[Coursera Google] GCC 데이터 애널리틱스 : 데이터 기반 의사결정을 위한 질문 / 효과적인 질문

 

728x90

 

 

 

 

 

 

 

 

 

데이터 기반 조치

 

데이터 애널리틱스 사례: Anywhere Gaming Repair

Anywhere Gaming Repair는 고장 난 비디오 게임 시스템을 수리하는 출장 서비스 업체로, 사업을 확장하고 더 많은 고객을 확보하기 위해 데이터 애널리틱스를 활용한 사례입니다. 이 사례는 데이터 분석 과정의 각 단계가 실제 문제 해결에 어떻게 적용되는지를 잘 보여줍니다.

 

1. 문제 정의

오너는 사업을 확장하려면 광고가 필요하다는 것을 알고 있었지만, 어떤 광고 방법이 효과적인지 몰랐습니다. 문제는 타겟층에게 도달할 수 있는 최적의 광고 방법을 찾는 것이었습니다.

 

2. 이해관계자와 협업

데이터 애널리스트 마리아는 문제 해결을 위해 이해관계자와 협업했습니다. 이해관계자는 회사 오너, 커뮤니케이션 VP, 마케팅 및 파이낸스 디렉터였습니다. 이들은 타겟층이 선호하는 광고 유형을 모르는 것이 문제라는 데 동의했습니다.

 

3. 데이터 수집 준비

마리아는 타겟층과 다양한 광고 방법에 관한 데이터를 수집하기로 했습니다. 이를 위해 비디오 게임 시스템 사용자를 이해하고, 다양한 광고 방법에 대한 데이터를 모았습니다.

 

4. 데이터 정리

마리아는 수집한 데이터를 정리하여 오류나 부정확성을 제거했습니다. 데이터 정리는 데이터를 유용한 형식으로 변환하고, 더 완전한 정보를 제공하며, 이상값을 삭제하는 단계입니다.

 

5. 데이터 분석

마리아는 두 가지 질문에 답하기 위해 데이터를 분석했습니다:

1. 비디오 게임 시스템을 소유할 가능성이 가장 높은 사람은 누구인가?
2. 이들이 광고를 볼 가능성이 가장 큰 곳은 어디인가?

분석 결과, 18세에서 34세 사이의 연령대가 타겟층이라는 것을 확인했습니다. 또한 TV 광고와 팟캐스트 광고가 이 연령대에서 인기 있는 광고 방법임을 발견했습니다.

 

6. 결과 제안 및 실행

마리아는 예산을 고려하여 비용 대비 효과가 더 뛰어난 팟캐스트 광고를 제안했습니다. 이해관계자에게는 명확하고 설득력 있는 시각 자료로 분석 결과를 요약하여 제공했습니다. 이를 통해 Anywhere Gaming Repair는 지역 팟캐스트 제작 대행사에 의뢰해 30초 광고를 제작했고, 이 광고는 한 달 동안 방송되었습니다.

 

결과

광고 후 일주일 만에 고객이 증가하기 시작했으며, 4주 동안 85명의 신규 고객을 확보했습니다. 이로써 데이터 분석 단계를 통해 효과적인 문제 해결을 이루어냈습니다.

 

Anywhere Gaming Repair의 사례는 데이터 애널리틱스를 통해 문제를 정의하고, 데이터를 수집 및 분석하며, 결과를 활용하여 실질적인 비즈니스 문제를 해결하는 과정을 잘 보여줍니다. 이 과정은 모든 기업이 데이터를 활용하여 더 나은 의사 결정을 내리고, 효율적인 문제 해결 방안을 찾는 데 중요한 교훈을 제공합니다.

 

 

---

문제부터 조치까지: 6가지 데이터 분석 단계

질문, 준비, 처리, 분석, 공유, 조치라는 6가지 데이터 분석 단계를 따르면 원활하게 의사결정을 내릴 수 있습니다. 데이터 분석 단계는 생성에서 소멸까지 데이터의 변화를 설명하는 데이터 수명 주기와는 다르다는 점을 명심하세요. 데이터 분석 단계를 활용하여 업무 중에 발생할 수 있는 문제를 해결하는 방법을 단계별로 살펴보겠습니다.

