데이터를 읽고쓰는 공간

스타트업이 성공하기 위해 실패를 최소화하고 성공으로 가는 지름길을

친절하게 설명해주는 듯한 책이었다

그로스해킹(Growth Hacking) :

성장(Growth)과 해킹(Hacking)의 합성어로서

한정된 예산 하에 빠른 성장을 해야하는 스타트업들에게 효과적인 마케팅 기법 (출처 : 시사경제용어사전)

과거와 다르게

새로 생긴 회사가 빠르게 성장하기 위해 '데이터'를 활용할 수 있다

내나름대로 그로스해킹의 의미를 요약해보자면

<자원이 한정된 스타트업에서 고객지향 + 데이터 분석 + 상호작용 하는 마케팅 형태>

이정도? 느낌이다

✍️이 책에서 내가 저장하는 내용들

• 그로스 해커가 하는 일은 '누구'와 '어디'보다는 과학적으로 더 다양하고 측정 가능한 방법에 집중하는 것이다. 마케팅이 브랜드 기반이었다면 그로스 해킹은 지표와 ROI 기반으로 돌아간다. 순식간에 고객을 찾고 제품에 대한 관심을 얻는 일은 더 이상 막연한 추측에 기반한 일이 아니다. 하지만 이것은 단순히 더 나은 지표를 사용하는 마케팅이나 다이렉트 마케팅의 새로운 이름이 아니다.

과거에는 감이나 직관에 의존해서 마케팅을 개선해나갔지만, 이제는 의미 있고 측정 가능한 지표를 기반으로 개선점을 찾으면 된다!

• 최고의 마케팅 의사결정은 실존하는 잘 정의된 이용자 집단이 갖고 있는 현실적이고 강력한 욕구를 충족시키는 제품이나 비즈니스를 갖는 것이다.

제품 시장 궁합(PMF : Product Market Fit)은 저자가 강조하는 포인트 중에 하나이다

회사가 이용자(=고객)의 니즈를 충족시키려고 노력해야 한다는 점은 아무리 강조해도 모자라지 않은 듯하다

• 사람들이 당신의 제품을 어떻게 알고 어떻게 찾았는지는 중요하지 않다. 얼마나 많은 사람이 가입했는지가 중요하다. 만약 전단지를 길에 뿌린 것에 성공했다면 그것이 바로 그로스 해킹이다.
• 소비자의 '인식'에 신경 쓰는 전통적인 방식에서 벗어나 소비자를 확보하는 것에 집중하라.

제품과 시장의 궁합을 맞추어 소비자를 빠르게 확보하자!

• 그들에게 필요한 것은 이미 몰입되고 있는 장래가 유망한 이용자들을 만드는 일이었다.
• 유지(retention)와 최적화(optimization) : 별 관심 없는 사람을 온라인 배너 광고에 노출시켜서 전환을 시도하는 것보다, 훨씬 더 전환하기 쉬운 사람을 대상으로 마케팅하는 것이다.
• 그로스 해킹은 투자 대비 수익률(ROI)을 극대화하는 것이다. 우리의 에너지와 노력을 가장 효과적으로 쓸 수 있는 곳에 퍼붓는 것이다. 잠재 고객을 더 찾겠다고 하다가 회사에서 짤리는 것보다 현재의 잠재 고객을 활성화 고객으로 만드는 것이 낫다.

투자 대비 수익률을 극대화한다는 것은 선택과 집중이다

수익을 낼 수 있는 방향에 집중해야겠다

• 데이터 기반 접근법은 효과가 있는 것과 없는 것을 실제로 구분해서 보게 해주었다. 우리는 허영 지표를 쫓아다니지 않았다. 
• 효과적이고, 확장 가능하며, 데이터에 기반을 둔 방법으로 사람들에게 다가가는 것이다.
• 사실 그로스 해킹은 도구가 아니라 사고방식이다.

