데이터 리터러시

데이터 리터러시

 

데이터 리터러시란?

• 데이터를 읽는 능력
• 데이터를 이해하는 능력
• 데이터를 비판적으로 분석하는 능력
  • 위의 3가지로 종합적인 결과를 내서 의사소통에 활용할 수 있는 능력
  • 주제에 대해 명확히 이해하는 것이 중요!
• 데이터 수집과 데이터 원천을 이해
• 데이터에 대한 활용법을 이해
• 데이터를 통한 핵심 지표를 이해
  • 데이터 리터러시는 올바른 질문을 던질 수 있도록 만들어 줌
  • 올바른 질문이란 남에게 하는 것이 아닌 자기 자신에게 하는 것
    • (이것을 왜하는지, 어떤 것을 기대하는지 등 뚜렷한 목적의식)

 

데이터 분석에 대한 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
  • 하지만 이것들이 문제가 아닌 데이터 리터러시 때문에 발생하는 것

 

데이터 해석 오류 사례

• 심슨의 역설
  • '부분'에서 성립한 대소 관계가 그 부분들을 종합한 '전체'에 대해서는 성립하지 않는 모순적인 경우
  • 전체에 대한 결론이 언제나 개별 집단에 그대로 적용되는 게 아니다
  • 데이터에 기반한 결론이라고 해서 이를 명목적으로 받아들여서는 안됨
• 시각화를 활용한 왜곡
  • 자료의 표현 방법에 따라 해석의 오류 여지가 존재
• 샘플링 편향
  • 전체를 대표하지 못하는 편향된 샘플 선정으로 인해 오류가 발생

 

상관 관계와 인과 관계

• 상관 관계
  • 두 변수가 얼마나 상호 의존적인지를 파악하는 것을 의미
  • 파악 방법은 한 변수가 증가하면 다른 변수도 따라서 증가/감소하되 그 추이를 따름
• 인과 관계
  • 실질적으로 하나의 요인으로 인해 다른 요인의 수치가 변하는 형태를 의미
  • 원인과 결과가 명확한 것

 

데이터 활용 예제

• 그래프를 통해 말할 수 있는 것 ➡️ 데이터를 읽는 것
  • 개발 팀의 인원이 가장 많다
  • 고객지원 팀의 인원이 가장 적다
  • 인사팀과 영업 팀의 인원은 비슷하다
• 그래프를 작성한 사람의 의도는 무엇일까 ➡️ 데이터 작업 전 알고 싶은 것을 생각해보는 목적 사고적 방식
  • 상대적으로 고객지원 팀의 인력이 너무 적어 충원이 필요하다
  • 전체 인원 대비 마케팅 팀에 너무 많은 인력이 있어 감축이 필요하다

 

데이터 분석 접근법

• 문제 및 가설 정의: 생각을 필요로 함
• 데이터 분석: 작업을 필요로 함
• 결과 해석 및 액션 도출: 생각을 필요로 함
  • 데이터 리터러시가 필요한 '생각' 부분에서 문제가 되는 경우가 많다
  • 데이터 분석이 목적이 되지 않도록 '왜?'를 항상 생각해야 한다
  • 따라서 데이터 리터러시는 방향을 잃고 데이터 분석을 위한 분석을 하지 않게 도와주는 Soft Skill이다.

---

문제 정의

 

문제 정의란

• 데이터 분석 프로젝트의 성공을 위한 초석
• 분석하려는 특정 상황이나 현상에 대해 명확하고 구체적인 진술
• 프로젝트의 목표 설정하고 분석 방향을 결정

 

사례

• 상황: 패션 플랫폼 A, 매출 증가가 목표
• 문제 정의: 매출을 어떻게 늘릴 수 있을까?
  • 문제 정의는 했지만, 모호하고 구체적이지 않음
  • 어떤 고객층, 제품에 초점을 맞출지에 대한 명확한 지침이 없음
  • 데이터 분석시 방향성을 잡기가 어렵다.
• 문제 정의: 지난 6개월 동안 25~35세 여성 고객층의 구매 전환율이 급격히 감소했는데, 이 고객층의 전환율을 현재의 2%에서 5%로 끌어올리기 위해 어떤 마케팅 전략을 적용할 수 있을까?

