패스트캠퍼스도 약 3주 정도 후면 끝나고, 그때쯤이면 상반기도 끝이네요. 일단 넷마블PM, 코그PM 적어 볼 생각이긴 한데... 모르겠습니다. 제가 다른 분들에 비해 경쟁우위를 점할 수 있을까요. 뭘 해야할지 헷갈리는 시간을 보내고 있습니다.
(1) 데이터 (2) 개인 프로젝트 (3) IT, CS (4) 비즈니스 (5) 콘텐츠/마케팅 의 순서입니다.
1. 데이터분석가는 어떻게 살아남는가(7): https://brunch.co.kr/@changsikcho33ug/85
07화 데이터 분석가는 투자가처럼 질문을 선택해야 한다
투자가처럼 생각하자 | 데이터 분석가는 한 회사에 몇 명 없기에 어쩔 때는 분석해야 하는 질문이 수십 개씩 주어지고는 한다. 그리고 각각의 질문은 그 질문의 핵심을 어디까지 파고 들어갈 것
brunch.co.kr
데이터 분석가는 수많은 질문들 중 무엇을 가장 우선순위에 놓아야 하는지를 고려하여 그에 대한 답을 찾아야 한다.
- 투자가처럼 투자할 질문을 선택하고 투자하자.
데이터분석가는 어떻게 살아남는가(8): https://brunch.co.kr/@changsikcho33ug/86
08화 데이터 분석가가 카산드라의 저주에서 빠져나오려면
카산드라가 되지 않으려면 | 세상에서 가장 어려운 것 중의 하나가 자신의 실패와 약점을 마주 보는 것이라고 확신한다. 데이터를 분석한다는 것은 많은 경우 타인의 실패를 지표를 통해 확인
brunch.co.kr
데이터분석 = 지표를 통해 결과를 확인사살 시켜주는 것. 자신이나 회사의 실패를 받아들일 줄 알아야 한다.
- 카산드라: 유효한 경고나 우려사항을 믿으려 하지 않는 것과 관련된 은유.
- 카산드라가 되지 않으려면 사내에서 자신의 입지를 쌓아야 한다: 회사의 위험을 인지하고 해결하기 위함
데이터분석가는 어떻게 살아남는가(9): https://brunch.co.kr/@changsikcho33ug/87
09화 데이터 분석가가 데이터를 보지 말아야 한다
수치 이전에 세상이 있다 | 데이터 분석가의 가장 큰 역할은 서비스를 추상적으로 해체하고, 수치적으로 측정하여, 유의미한 해석을 이끌어내는 것이다. 하지만 그것이 어느 정도 단계에 이르면
brunch.co.kr
데이터 분석가의 기본적인 역할은 수치를 해석하는 것이지만, 숙련도가 궤도에 오를 즈음엔 수치해석에서 벗어나야 한다
- 서비스, 산업, 등에 대한 이해가 선행된다면 보다 효율적인 분석이 가능하다
- 데이터로 측정되지 않는 것들을 보고 구조화해 이해하는 능력이 필요하다
데이터분석가는 어떻게 살아남는가(10): https://brunch.co.kr/@changsikcho33ug/73
10화 데이터를 조지는 101가지 삽질 전 물어볼 질문들
경험담 | 모든 것이 빠르게 변하는 이 시대에 "데이터 드리븐 결정"이라고 하는 멋있어 보이는 말을 기획서에 넣지 않으면 뭔가 2% 빠진 느낌이 든다. 하지만 이런 "데이터 드리븐"이라는 말에는
brunch.co.kr
Data-driven decision making에는 멋짐보다 고통이 더 많이 스며들어 있다.
- 데이터에 대해 잘 아는 사람이 있어야 서비스를 효과적으로 개선할 가능성이 생겨난다.
- 데이터를 사용한다는 것은 소스데이터에서 데이터를 모으고 정제하고 쌓고 이를 알맞은 형태로 제공하면 데이터를 통해 현상에 대해 분석하고 인사이트를 도출하는 것이 모두 포함된다.
- 분석은 데이터 분석가의 몫이지만, 그 이전의 과정은 데이터 엔지니어의 몫
- 엔지니어는 1. 데이터 파이프라인 생성 2. 리포트 생성, 자동화 3.서비스에 필요한 데이터 제공의 세 가지 업무를 수행한다. 핵심은 데이터 파이프라인 생성이고, 이는 데이터의 인프라 구조(데이터 사용 유저들의 니즈, 사용패턴, 소스데이터 형식, 수집형태 등)를 만드는 것.
- 데이터 인프라는 '원본 소스에서 데이터 수집', '정해진 룰과 구조에 따라 데이터 정제 및 쌓기', '데이터 제공'으로 나뉜다.
- 공부를 많이 하자.