실무에서 허영 지표에 속지 않도록 주의해야하겠다

사용자, 매출에 직접적으로 연관이 있는 지표를 찾아내자

• 그로스 해킹(growth hacking) : 그로스 해킹은 전통적인 마케팅 교본을 집어 던지고, 그 자리를 검증 가능하고, 추적 가능하며, 확장 가능한 고객 확보 기법들로 대체하는 사업 전략이다. 전통적인 마케팅 도구가 광고, 홍보, 돈이었다면 그로스 해킹 도구는 이메일, 클릭당 지불 광고, 블로그, 플랫폼 AI이다. 전통적인 마케팅에서는 '브랜딩'과 '마인드 공유' 같은 모호한 개념들을 추구하는 데에 반해 그로스 해커들은 끊임없이 이용자와 성장을 추구한다. 그리고 그로스 해킹이 제대로 먹혔을 때 이 이용자들은 더 많은 이용자들을 만들며, 늘어난 이용자들은 더욱더 많은 이용자들을 끌어들인다. 그로스 해킹 기법은 스타트업을 아무 것도 아닌 것에서 위대한 것으로 변화시키는 성장 머신으로써 스스로 존속하고 자가 증식하는 창조적 존재이자 운영자이며 시스템이다.

• 그로스 해커의 사고방식은 어떤 종류의 사업에도 적용 가능하다. 서비스에 정말 필요한 가치를 불어넣고, 탈출구 내지는 더 개발하고 이용할 여지가 있는 틈새 시장을 찾고, 구전 효과를 활성화시켜서 결국에는 데이터와 피드백을 기반으로 엄청나게 최적화하는 모든 것에 적용할 수 있다.

• 이용자의 입장이 되는 것이 그로스 해킹의 정답이다

• 데이터 분석은 자칫 잘못하면 데이터 분석 그 자체를 위한 분석이 되어 버릴 위험이 있다. 너무 빠지면 대체 자신이 왜 이런 데이터를 보고 잇고, 왜 분석을 하고 있는지 진짜 의미를 잊을 수 있는 것이다. ~ 사실 데이터 분석을 통해 나온 결론보다는 해당 분야에 대해 많은 경험을 통해 직감적으로 답을 알고 있는 사람이 해결책을 제시하는 것이 보다 실용적인 경우가 많다. 결국 이용자와 몸으로 많이 부대껴 본 사람이 진짜 답에 접근하기 더 쉽다는 이야기이다.
• 조직 내에 경험을 통한 감이 확실한 사람이 있다면 그 사람이 내놓은 가설을 실제 데이터로 검증하는 것부터 시작하는 것이 좋다. 즉, 명확한 목표와 범위를 설정하는 것이다. 그렇게 검증하는 과정에서 감은 감으로 끝나는 것이 아니라 재사용 및 변형 적용이 가능한 강력한 메커니즘으로 변신한다. 이 과정에서 얻는 또 하나의 장점은 분석 과정을 통해 감으로 얻었던 것 외의 다른 값진 통찰을 얻을 확률이 상당히 높다는 것이다.

분석 자체를 위한 분석이 되지 않도록 조심하자

(직감적으로 답을 내릴 수 있을 만큼) 이용자와 상호작용하는 경험 + 데이터 분석 => 결과 확인 -> 새로운 통찰을 얻을 수 있다는 결론!!

데이터 분석가로서 회사에서 어떤 역할을 하는지 현직자의 이야기를 들어보고 싶어서 

세미나에 참여하게 되었다

솔직히 말하면 1부 이야기는 100프로 이해하지는 못했다🥲

아직 낯선 용어들이 많이 등장해서 흐름 따라가기에도 벅찼다

(VOD 제공받으면 다시 들어보면서 포스팅 내용 보충해야지)

하지만 내용은 너무너무 알차고 유익했다!!❤️

글램 프로덕트 총괄이자 데이터 분석가인 카야님이 몇년간 겪은 소중한 경험을 차근차근 알려주셨고

개인적인 노하우와 생각들도 공유해주셨다

데이터 분석가가 하는 일은 데이터를 기반으로 조직의 비즈니스 의사결정을 돕는 일이다

회사의 조직의 데이터 리터러시 발전 과정은 크게

친해지기 -> 스며들기 -> 앞서가기 

조직의 데이터 리터러시에 따라 데이터 분석가의 역할은 조금씩 달라질 수 있는데

이에 관한 자세한 내용은 추후에 정리할 예정

카야님의 회사가 데이터와 친해지기 단계일 때는 구글 스프레드시트에 직접 데이터 리포트를 만들어서

데이터 분석을 진행했다고 하셨다(😇)

