[내배캠] Day 24 | AI 진단 퀴즈, 서비스 기획 숙련 과제, 데스크 리서치 특강, KPT 회고

TIL
2026.06.09

 

 

더보기

 

시각 내용
09:00 - 09:15 AI 진단 퀴즈
09:15 - 09:30 팀 스크럼
09:30 - 13:00 서비스 기획 숙련 과제 — 페르소나 선정
13:00 - 14:00 개인 정비 시간
14:00 - 16:00 서비스 기획 숙련 과제 페르소나 선정
16:00 - 17:00 데스크 리서치 특강
17:00 - 18:00 서비스 기획 숙련 과제  데이터 분석 방법 서치
18:00 - 19:00 개인 정비 시간
19:00 - 20:00 서비스 기획 숙련 과제  데이터 분석 계획
20:00 - 20:30 팀 스크럼
20:30 - 21:00 TIL 정리

 

 

 

 

AI 진단 퀴즈

 

‣ 해결한 개념

 

  • 데이터 기반 문제 정의 — 3문제
  • 경쟁 서비스 비교 분석 — 2문제

 

 

 

서비스 기획 숙련 과제

 

페르소나 선정을 마치고, 선정 사유를 논리적으로 정리하기

 

페르소나 타입

 

‘상세 페이지(PDP) → 장바구니 담기 전환율 상승’이라는 과제 목표에 따라

“장바구니 전환율 개선 여지가 큰 집단인가”를 기준으로 페르소나를 하나씩 뜯어보았다.

판단에 도움이 될까 해서 리뷰 클릭율과 할인 노출율도 추가해 봤다.

 

더보기
WITH persona_users AS (
    SELECT '페르소나 A' AS persona_name, *
    FROM tb_users
    WHERE price_band = 'over_300k'

    UNION ALL

    SELECT '페르소나 B' AS persona_name, *
    FROM tb_users
    WHERE price_band = 'under_50k'

    UNION ALL

    SELECT '페르소나 C' AS persona_name, *
    FROM tb_users
    WHERE user_type = 'new'
      AND traffic_source = 'search'

    UNION ALL

    SELECT '페르소나 D' AS persona_name, *
    FROM tb_users
    WHERE traffic_source = 'ad'

    UNION ALL

    SELECT '전체' AS persona_name, *
    FROM tb_users
)
SELECT
    persona_name AS '페르소나명',
    COUNT(*) AS '사용자 수',
    ROUND(
        SUM(CASE WHEN add_to_cart = 'True' THEN 1 ELSE 0 END) * 100.0 / COUNT(*),
        2
    ) AS '장바구니 전환율',
    ROUND(
        SUM(CASE WHEN purchase_completed = 'True' THEN 1 ELSE 0 END) * 100.0
        / NULLIF(SUM(CASE WHEN add_to_cart = 'True' THEN 1 ELSE 0 END), 0),
        2
    ) AS '장바구니 → 구매 전환율',
    ROUND(AVG(pdp_duration_sec), 2) AS '평균 체류 시간',
    ROUND(
        SUM(CASE WHEN review_clicked = 'True' THEN 1 ELSE 0 END) * 100.0 / COUNT(*),
        2
    ) AS '리뷰 클릭율',
    ROUND(
        SUM(CASE WHEN discount_exposed = 'True' THEN 1 ELSE 0 END) * 100.0 / COUNT(*),
        2
    ) AS '할인 노출율'
FROM persona_users
GROUP BY persona_name
ORDER BY
    CASE persona_name
        WHEN '전체' THEN 0
        WHEN '페르소나 A' THEN 1
        WHEN '페르소나 B' THEN 2
        WHEN '페르소나 C' THEN 3
        WHEN '페르소나 D' THEN 4
    END;

 

 

  • 페르소나 A
    • 체류 시간 최장 (99 초)
    • 장바구니 전환율 최고 (35.12%)
    • 장바구니 구매 전환율 최저 (11.1%)
    • 장바구니 전환율은 가장 높으나 구매 전환율은 가장 낮음
    • 리뷰 클릭율은 가장 높으나 할인 노출율은 가장 낮음
    • 상품 정보는 충분히 검토하지만 구매 결정 단계에서 이탈하는 경향이 있음

 

  • 페르소나 B
    • 체류 시간 최단 (52 초)
    • 장바구니 전환율 높은 편 (33.08%)
    • 장바구니  구매 전환율 최고 (38.01%)
    • 장바구니 전환율과 구매 전환율 모두 높음
    • 리뷰 클릭율은 가장 낮으나 할인 노출율은 가장 높음
    • 상품 정보 탐색보다는 할인 혜택에 반응하며 구매까지 빠르게 이어지는 경향이 있음

 

