2024년 한 해 정리하기

🎅목차

1. 운영시스템과 분석시스템의 구분
2. 공부 방향성
(1) 기술
(2) 도메인
3. 데이터 기반 업무 방향성
(1) PI: 기존 업무 방식의 효율화
(2) 인과추론 입문: 실무에 필요한 데이터 사고
(3) 비즈니스 분석: 데이터로 가치를 만드는 과정
4. 총정리

---

1. 운영시스템과 분석시스템의 구분

참고( ▼ )
https://gibles-deepmind.tistory.com/entry/%EB%8D%B0%EC%9D%B4%ED%84%B0-%EB%A7%88%ED%8A%B8%EC%97%90%EC%84%9C%EB%8A%94-%EB%AD%98-%ED%8C%8C%EB%82%98%EC%9A%94

데이터 마트에서는 뭘 파나요?(feat. OLTP, OLAP)

 
OLTP(Online Transaction Processing)와 OLAP(Online Analytics Processing) 
: 지금 우리 회사는 OLAP 환경을 새롭게 구성하고 있다. OLTP 시스템이 일상적인 기업의 운영을 지원하는 반면, OLAP 시스템은 기업의 방향을 설정하는 역할을 한다. 

OLTP(운영 시스템)
: 운영 시스템은 조직에서 사용하는 기존의 트랜잭션 처리 시스템이나 애플리케이션을 의미 (ex.ERP) 운영 시스템에서 데이터를 추출하여 데이터 웨어하우스로 전달

• OLTP는 사용자가 데이터를 생성, 수정, 삭제와 같은 트랜잭션을 빠르게 처리할 수 있도록 설계됨
• 사용자가 입력한 데이터를 저장하거나 처리한 후, 필요한 데이터가 "데이터 추출" 과정을 통해 데이터 웨어하우스로 전달됨

OLAP(활용)
: 대량의 데이터를 기반으로 분석 작업을 수행하는 시스템을 의미

• OLAP는 데이터의 다차원 분석, 보고, 의사결정을 지원하기 위해 설계됨
• 대규모 데이터를 분석 및 요약
• 데이터를 기반으로 통찰력과 패턴을 발견하는 데 중점을 둠
• 데이터베이스 설계는 비정규화된 구조로, 분석 속도를 향상시킴
• 데이터를 다차원적으로 분석하여 사용자가 인사이트를 도출하도록 지원하고, 이를 위해 데이터는 "데이터 웨어하우스"나 "데이터마트"에서 수집됨

OLAP 환경 - 기존 VS To-Be

	As-Is	To-Be
배포 방식	온프레미스 또는 클라우드(특히 SAP BW/4HANA) 기반	완전한 클라우드 네이티브 솔루션 * 데이터를 저장, 처리, 관리, 분석하는 모든 과정을 클라우드 상에서 실행 *온프레미스(내부 서버)에 설치할 필요가 없음
사용자 접근성	기술적인 설정 및 유지보수가 필요하며 주로 IT 전문가가 사용	직관적인 인터페이스로 비즈니스 사용자와 IT 사용자가 함께 작업 가능
데이터 저장	데이터가 로컬 데이터베이스(특히 HANA DB)에 저장됨	데이터 가상화 지원: 원본 데이터를 클라우드로 복사하지 않고도 분석 가능 *데이터 가상화: 데이터를 가상 레이어(중간 계층)에서 연결해 가져와, 원본 데이터를 이동하지 않고도 접근 및 분석 가능 * 데이터가 여러 시스템(ex. SAP ERP, 다양한 DB)에 분산되어 있어도 데이터를 복사해서 하나로 모으지 않고, 각 시스템에 연결하여 필요한 데이터를 실시간으로 가져와 분석 (→ 항상 최신 데이터를 사용할 수 있음)
데이터 통합	데이터 (복사 및) 적재를 통해 통합된 데이터 웨어하우스 * 데이터는 웨어하우스에 정적인 형태로 저장됨 * 일반적으로 배치(batch) 처리 방식으로 일정 시간 간격마다 데이터를 업데이트하여 실시간 데이터 반영이 어려움	데이터 가상화 및 실시간 통합 기능 (ETL 없이도 원본 시스템에서 데이터 분석 가능)
확장성	온프레미스 환경에서는 확장에 제약이 있을 수 있음	클라우드 기반으로 유연한 확장 가능 * 시스템이 사용자나 데이터 처리량의 변화에 따라 자동으로 확장(Scale-out)하거나 축소(Scale-in)
유지보수	정교한 유지보수가 필요하며 IT 리소스가 많이 요구됨	클라우드 기반으로 유지보수 부담이 적음
분석 방식	주로 사전 정의된 데이터 모델(큐브, InfoObject 등)을 사용	셀프서비스 데이터 모델링 및 다차원 분석을 지원
혁신 수준	기존 OLAP 기능 중심의 전통적인 데이터 웨어하우스	클라우드 네이티브 기능으로, 최신 데이터 관리 및 분석 트렌드를 반영

