스파르타 내일배움캠프_본캠프_data11기 김선영_TIL_Day 1

1. 오늘의 학습

• 본캠프 OT
• 팀 미팅
• 여러 서류(?) 작성
• 팀 미션: 직무 스터디 페이퍼 작성

2. 학습내용 정리

• 본캠프 OT 진행 후 새로운 팀원분들과 인사를 나눴다.
• 팀 미션으로 '직무 스터디 페이퍼 작성' 했다.
  주제: 데이터 분석가, 데이터 사이언티스트, 데이터 엔지니어 차이점 분석
• 데이터 리터러시 강의

1) 데이터 리터러시
: 데이터를 이해하고 비판적으로 분석하여, 의사소통에 활용하는 능력
- 올바른 질문을 할 수 있도록 도와줌.

---

(1) 심슨의 역설
     : '부분'에서 성립하는 대소 관계가 '전체'에 대해서는 성립하지 않는 모순
     * 데이터에 기반한 결론이라고 맹목적을 받아들여서는 안 된다.
(2) 시각화를 활용한 왜곡
     -> 자료의 표현 방법에 따라서 해석의 오류 여지가 존재.
(3) 샘플링 편향
     : 전체를 대표하지 못하는 편향된 샘플 선정으로 인해 최종 결과에 오류가 발생
(4) 상관관계와 인과관계
     - 상관관계: 한 변수의 값이 변하면, 다른 변수의 값도 변함 (두 변수가 얼마나 상호 의존적인지를 파악하는 것을 의미)
     - 인과관계: 원인과 결과가 명확한 것
     * 상관관계는 인과관계가 아닌 것을 항상 유의해야 함.

---

데이터 분석이 목적이 되지 않도록 ‘왜?’를 항상 생각해야 함.
데이터 분석 전에 알아내고자 하는 것의 목적을 충분히 정의해야 함.

2) 문제 정의
- 데이터 분석 성공을 위한 초석이기 때문에, 분석하려는 특정 상황이나 현상에 대해 명확하고 구체적으로 정의해야 한다.
ex) 매출 증가 방법? -> 지난 6개월 동안 20대 여성 고객층의 구매 전환율이 급격 감소했다. 전환율을 5%로 올릴 방법은?

---

[문제 정의 방법론]
(1) MECE(Mutually Exclusive, Collectively Exhaustive)
     : 문제를 '상호 배타적(중복 X)'이고 전체적으로 '포괄적(모든 경우를 포함)'인 구성요소로 나누는 것
(2) 로직 트리(Logic Tree)
     :상위 문제로부터 시작하여 하위 문제로 계층적 접근

3) 데이터의 유형
1. 정성적 데이터: 비수치적인 정보로 사람의 경험, 관점, 태도와 같은 주관적인 요소를 포함.
                          (새로운 현상이나 개념에 대한 이해를 심화하는데 사용)
2. 정량적 데이터: 데이터가 숫자 형태로 존재하기 때문에 통계적으로 분석하기 쉬움.
                          (지표로 만들기에 용이)

4) 지표 설정
지표? 특정 목표나 성과를 측정하기 위한 구체적이고 측정 가능한 기준
"어떤 결과를 기대하는가"에 대한 기준을 세워야 함.

---

[주요 지표]
1. Active User (활성 유저)

   : 특정 기간 동안 웹사이트나 앱을 '활발하게 이용'한 고유한 사용자 수
   - 정밀도(측정의 정밀함), 허들이 높아질 수록 Active User의 수는 낮아짐.
   - active user 기준 설정 = 자사 서비스의 정체성과 연결
   - '유입은 늘었는데 Active는 줄었는지', 'Active는 유지되는데 신규가 줄었는지' 등 세부적으로 파악 가능
   - 연관 지표: 전체 active user / 서비스별 active user / DAU, WAU, MAU / 이탈유저 / CTR 등

