빅데이터 활용에 대한 관심과 더불어 데이터의 중요성을 인지하는 사회의 분위기가 확대됩니다. 데이터 없이는 생존이 불가능한 시대로 접어든다고 해도 과언이 아닐 텐데요. 공공, 민간의 다양한 분야에서 데이터를 활용해 가치를 창출해내기 위한 여러 시도를 하는 것만 봐도 이를 알 수 있습니다.
데이터의 중요성이 확대되고 이를 활용하기 위한 시도가 증가하는 시대에, 우리가 알아야 할 것은 무엇일까요? 정보 포화의 상태에서 정보를 선별해 수용하기 위한 정보 검색 능력이 기본 역량으로 이야기되었던 것처럼, 빅데이터의 시대에 우리가 갖춰야 할 필수 역량은 무엇인지 알아보도록 하겠습니다.
선택이 아닌 기본 역량, 데이터 리터러시
빅데이터 시대에 갖춰야 할 역량을 바탕으로 영업 이익률(gross margin) 57%라는 높은 기록을 달성한 기업이 있습니다. 바로 패스트패션의 선두를 이끄는 글로벌 브랜드 자라(Zara)입니다.
자라는 1년을 15개 시즌으로 나누어 제품을 디자인하고, 완성된 제품은 단 4시간 안에 재단, 포장, 출하의 과정을 거쳐 전 세계 2,200개 매장으로 직송합니다. 빠른 속도로 제품을 생산 및 관리하는데도 신제품 실패율이 1% 미만이라는 놀라운 기록이 있습니다.
경쟁사의 실패율이 17~20%에 달하는 것에 비하면 매우 낮은 수준입니다. 자라가 이처럼 놀라운 실적을 기록할 수 있었던 배경에 빅데이터 시대에 누구에게나 필요한 역량, 데이터 리터러시라 불리는 데이터 활용 역량이 있습니다.
우리에겐 고객과 시장에서 얻은 데이터가 있고 이를 기반으로 고객이 흥미를 느낄 패션 아이템을 제공할 뿐이다.
- 자라의 모회사 인디텍스 회장 파블로 아일라(Pablo Isla)
유행에 민감한 패션 사업에 있어서 재고 관리는 매우 중요한 이슈입니다. 자라는 재고 관리를 위해 판매 데이터를 활용하되 소비자의 관점에서 이를 분석하고 활용합니다. 그 예로 판매 데이터를 수집할 때 상품 단위뿐 아니라 제품 특성별로 데이터를 수집하는 것을 들 수 있습니다. 제품 특성별로 수집한 판매 데이터의 분석 결과는 매장별로 정확한 수요를 예측해 매장을 찾는 소비자의 특성에 적합한 제품을 적정량으로 공급하는 데 활용됩니다.
자라는 이와 같은 데이터를 매일 분석하고 거의 실시간으로 디자인, 주문, 생산에 반영한다고 합니다. 기존 패션 업체들이 스타 디자이너와 브랜드 충성도에 의존해 ‘흥행 사업’을 하던 것과 달리 데이터 기반으로 고객 맞춤, 스피드, 가성비에 따른 공급망 사업으로 접근했다는 점에서 데이터를 활용하는 능력으로 업의 본질을 재정의했다는 평을 받기도 합니다.
자라의 데이터 활용 사례를 통해 우리가 생각해봐야 할 지점은 바로 데이터를 ‘어떻게’ 활용할 것이냐에 대한 관점을 가져야 한다는 것입니다. 그리고 여기에 데이터 읽어내는 능력, 데이터 리터러시에 대한 이해가 밑바탕 되어야 합니다. 방대한 양의 데이터를 보유했다고 해서 데이터를 잘 활용한다고 이야기할 수 없습니다. 또한 데이터를 활용한다는 이야기가 곧 데이터로 충분한 가치를 만들어낸다는 의미도 아닙니다. 그렇다면, 지금 우리에게 필요한 역량, 데이터 리터러시는 무엇일까요?
