지표 착시, 어떻게 극복했을까
지표만 보고 판단하면 생기는 일
데이터 기반 의사결정이 중요한 B2C 커머스, B2B SaaS, 핀테크 등 다양한 산업에서 트래픽 분석은 핵심 지표를 파악하는 필수 과정입니다. 하지만 데이터 분석가들은 종종 숫자에 현혹되어 잘못된 결론을 내리거나, 숨은 함정을 간과하는 실수를 범하곤 합니다. 본 포스트에서는 실전 사례를 기반으로 분석가들이 자주 저지르는 대표적인 실수 5가지와 그 해결법을 알아보겠습니다. 각 사례마다 무엇이 잘못되었는지, 데이터는 어떻게 착시를 일으켰는지, 문제를 깨닫게 된 계기와 단서, 그리고 이후 분석 방향 수정과 액션 플랜까지 차근차근 살펴보겠습니다.
1. 신규 유입 급증으로 재구매율 하락을 간과한 실수
잘못된 해석
대대적인 마케팅 캠페인으로 신규 유입이 크게 늘었음에도, 데이터 분석가는 재구매율(Repeat Purchase Rate)이 떨어진 것을 보고 기존 고객들의 충성도 하락으로 잘못 해석했습니다. 전체 재구매율 하락을 보고 제품이나 서비스에 문제가 생겼다고 성급히 결론지은 것입니다.
데이터 착시 배경
캠페인 이후 신규 가입자 수는 폭증했지만 전체 재구매율은 기존 30%에서 20%대로 하락한 모습이었습니다. 표면적으로는 "사용자 수는 늘었지만 재구매율이 급락했다"는 모순된 지표가 나타난 것이죠. 그러나 이는 신규 유저 비중 증가로 인한 통계 착시였습니다. 많은 신규 고객들은 아직 재구매 기회가 없거나 일회성 구매만 하고 이탈하기 때문에, 규모가 커질수록 신규 고객 재구매율은 낮아지는 경향이 있습니다. 업계 벤치마크를 봐도 월 1000명 이상의 신규 고객을 유치하는 경우 90일 내 재구매율이 자연히 떨어지기 마련이어서, 이를 곧바로 충성도 악화로 해석하면 오산일 수 있습니다. 다시 말해 신규 고객 유입으로 기존 지표의 분모가 확대되면서 발생한 자연스러운 현상을 제품 문제로 착각한 것입니다.
문제 인지
다행히도 팀 내 한 시니어 분석가가 기존 고객들의 행동에는 큰 변화가 없었다는 사실에 주목했습니다. 데이터를 신규 고객군과 기존 고객군으로 분리해보니, 재구매율 하락은 거의 신규 가입자들에서만 발생한 현상임을 확인할 수 있었습니다. 기존 충성 고객의 반복 구매율은 여전히 안정적이었던 반면, 새로운 고객들의 재구매율이 매우 낮았던 것입니다.
즉, 세그멘테이션을 통해 전체 지표 하락의 원인이 제품 자체가 아니라 고객 구성 변화에 있었음을 깨달은 것입니다. 실제로 세그멘테이션을 하지 않고 전체 평균 지표만 보면 고객 분포 변화로 인한 신호에 휘둘려 성과를 오해하게 될 위험이 큽니다. 이 분석을 통해 팀은 문제의 본질을 파악하고 한숨 돌릴 수 있었습니다.
분석 개선 및 액션
이번 일을 계기로 핵심 지표를 볼 때는 반드시 코호트나 세그먼트별로 쪼개어 분석하는 것이 팀의 새로운 원칙이 되었습니다. 분석가는 대시보드에서 신규 고객과 기존 고객의 지표를 분리하고, 필요한 경우 첫 구매 후 90일 이내 재구매율 등 세분화된 지표를 관리 지표(KPI)로 추가했습니다.
이를 통해 대규모 캠페인 후 나타나는 지표 변화도 올바르게 해석할 수 있었고, 잘못된 판단으로 조직 전략이 흔들리는 일을 예방했습니다. 나아가 새로운 고객들이 첫 구매 후 곧바로 이탈하지 않도록 온보딩 개선과 리텐션 마케팅 캠페인을 강화하는 액션으로 이어졌습니다. 결과적으로 조직은 "전체 평균 지표" 대신 맥락별 지표에 집중하게 되었고, 이는 데이터 분석 문화의 성숙으로도 연결되었습니다.