> 약 3주에 걸쳐 조금씩 읽은 '데이터분석가는 어떻게 살아남는가' 시리즈가 드디어 끝났다. DA 관련 글과 영상 등을 아무리 보아도 감만 잡힐 뿐 그래서 과연 내가 할 수 있을까 같은 것들에 대한 걱정과 불안이 머릿속에 가득하다. 근 2년을 이 직무에 매달렸다고도 볼 수 있는데 이것이 길이 아니라면 어떻게하지. 음... 뭐, 어떻게든 되겠지만 아직은 모르겠다. 몰라!
2. ADsP 준비
- https://yongku.tistory.com/entry/ADSP-%EC%9E%90%EA%B2%A9%EC%A6%9D-%ED%95%84%EA%B8%B0-%EC%9A%94%EC%95%BD를 참조하였습니다.
ADSP 자격증 필기 요약
츄르사려고 코딩하는 코집사입니다. 1과목 1. 데이터의 유형 1) 정성적 데이터 - 저장, 검색, 분석에 많은 비용이 소모 되는 언어, 문자 형태의 데이터-> 회사 매출이 증가 등 - 정형화가 되지 않아
yongku.tistory.com
2과목
- 분석 기획: 과제 정의, 결과 도출, 관리 방안 사전 계획
- 데이터 사이언티스트의 역량: 수학&통계학, 정보기술, 도메인 지식
- 분석 대상과 방법: 분석 대상(What)과 분석 방법(How)에 따라 4가지로 나뉨. (1)대상 인지O 방법 인지O: 최적화Optimization (2)대상 인지O 방법 인지X: 해결 방안Solution (3)대상 인지X 방법 인지O: 인사이트Insight (4)대상 인지X 방법 인지X: 발견Discovery
- 목표 시점별 분석 방안 (1)과제중심: 당면과제 빠르게 해결, 문제해결에 집중, 단기간 (2)마스터플랜: 지속적인 분석 내재화, 문제정의에 집중, 장기간
- 분석 방법론: 절차, 방법, 도구와 기법, 탬플릿과 산출물로 구성됨
- 분석 방법론 생성 과정: `암묵지 -형식화-> 형식지 -체계화-> 방법론 -내재화-> 암묵지` 의 순환구조
- 방법론 적용 업무 특성에 따른 모델 (1)폭포수Waterfall: 단계를 순차적으로 진행. 이전 단계가 완료되어야 다음 단계로 진행, 문제 발견 시 피드백 수행 (2)프로토타입Prototype: 폭포수의 단점 보완, 점진적으로 시스템 개발. 프로로타입을 만든 뒤 사용자 요구 분석, 성능 평가를 수행해 개선 작업 수행 (3)나선형Spiral: 반복을 통해 점진적 개발. 관리체계가 효과적이지 못한경우 복잡도 상승
- 방법론 구성 (1)단계: 최상위 계층으로 프로세스 그룹을 통해 완성한 단계별 산출물 생성 및 완료보고서 작성 (2)태스크: 단계를 구성하는 단위활동으로 물리적, 논리적 단위로 품질 검토. 보고서. (3)스탭: WBS의 워크 패키지, 입력 자료, 처리 및 도구, 출력자료로 구성된 단위 프로세스. 보고서 구성요소.
- KDD: 프로파일링 기술 기반, 데이터의 통계적 패턴이나 지식을 찾기 위해 체계적으로 정리된 데이터 마이닝 프로세스
- KDD 분석절차 (1)Selection: Data와 Target Data사이에서 수행. 분석 대상의 비즈니스 도메인을 이해하고 프로젝트 목표를 설정해야 함. DB나 원시데이터에서 분석에 필요한 데이터 선택, 마이닝에 필요한 target Data구성해 분석에 활용 (2)Preprocessing: Target Data와 Processed Data사이에서 수행. 추출된 분석 대상용 데이터셋에 포함된 잡음Noise, 이상치Outlier, 결측치Missing value를 식별 및 처리해 데이터셋 정제. 추가적인 데이터셋이 필요한 경우 데이터 선택 재실행 (3)Transformation: Processed Data와 Transformed Data사이에서 수행. 분석 목적에 맞게 변수 생성 및 선택, 차원축소 등 데이터 변형. Training Data와 Test data로 데이터 분리 (4)Data Mining: Transformed Data와 Patterns사이에서 수행. 분석 목적에 맞는 데이터마이닝 기법 선택, 적절한 알고리즘으로 마이닝 실행. 추가적인 전처리와 변형이 필요한 경우 추가로 실행해 최적의 결과 도출 (5)Interpretaion / Evaluation: Patterns와 Knowledge사이에서 수행. 마이닝 결과를 해석 및 평가하고 분석 목적과의 일치성 확인
