Skip to main content Link Menu Expand (external link) Document Search Copy Copied
DonsNote

제 1 강 - 데이터 사고와 기초

사전 질문

  1. 어떤 기능이 사용자에게 도움이 되는 지에 대해, 직관적 판단, 데이터 중심 판단 이 둘을 어떤 식으로 활용해야 할까요?
    • 유저 플로우를 바탕으로 중심이 되는 기능이 무엇인지 파악한다.
    • 유저가 가장 많이 사용하는 기능에 대한 로그를 분석한다.
    • 이 두가지를 분석하여 고객 행동에 문제(뎁스, 판단, 실행 등)가 없는지 확인한다.
  2. 데이터를 통해서 사용자의 행동을 분석할 때 알 수 있는것과 알 수 없는 것은 무엇일까요?
    • 고객이 사용하는 서비스의 기능중의 우선순위와 고객층을 데이터를 통해 알 수 있음
    • 사용중 고객이 느끼는 감정, 이해도(정말 이해해서 기능을 쓰고 있는지) 등을 알 수 없음.

데이터

프로덕트에서 데이터란 무엇인가?

데이터는 단순한 숫자가 아닌 사용자 행동과 경험의 흔적입니다. 프로덕트 관점에서 데이터는 고객이 남긴 디지털 발자국이며, 이를 통해 고객의 니즈와 문제점을 이해할 수 있습니다.

데이터의 역할:

  • 📊 의사결정의 근거: 직관이 아닌 증거 기반 결정
  • 🔍 문제 발견: 사용자가 어디서 이탈하는지 파악
  • 📈 성과 측정: 목표 달성 여부 확인
  • 🎯 가설 검증: 가정을 사실로 확인

정량적 데이터

정의: 숫자로 측정 가능한 객관적 데이터

특징:

  • 측정 가능하고 비교 가능
  • 통계적 분석 가능
  • 대규모 패턴 파악에 유리

예시:

- 일일 활성 사용자 수 (DAU): 10,000명
- 전환율: 3.5%
- 평균 세션 시간: 4분 30초
- 페이지 이탈률: 45%
- NPS 점수: 72점

수집 방법:

  • 웹/앱 분석 도구 (Google Analytics, Mixpanel, Amplitude)
  • A/B 테스트 결과
  • 서버 로그 분석
  • 설문조사 (리커트 척도)

정성적 데이터

정의: 숫자로 측정하기 어려운 맥락과 감정을 담은 데이터

특징:

  • 깊이 있는 인사이트 제공
  • “왜?”에 대한 답을 제공
  • 새로운 가설 발굴에 유리

예시:

- 사용자 인터뷰: "장바구니에 담았는데 결제가 너무 복잡해서 포기했어요"
- 고객 리뷰: "앱은 좋은데 알림이 너무 많아 불편해요"
- 사용성 테스트 관찰: 사용자가 메뉴를 찾느라 5초간 헤맴
- CS 문의 내용: "환불 절차가 어디 있는지 모르겠어요"

수집 방법:

  • 1:1 사용자 인터뷰
  • 사용성 테스트 (UT)
  • 포커스 그룹 인터뷰 (FGI)
  • 고객 지원 로그 분석
  • 소셜 미디어 모니터링

정량적 vs 정성적 데이터 비교

구분정량적 데이터정성적 데이터
질문“얼마나?” “몇 명?”“왜?” “어떻게?”
형태숫자, 통계텍스트, 관찰
분석통계적 분석테마 분석, 해석
장점객관성, 비교 가능깊이, 맥락 이해
단점“왜?”를 설명 못함주관적, 일반화 어려움
활용문제 규모 파악문제 원인 파악

최적의 접근:

정량적 데이터: "전환율이 30% 하락했다" (What)
         ↓
정성적 데이터: "새 UI가 혼란스러워서 포기했다" (Why)
         ↓
해결책 도출: UX 개선 → 재측정

질문 중심 접근법

좋은 데이터 분석은 좋은 질문에서 시작됩니다. 질문의 품질이 데이터 분석의 가치를 결정합니다.