2. 잘못 설정한 KPI로 잘못된 방향으로 간 사례
잘못된 해석
많은 조직에서 핵심 성과 지표(KPI)를 설정해 경영 판단의 나침반으로 삼습니다. 그러나 KPI를 잘못 정의하거나 맥락 없이 맹신하면 오히려 조직을 그르칠 수 있습니다. 예를 들어, 미국의 한 호텔 체인은 방문 대비 예약 전환율(look-to-book rate)을 최우선 KPI로 설정했는데, 어느 날 이 수치가 급락하자 “예약 전환율이 떨어졌다 = 사업에 비상 상황”으로 받아들이며 대책 마련에 나섰습니다.
또 다른 예로, 어떤 이커머스 기업은 “웹사이트 체류 시간”을 성공 지표로 삼아 이용자들이 사이트에 머무는 시간이 늘면 무조건 좋은 신호로 해석하기도 했습니다. 이처럼 지표 하나에만 의존한 분석은 상황을 단순화해버려 중요한 맥락과 의미를 놓치는 오류로 이어질 수 있습니다.
데이터 착시 배경
앞서 호텔 사례를 보면, 해당 기간 호텔 웹사이트의 방문자 대비 예약 전환율 지표가 평소보다 크게 악화된 것처럼 보였습니다. 숫자만 보면 같은 방문자 수에서 예약이 줄어든 모양새였죠. 그러나 실제 원인은 따로 있었습니다. 마침 그 시기에 호텔 객실 Wi-Fi 로그인 시 첫 페이지를 자사 홈페이지로 변경하는 조치가 이뤄졌고, 그 결과 “예약할 의도가 전혀 없는 방문자”가 사이트 트래픽에 대거 추가되었습니다. 투숙객들이 인터넷을 쓰려고 호텔 홈페이지에 접속했을 뿐인데, 웹 분석 상으로는 방문자 수만 크게 늘고 예약으로 이어지지 않았기 때문에 전환율이 급격히 떨어진 착시 현상이 벌어진 것입니다.
즉 KPI 수치의 변동이 실제 고객 행동 변화가 아니라 외부 요인에 의해 왜곡된 사례였습니다. 마찬가지로 '평균 체류 시간' 지표도 맥락 없이 보면 착각하기 쉽습니다. 방문자가 오래 머무르면 좋아 보이지만, 사실은 찾는 정보를 못 찾아서 헤매는 시간일 수도 있습니다. 극단적으로는 페이지 로딩을 일부러 지연시켜 체류 시간을 늘리는 식으로도 수치를 개선시킬 수 있지요. 이처럼 맥락을 벗어난 단일 KPI 상승/하락 해석은 위험하며, 자칫 잘못된 방향으로 조직 에너지를 쏟게 만드는 착오를 일으킵니다.
문제 인지
호텔 사례의 경우, 데이터 팀이 전환율 급변의 원인을 심층 분석한 끝에 “해당 기간 예약이 줄어든 것이 아니라 비의도적 방문이 폭증했을 뿐”이라는 결론을 얻었습니다. 지표에 숨은 원인을 파악할 단서를 얻기 위해, 그들은 해당 일자에 있었던 모든 변화 요인을 점검했습니다. 그 과정에서 호텔 Wi-Fi 랜딩 페이지 변경 사실을 찾아냈고, 이것이 지표 이상치의 결정적 원인임을 밝혀냈습니다. 이 발견으로 조직은 단순 수치에 기반한 잘못된 경보를 해제할 수 있었습니다.
또, 전환율 하락이 특정 세그먼트(예: 객실 내 투숙객 접속)에서만 발생했다는 점을 알게 되자, 경영진도 비로소 상황을 이해하고 성급한 조치를 보류했습니다. “KPI 리포트는 세분화 없이 보면 오히려 잘못된 가정을 불러일으킬 수 있다”는 데이터 팀의 조언은 이후 조직 문화에 큰 영향을 주었습니다.
분석 개선 및 액션
이 사례를 교훈 삼아, 조직은 KPI를 설정할 때와 모니터링할 때 맥락 정보를 반드시 포함하도록 프로세스를 개선했습니다. 우선 KPI 수치를 분해해서 볼 수 있는 세그먼트를 정의했습니다. 예컨대 호텔 웹사이트의 경우 내부(투숙객) 트래픽을 별도 세그먼트로 분리해 모니터링하고, 그들에게는 별도의 적합한 지표(예: 룸서비스 주문 건수 등)를 관리하도록 했습니다.
