데이터 분석가 역량 4가지 대시보드는 누구를 위해서 만드나?

현재 데이터 분석가를 꿈꾸는 사람들은 예전에 분석가에게 요구되었던 부분에서 더 많은 것이 늘었습니다. 그 중 하나가 바로 AI를 활용하는 능력입니다. 현 데이터 분석가 역량 4가지를 알아보고, 그 중 하나인 대시보드를 만들 때 고려해야 하는 것들에 대해서도 이야기해 보겠습니다.

기업이 뽑고 싶어하는 데이터 분석가 역량 4가지

대화와 기술이 넘쳐나는 요즘, 많은 이들이 데이터 분석가를 꿈꿉니다. 파이썬 코드를 유려하게 짜고, 복잡한 SQL 쿼리를 날리며, 태블로(Tableau)나 프리셋 같은 화려한 대시보드 툴을 다룰 줄 알면 금방이라도 취업 문이 열릴 것이라 기대하곤 하죠.

하지만 현업에서 데이터로 밥을 먹고 사는 입장에서, 그리고 최근 AI의 무서운 진화 속도를 체감하는 입장에서 단언컨대 말씀드릴 수 있습니다. 예전에 데이터 분석가들이 하던 일만 해서는, 이제는 절대로 취업할 수 없습니다.

AI는 이미 파이썬 코딩, SQL 쿼리 작성, 그리고 기본적인 통계 방법론을 우리보다 훨씬 더 빠르고 정확하게 해냅니다. 기술(Hard Skill)의 가치가 급락하는 시대, 그렇다면 기업이 요구하는 진짜 데이터 분석가 역량은 무엇일까요?

이제 분석은 가장 마지막 단계다 데이터 분석가 역량 4가지

흔히 데이터 분석을 공부한다고 하면 모델링을 돌리고 차트를 그리는 장면을 떠올립니다. 하지만 현업에서의 ‘분석’은 전체 프로세스의 아주 일부분이며, 가장 마지막에 행해지는 일입니다.

진짜 데이터 분석가로 성장하고 가치를 증명하려면 다음의 4가지 흐름을 완전히 장악해야 합니다

1) 문제를 정의하는 능력 (분석 주제 도출)

데이터를 들여다보기 전에 도대체 우리가 해결하려는 비즈니스 문제가 무엇인가?를 스스로 정의할 수 있어야 합니다.

엉뚱한 질문을 던지면 아무리 훌륭한 데이터를 가져와도 쓸모없는 결과만 나옵니다. 문제를 명확히 하고, 이를 해결하기 위한 분석 주제를 뽑아내는 기획력이 첫 단추입니다.

2) 데이터 파이프라인에 대한 이해

문제를 정의했다면, 그 데이터를 어떻게 확보할 것인지 파이프라인을 그릴 수 있어야 합니다.
수집 ➡️ 저장 ➡️ 가공 ➡️ 분석 ➡️ 시각화**로 이어지는 전체 프로세스를 이해하지 못하는 분석가는 반쪽짜리에 불과합니다. 내가 원하는 데이터가 어디서 흘러와서 어떻게 가공되는지 모른다면 정교한 분석은 불가능합니다.

3) 데이터 품질(Quality)과 전처리 능력

아무리 좋은 분석 기법을 써도 쓰레기를 넣으면 쓰레기가 나옵니다(Garbage In, Garbage Out).

실무 데이터는 결측치(Missing Value)와 이상치(Outlier)로 가득 차 있습니다.