 

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 A보다 B가 더 안 좋은 상황이다. 사용자가 줄었기 때문에, 수입도 감소하고 있다.
• 문제 정의
  • 사용자 수가 감소: 사용자 수는 충분히 생각해볼만한 문제이나, 결과적으로 풀고자 하는 것이 수입 감소라고 한다면, 사용자 수는 문제가 아닌 원인이 된다.
  • 포인트 이벤트가 별 도움 없음: 이벤트 효과가 없는 것은 충분히 살펴볼만 하지만 이벤트가 효과적이지 않기 때문에 발생하는 문제가 근본적으로 해결되어야 하는 것인지 짚어봐야 한다
  • A 보다 B가 더 안 좋음: 위 내용은 분석 과정 중 확인해 봐야 할 내용이지만 근본적인 문제라고 하기에는 어려워 보인다.
  • 수입이 감소한 것이 문제: 궁극적인 문제의 관점에서 수입의 감소는 매우 중요한 문제라고 판단되지만 단어의 정의에 있어 더 명확할 필요가 있다. 수입이 의미하는 것이 매출액인지, 순이익인지를 고려
• 결과적으로 문제 정의는 복잡하고 시간이 소요되는 과정
• 항상 문제를 올바르게 정의 하였는가? 물음을 가져야 함

 

방법론

MECE(Mutually Exclusive, Collectively Exhaustive)

• 문제를 상호 배타적이면서, 전체적으로 포괄적인 구성요소로 나누는 것
• 복잡한 문제를 체계적으로 분해하고, 구조화된 방식으로 분석할 수 있음
• 예시
  • 사람 - 남성, 여성, 아저씨로 나눈다면 남성과 아저씨가 중복되기 때문에 잘못된 예시
  • 영화 장르 - 액션, 스릴러, 공포로 나눈다면 멜로, 코미디 등 누락된 장르가 존재하기 때문에 잘못된 예시
  • 자동차 - suv, 세단, 쿠페, 현기차로 나누다면 자동차 종류 또는 브랜드로 분류 기준이 다르기 때문에 잘못된 예시
  • 3학년 3반 학급원 - 영어 우수 학생, 수학 우수 학생으로 나눈다면 중복되고 누락된 정보가 존재할 수 있어 분류 기준(우수)이 명확하지 않기 때문에 잘못된 예시

 

로직 트리(Logic Tree)

• MECE 원칙 기반으로 복잡한 문제를 더 작고 관리하기 쉬운 하위 문제로 분해하는데 사용
• 상위 문제로부터 시작하여 하위 문제로 계층적 접근
• 일반적으로 도표 형식으로 표현되어 쉽게 파악 가능
• 정답이 있는 것이 아니므로 항상 먼저 쪼개어 보고 누락한 것은 없는지, 중복되는 개념은 없는지 살펴보면서 고민
• 예시

• 실습: 수익성 개선 방법에 대한 로직트리 그리기
  • 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 A보다 B가 더 안 좋은 상황이다. 사용자가 줄었기 때문에, 수입도 감소하고 있다.

 

로직트리 Cheat Sheet

• 세그먼트 별로 분류
  • ex) (시장/점유율, 개념적으로 분류, 반대말 찾기, 세그먼트로 분류)
  • 앱 서비스에 적용하기 위해 변경(비즈니스에 따라 정의가 달라짐)
  • 세그먼트 분류 (라이트 유저, 일반 유저, 헤비 유저)
  • 고객을 구매 전 고객, 재구매 고객, VIP 고객으로 분류 가능

• 캡슐 점유율: 해당 서비스 시장 점유율로 변화

 

문제정의 정리 & 팁

• 풀고자 하는 것 명확하게 정의하고 해결하기 위한 데이터 분석의 방향성 정하고 결과 정리/해석하여 더 나아지기 위한 새로운 액션 플랜을 수립하기 위함
• 핵심 So What?, Why So?
• So What?
  • 수집한 정보와 소재에서 결국 어떻다는 것인지를 알아내는 작업
  • 그래서, 따라서, 이렇듯 앞에 오는 정보나 소재에서 과제의 답변에 맞는 중요한 핵심을 추출하는 작업
  • 나타난 현상을 바탕으로 과제에 비추어 말할 수 있는 내용의 핵심을 추출하는 작업
• Why So?
  • 왜 그렇게 말할 수 있는지
  • 구체적으로 무슨 뜻인지를 검증하고 확인하는 작업
  • So What? 한 요소의 타당성을 자료 전체 혹은 그룹핑한 요소로 증명할 수 있다는 사실을 검증하는 작업
• 도식화한 로직 트리가 위 법칙에 맞는지 확인해보기

