Keep Calm And Carry on

1. PM이 처한 꽤나 복잡한 상황

PM으로서 여러 분야의 전문가들과 협업하면서 프로젝트를 관리하는 일은 결코 쉽지 않다.

작업 진행 상황을 체계적으로 파악하고,

뼈대가 되는 문서를 지속적으로 업데이트하며,

모든 정보를 팀과 실시간으로 공유하는 것이 필수적이다.

Height는 이 모든 것들을 효율적으로 관리할 수 있고,

다양한 기능을 제공해 PM의 주요 업무를 한결 수월하게 만들어주는 강력한 툴이다.

2. Height가 PM의 만능 툴인 이유들

2 - 1. 다양한 보기 방식으로 전체 시야 확보

프로젝트 관리에서 가장 중요한 것은 전체적인 진행 상황을 한눈에 파악하는 것이다.
Height는 칸반 보드, 스프레드시트, 간트 차트 등 다양한 시각화 방식을 제공해

팀별 작업 상태를 명확히 볼 수 있도록 도와준다.

예를 들어

• 개발팀은 칸반 보드를 활용해 버그와 기능 개발 상태를 확인.
• PM은 간트 차트를 통해 일정과 작업 간 의존성을 파악.

특히 여러 팀이 동시에 협업하는 복잡한 프로젝트에서도 넓은 시야를 확보할 수 있다.

2 - 2. 작업과 문서의 실시간 업데이트

Height의 또 다른 강점은 문서와 작업이 밀접히 연결되어 있다는 점이다.
프로덕트 정의서나 백로그 문서가 업데이트되면 관련 작업이 자동으로 동기화되므로 정보 누락 걱정이 없다.

예를 들어, 기능 정의 문서를 수정하면

• 관련 작업 항목의 세부사항이 즉각적으로 반영.
• 실시간 알림을 통해 팀원들이 변경 사항을 놓치지 않음.

이런 실시간 업데이트 덕분에, 프로젝트의 뼈대가 되는 문서를 지속적으로 관리하기가 훨씬 수월하다.

2 - 3. 실시간 협업으로 소통 강화

팀원들과의 빠른 소통은 PM에게 필수이다.
Height는 작업 항목에서 바로 댓글을 남기거나 태그로 팀원을 호출하는 기능을 제공한다.

Height 내부의 채팅도구를 이용하여 외부 채팅 도구 없이도 가능하며,

필요한 정보가 작업 창 안에 모두 모여 있어 좀 더 원활한 소통이 가능하다. 

또한 다른 소통 툴과도 연동이 되기 때문에 더욱 편리한 방법을 도입할 수도 있다.

2 - 4. 반복 작업을 줄이는 자동화

PM이 자주 겪는 문제는 바로 반복적인 관리 업무이다.

Height는 AI기능을 활용하여 이러한 작업을 자동화할 수 있다.

예를 들어

• 작업 우선순위를 자동으로 정리.
• 완료된 작업을 자동으로 분류.
• 정기적인 백로그 업데이트 자동화.

등 사용자가 설정하기에 따라 다양한 업무들을 자동화할 수 있다.

2 - 5. 다른 도구와의 완벽한 통합

팀이 이미 사용하는 도구들과의 통합할 수 있다.
Height는 Slack, GitHub, Notion 등과 연동되어, 다양한 플랫폼에서 생성된 데이터를 효율적으로 연결한다.

예를 들어

• Slack에서 바로 작업을 생성하고 업데이트.
• GitHub 연동을 통해 코드 상태와 작업을 동기화.
• Figma와 연동을 통해 디자이너와의 소통 극대화.
• 심지어 서드파티드 데이터베이스와도 연결이 가능하다.

이를 통해 height를 거점으로 삼고 다양한 활동들을 추가적인 작업 없이 진행 가능하다.

3. 단점

아직 덜 알려져있기 때문에, 한글로 된 문서가 부족하다.

또한 팀원들에게 추가적인 교육이 필요할 수 있다. 

자유도가 높은 만큼, 러닝 커브가 어느 정도 존재한다.

4. 결론 : height 포스팅 시작.