- CRISP-DM: 주요 5개 업체(Daimler-Chrysler, SPSS, NCR, Teradata, OHRA) 주도하에 생겨난, 계층적 프로세스 모델. 4개 레벨(Phases -> Generic Tasks -> Specialized Tasks -> Process Instances)로 구성
- CRISP-DM 프로세스 (1)업무 이해: 비즈니스 관점에서 프로젝트 목적과 요구사항 이해, 계획과 목표 등을 수립 (2)데이터 이해: 분석을 위한 데이터 수집 및 데이터 속성 이해, 기술 분석, 데이터 문제점을 식별하고 인사이트 발견 (3)데이터 준비: 수집된 데이터에서 분석기법에 적합한 데이터 편성. 데이터 선택, 정제, 포맷팅 등 (4)모델링: 다양한 모델링 기법과 알고리즘 선택, 파라미터 최적화. 과적합 해소 및 모델 평가 (5)평가: 모델링 결과가 프로젝트 목적에 부합하는지 평가 (6)전개: 완성된 모델을 현업에 적용하기 위한 계획 수립. 모니터링 및 모델 유지보수 계획을 마련하고 프로젝트 보고서 작성
- KDD와 CRISP-DM비교
| KDD | 분석대상 비즈니스 이해 | 데이터셋 선택 | 데이터 전처리 | 데이터 변환 | 데이터 마이닝 | 마이닝 결과 평가 | 마이닝 활용 |
| CRISP-DM | 업무 이해 | 데이터 이해 | 데이터 준비 | 모델링 | 평가 | 전개 | |
- 빅데이터 분석 계층 프로세스 (1)단계Phase: 프로세스 그룹으로 완성된 단계별 산출물 생성. 각 단계는 기준선으로 설정 및 관리되며, 버전관리 등으로 통제됨 (2)태스크Task: 각 단계가 여러 태스크로 구성. 태스크는 단계를 구성하는 단위 활동으로 물리적, 논리적 단위로 품질 검토 항목이 될 수도 있음 (3)스탭Step: WBS워크패키지에 해당. 입력자료, 처리 및 도구, 출력자료로 구성
- 빅데이터 분석 방법론 (1)분석기획: 비즈니스 이해 및 범위 설정, 프로젝트 정의 및 계획 수립 (2)데이터 준비: 필요 데이터 정의, 데이터 스토어 설계, 데이터 수집 및 정합성 검정 (3)데이터 분석: 분석용 데이터 준비, 텍스트/탐색적 분석, 모델링, 모델 평가 및 검증, 모델 적용 및 운영방안 수립 (4)시스템 구현: 설계 및 구현, 시스템 테스트 및 운영 (5)평가 및 전개: 모델 발전계획 수립, 프로젝트 평가 및 보고
- 텍스트 데이터분석 종류: 형태소 분석, 키워드 도출, 토픽 분석, 감성 분석과 의견 분석, 네트워크 분석
- 탐색적 분석: EDA, 통계분석, 연관성 분석
- 분석 과제 도출 방식 (1)하향식Top-down: 현황 분석으로 기회나 문제 탐색, 해당 문제 정의 및 해결방안 탐색. 데이터 분석의 타당성 평가로 분석 과제 도출 (2)상향식Bottom-up: 비지도학습으로 수행. 데이터 자체의 결합, 연관성, 유사성 등을 중심으로 데이터 상태 표현. 장바구니 분석, 군집 분석, 기술통계, 프로파일링 등 활용.
+) 분석 대상을 아는 경우 Top-down 접근방법(Problem Solving), 분석 대상을 모르는 경우 Bottom-up 접근방법(Problem Creation)
- 비즈니스모델 기반 문제탐색: 비즈니스모델 캔버스의 9블록을 단순화해 5가지로 나눈 것. 업무(제품 및 서비스 생산을 위한 내부 프로세스, 주요 자원 관련 주제 도출), 제품(제품 및 서비스 개선을 위한 관련 주제 도출), 고객(사용자 및 고객과 제공채널 관점에서 관련 주제 도출), 규제와 감사(제품 생산 및 전달과정에서 발생한 규제 및 보안 관련 주제 도출), 지원 인프라(분석 수행 시스템 영역, 운영관리 인력 관점에서 주제 도출)
- 분석 기회 발굴 범위 확장 (1)거시적 관점: STEEP(Social, Technological, Economic, Environmental, Political) (2)경쟁자 확대: 대체제Substitute, 경쟁자Competitor, 신규 진입자New Entrant (3)시장 니즈 탐색: 고객Customer, 채널Channel, 영향자Influencer (4)역량 재해석: 내부 역량Competency, 파트너와 네트워크Partner&Network
- 타당성 검토 기준: 경제성, 데이터, 기술
- 프로토타이핑: 일단 분석을 시도하고 결과를 확인해가며 반복적으로 개선하는 상향식 접근방식.