• 결측치 처리: 데이터를 무작정 지울 것인가, 아니면 대표값(평균, 중위값 등)이나 회귀 예측값으로 대체할 것인가?
• 이상치 탐지: Box Plot을 그려 사분위수 범위(IQR * 1.5)를 기준으로 상한값과 하한값을 벗어나는 아웃라이어를 걸러내거나, 평균과 표준편차를 활용해 식별해야 합니다.
• 비즈니스적 관점의 이상치: 통계적으로 이상치라 해서 무조건 지워야 할까요? 아닙니다. 이커머스에서 어마어마한 금액을 쓰는 VIP 고객의 행동이 이상치로 잡힐 수 있습니다. 어떤 도메인에서는 이 이상치 자체가 핵심 분석 대상이 되기도 합니다. 이들을 따로 추려내 특성을 규명하는 시도가 반드시 필요합니다.
• 데이터셋 만들기: 단위의 스케일을 맞추는 스케일링, 범주형 데이터를 컴퓨터가 이해하도록 만드는 인코딩 및 더미 변수 처리, 그리고 분석 목적에 맞는 파생 변수를 적절히 만들어낼 줄 알아야 합니다.
  
  

4) AI 활용 및 자동화 능력

요즘 시대의 일 잘하는 기준은 AI를 얼마나 능숙하게 도구로 부릴 수 있는가입니다. Claude와 같은 거대 언어 모델을 활용해 AI 에이전트를 설계하고, 내가 해야 할 일의 프로세스를 명확히 정의하여 자동화 파이프라인을 짤 수 있어야 합니다.

핵심은 아웃풋의 검증입니다. AI가 뱉어 낸 결과가 비즈니스 논리에 맞는지 검증하고 최종 조율하는 능력이 바로 인간 분석가의 진짜 몸값입니다

2. D2C 커머스 구조와 ‘진짜 데이터’를 향한 대기업들의 일원화 전쟁

위에서 데이터 분석가 역량을 알아봤습니다. 우리 대부분은 아마 이커머스 기업에 관심이 많으실 것입니다. 따라서 왜 이커머스 시스템을 공부하고 자사몰(D2C, Direct to Customer) 구조를 이해해야 할 필요가 있는지 알아봅시다.

과거 LG전자 같은 대기업들은 쿠팡, 11번가, G마켓 등 최대한 다양한 채널에 상품을 입점시켜 판매하는 ‘채널 다각화’ 전략을 취했습니다. 하지만 지금은 어떤가요? 대기업들이 막대한 마케팅 비용을 들여가며 고객을 ‘공식 홈페이지(자사몰)’로 유도하고 있습니다.

그 이유는 단 하나, 데이터 수집과 분석의 주도권을 쥐기 위해서입니다.

네이버 쇼핑이나 쿠팡에 입점해 제품을 팔면, 고객이 유입되어 구매하기까지의 상세한 행동 로그 데이터는 전부 네이버와 쿠팡의 소유가 됩니다.

제조사는 내 제품을 누가 샀는지, 어떤 고민 끝에 결제했는지 알 길이 없습니다. 실제로 네이버는 검색 데이터를 다른 기업에 판매하고 있으며, 제조사들은 울며 겨자 먹기로 돈을 주고 그 데이터를 다시 사 오고 있습니다.

사람들이 어떤 키워드를 검색하고, 유입되는지 선점하는 경쟁은 날로 치열해집니다. 경쟁이 치열해질수록 키워드 선점 비용(마케팅비)은 올라가므로, 기업 입장에서는 자사몰로 유일화(일원화)하여 고객의 행동 로그와 버즈 데이터(댓글, 후기 등)를 직접 수집하는 것이 브랜딩과 수익 극대화의 핵심 열쇠가 되었습니다.

빅데이터의 특징인 Volume(양), Velocity(속도), Variety(다양성)를 확보하여 궁극적으로 비즈니스의 Value(수익)를 창출하는 것, 그것이 기업들이 빅데이터를 분석하고 싶어 하는 본질적인 이유입니다.

3. 데이터 분석에 매몰되지 마라: 세라젬과 이정재 광고 사례의 교훈

초보 분석가들이 가장 많이 범하는 실수는 데이터 분석 자체에 너무 매몰되는 것입니다. 현업에 가면 내가 원하는 완벽한 정량 데이터가 없는 경우가 허다합니다.

