1. 비즈니스 도메인 기반의 데이터 분석 사고

학습 포인트: 단순한 기술 스택보다 중요한 건 ‘비즈니스 목표’를 이해하고 데이터를 통해 해결하는 사고력이다.

예시: 예를 들어, ‘오프라인결제’ 서비스를 맡게 되었을 때, 단순히 사용률 추세만 보는 게 아니라, 특정 마케팅 이벤트 이후 결제 전환율이 상승했는지, 특정 기능 개편이 이탈률에 어떤 영향을 줬는지를 가설 설정 → 지표 정의 → 실험 설계 → 인과 해석까지 이어지는 분석을 할 수 있어야 한다.

공부 방법:

• 📅 매주 하나의 실제 서비스(예: 배달의민족, 토스, 쿠팡)를 정하고, 서비스의 핵심 지표를 추정하고 이를 개선하기 위한 가설을 세워보는 연습.
• 📖 추천 도서: 『Lean Analytics』, 『Thinking with Data』

---

2. AARRR 프레임워크, LTV, Funnel 등 마케팅 분석 프레임 마스터하기

학습 포인트: 단순한 유입/이탈 분석을 넘어서, 유저 생애주기를 기준으로한 정량적 분석 프레임을 체화해야 한다.

예시: 보험서비스 팀에서는 LTV를 기반으로 광고비 효율성을 판단하고, 마이데이터 기반 유입 고객의 리텐션을 평가하는 구조의 분석이 필요하다.

공부 방법:

• SQL 기반 Funnel 분석 구현 연습 (GA4 BigQuery 데이터, Braze Currents 데이터 활용)
• Retention & Cohort 분석: 단순 리텐션 차트 그리기 → 이벤트 기반 세그먼트 정의 → 사용자 가치(LTV) 기반 세분화
• A/B Test를 통한 전환율 개선 사례 분석

실습 팁:

• 🔹 Braze 캠페인 데이터를 이용해 메시지 오픈률 개선 실험을 설계하고 결과를 A/B로 비교

---

3. 인과 추론과 가설 검증을 위한 실험 설계 능력

학습 포인트: 상관관계 분석이 아닌, 실제 의사결정에 필요한 인과관계를 도출하는 능력

예시: 특정 기능 도입 후 리텐션이 개선됐다고 할 때, 그것이 기능 때문인지 계절 요인 때문인지 구분하려면 DID (Difference-in-Differences)나 RDD (Regression Discontinuity Design) 같은 인과 추론 기법이 필요하다.

공부 방법:

• Python + statsmodels를 활용한 DID 실습
• R의 MatchIt, causalimpact 패키지로 매칭 기법 및 인과 추론 실험
• Kaggle의 정책 변화 데이터셋으로 실습 연습

추천자료:

• 『Causal Inference: The Mixtape』 (Scott Cunningham)

---

4. 데이터 파이프라인 및 자동화 경험

학습 포인트: 단발성 분석보다 반복 가능한 자동화 체계를 설계할 수 있어야 한다.

예시: 머니 서비스 분석에서는 매일 충전/송금/결제 지표를 자동 업데이트하고 이상 징후 탐지를 위한 알림까지 포함된 파이프라인이 요구된다.

공부 방법:

• Airflow + Python을 이용한 데이터 ETL 자동화 실습
• SQL → CSV 저장 → 메일 전송까지 자동화하는 Workflow 구성
• Databricks Notebook + Schedule + Slack Webhook으로 알림 시스템 구성

---

5. 데이터 시각화와 스토리텔링 역량

학습 포인트: 단순 차트 생성이 아니라, 비즈니스 의사결정자가 바로 이해할 수 있는 구조와 메시지 설계

예시: 자산관리팀에서 마이데이터 기반 고객 군집별 소비 패턴을 시각화하여 개선 타깃을 제안

공부 방법:

• Tableau/Power BI 대시보드 제작: 사용자별 drill-down 기능 포함
• Matplotlib/Seaborn 대신 Plotly로 상호작용형 차트 구성
• 지표 변화에 대한 스토리 설명 연습 (Before/After 중심)

---

6. 협업과 커뮤니케이션: 분석 인사이트 전달 능력

학습 포인트: 정답을 찾는 것이 아니라, 조직에 ‘변화’를 일으키는 분석

예시: 분석 결과를 제품팀에 공유했을 때, 단순 수치 전달이 아닌 “이 데이터를 보면 이런 액션이 필요하다”고 제안하는 수준의 커뮤니케이션이 중요하다.

공부 방법:

• 분석 보고서 작성 실습 (요약 → 배경 → 분석결과 → 인사이트 → 제안)
• 피그잼(FigJam), Miro 등 협업 툴 활용해서 분석 흐름 공유
• 실제 발표 경험 쌓기: 사내 세미나, 브런치 블로그 등

---

마무리하며

카카오페이처럼 다양한 도메인을 가진 회사에서는 데이터 분석가에게 기술보다도 문제 해결력과 비즈니스 감각을 요구한다. 단순 기술 습득을 넘어서, 실제 조직 안에서 어떤 문제를 정의하고, 어떻게 해결할 수 있는지를 중심으로 학습하자. 위 학습 전략과 예시는 단기적인 면접 통과용이 아니라 장기적으로 ‘좋은 분석가’가 되기 위한 탄탄한 기반이 될 것이다.