[ADP 필기 요약]_3과목 데이터 분석 기획_②

1. 분석 과제 발굴 방법론

분석과제 발굴은 “아이디어 회의”가 아니라, 비즈니스 가치 ↔ 데이터 가능성을 연결하는 과정

• 비즈니스 관점: 해결하면 돈/시간/리스크/고객경험이 어떻게 좋아지는가?
• 데이터 관점: 필요한 데이터가 존재하고, 분석으로 답을 낼 수 있는가?

이걸 접근하는 방식이 크게 2가지:

1. 하향식(Top-Down): 문제(또는 목표)에서 시작해 분석과제로 내려온다
2. 상향식(Bottom-Up): 데이터에서 시작해 의미 있는 문제를 끌어올린다

---

2. 하향식 접근법(Top-Down): WHY 관점으로 “문제를 설계”하기

✅ 하향식 4단계 프로세스[📌암기]

문제 탐색 → 문제 정의 → 해결방안 탐색 → 타당성 검토

---

2-1 문제 탐색: “이 문제를 풀면 어떤 가치가 생기나?”

 

✅ 비즈니스 모델 기반 문제 탐색 [📌암기]

• 업무(프로세스): 병목/재작업/대기시간 줄이기
• 제품/서비스: 기능 사용률, 이탈 포인트, 품질
• 고객: 유입→전환→유지, VOC, 세그먼트별 경험
• 규제/감사: 이상 거래/부정/내부통제
• 지원 인프라: 운영/물류/CS/IT 비용 최적화

✅ 분석 기회 범위 확장 [📌암기]

• 거시적 관점(STEEP): 사회·기술·경제·환경·정치 변화가 우리 KPI에 주는 영향은?
• 경쟁자 확대: 경쟁사뿐 아니라 대체재/경쟁자/신규 진입자까지 포함하면 문제 기회가 늘어요
• 시장 니즈 탐색(고객·채널·영향)
  • 고객: 누가 가장 불편해하는가?
  • 채널: 어디서 경험이 깨지는가?
  • 영향: 누가 의사결정을 흔드는가(추천/리뷰/커뮤니티 등)?
• 역량의 재해석(내부+파트너): 우리가 가진 데이터/인프라/파트너를 “새 기능”처럼 재활용할 수 있나?

✅ 외부 참조 모델 기반 문제 탐색(Quick & Easy)

• 다른 회사/업계에서 쓰는 분석 테마 후보 Pool을 참고해 “우리 업무에도 적용 가능한가?”를 빠르게 훑어 분석 기회를 확보

✅ 여기서 산출물: “분석 유즈케이스(Use Case)”로 적기

• “고객 이탈 가능성이 높은 그룹을 조기 탐지해 유지 캠페인을 최적화한다.”
• “CS 문의 유형을 자동 분류해 처리 시간을 줄인다.”

---

2-2 문제 정의: 비즈니스 문제 → “데이터 문제”로 번역

“매출 올리자”는 목표고, 분석문제는 훨씬 구체적이어야 함

• 비즈니스 문제: “재구매율이 낮다”
• 데이터 분석 문제(예시):
  • “재구매에 영향을 주는 요인을 규명한다(설명/인과 가설).”
  • “30일 내 재구매 확률을 예측한다(예측).”
  • “쿠폰/메시지 타겟을 최적화한다(최적화).”

✅ 포인트: 정확하게 분석 관점으로 재정의하기

---

2-3 해결방안 탐색: “이 데이터 문제를 어떻게 풀까?”

• 지표/대시보드로 보는 게 맞나?
• 원인 분석(세그먼트, 퍼널, 코호트)이 필요한가?
• 예측 모델(분류/회귀)이 필요한가?
• 최적화(추천, 예산 배분, 인력 스케줄)가 필요한가?

---

2-4 타당성 검토: “이거, 진짜 할 수 있어?”

• 경제적 타당성: 비용 대비 편익(B/C). 돈/시간/리스크 절감이 수치로 나오나?
• 데이터 타당성: 데이터 존재 여부, 분석 시스템 환경, 분석 역량
• 기술적 타당성: 조직 역량(운영/모델 관리), 비즈니스 및 기술적 지식

---

3. 상향식 접근법(Bottom-Up): WHAT 관점으로 “데이터가 힌트를 주는 문제” 찾기

✅ 상향식에서 자주 쓰는 분석 유형

1) 비지도 학습(상향식의 대표)

• 장바구니 분석(연관 규칙)
• 군집 분석(세그먼트 발굴)
• 기술통계/프로파일링(이상치, 분포, 데이터 품질)

2) 지도 학습(목적이 명확할 때)

• 분류/추정/예측/최적화

3) 시행착오 기반(프로토타이핑)

• 일단 시도해보고 결과를 확인해가며 반복적으로 개선
• 필요한 이유
  • 문제 정의가 불명확
  • 필요한 데이터가 있는지 불확실성
  • 데이터 사용 목적이 바뀔 수 있음(기존 데이터 정의 재검토 필요)

👉 핵심: 사용자(현업) ↔ 분석가가 짧은 주기로 순환 협의하며 문제를 “점점 정확히” 만든다

---

4. 하향식 vs 상향식, 언제 뭘 쓰면 좋을까?

 

• 하향식 추천 상황
  • KPI/성과 목표가 명확하다
  • “왜 해야 하는지”가 이미 합의돼 있다
  • ROI 설명이 중요하다(보고/승인 구조)
• 상향식 추천 상황
  • “문제가 뭔지” 자체가 애매하다
  • 데이터는 쌓였는데 활용이 막막하다
  • 빠르게 패턴/기회를 발견해 PoC로 설득하고 싶다

현실적인 방법 :

상향식으로 후보 발굴 → 하향식으로 과제화(정의/타당성/추진)

---

5. 분석 프로젝트 관리 방안: “좋은 과제”를 “되는 프로젝트”로 만드는 체크포인트

✅ 분석과제 관리를 위한 5가지 주요 영역 [📌암기]

1. Data Size(데이터 양) : 데이터 크기에 따라 환경/도구/방식이 달라짐
2. Data Complexity(데이터 복잡성) : 데이터의 결합 난이도, 구조 다양성(정형/비정형), 모델 적합성
3. Speed(속도/실시간성 요구) : 배치면 되는가? 실시간이어야 하는가?(얼마나 빨리 제공되어야 하는지)
4. Analytic Complexity(분석 복잡도) : 모델이 복잡할수록 운영/설명/내재화 난이도가 증가
5. Accuracy & Precision(정확도/정밀도) : 
   1. 정확도: 전체 중 맞춘 비율
   2. 정밀도: “맞다고 예측한 것” 중 진짜로 맞은 비율
      (현업은 보통 정밀도/재현율 균형이 더 중요. 예: 부정탐지, 이탈타겟팅)

---

마무리

• 하향식으로 WHY를 단단히 만들고(가치/ROI/타당성)
• 상향식으로 WHAT의 힌트를 확보한 뒤(패턴/세그먼트/PoC)