 
OLAP
① 모든 영역이 데이터를 통해 모두 연결되어 있어, 영역 간 데이터가 불일치하면 연결된 다른 영역에서 오류를 발생시킬 수 있음
② 데이터 흐름의 1) 가시성, 2) 일관성이 OLAP 시스템의 핵심
③ 새로운 tobe 시스템이 데이터 가상화를 지원하기에 항상 최신 데이터를 조회할 수 있고, 실시간 데이터 조회는 데이터가 즉시 의사결정에 반영될 수 있게 하여 큰 비즈니스 가치를 창출할 수 있음
 
운영 측면에서 어떤 것들을 고민해볼 수 있을까?
기존 리포트를 비즈니스 중요도(예. KPI와의 연관성, 의사결정 기여도)에 따라 우선순위를 정하고, 해당하지 않는 리포트는 축소하거나, 재구성한다.
의사결정자와 주기적으로 논의하며 리포트의 구조와 활용 방식을 점검하는 과정 필요

---

2. 공부 방향성 (1) 기술

양치기로 공부 X 직관적인 이해를 바탕으로 공부하자
 
이론/기술을 '직관적으로' 이해하기
: 분석 방법론에 대한 공부는 복잡한 수식을 알려고 노력하는 것이 아니라, 분석 방법이나 파라미터 조정 방법등을 이해해서 새로운, 혹은 적합한 분석과 모델링을 위한 '영감'을 갖는 것이 목적 (공부할 때 기계적으로 지식을 집어넣고 이해만 하는 데에서 끝나는 것이 아니라, 어떻게 적용될 수 있을지 생각해봤어야 했다..)
예시 1.
회귀에서 Lasso 회귀는 L1규제라고 불리는 파라미터 값을 조정하면서 대다수의 변수가 무의미하다고 단정짓고, 유의미한 변수 몇 가지를 선택하는 방법론이다. 훈련 모델의 정확도가 떨어질 수 있는 리스크가 있지만, 모델의 복잡도를 낮추고 일반화된 모델의 성능을 높일 수 있다. 

• 즉, L1규제는 '수많은 변수 중 많은 것들을 털어내고 몇 가지 확실한 변수만 골라낼 수 있는 방법
• 사례) 매주 발송되는 광고지면에 어떤 제품 카테고리를 비중 있게 싣는 게 좋을까? 라는 문제에 대해서, Lasso 회귀를 적용하여 전단광고에 반응하는 고객의 방문율과 구매금액에 미치는 요인이 '계절 과일', '유제품' 두 가지임을 알 수 있었고, 결과를 현장에 실험적으로 적용하여 기존에 100가지 넘는 다양한 카테고리를 표시했던 광고에서 유의미한 두 가지 카테고리 게절 과일과 유제품만 상세하게 실은 결과, 매출이 증가하였다.

그저 선형 회귀의 단점을 보완해 범용성을 부여하기 위한 방법이라고만 생각했었는데, 이게 어떤 상황에 적용될 수 있을까에 대한 고민을 깊게 해보지 않았었다는 것을 깨달았다.

 
예시 2. 회귀계수는 X,Y의 공분산을 X의 분산으로 나눈 값이다.분자 X,Y의 공분산의 의미는, '두 변수 X와 Y가 어떻게 함께 변하는지' → 즉 분자가 크면 X와 Y가 '함께' 많이 변한다는 의미, 기울기(회귀계수)가 커짐

1. 분모인 X의 분산의 의미: 'Y의 변동성 중 X로 설명할 수 있는 부분'
   • X의 분산이 크다.
     • X 값들이 넓게 퍼져있다.
     • 회귀분석에서는 변동이 큰 X를 선호한다, 그래야 Y의 변동을 더 잘 추정할 수 있고, 효과가 더 분명해지기 때문
     • Y를 예측하는 데 더 많은 정보가 있다.
     • 표준오차가 감소함 (*표준오차: 표본의 평균이 모집단 평균을 얼마나 정확하게 추정하는지=표본 평균들의 변동성)
       • x의 분산이 크면, 데이터가 x축에서 넓게 퍼져 있는 것이고, 더 많은 정보를 제공하면, 회귀계수의 불확실성이 줄어들어 표준오차가 감소하는 것
   • 회귀식에서 절편의 의미: 베이스라인(기준 값)
     • 독립변수가 모두 0일 때의 결괏값으로, 다른 모든 요인이 없었을 때의 값이므로 기준 값으로 이해할 수 있다.
     • *MMM(마케팅 믹스 모델링): Y가 매출일 때 절편은 '기준 매출(성과)'가 된다. 모든 마케팅 활동이 이루어지지 않았을 때 기본적으로 기대할 수 있는 매출 [= 브랜드 충성도, 제품의 자연스러운 수요, 시장에서의 기본적인 위치를 통해 얻어지는 매출) (회귀계수는 마케팅 활동 변수(X1, X2,...)의 기여도를 나타내는 계수)