PM으로서 Height를 사용한다는 것은

작업 흐름을 체계적으로 관리하고,

팀과의 실시간 협업을 원활히 하며,

반복 작업의 부담을 덜 수 있는 기회를 가질 수 있다.

잘만 사용한다면, height는 단순히 작업 관리 도구를 넘어

팀과 PM 모두가 생산성을 극한으로 극대화할 수 있는 환경을 제공한다.

(다만 교육이 필요하긴 할 것이다.)

아무튼 그래서 height에 대한 포스팅을 시작하려고 한다.

통계는 도구이다.

도구라면 응당 그 목적이 있다.

도구는 도구의 목적에 맞게 사용해야 가장 알맞은 결과를 알 수 있다.

그렇다면 통계의 목적은 무엇일까?

통계의 목적은 사람에 따라 여러 가지가 될 수 있을 것이라 생각된다.

누구에게는 예측이

누구에게는 추정이

누구에게는 단순 통계가

누구에게는 테스트가.

여기에 정해진 정답은 딱히 없다.

누구나 처해진 상황이 다르고 주어진 task가 다르기 때문에

통계가 주는 느낌이 다를 수 있다.

그러나기준을 세워놓으면 그걸 토대로 다른 것들도 스토리텔링이 되고

다른 개념들도 받아들이기 쉬워지니

각자 통계의 근본적인 목적을 한번 설정해 보자.

내가 생각하는 통계의 가장 근본적인 목적을 한 마디로 정해보자면, 

"데이터 이면의 분포를 알아보기"

라고 할 수 있겠다.

"데이터 이면"이라고 함은,

우리가 실제로 볼 수 있는 데이터는 

거창하게 말하면 우주의 한순간의 아주 작은 파편을 나타낼 뿐이다.

통계는 그 아주 작은 파편을 통해서

우주 전체를 보려고 하는 

어떻게 보면 대단히 무모한 과정이다.

우리가 알고자 하는 대상인 "데이터의 이면"은 사실 매우 이상적이고 추상적 대상이라

그 어떤 방법을 통해서든 해당 대상의 100%의 모습을 절대 파악할 수 없다.

단지 데이터를 통해서 최대한 간접적으로 살펴볼 수 있을 뿐이다.

이러한 관점에서 데이터를 바라보는 게

본질적인 관점에서 통계를 시작할 수 있지 않나 하는 

지극히 개인적인 생각이다.

(순수 뇌피셜)

앞으로의 데이터 분석 직무의 운명은 

솔직하게 말해 그렇게 밝지 않다. 

단, 계속 현재에 머문다면 밝지 않다. 

1. ChatGPT로 해결한다. 비용도 저렴하다.

무슨 말인가 하면, 현재 "데이터 분석가"라는 직무로 

요구되는 뭔가 데이터를 시각화하고 숨은 의미를 찾고 이런 

직무는 없어질 것이다.

그 이유는  ChatGPT를 시작으로 LLM을 통한 분석의 접근성이 매우 매우 좋아지고 있고

한 번이라도 GPT(유료)를 써본 사람이라면 어지간한 분석 정도는 맡길 수 있을 것이라고 

바로 판단할 수 있을 정도로 성능이 좋아졌다.

예전에는 통계 공부를 어느 정도 해야 해석할 수 있었던 다양한 테스트 지표들도 

알아서 해석해주고, 조금만 더 정교하게 질문하면 거기에 맞추어서 생각할 거리를 제공하고

점점 만능이 되어가고 있다. 

요약하자면 LLM 때문에 기존의 데이터 분석가라는 직무는 없어질 확률이 높다는 말이다.

(정확히 말해 데이터 분석가가 하는 일 자체에 변화가 있을 것이라는 말.)

2. Causality(인과추론)

그렇다면 바라보고만 있어야 하는가?

개인적인 생각으로는 앞으로 데이터 분석가 직무에 

"Causality"를 볼 줄 아는가?라는 요소가 붙을 거라고 생각한다.

"지금도 A/B test 진행할 수 있어?라고 JD에 나와있는데요?"라고 질문한다면,

물론 A/B test도 Causality를 보는 아주 대표적인 방법 중 하나지만, 

그것뿐만 아니라 Causality에 대한 전반적인 지식과

실행능력, 판단능력이 있느냐를 요구할 것 같다는 말이다.