1단계: 질문

문제가 무엇인지 모르면 문제를 해결할 수 없습니다. 다음을 고려해보세요.

• 해결하려는 문제 정의
• 이해관계자의 기대치를 정확히 파악
• 주의 분산을 피하고 실제 문제에 집중
• 이해관계자와 협업하고 열린 소통 채널 유지
• 한 걸음 물러서서 전체 상황의 맥락 검토

이 단계에서 자문해봐야 할 내용:

1. 이해관계자들이 자신의 문제를 말하고 있는가?
2. 문제를 파악한 후 이해관계자가 문제를 해결하도록 도울 방법은 무엇인가?

2단계: 준비 

질문에 답하기 위해 수집해야 할 데이터와 데이터를 유용하게 구성하는 방법을 결정합니다. 비즈니스 작업을 다음과 같은 목적으로 활용할 수 있습니다. 

• 측정항목 정의
• 데이터베이스에서 데이터 찾기
• 데이터를 보호하기 위한 보안 조치 수립

이 단계에서 자문해봐야 할 내용: 

1. 문제 해결 방법을 알아내려면 무엇을 해야 하는가?
2. 어떤 조사를 해야 하는가?

3단계: 처리

정리된 데이터란 최적의 데이터입니다. 오류, 부정확성, 불일치 가능성을 제거하려면 데이터를 정리해야 합니다. 즉, 다음과 같은 작업을 의미합니다.

• 스프레드시트 함수를 사용하여 잘못 입력된 데이터 확인
• SQL 함수를 사용하여 불필요한 공백 확인
• 중복된 항목 삭제
• 데이터에 편향이 있는지 최대한 확인

이 단계에서 자문해봐야 할 내용: 

1. 해결하고자 하는 문제에 대해 최선의 답을 찾는 데 방해가 되는 데이터 오류나 부정확성은 무엇인가?
2. 정보의 일관성을 높이려면 데이터를 어떻게 정리해야 하는가?

4단계: 분석 

데이터에 분석적으로 접근하고 싶다면 다음 작업을 쉽게 진행할 수 있도록 이 단계에서 데이터를 정렬하고 서식을 지정하는 것이 좋습니다. 

• 계산
• 여러 출처의 데이터 결합
• 결과를 반영한 표 만들기

이 단계에서 자문해봐야 할 내용:

1. 데이터가 시사하는 바는 무엇인가?
2. 문제 해결에 데이터를 어떻게 활용할 것인가?
3. 우리 회사 제품/서비스의 타겟 고객은 누구인가? 제품이나 서비스를 사용할 가능성이 가장 높은 사람은 누구인가?

5단계: 공유

저마다 다른 방식으로 결과를 공유할 수 있으므로, 그래프나 대시보드와 같은 데이터 시각화 도구를 사용하여 명확하고 보기 좋은 시각 자료로 분석 결과를 요약해야 합니다. 여러분이 문제를 해결했음을 이해관계자에게 알리고 해결 방법을 보여줄 수 있는 기회이기도 합니다. 결과를 공유하면 팀에 다음과 같은 도움이 됩니다. 

• 더 나은 의사결정
• 정보에 기반한 의사결정
• 더 강력한 결과 도출
• 발견 내용의 성공적인 전달

이 단계에서 자문해봐야 할 내용:

1. 흥미롭고 이해하기 쉽게 이해관계자에게 내용을 제시하려면 어떻게 해야 하는가?
2. 무엇이 듣는 사람의 이해를 도울 수 있는가?

6단계: 조치

이제 데이터를 기반으로 조치를 취할 차례입니다. 데이터 분석에서 알아낸 모든 정보를 활용할 수 있습니다. 즉, 분석 결과에 따라 이해관계자에게 권장 방안을 제시하여 데이터에 기반한 의사결정을 도울 수 있습니다.

