수많은 데이터를 사용 가능하고 의미 있는 통찰력으로 바꾸는 방법(2021 가이드)

눈앞의 모든 데이터에 압도되어 있습니까?

전례 없는 풍부한 데이터가 있지만 어떻게 이를 실행 가능한 통찰력으로 전환할 수 있습니까?

데이터에서 인사이트로의 여정은 많은 도전 과제로 가득 차 있습니다. 그들을 퇴치하려면 강력한 일련의 단계가 필요합니다.

여기에서는 수많은 데이터에서 통찰력을 추출하고, 불필요한 정보를 잘라내고, 조직에서 데이터 기반 의사 결정을 더 빠르게 내리는 방법을 보여줍니다.

데이터와 통찰력이란 무엇입니까?

본론으로 들어가기 전에 데이터와 통찰력이 의미하는 바를 정의합시다.

• 데이터 는 관찰을 통해 수집된 사실 및 통계입니다. 숫자, 텍스트, 이미지, 오디오 등이 될 수 있습니다.
  
  이것을 관점에서 보자:
  
  전자 상거래 상점을 소유하고 있고 Google Analytics(GA)가 활성화되어 있다고 가정하면 온라인 상점을 탐색하는 각 사용자는 GA에서 수집한 일부 디지털 발자국을 남깁니다.
  
  여기에는 인구통계학적 데이터, 기기, 브라우저 등이 포함됩니다. 이러한 원시적인 사실을 보면 때때로 구조화되지 않고 컨텍스트가 없기 때문에 횡설수설하게 보일 수 있습니다.

  

• 정보 는 이 데이터를 정제하고 구조와 컨텍스트를 제공하는 산물입니다. 이렇게 하면 데이터가 육안으로 조금 더 이해가 됩니다.
  
  전자 상거래 상점의 경우 GA 대시보드가 ​​그 예입니다. 모든 데이터를 종합하여 상황에 맞게 제시하면 소비가 가능하며 이 데이터에서 통찰력을 얻을 수 있습니다.

  

• 통찰력 은 정보에 대한 이해에서 얻은 귀중한 지식입니다. 정보(또는 데이터)를 소비하고 컨텍스트 및 사용 가능한 기타 정보 내에서 정확하게 해석하면 통찰력에 도달합니다.
  
  비즈니스 세계에서 통찰력은 데이터 수집의 전체 포인트입니다. 통찰력을 관찰 중인 작업의 내부 작동을 들여다보는 것으로 생각하십시오. 그들은 데이터에서 의미 있는 이야기를 전합니다.

통찰력의 예

효과적인 데이터 분석을 통해 고객의 97%가 결혼식을 계획할 때 귀하를 찾는다는 것을 식별하는 것이 통찰력의 한 예입니다.

그 자체로 이것은 단지 알고 있는 멋진 정보일 뿐입니다.

그러나 이것이 브랜드와 고객에게 실질적인 가치를 제공하는 계획을 세우는 데 사용된다면 실행 가능한 통찰력입니다. 예를 들어, 이 정보를 사용하여 결혼을 앞둔 사람들을 대상으로 하는 광고 캠페인을 계획할 수 있습니다.

이 청중이 당신에게 끌린다는 것을 이미 알고 있습니다. 따라서 높은 ROAS(광고 투자수익)는 그리 놀라운 일이 아닙니다.

데이터가 이와 같은 통찰력으로 변환되기 전에 먼저 수집한 다음 분석해야 합니다.

데이터를 수집할 수 있는 다양한 방법

대부분의 기업은 다양한 방법을 사용하여 여러 소스에서 데이터를 수집합니다. 그리고 각 방법에는 고유한 규칙 집합이 있습니다.

예를 들어 Google Analytics는 JavaScript와 추적 코드를 사용하여 데이터를 수집합니다.

추적 코드가 페이지에 추가되면 스크립트가 데이터를 Google 서버로 보냅니다. 여기에는 페이지 데이터(URL, 제목), 브라우저 데이터(표시 영역, 화면 해상도), 사용자 데이터(위치, 언어) 등이 포함됩니다.

Facebook, Twitter, Instagram 및 기타 사이트의 소셜 미디어 분석과 유사합니다. 다음에서 데이터를 수집할 수도 있습니다.

• 설문 조사
• 시장 성장 통계
• 거래 데이터 추적
• 고객 피드백 분석
• 구독 및 등록 데이터 등

여기에서 데이터는 다음 단계로 이동합니다.

