인사이트

인사이트(insight) '통찰', '본질을 꿰뚫어봄' 등의 의미를 가지고 있다. 데이터 분석 공부하다가, 관련 영상을 찾아보다가 참 많이 등장하는 단어다. 유용한 인사이트 발견 유용한 인사이트가 뭘까

나는 해당 문제를 본질적으로 이해하고 데이터를 통해 문제를 해결할 방안을 찾는 것이라 생각하고 있다. 그래서 데이터 분석에서 문제 정의가 가장 중요한 이유다. '무엇(what)'을 알아야 다음인 '어떻게(How)'를 계획할 수 있다.

다음은 캐글의 가방 가격 예측 대회의 데이터를 사용한 예시다. 자세한 내용은 프로젝트에 정리해서 올릴 생각이다.

간단히 설명하자면 다양한 속성을 바탕으로 배낭의 가격을 예측한다. 이 데이터로 알 수 있는 인사이트는 무엇일까? 일단 무엇(what)을 고민해봐야한다. 만약 대회의 주제에 맞게 가방 예측을 올리기 위한 정보가 필요하다면 

what

가방 가격 예측을 하고 싶어

how

• 어떤 모델이 적절할까? 
• 정확도를 올리기 위해 어떤 데이터가 중요할까?
• 결측값을 어떻게 채울까?
• 오버피팅(overfitting)을 어떻게 조절할까?
• ...

이제 how에서 꼬리 형식으로 구체적인 계획을 작성하면 된다. ML이나 AI 모델링을 공부한 사람들에겐 익숙한 방식이다. 여기서 여러 방법론들이 나올 것이다. 만약, 예측도를 올리는 게 아닌 단순한 매출 상향을 원한다면 어떻게 접근해야 할까? 

 

what

이 데이터로 전략적 마케팅을 펼치고 싶어

how

• 가격을 기준으로 소비자 추천
• 특정 기능을 원하는 소비자 맞춤 추천
• 브랜드를 선호하는 소비자를 위한 추천 등등

마케팅이란 결국 판매를 올리기 위한 연구다. 방법은 매우 많다. 나는 추천에 관심이 많아서 소비자에게 추천을 기준으로 고민하면 다음과 같이 생각할 수 있다. 

• 가격대 별 (min~max) 별 가방 추천
  • 저렴한 가성비 / 일반적인 가격대 / 프리미엄
• 특정 기능 별 가방 추천
  • 수납 공간이 많은 가방
  • 특정 컬러를 강조한 가방
  • 직업이나 취미 별 가방 ( 등산 / 운동 / 일상 )
• 브랜드 추천
  • 해당 브랜드의 특징 파악

등등.. 단순히 예측을 위한 데이터 탐색과 결이 많이 달라진다. 따라서, 내가 어떤 문제를 해결해야하는지 본질적인 의문을 가지고 있는 것이 중요하다.