1. Data-Driven = Envidence-Based
“디자인적 문제 해결 과정에서 필요한 의사결정의 모든 과정에 도움이 될 수 있는 데이터, 즉 근거를 중심으로 하는 접근”
1.1 DDUX = 사용자 니즈의 정량적 세분화
기존의 UX/UCD 접근의 한계를 극복하기 위해서는 고객의 니즈 자체를 세분화하고 그에 영향을 주는 내/외부 변인들에 대한 정량적 분석 및 활용이 필요
1.2 Data Scince 분야의 흐름
내가 가지고 있는 정보를 바탕으로 최적화된 결정을 하는 프로세스
- 서술적 (Descriptive) “무슨 일이 있나?” #반추
- 진단적 (Diagnostic) “왜 이런 일이 발생했는가?” #통찰
- 예측적 (Predictive) “무슨 일이 벌어질까?” #통찰
- 규범적 (Prescriptive) “어떻게 실현시킬 수 있을까?” #예측
1.3 데이터 드리븐의 일반적인 프로세스
크게 5가지의 각 단계마다 필요한 데이터를 쓰는 것 = 데이터 드리븐 디자인
목표를 설정하고, 기회와 문제 영역을 파악하고, 그거와 관련된 가설을 설정해서 그 가설을 테스트하고 결과를 도출해 내는.
1.4 가설 설정의 필수적 요소
- 평가할 사용자 그룹 (사용자 그룹)
- 우리가 만들고 있는 변화 (변화)
- 우리가 예상하는 결과 (효과)
- 우리가 그 결과가 일어날 것이라고 생각하는 이유 (이유)
- 그리고 마지막으로 우리가 관찰할 것으로 기대하는 측정 가능한 결과 (측정)
가설 설정은 결국 사용자 집단을 자세하게 나눠서 설정하고, 우리가 원하고자 하는 변화의 방향성이라든지 변화의 양태가 가설에 포함되어야 한다. 그다음에 우리가 믿고 있는 부분인 그래서 우리가 어떤 변화(effect)를 줄 수 있는지에 대한 잠재적인 결과 내용이 가설에 담겨야 한다
1.5 잘 설정된 가설
가설은 결국 어떤 원인과 결과의 관계성에 대한 부분을 다루고 있다면, 이 링킹을 하는 논리는 단순히 데이터로 백업되기 전에
‘사회과학적, 심리학적 배경과 원인이 ~~ 한 결과를 만들어 낼 것이다’라는 관계성에 대한 합리적인 백업이 이론적으로 갖춰진 가설
2. User Experince (UX)와 Data-Driven UX (DDUX)
2.1 Data-Driven UX의 중요성
2.2 UX 프로세스
- 주관적인 사적 경험을 어떻게 객관화하고 정량화해서 인사이트를 도출해 내는가
2.3 포지셔닝맵
Design Practice와 Design Research가 어떻게 포지셔닝이 되고 있는지에 대한 연구자들이 제안한 시각적 자료
3. DDUX 활용
3.1 개인 : Data Scientist
“Data Scientist는 복잡한 비즈니스 문제를 모델링하고, 인사이트를 도출하며, 통계학, 알고리즘, 데이터 마이닝 그리고 시각화 기법등을 통해 그 속에서 기회를 찾아내는 사람이다. 그리고 이와 같은 고급분석 기술에 더해, 용량이 크고 다양한 유형의 Dataset을 다루는데 능숙하고, 특정한 목적 혹은 컴퓨팅 환경의 데이터베이스 아키텍처를 수립할 수 있으며, 분석 결과를 이해 관계자들과 커뮤니케이션할 수 있어야 한다. 하지만 비즈 니스 문제를 모델링하고 Data를 이해하는데 도움이 되는 특정 산업 영역에 대한 지식이 반드시 필요한 것은 아니다. – The GartnerGroup”
각 직군별로 명확한 구분이 어렵지만, 일반적으로 데이터 사이언티스트, 데이터 엔지니어, 데이터 애널리스트 3가지의 하위 직군으로 나뉜다.
3.2 팀(조직) 구성 및 프로세스
4. DDUX 시작하기
목적에 따라 유연해져라. DDUX는 세상에 없는 완벽한 데이터를 활용하는 것이 아닌 상황에 맞게 적응하는 것
4.1 DDUX를 고려하는 단계
- 어떤 데이터를 써야 하지?
- 데이터를 어떻게 모아야 하지?