데이터 분석 대 데이터 분석

일반적으로 사용되는 것과는 달리 이 용어는 같은 의미가 아닙니다.

• 데이터 분석 은 데이터를 수집하고 사용하는 과학입니다. 원시 데이터를 수집하고 이를 통해 조치를 취하는 것 사이의 모든 것입니다. 여기에는 기계 학습, 통계 및 컴퓨터 기반 모델을 사용한 데이터 수집, 구성, 저장 및 분석이 포함됩니다.
• 데이터 분석 은 데이터 분석의 하위 구성 요소입니다. 데이터 분석은 귀중한 정보를 추출하고 이를 사용하여 결정을 내리고 행동하는 것을 최종 목표로 데이터를 검사, 정리, 변환 및 구성하는 프로세스입니다.

일반적인 조직에서 데이터 과학자, 경영진 및 관리자는 일반적으로 데이터 분석을 사용하여 통찰력을 도출하는 유일한 사람입니다.

효율적인 데이터 중심 조직은 데이터에 대한 액세스 권한과 데이터 이해를 모든 구성원에게 배포해야 합니다.

이것은 우리에게 게임을 변화시키는 개념 인 데이터 민주화 를 가져옵니다.

데이터 민주화란 무엇입니까?

데이터 민주화 는 매우 전문화된 전문 지식의 장벽 없이 조직 내 모든 사람이 데이터를 사용할 수 있도록 하는 것을 의미합니다. 즉, 조직의 모든 사람이 데이터에 액세스하고, 데이터를 이해하고, 결정과 권장 사항을 내리는 데 사용할 수 있습니다.

아이디어는 실무(데이터 측면)가 많을수록 회사가 위에서 아래로 데이터 기반 의사 결정 문화를 더 빨리 채택한다는 것입니다.

하지만 함정이 있습니다.

이 수준의 액세스를 사용하면 데이터 보안 및 무결성을 유지하기가 더 어려워집니다. 또한 숙련된 분석가의 전문 지식이 없는 사람이 데이터를 잘못 해석할 가능성도 있습니다.

그러나 데이터 민주화는 데이터를 기반으로 하는 더 스마트하고 빠른 결정을 내리고 고객 경험을 개선 하는 핵심 동인입니다.

Royal Bank of Scotland의 마케터는 고객 경험 최적화 프로세스에 비 마케팅 동료를 참여시키는 것이 얼마나 효율적인지 보여주었습니다.

데이터에서 통찰력 생성의 과제

데이터에서 인사이트로 가는 길은 수많은 도전 과제로 가득 차 있습니다. 데이터 기반 조치에 대한 대안이 더 매력적으로 보일 정도로 말입니다.

마케터, 데이터 과학자, 비즈니스 임원 및 일상적으로 데이터 작업을 하는 기타 전문가들은 동의하는 것 같습니다.

나는 데이터 검증이 그들 중 39%에게 가장 큰 도전이라는 것을 밝혀낸 간단한 설문조사(여기와 여기)를 실행했습니다. 11%만이 데이터의 양으로 인해 어려움을 겪었습니다. 28%는 다양한 소스의 데이터를 통합하고 22%는 관련된 시간과 노력을 언급했습니다.

이 네 가지 외에도 데이터를 실행 가능한 결과로 변환하는 데 따른 다른 과제는 다음과 같습니다.

• 데이터 액세스 불가능
• 데이터의 품질이 좋지 않으며,
• ROI 제공에 대한 압박

Challenger Digital의 설립자인 Steven Alexander Young에게 가장 큰 과제는 성능 변화 뒤에 있는 변수를 분리하는 것입니다. 분석 데이터가 항상 전체 내용을 알려주는 것은 아닙니다.

여기에서 트래픽이 감소한 이유는 누군가 페이지를 변경했기 때문입니까(만약 그렇다면 무엇)? 페이지가 변경되지 않은 경우 경쟁업체가 SEO를 강화하여 귀하를 추월했습니까(그렇다면 누가)? (…) 내가 고객에게 전화를 걸어 세부 정보를 제공하고 모든 것을 배제하도록 할 수 있는 경우에도, 그들은 종종 답변을 추적하기 위해 팀 내에서 스스로 소탕을 해야 합니다. 물론 이와 병행하여 Google의 알고리즘 업데이트 가능성이 항상 존재합니다.