  • 페르소나 C
    • 체류 시간 보통 (57 초)
    • 장바구니 전환율 최저 (25.35%)
    • 장바구니  구매 전환율 높은 편 (34.72%)
    • 장바구니 전환율은 낮으나 구매 전환율은 낮지 않은 편
    • 리뷰 클릭율과 할인 노출율 모두 비교적 낮은 편
    • 상품 정보와 할인 혜택 탐색이 상대적으로 낮고 장바구니 전환율도 가장 낮아 PDP 개선 효과를 확인하기에 적합함

 

  • 페르소나 D
    • 체류 시간 보통 (67 초)
    • 장바구니 전환율 낮은 편 (27.86%)
    • 장바구니  구매 전환율 낮은 편 (28.77%)
    • 장바구니 전환율과 구매 전환율 모두 낮은 편
    • 리뷰 클릭율과 할인 노출율 모두 비교적 높은 편
    • 상품 정보와 할인 혜택은 비교적 많이 확인하지만 장바구니 전환율은 낮아 다른 요인(광고·마케팅)의 영향 가능성 있

 

위 정리 내용을 바탕으로 하나씩 소거해 봤다.

 

1차 — 페르소나 B 제외

 

  • 장바구니 전환율과 장바구니 → 구매 전환율이 모두 높게 나타나 이미 성과가 좋은 집단으로 판단하였다. 또한 상품 정보 탐색보다는 할인 혜택에 더 반응하는 경향을 보여 개선 우선순위가 낮다고 판단하였다.

 

2차 — 페르소나 A 제외

 

  • 장바구니 전환율은 가장 높지만 장바구니 → 구매 전환율은 가장 낮아 구매 전환 개선이 더 시급한 문제로 판단하였다. 따라서 ‘PDP → 장바구니 담기 전환율 상승’이라는 과제 목표와는 다소 거리가 있다고 판단하였다.

 

3차 — 페르소나 D 제외

 

  • 상품 정보와 할인 혜택을 비교적 많이 확인하는 것으로 관찰되지만 장바구니 전환율은 낮게 나타났다. 따라서 PDP 자체보다 광고·마케팅 유입 특성 등 다른 요인의 영향을 함께 받을 가능성이 있다고 판단하였다.

 

최종 선정 — 페르소나 C

 

  • 장바구니 전환율은 가장 낮지만 장바구니 → 구매 전환율은 비교적 높게 나타났다. 또한 상품 정보와 할인 혜택 탐색이 상대적으로 적은 것으로 관찰되어 PDP 개선 효과를 확인하기에 가장 적합한 집단이라고 판단하였다.

 

..̩͙. ᘏ▸◂ᘏ .·̩͙
  ꒰   ɞ̴̶̷ ·̮ ɞ̴̶̷ ꒱ 🪄ꔛෆ   결국 페르소나 C 너였구나.......

 

 

 

 데이터 분석 계획 세우기

 

데이터 분석 왕초보로서 어떻게 진행할지 로드맵부터 잡아야 할 것 같다.

데이터 공부도 같이 해야 함

아 눈물나......

 

더보기

명목형 데이터 : 숫자로 측정 X, 순위 매기기 X (예: 성별, 혈액형, MBTI, 지역)

순서형 데이터 : 숫자로 측정 X, 순위 매기기 O (예: 학점, 만족도, 선호 등급)

이산형 데이터 : 숫자로 측정 O, 데이터 사이에 끊어짐 O (예: 뉴스레터 발행 건수, 섭취한 음료 수, 사고 발생 건수)

연속형 데이터 : 숫자로 측정 O, 데이터 사이에 끊어짐 X (예: 몸무게, 키, 길이, 매출)

 

데이터라고 다 같지 않다고요?🤨 : "디지털"한 일잘러 되는 비법

<통린이의 역습>이 궁금하다면, 여기 클릭!🐥오늘도 어김없이 돌아온 <통린이의 역습> 2️⃣번째 시간! 통린이(통계 왕초보🐥) 여러분은 성별 데이터와 몸무게 데이터에 어떤 차이점이 있는지

ablearn.kr

 

01. 페르소나 C 데이터 분석

  • PDP 직전 페이지별 장바구니 전환율
  • 리뷰 클릭 여부별 장바구니 전환율
  • 할인 노출 여부별 장바구니 전환율
  • 카테고리별 장바구니 전환율
  • 가격대별 장바구니 전환율
  • 체류 시간별 장바구니 전환율 → 체류 시간 분포 확인 후 구간화 필요

 

02. 영향력이 큰 변수 찾기

  • 어떤 변수가 전환율에 가장 큰 영향을 주는 것으로 보이는지?
  • 카이제곱 검정 해보기

 

03. 전체 데이터와 비교 분석

  • 페르소나 C만의 특징인지 확인

 

04. 심층 분석

  • 특징이 눈에 띄는 집단을 더 자세히 분석
  • 예: 검색 결과 진입 사용자의 전환율이 낮다 → previous_page_type = search_results 조건 데이터 심층 분석

 

5. 인사이트 정리

  • 숫자가 보여주는 사용자 행동을 이해할 수 있는 문장으로 바꾸기
  • “어떤 사용자 + 어떤 상황 + 어떤 행동 특성”
  • 예: 신규 검색 유입 사용자는 가격 혜택 정보를 인지했을 때 장바구니 추가 가능성이 높아지는 것으로 보인다.