+추가

• 편향-분산 트레이드오프: f(x)가 복잡할 수록 더 많은 데이터를 캐치할 수 있어 편향은 작아지나, 더 많은 데이터를 캐치하기 위해서 더 많이 이동해야 하므로 분산은 커지게 된다.
  • 예) 포화(회귀)모델: 모든 설명 가능한 변수와의 교호작용을 포함시킨 모델로, 데이터에 너무 완벽하게 맞추려고 하는 모델이다 보니, 데이터의 모든 세부적인 패턴과 노이즈까지 과도하게 반영이 된다. 훈련 데이터에서는 높은 성능을 보이지만, 테스트 데이터에서는 낮은 성능을 보이게 되는 전형적인 편향-분산 트레이드오프의 사례

---

2. 공부 방향성 (2) 도메인

도메인 지식의 중요성

 
매일 보는 데이터에 대한 이해 = 비즈니스에 대한 지식

• 데이터가 어떤 맥락에서 생성되고, 어떻게 활용되는지에 대한 깊이 있는 이해가 필요
• 데이터는 그 자체로 완전한 정보를 제공하지 않음, 데이터가 생성된 비즈니스 프로세스와 배경을 알아야 함. 예를 들어 DC율에 대한 데이터라면, 다음과 같은 질문을 던질 수 있어야 함
  • DC율은 어떤 기준으로 설정되는가? 어떤 부서에서 어떤 목표를 기준으로 설정하는지?
  • 매출 목표를 달성하기 위해 할인율을 조정한 것인지, 사후정산으로 산정된 것인지? 중간에 조정 가능한지?
    • 만약 사후정산 방식으로 산정된다면, 얼마나 효율적이었는지 평가할 수 있는 지표는 무엇일지
  • 채널/제품별 DC율의 차이가 영업 전략에 어떤 영향을 미치는가?
  • 만약 배경을 모른다면, 데이터 패턴을 잘못 해석하거나 중요한 변수 간의 관계를 간과할 가능성이 높다.
  • 분석 결과 전달 시에도 현업 업무를 알고 있다면 비즈니스 니즈에 맞추어 전달할 수 있을 것

---

3-1. PI(Process Innovation): 기존 업무 방식의 효율화

※ PI: 기존 프로세스를 분석하고 병목현상, 비효율성을 찾아내어 개선 방안을 설계하는 업무로, 그 과정에서 핵심 시스템을 업그레이드하는 등 디지털 기반의 업무 환경을 구축하고, 업무 자동화를 추진한다.결과적으로 생산성을 높이고 운영 비용을 줄이는 전략을 실행함
 

• 데이터 분석 자체로 뭔가를 바꿀 수는 없다. 뭔가 바꿔야한다는 생각을 갖게 해주는 터닝포인트가 될 수는 있지만, 분석 과제 결과가 바로 업무 방식을 바꾸기는 힘들다.

모호했던 현상이 데이터를 통해서 구체적으로 정의되는 과정을 통해서 변화가 일어난다고 생각했는데, 그 과정 하나하나에 큰 의미를 두지 않는 느낌? 이 중간 과정에서 발생하는 인사이트, 새로운 지표같은 것들이 PI 관점에서는 중요하게 여겨지지 않는 것 같은 생각이 든다.. 근데 또 한편으로는 액션을 취할 수 없는 데이터 분석은 무의미하다는 말에 공감이 되기도 함

• 기술은 단순히 도구일 뿐이다
  • 행사 계획을 세울 때 시뮬레이션을 해볼 수 있도록 대시보드에서 '직접 값을 입력했을 때 수식 결괏값이 바뀌는 기능'의 수요가 높았다. 
  • 매개변수라는 기능을 알게 되어서 제품별로 한 가지 값을 입력하면 연결된 산식 결괏값이 바뀌는 화면을 만들었는데, 요구사항 자체가 애초에 잘못되었다는 것을 깨달았다. 엑셀에서도 수식으로 시뮬레이션해볼 수 있고, 그 수단만 다를뿐 아무것도 바뀌지 않았다.
  • 엑셀로 수식을 걸어 하던 작업을 대시보드에서 보다 간단히 할 수 있지 않을까? (X)
  • 간단하다는 건 지금보다 수작업이 덜 들어가는 것일텐데, '값을 입력해서 결과를 확인하는 일'은 처음부터 끝까지 사람의 판단이 들어가기에 간단해질 수 없다. 사람의 판단이 들어가는 일은 수작업이 불가피하다.

