[아티클] 데이터 리터러시를 올리는 방법

요약

• 이 아티클은...
  조직 내 데이터 리터러시를 높이는 방법은 단순히 데이터를 많이 공유하는 것이 아니라,
• 문제를 정의하고 해결하기 위한 데이터 활용 능력을 조직 전체에 확산시키는 것이라 말하고 있다.
  화해 팀의 사례를 중심으로,데이터를 통해 문제를 정의하고 → 실험으로 검증하며 → 결과를 실행으로 연결하는
  조직 차원의 데이터 활용 문화를 어떻게 구축했는지 그 과정과 전략을 설명한다.

 

주요포인트

1. 데이터 리터러시란? Data Literacy.
   데이터를 활용해 문제를 해결하는 능력, 단순한 수치 이해를 넘어
   데이터 해석 → 문제 해결 → 의사결정까지 포함하는 역량이다.
   
   
2. 단순 데이터의 나열은 무의미 하다.
   아무리 많은 데이터와 대시보드를 제공해도 문제 정의가 없으면 데이터 리터러시는 향상되지 않는다.
   
   핵심은 무엇이 문제인지 정의하고 그 문제를 해결하기 위한 분석 흐름을 설계하는 것이다.
   
   
3. 데이터/실험 기반 사고방식의 도입 문제 해결을 위해서는
   가설 설정 → 실험 설계 → 지표 검증 → 행동으로 연결되는 데이터/실험 기반의 체계적인 프로세스가 필요하다.
   이는 감이나 경험이 아닌, 검증 가능한 방식으로 의사결정을 가능하게 한다.
   
   
4. 직관적 데이터 이해 환경 구축(시각화 과정) 분석가가 없어도  구성원 스스로 데이터를 탐색할 수 있도록 - 데이터맵 - 대시보드 등을 활용해 직관적인 데이터 접근 환경을 제공해야 한다.
   
   
5. 분석가의 역할 재정의 분석가는 단순히 리포트를 만드는 사람이 아니라,
   문제 정의 → 분석 → 해결 방안 제안 → 실행까지 이어지도록 돕는 촉매자 역할을 수행해야 한다.

 

핵심개념

• 데이터 리터러시(Data Literacy):
  데이터를 기반으로 문제를 이해·해결·의사결정에 활용할 수 있는 능력
  
  
• 데이터/실험 기반 사고방식:
  문제 해결을 위해 가설 설정 → 실험 → 검증 → 결과 분석의 흐름을 기반으로 업무를 진행하는 사고 체계.
  
  
• 데이터맵(Data Map):
  데이터 사이의 관계를 시각화한 지도 형태 자료로, 데이터 종속 관계 및 영향 관계를 이해하는 데 사용. 
  
  
• 데이터 대시보드(Dashboard):
  주요 KPI 및 지표를 시각화한 도구로, 실시간 성과 모니터링 및 문제 지점을 파악하는 데 도움.

 

용어정리

• KPI(핵심성과지표)
  개인, 팀, 또는 조직이 핵심 목표를 얼마나 잘 달성하고 있는지 측정하기 위해 사용되는 구체적이고 정량적인 지표
  
  
• 데이터 웨어하우스(Data Warehouse)
  분석 목적의 데이터를 저장·관리하는 중앙 시스템.
  
  
• 데이터 레이크(Data Lake)
  구조화/비구조화 데이터를 원본 그대로 저장하는 시스템. 
  
  
• 데이터 카탈로그(Data Catalog)
  조직 내 데이터 자원 목록 및 메타데이터를 체계화한 정보 저장소.

 

실무적용사례

가상 시나리오 구성

현재 상황

– 신상품 구매율이 낮음

– 구매 행동 패턴이 명확히 파악되지 않음

 

1. 문제정의

- 왜 소비자들이 신상품을 구매해주지 않는가?

 

데이터리터러시가 낮을 경우…

- 소비자들이 신상품을 안 좋아한다.

- 가격이 비싸다.

→  인과관계가 명확하지 않은 질문과 답을 제시

→ 결과적으로 검증이 불가하고 데이터로 답을 낼수 없는 질문만 쇄도

 

데이터리터러시가 높을 경우

- 신상품페이지의 클릭률 혹은 노출률은 얼마나 되나?

- 홈페이지에서 신상품 페이지로 진입 이후 구매 전환율이 타 상품 대비 낮은가?

→ 문제를 세분화한다.

→ 문제를 측정 가능한 질문으로 재정의 한다.

 

3. 실험의 설계

데이터리터러시가 낮을 경우

- 신상품의 구성을 바꿔보자

- 할인을 하자

→ 데이터 기반 판단이 아닌 도박에 가까운 결정

→ 무엇이 달라졌는지 알 수 없음

 

데이터리터러시가 높을 경우

- 가설의 수립

- 홈페이지에서의 신상품이 노출이 잘 되고 있지 않다.

- 삼품페이지 정보 부족이 신상품의 구매율을 낮춘다

- 실험설계

- A안: 기존 상세페이지
- B안: 

- 홈페이지 배너에 신상품 추가

- 후기 추가 및 강조

- 성공 지표 명확화

→ 어떤 데이터가 기존 상품 대비 좋아야 하는지 결정

예시) 구매 전환율, 체류 시간, 장바구니 추가율

 

4. 데이터맵 구축

데이터리터러시가 낮을 경우

- 지표들이 서로 어떻게 연관되는지 모름

- 단순 하나의 데이터만으로 판단함

→ 데이터를 나열하는데 그친다.

 

데이터 리터러시가 높을 경우

- 사용자 행동 흐름을 데이터맵으로 정리하고 단계별로 나눠 책임 지표와 부서를 연결

- 단계별로 나눴기에 어떤 부분에서 문제가 있는 제대로 판단이 가능해짐

 

5. 결과 시각화민 해결방안 제시

데이터리터러시가 낮을 경우

- 수치 나열 중심

- 정확한 해결방안의 제시가 아님

→ 결국 뭘 해야 하는지 정해지지 않았기 때문에 바뀌는게 없음.

 

데이터 리터러시가 높을 경우

- 신상품 상세페이지 이탈 구간 강조

- 실험 전/후 비교 시각화

- 명확한 해결책 제시

- 홈페이지 및 상세페이지 개선

 

총정리

데이터 리터러시가 낮으면

→ 문제정의 과정에서부터 오류가 발생

데이터 리터러시가 높으면
→ 문제를 정의하고 실험으로 검증하며 문제를 해결

 

[인사이트]

데이터 리터러시는 ‘데이터를 볼 수 있는 능력’이 아닌, 문제를 정의하고 검증 가능한 방식으로 해결하는 사고 체계로 보게되었다. 도구나 데이터 양을 해결한다해 데이터 리터러시가 향상되는것이 아닌 조직 전반에 데이터 기반 문제 해결 흐름을 정착시켜야 한다.

 

[출처]

https://yozm.wishket.com/magazine/detail/1632/

데이터 리터러시(Data Literacy)를 올리는 방법 | 요즘IT