+) 문제가 정형화되어있고 해결을 위한 데이터가 존재하는 경우 하향식Top-down을 사용하나, 사용자 요구사항이나 데이터를 명확히 파악하기 어려운 경우 상향식Bottom-up을 사용함.
- 분석과제 관리를 위한 5가지 주요 영역: 데이터 복잡성Data Complexity, 데이터 크기Data Size, 정확도와 정밀도Accuracy&Precision, 분석 복잡성Analytic Complexity, 속도Speed
- 빅데이터 4V: 양Volume, 속도Velocity, 종류Variety, 가치Value
- 과제 우선순위 선정: 3사분면을 최우선으로 분석과제 적용, 시급성 순으로 치면 3->4->2, 난이도 순으로 치면 3->1->2
- 분석 거버넌스 체계 구성 요소: 분석 기획 및 관리수행 조직, 과제기획 및 운영 프로세스, 분석 관련 시스템, 데이터, 분석 교육/마인드 육성체계
- 분석 준비도: 분석 업무, 분석 인력/조직, 분석 기법, 분석 데이터, 분석 문화, 분석 인프라
- 분석 성숙도: 도입, 활용, 확산, 최적화로 단계 구분. 비즈니스, 조직 및 역량, IT로도 구분
- 데이터 거버넌스 체계: 전사 차원의 모든 데이터에 대해 정책 및 지침, 표준화, 운영조직 및 책임 등 표준화된 관리체계를 수립하고 운영을 위한 프레임워크와 저장소를 구축하는 것.
- 데이터 거버넌스 구성요소 (1)원칙Principle: 데이터 유지를 위한 지침과 가이드. 보안, 품질 기준, 변경 관리 수행 (2)조직Organization: 데이터 관리 조직의 역할과 책임. 데이터 관리자, DB 관리자, 데이터 아키텍트 (3)프로세스Process: 데이터 관리를 위한 활동 및 체계. 작업 절차, 모니터링, 측정 활동
- 데이터 거버넌스 체계: 데이터 표준화, 데이터 관리체계, 데이터 저장소 관리, 표준화 활동
3과목
- SNA분석: Social Network Analysis, 사회 연결망 분석. 사회 연결망 데이터로 사회적 객체 사이의 관계 등을 분석하는 것.
- 기술통계: 모집단에서 추출한 표본의 정보를 쉽게 파악하도록 데이터를 정리하거나 요약하는 절차.
- 추론통계: 모집단에서 추출한 표본의 표본통계량으로 모집단의 모수를 통계적으로 추론하는 절차.
- 데이터 마이닝: 대표적인 DA기법. 대용량의 자료를 요약, 미래 예측을 목표로 데이터의 관계, 패턴, 규칙을 탐색하고 모형화해 유용한 지식을 추출하는 분석기법
- 래틀Rattle: R을 위한 마이닝 툴. GUI가 패키지와 긴밀하게 결합되어 정해진 기능만 사용 가능. 업그레이드를 제대로 해야 통합성에 문제가 발생하지 않음
- 주성분분석: 상관성이 높은 변수들의 선형결합으로 기존 변수들을 요약, 축소하는 것. 첫번째 주성분으로 전체 변동을 가장 많이 설명하고 두번째 주성분으로는 첫번째와 상관성이 없거나 낮은 나머지 변동을 설명할 수 있도록한다. 여러 변수 간의 상관관계와 연관성을 이용해 소수의 주성분으로 차원 축소. 누적기여율cumulative proportion이 85%이상인 것으로 주성분 수를 결정하며, 대개 4개 이상을 넘지 않음. scree plot으로 주성분 수 선택
- 요인분석: 등간척도(혹은 비율척도)로 측정한 두 개 이상의 변수에 잠재된 공통인자를 발견. 데이터 축소에 활용
- 데이터마이닝 분석방법 (1)지도학습: 의사결정나무, 인공신경망, 일반화 선형모형, 회귀분석, 로지스틱 회귀분석, 사례기반 추론, 최근접이웃(KNN) (2)비지도학습: OLAP, 연관성 규칙발견, 군집분석, SOM
- 분석 목적에 따른 작업유형과 기법 (1)분류 규칙: 회귀분석, 판별분석, 신경망, 의사결정나무 (2)연관규칙: 동시발생 매트릭스 (3)연속규칙: 동시발생 매트릭스 (4)데이터 군집화: K-Means Clustering
- 홀드아웃Hold-out: 주어진 데이터를 랜덤한 두 개 데이터로 구분해 사용. 주로 training set과 test set으로 분리
- 교차확인Cross-validation: 주어진 데이터를 k개 하부집단으로 구분, k-1개 집단을 학습용 나머지를 검증용으로 구분해 사용. k번 반복 측정한 결과를 평균낸 값을 최종값으로 사용
