안녕하세요, 이커머스 산업의 엑셀 수작업을 모조리 없애고 모든 데이터 수집 및 분석 자동화 대시보드 사업을 하고 있는 cigro PO입니다. 이커머스 회사가 아니어도 좋습니다. 여러분들께서 재직중인 보통 회사에서는, 1. 데이터 수집(파이프라인 구축) 2. 데이터 가공 3. 데이터 분석 및 시각화 4. 인사이트 도출 상위 4가지 과정을 "어떤 방식으로 구축해나가고 계신지" 궁금합니다. 각자의 포지션에서 각 스텝별 모든 프로세스를 알고 계시진 않겠지만, "어떤 팀"에서 "어떤 단계"를 진행하고, 각 단계에서 "어떤 툴"을 쓰시는지, 데이터는 어디까지 공개되며 운영 차원에서 "효율화되어야 한다고 생각하는 부분"이 있으신가요? 그리고 정말 보통의 회사에서 데이터 기반의 인사이트를 잘 도출하는 것 같으신가요? 아니라면 병목은 어디서 발생한다고 생각하시나요? 긴 글 읽어주셔서 감사합니다.

접속자 와 데이터 양 등을 고려해야하는데 기준표 같은 또는 계산 방식등 있을까요 최소사양 구축해서 사용양에 따라 눌리기에는 너무 비효율적인데 예측 또는 계산 방법이 있으면 좋겠어오. java. jsp web 서버 입니다

안녕하세요 현재 식품산업 중소기업에서 데이터 분석가로 일하고 있습니다 지금 회사가 작기도 하고 데이터 쪽으로 발전하기 쉽지 않을 것 같아서 이직하려고 하는데, 앱/모바일 데이터 분석쪽으로 이직하고 싶습니다 근데 좀 빨리 이직하고 싶은데 현재 식품제조 중견기업 데이터 분석 쪽으로 헤드헌팅이 들어와서 지원해볼까 고민중입니다 걱정되는 점은 식품 쪽으로 이직시 동일 산업군 내에서 커리어가 굳어지면 나중에 프로덕트분석이나 앱 데이터 분석 쪽으로 산업군 전환을 할 때 어떤 영향을 미치는지 궁금해서 질문남깁니다. 아직 연차가 낮고 면접을 많이 봐본 적이 없어서 선배님들 조언이 궁금합니다 ,, 🥹

안녕하세요. 고민이 있어 글 남깁니다. 1. 경력기술서에는 한 달을 기재하는가? 2. 기재하지 않는다면, 면접에서도 먼저 묻지 않는 이상 말하지 않는 게 옳은가? 3. 이번 달까지만 다닐 생각인데, 3일 전에 말해도 되는가..(내일 말하면 5일간 눈치 봐야하는 게 힘들어서요. 제가 맡은 업무가 없어 인수인계 할 건은 없습니다.) -------- 여기서는 제 이야기입니다 ------ 저는 첫 직장에서 재직 중 이직을 준비하다, 업무과중 + 건강악화로 퇴사 후 한 달의 공백기를 가졌습니다. 그리고 현 직장으로 이직했습니다. 처음에는 이 곳에 다닐 생각이 없었지만, 면접관에게 들은 업무 내용에 "여기에 다니는 게 괜찮을 것 같다"는 생각이 들어 입사했습니다. 제 직장이 중소에서 중견으로 커진 것도 좋았구요. 그러나 그 생각은 입사한 다음 주에 깨졌습니다. 기업 규모에 비해 엉망진창인 시스템 군대 문화가 존재하는 팀 문화(팀바팀인 것 압니다. 같은 층에서 다른 팀은 칼퇴합니다. 저희 팀은 실장님이 퇴근한 이후에 가능해요. 그 외 다수.) 주말/공휴일 출근 강요 눈치 안 주는 듯 계속 주는 팀 분위기 처음엔 수습기간이라도 채워보자 했는데, 주말/공휴일 출근을 강요하는 것보고 더 못 다니겠더라고요. 전 직장에서도 동일 사유 때문에 건강이 많이 나빠져서 퇴사했습니다. 제가 리스크를 감당하고 이직한 이유가 사라졌어요. 직무도 원하던 것과 좀 달라 일에 흥미가 안 생기는 것도 요인 중 하나입니다. 그래서 맨 위에 작성한 고민들을 하고 있는 중입니다. 조언 주시면 감사하겠습니다.

