[TIL 10] 분석 방향성을 잘 잡는 것, 데이터셋 고민하는 게 중요한 이유

이전에 데이터 분석 건을 맡아서 해왔지만

직접 추출하는 업무까지 하지 않다 보니 데이터 분석의 깊이가 얕았던 것 같다.

 

이번에는 실제로 분석 방향성을 잡고 기획, 그리고 추출과 전처리, 시각화까지

전반적인 흐름을 모두 맡아서 진행해보고 리드와 피드백을 주고 받으며 구체화 해보기로 했다.

 

너무 좋은 기회임과 동시에 잘 할 수 있을까?라는 걱정이 앞섰던 건 사실이다.

그렇지만 그럼에도 불구하고 해내야 하니까 어떤 방향으로 해야 효율적으로 할 수 있을까를 고민했다.

 

현재 내가 해야 하는 분석은 "가설 검증" 분석이고 그렇기 때문에 확증적 데이터 분석 방법론이 필요하다.

 

☑️ 탐색적 데이터 분석과 확증적 데이터 분석의 차이 

구분	탐색적 데이터 분석(EDA)	확증적 데이터 분석(CDA)
목적	“무엇이 있을까?” → 패턴 탐색	“이게 맞을까?” → 가설 검증
분석 기준	데이터 흐름 전체를 보며 인사이트 찾기	특정 변수(컬러 출시 등)의 효과 검증
사례	반복 구매가 잘 일어나는 컬러는 무엇인가?	신규 컬러가 재구매율을 유의하게 높였는가?
✅ 컬러 분석 성격	❌ 단순 탐색	✅ 출시 이후 변화 효과 검증

 

📌 확증적 데이터 분석 프로세스 

문제정의 ➡️ 데이터 수집 ➡️ 데이터 전처리 & 모델링 ➡️ 시각화 및 분석 ➡️ 결과 요약 보고서 

 

 ✏️ 이러한 분석 프로세스를 거치며 문제 정의 ~ 모델링까지의 과정이 매우매우 중요함을 깨닫게 되었다. 여기서 방향성이 정해지고 이에 따라 분석의 결과가 확 달라질 수 있단 생각이 들었다.

 

✏️ 분석 프로세스를 생각하면서 깨달은 점
그렇기에 맞는 방향으로 분석을 하는 것, 즉 분석 착수 전 기획과 예측 시뮬레이션을 돌려보는 것이 필수라는 생각이 들었다.
분석 방향성을 처음에 제대로 기획하지 않으면 "무의미한 데이터 분석, 비효율적인 데이터 분석"이 될 수도 있을 것 같다.

노력은 했는 데 삽질하는 과정은 줄이고 싶다.

그렇기에 문제정의 과정에서 분석 방향성을 1차로 잡고
데이터 수집, 데이터 전처리를 위한 데이터셋 기획시 분석 방향성을 2차로 최종 잡는 게 중요 포인트인 것 같다.

 

요즘 읽고 있는 "로지컬 씽킹"에 따르면 업무를 하는 데에 있어 "결과를 예측해보고 MECE 관점, why so-so what 으로 관찰 & 통찰해야 한다"고 하는 데 그 맥락에서 공감되어 실제 분석 하는 목적과 이유 & 결과를 예측해보고자 했다.

 

실제로 시각화 및 분석 ➡️ 결과 요약 보고서를 만드는 데에 있어서와 분석 중간중간 검증할 때에

특히 이러한 MECE 관점이 중요하다는 생각이 들었다.

 

✏️ why so - so what 의 경우, 논리적 구조를 탄탄하게 만드는 데 중요한 프레임워크로

데이터 분석 인사이트를 정리할 때 필수적으로 고려해서 정리하면 좋을 포인트라고 생각이 들었다.

 

⭐️ 데이터 분석을 통해 얻게 되는 예측 답변과 결과 ⭐️

시뮬레이션 하는 과정이라고 볼 수 있는 데, 분석 업무를 하기 전

어떤 방향으로 분석을 할 것이고 어떤 것을 기대하고 원해서 하는 업무인 지 청사진을 그리는 작업이다.

(*분석은 업무 특성상 리소스가 많이 필요하고 기간이 꽤나 소요되기에 기획을 보다 정확히 하는 것이

삽질하는 시간을 줄이는 것에 도움을 줄 것으로 판단되어 진행한 과정이다) 

 

주요 질문에 따라 예측/검증 가능한 답변과 결과 데이터를 생각하다 보면 필요한 데이터셋 테이블을 구성할 수 있다. 