상대방의 요구사항을 듣고 1) 구체화해보고, 2) 내가 구체화한 것의 의미가 상대방이 원했던 것과 동일한지 확인하고, 3) 기술적으로 가능한지 여부를 판단하고, 4) 안된다면 대안이 될 수 있는 방법은 무엇일지 단순히 제시하는 게 아니라, 데이터↔비즈니스 지식을 주고받음으로써 연결점을 찾으려고 노력하며 함께 찾아가는 과정이 중요하고, 내가 흥미있는 영역이라고 느껴졌다.

---

3-2. 인과추론 입문: 실무에 필요한 데이터 사고

머신러닝의 한계와 인과추론
: 머신러닝은 '만약' 값이 이렇게 바뀐다면 결과가 어떻게 될까?와 같은 질문에 답을 주지 못한다. 일부 변수들을 통제하면서 특정 변수의 효과를 확인하고 싶을 때, 원인과 결과 변수를 해석하는 데 관심이 있을 때에는 인과추론이 필요하다.
→ 현재 회사에서 필요한 답을 줄 수 있는 분석 방법론이 무엇인지 고민하던 와중, 인과추론을 위한 데이터 과학 책 서문에서 위와 같은 내용을 읽으며 내가 찾던 답이 여기에 있을 거라는 확신이 들었었었다.
→ 하지만 공부하면 할수록 너무나 많은 시간과 노력이 들어가는 것에 비해, 결과가 지엽적이라고 해야하나 .. 일반화하기 어려워 활용하기 위해서는 더욱 더 많은 시간이 필요할 것 같다는 생각이 들었다. 
 
예) 추천시스템을 도입했을 때 기업 성과에 긍정적인 영향을 주는가?

• 위와 같은 질문에 대한 답을 내려면, 추천시스템을 도입할지 말지, 실제 서비스에 적용할지 말지에 대한 결정은 인과추론 문제가 된다.
• 위의 사진에서 보면 추천시스템을 통해서 상품을 구입한 액션의 75%는 추천 시스템이 없었어도 일어났을 것이라는 사실을 알아냈고, 그렇다면 나머지 25%(추천시스템을 통해 발생한 매출)가 추천시스템을 도입한 비용을 상쇄하는지, 회수할 수 있는지 확인해볼 필요가 있다. "추천시스템의 정확도를 높인다 = 추가 매출이 발생한다" 가 성립하지 않는다는 사실을 인지해야 한다.

→  학부 시절에는 내가 분석한 결과가 얼마나 큰 비즈니스 임팩트가 있을지에 대한 고민은 해보지 않았다. 기술 자체에 초점을 맞춰 평가 결과가 높으면 좋은 것이었겠지만, 기업에서는 그래서 그 분석이 얼마나 기업의 성과에 영향을 주었는지가 더 중요하다. 
→  특히 회사에서는 분석 결과가 Actionable 한지, 성과에 기여할 수 있도록 뭔가를 바꿀 수 있는지 여부를 중요하게 여긴다. 그걸 판단하면서 분석 과제를 기획하고 수행해야하는데, 그게 제일 어려운 것 같다.

---

3-3. 비즈니스 분석: 데이터로 가치를 만드는 과정

업무에서 내가 좋아하는 영역 찾기

 
BA와 DA의 차이는 뭘까?
내가 느끼기에는 데이터 분석의 전반적인 과정을 쪼갰을 때, 비즈니스 분석은
1) 과제를 기획할 때 분석 결과가 비즈니스 임팩트가 큰지 고려하는 과정,
2) 결과가 활용 가능하고 actionable하도록 결과를 다듬는 과정
즉, 맨 첫 단계와 맨 마지막 단계에 집중하는 것 같고, 데이터 분석은 분석 과정 자체에 더 집중하는 느낌
 
내 생각을 기반으로 GPT가 그려준 그림(▼)

 
✅ 비즈니스 분석가(BA)

• 중점 영역: 비즈니스 문제 정의와 솔루션 설계
• 주요 역할
  1. 문제 정의: 분석을 통해 해결하고자 하는 비즈니스 문제 정의
  2. 가설 설정: 데이터 분석을 통해 검증할 가설과 목표 설정
  3. 전략적 의사결정: 분석 결과를 바탕으로 Actionable 한 인사이트를 제안
  4. 비즈니스 임팩트 평가(고려): 결과가 실제 비즈니스 목표(매출 증가, 비용 절감)에 미칠 영향을 평가
• 주요 질문
  1. 왜 분석해야 하는가?
  2. 어떤 방식으로 비즈니스 가치를 창출할 것인가?
  3. 이 문제를 해결하면 비즈니스에 어떤 가치를 줄 수 있는가?
  4. 분석 결과를 어떻게 활용하고 의사결정에 반영할 것인가?
• 고민 영역
  1. 조직의 자원을 어떻게 효율적으로 활용할 수 있을까?
  2. 어디에 우선순위를 두어야 할까?
  3. 목표를 어떻게 설정해야할까?