향후 2-3년 두고 준비하고자 합니다 현재 데이터 분석 경력 5년차 정도 되네요 da, ds 잡다구리하게 해서 특출나게 잘하는 게 없는게 문젠데... 앞으로 보완해서 해외 취업하는 게 목표입니다... 성공하신 선배님들께서 경험좀 부탁 드립니다 ㅠㅠ

안녕하세요~ 두꺼비세상 김지영입니다. "Life is short You need Python" 인생은 짧으니, 당신은 파이썬이 필요하다. - Bruce Eckel 。 。 。 。 。 데이터분석을 하다보면 주로 사용하는 프로그래밍 언어는 파이썬(Python)입니다. 그중에서도 데이터 처리를 위하여 쓰는 라이브러리인 판다스(pandas)는 너무나도 유명하지요. 간단하게 판다스의 특징을 말씀드리자면 다음과 같습니다. -DataFrame 객체를 통한 다양한 데이터를 로딩하고 조작하는 기능. -SQL 또는 Excel 스프레드시트와 유사한 데이터 조작 연산 (필터링, 결합, 그룹화 등). -누락된 데이터를 처리하는 기능. -행과 열을 바꾸는 등 데이터를 재구성하는 기능. -다양한 형식의 데이터 파일 (CSV, Excel, SQL 등)을 읽고 쓰는 기능. 근 몇년간은 이러한 판다스를 통하여 유용하게 데이터 처리를 하였는데 최근 폴라스라 불리는 새로운 라이브러리가 나와 핫하다고 하여 여러분들에게 같이 공유를 해보고자 합니다. 제목에서도 비유했듯이 북극을 연상시키는 네이밍이네요. 바로 Polars입니다. Pandas와 Polars는 모두 Python에서 인기 있는 데이터 분석 및 처리 라이브러리입니다. 그러나 두 라이브러리 사이에는 몇 가지 주요 차이점이 있습니다. Pandas와 Polars의 주요 차이점과 각각에 가장 적합한 사용 사례를 살펴보겠습니다. [Pandas] Pandas는 데이터 구조 및 작업을 위한 강력한 도구 모음을 제공하는 인기 있는 Python 라이브러리입니다. 다양한 데이터 소스에서 데이터를 읽고 쓰고, 데이터를 필터링하고 정렬하고, 집계하고, 시각화할 수 있습니다. Pandas는 데이터 과학자와 분석가들 사이에서 인기 있는 선택이며 많은 책과 튜토리얼에 설명되어 있습니다. [Polars] Polars는 Pandas의 대안으로 설계된 비교적 새로운 라이브러리입니다. Pandas와 유사한 API를 제공하지만 더 효율적으로 설계되어 대용량 데이터를 처리하는 데 유용할 수 있습니다. Polars는 또한 Pandas보다 더 새롭고 빠르게 성장하는 생태계를 가지고 있습니다. [Pandas와 Polars의 주요 차이점] 다음은 Pandas와 Polars의 주요 차이점 중 일부입니다. 지원되는 데이터 유형: Pandas는 Pandas DataFrame으로 알려진 표 형식 데이터만 지원하는 반면 Polars는 기울기 및 행렬과 같은 다양한 데이터 유형을 지원합니다. 성능: Polars는 Pandas보다 빠르게 설계되어 대용량 데이터 처리에 유용할 수 있습니다. 생태계: Pandas는 더 큰 생태계를 가지고 있으므로 Pandas를 지원하는 더 많은 라이브러리와 도구를 사용할 수 있습니다. [Pandas와 Polars의 활용 방안] 다음은 Pandas와 Polars를 사용할 수 있는 몇 가지 예입니다. 데이터 탐색: Pandas와 Polars는 모두 데이터 탐색에 사용할 수 있습니다. Pandas는 데이터를 필터링하고 정렬하고 집계하고 시각화하는 데 유용한 다양한 도구를 제공합니다. Polars는 또한 Pandas보다 더 효율적일 수 있으므로 대용량 데이터를 탐색하는 데 유용할 수 있습니다. 