UL Prospector의 수석 데이터 과학자인 Thom Ives(박사)는 데이터를 정제 및 청소해야 하는 원유에 비유했습니다. 그는 데이터가 "잘못된 방식으로 처리되면 위험할 수 있다"고 경고합니다.

이것은 의사결정자들을 긴장하게 만듭니다.

Forrester의 보고서에 따르면 기업의 74%가 데이터 기반이 되기를 원한다고 동의하지만 분석 결과에 따라 행동할 수 있는 기업은 29%에 불과합니다.

데이터 기반 의사 결정이 비즈니스 성장에 탁월하지만 실수는 치명적일 수 있습니다. 아마도 실수의 가능성은 경험이나 직감에 따라 결정을 내리거나 단순히 현상을 따르는 나머지 71%의 대다수를 저지했을 것입니다.

종종 이것은 비즈니스 혁신 통찰력을 생성하기 위해 59제타바이트의 데이터(59제타바이트 뒤에 21개 0이 붙음!)를 활용하는 대가로 발생합니다.

Wyter의 CEO인 Peep Laja는 "우리는 데이터는 풍부하지만 통찰력은 부족합니다"라고 적절하게 요약합니다.

데이터를 통찰력으로 바꾸는 10가지 실행 가능한 단계

측정항목은 쉽습니다. 통찰력은 어렵습니다. 많은 데이터를 수집하는 것과 이를 귀중한 자산으로 만드는 것은 다른 문제입니다. 고맙게도 답을 얻을 수 있는 시도되고 검증된 방법이 있습니다.

과학적 방법으로 큐.

그러나 이것은 유레카 순간이 아닙니다. 과학자들은 수세기 동안 데이터에서 통찰력을 얻을 때 이 방법을 사용해 왔습니다.

과학적 방법에서 영감을 얻고 실행 가능한 통찰력과 권장 사항으로 가는 길을 닦는 10단계를 보여줍니다.

바로 뛰어들어봅시다:

1. 올바른 질문으로 시작하라

데이터를 조사하기 전에 올바른 질문을 하면 잘못된 일에 시간을 낭비하지 않도록 할 수 있습니다.

여행을 시작하기 전에 목적지를 분명히 정하는 것과 같습니다.

방대한 양의 데이터를 조사하기 전에 데이터가 어떤 질문에 답하기를 원하는지 파악하십시오. 그렇게 하면 비즈니스 목표에 영향을 미치지 않는 통찰력을 얻을 수 없습니다.

SaaS 회사의 경우 시작해야 할 몇 가지 질문은 다음과 같습니다.

• 얼마나 많은 블로그 게시물 독자가 다른 콘텐츠로 이동했습니까?
• 내 웹사이트 트래픽의 몇 퍼센트가 구매자 페르소나에 적합합니까?
• 판매 유입경로의 어느 단계에서 가장 많이 누출됩니까?

2. 올바른 지표 추적(허영 지표 없음!)

비즈니스를 올바른 방향으로 이끄는 인사이트는 잘못된 지표를 바라보는 데서 나오지 않습니다.

특히 허영 메트릭. 그들은 당신을 멋지게 보이게 하지만 통찰력 프레임워크에 추가하지는 않습니다. 예: 페이지 조회수 및 클릭 수.

게다가 잘못된 지표는 주의를 산만하게 할 수 있습니다. 1단계에서 대답해야 하는 질문을 결정했으므로 추적해야 하는 측정항목을 정확히 찾아냅니다.

Stears Business의 데이터 과학자인 Aniekan Inyang은 산업별 뉘앙스를 고려하지 않는 것에 대해 다음과 같이 경고합니다.

이로 인해 관련 메트릭을 추적하지 않거나 잘못 해석하여 메트릭을 추적하기 위해 잘못된 기능을 선택할 수 있습니다.

이를 사용하여 테스트할 수 있는 가설에 대한 경로를 이길 수 있습니다.

3. 최종 목표를 명시하라

사전 테스트에서 특정 비즈니스 목표가 있을 가능성이 큽니다. 이는 테스트 목표와 밀접하게 일치해야 합니다.

시작한 질문에서 추적하려는 내용을 파악했습니다. 그러나 이것을 통해 달성하려는 목표는 무엇입니까?

구체적이고 측정 가능한 가설을 세우는 데 도움이 되므로 기록해 두십시오.