이커머스 기업도 수익성 지표(마진)를 매출 KPI와 함께 트래킹하여, 매출만 높이고 이익은 남지 않는 상황을 조기에 인지하도록 개선했습니다. 전사 차원에서는 "KPI 수치의 변화는 항상 다양한 각도에서 해석 가능하다"는 인식을 공유하고, 보고 시에도 주요 KPI를 세그먼트별로 나눠서 제시하기 시작했습니다. 그 결과 지표 해석의 정확도가 높아졌을 뿐 아니라, 조직 내에서 숫자를 맹신하기보다 그 배경을 질문하는 문화가 자리잡게 되었습니다.
3. 내부 테스트 데이터를 걸러내지 않아 엉뚱한 결론을 낸 사례
잘못된 해석
어느 실리콘밸리의 B2B SaaS 스타트업에서는 신규 기능 출시 후 초기 사용자 유지율(Retention)이 기대 이하로 낮게 나오는 것을 보고, 담당 분석가는 "이번 기능이 사용자 이탈을 초래했다"고 판단했습니다. 예를 들어 출시 첫 주 Day 2 유지율(첫날 이용 후 다음날도 이어서 사용하는 비율)이 평소 대비 크게 낮자, 그는 기능의 품질 결함이나 UX 문제 때문에 유저들이 돌아오지 않는구나 하고 성급히 결론을 내렸습니다. 출시 직후 치솟은 탈락률 수치를 있는 그대로 받아들여 제품 실패의 신호로 해석한 것입니다.
데이터 착시 배경
알고 보니 그 유지율 급락 현상은 데이터 오류에 가까운 착시였습니다. 신기능을 배포하자마자 회사 직원 약 50명이 테스트를 위해 직접 신규 계정을 만들어 사용해보고는 곧 이탈했는데, 이러한 내부 테스트 사용자가 일반 고객 데이터에 그대로 포함된 것입니다. 그 결과 분석 지표상으로는 마치 일반 사용자의 재방문율이 크게 떨어진 것처럼 보였습니다.
내부자들이 잔뜩 가입했다가 금세 사용을 중단하니 유지율 계산에 잡음이 섞여버린 것입니다. 실제 데이터에서는 Day 2 유지율이 20%포인트 가까이 하락한 것으로 나와 모두를 놀라게 했지만, 이는 진짜 고객 행동을 반영한 것이 아니었습니다. 이처럼 테스트 계정이나 직원 사용 데이터가 걸러지지 않으면 지표가 왜곡되어 엉뚱한 인사이트를 이끌어낼 수 있습니다. (심지어 이는 생각보다 흔한 실수입니다. 어느 분석 전문가는 "이런 일을 절대 안 저지를 거라 생각할지 모르지만, 실제로 꽤 자주 봤다"며 초기 단계 팀들에게 내부 사용량을 꼭 제외하도록 주의를 주기도 했습니다.)
문제 인지
다행히도 해당 팀은 빠르게 원인을 추적했습니다. 유지율 분석에 포함된 사용자 목록을 하나하나 들여다본 결과, 다수의 계정이 자사 이메일 도메인(직원 계정)이었음을 확인했습니다. 또한 제품팀으로부터 "출시 직후 전 직원이 테스트에 참여했다"는 사실을 전해 듣고는 비로소 모든 퍼즐 조각이 맞춰졌습니다. 내부 데이터 유입으로 지표가 흐려졌다는 사실을 인지한 것입니다. 이 깨달음 덕분에 팀은 잘못된 기능 탓에 사용자 이탈이 급증한 줄 알고 낙담하거나 제품 수정에 들어갈 뻔했던 상황을 피할 수 있었습니다. 이후 외부 데이터 전문가의 조언을 통해 분석 시 항상 내부 사용자 필터를 적용하는 습관을 들이게 되었습니다.
분석 개선 및 액션이 경험 이후, 이 회사는 모든 분석 대시보드에 테스트/사내 계정을 제외(Filter)하는 옵션을 기본 장착했습니다. 예컨대 이메일 도메인이나 사용자 태그 등을 활용해 내부 사용자 트래픽은 자동으로 걸러지도록 규칙을 설정했습니다. 출시 전 QA 테스트 데이터는 별도의 환경이나 계정으로 운영하여, 프로덕션 데이터베이스에 섞이지 않게 관리합니다. 그리고 새로운 기능 출시 후 지표를 볼 때는 직원이나 마케팅 시연용 계정 등이 섞여있지 않은지 한 번 더 크로스체크하는 프로세스를 만들었습니다. 이처럼 데이터 수집 단계부터 품질을 관리하자 신뢰도도 높아졌고, 분석가들도 함정을 피하고 실제 고객 행동에 집중한 인사이트를 도출할 수 있게 되었습니다.