이 단계에서 자문해봐야 할 내용:

1. 공유 단계(5단계)에서 받은 피드백을 활용하여 이해관계자의 요구사항과 기대치를 제대로 충족하려면 어떻게 해야 하는가?

6단계는 데이터 분석 과정을 구조적 사고 라고 하는 더 작고 다루기 쉬운 부분으로 나누는 데 도움이 됩니다. 이 과정에는 4가지 기본 활동이 포함됩니다.

1. 현재의 문제나 상황 인식
2. 사용 가능한 정보 정리 
3. 격차와 기회 파악
4. 조치 옵션 파악

데이터 애널리스트로서 첫걸음을 내디딜 때, 기대했던 것과 달리 너무 많은 일을 동시에 해내야 하는 것 같다는 느낌이 들 수 있습니다. 여기에서 설명하는 절차에 따라 구조적 사고 스킬을 활용하면 정상 궤도로 돌아가 지식 격차를 메우고 무엇이 필요한지 정확히 파악할 수 있습니다.

 

 

---

 

일반적인 문제 유형

 

1. 예측 (Prediction)

정의: 데이터를 사용해 미래의 상황을 예측하고 정보에 기반한 결정을 내리는 문제 해결 유형입니다.

사례: 한 병원에서는 만성질환 환자의 건강 상태를 원격 모니터링 데이터를 통해 예측합니다. 환자가 매일 집에서 활력 징후를 측정해 병원에 보내면, 알고리즘이 이를 분석해 향후 건강 문제를 예측하고, 이를 통해 입원 가능성을 낮추는 조치를 취할 수 있습니다.

 

2. 분류 (Classification)

정의: 공통적인 특징을 토대로 정보를 여러 그룹으로 나누는 작업입니다.

사례: 한 제조업체가 현장 직원의 실적 데이터를 검토하고, 애널리스트는 엔지니어링, 수리 및 유지보수, 조립 라인 등의 업무에서 가장 효율적인 직원 그룹과 비효율적인 직원 그룹을 나눕니다. 이를 통해 특정 작업의 고효율 직원과 저효율 직원을 파악할 수 있습니다.

 

3. 특이점 발견 (Anomaly Detection)

정의: 정상 범위를 벗어나는 데이터를 파악하는 문제 해결 유형입니다.

사례: 한 학교에서 등록 학생 수가 갑자기 30% 증가한 상황을 분석해보니, 해당 학군에 신축 아파트 단지가 여러 곳 생겼다는 것을 발견했습니다. 이를 통해 학교의 자원이 충분한지 확인하고, 추가 자원을 확보할 필요성을 파악할 수 있습니다.

 

4. 주제 파악 (Topic Modeling)

정의: 정보를 더 광범위한 개념으로 묶는 작업입니다.

사례: 제조업체에서 직원 데이터를 유형 및 작업별로 그룹화한 후, 이를 더 발전시켜 고생산성 그룹과 저생산성 그룹으로 나눕니다. 이를 통해 최고 성과자에게 보상을, 성과 미달자에게는 지원을 제공할 수 있습니다.

 

5. 관계 파악 (Relationship Identification)

정의: 각기 다른 업체에서 발생한 유사한 문제를 찾아 데이터를 결합해 문제를 해결하는 유형입니다.

사례: 한 스쿠터 회사가 휠 공급업체의 문제로 인해 생산을 중단했는데, 휠 제조에 사용된 고무 소재에 문제가 있었음을 발견했습니다. 이를 통해 관련 업체들이 문제를 공유하고 협업해 해결책을 찾을 수 있습니다.

 

6. 패턴 찾기 (Pattern Recognition)

정의: 과거 데이터에서 패턴을 찾아 과거에 발생한 사건과 유사한 사건을 예측하는 유형입니다.

