"데이터를 마주해야만 하는 시대는 반드시 온다" 태블로를 기반으로 다양한 데이터 분석 방법을 소개하여 당신의 '데이터 문해력'을 길러 줄 데이터 시대의 이정표! 우리는 자신도 모르는 사이에 데이터를 사용하고 생산해 내고 있습니다. 하지만 어떤 사람들은 데이터를 전혀 활용하지 못하는 한편, 어떤 사람들은 데이터를 잘 활용하여 본인의 실적을 상승시키고 사업을 더 크게 확장시킵니다. 이와 같이 데이터가 중요한 현대 시대에는 모든 사람이 데이터를 이해하고 스스로의 의지와 판단력을 바탕으로 '데이터 활용 능력'을 길러야 합니다. 그리고 이는 단지 데이터베이스나 SQL, 어려운 시스템 또는 데이터 시각화 디자인에 국한된 이야기는 아닙니다. 데이터 드리븐은 사람이 데이터를 어떻게 대하고 활용해야 하는가에 대한 방향성을 제시합니다. 이 책은 스승과 제자의 대화를 기반으로 데이터 이해 방법 및 활용 노하우를 다양한 표와 그래프를 통해 전달합니다. 6개의 챕터를 통해 독자들이 단순히 기술만 다루는 게 아니라 데이터를 기반으로 하는 분석 사고를 넓혀갈 수 있도록 했습니다. 이 책을 통해 여러분들의 데이터 문해력을 키우고, 데이터를 활용하여 본인의 역량을 확장시켜 보시기 바랍니다.

DAY 0 데이터 드리븐 문화의 시작 0-1 프롤로그 데이터를 다루기 위해 IT 전문가일 필요는 없다 한 달 만에 데이터 문해력(data literacy)을 배우다 0-2 왜 데이터 문해력을 지향하는가? 데이터의 본질을 생각하다 데이터를 보면 세계를 이해하게 된다 야채 가게 주인의 데이터 활용 사례 데이터를 사용하여 대중 마케팅에서 벗어나다 데이터 드리븐과 공존하는 “경험과 직감 2.0” 데이터로 경험을 확장하다 0-3 누구나 갖춰야 하는 ‘데이터 문해력’ 읽고 쓰는 능력과 문화의 관계 데이터를 ‘읽고 쓰는’ 능력이 필요해지다 데이터 문해력의 필수 요건 네 가지 데이터 문해력을 배우고 확장하다 DAY 1 데이터 스토리텔링 1-1 왜 스토리가 필요한가? 스토리를 통해 충분히 이해하다 스토리의 힘을 체감하다 스토리를 활용하는 의의 두 가지 사고의 플로우를 진행하기 위한 계기를 만들다 1-2 연쇄적인 인풋(input)과 아웃풋(output)의 형태로 사고하다 인풋과 아웃풋을 동시에 진행하다 아웃풋을 단순하게 만들다 데이터를 다루는 도구 좋은 도구는 ‘신체의 일부’가 된다 1-3 스토리로 데이터를 분석하다 샘플용 데이터로 사고의 흐름을 배우다 e커머스의 매출 데이터 분석 샘플용 데이터 필요한 내용 외에는 덜어내기 샘플용 데이터로는 조작 방법에 대해 설명하지 않는다 샘플용 데이터를 보여줄 때 의식해야 할 사항 네 가지 보는 사람을 질리지 않게끔 하는 아이디어 세 가지 1-4 스토리텔링의 구조를 이해하다 정형 데이터와 스프레드시트 두 가지 다른 값으로 분석하다 - 측정값(measure)과 차원(dimension) 차원의 속성 네 가지 차원의 계층을 확인하다 데이터 분석의 두 가지 방향성 차원이 불충분한 데이터의 문제점 분석할 데이터의 신뢰성 존재하지 않는 데이터를 고려하다 5W1H의 ‘4W’로 스토리를 만들다 낯선 전문 용어를 배우는 의의 1-5 다른 사람의 행동을 이끌어내는 강력한 스토리를 만든다 데이터 스토리텔링의 목표 멋진 그래프만으로는 행동을 불러일으킬 수 없다 기승전결로 스토리를 강화한다 내 것으로 만들다 DAY 2 시각화 분석 2-1 시각화로 데이터를 이해하다 그래프는 정말 ‘애매한’ 데이터일까? 시각적인 표현을 구사해서 데이터를 이해한다 ‘보기 쉬운 것’의 본질을 생각한다 시각화를 올바르게 사용할 필요성 모든 사람이 이해할 수 있는 표현을 선택한다 데이터를 활용해 시각 효과를 주는 의의 2-2 시각화 분석 사이클을 이해하다 데이터 분석으로 무엇을 해결할지 정의한다(Task) 태스크를 따라 사이클을 빠르게 돌린다 태스크를 결정하는 행동을 항상 의식한다(Act/Share) 태스크가 예상을 빗나가는 경우도 있다 2-3 사고의 플로우를 만들어내는 뇌의 구조를 파악하다 기억을 구성하는 세 가지 요소 아웃풋된 데이터를 시각화하다 감각 기억 능력을 최대한 활용한다 감각 기억을 움직이는 10가지 전주의적 속성(Preattentive Attribute) 전주의적 처리의 강도 차이 노출 방법의 차이 - ① 색 vs 형상 노출 방법의 차이 - ② 크기 vs 길이 노출 방법의 차이 - ③ 위치 vs 색 가장 적절한 시각 속성은 내용과 상황에 따라 항상 다르다 기본적인 지식으로 시각화에 대해 이해하다 2-4 데이터에 맞춰 시각 속성을 능숙하게 활용하다 데이터의 세 가지 유형 전주의적 속성과 데이터 유형의 상성 컨텍스트를 이용하여 시각 속성을 더하다 데이터 수가 많다면 시각 효과를 선택할 때 주의한다 시각 속성의 패턴 증가를 주의한다 컨텍스트를 얻을 수 없는 기호적인 시각 속성을 주의한다 무의미한 색 분류를 주의한다 색을 의미있게 사용한다 배경색과 시각 효과의 상성을 고려한다 시각 속성으로 배경색을 활용한다 색을 식별하는 감각의 다양성을 배려하다 장소는 반드시 지도로 표시하지 않아도 된다 비교를 통해 전하고자 하는 바를 강조한다 2-5 시각화 구성을 정리하다 시각화의 유형이 ‘탐색형’인지 ‘설명형’인지 파악한다 타이틀과 색의 포인트 상대가 ‘원하는 바’가 아닌 ‘내가 하고 싶은 것’을 바탕으로 한다 시각화의 표현 방법은 무한하다 DAY 3 분석 플랫폼 3-1 데이터를 사용할 수 있는 환경을 공유하다 데이터 드리븐 문화에 필요한 세 가지 요소 분석 후 데이터 공유하기 모든 데이터와 사람은 같은 토대 위에 있어야 한다 데이터베이스와 분석 플랫폼은 별개다 이상적인 분석 플랫폼 데이터 카탈로그를 준비한다 분석 플랫폼의 접근 권한을 명확하게 정한다 분석 플랫폼에 필요한 요건을 갖춘다 분석 플랫폼을 활용한다 3-2 데이터의 자유도와 보호 사이의 균형 예전 플랫폼과 비교하여 현재 플랫폼의 변화 데이터를 보호하는 것만으로는 오히려 위험해진다 데이터를 보호하면서도 개방한다 분석 플랫폼은 폭포수 방법론보다 애자일 방법론을 따른다 문화 조성 초기 단계에 진행할 파일럿 영역을 정한다 데이터 드리븐 문화를 회사 전체로 넓힌다 문화 조성은 끝이 없는 여정 3-3 데이터를 개방하여 사람들을 움직이는 활용 사례 목표를 달성하기 위해 체험 세미나를 개선한 사례 주위를 설득할 수 있는 데이터를 분석 플랫폼에 포함시킨다 데이터는 사람을 움직인다 수작업이 많이 필요한 데이터는 활용할 수 없다 데이터가 아름다워진다 도구와 같이 진화하는 분석 플랫폼 분석 플랫폼이 지원하는 세 가지 역할 3-4 데이터를 보기만 하는 사람은 없다 세 가지 역할을 분석 플랫폼에 반영하다 세 가지 역할이 담당하는 시각화 분석 분야 데이터 원시 시대에서 데이터 문명 시대로 진화하다 DAY 4 데이터란 무엇인가 4-1 데이터 어원과 역사를 되돌아보다 데이터(data)의 어원에서 의미를 이해하다 ‘데이터’와 ‘정보’를 구별하다 주어진 것을 ‘기록’하면 데이터가 된다 인류의 가장 오래된 데이터는? 종이 매체에 기록된 데이터의 네 가지 문제점 컴퓨터와 데이터의 진화 현대 사회는 데이터 포화 상태 4-2 데이터를 관리하고 활용하는 시스템 구조 정확하고 빠르게 입력하기 위한 데이터 정규화를 통해 입력 데이터 양을 최대한 줄이다 운영 시스템과 데이터 활용 데이터를 정보로 만들기 위한 정보 시스템 정보 시스템 필수 요소 방대해지는 데이터를 보관하기 위한 데이터 웨어하우스(DWH) 방대한 데이터를 집계하고 시각화하는 BI툴 운영 시스템에서 데이터를 변환 및 저장하는 ETL ETL/DWH/BI 툴은 명확하게 구분할 수 없다 데이터 입력값을 제어하다 DWH의 성능을 올리는 데이터 마트와 큐브 데이터 마트와 큐브의 처리 한계 대량 데이터를 직접 처리하기 위한 인메모리 데이터베이스 열 지향과 행 지향 카디널리티 4-3 현대 정보 시스템의 진화 데이터를 보관하고 변환하는 방법의 변화 계속 늘어나는 다양한 데이터의 종류에 대응하다 데이터 이용 목적에 따라 관리 장소가 달라진다 모든 데이터를 동시에 처리하려는 시도 최적의 데이터 분석 시스템을 선택하다 4-4 눈앞의 데이터에 대해 올바른 지식을 익히다 데이터의 가치를 측정하는 세 가지 지표 분석하기 쉬운 데이터의 형태 있을 수 있는 값과 누락된 값에 대해 예측하다 데이터의 분포를 보고 상세 레벨을 조정한다 DAY 5 데이터 드리븐 문화를 더욱 넓히기 위해 5-1 계속 진화하는 기술과 데이터를 꾸준하게 배우다 5-2 데이터 드리븐 동료를 만들다 조직에 따라 필요한 지식이 다르다 진정한 ‘데이터 드리븐’이란 많은 사람에게 기본 지식을 전해서 ‘학습 계기’를 만들다 최소한의 데이터 문해력은 어디까지인가 사람의 마음을 흔드는 ‘강한 말’에서 도망치지 않는다