➡️ 주요 질문에 따라 분석 항목을 구조화하게 되면 분석 방향성이 구체화된다. 

 

아직 분석이 익숙하지 않다 보니 이러한 과정을 거치며 피드백 & 보완을 통해

분석 방향성을 완전히 잡고 추출 및 전처리 ➡️ 시각화 과정을 거치면 된다. 

 

신규 제품 출시가 재구매에 영향을 미쳤을 것이다라는 것의 유효성 검증 관련 질문 및 예측 답변

주요 질문	예측/검증 가능한 답변	결과 해석 관점
❓ 신규 제품이 재구매를 유도했는가?	✅ “재구매자의 xx%가 신규 제품을 구매함”	→ 신규 제품 출시 전략이 반복 구매에 실질적 기여
❓ 신규 제품 출시 이후 재구매율이 상승했는가?	✅ “출시 전 7%, 출시 후 11% → +57% 상승”	→ 정량적 효과 검증으로 전략 유지 근거 확보
❓ 첫 구매자 유입에 신규 제품이 기여했는가?	✅ “신규 제품 구매자의 30%는 첫 구매 고객”	→ 신규 유입 제품으로도 효과 있음 판단
❓ 신규 제품이 고객의 재구매 주기에 영향을 주었는가?	✅ "이전 회차 구매, 재구매 회차 구매의 주기 간격 변화 10일 감소"	→ 신규 제품 출시 타이밍 기획 시 활용

 

📌 데이터 분석 항목 리스트에 따른 so what - why so 의 MECE 관점에서 정리 

분석 항목	Why(왜 필요한가)	So (분석을 통해 알 수 있는 것)	So What(어떤 시사점, 활용이 있는가)
① 제품별 재구매 고객 비중	제품에 따라 재구매를 유도하는 효과가 다른지 확인	특정 제품에서 재구매 전환율이 더 높음	효과적인 제품 중심 반복 구매 유도 전략 수립 가능
② 신규 제퓸 출시 전후 동일 제품 재구매율 비교	신규 제품 출시가 실제 행동 변화를 유도했는지 검증	출시 후 재구매율 상승 여부 확인	제품 출시 타이밍 및 주기 전략에 활용
③ 신규 제품 구매자 중 첫 구매자 비율	신규 유입 트리거로서 기능 여부 확인	신규 고객 유입 효과 여부 판단	신규 컬러 → 첫 구매 유입용 기획 가능

 

위에서 주요 질문에 따라 이후 분석 결과를 정리할 때에는 

주요 문제 정의에 따른 가설 검증에 있어 so what - why so 구조로 MECE 관점으로 정리하면 논리 구조를 보다 탄탄하게 할 수 있다.

 

이는 로지컬 씽킹에서 상대방을 설득하기 위한 논리적 구조 연습이라고 했고

이 부분이 나에게는 아직도 많이 부족하다고 생각이 들어서 이 업무 프레임워크를 통해 분석 인사이트를 정리할 예정이다!

 

데이터 분석을 통해 얻게 되는 예측 결과 시뮬레이션에 따라 미리 체크해보면 도움될 것 같아 데이터셋을 구성할 때 함께 잡아보았다. 

 

✏️ 데이터 분석 단계별 분석 로드맵과 프로세스 TO DO 의 중요성
✅ 단계별 로드맵, TO DO 를 그리지 않으면 분석 업무가 다소 느려지고 쳐질 수 있다.
✅ 분석 방향성 기획 / 데이터셋 구성을 통해 단계별 데이터 분석을 쪼개고 하나씩 완료 목표로 처리한다.
의외로 이렇게 쪼개는 과정을 통해 자칫 복잡해질 수 있는 분석이 더 가볍게 되는 것 같다.

 

아직은 더 많이 잡아가야 하는 단계이지만 계속해서 고민하고 업무 효율성 / 데이터 추출의 로직 효율성 등

다방면으로 생각하고 데이터 분석 역량을 기를 수 있도록 더 많이 고민하고 또 논의해보도록 해야겠다. 

 

💪🏻 Next to do 

☑️ 데이터셋 구성 및 데이터셋 구성의 중요성 파악하기 
☑️ 데이터셋 추출할 때의 로직 파악하기, 기존 쿼리의 로직 파악하여 확장 적용해보기