약한 질문

특징:

  • 목적이 불명확
  • 실행 가능한 인사이트 도출 어려움
  • 모호하고 광범위함

예시:

❌ "우리 서비스는 잘 되고 있나요?"
   → 기준이 없음. "잘"의 정의가 모호

❌ "사용자들이 좋아하는 것 같나요?"
   → 측정 불가능. 감정적 표현

❌ "데이터 좀 분석해주세요"
   → 목적 불명확. 무엇을 알고 싶은지 모름

❌ "매출이 왜 떨어졌나요?"
   → 너무 광범위. 분석 방향 설정 어려움

문제점:

  • 분석 방향 설정 불가
  • 시간과 리소스 낭비
  • 실행으로 이어지지 않음

강한 질문

특징:

  • 구체적이고 측정 가능
  • 가설 기반
  • 실행 가능한 결과물 예상

예시:

✅ "지난 달 대비 결제 완료율이 왜 15% 하락했는가?"
   → 구체적인 지표와 기간 명시

✅ "신규 가입 후 7일 이내 재방문율이 30% 미만인 이유는?"
   → 측정 가능하고 명확한 기준

✅ "장바구니 이탈의 주요 원인 Top 3는 무엇인가?"
   → 우선순위화 가능

✅ "프리미엄 요금제로 전환하는 사용자의 특징은?"
   → 실행 가능한 세그먼트 발굴

강한 질문 만들기 SMART 기법:

S (Specific): 구체적인 대상과 범위
M (Measurable): 측정 가능한 지표
A (Actionable): 실행 가능한 결과물
R (Relevant): 비즈니스 목표와 연관
T (Time-bound): 기간 명시

변환 예시:

약한 질문: "사용자들이 앱을 잘 쓰고 있나요?"
         ↓
강한 질문: "지난 30일 기준, 주 3회 이상 앱을 사용하는
         Power User 비율이 목표 25%에 도달했는가?"

데이터의 사각지대 인식하기

데이터만으로는 모든 것을 알 수 없습니다. 좋은 PM은 데이터의 한계를 인식하고 이를 보완합니다.

1. 부재 데이터 (Missing Data)

정의: 수집되지 않거나 수집할 수 없는 데이터

예시:

- 앱을 설치했다가 바로 삭제한 사용자
- 회원가입 없이 이탈한 방문자
- 오프라인에서 발생한 행동
- 경쟁사로 이탈한 고객의 이유

보완 방법:

  • 익명 사용자 트래킹
  • 이탈 설문 (Exit Survey)
  • 경쟁사 리뷰 분석
  • 비사용자 인터뷰

2. 맥락 데이터 (Contextual Data)

정의: 행동의 배경과 상황에 대한 정보

예시:

데이터: 사용자가 오후 11시에 앱 사용 시간이 증가
맥락 부재: 왜 그 시간에 사용하는지 알 수 없음
실제 맥락:
  - 퇴근 후 여유 시간?
  - 불면증으로 깨어 있음?
  - 해외 출장 중 시차?

보완 방법:

  • 사용자 인터뷰로 맥락 파악
  • 추가 데이터 포인트 수집 (위치, 디바이스)
  • 사용자 저니 맵핑

3. 감정 데이터 (Emotional Data)

정의: 사용자의 감정 상태와 만족도

예시:

데이터: 사용자가 10분간 페이지에 머무름
가능한 해석:
  ✅ 콘텐츠에 몰입 → 만족
  ❌ 정보를 찾지 못해 헤맴 → 불만

데이터만으로는 구분 불가

보완 방법:

  • 마이크로 설문 (이모지 피드백)
  • 세션 리플레이 분석
  • 감정 분석 (Sentiment Analysis)
  • 직접 인터뷰

데이터 해석의 함정

데이터를 잘못 해석하면 잘못된 의사결정으로 이어집니다. PM은 다음 함정들을 경계해야 합니다.

1. 상관관계와 인과관계 혼동

정의: 두 변수가 함께 변한다고 해서 원인-결과 관계가 있는 것은 아님

예시:

상관관계: 아이스크림 판매량 ↑ = 익사 사고 ↑
인과관계?: 아이스크림이 익사를 유발? ❌
실제 원인: 여름(더운 날씨)이라는 공통 원인

프로덕트 예시:
상관관계: 앱 사용 시간 ↑ = 결제 ↑
잘못된 해석: 사용 시간을 늘리면 결제가 늘어날 것
실제: 결제 의향이 높은 사람이 사용 시간도 긴 것

검증 방법:

  • A/B 테스트로 인과관계 확인
  • 제3의 변수 통제
  • 시간적 선후관계 확인

2. 확증 편향 (Confirmation Bias)