데이터의 가치를 발굴하는 역량, 데이터 리터러시
데이터 리터러시(Data Literacy)는 데이터를 목적에 맞게 활용하는 데이터 해석 능력을 말합니다. 여기서 이야기하는 데이터의 범위는 고도의 처리 기술을 요하는 빅데이터뿐만 아니라, 단순 수치나 통계자료도 포함합니다. 따라서 ‘데이터 리터러시’는 데이터와 관련된 일을 하는 전문 영역의 사람들에게만 필요한 것이 아니라 데이터 활용이 증가하는 이 시대 우리 모두에게 요구되는 역량이라고 할 수 있습니다.
데이터 리터러시는 데이터를 기술적으로 다루는 것에서부터 데이터에 숨겨진 의미 있는 인사이트를 도출해내는 등 데이터 활용 과정 전반에 필요로 하는 역량을 의미합니다. 이를 크게 5가지로 나누어 이야기할 수 있습니다.
- 데이터 수집 역량은 필요한 데이터를 빠른 시간 내에 검색, 선별해 확보할 능력입니다.
- 데이터 관리 역량은 데이터를 분석이 가능한 형태로 구조화, 정제하는 것을 말합니다.
- 데이터 가공 및 분석 역량은 데이터를 목적에 맞는 분석 방법을 사용해 의미 있는 결과를 도출하는 능력이며,
- 데이터 시각화 역량은 데이터를 다른 사람이 이해할 수 있도록 그래프, 차트 등의 시각화 형태로 표현하는 것입니다.
- 데이터 기획 역량은 전반적인 데이터 간의 관계를 이해하고 데이터 활용을 위한 계획을 세우는 능력입니다.
이 중 데이터 수집, 관리, 분석 등 기술적인 역량이 요구되는 부분은 이미 많은 분이 인지하셨으리라 생각합니다. 반면 데이터 기획과 같이 데이터 활용 계획을 세우고 의미를 발굴해낼 줄 아는 역량에 대해서는 다소 이해가 부족하지 않나 싶습니다. 데이터 활용에 있어서도 어떤 툴을 얼마나 잘 다루냐의 문제보다도 데이터로 문제를 바라보고, 데이터에서 의미 맥락을 발견할 줄 아는 관점과 능력이 중요함을 강조하고 싶습니다.
일상생활 속 데이터 리터러시
그렇다면 우리는 어디에서 데이터 리터러시를 경험할 수 있을까요? 데이터 리터러시 역량을 기르고 발휘하는 경우는 언제일까요? 데이터 리터러시의 여러 하위 역량 중에서도 ‘데이터에서 의미를 읽어내는’ 역량에 대해서 이야기해보고자 합니다.
1. 통계 데이터를 접할 때 필요한 통계 리터러시
우리는 일상에서 통계 자료가 인용된 뉴스 기사나 보고서를 통해 데이터를 자주 접합니다. 수치를 근거로 말하면 더 객관적이고 신뢰를 줘 데이터는 자주 인용됩니다. 다만 이 과정에서 우리가 유의해야 할 점은 데이터 해석 시 데이터의 측정 배경, 방법, 기준 등을 고려해야 한다는 것입니다. 우리가 접하는 통계 데이터는 그 자체로 사실을 의미하는 게 아니라 어떤 현상을 반영하고 이해하도록 도와주는 자료일 뿐이기 때문입니다.
단편적인 예로 우리나라 실업률을 이야기할 수 있습니다. 이것은 정부의 실업률 발표가 현실적이지 않다는 의견이 제기되는 것과도 연관이 있습니다. 통계청이 밝힌 2017년 12월 기준 우리나라의 실업률은 3.3%지만 체감 실업률과 가장 가까운 고용보조지표 3은 10.9%입니다. 이렇게 두 지표의 수치가 3배 정도 차이 나는 이유는 지표별 측정 기준이 다르기 때문입니다.
정부에서 공표하는 실업률은 경제활동 인구 중 실업자의 비율로 측정합니다. 여기서 실업자는 ‘조사 대상 주간에 수입 있는 일을 하지 않았고, 지난 4주간 일자리를 찾아 적극적으로 구직활동을 했던 사람’입니다. 즉, 수입이 있거나 구직 활동을 안 하면 실업률 계산에서 제외됩니다. 예를 들어 보겠습니다.
