패스트캠퍼스 데이터 분석 부트캠프 14기_현직자 특강 (Mark 멘토님)

 

안녕하세요! 이번엔 현직자 특강 후기를 들고 온 분석하swu입니다 :)

이번에도 열심히 리뷰해볼테니 재밌게 읽어주세요!

 

얼마전 9시부터 6시까지의 정규수업이 끝나고 저녁 특강이 있었습니다. 이번 특강을 진행하는 강사님은 평소 저희의 학습적 궁금증을 해소해주시는 Mark 멘토님이셨습니다. OT후기글을 보면 아시겠지만, 저희가 실시간 강의뿐만 아니라 온라인 강의도 함께 듣고있는데 실시간 강의와 달리 온라인 강의를 들으며 생기는 궁금증들을 슬랙을 통해 Mark 멘토님께 질문하고 답변을 받으며 해결하고 있습니다.

 

그럼 본격적으로 어떤 특강을 들었는지 얘기해볼게요!

Mark 멘토님은 비전공자로 시작해서 패스트 캠퍼스 부트캠프를 통해 프로덕트 및 마케팅 데이터 분석가로 일하고 계셨습니다. 저희한테도 선배 분석가로써의 여러가지 정보들을 공유해주시려 많이 노력하셨습니다. 

 

특강은 

1. 데이터 분석가의 역할
2. 데이터 분석
3. 실무 프로젝트 경험
4. 취업 팁
5. QnA

의 순서로 진행되었습니다. 다만 아쉽게도 제일 궁금하실 법한 실무 프로젝트에 대한 강의 내용은 공유 불가한 점 양해부탁드립니다..!

 

먼저 신입 데이터 분석가의 채용공고를 살펴보면 SQL, Python, 통계지식 등의 자격요건을 필요로하고, 도메인 지식과 관련 경험이 있는지가 가장 중요한 것 같습니다. 데이터 분석가의 공통적인 업무에는 첫번째로 지표로써 현상을 이해하고, 두번째로 지표로써 원인을 파악하는 것이 있습니다. 이는 각각 묘사 분석과 진단 분석이라고 표현하며 대부분의 업무과정에서 마케터, 디자이너 나아가 경영진과도 협업을 필요로합니다.

 

Mark 멘토님의 경험에 기반한 매출 규모 별 데이터분석가의 주요 업무에는 

• 10억대 매출규모 → 데이터 수집
  • 데이터 종류: 1st, 2nd, 3rd Party Data
  • 데이터 수집 방식: 직접 수집 / 3rd Party Tool
  • 주요 업무: 데이터 의미 파악 / 정합성 체크
  • 힘든 점: 무관심
• 100억대 매출규모 → 데이터 수집, 다른 팀들에게 데이터 교육
  • 수집 관여: 데이터 엔지니어와 협업
  • 데이터 교육: SQL / Data Literacy
  • 힘든 점: 회사는 원하고, 사람들은 하기 싫어함
• 1000억대 매출규모 → 실험 설계 및 분석
  • 실험 설계: AB테스트가 되지 않는 상황에서의 인과 추론
  • 실험 결과 분석: 실험의 신뢰도 분석
  • 힘든 점: 높은 통계적 지식 / 현실적인 제약

와 같은 업무 등이 있습니다.

 

데이터 분석을 4단계 과정으로 구분해보면

실제 현업에 필요한 영역은 묘사 분석과 진단 분석이고, 예비 분석가들이 입사 후 할 것으로 기대하는 업무 영역은 예측 분석과 처방 분석이지 않을까합니다. 하지만 멘토님께서는 대부분의 회사에서 실제로 필요한 것은 묘사 분석이지만 예측, 처방 분석을 먼저 하려고 하는 경향이 있어 주의해야 하며 이해관계자들과 생각하는 바가 일치하는지 확인해야 한다고 해주셨습니다.

 

분석가들이 분석 전 가져야 하는 Mind Set은

수치나 수치의 변화보다 이 수치로 어떤 것을 주장할 수 있을지 초점을 맞추는 연습을 해야하고 마찬가지로 다른 사람이 제시하는 수치에서도 이사람이 어떤 주장을 위해 이 수치를 제시하는지, 이 수치는 그 사람의 주장과 연관있는지 고민해봐야합니다.

 

분석을 할 때에는 달성하고자 하는 목표와 연관되어 있는 숫자를 설정하고, 이 숫자들을 위주로 분석하게 되는데 이때 사용하는 숫자들을 '지표'하고 하고, 이 지표를 설정할 때 SMART라는 조건들을 만족하는지 확인하는 것이 정석처럼 알려져있습니다. 데이터 분석가라면, 사내에서 사용하는 지표들이 어떤 것들인지, 그 지표들이 왜 중요한지, 어떤 데이터들로 산출이 되고 있는지 명확하게 이해할 수 있어야합니다.