4. 데이터 소스 통합

보유하고 있는 데이터 세트는 모집단의 일부일 뿐이며 항상 전체 내용을 설명하지는 않습니다.

Thom Ives 박사는 다음과 같이 말했습니다.

우리가 알지 못하는 편향이 있을 수 있으며 모든 데이터보다 약할 것입니다.

실행 가능한 데이터를 많이 수집할수록 정확한 스토리에 더 가까워집니다.

모든 소스를 하나로 모을 때 데이터 해석이 과녁에 더 가까워집니다. 의미 있는 고객 통찰력을 수집하는 것을 놓치지 않도록 적절한 도구를 사용하여 서로 다른 소스를 통합해야 합니다.

5. 컨텍스트와 시각 자료를 사용하여 데이터 세트 단순화

시각 자료는 오늘날 데이터에서 매우 일반적입니다. 이해할 수 없는 원시 형식의 데이터는 거의 접하지 않습니다. 그러나 올바른 컨텍스트가 없으면 전체 내용을 얻지 못하거나 잘못된 내용을 얻을 수 있습니다.

컨텍스트를 위해 5W를 사용하여 데이터를 분석합니다.

• 누가 (청중, 리드, 잠재 고객)
• 무엇 (목표, 이벤트, 관찰)
• 언제 (시간 프레임, 일정)
• 위치 (웹페이지, 소셜 미디어, 방문 페이지) 및
• 왜 , (왜 그랬어?)

컨텍스트는 더 많은 의미와 함께 데이터를 화면 밖으로 뛰어넘게 만듭니다. 실수할 가능성이 줄어듭니다.

정확한 시각 자료에 추가하면 이러한 가능성은 더욱 낮아집니다. 하지만 비주얼에서도 오류가 발생합니다.

예를 들어 거품형 차트에서 값비싼 실수를 하는 것이 일반적입니다. 거품의 면적 대신 반경을 해당 값으로 변경하면 아래 그림과 같이 부정확한 데이터 스토리텔링이 발생합니다.

왼쪽 상단의 주황색 거품과 그 옆의 녹색 거품을 사용하여 강조해 보겠습니다. 주황색 거품은 녹색 이웃보다 4배 더 크게 보입니다.

내부에 레이블이 지정된 실제 값이 없으면 오해의 소지가 있습니다. 주황색 거품의 가치($1.84B)는 녹색($0.92B)의 2배에 불과합니다.

다음은 Fox News의 재미있는 실수입니다.

6. 데이터 세분화

데이터를 세그먼트로 자르면 더 잘 이해할 수 있습니다. 예를 들어 Google Analytics에는 이를 쉽게 수행할 수 있는 기능이 내장되어 있습니다.

특정 유사성에 따라 웹 트래픽을 나누면 인사이트를 추출하는 프로세스가 간소화됩니다. 세분화는 대상 고객에 대한 이해를 심화할 수 있습니다.

또한 세분화할 때 취학 연령 및 성별 세그먼트를 넘어서 생각하십시오. 웹 방문자를 그룹화할 수 있는 훨씬 더 자세한 정보가 있습니다.

이를 수행하는 한 가지 방법은 거래 가치 (가치 세분화), 즉 고객이 제품에 지출할 가능성이 있는 고객을 세분화하는 것입니다. 이를 달성하려면 과거 거래 데이터를 사용해야 합니다. 지출 금액, 지출 빈도, 구매한 제품의 가치와 같은 데이터.

이 단순함을 한 번 경험하면 인사이트 전략의 핵심 프로세스가 됩니다.

다음은 적절한 데이터 분할의 중요성을 보여주는 또 다른 예입니다.

7. 적절한 시간대에 데이터 보기

시간의 조각에서 얻은 통찰력을 기반으로 결정을 내리는 것은 재앙이 될 수 있습니다. 과거 데이터에 대한 참조가 전혀 없는 작은 그림만 보는 것은 일반적인 오류입니다.

데이터에는 일반적으로 배경 스토리가 있습니다.

현재를 이해하기 위해 그것을 확인하는 것이 중요합니다. 때로는 휴일, 계절, 경기 순환 등과 같은 외부 영향에 대한 응답으로 과거에 이벤트가 발생했습니다.

트렌드의 전체 스펙트럼을 탐색하여 사물에 대한 보다 정확한 정보를 얻으려면 이 점을 고려하십시오.

