[TIL 18] 데이터 리터러시의 중요성, 꾸준함으로 역량을 쌓아야겠다.

분석을 매번 하면서 느끼는 부분이지만 분석이라는 게 필요하면서도 필요할까? 라는 의문이 많이 들었다.

 

특히나 빠르게 실행을 하는 조직에서는 특히나 분석 작업에 있어 보다 빠르게 수행하는 게 필요하고

그럴 때면 어떻게 분석 건들을 잘 덜어내서 핵심만 진행할 수 있지? 늘 고민하게 되는 것 같다. 

 

요즘의 고민은 여기에 더 확장되어서 진짜 데이터 분석이 왜 필요하고

어떻게 하면 좋지? 필요성과 중요성을 인지시키기 위해서는 어떤 방향으로 나아가야 하지?에 대해

스스로 많은 고민을 하고 있고 계속해서 이 질문에 대한 답을 스스로 만들어 가는 중이다.

 

그러던 중 생각이 든 건 [데이터 리터러시]에 대한 중요성이고 이는 마치 우리가 말하는 언어와 습관을 통해 키워지는 것 같다.

커뮤니케이션 스킬 같은 느낌이랄까?

 

그렇기 때문에 한번에 키워지는 건 아니지만 꾸준히 노력해야 쌓이는 역량인 것 같다.

---

1. 데이터 리터러시(Data Literacy): “숫자 이면의 맥락을 이해하는 힘”

데이터 리터러시는 단순히 수치를 읽는 게 아니라, "이 수치가 왜 이렇게 나왔는지", "어떤 의미를 갖는지", "어떻게 활용할 수 있을지"를 해석하고 판단하는 해석력 + 맥락 이해력이다. 

 

즉, 데이터의 언어를 진짜로 이해하는 능력이자, 실무 데이터 분석가의 핵심 역량 중 하나이기에 나에게 꼭 필요한 역량이다. 

최근 들어 나의 데이터 리터러시에 대한 의문이 들고 이를 키우기 위해 고민을 하고 있다. 

 

왜 필요할까?

• 아무리 통계·수학을 알아도, 데이터 맥락을 이해하지 못하면 오해 위험이 있다. 
• 예: 이벤트 기간 데이터, 이상치, 비즈니스 구조에 따른 지표 변화 등

필요한 지식

개념	설명
지표 설계 능력	퍼널 정의, 전환 기준 설정 등
비즈니스 맥락 이해	지표가 어떻게 연결되는지의 구조
이상값/결측치 해석	왜 빠졌는지, 왜 튀었는지를 파악하는 관찰력
시계열 데이터 감각	시간 흐름에 따라 어떤 변화가 자연스러운지

 

데이터 리터러시는 의식적으로 훈련하지 않으면 “숫자는 잘 다루는데, 통찰은 없다”는 피드백을 들을 수 있다

따라서 “분석할 때마다 자연스럽게 훈련되는 루틴”으로 만드는 게 가장 효과적!

 

👉🏻 실제로 분석을 하면서 계속해서 가져가야 하는 부분이고 기획 <> 추출 <> 분석 <> 회고 단계에서 모두 확장 적용해보고자 한다.

---

✅ 데이터 리터러시가 중요한 이유

이유	설명
1. 단순 수치 이상의 해석	평균·증감률만 말하는 것이 아니라 “왜 그런가?”를 이해하고 전달
2. 인사이트의 설득력	단순 현황이 아니라, 의미와 인과를 연결해 설명할 수 있어야 함
3. 액션 연결 가능성	“그래서 무엇을 해야 하는가?”로 데이터 기반 의사결정에 기여 가능
4. 협업 커뮤니케이션 강화	다른 팀과 논리적으로 커뮤니케이션하기 위한 공통 언어 역할

 

 

---

데이터 리터러시를 습관처럼 점진적으로 키우는 방법

🎯 1. 분석할 때마다 반드시 쓰는 5가지 질문

질문	목적
1. 이 지표는 왜 이렇게 나왔지?	원인과 맥락 해석 훈련
2. 이 데이터에 빠진 정보는 없을까?	결측·이상치·맥락 요소 확인
3. 어떤 정의/전제가 숨어있지?	지표 정의에 대한 감각 강화
4. 이 데이터를 보는 관점이 한쪽으로 쏠린 건 아닐까?	시야 확장 (ex. 유입만 보지 않고 전환까지)
5. 이걸 보고 나는 무슨 결정을 내릴 수 있을까?	데이터 기반 액션 사고 훈련

 

📌 이 질문들을 분석 회고 및 분석을 진행할 때 답하는 습관을 들여야 한다.

데이터 리터러시 책을 요즘 읽고 있는 데, 데이터 리터러시는 "언어"와 같이 습관화가 필요한 영역이라는 말에 동의,

이러한 반복적인 연습을 통해 향상시켜야 하는 부분인 것 같다. 

---

✍️ 2. 분석 후 “1문장 요약” 습관

• 무슨 차트를 그렸든 항상 이렇게 요약해 보기:
• 예: “3월 대비 4월 전환율이 2%p 상승했으며, 주된 요인은 신규 고객군 증가다.”

→ 맥락 + 지표 + 해석이 모두 담긴 문장 하나가 리터러시 훈련의 핵심 

---

📈 3. "지표 재정의" 연습

• 익숙한 지표를 다시 정의해보기
  • 예: 전환율 = ‘구매자 / 방문자’만이 맞는가?
  • 장바구니 진입자 기준은? 특정 제품 기준은?

→ 이 훈련이 쌓이면 지표를 비즈니스 목적에 맞게 재설계할 수 있게 되고 이는 실제 분석을 할 때 내가 계속해서 어려움을 겪고 있는 영역이다. 

