Causality

1. 프로덕트 기획 단계에서의 인과추론적용 사례:고객 행동 분석: 특정 요인이 사용자 이탈(Churn)에 미치는 영향을 분석.예: "이탈률이 높은 고객은 무료 체험 기간이 짧기 때문인가?"기능 우선순위 결정: 특정 기능이 사용자 만족도나 전환율에 미치는 영향을 파악.예: "검색 기능 개선이 실제로 구매 전환율을 높이는가?"사용 방법론:회귀 불연속 설계(RD): 무료 체험 기간이 경계값(예: 14일)에서 어떻게 행동에 영향을 주는지 분석.도구변수(IV): 직접 실험이 어려운 경우 대체 변수를 통해 인과 관계를 추론.2. 그로스 분석과 마케팅 전략적용 사례:마케팅 캠페인 효과 분석: 특정 마케팅 활동이 매출 증가에 얼마나 영향을 미치는지 파악.예: "할인 쿠폰이 매출 증가에 기여했는가, 아니면 기존 구매자만..

(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 ..

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..