 

팁

• 결과를 공유하고자 하는 사람이 누구인지 정의
• 결과를 통해 원하는 변화를 생각
• 회사 소속이라면, 경영자의 입장에서 보려고 노력
• 많은 사람들과 의견을 나눠보는 것도 방법
• 반드시 혼자서 오래 고민해보는 시간을 가질 것

---

데이터의 타입

 

정성적 데이터 vs 정량적 데이터

• 정성적(Qualitative) 데이터
  • 비수치적인 정보로 사람의 경험, 관점, 태도와 같은 주관적인 요소를 포함
  • 대부분 텍스트, 비디오, 오디오 형태
  • 정형되지 않고 구조화 되어 있지도 않음
  • 데이터를 구조화하기 어려움
  • 새로운 현상이나 개념에 대한 이해를 심화하는데 사용
• 정량적(Quantitative) 데이터
  • 수치적으로 표현되는 정보로 양적인 측정과 분석을 통해 얻을 수 있음
  • 데이터가 숫자 형태로 존재하기 때문에 통계적으로 분석하기 쉬움
  • 개인의 해석이나 주관이 적게 작용하는 객관성 가지고 있음
  • 지표로 만들기에 용이
  • 설문조사, 실험, 인구 통계, 지표 분석 등에 활용 

 

데이터 유형별 비교

• 비즈니스 목표를 위해 두 가지 데이터 적절하게 활용
• 지표 설정과 분석에 활용하기 위한 정량적 데이터를 중점으로 봄

 

데이터 유형 예제

• 한 레스토랑에서 하루에 판매되는 햄버거 세트의 수는 150개다. (정량적)
• 한 고객이 카페 이용 리뷰에 "커피 맛이 너무 좋았고, 분위기가 아늑했다"고 말했다. (정성적)
• 한 온라인 쇼핑몰의 지난 달의 평균 구매 금액은 10만원이다. (정량적)
• 어떤 서비스를 이용한 유저가 "사용하기 쉽고, 인터페이스가 직관적이다"라는 평가를 남겼다.  (정성적)
• 고객 설문 조사에서, 고객들이 서비스에 대해 "만족한다", "매우 만족한다", "만족하지 않는다"와 같이 응답했다.  (정성적)
  • 만족한다, 매우 만족한다, 만족하지 않는다 만 봐서는 정성적 데이터가 맞는데 5, 3, 1 같이 수치적으로 표현해서 사용할 수 있을 것이다.
• 어떤 연구자가 인터뷰를 통해 수집한 데이터에는 참가자들의 나이, 성별, 직업과 더불어 그들의 생각과 느낌이 포함되어 있다.  (정성적, 정량적)
  • 나이, 성별, 직업은 정량적으로 정량적 정보로 해석, 생각과 느낌은 정성적으로 해석 가능

 

정량적 데이터의 사례

• 인구 통계 데이터
• 수치형 설문조사 데이터
• 비즈니스 데이터
• 행동 로그 데이터
• 마케팅 데이터

 

정량적 데이터의 활용

• 객관적으로 측정가능한 지표를 만들기에 적합
• 일일 확성 사용자수(DAU), 재방문 비율(Retention) 등 서비스의 건강 상태를 나타내는 중요한 지표들을 확인 가능

 

수치형 설문조사 데이터를 정량적인 기준으로 나눈 사례 

• 추천 지수(NPS) 생성 가능

 

통계적 분석 적용

• 분포, 평균, 중앙값 등을 계산해서 데이터의 경향성과 패턴을 파악 가능
• 해당 내용을 근거로 의사결정 과정에서 중요한 판단을 내림

 

다양한 데이터 분석 방법 적용

• 비즈니스 분석, 예측 모델링, 추세 분석을 포함한 머신러닝과 같은 현대적 데이터 분석 기법에 활용 가능
• 미래 예측, 효율적 자원 배분, 시장 변화에 대한 적응 가능

 

정량적 데이터는 다음 물음에 답변 가능

• 한달 동안 우리 회사가 벌어들이는 매출은?
• 하루 평균 우리 플랫폼에 접속하는 고객 수는?
• 지난 달에 방문한 유저 중 다시 우리 서비스를 이용한 유저의 수는?
• 물음에 답변을 통해 서비스의 상태를 진단하고 액션을 취할 수 있음

---

지표

 

지표란?