흔히 발생하는 오류중의 하나는 바로 적합한 프로젝트의 설계 없이, 데이터 수집을 먼저 걱정하는 것이다.
일단 프로젝트 전반의 계획 수립 / 문제 정의를 통한 관심 가설을 확정해야 한다.
4.2 Data의 신뢰도와 타당도
- 데이터가 있기는 한데, 신뢰도나 타당도가 의심스러워요
신뢰도 (Reliability) | 타당도 (Validity) |
측정 및 수집에 의한 데이터가 얼마나 일정하게 산출되는지를 의미 | 실제 수집 및 측정하고자 하는 개념을 정확하게 측정하는지를 의미 |
|
|
신뢰도는 과녁에 잘 모여있는 정도를 의미 | 타당도는 과녁의 중앙에 집중된 정도를 의미 |
- 실무적인 관점에서는 신뢰도보다는 타당도가 조금 더 중요할 수 있다
- 정확한 데이터를 수집한다 하더라도, 잘못된 방향성을 가진 데이터수집은 의미자체가 없을 수 있기 때문
4.3 내적 타당도와 외적 타당도
5. DDUX 진행 중 문제점
데이터 관련 프로젝트를 계획하고 수행하는 과정에서 아마도 많이 경험하는 상황 중의 하나는,
기존에 내부에 쌓아둔 혹은 자연발생적으로 쌓이고 있는 데이터들도 있다는 점
내부 자원의 효율적인 차원에서 의사결정권자들은
- 우리가 기존에 잘 쌓아둔 데이터를 활용할 방법은 없는지
- 혹은 더 극단적으로는 이미 있는 데이터부터 활용해 보라는 제안을 하게 될 것
5.1 데이터 연결성 및 통합성 이슈의 원인
- 동시 다발적인 정보시스템 개발
- 최근의 정보시스템 개발 프로젝트는 시스템 간 상호 연관성이 증대되어 단위 시스템 위주의 개발보다는 관련정보시스템을 동시에 개발하는 경향이 뚜렷하다. 이러한 개발 환경 하에서 전사적인 데이터 표준 정책 없이 단위 시스템 위주로 표준 정책을 수립하여 단위 시스템의 업무 기능 구현에 초점을 맞추어 개발 프로젝트가 진행되었다.
- 전사 데이터 관리 마인드 미형성
- 데이터에 관리 주체가 단위 시스템의 개발자, 운영자 중심으로 이루어져 있어 단위 업무 지원에 초점을 맞추고 있다. 최근의 정보화 요건들은 단위 시스템의 데이터뿐만 아니라 여러 시스템의 데이터를 복합적으로 활용하는 경우가 많으므로 전사 데이터를 체계적으로 관리하고자 하는 마인드 형성이 필요하다.
- 전사 데이터 관리 인력 부재
- 정보시스템 개발 단계에서는 개발 수행사의 품질 관리 조직을 통해 표준에 대한 관리가 이루어진다. 유지 보수 단계에서는 개발 단계에서 수립된 표준과 표준 준수 관리에 대한 역할을 맡은 전문적인 데이터 관리 인력을 활용치 않고 개별 유지 보수 인력들에 의존한다.
- 전사 데이터 표준 관리 도구 부재
- 데이터 표준 관리에는 데이터 표준, 데이터 표준 준수 체크, 데이터 표준 조회 및 활용 등 많은 자동화된 시스템의 지원을 필요로 한다. 정보시스템 개발 시에는 수작업으로 데이터 표준의 적용, 준수 체크 등을 수행하였지만 운영 단계에서 수작업에 가까운 표준 관리 방법은 많은 애로사항이 존재한다.
5.2 데이터 표준화
5.3 Data Driven Project 자가 진단 시나리오
6. Data Driven관련 책 추천
'Study > 프로덕트 매니지먼트' 카테고리의 다른 글
Data Driven - (2) 데이터 드리븐과 더블 다이아몬드 프로세스 (0) | 2024.05.22 |
---|---|
PMF 검증 방법 + 지표 AARRR & OMTM에 대하여 | PM 강의 (0) | 2024.04.23 |
API란 무엇인가 + 활용할 수 있는 오픈 API 목록 | PM 강의 (0) | 2024.04.16 |
정성적 목표(Objective)와 정량적 목표(Goal) | PM 강의 (0) | 2024.03.27 |
목적와 목표의 정의에 대하여 | PM 강의 (0) | 2024.03.26 |