2. Retention Ratio (재방문율)
   : 서비스를 사용한 사람이 다시 서비스를 사용하는 비율
   - 리텐션이 높은 서비스는 획득비용에 투자한 비용을 빠르게 회수할 수 있음.
   - 서비스(특히 앱서비스) 성장에 매우 중요한 지표
   - 측정 기준: 방문 / 서비스 특성에 따라 active 기준 설정 가능
(1) N-Day 리텐션: 최초 사용일로부터 N일 후에 재방문한 비율 (D1 = UX / D7 = 제품력 / D30 = 비즈니스 생존력)
                              정기적으로 사용하는 서비스 평가에 적합 (ex. 카카오톡 등)
                              1일: 6명 접속 -> 5일: 3명 접속 = 50% 리텐션
(2) Unbounded 리텐션: 특정 날짜를 포함하여 그 이후에 한번이라도 재방문한 유저의 비율
                                       정기적으로 사용하는 서비스가 아닐 경우 적합 (ex. 채용 사이트 등)
(3) Bracket 리텐션: 설정한 특별 기간 중에 재접속한 고객의 비율
 
3. Funnel (퍼널) : 유저들이 어디서 이탈하는가?를 확인하기 위한 구조화

4. LTV (Life Time Value, 고객 평생 가치)
   - LTV는 한 명의 유저가 생애 주기 동안 얼마만큼의 이익을 주는지를 정량적으로 지표화 한 것
      (*고객 생애 주기: 한 명의 유저가 서비스를 사용하기 시작하여 이탈할 때까지의 기간)
   - LTV가 높다는 것은 해당 서비스와 관계가 좋고, 충성도가 높은 고객이 많다는 것
   - 신규 유저를 데려오는 비용(CAC) 산출에 활용 가능

5. 북극성 지표
제품/서비스의 ‘성공’을 정의
제품/서비스가 유저에게 주는 core value를 가장 잘 나타낸 것

3. 내일의 학습

• 9:00 ~ 9:30
  데일리 스크럼 + 아티클
  - 데이터 분석이란 무엇일까?
• 10:00 ~ 12:00
  SQL 세션 1회차
• 13:00 ~ 15:00
  데이터리터러시 강의 듣기
• (시간이 된다면) SQL 문제 풀기
• 16:00 ~ 17:00
  직무 세션_강민정 튜터님

---

### [미션 1] 스타터 노트 작성

1. 내가 데이터 분석 트랙에 참여한 계기는 무엇인가요?

실무에서 적용할 수 있는 직무 역량을 강화하고 싶었고, 늦기 전에 데이터 활용 능력을 배워야 한다고 생각했습니다.

 

2. 내가 이해한 데이터 분석가(혹은 생각했던 직무)는 어떤 역할을 하는 사람인가요?

데이터를 분석해서 어떤 바를 의미하는지를 파악하고 그것으로 넥스트 액션을 제안하는 사람으로 이해했습니다.

데이터를 다루는 툴에 대한 이해도도 필요하며 더불어 도메인에 대한 이해와 데이터 리터러시 능력이 중요합니다.

 

3. 데이터 분석을 경험해보셨나요? 해보셨다면 어떤 경험을 하셨는지를 작성해주시고,아니라면 데이터 분석에 대해 찾아본 것을 작성해주세요.

데이터 분석을 경험해본 적은 없습니다. 다만 이전 회사에서 메타광고 집행 시에 분석 능력이 있다면 좋겠다고 생각한 적이 있습니다.

각 캠페인의 성과를 분석하고 다음 마케팅 방향성을 잡는 데에 도움이 될 것 같습니다.

 

4. 데이터 분석가의 역할을 수행하는 데에 있어 나의 강점과 연관된 부분은 무엇이라고 생각하나요? 혹은 보완, 개선하고 싶은 개인 역량이 있나요?

저의 업무 강점은 (아직 연차가 적지만) 그래도 전체 업무 플로우를 고려하며 일한다는 점입니다. 여러 상황을 고려하여 데이터 분석 결과를 도출할 수 있을 것 같습니다.

 

5. 본 코스 수료 후, 어떤 데이터 분석가(혹은 생각했던 직무)로 성장하고 싶나요?

도메인에 대한 이해도가 충분하며, 하나의 데이터에 꽂혀서 전체를 못보는 분석가는 되고 싶지 않습니다.

 

6. 본 코스 수료 후, 데이터 분석가(혹은 생각했던 직무)가 된 5년 후 목표로하는 점은 무엇인가요?

음... 1인분은 하는 직장인이 되자...?