취업 준비생이 용돈 벌이로 아르바이트를 해 수입이 있을 경우 취업자(시간 관련 추가 취업 가능자)로 분류됩니다. 또한 고시생과 같이 취업을 위해 공부를 하는 사람은 구직활동을 포기한 사람으로 간주해 비경제활동인구(잠재 경제활동인구)로 집계됩니다. 반면 체감 실업률이라고 알려진 고용보조지표 3은 위와 같은 실업률의 측정 한계를 보완합니다. 고용보조지표 3은 경제활동인구와 잠재 경제활동 인구 중에서 실업자, 시간 관련 추가 취업 가능자, 잠재 경제활동인구 (위 이미지상 주황색 음영 부분)의 비율로 계산합니다.
데이터 리터러시는 단순히 ‘통계적 읽고 쓰기’에 국한되지 않고 ‘데이터에 대한 지식을 소비하고 조리 있게 생산하고 비판적으로 생각하는 능력’으로도 이해할 수 있다.
- 이원태 in KISO저널 제21호, 편집위원 칼럼
우리는 데이터에서 의미를 찾아내기 이전에 그 지표에 한계가 있는 것은 아닌지, 자신이 그 개념을 정확히 이해하는지 생각해보아야 합니다. 숫자로 된 데이터가 제시되었다고 해서 무조건 신뢰할 만한 자료라고 생각하지 않아야 하며, 데이터도 비판적으로 바라볼 줄 알아야 합니다(이를 통계 데이터에 대한 이해가 필요하다는 맥락에서 통계 리터러시라고 이야기하기도 합니다). 비판적인 관점으로 지표를 정확히 이해할 때 데이터에서 유의미한 인사이트를 정확히 도출해낼 수 있습니다.
2. 시각화 자료를 볼 때 필요한 시각화 리터러시
데이터 시각화는 방대한 양의 데이터를 한눈에 보고 데이터의 의미를 이해하는데 효과적인 방법입니다. 많은 분이 데이터 분석 결과를 다른 사람에게 효과적으로 전달하기 위해 시각화 자료를 제작합니다. 이때 작성자는 자신의 의도에 따라 시각화 유형을 선택하고 활용합니다. 의도에 따라 데이터 시각화 자료를 만들 수 있다는 것을 장점으로 보는데, 이 경우에도 비판적으로 시각화 자료를 볼 줄 알아야 합니다. 그 이유는 동일한 데이터라도 어떻게 시각화하느냐에 따라서 사람들이 다르게 받아들이기 때문입니다.
JTBC 뉴스룸 사례로 자세히 알아보도록 하겠습니다. JTBC 뉴스룸은 김영란법 국회 통과와 대선 후보 지지도의 데이터를 시각화하는 과정에서 오류를 범했는데요. 김영란법 국회 통과에 대한 반응을 시각화한 도넛 차트에서 도넛 조각별 수치와 조각의 크기를 상이하게 보도했습니다.
왼쪽의 도넛 차트를 보면 3가지의 응답에 대한 수치는 상이하지만 모두 비슷한 크기로 표현된 것을 알 수 있습니다. 오른쪽에 있는 도넛 차트와 비교해 보았을 때 ‘잘못했다’의 비율이 과장되었습니다. 이와 유사하게 대선 후보 지지도의 막대그래프에서도 수치와 막대의 길이가 상이합니다. 문재인 후보의 지지도를 나타내는 막대에 비해 안희정 후보의 막대가 길게 시각화되어 두 후보 간의 지지도가 큰 차이가 없는 것으로 보입니다.