게다가 기업의 의사결정권자들은 오직 ‘데이터 분석 결과’만 보고 움직이지 않습니다.

어느 브랜드 가구 회사(세라젬)에서 광고 모델로 배우 이정재 씨를 계속 기용해야 하는지 분석 의뢰가 들어왔다고 해봅시다.

쓸 만한 사내 데이터가 부족했던 분석가는 네이버의 검색 트렌드 데이터와 연관 검색어를 활용해 분석을 진행했습니다.

분석 결과는 의외였습니다. ‘세라잼’이라는 키워드와 광고 모델 ‘이정재’ 키워드가 동시 혹은 연속으로 검색되는 패턴(시퀀스 데이터)이 거의 발견되지 않았던 것입니다. 수치상으로만 보면 광고 효과가 미미하므로 모델 계약을 해지하라는 제안을 해야 할 것 같습니다.

하지만 분석가는 여기서 한 걸음 더 나아갔습니다. 다른 브랜드(예: 라면, 커피 등)와 이정재 씨의 동시 검색 데이터 패턴을 비교해 본 것이죠. 라면이나 커피 같은 저가 상품들은 모델명과 브랜드가 아주 긴밀하게 묶여 검색되었습니다.

여기서 비즈니스 맥락과 도메인 관점이 들어갑니다.

저관여 제품(라면, 커피): 가격이 저렴해 고민 없이 쉽게 구매하므로 광고 모델의 이미지가 검색과 구매로 즉각 이어집니다.

고관여 제품(안마의자): 가격이 수백만 원에 달하고 공간을 크게 차지하기 때문에, 아무리 좋아하는 모델이 광고하더라도 즉흥적으로 검색하거나 사지 않습니다.

안마의자는 모델과의 연관성보다는 제품 자체의 신뢰도와 브랜딩이 작동하는 영역입니다.

결국 데이터 밖에 존재하는 제품의 성격(관여도)과 소비자의 의사결정 맥락을 이해하지 못했다면, 분석가는 검색 량이 안 잡히니 당장 모델을 바꾸라는 부실하고 무시당하기 딱 좋은 제안을 했을 것입니다.

데이터 분석의 의의는 숫자에만 갇히는 것이 아니라, 도메인 관점과 직관(휴리스틱) 사이의 균형을 맞추는 데 있습니다.

4. 의사결정을 돕는 대시보드 기획: 누구의 문제를 해결할 것인가?

위에서는 대시보드를 만들기 전까지의 데이터 분석가 역량, 파이프라인 이해 등에대해서 얘기해 봤습니다.

우리는 이번 프로젝트에서 결국 의사결정에 도움을 주는 ‘대시보드’를 만들 것입니다. 대시보드를 기획할 때 가장 중요한 대원칙은 “모든 정보를 다 넣으려고 하지 말 것”입니다.

각 직무가 겪는 고유한 문제를 진단하고 해결할 수 있도록 보는 사람의 맥락을 완벽하게 고려해야 합니다.

1) 퍼포먼스 마케터의 관점

고민: “어떤 광고 채널에 돈을 더 써야 효율이 극대화될까?” 인스타그램, 유튜브, 페이스북 중 어디서 사람들이 들어오는지 추적해야 합니다.

핵심 지표: 채널별 유입자 수, 광고비 대비 매출액(ROAS), 유입 대비 전환율. 유튜브 광고로 유입이 터진다면 유튜브 예산을 늘리고 구글 배너 광고를 줄이는 등의 즉각적인 액션을 취할 수 있어야 합니다.

2) 서비스 및 UI, UX 기획자의 관점

고민: “고객들이 우리 사이트에 들어와서 왜 구매하지 않고 이탈할까? 상품 카테고리 배치가 직관적인가?”

핵심 지표: 페이지별 이탈률, 클릭률(CTR), 장바구니 담기 행동 흐름. 메인 화면의 베스트 상품 배너를 클릭해서 담았는지, 상세 페이지까지 들어가서 담았는지를 추적하여 UI의 문제점을 발견하고 개선해야 합니다.

