폴인 The Edge Talk with 차현나팀장 (하이브 데이터랩)

폴인과 소나타가 공동으로 진행하는 The Edge Talk 중 내가 신청한 두번째 강연.

하이브의 데이터랩의 차현나 팀장이 이야기하는 '데이터의 힘, 컴포트존을 벗아나다'

 

소비자심리학박사, 스타벅스커피코리아1호 데이터 사이언티스트. 3권의 책의 저자 (데이터 읽기의 기술, 데이터 쓰기의 기술, 문과생 데이터 사이언티스트 되다.)

오프라인x온라인 데이터 보유한 회사들 경험 (스타벅스코리아, 하이브)

 

이제는 데이터를 봐야하는 시대. 데이터가 교양이 된 시대가 되었다. (마치 영어처럼)

데이터를 봐야하는 이유

- 기술의 발전

- 만물은 수(數)이다 : 피타고라스

→ 세상만사를 데이터화할 수 있게 되었다. 그리고 그 데이터를 처리할 수 있는 기술도 발전했다.

     (흘러가버리던 것들이 데이터화됨)

 

비전문가의 시대

- 빅데이터 전문가에게 필요한 역량 : 기술, 통계, 경험(인문, domain knowledge)

   기술과  통계를 사용해서 어떻게 해석할 것인가까지 되어야 함

- 이제는 기술과 통계를 가르쳐줄 수 있는게 나타남 (예: Chat GPT)

   따라서 어떤 질문을 하고 그 결과를 어떻게 해석할 것인가만 알 수 있다면 비전문가도 가능.

   "데이터를 분석하는 기술보다 제대로된 질문과 의사결정이 필요하다."

→ 일상을 아주 조금 다르게 바라보는 연습, 질문 습관이 필요하다 

 

데이터로 컴포트존 벗어나기

- 문장쪼개기 : 누군가의 말을 데이터의 관점으로 쪼개서 본다.

  의사결정자들의 이야기에 키워드가 숨어 있다. 예) "요즘 잘나가는 자동차는 뭐죠?"

  요즘 : 1일, 1주일, 1달, 1년? 

  자동차 : 제품군? 일반적으로 구매하는 승용차? SUV, 사람들이 생각하는 자동차의 범위? 

  잘나가는 : 특정기간 이전에 비해서 잘 팔리는? 판매 금액이 많은 것? 검색량이 많은 것?

  문장 안에서 데이터로 환산할 수 있는 것들을 대입해 보는 것

- 데이터를 찾아보기 (가용한 데이터들)

- 분석하기 : 데이터 비전문가들은 선논리(결론이 아니라 명제 수준으로)-후분석이 더 쉽다.

  예상 질문을 구성하고 그에 대한 대답을 시뮬레이션해본다. (다른 기간 기준은? 타국가와의 비교는?...)

 

페인 포인트 개선하기 : 관습적인 컴포트존을 벗어나 편리함을 줄 수 있는 방법

- 사람에 따라 컴포트 존은 다르다. 관습보다 더 나은 길이 있는지 생각해보자.

- 스타벅스 사례

  예) 고객과 파트너의 페인 포인트를 찾고 서비스 개선으로 옮긴 케이스

   드라이브 스루 구매 시 결제할 때 시간이 오래 걸림 → 차번호판 인식하는 순간 멤버십 확인 가능하게 하여 

   My DT PASS 라는 것 만듦 (전세계 최초)

 

새로운 곳을 다니면서 공통점/차이점 찾기

- 이 매장은 현지인이 많을까? 관광객이 많을까?

- 내가 가본 카페랑 차이가 있네? 이건 비슷하네?

- 내가 사고 싶은 것/내 눈엔 별로인데 외국인이 좋아하는 것

예) 매장, 제품, 결제수단 등을 바탕으로 데이터 기반의 최적화 의사결정

      매장 내 한국에서만 파는 굿즈를 별도 존으로 구성,

      공항의 스타벅스매장은 의외로 내국인이 많이 사용 (해외지인에게 선물로 구매 가능, 전통적인 느낌의

      굿즈 전시 및 구매 유도 위한 캐리어 스티커 선물)

 

마무리.

일상에서 마주하는 현상을 데이터 관점에서 생각해보기

데이터로 내 생각을 촘촘하게 만들기

지금보다 나은 방법을 찾아 컴포트 존에서 벗어나기

 

시장을 이해하는 데이터가 세상을 바꾼다.

나의 컴포트 존을 규정해 볼 것

 

Q&A

Q. 데이터를 보다보면 변화나 내용들은 알 수 있지만 '왜'에 대한 부분은 깊게 파악하기 어려운데 어떻게 접근하면 좋을까?

A. (매출이 올라간날들의) 공통적인 원인을 발견하기 위해 노력, 데이터를 바라보는 여러사람의 의견을 종합해서 보는 것도 좋지만 FGD나 서베이를 통해 why를 추정 (데이터로 팩트를 정의하고 서베이로 Why를 확인)

 

Q. 마케팅 데이터 실습의 방법

A. 문장쪼개기, 기획한 것과 가장 유사했던 과거 프로젝트의 데이터 확보해서 기획.

데이터가 없다면 포털데이터 등 다른 사례들을 찾아서 data driven 보다는 data informed 방식으로 접근

 

Q. AI시대의 데이터 분석

A. 데이터 코딩 자체보다, 질문하고 해석하는데 집중하는 것을 권장 (관점을 기르는 노력 필요)

 

Q. 정성적, 직감으로 의사결정 하려는 의사결정자를 설득하는 방법

A. 데이터를 통해 감을 확신시켜 주는 것도 좋은 방법 (무조건 반박 보다는 맞는 걸 확인시켜주면서 데이터가

보여주는 다른 부분들도 제안 - 코끼리 그림)

 

Q. 커리어 비결 (하이브 이직 배경)

A. 내가 좋아하는 회사라서 (이해도가 높기 때문에 해석에 유리), 음악산업에 대한 데이터가 얼마나 있을까

    고민이었지만 하이브는 플랫폼도 있고 챠트 데이터도 있어서 하이브는 데이터가 많을 거라고 생각

 

Q. 데이터 필터링 (필터링은 기술적인 영역인지 경험적인 영역인지)

A. 두가지 다 적용. 완벽한 아웃라이어는 기술적으로 제거가 가능하나, 배경을 알아야만 제거가 가능한 것도 많음

    이 경우에는 현업부서와 확인하고 논의한 후에 필터링 하는 것이 좋음

 

Q. 예상과 달리 실패했을 때 어떻게 회고하는지

A. 예측하고 맞추는데 집중하기 보다는 왜 틀렸는지를 파악하는 것이 중요함. 이를 통해 range를 좁히는 것 

 

Q. 가설과 완전히 다른 why를 발견냈던 경험?

A. 샷추가는 졸려서 but 맛을 변하게 하지 않으려는 목적이 큼 (아이스 음료) → 졸려서면 카페인 강한 음료,

    후자면 보냉용기 등 얼음이 빨리 녹지 않게 (Why에 따라 대응이 달라짐)

 

Q. 좋아하는 것과 필요로하는 것중 어떤 것을 더 구매할까?

A. 데이터로 규명하는게 의미가 있음 (안샀다면 좋아하는데 안 필요한 건지, 필요한데 좋아하지 않아서인지..)

 

Q. 평소 많이 보는 콘텐츠

A. 자연, 강아지, 산책... (업무와 반대되는 것)

 

Q. 본인의 커리어에서 엣지가 만들어진 순간

A. 개인적인 성향과 좋은 멘토가 만났을 때. 경영진의 의사결정 서포트를