지표 설계 및 데이터 분석 프로세스

지표 설계 및 데이터 분석 프로세스 정리

1. 지표 설계 (Metric Design)

지표는 비즈니스 목표를 정량적으로 측정하는 도구로, 팀별로 서로 다른 관점을 가짐.

(1) 지표 설계 프로세스

1. 비즈니스 목표 정의
   • 주요 KPI(Key Performance Indicator) 설정
   • 예: MAU(월간 활성 사용자), 전환율, 이탈률
2. SQL 테이블 구축
   • 데이터 마트(Data Mart) 설계 및 구축
   • 테이블 구조 정의: 트랜잭션 데이터, 유저 로그, 광고 효과 등
3. 데이터 시각화
   • 대시보드 설계 및 개발 (Tableau, Power BI)
   • 다양한 부서에서 해석할 수 있도록 가독성 높이기
4. 분석 및 보고
   • PM/마케터와 협업: 회의 참석하여 데이터 기반 의사결정 지원
   • 분석 보고서 작성: 대시보드 변화에 대한 해석 및 원인 분석

---

2. SQL 기반 데이터 분석

(1) SQL을 활용한 데이터 전처리

• Tableau에 올리기 전에 SQL로 미리 전처리하는 것이 효율적
• WITH 문을 활용하여 복잡한 데이터 연산을 단순화

WITH monthly_sales AS (
    SELECT 
        user_id, 
        SUM(sales_amount) AS total_sales,
        COUNT(DISTINCT order_id) AS order_count,
        EXTRACT(MONTH FROM order_date) AS month
    FROM sales_data
    WHERE order_date >= '2024-01-01'
    GROUP BY user_id, month
)
SELECT 
    month, 
    COUNT(user_id) AS active_users, 
    SUM(total_sales) AS total_revenue
FROM monthly_sales
GROUP BY month;

(2) 다양한 지표 산출 (이커머스 예시)

지표 설명

DAU / MAU	일간 / 월간 활성 사용자 수
전환율 (Conversion Rate)	방문자 대비 구매 완료 비율
장바구니 이탈률	장바구니에 담았으나 구매하지 않은 비율
고객 생애 가치 (LTV)	고객 1명이 가져오는 장기적 매출 가치
재구매율	첫 구매 후 일정 기간 내 추가 구매한 고객 비율

---

3. A/B 테스트 및 통계적 분석

(1) 실험의 필요성

• 특정 기능(예: UI 변경)이 전환율에 미치는 영향을 측정하려면 A/B 테스트 수행
• 단순 지표 비교는 유의미하지 않음 → 통계적 검증 필요

(2) 주요 검정 방법

분석 기법 설명

카이제곱 검정	범주형 데이터(예: 버튼 클릭율 변화) 비교
T-test	두 집단 간 평균 차이 분석
Z-test	표본이 충분히 클 경우 가설 검정

import scipy.stats as stats

# 가설: 새로운 UI가 전환율을 높인다.
old_conversion = [120, 130, 150, 140, 135]
new_conversion = [160, 170, 180, 175, 165]

t_stat, p_value = stats.ttest_ind(old_conversion, new_conversion)

if p_value < 0.05:
    print("새로운 UI가 전환율에 유의미한 영향을 줌")
else:
    print("새로운 UI의 효과가 통계적으로 유의미하지 않음")

---

4. 데이터 시각화 및 분석 보고

(1) 대시보드 제작

• 팀마다 다른 시각을 가지므로, 목적에 맞는 지표 제공
• Tableau Public을 활용하여 공유

(2) 분석 보고서 작성

1. 현황 분석: 현재 지표 확인
2. 원인 분석: 매출 하락 or 전환율 변동 이유
3. 분석 방법: SQL, 통계 분석 기법 활용
4. 인사이트 제공: 데이터 기반 실행 전략 제안

---

5. 실전 프로젝트 & 현업 적용

(1) SQL 코딩 실력 향상

• 프로그래머스, 리트코드, 해커랭크 활용
• 현업 문제 기반 SQL 문제 연습
• 케글 및 공공데이터 활용하여 분석 프로젝트 진행

(2) 데이터 분석에서 중요한 점

- 그냥 SQL로 뽑아주는 역할만 하면 AI로 대체될 가능성 높음
- 분석이 필요한 이유를 명확히 하고, 의사결정에 기여하는 분석을 해야 함
- 기획자 및 마케터와 협업하여 데이터를 쉽게 해석할 수 있도록 시각화하는 것이 중요

---

6. 결론

• SQL을 활용한 지표 설계 → 데이터 분석 → A/B 테스트 → 시각화 → 분석 보고의 전체 프로세스 숙지
• 단순 데이터 추출이 아닌, 인사이트 도출이 중요한 역할
• 통계적 검증(A/B 테스트)과 시각화(Tableau)를 적극 활용
• 현업에서 필요한 SQL 문제를 스스로 정의하고 해결하는 능력 필수

위 내용을 토대로 실제 분석 프로젝트를 진행하면 현업 데이터 분석가 수준으로 성장할 수 있음!