- 성과분석: (1)정분류율Accuracy: 전체 결과 중 True인 것들(=예측과 실제가 일치하는)의 비율 (2)오분류율Error rate: 1-정분류율. 전체 결과 중 False인 것들(=예측과 실제가 일치하지 않는)의 비율 (3)특이도Specificity: 실제 Negative인 것 중 예측또한 Negative였던 것의 비율. True Negative Rate (4)민감도Sensitivity: 실제 Positive인 것 중 예측또한 Positive였던 것의 비율. True Positive Rate (5)정밀도Precision: 예측이 Positive인 것 중 실제또한 Positive였던 것의 비율 (6)재현율: 민감도와 동일. 실제 Positive인 것 중 예측또한 Positive였던 것의 비율 (7)F1-score: 2*(정밀도*재현율) / (정밀도+재현율). 정밀도와 재현율의 조화평균
| 실제 Positive | 실제 Negative | |
| 예측 Positive | True Positive | False Positive |
| 예측 Negative | False Negative | True Negative |
- ROC curve: 가로축을 FPR(1-특이도. False Positive Rate), 세로축을 TPR(민감도, True Positive Rate)로 두고 시각화한 그래프. 이진분류에서 모형 성능 평가를 위해 주로 사용하며, ROC곡선 아래 면적인 AUC(Area Under Curve)값이 클수록 모형 성능이 좋다고 평가
- 과적합Overfitting: 모형이 학습데이터를 과하게 학습해 학습데이터에서 좋은 성능을 보이나 테스트 데이터나 타 데이터에서는 성능이 저하되는 현상
- 과소적합Underfitting: 모형이 너무 단순해 데이터 내의 패턴이나 규칙을 제대로 학습하지 못해 성능이 나오지 않는 경우
- 분류기법: 회귀분석, 로지스틱 회귀분석, 의사결정나무, CART, C5.0, 베이지안 분류, 인공신경망, 지지도 벡터기계(SVM), K최근접이웃(KNN), 규칙기반 분류와 사례기반 추론
- 로지스틱 회귀: 반응변수가 범주형인 경우 사용. 모형 적합으로 사후확률 추정. 카이제곱 검정, 최대우도추정법 사용. glm()함수로 로지스틱 회귀분석 실행
- 선형회귀 분석: 종속변수를 연속형 변수로, 최소제곱법으로 계수를 추정하고, F검정과 T검정으로 모형을 검정함. lm()
- 의사결정나무: 분류함수가 의사결정 규칙으로 이뤄진 나무인 모델. 입력값에 대해 출력값을 예측. 분류와 회귀로 나뉨. 세분화, 분류, 예측, 차원축소와 변수선택, 교호작용 효과 파악에 활용됨.
- 의사결정나무 특징: 모델 생성이 복잡하지 않음, 대용량 데이터에서도 빠르게 생성, 비정상 잡음 데이터에 대해서도 분류, 변수와 상관성 높은 불필요한 변수가 있어도 영향을 덜받음, 설명변수와 목표변수에 수치형과 범주형 모두 사용 가능, 정확도가 높음, 새로운 자료에 대해서는 과적합 발생가능성 大, 설명변수 간 중요도 파악이 어려움
- 지니지수: 노드 불순도를 나타내는 값. 클수록 이질적이며 순수도가 낮다고 봄.
- 엔트로피 지수: 지니지수와 유사. 값이 클수록 순수도가 낮음
- CART: 불순도 측도로 출력하는 것. 목적변수가 범주형일 땐 지니지수를 이용하며, 연속형일 땐 분산을 활용한 이진분리 이용
- C4.5와 C5.0: CART와 다르게 각 마디에서 다지분리 가능. 범주형 입력변수에서 범주 수만큼 분리. 불순도 측도로 엔트로피 사용
- CHAID: 가지치기 하지않고 적당한 크기에서 나무 성장 중지. 입력변수가 범주형이어야 함. 불순도 측도로 카이제곱 통계량 사용
- 앙상블Ensemble: 주어진 자료로 여러 개 예측모형을 만든 후 이를 조합해 최종예측모형을 만드는 방법. 다중모델조합, 분류기조합이 존재. 가장 안정적인 방법으로는 1-nearest neighbor, 선형회귀가 있고 가장 불안정한 방법으로는 의사결정나무가 있음
- 배깅Bagging: 여러 개의 붓스트랩 자료 생성, 각 자료에 예측모형을 만든 후 결합해 최종 예측모형 생성. 의사결정나무에서 가지치기Pruning하지 않고 최대로 성장한 나무 활용
- 붓스트랩: 주어진 자료에서 동일 크기 표본을 랜덤복원추출로 뽑아낸 자료