8. 올바른 패턴 찾기

상승 및 하락 - 선 그래프에서 관찰하기 가장 쉬운 두 가지 추세입니다. 이는 일반적으로 페이지 조회수 및 참여 데이터가 GA에 표시되는 방식입니다.

시계열 및 산점도와 같은 다른 유형의 플롯은 데이터의 패턴을 그리는 데 도움이 됩니다. 상승 또는 하락 추세가 있을 때 발견하고 두 변수 간의 상관 관계를 시각화하는 등의 작업을 수행할 수 있습니다.

그들은 모두 데이터 뒤에 숨겨진 이야기를 드러내는 데 맞춰져 있습니다. 주의 사항: 패턴을 컨텍스트와 분리하여 보지 마십시오.

플롯을 분석할 때 MIT 교수인 Dr. Rama Ramakrishnan은 플롯을 예비 기대치와 일치시킬 것을 제안합니다.

일치하지 않는 것이 있습니까? 당신을 '이상하다' 또는 '이해가 되지 않습니다.'라고 생각하게 만드는 모든 것? 확대하고 비즈니스에서 그 이상한 것을 데이터에 나타나게 만드는 것이 무엇인지 이해하려고 노력하십시오. 이것이 중요한 단계입니다. (…) 이제 막 비즈니스에 대한 통찰력을 발견하고 이해도가 높아졌을 것입니다. 또는 데이터가 수집되거나 계산되는 방식에 버그가 있음을 발견할 수 있습니다(Twyman의 법칙).

9. 이기는 가설 세우기

데이터를 분석하고 정확한 추론을 했다면 이제 테스트할 수 있는 가설을 세워야 합니다.

가설을 세울 때 실험으로 확인할 수 있는 문제에 대한 해결책을 찾는 것입니다.

측정 가능한 가설은 세 부분으로 구성됩니다.

• 관찰,
• 실행 및
• 결과

다음은 Convert 파트너의 실제 예입니다.

관찰: 분석 데이터에서 당사의 주력 제품 페이지에서 높은 이탈률을 관찰했습니다. 우리는 또한 설문 조사, 설문 조사 및 사용성 조사를 수행했으며 사용자가 우리 제품의 가치를 이해하지 못하고 신뢰한다는 것을 발견했습니다. 또한 대부분의 방문자는 페이지 아래로 스크롤하지 않았습니다.

실행: 더 많은 페이지 방문자를 유지하고, 신뢰 문제를 해결하고, 페이지에서 전환을 늘리기 위해 접는 부분에 더 나은 사본을 추가하려고 합니다.

결과: 이는 더 많은 웹 방문자가 페이지를 스크롤하여 당사의 주력 제품을 원하고 구매하도록 유도해야 합니다. 낮은 이탈률, 높은 전환율 및 수익으로 이를 측정합니다.

여기 도착하면 다음 단계는 테스트 입니다.

이 예는 인상적인 결과를 가져온 실제 가설입니다. 실험에 대한 자세한 내용은 아래에서 실행 가능한 첫 번째 통찰력 예시를 확인하세요.

10. 실험 준비

위의 가설에 따라 전환율 최적화 전문가가 수행하는 작업을 수행하고 테스트를 실행할 수 있습니다.

이 시점까지, 당신의 가설은 - 비록 그것이 데이터에서 비롯된 것이지만 - 직관만큼만 좋습니다.

실험을 하면 확고한 사실을 만드는 데 더 가까워집니다.

여기에서 데이터 분석에 대한 ROI를 얻기 시작합니다.

과학적 접근 방식은 우리가 이해할 수 없는 원시 데이터를 읽을 수 있는 것으로 바꾸는 데 도움이 되었습니다. 그런 다음 데이터 분석의 힘을 적용하여 데이터에 포함된 유용한 통찰력을 공개했습니다.

우리는 이러한 통찰력에서 측정 가능한 가설을 개발하고 다음 논리적 단계인 실험을 수행했습니다.

이러한 단계를 수행하는 수백 가지 도구가 있습니다. 그러나 Convert는 마지막에 이 모든 것을 하나로 묶고 궁극적인 목표인 실행 가능한 통찰력에 도달하도록 합니다.

Convert는 수십 가지 도구와 통합되어 더 높은 수익으로 직접 연결되는 매우 강력한 통찰력을 실험하고 발견할 수 있습니다. 무료 평가판에서 변환 통합 시도

통찰력을 넘어서: 통찰력을 전략으로 바꾸는 방법

통찰력이 전략으로 변환되고 실행되지 않으면 비즈니스 목표를 달성하는 데 유용하지 않습니다.