정의: 자신의 가설을 확인하는 데이터만 선택적으로 해석

예시:

가설: "새 디자인이 더 좋다"
데이터:
  - 체류 시간 5% 증가 ✅ (채택)
  - 전환율 10% 감소 ❌ (무시)
  - 이탈률 8% 증가 ❌ (무시)

결론: "새 디자인이 효과적이다" → 잘못된 결론

방지 방법:

  • 반증 데이터 적극 탐색
  • Devil’s Advocate 지정
  • 사전에 성공/실패 기준 정의
  • 제3자 리뷰

3. 생존 편향 (Survivorship Bias)

정의: 살아남은 사례만 분석하고 실패 사례를 무시

예시:

잘못된 분석:
  "성공한 스타트업은 모두 피벗을 했다"
  → 피벗하면 성공한다?

간과된 사실:
  피벗 후 실패한 더 많은 스타트업은 분석에서 제외됨

프로덕트 예시:
  "충성 고객 인터뷰 결과, 모두 기능 A를 좋아함"
  → 기능 A 때문에 떠난 고객은 인터뷰 대상이 아님

방지 방법:

  • 이탈 고객 분석 병행
  • 전체 모집단 고려
  • 실패 사례 별도 분석

4. 평균의 오류 (Average Trap)

정의: 평균값이 실제 분포를 왜곡

예시:

평균 세션 시간: 5분

실제 분포:
  - 50% 사용자: 1분 미만 (바로 이탈)
  - 30% 사용자: 3분
  - 20% 사용자: 15분 (Power User)

평균 5분은 어떤 그룹도 대표하지 못함

방지 방법:

  • 중앙값, 분위수 함께 확인
  • 분포 그래프 시각화
  • 세그먼트별 분석

5. 과도한 패턴화 (Over-patterning)

정의: 우연한 변동을 의미 있는 패턴으로 해석

예시:

데이터: 지난 3일간 가입자 수 5% 증가
잘못된 해석: "성장 추세다! 마케팅 효과!"
실제: 자연적인 변동 범위 내 (통계적 유의미하지 않음)

방지 방법:

  • 통계적 유의성 검정
  • 충분한 샘플 크기 확보
  • 장기 추세와 비교
  • 노이즈 vs 시그널 구분

6. 측정 왜곡 (Measurement Distortion)

정의: 측정 방법 자체가 결과에 영향을 미침

예시:

측정: "이 기능이 유용합니까?" 설문
왜곡:
  - 사회적 바람직성 편향 (좋다고 답하는 경향)
  - 설문 문구가 긍정적 응답 유도

측정: 고객 만족도 조사 (구매 직후)
왜곡: 구매 직후는 긍정 감정 상태 → 실제보다 높은 점수

방지 방법:

  • 중립적 문항 설계
  • 행동 데이터와 교차 검증
  • 다양한 시점에서 측정
  • 블라인드 테스트

데이터 기반 접근의 단계

데이터 분석은 4단계로 발전하며, 각 단계마다 질문과 가치가 달라집니다.

복잡도 & 가치
    ↑
    │           ④ 처방적 분석
    │          /  "무엇을 해야 하는가?"
    │         /
    │        ③ 예측적 분석
    │       /  "무엇이 일어날 것인가?"
    │      /
    │     ② 진단적 분석
    │    /  "왜 일어났는가?"
    │   /
    │  ① 기술적 분석
    │ /  "무엇이 일어났는가?"
    └─────────────────────────→ 시간

기술적 분석 (Descriptive Analytics)

질문: “무엇이 일어났는가?” (What happened?)

목적: 과거와 현재 상태를 객관적으로 파악

예시:

- 지난 달 DAU: 50,000명
- 이번 주 전환율: 3.2%
- 오늘 신규 가입자: 500명
- 평균 세션 시간: 4분 30초

도구:

  • 대시보드 (Google Analytics, Tableau)
  • 리포트 자동화
  • KPI 모니터링

PM의 활용:

  • 현황 파악 및 보고
  • 이상 징후 감지
  • 벤치마크 설정

진단적 분석 (Diagnostic Analytics)

질문: “왜 일어났는가?” (Why did it happen?)

