데이터 읽기의 기술

 

 

점점 성별과 나이의 구분이 무색해지고 있다. 그래서 오히려 개인의 성향에 맞춘 추천, 혹은 행동 속성에 따른 군집화가 적합하다. 특정 기준을 가지고 고객을 집단화하는 것이다. 

과거엔 모두에게 광고를 뿌리고spray 그것이 원하는 고객에게 전달되기만을 바라는pray 방식이었다. 이제는 개인이 볼 수 있는 웹이나 앱 플랫폼에서 그들에게 적합한 정보를 제공한다. 광고 비용의 효율화뿐만 아니라, 구매 가능성을 높인다는 데 방점이 찍히는 것이다. 

 

 

맞춤형 추천 알고리즘

1) 사람 간의 유사성 계산

- A가 구매한 목록과 B가 구매한 목록이 비슷하다면, A는 샀지만 B가 아직 사지 않은 것을 B에게 추천하기 

2) 상품 간의 유사성 계산 (사람보다 상품 수가 적으니 더 빨리 계산 가능)

- A 상품을 산 사람과 B 상품을 산 사람이 많이 겹치면 A와 B는 유사한 상품이라는 추천 규칙 만들기 

(ex) 왓챠 " OO를 좋아하면서 XX를 보지 않았다는 것은 키스는 했는데 뽀뽀는 안 했다는 것"

 

 

인구통계학적 정보는 덜 중요. 오히려 어떤 시간대에 어떤 행동을 하는 사람들을 파악한 뒤 제품을 만드는 것이 훨씬 설득력 있다. 

(ex) "차 안에서 운전을 한다"라는 행동에 집중하면 인구 통계학적인 구분보다 훨씬 더 구체적인 제품을 구상할 수 있다 

 

 

데이터 분석의 결과가 너무 뻔하고 상식적이어도 정확한 수치나 비율은 상식으로 알 수 없다. 1년 전에는 몇이었고 10년 전에는 어땠는지 알지 못한다. 지금 얼마나 비율이 변화하고 있고, 앞으로 매장 의자를 얼마나 갖추어야 하는지, 테이크아웃용 용기가 얼마나 필요한지도 알지 못할 것이다. 

 

 

꼭 많은 사람을 대상으로 모은 데이터가 좋은 데이터는 아니다. 오히려 수가 많으면 많을수록 그룹의 특성이 사라질 수 있다. 수만 명을 대상으로 하든, 수십만 명을 대상으로 하든 큰 차이가 없는 경우가 많다.