<aside> <img src="https://prod-files-secure.s3.us-west-2.amazonaws.com/5dc61ec9-db1b-4c00-a95b-81b4172a27d6/1887852f-a694-46ed-bc89-1566040f5156/transparent.png" alt="https://prod-files-secure.s3.us-west-2.amazonaws.com/5dc61ec9-db1b-4c00-a95b-81b4172a27d6/1887852f-a694-46ed-bc89-1566040f5156/transparent.png" width="40px" />
</aside>
데이터 과학이 무엇인지 먼저 알아보고, 데이터 분석이 어떻게 진행되는지 알아봅니다.
데이터 사이언스 = 컴퓨터 과학 + 수학 + 경영학
https://www.youtube.com/watch?v=RBSUwFGa6Fk
순환적 싸이클 : 질문 → 측정 → 해답 → 재질문
마케팅 부서의 김대리와 데이터 부서의 박팀장이 회의실에서 만났습니다.
먼저 마케팅 부서의 김대리가 박팀장에게 물어봅니다.
“ 올해 온라인 판매에서 가장 효과적인 마케팅이 무엇이었나요?”
데이터 팀의 박팀장은 이 질문에 필요한 데이터를 알아내기위해 김대리에게 여러가지 질문들을 하게 되죠.
올해 어떤 마케팅 전략을 사용했는지?
그리고 효과적이라는 것을 어떤 수치로 정의해야 할지?
효과를 입증하기 위해 얼마나의 기간을 검증 기간으로 둘지?
마지막으로 결론이 나온뒤에는 어떻게 행동할지
이렇게 데이터 팀은 세부질문을 통해 가장 효과적인 마케팅 방법을 어떻게 찾아낼지 마케팅 효과를 측정하기로 합니다.
다음으로 데이터 팀은 세부질문을 바탕으로 마케팅 효과를 측정할 지표를 만들게 되는데요.
먼저 올해 사용한 마케팅 전략이 어떤 것이 있었는지 카테고리별로 분류합니다. 데이터로 확인해 본 결과 TV, 잡지, 온라인 광고와 특가 세일 등이 있었습니다
다음은 파악한 마케팅 전략들을 통해 제품을 구매한 고객 수와 그에 해당하는 총 판매 증가액을 계산하여 구한다음 총 판매익 나누기 구매자 수로 마케팅 효과 지표를 만들었습니다.
그리고 검증 기간은 2021년을 기준으로 1월부터 10월까지 주별, 월별, 분기별로 나누어서 판매 지표를 측정하기로 하였습니다.
마지막으로 상위권에 위치한 마케팅 전략 3가지를 알아낸다음 다음해에 마케팅 투자비용을 증액하기로 결정하였죠.
이렇게 지표를 통한 측정 방법을 찾아낸 데이터 팀은 데이터 분석을 시작하는데요. 필요한 기업의 데이터를 모아 분석한 다음 판매 지표를 통해 올해의 주별, 월별, 분기별로 각 마케팅 전략의 효과를 비교하게 됩니다. 분석한 결과 SNS 광고가 가장 효과적이라는 결론에 이르게 되죠.
결과를 도출한 데이터팀의 박팀장은 결론을 표로 정리한 엑셀 파일을 다시 마케팅 팀의 김대리에게 전달하게 됩니다.
이렇게 김대리는 박팀장이 제출한 엑셀파일을 통해 2021년 어떤 마케팅 전략이 효과적인지 알아내게 되죠.
하지만 여기서 끝이 아니라는 사실! 내년에는 무슨 마케팅이 효과적일지 마케팅 부서는 또 알아내기를 원할테니까요.
이러한 재질문을 통해 데이터 파이프라인은 다시 순환적 구조를 반복할 겁니다. 그런데 여기서 잠깐 짚고 넘어갈 점이 하나 있어요. 앞에서 얻은 올해의 마케팅 전략 분석을 엑셀 파일로 전달하는 방법이 과연 효과적인 방법일지는 의문점이 드네요. 만약 필요한 분석이 사실 온라인 판매가 아닌 오프라인 판매의 지표를 구하기 위한 경우였다면 어떨까요? 온라인 판매와 비슷하지만 전혀 다른 데이터들을 가지고 와서 재분석해야하죠. 또 이러한 분석이 올해뿐만아니라 내년, 후내년에도 필요하다면?
데이터 분석은 그 내용과 방향에 따라 매우 다양합니다.
어떤 문제를 풀고 싶어하느냐에 따라 데이터 분석의 종류는 크게 4가지 종류로 나누어 볼수 있습니다.
| 데이터 분석 종류 | 해석 |
|---|---|
| Descriptive analytics | 어떤 일이 일어났는가? |
| Diagnostic analytics | 왜 이런 일이 일어났는가? |
| Predictive analytics | 어떤 일이 일어날 것인가? |
| Prescriptive analytics | 어떻게 행동해야 하는가? |
Descriptive analytics 는 과거의 데이터를 바탕으로 어떤 현상이 발생 하였는지 밝혀내는 것입니다.
다른 말로는 데이터 마이닝(Mining)이라고도 합니다. 데이터를 통해 회사가 과거에 어떻게 성장하였는지, 주식 흐름이 어땠는지, 매출이 얼마나 이루어졌는지를 알아보는 것이죠.
Diagnostic analytics 는 왜 그 현상이 일어났는지를 밝히는 것으로 원인을 찾는데 그 목적이 있습니다.
왜 주식이 과거에 10년 동안 상승했는지, 왜 20대의 매출이 왜 가장 높은지 또는 낮은지를 알아내는 것이죠.
Predictive analytics 는 어떤 일이 일어날 것인가를 예측하는 것입니다. 기업이 광고를 tv에 했을때, 또는 sns를 통해 했을때 또는 다른 매체에 했을 때 노출빈도가 어떻게 될 것인가를 예상할 수 있습니다.
Prescriptive analytics 는 어떻게 행동해야 할지를 결정하는 데 그 목적이 있습니다.
예측한 미래를 바탕으로 의사 결정을 어떤 방향으로 할지, 그리고 그 방향의 리스크는 어떻게 되는지를 파악하고 행동하는 데 그 목적이 있습니다.
https://www.youtube.com/watch?v=uHreL2WtkD8
<aside> <img src="/icons/arrow-left_gray.svg" alt="/icons/arrow-left_gray.svg" width="40px" /> 메인으로 돌아가기
</aside>
<aside> <img src="/icons/arrow-right_gray.svg" alt="/icons/arrow-right_gray.svg" width="40px" /> 데이터 커리어 스타터팩 보기
</aside>
© datarichard의 모든 콘텐츠는 저작권법의 보호를 받으며, 무단 전재 복사 배포 등을 금지합니다.