 

 

핵심 지표에는 매출, 비용 등과 같이 익숙하고 너무 당연한 핵심 지표들이 있지만 중요도에 비해 잘 인지하지 못하고 있는 지표들이 있습니다. 

• Active User: 이 지표는 말 그대로 활성 사용자인데, '활성'의 정의는 회사마다 다를 수 있습니다. 보통 매체에서 노출되는 스타트업의 '활성'의 정의는 방문을 의미하는 경우가 많습니다
• Retention: 특정 기간동안 사용자가 얼마나 오래 유지되는지를 의미합니다. 이때 '유저'의 기준을 방문으로 할 수도 있고, 구매로 할 수도 있습니다.

여러 지표들은 선행 지표와 후행 지표로 구분할 수 있는데 선행 지표는 어떤 현상이 일어나기 전의 지표이고, 후행 지표는 성황 및 현상이 일어난 뒤의 결과 지표입니다. 프로덕트 측면에서 대표적으로 알려져있는 선행 지표는 방문 수, 리텐션 등이 있고 후행 지표는 매출 등이 있습니다. 

 

퍼널 분석은 유저가 서비스의 성장을 위해 필요한 액션까지 거쳐야 하는 단계를 정의하고, 단계별 이탈율을 파악하여 가장 많은 이탈이 일어나는 곳을 확인하는 분석 방법입니다. 어떤 곳에서든 광범위하게 쓰이고 있는 분석 방법이고, 어떤 회사에서든 퍼널 분석을 통해 주요 지표들을 관리합니다.

 

AARRR 프레임 워크는 서비스 전체의 퍼널, 확장판이라고 할 수 있습니다.

각 단계별로 주요 지표를 확인해보면,

• '고객 유치' 단계에서의 주요 지표는 DAU, 접속 수가 있고, 
• '활성화' 단계에서는 체류시간, 상품 조회 수, 장바구니 담기 수, 좋아요 수
• '리텐션' 단계에서는 방문 리텐션, 구매 리텐션
• '수익화' 단계에서는 매출, 객단가, LTV
• '추천' 단계에서는 공유하기 수, 친구 초대 수 등이 있습니다.

 

Mark 멘토님이 추천해주신 데이터 분석 프레임워크 단계는

1. 겉으로 드러난 현상 파악하기
2. 목적과 문제를 정의하기
3. 지표 결정하기
4. 현재 상태 파악하기
5. 평가하기
6. 원인 분석하기
7. 해결 방안 제시하기

 

데이터 직군이 아니라면, 데이터를 어떻게 이용해 어떤 결과물을 얻어내야 할 지 알지 못하는 경우가 많습니다. 데이터와 관련된 많은 요청의 경우, 실제로 요청자가 원하는 결과물이 아닌 결과물의 일부를 추출로 요청하는 경구가 많았습니다. 요청자의 요청을 문제 정의와 지표 설정의 관점에서 명확하게 만들 필요가 있습니다. 이러한 이유로 데이터 분석가에게 커뮤니케이션이 중요한 것 같습니다.

 

또하나, 데이터 분석가에게 중요한 원칙이 있는데요 분석을 하기 위해 그룹을 나눌 때는 항상 MECE하게 분석하고 있는지 확인해야 합니다.

ME: 중복 없이

CE: 누락 없이

하게 데이터를 보고있는지 확인해야 하는데요,

간단한 방법은 "전체의 합과 부분의 합이 일치하는 것"을 확인하는 것입니다. 지표의 특성상, 전체의 합과 부분의 합이 일치하지 않는 것이 당연한 경우도 있으므로 이를 주의해야 합니다. 

 

Mark 멘토님이 조언해주신 취업 팁에는

• 프로젝트 진행 시
  • 프로젝트는 여러 개가 아닌 한 개를 깊이있게 하는 것
  • 가장 중요한 것은 어떤 문제를 풀려고 하는지와 왜 문제라고 생각하는지, 왜 그 기준으로 그룹을 나눴는지 왜 그런 결론을 내리게 됐는지를 답할 수 있는 것
  • 지표 하나의 등락을 보고 결론을 내리는 것은 누구나 할 수 있으니 관련된 여러개의 지표를 다각적으로 보아야합니다.
• 이력서 작성 시
  • 이력서는 Situation, Behavior, Impact 순으로
  • 너무 간단하면 역량 평가를 할 수 없고, 너무 자세하면 보지 않기 때문에 현업의 용어 위주로 작성하는 것이 좋습니다.
  • 모델링 경험은 수학, 통계적 지식에 대한 엄청난 자신감이 아니라면 작성을 권하지 않으셨습니다.
• 이력서 지원 시
  • 신입뿐만 아니라 경력 3년 미만 또한 지원을 권장하셨습니다.
• 면접 시
  • 준비한 대답보다 질문에 잘 맞는 대답이 중요하고
  • 데이터 분석가는 '왜'를 중요시 여기는 경향이 있어서 스스로 충분히 납득이 되는 설명인지 계속 의심해야 합니다.