목적: 현상의 원인을 파악

예시:

현상: 결제 완료율 20% 하락
진단:
  - 결제 페이지 로딩 속도 3초 → 7초로 증가
  - 특정 결제 수단 오류율 상승
  - 새 UI에서 결제 버튼 위치 변경

방법:

  • 드릴다운 분석
  • 상관관계 분석
  • 세그먼트 비교
  • 퍼널 분석

PM의 활용:

  • 문제 원인 규명
  • 개선 포인트 발굴
  • 가설 수립

예측적 분석 (Predictive Analytics)

질문: “무엇이 일어날 것인가?” (What will happen?)

목적: 미래 트렌드와 행동 예측

예시:

- 이탈 예측: "이 사용자는 30일 내 이탈할 확률 85%"
- 수요 예측: "다음 달 예상 주문량 10,000건"
- LTV 예측: "이 고객의 예상 평생 가치 ₩150,000"
- 전환 예측: "이 사용자가 구매할 확률 40%"

방법:

  • 머신러닝 모델
  • 회귀 분석
  • 시계열 분석
  • 코호트 분석

PM의 활용:

  • 선제적 대응 (이탈 방지 캠페인)
  • 리소스 계획
  • 투자 의사결정

처방적 분석 (Prescriptive Analytics)

질문: “무엇을 해야 하는가?” (What should we do?)

목적: 최적의 행동 방안 제시

예시:

분석 결과:
  "이탈 위험 고객에게 20% 할인 쿠폰 발송 시,
   이탈률 35% 감소, 예상 수익 증가 ₩50M"

추천 행동:
  - 대상: 이탈 위험 점수 상위 20% 고객
  - 시점: 마지막 활동 후 7일차
  - 메시지: 개인화된 할인 제안
  - 채널: 푸시 알림 + 이메일

방법:

  • 최적화 알고리즘
  • 시뮬레이션
  • 의사결정 트리
  • A/B 테스트 자동화

PM의 활용:

  • 자동화된 의사결정
  • 개인화 추천
  • 실시간 최적화

데이터 기반 PM의 5가지 습관

1. 끊임없이 질문하기

핵심: 현상 뒤에 숨은 “왜?”를 지속적으로 탐구

실천 방법:

5 Whys 기법 활용:
1. 왜 전환율이 떨어졌나? → 결제 페이지 이탈 증가
2. 왜 결제 페이지에서 이탈하나? → 로딩이 느림
3. 왜 로딩이 느려졌나? → 새 이미지 추가로 용량 증가
4. 왜 이미지 최적화를 안 했나? → 프로세스 누락
5. 왜 프로세스가 누락됐나? → 체크리스트 부재

습관화:

  • 매일 1개 지표에 대해 “왜?” 질문
  • 데이터 리뷰 미팅에서 질문 목록 준비
  • 가정을 명시적으로 기록

2. 작은 실험으로 빠르게 학습하기

핵심: 큰 결정 전에 작은 실험으로 검증

실천 방법:

가설: "온보딩 튜토리얼 추가 시 리텐션 10% 상승"

작은 실험:
- 대상: 신규 가입자 1,000명 (전체의 5%)
- 기간: 2주
- 측정: 7일 리텐션

결과에 따라:
- 성공 → 전체 롤아웃
- 실패 → 빠른 피벗

습관화:

  • 모든 기능에 A/B 테스트 고려
  • 실험 백로그 관리
  • 실패한 실험도 문서화

3. 데이터와 사용자 공감 연결하기

핵심: 숫자 뒤에 있는 사람을 잊지 않기

실천 방법:

데이터: 이탈률 45%
숫자 해석: "거의 절반이 떠난다"
공감 연결: "100명 중 45명이 우리 서비스에서
           원하는 것을 찾지 못하고 실망해서 떠났다.
           그들은 어떤 기대를 갖고 왔을까?"

습관화:

  • 월 1회 이상 사용자 직접 인터뷰
  • 고객 지원 로그 정기 리뷰
  • 세션 리플레이 시청 (주 30분)
  • 데이터 리뷰 시 사용자 스토리 공유

4. 가설을 명시적으로 문서화하기

핵심: 암묵적 가정을 명확하게 기록

문서화 템플릿:

가설: [무엇이] [어떻게 되면] [결과가] 나타날 것이다

예시:
가설: 결제 버튼 색상을 빨간색으로 변경하면,
      클릭률이 10% 상승할 것이다.