조직의 수익에 직접적인 영향을 미치는 긍정적인 이점을 이끌어내기 위해 얻은 통찰력을 실제로 어떻게 사용할 수 있습니까?

3가지 예를 공유해 보겠습니다.

데이터를 실행 가능한 통찰력 예제로 전환

사례 연구 #1: SplitBase가 Google Analytics를 사용하여 전환율이 27% 증가할 수 있는 기회를 보여준 실험에 대한 데이터를 수집한 방법

BestSelf Co.는 주력 제품 페이지에서 누출을 발견했습니다. 그래서 그들은 그것을 연결하기 위해 SplitBase와 협력했습니다.

그들은 그것을 어떻게 했습니까?

설문조사, 설문조사, 히트맵과 같은 데이터를 수집하기 위해 다양한 수단을 사용하여 범인을 찾았습니다.

제품의 장점이 충분히 전달되지 않아 사람들이 접는 부분을 지나치지도 않았습니다. 이것으로부터 그들은 우리가 이전에 공유한 가설을 세웠습니다.

그들은 테스트를 실행했고 그들이 옳았다는 것을 발견했습니다. 제품의 주요 이점과 사회적 증거를 명확하게 설명하는 새로운 헤드라인은 제품 판매를 크게 향상시켰습니다.

사례 연구 #2: 이 무료 배송 프로모션이 수익을 올렸습니까, 아니면 손실을 보았습니까?

이것은 고급 수제 유리 전자 상거래 상점을 운영하는 팀의 마음에 대한 질문이었습니다.

그들은 무료 배송 프로모션을 시작했고 전환율이 증가했습니다. 더 많은 돈을 의미했지만 이러한 제품을 고객에게 배송하는 비용을 고려할 때 배송 비용을 상쇄하기에 충분한 제안이었습니까?

이제 그들이 어떻게 답을 찾았는지...

그들은 전환율 최적화 대행사인 Brave One에 전화를 걸어 손실 또는 이익을 얻을 수 있는지, 얼마만큼을 얻을 수 있는지 알아낼 계획을 세웠습니다.

데이터 수집을 위한 Google Analytics 및 Mixpanel과 실험을 위한 Convert를 사용하여 Brave One은 제안이 없는 사이트를 제안이 있는 버전과 비교했습니다.

같은 기간에 제안 없이 비즈니스를 운영하는 것보다 $16,000 더 많은 수익을 얻을 수 있었습니다.

사례 연구 #3: 데이터는 Nike가 타겟팅을 조정하고 더 많은 청중의 마음을 감동시키는 데 도움이 되었습니다.

Nike가 2012년 올림픽이 시작될 때 '당신의 위대함을 찾아라'라는 캠페인을 시작하려고 했을 때, 그들은 데이터를 파헤쳤고 다음을 발견했습니다.

그들의 타겟 청중의 대부분은 프로 운동 선수가 아니 었습니다. 그들은 프로를 존경하고 닮고 싶어하는 사람들이었습니다.

그들은 이것으로 무엇을 했습니까?

그들은 목표를 조정했습니다.

Nike는 일반적으로 프로 운동 선수를 따라갑니다. 그러나 이번에는 체력 수준에 관계없이 모두가 한계를 뛰어 넘을 수 있도록 영감을 주기로 결정했습니다.

캠페인의 동영상 중 하나는 300만 회 이상의 조회수를 기록했습니다.

그리고 여기서 그치지 않습니다. Adidas는 올림픽 후원을 받기 위해 수백만 달러를 썼지만 Nike는 마케팅 예산의 절반 미만으로 동일한 수준의 노출을 즐겼습니다.

합산

실험이 최적화 여정의 끝이 되어서는 안 됩니다.

우리는 항상 통찰력으로 발견할 수 없기 때문에 지속적인 과정이어야 합니다.

또한 기억하십시오. 사내 데이터 분석을 수행하는 기술이 부족한 경우 항상 데이터 전문가의 노하우에 의존할 수 있습니다.

Thom Ives 박사는 더 많은 데이터가 들어올수록 이전 데이터로 만든 추론을 수정해야 한다고 제안합니다.

그리고 좋은 소식은? 이런 식으로 우리는 청중을 더 잘 대표하는 통찰력에 계속 접근하고 훨씬 더 정확한 예측과 결정을 내립니다.