반응형
숫자는 사실을 말하지만, 사람은 그 안에서 의미를 본다.
데이터 분석은 단순히 '정답을 찾는 일'이 아니다.
오히려 질문을 다시 정의하는 과정이다.
수많은 데이터 중 어떤 지표를 선택하고, 어떤 패턴을 보고, 어떤 이야기를 꺼내느냐에 따라 결과는 완전히 달라진다.
창의성이 필요한 이유
- 가설은 상상력에서 나온다.
- 데이터는 이미 일어난 일만 말해준다. 아직 일어나지 않은 일을 보기 위해선 약간의 상상력이 필요하다.
- 인사이트는 스토리로 전달된다.
- 숫자는 오래 기억되지 않지만, 이야기와 비유는 오래 남는다.
- AI와 협업할 때도, '질문력'이 창의성이다.
- 같은 데이터를 보고도, '무엇이 알고 싶은가'가 달라지면 답이 달라진다.
- ex) 매출 하락의 원인 찾기
- 매출이 떨어졌다는 사실은 누구나 본다.
- 하지만 어떤 분석가는 '이건 시즌 이슈입니다.'라고 말하고,
- 다른 사람은 '고객 세그먼트의 전환율이 떨어졌어요' 라는 뷰를 제시한다.
- 같은 데이터이지만, 시선이 다르면 결론도 달라질 수 있다.
- 이 '다른 시선'이 바로 창의성이지 않을까?
데이터를 읽는 일은 숫자와 인간의 언어를 번역하는 작업이다.
그 번역이 섬세할수록, 데이터는 살아있는 목소리로 이어질 수 있다.
-창의성은 분석의 여백에서 발견된다.
- 좋은 분석가는 데이터를 다양하게 보는 사람이다.
반응형