✅ 데이터 분석가(DA)

• 중점 영역: 데이터를 기반으로 한 분석 수행/모델링
• 주요 역할
  1. 데이터 수집 및 정제: 분석에 적합한 데이터 수집/클렌징
  2. 분석 및 시각화: 데이터를 분석하고, 트렌드와 패턴을 도출
  3. 모델링: 머신러닝, 통계적 모델링 등 심화 분석 수
  4. 결과 해석: 분석 결과를 기반으로 데이터 중심의 인사이트 제공 (이 결과를 현업 담당자에게 다이렉트로 전달할 경우 그래서 뭐?라는 반응을 보일 수 있음,,)

→ 데이터에 대한 지식 + BA
: 데이터 기반 가설설정 / Actioanble Insight 강화

• 비즈니스 문제 정의 시, 실제 데이터의 구조와 가능성을 염두에 두고 실행 가능한 가설 설정 가능 (비즈니스에 대한 지식만 있는 현업이 데이터 과제를 기획한다고 하면, 데이터를 아예 모르는 경우 어떤 분석이 가능할지에 대한 감 조차 오지 않기 때문에 비현실적인 과제가 되어버림)
• 분석 결과가 실제 비즈니스에서 실행으로 이어질 수 있도분석의 '한계'를 이해하고 현실적인 적용 방안 설계 가능

→ 비즈니스에 대한 도메인 지식이 부족해서 활용가능하지 않아 분석 결과로 아무런 조치를 취할 수 없는 과제를 수행한 경험이 있다. 행사 진행/미진행 시 성과 차이로 베이스라인을 구해서 특정 채널의 특정 행사에 대한 효과를 제품별로 도출했는데, 알고보니 이 채널에서는 우리가 을이라서 행사 진행 대상 제품에 대한 결정권이 없었다. 그래서 해당 채널에 특정 제품을 행사 대상으로 넣어달라고 제안은 할 수 있겠지만 영향력이 크지 않으니 차라리 우리에게 결정권이 있는 유형의 행사를 분석하는 게 나았을 것이다. 분석 방법은 되게 복잡해서 시간이 많이 소요됐는데 활용하기 힘든 결과가 되어 현업 반응이 매우 부정적이었다. 이 경험을 통해서 도메인 지식의 중요성을 느끼고 해당 부분을 사전에 고려하지 못한 내 부족함에 앞으로의 업무 방향성에 대한 고민을 해보게 되었다.
 
✅ 비즈니스 분석에서 관심 있는 두 단계
 
1) 기획 단계
: 분석 결과가 비즈니스 임팩트를 최대화할 수 있도록 목표와 방향성을 설정하고 과제를 정의하는 과정
 
2) 결과 전달 단계
: 분석 결과를 실질적으로 활용 가능하고 Actionable하게 다듬어 의사결정과 실행으로 연결하는 과정
ex. '행사 영향도'를 도출했다면, 그대로 현업에 전달하는 게 아니라, 그래서 행사 할인율을 몇 %로 해야 하는지, 몇 개를 판매하는 것을 목표로 설정해야 행사 효과가 극대화되는지, 비용이 효율적으로 투입되는지에 대한 값을 도출하기 위한 계산식을 만들어서 행사를 계획하고 실행하는 주체인 현업이 액션을 취할 수 있는 결과를 전달하는 것 (실제로 결과를 현업에 보여줬을 때 활용 가능하려면 이러한 정보가 되면 더 좋을 것 같다는 의견에 내가 도출한 결과를 한 번 더 계산하여 새로운 산출식을 통해서 더 나은 결과물로 만들어진 경험이 있어서,이 마지막 과정의 중요성을 체감하였다.)
 
✅ BA의 핵심 역량과 목표

3-3-1. 가설 설정
" [개입(액션)]을 구현하면, [특정한 행동 논리]로 인하여 [목표 지표]를 기반으로 측정한 [비즈니스 목표]를 달성할 수 있다." 

• 특정한 행동논리: 구현한 개입(기술)이 Actionable한지?
• 목표 지표: 성과 지표가 Measurable한지? 즉, 측정 가능한 목표 지표는 '중간 목표'라고 생각할 수 있음
• 비즈니스 목표: 성과 지표가 비즈니스 목표로 연결되는지?   

ex)
" [구매 7일 후 리뷰 알림톡]을 구현하면, [재방문에 대한 동기 부여]로 인하여 [리텐션 지표 개선]을 기반으로 측정한 [ms 극대화]를 달성할 수 있다."
ex2)
" [지역별 차별화된 가격 정책]을 구현하면, [ 소비자의 가격 민감도를 낮추고 자사 제품에 대한 가치를 재인식시키는 효과]로 인하여 [MS 개선]을 기반으로 측정한 [시장 점유율 극대화]를 달성할 수 있다." 
 

