[인프런] PM을 위한 데이터 리터러시_#3. 데이터를 활용하는 데이터 리터러시

📌 이 글은 [인프런] 카일스쿨의 'PM을 위한 데이터 리터러시' 강의 내용을 요약 정리한 것입니다.

 

 

2-2. 데이터란 무엇인가?

데이터(Data)

• 특정 현상을 관찰하며 얻은 정보 
• 기상 시간, 시간대별 온도 등 일상에도 데이터가 많음  

 

 

데이터를 언제부터 봐야 할까요?

데이터는 회사의 성장기와 성숙기에 봐야 한다.
태동기 회사에는 데이터가 많이 없을 수 있기 때문.
 

데이터로 할 수 있는 것

• 현상을 이해하고 패턴을 찾을 수 있음 
• 서비스의 핵심 지표 정의 후 성장성 확인
• 매출 증가
• 비용 감소
• 데이터 기반 의사결정, 업무 자동화(기획, 마케팅, 운영, MD 직무 등)
• 머신러닝, AI 모델 개발  

 

직관과 데이터 기반 의사결정 

회사의 목표: "제품, 비즈니스의 꾸준한 성장"
 
1. [직관 기반 선택]: 스타트업 초기 레벨, 신사업

• 수많은 편향에 빠질 위험 존재
• 결정 과대 평가, 결정 정당화, 부풀리기, 와전 등

 
2. [데이터 기반 선택]: MVP 이후 데이터가 쌓이고 있는 시점

• 데이터 기반도 편향 존재
• 데이터를 주관적으로 해석하거나 지표 Hacking 가능

[결론]
성장을 위해 직관과 데이터를 모두 활용하는 방식
여러 근거를 모아, Action이 성공할 확률을 올리는 것이 핵심 
(데이터 강의라고 데이터만 중시하라고 하는 것이 아님!)
 
데이터로 하려고 하는 것 = 의사결정과 Action

• 우리는 의사결정을 위해 데이터를 활용하고 Action 진행 
• Action: 문제를 해결하기 위해 우리가 하는 행동

---

2-3. 데이터와 관련된 여러 생각들

1. 데이터에 답이 있다 X

• 데이터 안에 답은 없다. 찾아내야 하는 것. 
• 데이터를 보는 사람이 어떻게 해석하느냐에 따라 답이 달라질 수 있음
• 선택의 불확실성을 줄이기 위해 데이터를 활용하는 것
• 데이터는 자신이 알고 있는 것, 생각한 것(주장)을 합리적으로 전달할 수 있는 도구  

 

2. 데이터에 기반한 의사결정은 항상 좋은 선택 X

• 데이터에 기반한 의사결정은 Local Optima(그 당시의 최적)이고 Global Optimum(진리의 최적점)은 아님
• 데이터의 특정 결과가 시간의 흐름에 따라 계속되면 그건 Global Optimum에 가까운 결과로 볼 수 있음 
• 어쩌면 우리는 영원히 Global Optimum에 도달하지 못할 수도 있음 

 

데이터에 기반한 의사결정이
그 시기에는 좋을 수 있고
다른 시기에는 좋지 않을 수 있다는 것을 
인식하는 것부터 시작!

 

3. 정답은 하나다 X

• 문제를 푼다는 건 반드시 존재하는 하나의 정답을 찾는 것이 아님
• 즉, 주어진 리소스(제약조건) 하에서 제일 적합한 해답을 찾기 위한 논리적 사고 방식 
• 문제 해결 방식은 여러가지 방법이 있을 수 있고, 그 중 여러 관점으로 고민하고 취하는 것 

 

4. 데이터 분석은 데이터팀이 해야지 X

• 제품, 기능에 대한 내용은 데이터 분석가보다 PM, PO, 디자이너가 더 잘 알 수 있음
• '데이터는 데이터팀이'가 아니라, 데이터 기반으로 협업하는 것이 중요
• 지표를 PM 관점에서 먼저 생각해본 후, 자신의 의도를 공유하고 서로 피드백하며 더 나은 방향으로 가야 함 
• 요즘 추세는 모든 직무에서 데이터를 활용하는 것
• Data Driven은 Data Person(Data Analyst, Data Engineer)이 모든 것을 한다는 것이 아니라, Everyone uses data를 의미함 

