본질적으로 그로스 해킹이란 "어떻게 하면 서비스, 제품 측면에서 데이터를 바탕으로 회사를 성장시킬것인가? " 에 답하는, 성장에 초점이 맞추어진 프레임이라고 할 수 있다.   주요 흐름은 1) AARRR이라고 불려지는 KPI + 추가적인 지표들의 모니터링2) 개선사항에 대한 실험과 피드백3) (가장 중요하다고 생각되는)민첩한 의사결정을 통한 빠르게 반복되는 실험과 적용 이다. 즉, "가볍고 민첩하고 빠르게, 그리고 데이터를 통해 확실하고 정확하게" 가 핵심이라고 할 수 있다.   여기서 AARRR이란 고객유치(Acquisition)활성화(Activation)리텐션(Retention)수익화(Revenue)추천(Referaal) 로서 지금 회사에서 목표로 하고 있는 일이 잘 진행되고 있는지 모니터링에 사용된..

데이터를 다루면서, 특히 예측 문제들을 많이 다루면서  실제로 내가 하는 이 행동이 회사에 실질적으로 기여를 하고 있긴 한 것인가 하는  의문을 가질 때가 많았다.  예측 모델의 정확성을 시간을 들여 개선한다고 그 시간만큼의 결과가 나오는 것일까? 데이터를 활용해서 회사의 발전에 직접적으로 영향을 미칠 수는 없는 것일까? 그러던 차에 데이터리안에서 진행하는 데이터넥스트레벨 챌린지를 보게 되었고 이번 기수인 4기에 "그로스 해킹"에 대한 책을 진행한다고 하여 참여하게 되었다.   그로스 해킹이 이 블로그의 Causality 카테고리에 속하는 이유는 (개인적인 생각이지만)  그로스 해킹을 통해서 이루려고 하는 목표가  예측 문제를 풀어서 해결되기 어렵겠다는 판단에서이다.  회사의 성장에 있어서 데이터를 통해..

베이지안은 기본적으로 추정 대상을 분포로 가정하여 분포 자체를 추정하게 된다.  빈도주의에선 추정 대상이 불변의 값이므로  추정량의 분산, 편향의 정도, 일치성, 점근정규성 등등 다양한 성질들을 이용하여 추정량의 질 좋은 정도(?)를 판단하게 된다. 그렇다면 베이지안에선 추정된 분포가 적절히 추정되었는지 어떻게 확인할까?   1. 사후분포의 분산만을 확인한다? 사후분포의 분산이 작다면 추정된 분포의 유용성이 좋다고 할 수 있다.  그러나 이는 빈도주의로 말하자면 편향의 정도가 작을 때의 이야기이다.    2. Posterior Predictive Checks(PPC)! 일반적으로 사후분포가 타겟 분포를 잘 추정했는지 알아보는 방법에는 Posterior Predictive Checks(PPC)가 있다.  ..