데이터를 시각화하는 것은 분명 시각적으로 데이터의 의미를 명확히 전달한다는 차원에서 장점이 있지만, 어떤 형태로 시각화하느냐에 따라서 정보 전달 효과에는 차이가 있습니다. 위 사례처럼 데이터의 의미가 왜곡되어 전달될 경우 오해의 소지를 만들고, 특히 데이터가 의사결정의 수단으로 활용되었다면 잘못된 의사결정에 따른 피해를 보게 됩니다. 이런 이유로 JTBC 뉴스룸의 손석희 앵커는 그래프 오류를 정정하고 “치명적 실수”라며 사과했습니다.
따라서 우리는 시각화 자료를 바탕으로 데이터를 읽을 때도 비판적으로 볼 줄 알아야 합니다. 이를 위해 「시각화 자료에 의해 데이터가 왜곡되는 9가지 사례」 같이 시각적 리터러시를 배울 수 있는 글이 도움이 되리라 생각합니다.
마치며
빅데이터 시대에 데이터 활용 가능성이 커지면서 데이터 리터러시는 누구에게나 필요한 역량으로 자리 잡았습니다. 데이터 리터러시는 좁은 의미에서 개인이 통계적 수치를 비판적으로 읽는 역량이며, 넓은 의미로는 정부, 기업 차원에서 데이터를 활용해 효과적으로 문제를 해결하는 역량이기도 합니다.
최근 이에 대한 관심이 늘어나면서 데이터 리터러시 교육도 등장했습니다. 미국 일간지 《뉴욕타임스》는 ‘그래프는 무엇을 말하고 있을까?(What’s Going On In This Graph?)’란 이름으로 학생들이 그래프를 읽고 숨겨진 인사이트를 스스로 발견하도록 도와주는 교육 콘텐츠를 발행합니다. 뉴스젤리도 ‘데이터 기반의 문제 해결 워크숍’ 교육을 진행하지요!
데이터 리터러시에 대한 이번 글을 읽으시면서 여러분은 어떤 생각을 하셨나요? 이 개념에 익숙했던 분들도 이번 기회를 통해 데이터 리터러시가 기본 역량으로 요구되는 시대적 배경과 이를 실질적으로 경험하는 것을 고민해볼 기회가 되었으면 좋겠습니다.
참고 자료
- 「빅데이터 시대의 정보격차, 데이터 리터러시로 이겨내자」, KISO 저널, 2015.12.21
- 「자라는 어떻게 디지털트랜스포메이션 전략을 추진했는가?」, Digital retail trend, 2017.8.22
- 「지식의 시대 가고 ‘데이터 학습’의 시대. 인재교육, ‘데이터 리터러시’에 초점을」, 동아비즈니스리뷰, 2017.2
- 「잘못된 통계에 휘둘리는 대한민국」, 주간 조선, 2017.12.18
[한승수] 코알못 마케터가 직접 해보는 마케팅 데이터 분석 실습과 데이터 환경 구축 따라 해보기
왜 이 강의를 만들었나요?
마케터는 개발을 모르고, 개발자는 마케팅을 알기 어려워해요.
- Sean
이제는 마케팅과 그에 따른 고객의 행동 변화를 측정할 수 있는 시대입니다. 전환, 클릭, 등 마케팅에서도 데이터가 중요한 건 이제 모두가 알지만, 정작 마케팅을 위한 데이터를 분석하고 해석하기 위해서는 어떻게 해야 할지, 문송한 코알못 마케터는 답답하기만 합니다.
데이터를 받아서 분석하고 해석하기 위해서는 개발자분들에게 ‘이런 거 이런 거 필요해요’라고 설명할 수 있어야 하는데, 그것조차도 쉽지 않죠. 마케터는 개발자의 용어를 이해하기 어렵고, 개발자는 마케팅을 잘 모르니까요. 그래서 그 간격을 메우는 것이 필요합니다.
마케터분들이 개발팀에 “이런 거 필요해요, 그래서 이렇게 환경을 구축하면 우린 이런 것을 할 수 있어요”라는 것을 명확하게 얘기하고, 또 안되면 직접 해볼 수 있는 능력도 필요해요. 사실 마케팅에 필요한 데이터를 측정하는 건 그렇게 어려운 게 아닙니다. 어려운 영역이 아니고, 몰라서 못 하는 영역이거든요.