 

 

 

데스크 리서치 특강

 

01. 데스크 리서치가 왜 필요한가?

 

  • 커리어: 성장하는 영역·회사로 미리 이동하고 사양 흐름은 피하기 위함
  • 서비스 전략: 시장 방향을 알면 경쟁사보다 반 발 앞서갈 수 있음
  • 설득력: "왜 이 방향이냐"는 질문에 시장 맥락으로 답해 회의에서 신뢰를 얻을 수 있음
  • 판을 읽는 감각: 개별 프로젝트를 넘어 판 전체를 읽는 감각이 생김

 

02. 시간 관리

 

  • 제한된 시간 안에서 진행
  • '그만둘 기준'을 미리 정할 것: 새 자료를 봐도 같은 결론이 반복되면 멈추기 (포화)
  • 공식 사이트·IR·종합 기사 한두 개로 시작, 그 다음으로 깊게 들어가기

 

03. 가설에서 시작하기

 

(1) 명확한 목적

 

  • 정보 수집에서 시작하더라도 내가 가지고 있는 가설 중심으로 목적이 점점 뾰족해지고 구체화되어야 함
  • 데이터 (흩어진 사실) → 정보 (정리된 사실) → 인사이트 (연결된 해석) → 결정 (행동)

 

(2) 좋은 리서치는 '질문'에서 시작

 

  • 나는 [의사결정]을 위해, [질문]을 풀 수 있도록, [자료]를 본다.

 

04. 자료와 자료를 연결해서 인사이트 도출하기

 

  • fact + fact + fact → 패턴 → 해석
  • 예: 쿠팡
    • fact 1: 대표는 전략 컨설팅 출신, 아마존 벤치마킹
    • fact 2: UI는 투박하지만 효율적
    • fact 3: 로켓배송·멤버십·OTT를 하나로 묶음
    • → 패턴: 감성·디자인보다 '습관과 락인(lock-in)' 중심
    • → 해석: "쿠팡은 리텐션 지표를 가장 중요하게 여긴다"

 

05. 편향 보정하기

 

(1) 소스의 입장을 고려하기: 누가, 누구에게, 왜 이 말을 하는지

(2) 정성 ↔ 정량 교차 검증 (크로스체크): 어긋나더라도 그것 역시 인사이트

(3) 나 자신의 편향 조심하기: 내 가설과 반대되는 증거도 찾아보기, 성공 사례·최신 사례에만 몰입하지 않기

 

06. 정리하고 'So what' 붙이기

 

  • 리서치 결과를 요약하는 것도 중요하지만, 나의 관점(결정)이 무엇인지가 중요함
  • 발견 (Finding) → 의미 (So what) → 제안 (Action)
  • 내가 없어도 팀이 이 자료만 보고 결정할 수 있는가?

 

07. 평소에 습관화하기

 

  • 시간이 쌓여야 맥락이 보임
  • 많이 봐야 '이상한 것'이 보임
  • (동종업계 대비) 매출 검색을 습관화하자! ㅋㅋ

 

08. QnA

 

  • 뉴스레터 추천: 팁스터
  • 기업 매출이나 순이익: 채용 공고 보거나 사업자번호로 검색
  • 면접 준비
    • 머릿속으로 시뮬레이션을 틈틈이 돌리기
    • 나를 어떤 컨셉으로 어필할 건지 먼저 생각한 다음에 → 그걸 포트폴리오에 녹이기
  • 신생 기업이나 하위 계열사처럼 찾기 어려운 회사 정보나 수치
    → 합리적으로 추론할 수 있도록 여러 정황 정보를 찾아보기
  • 모든 리서치의 시작에 다 명확한 목적이 있어야 하는 것은 아니고, 시작할 땐 목적이 없더라도 끝날 때는 목적이 생겨야 한다는 것
  • 링크드인은 필수적 → 비공식적인 정보 공유, 커피챗, 이직 등이 활발하게 이뤄짐

 

 

 

 

KPT 회고

 

Keep

 

  • 과제 목표(PDP → 장바구니 전환율 상승)와 연결하여 페르소나 선정 근거를 정리함
  • 데이터 분석 전, 어떤 순서로 데이터를 해석할지 분석 로드맵을 먼저 정리함
  • 체류 시간 구간화·전체 집단 비교 여부 등 분석 과정에서 필요한 기준을 미리 검토하며 분석 방향을 고민함

 

Problem

 

  • 체류 시간과 같은 연속형 데이터를 구간화하는 기준을 잘 모름 

 

Try

 

  • 사분위수, IQR 등 다양한 구간화 방법을 학습하고 데이터 특성에 맞는 방법을 적용해 보기
  • 서비스 기획 숙련 과제 — 데이터 분석