데이터로 대화하는 법

관점에 영향

1. 분석하는 사람의 경험

유사한 경험 多 좋은 관점 설계 확률 상승

2. 문제에 대한 강력한 이해

정확한 문제 상황 이해 -> 뚜렷해지는 목적 -> 좋은 관점 설계

3. 데이터 자체

반복해서 데이터 분석 -> 새로운 패턴 발견 -> 또 다른 관점 설계

 

데이터 과학자는 숫자가 아닌 관점을 다루는 사람이어야 한다

 

고객의 고통을 직접 듣고 있기 때문에 초 개인화된 금융상품을 만들기 위해서는 어떤 관점을 가지고 있는지가 중요

직관 (경험) + 손님 문제 이해 + 데이터 분석

 

같은 데이터를 보고 다르게 답하는 이유는 '관점'이 다르기 때문

 

제목달기

어떤 데이터로 / 어떤 분석 컨셉으로 / 어떤 결과를 도출항 / 어떤 가치를 추구할 것

 

 

데이터 기획

'좋은 관점과 설계' = 'key chart 그리기' + 제목 달기

 

1. 분석 목적 설정

-> conversion from business question to analytical questions

하나의 문제인 business question에서 다수의 analyatical questions으로 전환시켜야한다

chat gpt에는 없는 사람이 만들어야 하는 질문

ex) 경기 순번이 결과와 관계 있는지를 살펴봐라

-> 데이터 mapping

분석 질문을 정리해나가기

 

데이터분석은 개념과 수치를 연결하는 작업

데이터의 자격을 검증하는 절차가 필요

ex) D1이 순번이라는 개념을 대표할 자격이 있을까? -> 애초부터 주최측이 순서를 실력 순으로 선정했다면?

 

데이터분석은 결국에는 '설득'

분석에 필요한 개념을 만들고

개념을 수치형 데이터로 만들어

분석을 끌고 나가는 힘이 필요함

 

질문에 청크 구성 > 청크를 통해 스토리라인 구성 > 상대방을 설득

 

분석이 끝나는 건 상대방의 질문이 끝났을 때

 

자신이 선택한 질문과 분석 기법의 격차를 이해해야 한다 (질문 설계 능력이 중요함)

분석 기법만 학습하는 것보다 질문을 구성하는 능력을 키우는 것이 중요함

문제 상황을 어떻게 파악하는가에 따라 분석의 스토리라인에 영향을 미침

 

분석의 목표는

상대방의 궁금증을 미리 예측하고 이해하여 설득하는 과정 자체를 스토리라인으로 구현하는 것

분석에서 스토리텔링은 필수이다

#언어영역 #설득이다 #합의이다 #조직력이다 #동료의비판적질문중요

 

대부분의 사람들은 값의 의미를 보고 의사결정을 내림

 

숫자를 볼 때 어떻게 나온 숫자이고, 어떤 맥락에 존재하는 숫자인지 파악하는 능력이 필요함

빅데이터화 될 수록 데이터 값을 직접적으로 이해할 수 있는 기회가 줄어듦

-> 점검 포인트가 많아짐

 

'데이터 분석의 함정'

 

분석에 들어가기 전에 '의심'을 해야 함

데이터 스펙트럼이 넓을 수록 데이터 사이의 관계를 더 잘 잡을 수 있음

 

생존편향

(갖고 있는 데이터가 일부분임에도 불구하고 전체 현상을 대변하여 확대 해석하는 경우)

주의 필요

 

좋은 분석가가 되기 위해서는 많은 보고서를 접해야 한다

-> 많은 함정사례들을 통해 조예를 기르는 것이 더 중요

편향에 대해 정리된 자료를 보고 각 단계별로 주의해야 하는 것을 파악해야 함

 

전문가와 실무자의 협업

분석 기법에 대한 고민  > 더 깊은 대화 가능 > 정확도 상승 with chat gpt

분석 주제를 정하는 능력이 중요함

분석기법 선구안이 중요

 

5가지 분석 기법

타 분석 기법은 상관관계에 기반하지만 인과는 원인과 결과에 기반함

기법 자체에 대한 깊은 이해보다 상황을 이해하는 능력이 더 중요

 

상황에 대한 이해

고객의 니즈 파악

어떤 데이터로 어떤 질문을 던질 지 고민