사례: 전자상거래 회사는 거래 데이터를 분석해 연중 특정 시점에 고객이 보이는 구매 습관을 파악합니다. 예를 들어, 허리케인 직전에는 통조림 판매가 급증하고, 따뜻한 계절에는 방한용품 판매가 줄어드는 패턴을 발견해, 이를 토대로 제품 재고를 조절합니다.

 

 

데이터 애널리스트는 다양한 문제 해결 유형을 통해 실질적인 비즈니스 문제를 해결할 수 있습니다. 문제를 정의하고 데이터를 수집, 분석하여 결과를 활용하는 과정을 통해, 기업은 더 나은 의사 결정을 내리고 효과적인 해결책을 찾을 수 있습니다.

 

---

데이터 애널리스트가 다루는 일반적인 6가지 문제 유형

 

1. Making predictions 2. Categorizing things 3. Spotting something unusual 4. Identifying themes 5. Discovering connections 6. Finding patterns

1. 예측 2. 분류 3. 특이점 발견 4. 주제 파악 5. 관계 파악 6. 패턴 찾기

 

 

예측

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

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

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

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 파악이 어떻게 다른지 궁금할 것입니다. 분류는 카테고리를 나누는 것이고, 주제 파악은 한 단계 더 나아가 카테고리를 더 넓은 주제로 그룹화하는 것이라고 생각하면 차이점을 쉽게 이해할 수 있습니다.

 

관계 파악

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

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.

 

핵심 요약

과정을 진행하면서 문제를 파악하는 능력을 기르고 분석을 시작할 때 문제 유형을 기반으로 사고하는 방법을 연습하게 됩니다. 이러한 문제 해결 방법은 모든 이해관계자의 요구를 충족하는 해결책을 찾는 데 도움이 됩니다.

 

 

---

실무 문제

 

문제 유형에는 예측, 분류, 특이점 발견, 주제 파악, 관계 파악, 패턴 찾기 등이 있었습니다. 이번 시간에는 각각의 문제 유형과 해당 사례를 자세히 살펴보겠습니다.

 

1. 예측 (Prediction)

사례: Anywhere Gaming Repair에서 신규 고객을 유치하기 위해 타겟층에 맞는 광고 방식을 결정해야 했습니다. 마리아는 데이터를 사용해 광고 게재 위치별 효과를 추정했습니다. 예를 들어, 팟캐스트 광고가 타겟층에 얼마나 효과적일지 예측하고, 예산 대비 효과가 뛰어난 광고 방식을 제안했습니다. 이를 통해 마리아는 예측 문제 유형을 성공적으로 해결했습니다.

 

2. 분류 (Classification)

사례: 고객 만족도를 높이고 싶어 하는 회사가 있습니다. 데이터 애널리스트는 고객 서비스부로 걸려온 문의 전화를 분석해 통화 중 등장하는 특정 키워드나 문구를 정중함, 만족, 불만족, 공감 등의 카테고리로 분류했습니다. 이를 통해 고객 서비스 담당자 중 성과 우수자와 추가 교육이 필요한 직원을 파악하고, 고객 만족도를 개선할 수 있었습니다.

 

3. 특이점 발견 (Anomaly Detection)

사례: 한 젊은 여성이 스마트워치를 통해 건강 추적 앱을 사용하고 있었습니다. 어느 날 밤, 스마트워치가 심박수 급증 경고음을 울렸습니다. 안정시 심박수가 평소 70회였지만, 120회로 급증한 것을 특이점으로 발견한 것입니다. 이 경고 덕분에 그녀는 병원에 가서 생명을 위협할 수 있는 질환을 조기에 발견하고 치료받을 수 있었습니다.

 

4. 주제 파악 (Topic Modeling)

사례: 한 커피메이커 제조업체의 UX 디자이너가 고객 의견을 조사했습니다. 익명 설문조사를 통해 수집한 데이터를 분석해 특정 키워드와 문구를 분류한 후, 이를 더 광범위한 주제로 그룹화했습니다. 이를 통해 전원 버튼의 위치와 표시등 개선이 필요하다는 결론에 도달하고, 디자인을 최적화해 사용자 만족도를 높일 수 있었습니다.