페이스북과 구글을 조금만 더 이해하고 몇 가지만 구체적으로 파악해 본다면 누구나 할 수 있는 것이 바로 마케팅 데이터 분석/해석입니다. 코딩도 약간 들어가지만, 비전공자도 충분히 따라 할 수 있는 마케팅과 엔지니어링을 함께 다루며 그 간극을 메꾸는 것이 이 강의가 만들어진 이유입니다. 그동안 답답하셨다면 이 강의를 통해 직접 따라 해보는 건 어떨까요?
강사 소개
페이스북 출신의 데이터 사이언티스트. 마케팅 데이터 전문가. 페이스북과 구글의 광고 플랫폼의 작동 원리를 알려주고, 마케터가 직접 따라 해보며 최적화를 달성할 수 있도록 만들어드립니다.
- 현) 마케팅 자동화 기업 파노믹스 대표
- 전) 페이스북 마케팅 사이언스
- 전) 빙글 데이터 사이언티스트
- 전) Cogo Labs Quantitative Data Analyst
- 카네기멜론 대학교 통계학 / 경제학
누가 들으면 좋을까요?
- 데이터 기반의 마케팅을 하고 싶지만, 뭐부터 해야 할지 모르겠는 분
- 페이스북과 구글 광고 최적화를 더 잘해보고 싶으신 분
- 개발자팀에게서 마케팅 데이터를 받고 싶지만, 뭘 어떻게 요청해야 할지 답답한 분
- 개발팀의 도움 없이 직접 데이터 분석/해석을 하고 싶은 코알못 담당자
- 퍼포먼스 마케터로 성장하고 싶으신 분
커리큘럼
1. 마케팅 데이터 분석, 일단 뭐라도 해보자! (11/06)
- 디지털 마케팅과 데이터
- 머신러닝 플랫폼인 페이스북과 구글 광고 시스템의 이해
- 어떤 지표를 어떻게 봐야 하는지?: 이론 및 메트릭 이해
- 다양한 채널의 데이터를 한데 모아 직접 분석·해석해보기
- 개발자에게 요구하자 I: 마케팅 데이터 확보 방안 – 페이스북 픽셀 / 구글 애널리틱스 / 구글 태그 매니저 가이드
- 개발자에게 요구하자 II: 클라우드 서버 구축 및 마케팅 데이터 시각화 디자인 가이드
2. 개발자 없다? 답답해서 마케터가 직접 따라 하는 마케팅 데이터 엔지니어링 실습 (11/13)
- 페이스북 마케팅 API 연결을 위한 페이스북 앱 생성
- 페이스북 마케팅 API 연결 및 데이터 확보 파이썬 스크립트 실습
─ 마케팅 API를 통해 데이터 파이썬 스크립트로 불러오기
─ AWS S3로 데이터 보내기
─ AWS 아테나를 통해 데이터 테이블 구축 - 시각화 툴: 리대시 10초 만에 AWS 아테나와 연결
- 기본적인 쿼리를 통해 리대시에서 시각화까지!
강연 안내
- 날짜: 11월 6일, 13일(수)
- 시간: 19:30–22:00
- 장소: 위워크 삼성역 2호점(서울 강남구 테헤란로 518) 11층 EF 강의실
강의 전체 보기
강의 1:1 상담하기
강의 일정 보러 가기
- 실습 과정입니다. 필기구와 노트북을 반드시 지참해 주세요.
- 교안은 강의 후에 메일로 배포해드립니다.
- 주차 지원이 되지 않으며, 교통이 혼잡하오니 대중교통 이용을 권장합니다. (유료 주차, 시간당 6,000원, 무인정산기로 카드로만 결제 가능)
- 수료증 발급 가능합니다.
- 세금계산서 발급 가능합니다. 사업자등록증을 [email protected]로 보내주세요.
- 모든 강의는 부가세가 포함된 강의료입니다.
- 신청 시 적어준 휴대폰 번호로 강의 안내 문자를 보내드리니 꼭 문자를 확인해주세요. :^)