---

🗂 4. 보고서 구조를 리터러시 기반으로 변경

기존	개선
숫자 나열	숫자 + 의미 해석
수치 중심 차트	차트 + 해석 요약
지표 결과만 제시	지표 해석 + 인사이트 + 의사결정 제안

 

→ 매 회고마다 위 프레임으로 정리해보면 분석 → 전략 연결 감각이 생김

📌 결국 보고서화를 통해 보고서의 결론을 전달해야 한다. 그렇기 때문에 요약하고 핵심만 전달하는 연습도 필요하다. 

---

🧩 연습 루틴 요약

루틴	예시
분석 전	"이 지표는 왜 보려고 하지?" 자문
분석 중	5가지 질문 + 이상치/전제 탐색
분석 후	1문장 요약 + 액션 제안
주 1회	내가 본 지표 중 가장 흥미로웠던 것 한 가지를 정리해보기

 

👉🏻 여기서 내가 새롭게 시도해 볼 부분은 "주 1회" 지표에 대한 흥미로운 사실 정리, 실제 CASE 분석을 통해 어떻게 하면 좋을 지 고민 중에 있는 데 실제 분석 사례 중 지표에 대해 정리해보는 시간을 주 1회, 1시간 정도 투자해서 해보면 의미있을 것 같다. 

---

✅ 요약하자면 데이터 리터러시는 훈련형 역량이다

• 책을 보기보다, 매번의 실무 분석을 훈련의 기회로 삼는 것이 가장 효과적이다. 책은 어디까지나 서브의 영역인 듯 하다. 
• 가장 중요한 건 “해석하려는 습관”과 “비즈니스 연결 사고”
• 그리고 꾸준한 회고로 리터러시 감각이 쌓이게 된다

👉🏻 단기간에 키워지는 역량이 아님을 알고 꾸준히 쌓아 나가다 보면 자연스럽게 쌓여질 영역! 25년의 하반기 나의 목표이다.

---

 

데이터 리터러시를 높이기 위한 4가지 학습 영역

1. 지표 설계 & 퍼널 구조 이해

• 어떤 지표를 어떻게 정의하느냐에 따라 인사이트가 완전히 달라진다.
• 학습 주제:
  • AARRR 퍼널 개념
  • 전환율 정의 방식 (방문 대비 구매? 장바구니 대비 구매?)
  • MAU, ARPU, Retention 같은 지표 설계 방법

👉 실무 연결 팁: 자사몰 액션 흐름을 단계별로 쪼개고, 지표로 재설계해보는 연습

---

2. 데이터 맥락 & 왜곡 요인 파악력

• 숫자의 배경을 이해하는 능력
• 학습 주제:
  • 이상치(Outlier), 결측치(Missing)의 발생 원인
  • 시즌성, 이벤트, 외부 요인(예: 프로모션, 품절 등)이 데이터에 미치는 영향
  • 마케팅 채널별 유입 특성 차이

👉 실무 연결 팁: ‘특정 데이터 변화’가 “무엇 때문인지”를 문장으로 적는 습관

---

3. 해석 중심의 시각화 감각

• 단순히 예쁜 그래프가 아니라, “보고 뭘 말하고 싶은가?”가 중요한 포인트
• 학습 주제:
  • 시계열 데이터의 추이와 변곡점
  • 막대/선/파이 차트 선택 기준
  • 인사이트를 전달하기 위한 시각화 포인트 강조

👉 실무 연결 팁: 매 분석 결과를 차트로 표현하고, 꼭 한 줄 요약 붙이기

---

4. 데이터 기반 의사결정 프레임

• 숫자를 보고 무엇을 해야 할지 결정하는 사고력
• 학습 주제:
  • 의사결정을 위한 기준선 만들기 (예: 구매율이 몇 %면 잘 나온 건가?)
  • A/B 테스트 인과 해석력
  • 실험 설계 vs 관찰 데이터의 해석 차이

👉 실무 연결 팁: “이 숫자가 바뀌었을 때, 나는 어떤 결정을 할 수 있지?”를 스스로 질문

현재 내가 집중하는 건 의사결정을 위한 "기준선"을 만드는 작업이다. 

---

추가 학습 방법 정리

 

방법	예시
📚 책 읽기	데이터 리터러시 - 강양석, 언바운드 - 조용민, 린분석
🧪 실무 회고 적용	분석할 때마다: 지표 정의 → 데이터 수집 방식 → 한계점 → 액션까지 정리
🧩 케이스 분석	실무 외의 데이터 사례 (뉴스, 공공데이터 등)를 읽고 의미 해석 연습
🎯 슬라이드 리버스 엔지니어링	다른 팀의 보고서/슬라이드를 보고, 어떤 지표와 논리로 도출됐는지 분석

👉 실제로 책 읽기, 실무 회고 적용은 지속적으로 가져가는 부분이고 케이스 분석 & 슬라이드 리버스 엔지니어링은 추가로 더 시도해볼 부분에 속한다. 앞선 2가지가 익숙해지면 점진적으로 넓히는 시도를 해보면 좋을 것 같다. 

 

✏️ 느꼈던 점 요약 
✅ 데이터 리터러시 역량은 꾸준함이다. 꾸준히 쌓아서 점진적으로 레벨업이 필요하다. 
✅ 시도할 점
- 데이터 사례를 읽고 의미 해석 연습 ex. 공공 데이터, 통계 자료
- 슬라이드 리버스 엔지니어링 다른 파트의 지표와 논리 도출 과정 분석
- 주 1회, 내가 본 지표 중 흥미로웠던 케이스 정리