[아티클] 데이터 리터러시 & 잘못된 데이터 해석

<주제>

• 데이터 리터러시
• 데이터 분석 오류

https://nbc-precamp-data.oopy.io/29a2dc3e-f514-81eb-82e3-d4bbb9503a7d

---

<내용 정리>

#  데이터 리터러시를 올리는 방법

• 데이터 리터러시 : 데이터를 활용해 문제를 해결할 수 있는 능력
  기업은 단순히 데이터를 제공하는 것을 넘어 조직원들이 데이트를 활용하는 올바른 시각을 길러야 한다.
• 데이터/실험 기반 사고 방식 : 모든 업무를 데이터와 실험 기반으로 이루어지도록 만들기

• 실험 실행
  - 해결하려는 문제: 문제 정의
  - 관련 OKR: 전사 목표와 align 되었는지
  - 측정지표: 문제와 지표가 align 되었는지 / 측정 가능한 것인지
  - 가설 검증 기준: 성공 여부를 어떻게 판단할 것인지
  - 검증 후 변화될 액션: 의미 없는 액션을 한 게 아닌지
  - 결과: 검증 기준으로 결과가 나왔는지
  - 학습한 점: 어떤 학습을 했고, 다음에는 어떻게 반영될 것인지. 
• 모든 과정을 노션에 기록, 모든 구성원이 확인할 수 있도록 가시화함.
• 문제정의 - 솔루션 - 측정 지표 중심의 사고

 

• 데이터맵 :
  • 전사에 공통적으로 중요한 인풋/아웃풋 지표 간의 관계도를 제작/공유함.
  • 인풋 지표 선정 기준: (1) 측정 가능하고 (2) 직접적으로 컨트롤이 가능한 지표
  • 업무 시 더 중요한 지표에 집중하여 문제를 해결하도록 유도.이런 화해에서 데이터 분석가에게 요구한 역량

 

 

 

• 데이터 추출 > 분석 내용 리포팅에서 그치면 안 된다! 문제 정의 > 원인 분석 > 액션 아이템 제시
• 분기별로 전사 OKR 설정하여 모든 분석가의 업무 방향성을 일치시킴

 

# 그 데이터는 잘못 해석되었습니다

• 생존자 편향의 오류
  • 특정 대상이 아닌 전체 이용자를 기준으로 데이터를 해석해야 한다.
  • 전체 이탈자 100명
    • case 1) 단기유저 80명 > 장기유저 20명
      유저 충성도 부족 / 사용자 편의성이 낮음 / 상태 심각
    • case2) 단기유저 20명 < 장기유저 80명
      유저 충성도 이미 확보 / 단기적인 서비스 불편도가 원인일 가능성 높음 / 이것을 해결하면 정상화될 가능성 있음.
• 심슨의 역설
  • 전체 지표와 그룹을 나눈 지표의 방향성이 다르게 나타나는 상황
  • 역설 방지를 위해 집단의 지표뿐만 아니라, 집단을 나누어 지표를 확인하는 과정이 필요함.
• 상관관계를 통한 성급한 일반화
• : 비슷해 보이는 패턴이 있다면 쉽게 일반화하는 경향
• 목적에 맞지 않는 지표 선택

 

 

---

<느낀 점>

1. 알게된 것
   • OKR: Objective and Key Results
     데이터 분석을 통해 달성하려는 질적 목표(Objective)"와 "그 목표 달성 여부를 측정하는 정량적 핵심 결과(Key Results)
2. 인사이트
   • “특별한 주장에는 특별한 근거가 필요하다” - 칼 세이건의 ‘세이건 표준’