데이터 처리: Pandas와 Polars는 모두 데이터 처리에 사용할 수 있습니다. Pandas는 다양한 데이터 소스에서 데이터를 읽고 쓰는 데 유용한 다양한 도구를 제공합니다. Polars는 또한 Pandas보다 더 효율적일 수 있으므로 대용량 데이터를 처리하는 데 유용할 수 있습니다. 데이터 분석: Pandas와 Polars는 모두 데이터 분석에 사용할 수 있습니다. Pandas는 통계 및 기계 학습을 위한 다양한 도구를 제공합니다. Polars는 또한 Pandas보다 더 효율적일 수 있으므로 대용량 데이터를 분석하는 데 유용할 수 있습니다. [결론] Pandas와 Polars는 모두 Python에서 인기 있는 데이터 분석 및 처리 라이브러리입니다. 그러나 두 라이브러리 사이에는 몇 가지 주요 차이점이 있습니다. Pandas는 더 오래되고 잘 알려진 라이브러리이며 더 큰 생태계를 가지고 있습니다. Polars는 더 새롭고 빠르게 성장하는 라이브러리이며 Pandas보다 더 효율적으로 설계되었습니다. 궁극적으로 귀하에게 가장 적합한 라이브러리는 귀하의 특정 요구 사항에 따라 다릅니다. 표 형식 데이터를 처리하고 더 큰 생태계를 갖춘 라이브러리가 필요한 경우 Pandas가 좋은 선택입니다. 대용량 데이터를 처리하고 Pandas보다 빠른 라이브러리가 필요한 경우 Polars가 좋은 선택입니다. 。 。 。 。 。 최근 FAST API가 기존 파이썬의 프레임워크의 왕도인 FLASK를 대체하기 시작하듯 점점 데이터에 대한 파이썬의 새로운 라이브러리 등은 계속 업데이트 되기에 새로운 기술이나 형식에 대한 파악은 필수 인듯 합니다. 아직 Polars 등의 데이터 라이브러리 이외에 인공지능이나 빅데이터 관련 라이브러리가 나올수도 있지 않을까 기대해 봅니다. 아마 Pandas와 Polars가 나왔으니 다음 라이브러리 이름은 Grizz가 되지 않을까요?^^ PS. 지난번 기한 글에서 다른분께서 글의 방향성이나 목적이 뚜렸하지 않고, 경험에 있어서 어느정도 부족한 부분에 대하여 피드백을 주셨습니다. 물론 저의 글에서 전문적인 내용이나 형식 구성에 있어서 부족한 점은 인정합니다. 그러므로 앞으로도 관련된 부분은 개선을 하도록 노력해보겠습니다. 부족하지만 제 글들에 대하여 많은 관심을 가져주셔서 감사합니다. 김지영 ([email protected]) -스타트업들을 돌아다니며 기술분석, 패션 등 다양한 분야에서 경험을 쌓으며, 현재 프롭테크 '두꺼비세상' 피터팬의 좋은방구하기- 데이터 분석 전담. -개발% 분석50%하는 반반 개발 분석자. -완벽한 자연어 처리에 대한 관심. -웹크롤링, 텍스트마이닝, 머신러닝 기법에 관심. .cc @POLARS @PANDAS @BAREBEAR

링크드인 해킹을 당하여 비밀번호를 변경하려 하는데 신분증을 요구합니다. 신분증 제출해도 문제 없을까요? 잘 아시는 분들 꼭 알려주세요..

화산귀환 웹소설에서 나온 띵언인데 '하고 싶은 거 놀고 싶은 거 자고 싶은 거 다 하고 남는 시간을 투자하는게 노력이 아니다 하고 싶은 거 놀고 싶은 거 자고 싶은 거 참아가며 시간을 만들어내서 하는게 노력이다' 나이가 많건 적건 MZ건 꼰대건 뭐라도 해내는 사람은 '진짜 노력'을 하는 사람이라는 거 요즘 많이 느낍니다 노력합시다 뭐라도 제대로 만들어내고 싶으면

최근에 협상을 했습니다(사실상 통보) 주변에 다른 회사 친구들 이야기들어보면 뭔가 추가 협상을 해봐야하나 아쉬운데 물가상승률정도면 만족해야하나요.. 다들 어떠세요?

