데이터 애널리틱스는 단순히 정보를 체계화하여 유용한 정보를 찾는 것이 아닙니다. 데이터 애널리틱스의 목표는 문제 해결입니다.
예측
데이터를 사용하여 향후 일어날 일에 관해 정보에 기반하여 의사 결정을 내립니다.
회사에서 신규 고객을 유치하는 데 가장 적합한 광고 방법을 찾고 있다면 애널리스트가 데이터를 통해 결과를 예측해야 합니다. 애널리스트는 미래의 결과를 보장할 수 없지만, 과거 광고에서 얻은 위치, 미디어 유형, 신규 고객 수 데이터를 활용하여 타겟층에 도달하기에 가장 적합한 광고 게재위치를 예측할 수는 있습니다.
분류
공통 특징을 기반으로 데이터를 그룹화 합니다.
회사의 목표가 고객 만족도 개선인 경우 애널리스트가 데이터를 분류해야 합니다. 애널리스트는 특정 키워드 또는 점수를 기준으로 고객 서비스 통화 내역을 분류할 수 있습니다. 또한 최우수 고객 서비스 담당자를 파악하거나 고객 만족도 향상으로 이어진 특정 조치를 파악할 수 있습니다.
특이점 발견
표준과 다른 데이터를 식별합니다.
건강 상태 모니터링용 스마트시계를 판매하는 회사는 특이점 포착 소프트웨어를 설계하는 데 관심이 있을 수 있습니다. 애널리스트는 집계된 건강 데이터를 분석하여 제품 개발자가 특정 데이터가 비정상적인 추세를 보일 때 알림을 감지 및 설정하기에 적합한 알고리즘을 결정하도록 도움을 줄 수 있습니다.
주제 파악
분류한 데이터에서 더 넓은 개념과 추세를 인식합니다.
사용자 경험(UX) 디자이너는 사용자 대화형 데이터를 분석하기 위해 애널리스트의 도움을 받기도 합니다. 분류가 필요한 문제와 마찬가지로, 사용성 개선 프로젝트에서는 애널리스트가 개선이 필요한 제품 기능의 우선순위를 정하는 데 도움이 되는 주제를 파악해야 할 수 있습니다. 주제는 연구자가 데이터의 특정 측면을 탐구하는 데 가장 자주 사용됩니다. 사용자 연구에서 사용자 신념, 행위, 요구사항이 주제가 될 수 있습니다.
분류와 주제 파악
분류는 카테고리를 나누는 것이고, 주제 파악은 한 단계 더 나아가 카테고리를 더 넓은 주제로 그룹화하는 것이라고 생각하면 차이점을 쉽게 이해할 수 있습니다.
관계 파악
다양한 개체에서 유사한 문제를 식별하고 데이터와 유용한 정보를 사용하여 공통 해결책을 찾습니다.
서드 파티 물류 회사가 고객에게 제때 배송하기 위해 다른 회사와 협력하는 경우 애널리스트가 관계를 파악해야 합니다. 애널리스트는 배송 허브 내 대기 시간을 분석하여 정시 배송 횟수를 늘릴 수 있도록 적절하게 변경한 일정을 제시합니다.
패턴 찾기
앞서 일어난 일에 관한 과거 데이터를 사용하여 재발 가능성이 얼마나 있는지 파악합니다.
기계 고장으로 인한 가동 중지 시간을 최소화해야 한다면 애널리스트가 데이터에서 패턴을 찾아야 합니다. 예를 들어 애널리스트는 유지보수 데이터를 분석하여 대부분의 고장이 정기 유지보수를 15일 넘게 미뤘을 때 발생한다는 사실을 알아낼 수 있습니다.