[세션] 분석적 사고력 훈련 6회차 - Case Study

분석적 사고력 훈련 6회차 - case study를 통한 분석적 사고력 훈련

 

---

Case Study

[Case1] 평균 vs 중앙값 (통찰)

"인스타그램 유저의 '일일 평균 좋아요 수'가 '중앙값'보다 클까요, 작을가요?

✔️ 평균 > 중앙값

• 중앙값 : 대부분(50%) 사람들은 눈팅을 함 (좋아요 0-1개)
• 평균 : 소수 '인플루언서/헤비 유저'가 전체 값을 끌어올림

⭐️
"평균을 올리겠다"는 목표(헤비 유저 타겟)와
"중앙값을 올리겠다"는 목표(라이트 유저 타겟)는 완전히 다른 비즈니스 전략"인 것

-> 인스타그램 같은 SNS는 주로 중앙값을 올리는 목표를 잡는다! 즉, 라이트 유저를 타겟으로 자주 접속하게 끔!
     (가령, 리니지 게임 같은 것들은 평균값을 올려야 함! 즉, 헤비 유저들이 과금을 더 하도록!)

---

[Case2] 당근 (전략)

상황 : "당근 앱을 개선해야 합니다. 무엇을 해야 될까요?"

너무 제너럴 함.

✔️ '분석적 사고'는 이 문제에 대한 Decomposition(분해, 쪼개는 것)에서 시작함.

 

[Case2] 수요 (Demand) x 공급(Supply)

당근과 같은 마켓플레이스의 성공은 보통 '거래 수'임. 거래 수를 쪼개 보자!!

• 거래 수 = 수요 (Demand) x 공급(Supply)
• 거래 수 = 방문수 x 구매 전환율

(Demand) 수요 : "얼마나 많은 사람이 당근에 방문을 해서 물건을 찾는가?"

(Supply) 공급 : "방문한 사람이 원하는 물건을 찾고 실제로 구매하는가?"

⭐️
분석가의 질문 : "우리의 '병목'은 수요인가요, 공급인가요?"

 

[Case2] 분석 방향 결정

1. 공급 점검

- 분석 : "방문한 유저들이 원하는 것을 찾고 있는가?"

('검색 -> 채팅' 전환율, '검색 실패' 키워드 분석)

- 결론 : 만약 공급이 부족하다면(전환율이 낮다면) 방문자를 늘려봤자 거래 수는 적게 오르게 됨.

-> 공급(제품 구색, 검색 품질) 개선이 먼저인 것!

 

2. 수요 점검

-분석: "공급이 충분하다면, 어떻게 방문자를 늘릴까?"

('알림/광고 -> 방문' 광고 유입 CTR분석)

- 결론: 광고 유입 CTR이 낮으면 광고 메시지를 바꾸고, 높으면 검색 노출을 늘림.

⭐️
분석가는 '문제를 쪼개어' 리소스 투입의 우선순위(공급 vs 수요)를 정해야 한다.

---

[Case3] IOS vs Android (진짜 원인 찾기)

상황 : "데이터를 보니 카카오톡 IOS 유저의 70%가 인스타그램을 쓰는데, Android 유저는 35%만 씁니다. 왜 이런 차이가 날까요?"

X : "IOS 유저가 인스타그램을 더 좋아하나 봅니다."

O : 분석적 사고 -> "OS가 차이의 '진짜 원인' 일까요, 아니면 다른 변수의 Proxy 일까요?"

 

[Case3] 분석적 사고: 원인인가, proxy 인가(1/2)

✔️ 가설: OS는 진짜 원인이 아니다. "국가, 연령, 소득" 같은 변수의 proxy일 것이다.

("소득이 높은 젊은 사람들은 (1)IOS를 많이 쓰고, (2)인스타그램도 많이 쓴다. -> OS가 아니라 '연령 및 소득'이 진짜 원인 아닐까?")

 

<검증방법>

1. ML 모델링 : Decision Tree 모델을 학습 -> "인스타그램 사용 여부(Y)"를 예측하게 한다.
2. 질문 : 모델이 가장 먼저 쪼개는 변수가 OS 인가요, 아니면 연령 인가요?
3. 또는 : OS 변수를 뺀 모델과, 포함한 모델의 성능이 거의 같다면? -> OS는 중요하지 않은 변수(proxy)이다.