3-3-2. 조직의 의사결정 수준을 높이는 일

• 모든 구성원이 비즈니스 문제를 해결하기 위한 데이터를 활용할 수 있는 환경을 만듦
• 현재의 비즈니스 상황, 필요한 정보를 직관적으로 확인할 수 있는 대시보드를 만듦

※ 높은 의사결정 수준이란?

• 투입된 input 대비 output이 높아지도록 만드는 일
• 의사결정이 필요한 영역(예시)
  1. 프로모션 할인율을 20%로 하는 것이 좋을지, 30%로 하는 것이 좋을지
  2. 새벽배송 주문 마감 시간을 22시로 하는 것이 좋을지, 01시로 하는 것이 좋을지
• 위와 같은 의사결정을 하기 어려운 이유는, 수많은 '매개변수'가 포함되기 때문
  1. 프로모션이 각각 20%, 30%일 때의 매출을 정확하게 예측할 수 있다면, 매출과 이익이 극대화되는 지점을 선택할 수 있을 것
  2. 하지만 현실에서는 경쟁사 프로모션, 소비 심리 등 매출에 영향을 미치지만, 측정/수집이 불가능한 요소가 무수히 많음
  3. 이러한 요소들을 최대한 모아서 예측 모델로 의사결정을 하는 게 최선은 아닐 것
  4. 즉, 예측 모델의 정확도를 1% 올리는 데 많은 시간을 쏟기보다는, 도메인에 대한 이해를 높여서 의사결정을 하는 것이 나을 것

---

3-3-3. E2E(End-to-End) 프로세스의 이해와 최적화

: E2E 프로세스란, 비즈니스의 시작부터 종료 단계까지 전 과정을 이해하고 연결하는 프로세스로, 개별 작업이나 부서의 역할에 국한되지 않고 전체적인 관점에서 업무 흐름을 이해하고 최적화하는 데 초점이 맞춰져 있음

ex. 제조업의 E2E 프로세스 예시

1. 수요 예측 및 계획(S&OP) *S&OP: Sales&Operation Planning, 판매 및 생산 계획
2. 생산 계획 (생산)
3. 자재 발주 (구매)
4. 제품 출고 및 배송 (물류)
5. 매출 마감 및 수익성 분석 (재무)

• 연계 분석/개선 기회 발굴
  • E2E 프로세스의 각 단계에서 생성되는 데이터를 어떻게 엮어서 함께 분석해야할지 알 수 있음
  • 마지막 재무 및 KPI 분석에 대한 지식은 매출, 비용, 수익성 등 비즈니스 지표와 연결하여 분석 결과의 가치를 극대화할 수 있
  • 영역별 프로세스 이해를 통한 개선 기회 발견 가능
  • 전체 업무 흐름을 이해함으로써 병목 현상, 비효율적인 단계를 식별할 수 있다.
  • 프로세스 내에서 불필요한 작업, 반복적인 단계를 제거하거나 자동화할 수 있는 기회를 발견할 수 있다.
• 데이터 기반 과제 기획 
  • 프로세스 전반에서 발생하는 주요 데이터(수요, 생산량, 재고 수준)를 파악하여 분석에 필요한 핵심 데이터를 효율적으로 수집할 수 있다.(어느 영역에서 발생하는 데이터인지 알기 때문에)
  • 비즈니스 임팩트 예측 가능: 특정 프로세스를 개선하게 되면 다른 단계에 어떤 영향을 미치는지 알고 있기 때문에 비즈니스적으로 어떤 영향을 미칠지 인지하고 어떤 문제를 방지할 수 있는지 판단할 수 있음
• 부서 간 협업 측면
  • 공통 언어 습득: 각 부서 간의 요구와 우선순위를 이해하여 더 원활한 협업 가능
  • 책임 소재 명확화: 프로세스 단계별로 각 부서의 역할과 책임을 명확히 이해하면, 문제 발생 시 더 빠르게 해결책 제안 가능

• 프로젝트 개선 프로젝트의 실행력 증대
  • 비즈니스 임팩트가 큰 과제 식별
  • 성과 추적 가능: 개선된 프로세스가 실제로 비즈니스 임팩트를 얼마나 주었는지 측정 가능