안녕하세요, 작년 이직을 해 새로운 회사에서의 커리어를 이어가고 있는 상황입니다. 직전 회사에서는 오랜 시간 BM/PM 업무를 하며 Business analyst 업무도 병행했습니다. 그러다보니 보다 분석 업무쪽으로 커리어를 확장하고 싶은 마음에 이직을 했습니다. 막상 이직을 하니 여러 챌린지들도 있고 쉽지는 않지만 신입으로 온 것이 아닌만큼 주중/주말 가릴 것 없이 빠르게 캐치업하고 성과를 하나 둘 쌓고 있습니다. 그런데 최근 회사의 상황이 좋지 못해서인지 다들 숫자에 예민하네요. 통상 제가 월초에 분석을 바탕으로 당월 예상치를 분석하고, 리스크에 대해 설명을 합니다. 하지만 해당 리스크에 대해 얘기를 하면 '초반부터 너무 보수적으로만 보지 마라. 난 그렇게 안본다'라고 하고, 막상 월말에 가서 해당 리스크가 현실화되면 '너무 늦다. 왜 이제 와서 못한다고 하면 어쩌라는거냐. 무조건 해내라.'라고 합니다. 하지만 월말에 영업일수도 얼마 남지 않은 상황에서 해당 상황을 타개하기엔 너무나 어렵습니다. 그러고나면 월 마감 후 혼나고 -> 예상치 분석 -> 응 아니야 -> 리스크 현실화 -> 왜 이제 말했어! -> 월 마감 후 혼나고... 상황의 반복.. 어느 장단에 춤을 춰야하는걸까요.. 제 로직에 대해 신뢰를 안하시고 본인의 직감을 더 믿는 걸까요? 그렇다기엔 대체로 제 예상치와 가깝게 마감이 되는 편입니다. 아니면 임의로 영업 실무단과 커뮤니케이션 하며 Action Plan을 짜야하는걸까요? (그렇기엔 해당 미팅에서 Align이 안되면 추가 예산 확보가 어렵지만..) 데이터 분석 쪽으로의 커리어를 쌓고자 이직을 했는데 지금은 영업 쪽 숫자 FCST 머신이 된 것 같은 기분이네요. (데이터 분석의 골 자체가 분석을 바탕으로 회사가 나아가고자 하는 방향을 찾고자 함이라고 생각하고, 그렇다면 지금의 FCST도 그 연장선 상에 있다고 보기는 합니다만..) 이직을 한 만큼 좀 더 책임감을 갖고 일하자고 스스로를 독려해봐도 좀처럼 마음이 어지러워 선배님들의 고견 부탁드립니다. 감사합니다.

저는 데이터 분석가라는 꿈을 가지고 ㅈ소에 입시해서 이리구르고 저리구르다보니 3년차가된 데이터 분석가입니다. ㅈ소에서 일을 하더보니 백앤드 개발,DBA업무, ETL설계 및 구축, 데이터 분석, 데이터 사이언스 등등 온 갖 일을 다 해보면서 모든 일을 체험해보았습니다. 일을 하다보니 데이터 분석도 재미있지만 ETL이나 데이터 아키텍팅도 관심이 가서 재미있더군요... IT 자체 최적화, 코딩, 파이프라인 만들기, 데이터 분석, 지표만들기 등등 다 적성에 맞는듯합니다. 기획도 재미있고 사람 관리도 좋은... 걍 다 배울수록 재미있더군요...모델링 제외하고 하지만, 제가 ㅈ소에있다보니 시야가 좁아 어느 분야로 이직을 하면 더 좋을지 혹시 각 분야의 선배님들이 있으시면 해당 직군에 대해 어떠한일을 하고 있고 실무자로써 어떠한 비전을 볼 수 있는지 이런 조언을 구하고 싶습니다.