- 부스팅Boosting: 예측력 약한 모델들을 결합해 강한 예측모델 생성. 훈련 오차를 빠르고 쉽게 줄일 수 있음
- 랜덤포레스트: 배깅과 부스팅보다 높은 무작위성으로 약한 학습기(트리모델) 생성, 선형결합해 최종 학습기 생성. 입력변수가 많으면 정확도가 높음
- 활성화함수Activation Function: 시그모이드sigmoid, 스텝step, 렐루relu, 소프트맥스softmax
- 자기조직화지도SOM(Self Organizing map): 코호넨에 의해 제시, 개발되어 코호넨 맵이라고도 함. 비지도 신경망으로 고차원 데이터를 저차원 뉴런으로 정렬해 지도 형태로 형상화
- 연관분석: 장바구니분석, 서열분석이라고도 함. 'If A then B'(A가 일어난다면 B도 일어난다)
- 연관규칙 측도 (1)지지도support: 전체 중 A와 B를 동시에 포함한 비율(P(A∩B)) (2)신뢰도confidence: A의 확률 중 A와 B를 동시에 포함한 비율(지지도 / P(A)) (3)향상도lift: P(A∩B) / P(A)*P(B), 신뢰도/P(B)
- Apriori: 최소지지도 이상의 빈발항목집합을 찾은 후 그것들에 대해서만 연관규칙 계산
- FP-Growth: 후보 빈발항목집합을 생성하지 않고 FP-Tree(Frequent Pattern Tree)를 만들고 분할정복 방식으로 Apriori보다 더 빠르게 빈발항목집합 추출
3. IT/CS
이번에도 쉽니다.
4-1. CX라이팅: https://yozm.wishket.com/magazine/detail/1992/
CX 라이팅의 시대가 온다 | 요즘IT
기존의 UX 라이팅이 디지털 프로덕트를 다루는 ‘인터페이스’에 쓰이는 글이었다면, 여기서 한 단계 더 나아가 CX 라이팅은 인터페이스뿐만 아니라, 고객과의 접점을 기반으로 한 디지털 채널
yozm.wishket.com
CX라이팅: 인터페이스 뿐만 아니라 고객과의 접점을 기반으로 한 디지털 채널 전반에서 쓰이는 글.
- 고객 경험을 '좋은 방향'으로 발전시키는 매개로, 고객과 유대를 쌓는 과정.
- UX가 명확하고 직관적으로 정보를 전달 한다면, CX는 불편하거나 헷갈리지않게 정보를 전달하는 것.
> 각종 기업 관련 매체들의 어조를 통일, 진정성을 담는 역할이라고 이해했다. UX가 직관을 담당한다면 CX는 공감(고객입장에서 접근이 기반)을 담당한다는 느낌? 하긴 브랜드 입장에서 제대로 브랜딩을 수행하려면 이런 게 기본일 테니, CX라이팅의 중요성이 커지면 커지지 작아지지는 않을 것 같다.
4-2. AI Colors: https://yozm.wishket.com/magazine/detail/1989/
프롬프트 한 줄로 다섯 가지 컬러 만드는 ‘AI Colors’ | 요즘IT
챗GPT의 등장으로 서비스는 물론 업무 과정에도 많은 영향을 끼치고 있는데요. 특히 AI에게 정확한 명령을 내려 높은 품질의 결과를 얻기 위한 ‘프롬프트’가 핵심으로 떠오르고 있습니다. 오늘
yozm.wishket.com
- 프롬프트: AI에게 내리는 '명령어'같은 것.
- 원하는 컬러를 찾기에 최적화되어 있음! 에어비앤비 컬러 같은걸 쳐도 알아서 뽑아준다. 무료로!
> 이번에 진행하게 된 패스트캠퍼스 프로젝트의 대시보드를 구성할 때 쓰면 좋을 것 같다. 이전에 태블로 한번 써보면서 색구성이라는게 생각보다 엄청 어렵다는 걸 깨달았는데 이런 좋은 툴이 있다니 :0 역시 기술은 엄청난 속도로 발전하고있다...
4-3. 게임업계 PM: https://eopla.net/magazines/2942
게임업계 PM은 무슨 일을 할까
IT 기업의 채용 공고에서 자주 보이는 PM(Product Manager). 회사에 따라 서비스 기획자, 프로젝트 매니저, 프로덕트 오너 등 다양한 이름으로 불리는 이 직무는 어떤 일을 하고 있을까요? SW캠프에서
eopla.net
밸류체인: 게임, 게임활용 상품 기획/제작/유통. 개발사와 배급사(펍르리셔)가 주 플레이어.
업계 위상: 국내 콘텐츠 수출액 중 게임의 비중이 가장 높음.
게입업계의 PM은 크게 사업PM과 개발PM으로 나뉨
- 개발PM: 개발사에서 근무. 개발 파이프라인 일정 조율, 퀄리티 보장 역할.
