Toss Invest Data Analyst

YBIGTA DA 10기

gross silo 조직에서 업무 중
시기에 따라 목표치를 다르게 설정합니다. MAU를 늘리겠다는 목표를 세웠다면 이를 위해 할 수 있는 선택지에 대해 실험을 반복하며 탐색합니다. 사용자가 자주 방문하게 하는 feature, lever가 무엇인지 확인하고 그에 따른 행동을 제안합니다. 실험을 진행하고 이를 다시 분석하여 lever를 검증합니다.
Toss의 silo: cross functional한 목적 조직. PO, Designer, Engineer 등 다양한 직무의 사람들이 모여서 특정 목적을 달성하기 위해 Sprint하게 달리는 조직

회사마다 다르다. 구분을 명확하게 하는 경우도 있고, 아닌 경우도 있다.
Toss의 경우, 각 silo에서 협업을 Boosting하는 역할을 맡는다.
Data Scientist 직책도 따로 있다. 이 분들은 전통적 Machine Learning Service, Rating Algorithm 등을 이용한다.

가장 필요한 것은 Data
상황에 따라 데이터를 사용할 수 있는 경우도 있고, 한계가 존재하는 경우도 있습니다. 새로운 분야를 개척하려면 Data가 없는 경우도 많습니다. 이미 만들어진 product와 관련된 분석을 진행하는 경우 수집된 Data가 활약하게 됩니다.
도메인 지식
제품에 관심이 많고 배경 지식, 즉 도메인 지식이 많아야 합니다. 또한, 어떤 비즈니스를 하려고 하는 지 tracking하고 이해할 수 있어야 합니다. 이를 통해 데이터 분석 결과가 비즈니스에서 어떤 역할을 할 수 있는 지 파악할 수 있어야 한다.
분석 목표를 분명하게 파악하기
재밌어 보이는 내용을 분석하더라도 그 결과를 실무에서 활용하기 어려운 경우가 있습니다. Data에서 흥미로운 사실을 발견하더라도 비즈니스에서 잘 working하는 인사이트는 아닐 수 있습니다. 따라서 모든 궁금증을 해소하기 위한 데이터 분석을 할 수는 없습니다. 잘 된 데이터 분석은 문제점을 얼마나 구체적으로 특정화하여 시작했는 가에 달려있습니다. 데이터 분석을 시작하기 전에, 문제 상황에서 실제로 필요한 정보가 무엇이며, 분석 결과를 어떻게 실무에 적용하게 될 것인지 등 그 목적과 방향성에 대한 범위를 충분히 좁혀야 합니다.

Raw 상태의 데이터 점검
데이터를 그냥 훑어보는 것을 시작으로 합니다. user data 분석을 진행하는 경우, 그냥 데이터를 훑어보고, 몇몇 사례를 추출해서 관찰합니다. 그러다보면 문제가 떠오르는 경우도 있고, 특정 패턴을 반복하는 경우가 있는지 확인해보기도 합니다.

회사에서 좋은 분석의 기준을 정하지는 않는다. 회사에서 분석가를 뽑은 목적이 있을 것이다. 그 목적에 부합하게 일하는 분석가가 좋은 분석가이다.
분석가에 대한 기대치가 회사마다 다르다. 분석가에게 데이터 기반으로 인사이트를 가져올 것을 기대하는 경우도 있으며, Query를 이용해 지표만 뽑아주는 분석가를 기대하는 회사도 있다.

데이터 분석가는 의존적인 직업으로, Communication이 중요하다.
DB를 만들고 관리하는 것은 Engineer들입니다. Engineer들과 Communication이 잘 되지 않으면 데이터를 잘 확보하기 어려운 경우가 많습니다. 유용한 데이터를 수집하고 관리할 수 있도록 만들기 위해서 문제 해결을 위한 설득과 협상을 진행해야 합니다. 한편, 직접 Action할 수 있는 기회는 많지 않습니다. 배너를 바꾸거나 채널을 평가하는 등의 분석 작업을 진행하더라도, 분석 결과를 확인하고 최종 Action을 결정하고 진행하는 사람들은 Functional 직무의 사람들입니다. 분석 결과를 Communication 해내는 것이 데이터 분석가의 일입니다.

Last updated 2 years ago