내가 잠깐 회사에서 일했을 때 저런식으로 만들어진 데이터 자료를 활용해

업무에 적용했던 기억이 났다

덕분에 데이터를 효과적으로 관리하는 걸 배우기 위해 데이터 분석을 배우기 시작했지(tmi)

데이터 기반 의사결정을 전사적으로 확대해나가기 위한 여정이 아주 흥미로웠다

Q. 분석결과를 설득력있게 공유하는 노하우?

A. 1) 지금까지 회사가 어떻게 의사결정을 해왔는지 참고하고 기존 제도와 얼라인하게 진행한다

2) 현재 회사가 당면한 문제와 연관성을 고려한다

3) 회사 내 주로 쓰는 용어, 지표 확인한다

Q. AB테스트 임팩트 판단하는 기준

A. 가설에 따라 달라진다

1) 1차적인 성공 지표 (가설 검증ㅇ)

2) 모니터링 지표 : 가설과 별개 but 서비스의 핵심 (예 : 리텐션)

3) 이 실험으로 인해 부정적 영향(side effect)을 주지 않게

p-value는 참고 할때도 있고 아닐때도 있고..

Q. 데이터 분석이 막히거나 어려울때 어떻게 하시나요?

A. 다른 데이터를 의미없이 더 구하면 시간 소모만 될뿐,,

처음으로 돌아가자! 분석의 기획, 방향성을 확인하자

'분석을 통해 어떤걸 원했지? 지금까지 어떤걸 얻었지? 현시점에서 분석의 결론은 무엇인지?'

데이터 분석 자체에 매몰되지 말자!

Q. 데이터 분석가가 가지면 좋은 태도가 있을까요?

A. 1) 본인은 문제해결사인가? (기술보다 의미있는 액션~)

2) 분석가로서의 주관 발휘

3) 열린 자세

실무를 경험하지 못한 나에게 너무나도 유익했던 Q&A 시간이 지나

중고거래 플랫폼 데이터 분석가 배예슬님과 NICE지니데이타 데이터 분석가 정보경님의

'데이터 분석가의 하루'를 들을 수 있었다

데이터라는 것이 분야에 따라, 조직의 데이터 리터러시에 따라천차만별이기 때문에 두 분의 분석 업무 일과도 많이 달랐다!오히려 달라서 더 재밌게 들을 수 있었던 것 같다

여러 가지 이야기를 들었지만 그 중 기억에 남는 것은

1. 데이터 분석가로서 분석 자체보다 다른 일을 더 많이 할 수 있다

2. 워라밸은 그렇게 좋지 않다(^_T)

다들 너무 멋있고 배우고 싶은 선배님들이었다!!

다음 세미나도 참석해야징

데이터 분석을 배우는 모든 사람들에게 도움이 될 것이라고 확신하는 책!

1회독 슈슉 읽고 2회독은 내용을 정리해가며 읽었다

눈앞에 놓인 데이터 읽기에 급급하거나 분석 기법에 매몰되지 않고

목적 지향적인 데이터 분석은 이렇게 하는 것이다! 라고 차근차근 설명해준다

분석가로서는 기계가 할 수 없는, 사람이 할 수 있는 가치 창출에 집중하자는 그런 이야기가 인상 깊었다

데이터와 분석은 내가 원하는 가치를 창출하기 위한 수단임을 명심하자!

✍️이 책에서 내가 저장하는 내용들

1장. 앞으로 필요한 건 데이터 문해력 : 분석보다 활용

인간보다 기계가 잘하는 일은 기계한테 맡기고 기계가 할 수 없는 것, 사람이 해야 하는 것을 갈고 닦아 자신에게 필요한 형태로 효과적으로 활용해서 최대한의 결과물을 창출하는 것을 목표로 삼자

그림1-1에서 (2)보다 (1)과 (3)에서 사람이 가치를 창출할 수 있다.

👎자주 겪는 문제점

1. 데이터를 적절하게 분석하면 문제와 목적, 결론이 나올 것이라고 생각한다 (이것은 본래 분석자 스스로가 생각해야 하는 것)

2. 눈앞의 데이터를 적절히 가공하면 뭔가 유용한 정보를 얻을 수 있을 것으로 생각한다. 아무것도 안나오게 되면, 분석 방법에 문제가 있다고 생각한다.