4. 이벤트 태깅 실수로 잘못 해석한 전환율 사례
잘못된 해석
한 핀테크 서비스 팀에서는 자사 웹사이트 회원 가입 전환율이 기대 이하라는 리포트를 받고, "홈페이지(랜딩 페이지)에 심각한 문제가 있다"고 판단했습니다. 예를 들어, 방문자 대비 회원가입 완료율이 극도로 낮게 나오자 신규 사용자 온보딩 경로에 장애가 있다고 보고 긴급 개선 프로젝트를 준비했습니다. 랜딩 페이지의 카피라이팅이나 디자인을 전면 개편하고, 가입 프로세스를 간소화하는 등의 대응책을 세운 것이죠. 데이터 지표만 믿고 제품/마케팅 방향을 크게 바꾸려 한 것입니다.
얼라이닉스를 통해 데이터 분석 전문가가 직접 이벤트를 심으면 실수할 일이 없죠데이터 착시 배경
그러나 나중에 밝혀진 바에 따르면, 애초에 전환율 계산에 쓰인 데이터 계층에 오류가 있었습니다. 해당 홈페이지 방문자 수에는 신규 잠재고객뿐 아니라 기존 사용자가 로그인하러 접속한 트래픽까지 모두 포함되어 있었습니다. 하지만 분모는 커진 반면 분자는 늘지 않으니 전환율이 부풀려 낮아 보인 것입니다.
사실 이미 가입된 기존 이용자들은 다시 회원가입을 할 리 없으니, 그들은 전환 실패로 집계되는 게 당연합니다. 그럼에도 애널리틱스 도구 상에서 이 구분이 안 되어 발생한 문제였습니다. 실제로 어떤 팀들은 "회원가입" 버튼과 "로그인" 버튼을 이벤트 트래킹 상 혼동해버려 신규 유저 전환율을 제대로 측정하지 못하는 일이 종종 있습니다. 이 케이스에서도 그런 기술적 실수가 데이터 착시를 만들어낸 것이었습니다.
그 결과 전환율 지표만 보면 마치 방문자는 많으나 거의 가입하지 않는 것처럼 보이는 심각한 상황으로 오인되었던 것입니다.
문제 인지
다행히도 마케팅 담당자가 전환율 수치를 자세히 검토하던 중 이상한 점을 발견했습니다. 웹 유입 경로와 사용자 행동 로그를 면밀히 살펴보니, 신규 가입 완료로 이어지지 않은 방문 세션 대다수가 이미 기존 사용자들의 접속이었던 것입니다. 즉 "전환 실패"로 분류된 다수의 트래픽이 사실은 애초에 가입 대상이 아닌 사용자인 셈이었죠. 게다가 Analytics 툴에서 신구 사용자 구분이 되지 않아 홈페이지 유입 트래픽이 섞여 있는 문제도 확인되었습니다. (실제로 GA 등에서는 홈 화면 유입량에 기존 유저 로그인이 섞이면 신규 전환 퍼널을 해석하기 어려워지는 문제가 자주 보고됩니다.) 이러한 단서를 기반으로 팀은 전환율 계산 방식에 근본적인 오류가 있었음을 공식적으로 인지했습니다.
분석 개선 및 액션
문제를 파악한 후, 팀은 이벤트 태깅과 데이터 수집 로직을 전면 수정했습니다. 우선 신규 회원가입 이벤트와 기존 사용자 로그인 이벤트를 철저히 분리하여 트래킹하도록 설정을 변경했습니다. 웹사이트 구조도 개선하여, 로그인 유저의 방문은 별도 경로로 처리하거나 식별할 수 있게 만들었습니다. 또한 퍼널 분석을 할 때 반드시 불필요한 트래픽을 필터링하도록 대시보드를 개선했습니다.
예컨대 "신규 방문자만 선택"한 상태에서 회원가입 전환율을 보도록 가이드라인을 만들고, 내부적으로도 퍼널 단계마다 유효한 모수인지 교차 검증하는 체크리스트를 운영했습니다. 이렇게 기본기를 다진 덕분에, 이후에는 실제로 전환율이 낮은 경우에도 그 원인이 UX 문제인지, 아니면 유입 트래픽 특성 문제인지 명확히 구분하면서 정확한 대응책을 세울 수 있게 되었습니다. 무엇보다 분석가들에게 "이벤트 정의와 데이터 분류를 제대로 해야 올바른 인사이트가 나온다"는 값진 교훈을 남긴 사례였습니다.