- 사업PM: 목표와 사업계획 수립, 성과 달성. 트래픽 지표와 리텐션 관리 역량, 데이터 분석 역량이 필수
PM의 본질: 회사마다 정의와 역할이 다르나, PM은 문제를 해결하고 관리하는 사람.
- 필요 역량: 문제를 잘 정의하고, 문제의 해결책을 찾아내 이를 직접 수행하는 능력. 정량/정성적인 분석능력과 데이터 해석능력, 좋은 가설을 세우고 집요하게 분석하는 능력, 유연한 사고, 추진력과 커뮤니케이션 능력, 근성(될 때까지 한다!!!)
- 업무를 왜, 무엇을 위해 하고 있는지에 대한 고찰이 필요함: 목적에 집중하면 그를 위한 방법론은 따라오게 되어있음. 문제해결을 위해 직접 움직이며 필요한 모든 것을 해야 함
> 데이터 분석 역량보다 전체 관리 능력이 더 중요시되는 것 같은데, 제가 경쟁력을... 가질 수 있을까... 하는 우울한 생각따위 그만 하기로 했습니다. 일단 이 글 말고도 관련 아티클들을 읽다보면 '날 좋게 봐줄수도 있지 않을까'하는 근자감이 조금 생기긴 해요. 흠흠...
5-1. MAVE: https://maily.so/draft.briefing/posts/b4b6b493?from=email&mid=e8dec2
📀AI 제너레이션: K-pop의 새로운 시대
롤링스톤 매거진이 가상 걸그룹 메이브를 집중 조명합니다
maily.so
- K-pop에서 에스파, 메이브, 아뽀키, 플레이브같은 가상 아이돌들이 출현하고 있음
- MAVE: 넷마블 자회사 메타버스 엔터테인먼트에서 만든 AI 걸그룹. 모든 멤버가 AI로 구동되는 완전 디지털 그룹
> AI와 그래픽이 얼마나 정교하게 발달될 수 있는지를 보는 느낌이다. 유사하게는 로지, 릴 미켈라같은 버추얼 인플루언서도 있고. 아직은 실제 인간과 같이 보았을 때 극히 부자연스러운 느낌을 주지만, 이게 더 발전하게 된다면... 정말로 실체가 없는 것을 덕질하게 되는 경험이 보편화 될까?
- '버추얼+사람'으로 구성된 그룹: https://game.dailyesports.com/view.php?ud=202206201602324604eb81adcc4e_26
[창간 특집] 버추얼 휴먼 포함 아이돌 그룹 슈퍼카인드를 만나다
버추얼 휴먼이 AI, 딥러닝 등의 기술 발전으로 인해 더욱 사실적이고 매력적인 모습을 자랑하고 있는 가운데 현실 세계의 인간과 가상 세계의 버추얼 휴먼이 포함된 아이돌 그룹이 본격 데뷔, 국
game.dailyesports.com
5-2. 글로벌 게임산업 트렌드 - 서브컬쳐 게임: 서브컬쳐 전문가 인터뷰 - 서브컬처 게임시장의 발전방안: https://www.kocca.kr/global/2023_3+4/sub01_03.html
글로벌 게임산업 트렌드
[전문가 포커스] 나딕게임즈, 이용자의 로망을 실현시키는 서브컬처 게임 2014년 12월, 나딕게임즈가 개발하고 넥슨에서 퍼블리싱하는 학원 이능형 게임 <클로저스 (Closers)>가 마니아층을 타깃하
www.kocca.kr
나딕 게임즈(클로저스 개발사)와 시프트업(데스티니 차일드, 니케 개발사)를 인터뷰이로 진행
- 클로저스: 게임 유저들의 (시기상)로망에 맞춰 개발, 고퀄리티 액션과 보이스 + 서브컬쳐 그래픽과 감성
- 게임은 밸류체인 상 콘텐츠 산업 가장 마지막 단계에 위치(소설 -> 만화 -> 영화/애니메이션 -> 게임)
- 서브컬쳐 게임 시장의 확장은 게임 내외적인 품질향상으로 인한 자연스러운 현상: 서브컬쳐 게임의 특성을 유지하며 품질을 높여야 한다
> 읽으면서 진짜 공감 많이했다. 여타 게임은 랭크를 세우는 것이 유저들의 주 목적이지만 서브컬쳐 게임은 자신이 좋아하는 캐릭터를 키우고 그 캐릭터의 서사에 이입하는 것이 목적이란 것에서 특히. 블루아카이브를 하면서 레벨업보다는 학생들과 친해지기 위해 모모톡을 하고 선물을 주던 내가 겹쳐보였다. 아이들의 서사를 하나씩 알아간다는 게 얼마나 즐거웠던지... ㅠㅠ 점점 서브컬쳐라는 이름('sub'culture)에서 멀어지고 있는 것 같긴 하지만, 나만 알던것을 다같이 향유할 수 있다는 건, 아는 사람이 많아진다는 건 게임사 뿐만 아니라 유저에게도 좋은 일임은 확실하다.