 

5. 관계 파악 (Relationship Identification)

사례: 운송업에서 3PL 파트너들은 대기 시간을 줄일 방법을 찾고 있었습니다. 트럭 기사가 제품 픽업 장소에 도착했지만 제품이 준비되지 않아 대기 시간이 발생하는 문제가 있었죠. 3PL 파트너와 데이터를 공유해 일정을 조정하면, 배송 지연 원인을 파악하고 이를 통해 대기 시간을 줄일 수 있었습니다. 예를 들어, 한 회사는 월, 수, 금에만 배송하고 다른 회사는 화, 목에만 배송하는 식으로 일정을 조정해 문제가 해결되었습니다.

 

6. 패턴 찾기 (Pattern Recognition)

사례: 석유 및 가스 회사는 기계 고장을 막기 위해 과거 데이터를 분석했습니다. 데이터 애널리스트는 기계가 언제, 어떻게 고장이 났는지 조사해, 유지보수 주기를 15일로 유지하지 않으면 고장이 더 빨리 발생한다는 패턴을 발견했습니다. 이를 통해 기계의 상태를 지속적으로 추적하고 문제가 발생하면 즉시 개입해 조치할 수 있었습니다.

 

 

이처럼 데이터 애널리스트는 다양한 문제 유형을 해결하기 위해 데이터를 분석하고, 실질적인 비즈니스 문제를 해결할 수 있습니다. 문제를 정의하고, 데이터를 수집, 분석하여 결과를 활용하는 과정을 통해, 기업은 더 나은 의사 결정을 내리고 효과적인 해결책을 찾을 수 있습니다.

 

 

 

---

SMART 질문

 

효과적인 질문의 중요성

데이터 애널리스트는 문제를 해결하기 위해 끊임없이 질문합니다. 질문을 통해 데이터에서 유용한 정보를 얻고, 이를 바탕으로 분석을 진행합니다. 따라서 질문의 질이 데이터 분석의 성공을 좌우합니다. 효과적인 질문은 명확한 답변을 얻기 위해 구체적이고 측정 가능하며, 관련성이 있어야 합니다. SMART 방법론을 사용하여 효과적인 질문을 만드는 방법을 살펴보겠습니다.

 

SMART 방법론

SMART는 구체성(Specific), 측정 가능성(Measurable), 행동 지향성(Action-oriented), 관련성(Relevant), 시간 제한성(Time-bound)을 의미합니다.

1. 구체성(Specific): 질문은 간단하고 명확하며, 특정 주제나 개념에 집중해야 합니다.
   • 예: "요새 어린이들은 신체 활동을 충분히 하고 있나요?" 대신 "주 5일 이상 매일 60분간 신체 활동을 하는 아동의 비율은 몇 퍼센트인가요?"라는 질문이 더 구체적이고 유용합니다.
2. 측정 가능성(Measurable): 질문은 정량화와 평가가 가능해야 합니다.
   • 예: "최근의 그 동영상은 왜 입소문이 났죠?" 대신 "소셜 채널에 게시된 첫 주에 동영상이 몇 번이나 공유됐는지" 물어보면 공유 횟수를 측정할 수 있습니다.
3. 행동 지향성(Action-oriented): 질문은 변화를 유도하고 실질적인 행동으로 이어질 수 있어야 합니다.
   • 예: "고객이 제품 포장재를 재활용하게 하려면 어떻게 해야 할까요?" 대신 "포장재를 재활용하기 쉬운 디자인에는 어떤 특징이 있을까요?"라는 질문이 더 효과적입니다.
4. 관련성(Relevant): 질문은 해결하려는 문제와 직접적으로 관련이 있어야 합니다.
   • 예: "파인 바렌스 청개구리가 사라지는 것이 왜 문제가 되나요?" 대신 "1983년~2004년 사이 샌드힐스 지역에서 파인 바렌스 청개구리를 사라지게 만든 노스캐롤라이나주 더럼의 환경 요인 변화는 무엇인가요?"라는 질문이 더 관련성이 있습니다.
5. 시간 제한성(Time-bound): 질문에는 조사 기간이나 특정 시간 프레임이 포함되어야 합니다.
   • 예: 위의 관련성 있는 질문은 또한 시간 제한성이 있는 질문의 좋은 사례입니다.