• 특정 목표나 성과 측정하기 위한 구체적이고 측정 가능한 기준
• 목표 달성도를 평가하고 전략적 결정에 필요한 핵심 정보를 제공
• 정의한 문제에 대해 정확하게 파악하기 위해 필요
• 어떤 결과를 기대하는 가에 초점을 둠

 

예제

• 목표: 날씬해지기
• 지표 설정 ➡️ 날씬 이라는 단어가 굉장히 애매하므로 날씬을 정의해야 함
  • 국가 비만도 정의에 의한 '정상' 체중 (18.5 ~ 23)
  • 지표: BMI (체중 / 키^2)
  • 이상적으로 생각하는 체지방률 (15%)
• 지표: 체지방률 (체지방량/몸무게)
  • 따라서 핵심 지표로는 체지방률, BMI로 잡음
  • 이 지표를 계속해서 트래킹을 할 건데 액션을 관리할 수 있는 지표
• 수단: 주 5회 이상 운동
• 지표: 운동 이행률 (5일/5일)
• 수단: 매일 7시 이후 금식
• 지표: 식단 달성율 (30일/30일)

 

주요 지표 이해하기

• Active User (활성 유저)
  • 서비스에 들어오는 모든 유저가 아님
  • Active User에 대한 정의에 따라 전략과 방향이 달라짐
  • Active User에 대한 정의로 '이탈 유저'가 정의됨
  • 서피스 지표에 중요한 역할을 하게 됨

 

예시

1. 사이트 진입 유저(사이트 접속한 사람들을 활성 유저로)
2. 추가 행동 유저(강의 목록에 접속한 사람들을 활성 유저로)
3. 목표 액션 유저(강의를 클릭한 사람들을 활성 유지로)

• 1에서 3으로 갈 수록 활성 유저의 수는 줄어들지만 정밀도와 허들은 높아짐

 

Active User 설정하기

• 각 서비스마다 다름
• 어디까지 경험한 유저가 활성유저일까?
• 일반유저와 활성유저를 나누는 기준은?
• 유저는 어디서 서비스의 효용성을 느낄까?
• 핸들링할 수 있는 유저의 사이즈는 얼마나 될까?

 

주요 지표

• 전체 Active User: 앱 접속 이력이 있는 유저
• 서비스별 Active User: 서비스 별 서브메인 이하 추가 액션이 있는 유저
• DAU: Daily Active User
• WAU: Weekly Active User
• MAU: Monthly Active User
• 이탈유저: 전체 DAU로 잡혔지만, 각 서비스의 DAU로 잡히지 않은 유저 (비율)
• CVR(Conversion Rate): 특정 행동을 한 후, 전환된 비율
• CTR(Click Through Rate): 어떤 페이지에 접근한 후 특정 요소를 클릭한 비율 

 

Retention Ratio (재방문율)

• 몇 %의 유저가 우리 서비스를 다시 사용하는가?
• 정의: 서비스를 사용한 사람이 다시 서비스를 사용하는 비율
• 한번 획득한 유저가 다시 돌아왔는가에 대해 알 수 있음
• 리텐션이 높은 서비스는 획득비용에 투자한 비용을 빠르게 회수할 수 있음
• 기본적으로 방문을 기준으로 측정하지만, Active User에서 활성의 기준을 정해줬던 것과 같이, 서비스의 특성에 따라 '활성'의 기준을 다르게 정의할 수 있음
• 일반적으로 리텐션은 시간이 지남에 따라 자연스럽게 감소
• 기울기가 점점 완만해지며 안정화되는 그래프를 가지고 있다면, 시장에 적합한 서비스라 할 수 있음

 

측정 방법

N-Day 리텐션

• 최초 사용일로부터 N일 후에 재방문한 Active User의 비율
• 게임, 소셜 등 습관적으로 사용하거나 반복적으로 행동을 유도하는 제품에 적합
• SNS, Game 등
• 유저가 Active User로 집계된 최초 날을 Day 0으로 설정하고 Day 0에 액티브 상태가 된 모든 유저들의 N일차 리텐션을 계산
• N-Week, N-Month도 가능
• 한계
  • 하루를 제외하고 모두 접속한 유저가 있을 때 그 하루에 유저를 포함하는 것이 맞지 않을까?
  • 서비스의 사용 주기가 길 경우, N-day 리텐션을 사용하면 실제보다 과소평가 됨

