[TIL 3] 2가지 데이터 분석 프레임 워크와 문제 정의 프레임워크를 통한 분석 방향성 잡기의 중요성

실무를 하면서 또 개인 PBL 학습을 하면서 데이터 분석을 하는 것에 대한

히스토리를 남기려고 하다 보니, 2가지로 묶인다는 사실을 발견하게 되었다.

 

처음에 이걸 고민한 건 데이터 분석의 인사이트들을 모아서 관리하고 싶다에서 출발했다.

정리의 힘을 믿는 사람인 지라 초반부터 잘 잡아 놓으면 좋다는 생각을 늘 하고 있다.

 

➡️ 데이터 분석의 목적은 크게 2가지, 현황 파악 & 가설 검증으로 묶일 수 잇다. 

 

📊 데이터 분석 목적의 두 가지 축

✅ 1. 현황 파악 (Exploratory / Descriptive Analysis)

✔️ “지금 무슨 일이 일어나고 있는가?”를 이해하기 위한 분석

• 목적: 전체 흐름, 구조, 규모, 분포, 주요 지표 상태 파악
• 예시 질문:
  • 주간 방문자 수/구매 수 추이?
  • 퍼널 단계별 이탈율은?
  • 유입 채널별 전환율 차이는?
  • 제품별 구매율 순위는?
• 활용 상황:
  • 신규 서비스 런칭 전후 비교
  • 퍼널별 성과 점검
  • 리포트 작성 및 회고용 지표 뽑기 

현재 우리 브랜드의 고객 비중은? 재구매? 신규구매? 누구에게 집중하는 전략이 맞을까?에 대한 물음을 답하기 위해서는

현황 파악이 필수이다. 곧 현황 파악은 지금의 단계, 고객 이해를 보다 수치적으로 표현하는 것이라고 생각한다. 

---

✅ 2. 가설 검증 (Hypothesis-Driven / Diagnostic Analysis)

✔️ “왜 이런 일이 발생했는가?”를 파악하고 원인 분석하거나 비교를 통한 의사결정에 사용

• 목적: A/B 테스트, 조건 간 차이 분석, 특정 현상의 원인 검토
• 예시 질문:
  • 상세페이지 A vs B의 전환율 차이가 유의미한가?
  • 인스타그램 유입이 타 채널보다 구매 전환율이 낮은 이유는?
  • 재구매 고객과 비재구매 고객의 패턴 차이는?
• 활용 상황:
  • 기능/디자인 개선 방향 도출
  • 고객 세그먼트별 반응 차이 분석
  • 개선안 실험 후 성과 측정

가설에 따른 액션을 취할 때, 그리고 신제품을 낼 때 등 가설에 기반해서 진행을 하게 되는 데

이때의 가설을 구체화하고 뾰족하게 할 수록 더 그에 맞는 데이터 분석과 그 속에서 인사이트를 발견할 수 있는 것 같다.

 

결국 정말 핵심은 "어떤 질문을 던져서 무엇을 확인하고 싶은 데?"라는 것은 잊지 말아야 한다.

그 질문이 왜 궁금한 지에 대한 목적도 잊지 않아야 하는 것 같다. 

---

 

그렇다면 데이터 분석을 2가지 축으로 이해하는 건 알겠는 데, 

항상 데이터 분석을 하는 이유는 무언가 알고 싶은 건 데, 그럼 그게 왜? 알고 싶은 거지?라고 생각이 들었다.

 

데이터 분석은 어쨌든 데이터 속에서 "해답"을 찾고 싶어서 하는 것 같다.

그렇기 때문에 현황 파악과 가설 검증 이전에 반드시 거쳐야 하는 사전 및 상위 과정은 문제 정의이다.

 

문제 정의 분석 프레임워크는 모든 분석의 시작점이 되는 분석 포인트이다.

즉, 왜 알고 싶은 건데? 를 답할 수 있는 것. 분석 목적을 명확히 하는 "시작점" 역할을 하는 상위 개념이다.

 

✅ 문제정의란?

분석을 시작하기 전에 “무엇이 문제인지 / 무엇을 알고 싶은지”를 명확히 규정하는 단계

---

🔍 문제정의 이후의 흐름 분기

 

분석 목적	흐름	설명
현황 파악형 문제정의	"지표가 요즘 어떤 흐름이지?" → EDA 진행	전반적인 상태·패턴 파악 목적
가설 검증형 문제정의	"이 변화가 전환율을 올렸을까?" → 가설 수립 및 검증 진행	인과관계 파악·의사결정 목적

 

즉, 내가 지금 우리 브랜드의 고객 현황이 어떻게 되는 지 알고 싶다면? ➡️ 현황 파악이 되어야 한다.