 

공정한 질문 만들기

공정한 질문은 편향을 유발하거나 특정 답변을 유도하지 않아야 합니다. 또한, 명확하고 직관적인 표현을 사용해야 합니다. 불공정한 질문은 신뢰할 수 없는 답변을 초래하고, 데이터 분석의 정확성을 떨어뜨립니다.

• 유도 질문: "이 샌드위치 진짜 최고다. 그렇지?"는 듣는 사람에게 특정 방향의 답변을 유도하는 질문입니다.
• 폐쇄형 질문: "말레이시아에서 자랄 때 즐거우셨나요?"는 예/아니요로 대답할 수 있는 질문으로, 유용한 정보를 얻기 어렵습니다.
• 모호한 질문: "초콜릿과 바닐라 중 뭐가 좋으세요?"는 질문이 구체적이지 않고 맥락이 부족합니다.

 

예시를 통한 이해

• 효과적인 질문 예시: "최근 고객 만족도를 높이기 위해 고객 서비스 통화에서 특정 키워드와 문구를 찾아내고, 이를 정중함, 만족, 불만족, 공감 등으로 분류했습니다. 그 결과, 추가 교육이 필요한 직원을 파악하고 고객 만족도를 높일 수 있었습니다."
• 공정한 질문 예시: "이번 전시에서 가장 마음에 들지 않은 점은 무엇인가요?"는 관람객의 솔직한 피드백을 얻기 위해 설계된 공정한 질문입니다.

 

데이터 애널리스트는 문제 해결을 위해 효과적인 질문을 던져야 합니다. SMART 방법론과 공정한 질문의 중요성을 이해하고, 이를 바탕으로 데이터를 분석하면, 비즈니스 의사결정에 큰 도움이 됩니다. 다음 시간에는 다양한 데이터 유형과 이를 비즈니스 의사결정에 활용하는 방법에 대해 알아보겠습니다. 이를 통해 분석 능력을 더욱 향상시킬 수 있기를 바랍니다.

 

 

 

---

SMART 질문 자세히 알아보기

오늘날 많은 산업 분야의 기업들은 급격한 변화와 증가하는 불확실성에 대처해야 합니다. 어느 정도 성장한 비즈니스조차도 새로운 트렌드를 따라잡고 다음 트렌드를 파악해야 한다는 압박을 받고 있습니다. 트렌드를 파악하려면 질문을 해야 합니다. 적절한 질문으로 오늘날 많은 기업이 갈망하는 혁신적인 아이디어를 이끌어 낼 수 있습니다.

 

데이터 애널리틱스도 마찬가지입니다. 얼마나 많은 정보를 보유하고 있는지, 도구가 얼마나 발전했는지와 관계없이 적절한 질문에서 시작하지 않으면 데이터에서 많은 정보를 알아낼 수 없습니다. 탐정에게 아무리 많은 증거가 있더라도 주요 용의자에게 질문을 하지 않는다면 어떻게 될지 생각해보세요. 지금부터 매우 효과적으로 질문하는 방법과 피해야 할 행위에 관해 자세히 알아보겠습니다.

 

매우 효과적인 SMART 질문:

 

SMART

S - 구체성(Specific)M - 측정 가능성(Measurable)A - 행동 지향성(Action-oriented)R - 관련성(Relevant)T - 시간 제한성(Time-bound)

질문이 구체적인가요? 문제를 다루나요? 맥락이 있나요? 필요한 정보를 많이 찾을 수 있나요?

질문을 통해 측정 가능한 답을 얻을 수 있나요?

질문을 통해 몇 가지 유형의 실행 계획을 고안하는 데 도움이 되는 정보를 얻을 수 있나요?