배경: 현재 파란색 버튼이 배경과 대비가 약함
측정: 결제 버튼 CTR
성공 기준: 10% 이상 상승
실험 기간: 2주
예상 위험: 브랜드 일관성 저하

습관화:

  • 모든 실험 전 가설 문서 작성
  • 결과와 함께 가설 리뷰
  • 실패한 가설도 아카이빙

5. 결과를 겸손하게 해석하기

핵심: 데이터의 한계를 인정하고 과신하지 않기

겸손한 해석:

❌ 과신:
"데이터가 이렇게 말하니까 확실히 맞습니다"

✅ 겸손:
"현재 데이터에 따르면 이런 경향이 보입니다.
다만, 샘플 크기가 작고 계절적 요인을
고려하지 못한 한계가 있습니다."

실천 방법:

  • 항상 한계와 가정 명시
  • 신뢰 구간 함께 보고
  • 대안 가설 고려
  • “모른다”고 말할 용기

습관화:

  • 분석 보고 시 “한계” 섹션 필수 포함
  • 정기적으로 과거 결론 재검토
  • 반증 데이터 적극 탐색

과제

연구 과제

  1. 자신이 오랫동안 사용한 앱을 하나 고릅니다. 그 앱의 PM이 볼 수 있는 데이터(접속 시간, 클릭한 버튼, 체류 시간 등)를 5개 이상 나열해 보십시오. 그 데이터들만으로 “당신이 왜 그 앱을 계속 쓰는지” 설명이 되나요?
  2. 위 앱에서(아니면 새로운 앱에서) 메뉴나 카테고리의 구분을 하나 선택해 살펴봅니다. 이 카테고리 구성이 직관적이지 않다면, 나의 직관으로 재구성해보고, 이를 검증하기 위해 어떤 데이터를 분석해야하는지 생각해 봅니다.
  3. 자주 방문하는 쇼핑몰을 하나 선택해 “결제 페이지에서 60%가 이탈한다”는 데이터가 있다고 가정해봅니다. 이 수치를 개선하기 위해 어떤 제안을 할 수 있을까요? 이 제안이 타당하려면 추가로 어떤 정보가 필요한가요?

실전 과제

  1. 앱을 하나 설정해, 그 중 설정한 핵심 가설을 하나 선택해 이 문제에 대해 정성적, 정량적으로 충분히 검증되지 않은 부분에 대해 검토합니다.
  2. 이 가설을 뒷받침하기 위해 필요한 데이터 분석은 무엇인지에 대해 생각해 봅니다. 어떤 데이터가 필요하고 어떤 분석 접근이 필요한지에 대해 생각해 봅니다.
  3. 이를 바탕으로 이 가설을 검증하기 위한 구체적인 행동을 제안해 봅니다. 분석, 가설, 행동을 연결시켜 최종적으로 데이터 스토리텔링을 구성해 봅니다.

참고 자료

학습 자료 및 출처

서적

  • “Lean Analytics” - Alistair Croll, Benjamin Yoskovitz 데이터 기반 의사결정과 스타트업 지표 분석의 기본서

  • “Measure What Matters” - John Doerr OKR과 핵심 지표 설정에 대한 프레임워크

  • “Thinking, Fast and Slow” - Daniel Kahneman 인지 편향과 의사결정에 대한 심리학적 기반

  • “How to Measure Anything” - Douglas W. Hubbard 측정 불가능해 보이는 것들을 측정하는 방법론

  • “Storytelling with Data” - Cole Nussbaumer Knaflic 데이터 시각화와 스토리텔링

관련 강의 및 코스

실무 사례 참고

YouTube

커뮤니티

도구 및 프로토 타이핑

  • Google Analytics - 웹/앱 트래픽 분석 기본 도구
  • Amplitude - 제품 분석 및 사용자 행동 분석
  • Mixpanel - 이벤트 기반 사용자 분석
  • Hotjar - 세션 리플레이 및 히트맵
  • FullStory - 사용자 경험 분석
  • Tableau - 데이터 시각화 및 대시보드
  • Looker - BI 및 데이터 탐색
  • Mode Analytics - SQL 기반 데이터 분석 환경
  • Google BigQuery - 클라우드 데이터 웨어하우스
  • Pandas - Python 데이터 분석 라이브러리
  • Notion - 가설 문서화 및 실험 기록
  • Coda - 협업 문서 및 데이터 관리