 

5. 내 데이터, 가설이 틀릴 수 있다 O

• 내 가설, 생각이 틀릴 수 있는 가능성도 생각해야 함 
• 비판적인 사고를 가지고, 열린 마인드로 흡수하기 
• 내가 생각한 것이 맞냐 틀리냐가 아니라, 제품을 더 많이 사용하게 만드는 등의 성공을 이루는 것에 집중해야 함

---

2-4. 데이터 리터러시란? 결국 목적 중심으로 사고해야 합니다

그래서 데이터 리터러시가 뭐야?

• 데이터 리터러시(Data Literacy) = 데이터 문해력(데이터를 읽는 역량)
• 즉, 데이터를 읽고, 이해하고, 활용하는 역량 (Why의 영역)
• SQL, 파이썬, R, Tableau: Hard Skill (How의 영역)

 
데이터 분석가, 데이터 사이언티스트가 아닌
PM, PO 관점에선 통계나 분석 방법을 모두 이해하는 것보단,
데이터를 어떻게 해석하고 의사결정 내릴까에 초점 맞추는 것이 수월
그 후, 관심이 간다면 SQL, 분석 방법론을 학습하는 것을 추천 

 

데이터를 바라보는 여러 패턴

1. 그래프 중심 사고

• 대시보드를 그리고, 그래프에서 정보를 얻고 분석이라고 생각하는 경우 
• 구체적인 목적 없이 그래프를 보는 경우
• 예) 대시보드를 보니 22년 10월 25일 DAU가 1,300이다
• So What 즉, 무엇을 해야할까에 대한 답이 없고 그냥 "그렇구나"라는 생각이 들게 됨 

 
2. 데이터 중심 사고 

•  대시보드 대신, SQL 쿼리 등으로 데이터를 직접 가공해서 보는 경우
•  쿼리를 사용했다의 차이만 있을 뿐 1과 유사
• 예) SQL 쿼리를 사용해서 데이터를 추출하니, 22년 10월 25일 DAU가 1,300이다 

 
3. 호기심 중심 사고 

• 작업자가 재밌다고 생각한 내용 토대로 데이터를 본 경우
• 예) 유저의 30%는 특정 카테고리에서 꾸준히 구매하네요! 
• 결론을 토대로 Action을 추가적으로 생각하면 Good
• 이후 이야기가 없다면 단순히 "그렇구나"로 끝나게 됨 

 
4. ☆ 문제 중심, 목적 기반 사고 ☆

• 자신이 해결해야 하는 문제, 알고 싶은 것(목적)에 따라 데이터를 수집하고 분석해 결론을 내는 과정
• 그래서(So What) 어떤 것을 해야 한다! Action Item 도출이 필요 
• 문제를 해결할 때는 항상 목적 중심의 사고를 해야 함. 단순히 데이터 업무 뿐 아니라 모든 업무에서 목적을 생각하고 진행하는 것이 중요
• 예) 우리 제품에서 어디서 많이 이탈할까? 
  - 퍼널별로 데이터 확인하면 많이 이탈하는 곳을 알 수 있지 않을까?
  - 데이터 확인하니 결제 직전에 많이 이탈한다 
  - 왜 이탈할까? (가설 수립)
  - 이걸 올리면 얼마나 매출에 기여할 수 있을까?
  - 이런 것을 확인하기 위해 실험해볼까?  

 

반드시 목적 기반 사고를 할 것!!

 

 

---

2-5. 정리와 Action Plan

앞서, 재미있는 가설이 떠올라 데이터 분석을 했는데 반응이 없는 이유

= 호기심 중심 사고였기 때문!
-> 목적 중심, 문제 중심 사고가 필요!  
 

<총정리> 

• 서비스의 성장을 위해 직관과 데이터를 모두 활용해 좋은 의사결정을 하는 방식이 필요
• 데이터 리터러시: 데이터를 읽고, 활용하는 역량 
• 즉, 문제 및 목적 중심으로 생각하는 과정이 핵심 
• 흥미, 호기심 기반은 추후 Action을 내기 어려움