가장 먼저 쪼개지는 변수가 중요함! 모델을 학습할 때 가장 많은 정보를 반영함.

 

[Case3] 분석적 사고: 원인인가, proxy인가? (2/2)

1. 만약 os가 실제 프록시 였다면?

- 분석결과 : 디시전 트리가 연령, 국가를 먼저 decompose 습니다.

- 결론 : 차이의 원인은 os가 아니라 연령별/국가별 선호도 차이 이다.

 

2. 만약 os가 진짜 원인이었다면?

- 분석결과 : 다른 변수를 통제해도, 여전히 android의 사용률이 낮습니다.

- 결론 : os 자체가 원인이다 -> android

---

[Case4] 티빙의 CC 정보(검증)

상황 : "현재 티빙 30일 무료 체험은 '신용카드 정보'를 입력해야 합니다. 만약 'CC 정보없이' 가입하게 하면 어떨까요? 이 A/B 테스트 할 가치가 있나요?"

✔️ 전체 구독 전환율 = 무료 체험 전환율 x 유료 구독 전환율

- 무료 체험 전환율 : 무료체험 시도하는 비율(%)

- 유료 구독 전환율 : 무료체험자 중 구독 전환 비율(%)

 

CC 정보를 없애면 '무료 체험 전환율'은 상승, '유료 구독 전환율'은 감소

(∵ 신용카드 정보 입력 단계를 무료 체험 이후로 옮겨졌기 때문임)

 

[Case4] '비싼 테스트' 시작하기 전에 타당성 보기

A/B 테스트는 비싸다.

EDA로 이 테스트의 성공 가능성을 미리 탐색해야 함!

(탐색): 현재 데이터에서 "의지가 낮은 고객", 즉 'CC 정보가 없는 신규 유저'와 가장 유사한 그룹을 먼저 찾습니다.

(가입 후 '즉시 구독 취소'한 유저)

 

[Case4] 의사결정 Framework

✔️ (결정 A): 만약 이 '즉시 취소' 유저들이 30일 뒤 재구독을 많이 한다면?

-> 테스트 GO! (우리 구독 프로덕트는 의지 낮은 고객도 설득할 힘이 있다.)

 

✔️ (결정 B): 만약 이들이 전혀 재구독하지 않는다면?

-> "테스트 Hold!" (구독 프로덕트 개선이 먼저임!!)

⭐️
분석가는 비싼 테스트를 하기 전에 데이터에서 미래를 예측할 proxy를 찾아내어 가설의 성공 가능성을 미리 검증해야 함!

---

[Case5] 버그와 스파이크(역설적 해석)

상황 : "버그로 인해 모바일 웹 접속이 중단되었습니다.

그런데 핵심 지표인 1인당 일일 참여도가 급증했습니다. 왜일까요?"

 

분석적 사고: 1인당 참여도 = (Action 수 / User 수) 입니다.

분자 분모 둘 다 확인해야 함!

 

[Case5] 분석적 사고 : '착시'인가, '기회'인가?

✔️ 해석1(나쁜 소식 - 분모 효과)

- 모바일 웹 유저들은 원래 참여도가 낮은(action 2회) 유저들이었다.

- 이들이 분모(총 유저)에서 빠지니, 참여도 높은(action 10회) 앱 유저들만 남아 평균 값이 올라가는 

 

✔️ 해석2 (좋은 소식 - 분자 효과)

- 모바일 웹 유저들이 불편해서 모바일 앱(참여도 높음)을 새로 다운로드 했습니다.

- 그 결과 분모 (총 유저)는 비슷하지만 Action(분자)이 진짜로 증가했습니다.

-> 결론: 버그가 고객의 행동을 긍정적으로 바꿈

⭐️
분석가는 '착시'와 '진짜원인'을 구분하여, "모바일 웹을 아예 끄고 앱 다운을 유도하자"는 올바른 '다음 액션'을 제안해야 합니다.

 

끝.