습득한 지식을 바탕으로 수행할 수 있는 프로젝트에는 무엇이 있을까
① 프로세스 개선: ex.생산 및 물류 프로세스에서 병목 구간을 파악하여 개선
② 비용 시뮬레이션: 비용 변화가 수익성에 미치는 영향 분석
③ 패턴 분석: 비효율적이거나 반복적인 패턴 발견 (비효율적인 패턴이라는 사실을 현업이 아닌 내가 알 수 있을까?.?)
④ 프로세스 자동화: 자동화될 수 있는 프로세스가 있다면 자동화하여 업무 효율 개선
⑤ 재고 최적화: 안전 재고 관리(적합한 수준 설정), 재고 이동 최적화, 실시간 재고 모니터링
⑥ 위험 감지 대시보드 운영: 리스크 요인을 실시간으로 감지해 조기 대응 가능
그 와 KPI 관련된 현황 분석(비용 절감, 클레임 데이터 ,,)도  있지만 그렇게 흥미로워 보이지는 않는다 
 
접근 방식의 전환
알고 있는 분석 방법론이 한정적이고, 이론은 많지만 비즈니스에 적용할 수 있는 방법이 적다고 느껴짐
→ 비즈니스 문제 원인에 대한 해결책을 제시할 수 있는 인과추론에 대한 학습을 해보았으나, 실험 환경을 설계되어 있어야(혹은 설계해야)한다는 점에서 어려움을 겪음 → 비즈니스의 맥락과 문제 해결 중심으로 접근 방식을 전환해야 한다. 문제해결 중심의 학습 방법론에는 뭐가 있을까? 에 대한 답을 얻는 게 내년 목표 ,,

---

4. 총정리

✅ 내 성향&흥미&적성

GPT랑 정리하기
: 전체를 설계하고 구조화하며, 전략적으로 접근하는 거시적 사고 유형으로, 조직의 리더십, 프로젝트 매니지먼트, 프로세스 설계, 비즈니스 전략과 같은 역할에서 빛을 발할 수 있다고 한다..~~

1. 시스템적 사고
   • 여러 요소들이 어떻게 상호작용하여 전체 시스템을 구성하는지 이해
   • 복잡한 프로세스를 단순화하고, 추상적인 현상이나 정의되지 않은 개념을 체계적으로 풀어내서 큰 그림에서 문제를 파악하여 개선점을 찾는 일
   • 그리고 그 개념을 누구나 이해할 수 있도록 구체화하는 역량
   • E2E 프로세스처럼 여러 부서와 단계가 얽힌 복잡한 과정을 체계적으로 이해하고 구조화
   • 복잡한 데이터와 현상을 단순화하여 조직 내 이해관계자들에게 전달
2. 전략적 사고
   • 세부적인 디테일보다는 전체적인 목표를 설정하고, 이를 달성하기 위한 거시적인 방향을 설계하는 데 집중
   • 프로세스 전반에서 '어떤 단계가 전체 비즈니스에 가장 큰 영향을 미칠까?'를 고민하고 최적화 방안을 설계
3. 넓고 얕은 분석 성향
   • 여러 주제를 폭넓게 다룰 수 있지만, 특정 문제를 깊게 파고드는 데서는 어려움을 느낌
   • 여러 문제를 연결하고 맥락을 통합하는 데 강점, 세부적인 문제보다는 여러 문제 간의 관계를 파악해 통합적이니 해결책을 제시
4. 조율자
   • 다양한 이해관계자 간의 커뮤니케이션을 조율하고, 전체적인 방향성을 맞추는 데 능숙
   • 협업과 통합적인 접근 방식을 통해 조직 내 조화를 이끌어 냄
5. 논리적으로 정리하고 설득하기
   • 데이터를 통해 자신의 생각을 검증하고, 논리적으로 정리하여 타인을 설득하는 영역에 흥미를 느낌
   • 데이터 인사이트를 바탕으로 전략을 수립하고, 의사결정권자들을 설득하는 역할
   • 분석 결과를 시각화하거나, 서사적으로 풀어내어 비즈니스 임팩트 도출

✅ 성향을 기반으로 보완할 점

1. 세부적인 디테일 보완
   • 분석을 심화할 때 협업을 통해 디테일을 보강
   • 특정 문제에 집중하는 습관 기르기 - 문제를 세분화하고, 각각의 세부적인 원인을 탐구하는 연습
2. 깊이 있는 분석 훈련
   • 특정 영역을 깊이 파고드는 연습을 통해 세부적인 통찰력 키우기
   • 하나의 문제를 설정하고, '왜?'를 반복적으로 질문하며 근본적인 원인을 탐구하는 연습

✅ 올해 아쉬운 점 - 데이터 기반 실험과 검증과정의 부재 (대시보드의 한계)
 
A. 대시보드만 제공한 경우
: 특정 지역의 매출이 낮다는 사실을 대시보드로 보고했다면, '매출이 낮은 지역에 프로모션을 강화해야하나?'라고 추측하고, 실행으로 이어질 수 없음
 
B. 실험 설계를 추가한 경우

• 분석 결과: 특정 지역의 매출이 낮음을 발견
• 가설 설정: 프로모션 강화가 매출 증가로 이어질 것이다
• 실험 설계: 해당 지역 매장의 일부에 할인 쿠폰을 제공하고, 나머지는 그대로 유지
• 결과 검증: 할인 쿠폰 제공 매장에서 매출이 15% 증가한 것을 데이터로 확인
• 확장: 프로모션 전략을 모든 매장으로 확대 적용

< 가설 도출 → 실험 설계 → 결과 분석 → 확장 및 최적화>로 이어지는 프로세스의 체계화 필요 
→ 시각화한 대시보드만 던져주고 데이터 기반 의사결정을 해라, 업무 방식을 바꾸라고 하면 당연히 현업에서의 활용도가 낮을 것
→  대시보드와 실험 결과를 연결하는 단계가 필요하다.
 