2장. 올바른 데이터로 올바른 문제를 풀고 있는가?

<데이터 활용에 실패하는 두 가지 주요 원인> 

주요 원인 1 : 풀고자 하는 문제가 명확하지 않다

Are you solving the right problem? 

주요 원인 2 : 정의한 문제와 사용하는 데이터가 일치하지 않는다

Are you using the right data?

주요 원인 1 : 풀고자 하는 문제가 명확하지 않다

예를 들어, ‘인구 문제를 데이터로 분석해보자’고 하면 구체적인 목적에는 인구 감소 문제 해결, 저출산 고령화 문제 해결, 인구 유출을 막고 유입 촉진 등이 있다.

절대적인 정답이 존재하지 않을 때, 여러분은 자신의 생각을 무엇으로 논리적이고 객관적으로 상대방에게 전달하고 이해시킬 수 있을까요? 자신의 결론으로 이끌어 내는 이야기를 만드는 능력이 앞으로 더욱 중요해진다는 것은 더 말할 필요도 없습니다.

가장 먼저, ‘목적과 문제에 대한 정의’를 해야한다

1) 나는 무엇을 알고 싶은가
2) 나는 무엇을 해결하고자 하는가

💡 자신이 알고 있거나 보고 들은 적이 있고 경험한 적 있는 직접적인 대상은 어디까지나 겉으로 드러난 현상과 사실이기 때문에, ‘문제와 목적’이라고 하기에는 충분하지 않다

<목적과 문제를 정의할 때 확인해야 할 포인트 두 가지>

포인트 1 : 사용된 언어가 구체적이고 명확한가?

포인트 2 : 문제, 원인, 해결 방안을 구분하고 있는가? 

문제 ⇒ 원인 ⇒ 해결 방안

주요 원인 2 : 정의한 문제와 사용하는 데이터가 일치하지 않는다

나는 올바른 데이터(지표)를 활용하고 있는가?

예를 들어, 오늘 처음 만난 외부인이나 제3자에게 데이터를 보여주면서, ‘제 고민은 이것입니다’, ‘이것이 문제입니다’, ‘이것을 이해해주시면 좋겠습니다’라고 말할 때, 어떤 데이터를 활용하겠습니까?

목적이나 배경을 공유하지 않은 사람이나 한 번에 전부 복잡하게 이것저것 설명해서 이해하기 힘들어하는 사람에게 어떻게 자신의 ‘목적’과 ‘문제’를 전달할 수 있을까요? 상대방의 입장에서 생각해봐야 자신의 개선점이 보일 것입니다.

3장. ‘이것이 문제다’ 데이터로 말하는 방법

실무에서 ‘가치 있는’ 정보란, 다음 중 한 가지와 연결되어야 한다.

1) 구체적인 행동을 특정할 수 있다.(누가 언제 무엇을 했는지)

2) 구체적인 판단을 내릴 재료가 된다.

‘평가’를 하기 위해 필요한 것은 ‘비교’

데이터란 숫자의 크고 작음을 나타내는 것이지 그 값에 대한 평가를 단독으로 내릴 수 없습니다.

비교 대상이 있어야 비로소 값에 대한 평가가 가능해집니다.

당신이 현재 직면하고 있는 문제나 그 배경에 대해 전혀 모르는 제3자가 바로 앞에 있다고 상상하세요. 그 사람에게 당신이 다루는 문제를 데이터로 설명하려면 무슨 데이터를 어떻게 보여주면 좋을까요? 상대방이 그 데이터를 보고 나서, ‘그렇군요! 확실히히 문제가 있네요!’라고 말한다면 성공한 것입니다.