데이터 분석가/사이언티스트로 일한지 3년차입니다. 회사가 소규모다 보니 SI해보고 내부 R&D개발도 해봤지만 짧게 둘다 맛보기만 해봐서 나중에 커리어를 어느쪽으로 잡으면 좋을지 모르겠어요 혹시 데이터 직군 선배님들 데이터 컨설턴트의 장단은 무엇이고 임배디드 개발의 장단에 대해서 설명해 주실 수 있나요? 연차가 쌓였을때 어떤일을 하게되는지 그런 것들도 같이 설명해주시면 감사하겠습니다

안녕하세요 선배님들 갑작스럽게 CRM 데이터 분석이라는 미션을 받았는데 해본적이 없어 어떻게 접근해야하는지 모르겠네요 저는 이커머스 웹트래픽을 주로 분석했는데 제너럴한 분석으로 이슈를 진단한 후 해당 결과를 가지고 문제가 있는 부분을 찾아 좀 더 디테일한 분석을 진행하는걸 주로 했었는데요 CRM분석도 이와 같이 비슷한 프로세스가 있을까요? 분석결과 기반으로 커뮤니케이션 전략을 도출하려면 어떤식으로 분석에 접근해야하는지 조언부탁드립니다 참고로 저는 sql, 파이썬 기반의 프로그래밍 및 분석이 가능합니다

데이터 분석으로 계속 나아가고 싶은데 조언 해주실 선배님 계신가여 ㅠ 나이는 29에 통계학과 졸업하고 첫 직장을 정부사업을 위주로 하는 회사에 1년반정도 근무하다가 퇴사를 했는데요.. 퇴사한 이유가 시니어부재, 쳇바퀴 업무, 발전가능성 없음 등.. 이었습니다. 주로 했던 업무로는 데이터를 크롤링해서 데이터 수집 후 전처리 해서 시각화해서 그에 맞는 분석 결과를 리포트로 제공하는?? 그런 일들이 대부분이었습니다. 모델링 관련해서도 몇가지 진행은 했었는데 솔직히 누구한테 설명할 정도의 수준은 아니라고 생각되고 이에 대해서도 이걸 이렇게 해도 되는건가 싶은 생각도 들더라고요.. ㅎㅎ 막상 퇴사를 하고 보니 점점 늪으로 빠지네요 ㅋㅋ 이제까지 뭘 했던건지도 잘모르겠고.. 공부를 어떤 방향으로 나아갈지도 고민이고,, 특정 데이터에 대한 분석을 계속 한 것도 아닌 이것저것 한 상황이라서 깊이가 있지도 않습니다.

