<데이터 쓰기의 기술>, 차현나

데이터의 세부 내용에 따라 의사결정의 방향성이 달라진다. '캠핑족이 늘고 있으니 캠핑용품을 만들어야 한다'는 덜 구체적이다. '캠핑 의자를 oo브랜드와 콜라보레이션하여 oo사이즈로 만들어야 한다'는 지나치게 구체적이다. '캠퍼 성장 중에서도 oo연령층 혹은 oo특징을 가진 캠퍼가 늘고 있으므로, 그 소비자군이 선호하는 oo브랜드나 oo브랜드와 같이 편의성을 중시하는 브랜드와 콜라보레이션하자'는 제언의 방향성을 잡아내는 것이다. 이 문장도 너무 두루뭉술하거나 너무 지엽적이라고 보는 사람도 있다. 이러한 제언은 조직이나 개인의 성향에 따라 수위가 정해질 수 있으니, 여러 번 시도하면서 수위를 파악하는 것이 좋다.

 

1. 사람들이 좋아할 만한 제품을 만들기 위해 다각적으로 살펴보아야 한다. (X)
2. oo를 좋아하는 고객군은 oo맛과 oo색을 선호한다. 해당 고객군이 많이 활동하는 곳으로는 oo마트가 있다. (O)
3. oo맛의 음료를 만들어 oo색 포장지로 만들고, oo마트에서 판매해야 한다.(X)

상황에 따라 다르지만 데이터 전문 조직에서 제언을 할 때, 지나치게 일반적인 내용을 제시하면 실행할 만한 인사이트가 없고, 지나치게 구체적인 방향성을 제시하면 현장 전문가들의 의견을 배제하는 것처럼 보인다. 그 중간쯤, 현장에서 활용할 수 있으면서도 구체적인 제언을 해야 한다.

 

데이터로 생각하는 힘이 더 중요하다.

데이터로 생각한다는 것은 어려운 데이터를 분석할 수 있어야 한다는 의미가 아니다. 자신의 생각에 확신을 가질 수 있도록 데이터를 활용하고, 논리적으로 사고한다는 것에 더 가깝다.

기계가 아무리 똑똑해져도 생각은 인간만이 할 수 있다.

데이터로 무엇을 해야 할지 모를 때 자기 생각부터 정리해보자. 정리된 생각과 데이터가 연결될 접점을 찾고 나면 당신의 데이터 프로젝트가 시작될 것이다. 생각과 질문이 정리되지 않은 사람은 아무리 많은 데이터가 있어도 답을 찾기 어렵다. 데이터 자체는 중립적이며 차트가 답을 주지는 않기 때문이다.

시간이 흐를수록 생각을 할 줄 아는 사람이 중요해질 것이다. 데이터가 많아지고 기술이 눈부시게 발달하는 가운데, 그 데이터 안에서 의미를 발견하는 것이 인간 고유의 역할이 될 것이다. 누구나 생각을 할 수 있지만, 누구나 자기 생각을 가지고 있는 것은 아니다. 누구나 데이터를 가질 수 있지만, 누구나 데이터에서 의미를 발견하는 것은 아니다. 생각하는 사람만이 데이터에서 의미를 발견한다.

데이터가 사람을 평가하는 것이 아니라, 사람을 위해 데이터가 일하는 것이다. 데이터를 잘 쓰는 사람이 되자!