Unbounded 리텐션

• 특정 날짜를 포함하여 그 이후에 한번이라도 재방문한 유저의 비율
• 유저가 정기적으로 반복해서 방문하는 서비스가 아닐 경우 적합
• 채용 사이트, 쇼핑몰, 부동산 매물 서비스 등
• 이탈률의 반대 개념
• 한계
  • 계속 접속하지 않던 유저가 접속할 경우, 이 전의 리텐션 값들이 모두 변동되는 상황 발생
  • 해당 지표는 절대적인 수치보다는 지표가 어떻게 변화하는 지에 대해 트렌드를 보는 용도로 활용하는 것을 권장

 

Bracket 리텐션

• 설정한 특정 기간을 기반으로 재방문율을 측정
• 서비스 사용주기나 길거나 주기적인 경우 사용하기 적합한 지표
• 식료품 배달 서비스, 세차 서비스 등
• N-day 리텐션을 확장한 개념으로 일/주/월 단위가 아닌 지정한 구간으로 나눔
  • 1(0일차) / 2(1~3일차) / 3(4~6일차) / 4(7~11일차)
  • 하루 정도 서비스에 접속을 안헀더라도, 리텐션에 영향을 주지 않기 때문에 기준이 조금 널널

 

리텐션에 대한 이해

• 리텐션이 높은 세그먼트를 발굴하는 작업이 필요
• 서비스의 사용 주기에 따라 리텐션 조회 기간을 늘려야 함
• 사후 분석 시에 용이

 

Funnel (퍼널)

• 유저들이 어디서 이탈하는가?
• 퍼널은 잠재 고객을 유입시키며 최종적인 목표 액션을 달성할 때까지의 과정
• 모든 서비스와 비즈니스는 각 단계로 갈수록 이용자 수가 줄게 됨
• 각 단계의 전환율 (or 첫 유입 대비 전환율) 측정

 

AARRR

• 퍼널에서 같이 쓰이는 용어
• 디지털 마케팅시 활용하는 프레임워크
• 단계별 전환율을 지표화 하여 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 이익을 얼마나 될까?
• 한 명의 유저가 생애 주기 동안 얼마만큼의 이익을 주는지를 정량적으로 지표화 한 것
• 유저와의 관계를 측정하고, 이를 사업적 이익으로 가져가는데 중요한 지표
• LTV가 좋다는 것은 해당 서비스와 관계가 좋고, 충성도가 높은 고객이 많다는 것
• LTV 산출 방법은 정답이 없음
• 어떤 관점을 보는지, 기준을 갖는지에 따라 다름
• 따라서 자사 서비스에 딱 맞는 LTV 산출하는 것이 매우 어려움(사용 주기, 변수, 객단가 등을 고려해야 함)
• LTV를 늘리기 위한 방안 (객단가 상승, 구매 빈도 높임, 이탈률 감소, 이용시간 증가)
• 가정을 베이스로 하는 지표이므로 꾸준한 모니터링이 필요

 

북극성 지표

• 제품/서비스의 '성공'을 정의
• 제품/서비스가 유저에게 주는 core value를 가장 잘 나타낸 것
• 장기 성장을 위해 필수적으로 모니터링 해야 함
• 좋은 북극성 지표 특징
• 제품/서비스 전략의 핵심
  • 유저/고객이 제품/서비스에서 느끼는 가치
  • 회사의 사업 목표를 나타내는 지표 중 선행지표
• 체크리스트
  • 유저가 목적을 달성할 때가 언제인가
  • 모든 유저가 해당되나
  • 측정 가능한 지표인가
  • 측정 주기가 적절한가
  • 외부 요인으로부터 영향을 많이 받진 않는가
  • 북극성 지표의 성장이 사업의 성장과 함께하는가
  • AARRR 퍼널 전 과정이 북극성 지표에 영향을 주는가
  • 북극성 지표의 변화가 적어도 매주 관찰 가능한가

 