4장. 결과가 나왔다고 끝난 것은 아니다

조직에서 데이터를 잘 활용하고 있다는 것은, 그 정보를 통해 문제 해결 방안을 수립하거나 구체적인 행동 계획을 세우거나 관계자들이 납득할만한 합의 또는 판단을 내릴 수 있다는 이야기입니다

5장. 기법에 집착하지 마라

데이터를 활용하려면 본질적으로 논리적인 사고가 반드시 기반이 되어야 한다

문제 해결 프로세스에서 누구나 하는 실수

= 곧바로 ‘해결 방안’에 무턱대로 달려드는 것

‘해결 방안’은 ‘문제’에 직접적으로 적용하는 것이 아니라, ‘문제’를 일으키고 있는 ‘원인’에 적용하는 것

‘해결 방안’이 좀처럼 성과를 내지 못한다고 느껴질 때는, 그 방안에 이르기까지의 과정에서 ‘원인’을 간과한 결과가 아닌지 의심해봐야 합니다. 해결방안은 이 질문에 답을 할 수 있어야 합니다.

1. 어째서 (다른 수단이 아니라) 그것이 필요한지?
2. 그로 인해 어떤 것을 실현 또는 해결 가능한가? 그리고 효과적인 결과가 나올 것이라는 근거는 어디에 있는가?

6장. ‘결론은 이것이다’ 정보를 요약하라

결과와 결론은 다르다

결론이란 결과에 기반해 도출해야 한다

결과로부터 결론을 도출할 때는 자신의 정보 집약 능력에 더해 어느 정도 상상력도 필요합니다. 하지만 여기서 주의해야할 점은, 필요 이상으로 자신의 해석을 덧붙이지 않아야 한다는 것입니다.

결론부터 말하자면 만족스럽게 읽은 책이다

데분가 취업준비를 하면서, 지금 나는 어떤 부분이 부족한걸까 어떤 부분을 보완해야 할까하는

생각에 자주 잠기곤 한다

학원을 다니며 데이터 분석 스킬부터 배우기 시작하면서

(그것조차 끝물에는 따라가기 어렵긴 했다,, 딥러닝,,🤦‍♀️)

테크닉 부분에만 신경이 쏠려있던 나를 다시한번 생각하게 만들어준 책이라고 생각한다

현업에서 일하는 김팀장이 데이터 분석 직무를 새로 맡게되면서

비즈니스 상황에 맞는 분석 기법을 이해하기 쉽게 설명해준다

'이런 상황에서는 이렇기 때문에 이렇게 분석해야하는구나'

여러 프로젝트를 진행하면서 주제에 맞게 데이터를 처리하고 머신러닝 모델을 돌려봤지만

실제 회사에서 벌어질 수 있는 상황과 데이터 기반 의사결정은 어떻게 이루어지는 것인지

찍먹 정도 가능했다

✍️ 이 책에서 내가 저장하는 내용들

• 데이터를 분석하는 목적은 일반적으로 2가지이다.
  예측(Prediction)은 결과를 맞히는 것, 추론(Inference)은 원인과 결과 사이의 관계를 분석하는 것

• 학문에 따라 달라지는 용어들

• 원인과 결과 간 관계를 분석하는 방법에는 회귀와 분석이 있다.
  - 결과값이 수치형으로 나오는 경우에는 회귀방법론 
  예) t-검정, 분산 분석, 선형 회귀
  - 결과값이 범주형으로 나오면 분류방법론
  예) 로지스틱 회귀, 판별 분석, 서포트 벡터 머신(SVM), 의사결정나무, k-최근접 이웃(KNN)

• 선형 회귀나 로지스틱 회귀는 여러 변수 간의 관계를 동시에 분석해주지만, 액션 플랜을 수립하는 기준을 제시하지는 X
  매출액 1억원 이상, 고객 만족도 4.5 이상, 고객 미팅 100회 이상인 직원에게 해외 연수를 보낸다는 식의 기준을 정해 현장에서
  액션 플랜을 세우기 위해서는 의사결정나무 방법론
  *의사결정나무에는Decisiontreeclassifier,  Decisiontreeregressor
  종속변수가 범주형이면 분류나무, 종속변수가 수치형이면 회귀나무 선택

• 2와 1 비슷 -> 상관관계를 중요시(비슷한 판매 패턴)하면 피어슨 상관거리
  3과 1 비슷 -> 절대적인 양을 중요시(절대적인 판매량이 비슷)하면 유클리드 거리

• 센서로 측정한 측정치가 많으면 데이터의 분포가 정규 분포에 가까워져서 데이터 가공 없이 바로 분석 가능
  but 센서가 많으면 '차원의 저주' => 주성분 분석 진행

• 왜도와 정규분포 모양