예시 (안마의자 카테고리 변경): 안마의자는 원래 ‘효도 상품’으로 포지셔닝 되어 구매자와 사용자가 다른 독특한 성격을 지녔었습니다.

하지만 검색 데이터를 뜯어보니 소비자들이 ‘피로 해소’, ‘혼수’, ‘1인 가구 휴식’ 등의 키워드로 접근하기 시작했습니다. 기획자는 이 흐름을 포착해 카테고리 배치를 단순한 가전제품이 아닌 힐링/리빙 영역으로 재배치하여 고객의 니즈를 필터링하고 타겟 단가를 포지셔닝해야 합니다.

참고로, UI는 사용자 인터페이스로 쉽게 말해 웹사이트의 생김새, UX는 사용자가 그 웹사이트에서 겪는 경험을 얘기합니다. 마켓컬리 웹사이트를 한번 보시면 도움이 되실 것 같습니다.

3) 그로스(Growth) 팀의 관점

고민: “매출(후행 지표)을 올리기 위해, 지금 당장 우리가 끌어올려야 할 선행 지표는 무엇인가?”

전략: 특정 지표 하나를 지정해 성장시키기 위해 기획자, 개발자, 디자이너, 분석가가 한 팀으로 뭉칩니다. 예를 들어 “특가 상품 장바구니 담기 비율”을 높이기 위해 끊임없이 실험(A/B 테스트)을 반복합니다.

5. 대시보드의 나침반이 되는 핵심 매출 지표: ARPU vs ARPPU

대시보드 기획자와 분석가는 매출 지표를 단순 합계로만 보아서는 안 됩니다. 비즈니스의 구조를 쪼개어 보기 위해 반드시 다루어야 하는 개념이 있습니다.

1) ARPU (Average Revenue Per User)

비즈니스 맥락: 서비스에 유입된 전체 고객 대비 1인당 평균 매출입니다. 전체 사용자 중 실제로 지갑을 열 사용자가 얼마나 분포해 있는지 비즈니스의 기초 체력과 유입 효율을 가늠할 때 봅니다.

2) ARPPU (Average Revenue Per Paying User)

비즈니스 맥락: 오직 돈을 지불한 사람만을 모수로 삼아 평균 결제액을 산출합니다. 게임 비즈니스를 예로 들면, 10명 중 9명이 무과금이고 1명이 10만 원을 결제했을 때 ARPU는 1만 원이지만 ARPPU는 10만 원이 됩니다.

즉, 이 고객들이 한 번 돈을 쓰기 시작하면 최대 얼마까지 쓸 의향이 있는가?를 보여주는 지표입니다.

이 두 지표를 쪼개어 봐야만 “신규 고객 유입(ARPU 향상)에 집중해야 하는지”, 아니면 “기존 결제 고객의 객단가(ARPPU 향상)를 높이는 프로모션을 해야 하는지” 정확한 처방전을 내릴 수 있습니다.

마무리

오늘은 현재 기업에서 요구하는 데이터 분석가 역량과 함께 그 중 하나인 파이프 라인 설계 단계 및 대시보드를 작성시 고려해야 하는 상황에 대해서 알아보았습ㄴ다.

아무리 훌륭한 이론을 알고 있어도, 직접 만들어보지 않으면 내 것이 되지 않습니다. 우리는 단순한 지표 나열식의 대시보드를 넘어서, 누가, 어떤 맥락에서 보고 의사결정을 내릴 것인가가 녹아 있는 AI 기반 D2C 이커머스 대시보드를 구현할 것입니다.

다음 단계에서는 비즈니스의 핵심 프레임워크인 AARRR 분석을 적용해 단계별 지표를 구체화하고, 이를 바탕으로 한 상세 대시보드 설계 및 수집 파이프라인 기획을 시작합니다. 준비되셨나요? 진짜 분석가의 길은 이제 시작입니다.