5-3. 글로벌 게임산업 트렌드 - 게임 스트리밍의 성장과 인터랙티브 게임: https://www.kocca.kr/global/2023_3+4/sub02_04.html
글로벌 게임산업 트렌드
1게임 라이브 스트리밍 시장, 2027년까지 연평균 10.4% 성장 예상 1) 게임 라이브 스트리밍 시장 동향 게임 라이브 스트리밍 시장은 2010년대 초 저스틴티비(Justin. tv)의 스핀오프로서 트위치(Twitch)가
www.kocca.kr
게임 라이브 스트리밍 시장은 2027년까지 연평균 10%의 성장을 이룰 것으로 보인다
- 이들 대부분은 남미, 중동, 북아프리카 등 신흥시장의 이용자이며 세계 최대 스트리밍 시장은 중국이다.
- 클라우드 게임 서비스 제공업체 유비투스와 구글(GCP)이 파트너십을 맺었다: 스트리밍 기술 공급업체로서의 클라우드
스트리밍과 인터랙티브 엔터테인먼트, 그리고 그 전망
- MILE: Massively Interactive Live Events, 대규모 양방향 라이브 이벤트. 비디오 게임의 상호작용과 양방향 TV쇼를 결합해 거의 모든 비디오 스트리밍 플랫폼에서 접근 가능.
- 유튜브는 2022년 최초로 인터랙티브 게임 라이브 스트림을 열어 크리에이터와 같이 게임, 콘텐츠 투표, 등을 할 수 있도록 함
- 틱톡은 HTML5 게임에 투자하고 있으며, 게임 전용 탭을 추가해 14개의 미니게임을 선보였다.
- 비디오 게임의 중심은 점점 인터랙티브에서 스토리텔링으로 변하고 있다: 이제는 상호작용성과 스토리 모두를 잡아야 한다
- 게임 스트리밍 시장은 점점 규모가 커지고 있으며, 앞으로도 성장할 것이다. 이에 인터랙티브 게임을 출시한 넷플릭스 등 다양한 미디어 기업들이 이 기세에 올라타려 하고 있다.
> 게임 스트리밍 말고는 크게 체감되지 않는다. 화제가 되었던 블랙미러: 밴더스내치같은 콘텐츠가 더 나왔으면 하는 바람.
5-4. 미드낫 '매스커레이드': https://maily.so/draft.briefing/posts/82c070e0?from=email&mid=e8dec2
📸차우진의 스냅샷 | 하이브가 인공지능을 활용하는 방식
기술이 음악(혹은 케이팝)의 문제를 해결할 수 있을까?
maily.so
- 에이트 이현의 '또다른 자아'라는 설정의 미드낫: 빅히트 + 하이브IM + 수퍼톤 + 자이언트스텝의 협업 프로젝트
- 매스커레이드는 인공지능 음성기술 스타트업 수퍼톤의 다국어 발음 교정과 보이스 디자이닝기술 적용: VN, ENG, SP, JP, CH로도 들을 수 있음. 뮤직비디오는 VFX기업 자이언트스텝의 크로마, LED 기반 확장현실(XR), 프리비주얼로 가상공간 실시간 렌더링.
- 설정에서 오디오 트랙을 변경해 다른 언어로 들을 수 있다. https://youtu.be/l19AEmRvh-Y
> 직접 다개국어로 녹음한 게 아닌, AI를 사용해 다듬은 거라니 진짜 신기하다. 뮤비는... 여타 인공지능으로 만든 영상과 별반 다를 바가 없는, 조금 더 화려하고 정교한 정도의 영상인 것 같아 아쉽다.
> 저런 다국어 보이스 툴들이 더 보편화된다면 중소규모의 애니메이션-영화-게임 회사들이 현지 성우가 아닌 보이스 툴로 녹음을 진행하게 될 수도 있지 않을까. 혹은 국내 A성우의 목소리를 일본/중국/영어 등등의 느낌으로 활용할 수도 있겠다.
ㅋㅋㅋADsP는 지각으로 시험을 못봤습니다. ㅋㅋㅋㅋ바보비용 5만원 레전드ㅋㅋㅋㅋㅋ 하.. 인생.
'STUDY' 카테고리의 다른 글
| 취준로그 ver1.7 (2) | 2023.06.21 |
|---|---|
| 취준로그 ver1.6 (6) | 2023.06.12 |
| 취준로그 ver1.4 (2) | 2023.05.10 |
| 으라차차 첫 면접준비(2) (0) | 2023.04.30 |
| 으라차차 첫 면접준비(1) (0) | 2023.04.24 |