좋지 않은 북극성 지표 예시

• 외부 요인의 영향을 많이 받는 지표
• 유저/고객의 전체 여정을 반영하지 않은 지표
• 유저/고객이 직접 가치를 느낄 수 없는 지표
• 측정 불가하거나, 기간 설정이 안되는 지표

 

유형

북극성 지표	수익 모델	서비스 유형
사용 시간	광고, 사용료	SNS, 플랫폼, 스트리밍
거래량	판매액, 수수료	커머시, 매칭서비스
효용	사용료	생산성 도구, 헬스 케어 앱

 

중요한 이유

• 방향성
  • 제품/사업 조직이 무엇에 최적화되어야 하고, 포기해도 되는지에 대한 방향 제시
  • 제품/사업 조직의 진척과 가치 창출을 전사에 보여줌
    • 지원 조직이 더욱 적극적으로 지원, 제품 개발 액션 실행 속도가 빨라짐
  • 제품/서비스 조직이 결과에 책임을 지도록 함
    • 비즈니스 임팩트에 따라 평가가 가능
• 효율 증대
  • 전 직원을 하나의 목표에 집중시킴
  • 서로 상반된 목표에 집중하거나 중복으로 일하는 것을 방지 (MECE한 구조)
  • 북극성 지표를 MECE하게 나눈 것 ➡️ 조직별 KPI ➡️ 주요 성장 지표

 

예제

• 온라인 교육 플랫폼의 북극성 지표를 세운다면
• 목표
  • 사용자들에에 유용하고 가치 있는 학습 경험 제공
• 전략
  • 사용자의 학습 성공 증진
• 사용자
  • 학생, 전문가, 취미를 추구하는 사람 등
• 목표에 가장 크게 영향을 미치는 요소는 무엇인가
  • 평균 완강율
  • 평균 학습 시간
  • 평점
• 평균 완강율로 북극성 지표를 설정
• 이유: 코스를 완료하는 사용자 많을수록 플랫폼의 교육 콘텐츠가 효과적임을 의미하며, 이는 사용자 만족도와 직결됨

---

결론 도출

 

결과와 결론의 차이

• 결과
  • 계산과 분석을 해서 나온 결과물
  • 숫자, 통계, 그래프, 차트 등의 형태
• 결론
  
  • 목적에 대해 어떤 의미가 있는지 설명
  • 데이터에 기반한 해석, 추론 또는 권고 사항을 포함

 

결론 도출 시 주의사항

• 결과 ~ 결론 도출 시에는 스토리텔링이 필요
  • 하지만, 필요 이상으로 자신의 해석을 융합하면 안 된다
  • 데이터를 통해 알 수 있는 범위에서만 생각

 

결론을 잘 정리하는 법

• 앞서 문제 정의, 지표 설정을 할 당시의 목적을 떠올리며 정리
• 결론을 공유할 대상이 누구이며, 어떻게 변하하길 원하는지 생각

단순하고 쉽게 전달

• 핵심 지표 위주로 보고
• 지표 해석하는 방법에 대해서도 설명
• 해당 지표에 오너십이 있는 조직에서 활용할만한 포인트 제안
• 액션 아이템을 제안하는 것이 핵심

흥미 유발

• 모든 내용을 담지 말기
• 상대가 궁금해할만한 내용을 고민해보고 필터링하기
• 궁금한 사람들을 위해서는 디테일한 문서 따로 공유

대상자 관점에서의 접근

• 공유 받는 사람의 시선에서 이해하기 쉽도록 정리
• 지식의 저주에 빠지지 않고 논지를 뒷받침 해줄 자료들 함께 첨부
  • 지식의 저주: 내가 아는 것을 남도 안다
• 대상자의 허들이 낮은 시각화 활용

 

시각화 팁

• 화려한 그래프 보다는 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

1. 전체 내용을 요약하는 한 문장
2. 해당 보고서의 메인 주제
3. 해당 보고서 쓴 이유와 원하는 변화
4. 문제 정의 단계
5. 핵심 내용 전개
6. 결론 및 액션 아이템

---

결국

• 눈앞에 있는 데이터에 의존하지 않고 스스로 목적과 문제를 정의
• 목적 달성하는데 필요한 데이터와 지표를 설정
• 데이터를 어떻게 봐야 문제의 정보 효과적으로 얻을 수 있는지 분석
• 단순히 데이터를 보는 방식이나 분석 방법론, 통계지식에 매몰되지 않는 것
• 왜? 를 항상 생각