액션을 했는 데, 이게 유의미했어? 누구에게? 알고 싶다면 ➡️ 가설 검증이 되어야 한다. 

---

예시 비교

문제 정의	분석 목적
"최근 유입된 고객들은 어떤 경로를 통해 들어오는가?"	현황 파악
"상세페이지 개편 이후 전환율이 올라갔는가?"	가설 검증

 

요약

👉 문제정의는 분석의 "방향"을 설정하는 단계

👉 그 방향이 "현황을 보고 싶은지" vs "비교/설명을 하고 싶은지"에 따라 현황 파악 or 가설 검증으로 이어진다.

 

문제 정의가 중요한 이유는 분석 전체 방향성을 잡는 핵심 프레임워크.

특히나 실무 데이터 분석을 하게 될 경우, 방향성을 잃지 않게 하는 목표와 같은 역할을 해주고

이를 잘 잡게 되면 60% 정도의 분석을 위한 기획이 끝났다고 볼 수 있다. 

---

🧩 문제정의 프레임워크란?

✅ 정의

분석 시작 전에 무엇이 문제이며, 왜 분석하는지, 어떤 질문에 답할 것인지를 명확히 정리하는 구조화된 틀

---

🧱 구성 요소 (5단계 프레임워크)

단계	설명	예시
1. 배경(Background)	어떤 맥락에서 문제를 느꼈는가?	최근 상세페이지 이탈률이 높아졌고, 개선안이 필요함
2. 문제 상황 정의(Problem)	해결해야 할 핵심 이슈는 무엇인가?	상세페이지의 전환율이 낮고 이탈율이 높음
3. 분석 목적(Goal)	이번 분석을 통해 알고 싶은 것 / 하고 싶은 일	고객이 이탈하는 주요 지점을 파악해 개선방향 도출
4. 분석 질문(Question)	실제로 데이터로 답할 질문은 무엇인가?	어떤 상품 페이지에서 이탈률이 가장 높은가?
5. 기대 효과(Impact)	분석 결과가 어떤 의사결정 또는 행동으로 이어질 수 있는가?	상세페이지 개선 → 전환율 향상 기대

 

실제로 단계별로 데이터 분석 방향성을 문제정의 프레임워크를 활용해 정리하니

내가 무엇을 분석하고 싶은 지, 왜 분석을 해야 할 지, 단계별 로드맵이 보인다.

 

그러면 그것에 따라 우선순위를 정하고 하나씩 단계적으로 분석을 할 수 있고

요청 준 타 파트와 협의하에 더 중요한 인사이트로 작용할 수 있는 분석 건을 먼저 처리할 수 있다.

 

이 방향성을 잡지 않으면 요청 준 파트가 요청한 맥락에서의 데이터 분석이 되지 않을 수 있다.

---

🧭 문제정의 프레임워크의 효과

효과	설명
🎯 분석 범위 명확화	무의미한 데이터 파기 방지
🧵 가설 또는 질문 정돈	흐름이 끊기지 않게 분석 진행 가능
🪜 행동으로 연결	결과가 실행 가능한 인사이트로 이어짐
🔄 팀 공유 효율성↑	협업 시 문제의식 일치 가능

---

✍🏻 실무 예시 적용 (브랜드 자사몰 사례)

구성	작성 예시
배경	상세페이지를 리뉴얼했는데 전환율이 기대보다 낮음
문제	상세페이지 어디서 이탈이 많이 발생하는지 파악되지 않음
목적	이탈 포인트를 파악해 페이지 개선 방향 도출
질문	유입 대비 장바구니 클릭률이 가장 낮은 상품은?
기대 효과	UX 개선 방향 수립 → 상세페이지 개편 우선순위 설정

 

여기서 포인트는 얼마나 질문을 잘 작성하느냐도 중요하다.

타파트에서 무엇을 확인하고 싶어하지?를 더 구체화시키는 작업이 중요하다는 것

이것에 따라 분석의 방법론이 달라지기도 하고 어떤 데이터를 수집해야 하는 지가 달라지는 과정인 것 같다.

 

데이터 분석 방법론에 대해서는 또 추가적으로 작성을 해볼 예정, 정리하면서 나도 곱씹어 봐야지 싶다.

---

✅ 문제정의 프레임워크의 필요성
문제정의 프레임워크는 단순히 분석 질문을 만드는 것에 그치지 않는다.
👉 분석의 ‘이유’와 ‘방향’을 분명하게 정리하고
👉 실행 가능한 분석이 되도록 해주는 핵심 프레임워크(*그렇기 때문에 문제를 구체화할 수록 분석이 쉬워진다)