적용
- 분포, 평균, 중앙값 등을 계산해서 데이터의 경향성과 패턴을 파악 가능
- 해당 내용을 근거로 의사결정 과정에서 중요한 판단을 내린다
☑️ 다양한 데이터 분석 방법 적용
- 비즈니스 분석, 예측 모델링, 추세 분석을 포함한 머신러닝과 같은 현대적 데이터 분석 기법에 활용
- 이를 통해 미래 예측, 효율적 자원 배분, 시장 변화에 대한 적응 가능
● 지표설정
☑️ 지표란?
- 특정 목표나 성과를 측정하기 위한 구체적이고 측정 가능한 기준
- 목표 달성도를 평가하고 전략적 결정에 필요한 핵심 정보를 제공
- 정의한 문제에 대해 정확하게 파악하기 위해서 필요
- 문제 정의 : 어떤 문제를 풀고자 하는가?
지표 : 어떤 결과를 기대하는가?에 대한 정량화된 기준

● 주요 지표 이해하기
☑️ Active User (활성유저)
- Active User 역할
: Active User에 대한 정의에 따라 전략과 방향이 달라짐
: Active User에 대한 정의로 ‘이탈 유저’가 정의
: 투자를 위한 서비스 지표에 중요한 역할을 하게 됨 - Active User 설정 사례


☑️ Retention Ratio (재방문율)
- 서비스를 사용한 사람이 다시 서비스를 사용하는 비율 %
- 리텐션이란 한번 획득한 유저가 서비스로 다시 돌아왔는가?에 대한 지표
: 리텐션이 높은 서비스는 획득비용에 투자한 비용을 빠르게 회수할 수 있음
: 서비스(특히 앱서비스) 성장에 있어서 매우 중요한 지표 - 측정 방법
- N-Day 리텐션
: 최초 사용일로부터 N일 후에 재방문한 Active User의 비율
: 일반적으로 사용하는 리텐션 지표
- Unbounded 리텐션
: 특정 날짜를 포함하여 그 이후에 재방문한 유저의 비율
: 정기적으로 반복해서 방문하는 서비스가 아닐 경우 적합
: 이탈률의 반대 개념
: 사용 빈도가 높지 않은 서비스에 활용하기 적절한 지표
- Bracket 리텐션
: 설정한 특정 기간을 기반으로 재방문율을 측정 - 재방문율에 대한 이해
: 리텐션이 높은 세그먼트를 발굴하는 작업이 필요함
: 사후 분석 시에 용이
☑️ Funnel (퍼널)
- 유저들이 어디서 이탈하는가?를 확인하기 위한 구조화
- 잠재고객을 유입시키며 최종적인 목표 액션을 달성할 때까지의 과정
- 각 단계의 전환율 (or 첫 유입 대비 전환율)을 측정
- AARRR - 프레임워크 - 단계별 전환율을 지표화하여 서비스 보완 지점을 찾음
: Acquisition: 유입
: Activation: 활성화
: Retention: 재방문(재구매)
: Revenue: 수익
: Referral: 추천
☑️ LTV (Life Time Value, 고객 평생 가치)
- 해당 유저가 우리에게 평생 주는 이익은 얼마나 될까?
- 고객 생애 주기: 한 명의 유저가 서비스를 사용하기 시작하여 이탈할 때까지의 기간
- 한 명의 유저가 생애 주기 동안 얼마만큼의 이익을 주는지를 정량적으로 지표화 한 것
- LTV는 유저와의 관계를 측정하고, 이를 사업적 이익으로 가져가는데 중요한 지표
- LTV가 높다는 것은 해당 서비스와 관계가 좋고, 충성도가 높은 고객이 많다는 것
- 산출 방법은 다양 - 자사 서비스에 딱 맞는 LTV를 산출하는 것은 매우 어려운 일
● 북극성 지표
☑️ 북극성 지표란?
- 제품/서비스의 ‘성공’을 정의
- 제품/서비스가 유저에게 주는 core value를 가장 잘 나타낸 것
- 장기 성장을 위해 필수적으로 모니터링 해야 함
☑️ 좋은 북극성 지표의 특징
- 제품/서비스 전략의 핵심
- 유저/고객이 제품/서비스에서 느끼는 가치
- 회사의 사업 목표를 나타내는 지표 중 선행지표 (후행X)
☑️ 좋은 북극성 지표를 위한 체크 리스트
- 유저가 목적을 달성하는 때가 언제인가?
- 모든 유저가 해당되나?
- 측정 가능한 지표인가?
- 측정 주기가 적절한가? (일, 주, 월, …)
- 외부 요인으로부터 영향을 많이 받진 않는가?
- 북극성지표의 성장이 사업의 성장과 함께하는가?
- AARRR 퍼널 전 과정이 북극성 지표에 영향을 주는가?
- 북극성 지표의 변화가 적어도 매주 관찰가능한가?

