디자인 씽킹에 데이터를 접목시켜 업무에 적용한다면 창의성과 정확성을 동시에 갖춘 결론을 도출할 수 있으며, 고객 데이터에 기반한 만큼 만족도 향상을 통한 지속 성장의 기틀을 다질 수 있습니다.  

무엇보다 조직의 리더들이 데이터 기반의 디자인 씽킹을 이해하고 팀에 적용하면 더 복잡한 문제를 창의적으로 접근하고, 실질적인 해결책을 제시할 수 있습니다. 이러한 역량을 기르게 되면 자연스럽게 조직 내 혁신 문화를 조성하는 기반이 되어, 구성원들의 참여와 협업을 촉진하는 데 중요한 역할을 합니다. 즉 DT∙AI 시대에 적합한 리더의 생각과 행동이 무엇인가? 에 대한 논의도 가능하게 됩니다. 

지금부터 구체적으로 데이터가 흐르는 문제해결 방법론의 내용과 사례를 말씀드리도록 하겠습니다. 

먼저, 데이터 분석 기초와 데이터 수집 및 설계에 대한 이해가 필요합니다. 

데이터 분석 기초는 데이터를 어떻게 수집하고 설계하느냐에 달렸다고 해도 과언이 아닙니다. 데이터 수집은 다양한 채널(내부∙외부)을 통해 가능하며, 설계 단계에서는 데이터를 정리하고 구조화하여 분석에 용이하게 만듭니다. 이를 위해 정성 데이터와 정량 데이터의 기본 구분을 이해하고, 각 데이터의 용도를 파악해야 합니다. 예를 들어, 병원이 환자 만족도를 개선하기 위해 설문조사를 실시한다고 가정해 보죠. 설문지를 설계할 때 질문의 구조와 형식을 정하고 데이터를 수집함으로써 환자들이 가장 불만족하는 부분을 파악할 수 있습니다. 이러한 
데이터 수집과 설계가 데이터를 분석하고 문제를 해결하는 기초가 됩니다.

디자인씽킹 단계별 데이터 활용 방안

디자인씽킹의 각 단계인 공감 → 문제 정의 → 아이디어 도출 → 프로토타입 테스트 를 위한 데이터 활용 방안을 모색하는 것이 필요합니다.

구체적인 데이터 분석 스킬 적용하기

다음으로는 구체적인 데이터 분석에 필요한 이해와 스킬이 필요합니다. 
먼저, 소셜 데이터와 엑셀 데이터 분석이 대표적입니다. 소셜 데이터와 엑셀 데이터는 각각의 강점을 가지고 있습니다. 소셜 데이터는 사용자 행동 및 트렌드를 파악하는 데 유용하며, 엑셀 데이터는 구조화된 형태로 다양한 분석을 수행하는 데 적합합니다.예를 들어, 한 마케팅 회사가 소셜 미디어 캠페인을 평가하려고 할 때, 소셜 데이터를 분석하여 사용자 반응과 트렌드를 파악하고, 엑셀 데이터를 통해 캠페인 성과를 정량적으로 분석할 수 있습니다. 소셜 데이터에서 긍정적/부정적 감성 분석을 통해 캠페인의 반응을 파악하고, 엑셀 데이터에서 클릭률, 전환율 등을 분석하여 캠페인의 성과를 평가할 수 있습니다.

[예시 1 : 전자상거래 업체의 상품 추천 시스템 개선]

확증적 데이터 분석 과정과 탐색적 데이터 분석 과정 비교

문제 가설의 정량적 검증은 어떻게 할까?

데이터 분석 프로세스는 크게 확증적 데이터 분석(CDA: Confirmatory Data Analysis)과 탐색적 데이터 분석(EDA: Exploratory Data Analysis)으로 나눌 수 있습니다. 확증적 데이터 분석은 특정 가설을 검증하기 위해 데이터를 분석하는 방법입니다. 한편 탐색적 데이터 분석은 데이터를 자유롭게 탐색하며 새로운 인사이트를 도출하는 방법입니다.

확증적 분석은 가설 설정 → 데이터 수집 → 통계 분석 → 가설 검증의 절차를 거칩니다. 반면, 탐색적 분석은 데이터 수집 → 시각화 탐색 → 패턴 도출 → 인사이트 발견의 절차를 거칩니다.

예를 들어, 한 금융 회사가 고객 이탈률을 줄이기 위해 데이터를 분석한다고 가정해 보죠. 이 때 탐색적 데이터 수집과 시각화를 통해 고객 행동 패턴을 식별하고, 확증적 데이터 분석을 통해 특정 행동이 이탈률에 미치는 영향을 검증할 수 있습니다. 특정 거래 패턴이 이탈률과 연관이 있는지를 분석함으로써 맞춤형 마케팅 전략을 수립할 수 있게 됩니다.

시각적 데이터 분석은 데이터를 쉽게 이해하고 문제를 파악하는 데 도움을 줍니다. 다양한 그래프와 차트를 통해 문제의 원인을 식별하고 적절한 해결책을 도출할 수 있습니다. 

예를 들어, A시의 도시계획 부서가 교통 문제를 해결하기 위해 데이터를 시각적으로 분석한다고 가정해 보죠. 교통량 데이터를 지도와 그래프로 시각화하여 혼잡 구간을 식별하고, 이를 기반으로 교통 체계를 개선하는 해결책을 제안할 수 있습니다. 피크 시간대의 교통 흐름을 분석하여 교통 신호 체계를 최적화할 수 있게 됩니다. 구체적으로 다양한 그래프 유형의 특징과 활용 방안에 대해 알아보겠습니다. 막대 그래프는 카테고리 간 비교에 유용하며, 선 그래프는 시간에 따른 변화를 나타내고, 파이 차트는 구성 비율을 시각화하는 데 적합합니다. 적절한 그래프 유형을 선택함으로써 데이터를 효과적으로 전달할 수 있습니다.

또다른 예시로 한 의료 연구팀이 환자 데이터를 분석할 때, 막대 그래프를 사용하여 환자 연령대별 질병 분포를 시각화하고, 선 그래프를 사용하여 시간에 따른 환자 수 변화를 나타낼 수 있으며, 파이 차트를 통해 환자군의 구성 비율을 시각적으로 보여줄 수 있습니다.