안녕하세요 고객 잔존을 극대화 시키는 BI tool 인 MakeDashy 를 만들고 서비스하고 있는 Fridays Lab의 장진혁 입니다. 리멤버 데이터 커뮤니티에 글만 읽다가 많은 분들께 도움이 되고싶어 앞으로 여러가지 고객 재구매/잔존에 대한 데이터 분석 이야기를 써보고자 합니다. 많은 관심 부탁드리며 궁금하신 내용은 댓글이나 연락 주시면 감사하겠습니다. :) 오늘은 여러 비즈니스에서 왜 리텐션 - 잔존이 중요한지 다루고자 합니다. 리텐션의 모든 것(All about Retention): 왜 리텐션이 중요할까요? 힘들게 유치한 고객이 남아 있지 않아 걱정이신가요? 리텐션(고객 잔존)은 모든 비즈니스의 최우선 과제예요. 왜 리텐션이 중요할까요? 비용 효율과 서비스의 지속 성장, 이 두 가지 관점에서 답을 찾을 수 있어요. 1. 25배 효율적인 기존 고객 타겟팅 "... Acquiring a new customer is anywhere from five to 25 times more expensive than retaining an existing one." 하버드 비즈니스 리뷰에 따르면 기존 고객의 재구매를 유도하는 것이 신규 고객을 유치하는 것보다 5배에서 25배가량 더 효율적이라고 해요. 이유는 간단해요. 기존 고객이 신규 고객보다 구매까지 도달하는 퍼널이 짧기 때문이에요. *AARRR 이란? 미국의 스타트업 엑셀러레이터 500 STARTUPS의 Dave McClure가 개발한 프레임워크로 Awareness (인지) , Acquisition (획득), Revenue (매출), Retention (잔존, 리텐션), Referral (추천)의 5단계로 구성됩니다. 새로운 고객을 유치하려면 AARRR의 첫 퍼널부터 통과시켜야 해요. 다양한 채널에 광고를 집행하는 등 큰 비용이 들게 되는 일이에요. 하지만 기존 고객들은 이미 우리 서비스에 대해 알고 있기 때문에 이들의 재구매를 유도하는 것은 비교적 비용이 적게 들어요. 게다가 Retention은 AARRR의 첫 단계에도 영향을 줘요. 잔존하는 고객이 많을수록 고객 획득에 투입한 비용을 빠르게 회수할 수 있고 또 다른 고객 획득에 투자할 수 있어요. 더 좋은 광고를 만들고 더 높은 광고 입찰가를 투자해 경쟁에서 우위를 차지할 수 있게 되는 거죠! 높은 잔존율이 더 많은 투자를 가능하게 하고, 그렇게 유입된 고객들의 다수가 잔존하는 선순환이 만들어져요. 2. 서비스 성장을 저해하는 낮은 재구매율 서비스의 성장에는 Retention이 어떤 영향을 줄까요? 간단한 예시가 있어요. A사는 매월 200만 명의 신규 고객을 획득하고 B사는 300만 명씩 획득해요. A사의 리텐션율은 월 85%, B사는 월 70%예요. 그렇다면 2년 뒤에는 둘 중 어느 회사가 더 많은 고객을 가지고 있을까요? 월 신규 고객은 B가 1.5배 많은 반면 6개월 뒤 고객 수 차이는 비교적 작게 나타나요. 게다가 2년 뒤에는 A의 고객 수가 더 많은 것으로 나타나게 돼요. 이 차이는 15%p라는 월 잔존율로 인해 발생해요. 이 사례는 TOSS의 PO Session으로 유명해진 Carrying Capacity 개념에 부합해요. Retention이 개선되지 않으면 아무리 많은 광고와 마케팅으로 고객을 유입시켜도 서비스의 본질적인 고객 수용 능력은 성장하지 않는다는 것이 Carrying Capacity의 핵심이에요. 다시 말하면 Retention을 높이는 것이 서비스 성장의 Key!라는 뜻이죠. “리텐션은 그로스에서 가장 중요한 단 한가지 요소다 (Retention is the single most important thing for growth).” - Alex Schultzs(페이스북 CMO) 3. 재구매율을 높이는 방법 그렇다면 기존 고객의 재구매를 높이려면 무엇을 해야 할까요? 그들이 이탈하지 않고 재구매한 이유를 찾아야 해요. 그 답은 기존 고객이 남긴 무수히 많은 데이터에 있어요. 그 데이터들을 얼마나 과학적인 방법으로 분석해서 정확한 인사이트를 얻는지가 중요해요. 또 한 가지 중요한 것은 분석한 결과를 바탕으로 한 빠른 실행이에요. 방대한 고객 데이터를 분석하여 수많은 전략이 나올 수 있지만, 우리 고객의 구매 주기는 이미 골든 타임에 도달했어요. 그들이 이탈하기 전에 빠르게 커뮤니케이션할 수 있는 도구가 필요해요. Dashy의 인공지능 Recommendation 같은 기능이 하나의 답이 될 수 있어요. 기존 고객의 모든 구매 데이터를 분석해서 최적의 상품을 빠르게 추천해 주니까요! 다음 포스트에서는 기존 고객의 데이터를 어떻게 분석해야 ‘그들이 이탈하지 않은 이유’를 찾을 수 있는지 준비해 보도록 하겠습니다. 짧게 쓰려고 하는데 길어지는 것 같네요 ㅎ 다 읽어 주셔서 감사합니다. 댓글과 좋아요는 힘이 됩니다. :)