해결하려는 특정 문제에 대한 질문인가요?

답변이 구체적인 조사 기간과 관련이 있나요?

 

SMART 질문의 예

SMART 방법을 활용하여 문제와 관련된 질문을 하나 이상의 SMART 질문으로 전환하는 사고 과정을 확인해보세요.

 

예: 신차 구매 고객이 원하는 기능은 무엇일까요?

• 구체성: 질문이 특정 자동차 기능에 중점을 두고 있나요?
• 측정 가능성: 질문에 기능 평가 체계가 포함되어 있나요?
• 행동 지향성: 질문이 다른 기능 패키지 또는 새로운 기능 패키지를 개발하는 데 영향을 주나요?
• 관련성: 질문을 통해 자동차 구매의 성사 여부를 가르는 기능을 파악할 수 있나요?
• 시간 제한성: 질문을 통해 최근 3년간 가장 인기 있었던 기능의 데이터를 검증할 수 있나요? 

질문은 개방형이어야 합니다. 개방형 질문은 특정 문제의 잠재적 해결책을 정확하게 선택/배제하기 위한 답변을 얻는 가장 좋은 방법입니다. 사고 과정에 따라 문제에 적용 가능한 SMART 질문은 다음과 같습니다.

• 1~10의 척도(10이 가장 중요)를 기준으로 자동차의 사륜구동 여부는 얼마나 중요한가요?
• 자동차 옵션 패키지에 포함되었으면 하는 상위 5가지 기능은 무엇인가요?
• 사륜구동 자동차에 탑재되었을 때 자동차 구매 의향에 영향을 미치는 기능은 무엇인가요?
• 사륜구동 자동차를 구매하기 위해 얼마를 더 지불할 의향이 있나요?
• 최근 3년간 사륜구동 자동차의 인기에 변화가 있었나요?

 

질문 시 피해야 할 사항

유도 질문: 특정 답변만 얻을 수 있는 질문

• 예: 제품이 너무 비싸지 않나요?

질문의 일부로 답을 제시하기 때문에 유도 질문에 해당합니다. 더 나은 질문으로는 '이 제품에 대해 어떻게 생각하나요?'가 있습니다. 이 질문에 대한 답변은 수없이 많으며 가격뿐만 아니라 사용성, 기능, 액세서리, 색상, 안전성, 인기도에 관한 정보를 포함할 수 있습니다. 가격 책정에 중점을 둔 문제인 경우 '제품 구매를 고려할 만한 가격(또는 가격대)은 얼마인가요?'와 같은 질문을 할 수 있습니다. 이 질문을 통해 측정 가능성을 충족하는 다양한 답변을 얻을 수 있습니다.

 

폐쇄형 질문: 한 단어 또는 단답만 요구하는 질문

• 예: 고객 체험 프로그램이 만족스러웠나요?

다양한 답변을 유도하지 않기 때문에 폐쇄형 질문에 해당합니다. 사람들은 이러한 질문에 큰 의미 없는 한 가지 단어로 답하기가 쉽습니다. 더 나은 질문으로는 '체험 프로그램은 어땠나요?'가 있습니다. 이 질문은 사람들이 '좋았어요' 외에도 더 자세하게 답변하도록 유도합니다.

 

모호한 질문: 구체적이지 않거나 맥락이 없는 질문

• 예: 도구가 효과가 있나요?

맥락이 없기 때문에 너무 모호한 질문입니다. 새 도구를 기존 도구와 비교하기 위한 질문일까요? 알 수 없습니다. 더 나은 질문으로는 '데이터 입력 면에서 새 도구의 속도가 더 빠르거나 느리나요, 아니면 기존 도구의 속도와 거의 같은가요? 더 빠르다면 시간이 얼마나 절약되나요? 더 느리다면 시간이 얼마나 낭비되나요?'가 있습니다. 이러한 질문은 맥락(데이터 입력)을 제공하고, 측정 가능한 응답(시간)을 받아 이를 분류하는 데 도움이 됩니다.