그 이유는 

2 - 1) DL은 과하다.

데이터 분석가라는 직무에서 ML모델링까지는 요구하는 경우가 있지만,

DL 및 LLM에 대한 스페셜리티를 가진 

데이터 분석가를 요구하기에는 너무 과한 측면이 있다. 

(차라리 DL 및 LLM 관련 엔지니어에게 데이터 분석까지 하라고는 할 수 있겠다.)

2 - 2) 데이터 분석가의 목표

데이터 분석가의 직무 상,

보통 "데이터를 통해서 새로운 사실을 알아내고 액션을 통해서 이윤을 만들어내 보자"

에 목적이 있는데(퍼포먼스 마케팅도 사실 비슷한 맥락이다.)

이에 가장 부합하는 분야가 Causality라고 할 수 있다.

효과적인 Intervention을 찾아내는 것 자체가 위의 목적과 정확히 부합되기 때문이다.

(물론 Intervention 할 수 있는 변수에 대해서)

2 - 3) Causality의 깊이

Causality라는 분야 자체의 학문의 깊이가 엄청나게 깊다. 

역사가 계량경제학부터 시작되기 때문에 제대로 파고들려면 한참 공부해야 한다.

즉, 입문의 문턱이 높다는 말이다. 다른 말로 전문성이 있다는 말이다.

그만큼 공급이 적을 수 있다. (지금은 수요도 적은 듯 하지만..)

2 - 4) 신성불가침의 영역

제일 중요한 부분인데, 

LLM 및 인공지능이 대체하기 어렵지 않나 개인적으로 생각한다.

인과추론이라는 게 단순히 데이터만으로 판단하기 어려운 분야이다.

데이터가 어떤 방식으로 수집되었고

누구에게 데이터를 수집하겠다고 배정되었고

배정 방식은 어땠고

그때의 주변 상황은 어땠고

분석 당시와 데이터 수집 당시의 상황은 어땠고 등등

전체적으로 판단해야 할 부분이 매우 크다.

즉, 데이터가 갖고 있는 근본적인 Context가 매우 매우 매우 중요한 분야이다.

단순히 분석한 결과를 통해 결론을 내기가 쉽지 않은 분야라는 말이다.

위와 같은 이유로 Causality가 중요하게 다뤄질 거라고 생각되는 바이지만,

우려스러운 부분이 있다. 

3. 우려스러운 부분

3 - 1) Causality를 본다는 게 실질적으로 가능한가?

 과연 지금까지 기업들에서 Causality를 몰라서 안사용했을까?

애초에 사용하기 어려워서, 실질적으로 효과를 장담하기 어려워서

"그냥 간단하게 A/B test나 해보자" 하지 않았을까?

3 - 2) Causality를 본다고 한들, 실제로 효과가 있을까?

과연 Causality 분석한 결과를 토대로 Intervention을 적용했을 때 진짜 효과가 있었나?

그런 사례가 있나?

(근데 그렇다면 학문이 아예 사라지지 않았을까? 정책 연구는 그럼 왜 하는 거지? 사회과학 연구 방법론 자체를 부정하게 되는 건가?)

3 - 3) 비용측면에서 차라리 그 시간에 마케팅이나 상품 개발 더하는 게 이득 아닌가?

돈을 벌어야 하는 회사 입장에선 "굳이?"라고 느낄 수 있다.

4. 결론 

내 생각엔 데이터 분석가를 지망하고

혹은 현업 데이터 분석가이고 

좀 더 Speciality를 갖고 싶다면 

위와 같은 이유로 Causality가 좋은 옵션이 될 것이라고 생각한다.

(애초에 Causality를 공부하는 게 데이터를 보는 데 있어서 두루두루 도움이 굉장히 많이 된다.)

우려스러운 부분이 있지만, 아마 진짜로 저런 거라면 

학계에서 먼저 사장되지 않았을까?

기업에서 활용하기에 실무자가 적절한 방법을 찾기만 하면 되는 거라고

믿고 있다. 

앞으로 지켜볼 일이다.