☑️ 북극성 지표가 중요한 이유: 방향성
- 제품/사업 조직이 무엇에 최적화되어야 하고, 무엇을 포기해도 되는 지에 대한 방향 제시
- 제품/사업 조직의 진척과 가치창출을 전사에 보여줌 → 적극적으로 지원, 제품개발 액션 실행속도가 빨라짐
- 제품/서비스 조직이 결과에 책임을 지도록 함 → 비즈니스 임팩트에 따라 평가 가능
☑️ 북극성 지표가 중요한 이유: 효율 증대
- 전 직원을 하나의 목표에 집중시킴
- 서로 상반된 목표에 집중하거나, 중복으로 일하는 것을 방지 (MECE한 구조)
● 결론 도출
☑️ 결과와 결론 차이
결과 = 무엇을 |
결론 = 그것이 왜 중요한지? |
| ● 데이터 처리, 분석, 모델링 후에 얻어진 구체적인 데이터의 출력 ● 숫자, 통계, 그래프, 차트 등의 형태로 나타낼 수 있음 ● 계산과 분석을 해서 나온 결과물 |
● 분석된 데이터 결과를 바탕으로 이끌어낸 의미나 통찰 ● 기반한 해석, 추론 또는 권고 사항을 포함 ● 목적에 대해 어떤 의미가 있는지 설명하는 것 |
결론은 결과들을 바탕으로 도출된 해석이나 추론 |
|
→ 실제로 우리가 필요한 것은 ‘결론’이지만, 보통 결과를 많이 이야기 함
☑️ 결론 도출 시 주의사항
- 결과 - 결론 도출 시에는 스토리텔링이 필요
- 데이터를 통해 알 수 있는 범위에서만 생각해야 함
- 개인의 해석이나 주관이 적게 작용하는 객관성을 가지고 있음
☑️ 결론을 잘 정리하는 법
- 개인의 해석이나 주관이 적게 작용하는 객관성을 가지고 있음
- 결론을 공유할 대상이 누구이며, 어떻게 변화하길 원하는지? 생각하기
- 단순하고 쉽게 전달
: 핵심 지표 위주로
: 지표를 해석하는 방법에 대해서도 설명
: 활용할만한 포인트 제안
: 액션 아이템을 제안 하는것이 핵심 - 흥미 유발
: 고민하고 필터링 하기
: 궁금한 사람들을 위해서는 디테일한 문서 따로 공유 - 대상자 관점에서의 접근
: 공유 받는 사람(=대상자)의 시선에서 이해하기 쉽도록 정리
: 지식의 저주(=내가 아는 걸 모두가 안다는 착각)에 빠지지 않고 논지를 뒷받침 해줄 자료들을 함께 첨부
: 대상자의 허들이 낮은 시각화 활용 - 시각화 팁
: 대상이 직관적으로 이해할 수 있도록 구성
: 보통 선, 막대 그래프로 거의 대부분의 리포팅이 가능
: 각 그래프의 범례와 단위 함께 표기해주기 - 결론 보고서에 쓰면 좋은 플로우
: 전체 내용을 한 문장으로 정리하는 요약
: 해당 보고서의 메인 주제
: 해당 보고서를 쓴 이유와 원하는 변화
: 문제 정의 단계
: 핵심 내용 전개
: 결론 및 액션 아이템 - 정리
: 앞서 문제 정의, 지표 설정을 할 당시의 목적을 떠올리며 정리
: 결론을 공유할 대상이 누구이며, 어떻게 변화하길 원하는지? 생각
☑️ 데이터 리터러시란?
- 눈앞에 있는 데이터에 의존하지 않고 스스로 목적과 문제를 정의하는 것
- 목적을 달성하는데 필요한 데이터와 지표를 설정하는 것
- 데이터를 어떻게 봐야 문제의 정보를 효과적으로 얻을 수 있는지 분석하는 것
- 단순히 데이터를 보는 방식이나 분석 방법론, 통계지식에 매몰되지 않는 것
- 왜?를 항상 생각하기
'내일배움캠프(QC,QA_5기)' 카테고리의 다른 글
| [내일배움캠프_QA/QC 5기] 27일차 _ 통계라이브세션 / 머신러닝 ~1/10 (1) | 2026.04.14 |
|---|---|
| [내일배움캠프_QA/QC 5기] 26일차 _ 기초 통계 1강 / 머신 러닝 ~1/4 (1) | 2026.04.13 |
| [내일배움캠프_QA/QC 5기] 24일차 _ (1) | 2026.04.09 |
| [내일배움캠프_QA/QC 5기] 23일차 _ (0) | 2026.04.08 |
| [내일배움캠프_QA/QC 5기] 22일차 _ 팀 프로젝트 ppt 제작 _ 제약 이상치 (0) | 2026.04.07 |