※ 실험이 중요한 이유

• 데이터 분석이 유의미함을 검증하여 결과의 신뢰성을 확보할 수 있음 (기존 방식의 변화를 이끌어낼 수 있음)
• 비즈니스 리스크를 최소화할 수 있음 (분석의 신뢰성이 확보되지 않은 상태에서 전사적으로 바로 도입하는 것은 불가능)
• 의사결정 지원: 의사결정권자에게 구체적인 데이터와 "결과"를 제공하여 실행 가능성을 높임

※ 비즈니스 딜레마
: 비즈니스 효과를 측정하려면 실행해야 하지만, 실행 전에 그 효과를 확신할 수 없다는 딜레마는 데이터 기반 의사결정 과정에서 매우 일반적인 상황
→ 이러한 상황에서 실험 및 검증 과정이 중요한 역할을 할 수 있다. 실행을 먼저 하되, 국소적으로 실험을 진행하여 실행의 리스크를 를 제한된 범위로 축소하여 안전하게 새로운 방안을 테스트할 수 있고, 효과의 신뢰성을 데이터로 입증할 수 있음
→ 즉, 실험은 분석 결과를 실행 가능한 형태로 구체화하고, 성과로 이어지는 중간다리 역할을 한다.
 
ex. 실험 및 검증 과정이 추가된 프레임워크

1. 목표 정의: 실험을 통해 해결하려는 비즈니스 문제 설정
2. 가설 설정: 데이터 기반 가설 수립
3. 실험군/통제군 설정: 실험군(새로운 방식 적용)과 통제군(기존 방식 적용)을 나눔 (ex. 특정 고객 그룹만 할인 적용)
4. KPI 및 측정 방법 설정: 실험 결과를 평가할 수 있는 KPI 정의
5. 실행 방안 검증 & 결과의 지속적인 개선
6. 성공사례 확산

---

🎄

올해 잘한 일
1. 스터디 한 것
: SQL은 다 까먹은 것 같긴하지만..^^ 인과추론을 경험해봐서 좋았다
2. 운동 시작한 것
: 재미도 적당히 있고 성취감도 있고 꾸준히 할 수 있는 운동인 것 같아 계속 꾸준히 하려고 한다
3. 하고 있는 일의 의미를 이해하려고 노력한 것 (뭐든 생각하기 나름~)
:주입식 교육의 폐해인지 뭔지 효율을 중시하는 기계적인 업무 성향을 가지고 있다는 것을 깨닫고(..) 최대한 주어진 일에 주인 의식을 가지고 주도적으로 하려고 노력 중..~~
4. 답답할 때 일기 쓴 것
: 내가 왜 답답했는지, 어떤 점에서 그런 감정을 느꼈는지 알 수 있어서 비슷한 일이 생겼을 때 대처하는 방식이 조금이나마 나아지는 것 같아 앞으로도 종종 쓰려고 한다. 역시 기록하지 않으면 남는 게 없다

내년 계획
1. 기록 부지런히 하기 (특히 생각) (월 1회)
: 연초에 호기롭게 매일 매일 업무한 것, 느낀 점 등을 기록하려고 하다가 주 단위로 줄였다가, 월 단위로 기록하다가 흐지부지 됐는데 이번엔 월 1회만 꾸준히 하는걸로~.~
2. 현업 업무 용어/프로세스 이해 
: 내가 깊게 파고들고 싶은 영역이 어디인지 찾을 수 있었으면 좋겠다. 지금은 전체적으로 얕게만 알고 있어서 나만의 전문 도메인 영역(?)이 내년 말에 기록할 때 즈음에는 있었으면~
3. 업무적으로 하고 싶은 프로젝트 구체적으로 생각해보기 (가능하면 수행까지..!)
: 예를 들어 데이터 기반 실험과 검증 과정을 업무에 도입하고 싶다면, 스스로 작은 실험을 진행하고 성과를 입증하여 제안을 해볼 수 있을텐데, 그 제안이 구체적이려면 혼자서 생각을 많이 해봐야 할 것 같다
4. 운동 꾸준히 하기 (주 3-4회)
5. 재테크 공부 주기적으로 하기 (월 1-2회)

---