5. 상관관계를 인과로 착각해 오판한 사례
잘못된 해석
미국의 한 SaaS 기업에서 있었던 일입니다. 이 회사는 고객 이탈률(Churn)을 낮추기 위해 대대적인 신규 기능 출시를 단행했고, 출시 후 몇 달 간 이탈률이 눈에 띄게 개선되자 팀은 "신기능 덕분에 고객 이탈이 줄었다"고 환호했습니다. 보고서에도 해당 기능의 성공 사례로 기록했고, 다른 기능 개발 우선순위에도 영향을 주었습니다. 하지만 이는 동기간에 우연히 일어난 지표 개선을 곧바로 자사 조치의 성과로 착각한 오류였습니다. 나중에 드러난 바로는, 이탈률 감소는 신규 기능과는 직접 상관이 없었을 가능성이 컸습니다.
데이터 착시 배경
실제 데이터를 보면, 신규 기능 출시 이후 3개월간 월별 이탈률이 20% 개선되는 긍정적인 변화가 있었던 것은 사실입니다. 문제는 팀이 이것을 전적으로 해당 기능 출시의 효과라고 간주한 점이었습니다. 정작 분석을 해보니, 그 신규 기능을 실제로 활성화하여 사용해본 고객은 전체의 10% 남짓에 불과했습니다.
나머지 90%의 고객들 중 상당수도 이탈률이 개선되었기에 전체 지표가 좋아진 것인데, 기능을 써보지도 않은 고객들의 이탈 감소를 어떻게 기능 덕분이라 볼 수 있겠느냐는 지적이 나오기 시작했습니다. 다시 말해, 동일 시기에 우연히 발생한 지표 변화(상관관계)를 원인과 결과로 혼동한 것입니다.
외부 전문가의 표현을 빌리자면, "작은 변화 후 데이터가 좋아졌다고 해서 곧장 인과로 단정해선 안 된다"는 전형적인 사례였습니다. 이 경우 숨은 원인은 따로 있었을 가능성이 높습니다. (예를 들어 동기간에 시행된 다른 개선 조치나 시장 환경 변화로 경쟁 제품 이탈 고객이 유입된 것 등이 영향을 주었을 수 있습니다.)
문제 인지
나중에서야 데이터 팀은 신규 기능 사용 여부에 따른 코호트별 이탈률을 면밀히 분석했습니다. 그 결과, 신규 기능을 적극 활용한 사용자 그룹에서는 이탈률 개선 효과가 어느 정도 확인되었지만 그 규모는 매우 제한적이었습니다. 기능을 전혀 쓰지 않은 고객 집단에서도 비슷한 폭으로 이탈이 줄어든 것이 포착되면서, 팀은 자신들의 가설에 의문을 갖게 되었습니다.
결국 전체 이탈률 감소분을 오롯이 설명하지 못한다는 사실을 깨닫고, 다른 요인을 탐색하기 시작했습니다. 예컨대 해당 기간에 동시에 진행된 가격 정책 변경, 서비스 품질 향상, 경기 호황 등의 외부 요인은 없었는지 재검토했습니다. 코호트 분석과 맥락 데이터 검증을 통해 비로소 “우리 기능 출시 = 이탈 감소”란 가정이 성립하지 않을 수도 있다는 점을 인정하게 된 것입니다.
분석 개선 및 액션
이 사례 이후 해당 팀은 데이터 해석 시 상관관계를 인과로 오인하지 않도록 몇 가지 원칙을 세웠습니다.
첫째, 중요 지표 변화가 있을 때는 관련된 모든 맥락 데이터를 함께 살펴보는 것입니다. 예를 들어 기능 출시 효과를 분석할 때는 기능별 활성화율, 이용자 피드백, 동기간의 다른 실험 결과 등을 종합적으로 검토합니다.
둘째, 가능하면 A/B 테스트나 단계적 출시(Gradual Roll-out)를 활용해 명확한 대조군과 실험군 데이터를 확보합니다. 위 SaaS 기업도 이후 주요 기능은 일부 트래픽에만 우선 적용해본 뒤 전체 공개하는 방식으로 전환했습니다.
셋째, 외부 요인을 항상 염두에 두고 분석합니다. 업계 동향, 계절성, 경쟁사의 움직임, 거시경제 지표 등 컨텍스트 정보를 수집·대조하여 내부 데이터만 보면 놓치기 쉬운 변수를 통제하려고 노력했습니다.
마지막으로, 팀 내 리뷰 문화를 도입하여 한 명이 내린 분석 결론을 다른 시각에서 검증해보는 절차를 추가했습니다. 이러한 개선 조치 덕분에, 이후부터는 데이터 추세 변화에 대한 원인 분석이 훨씬 신중하고 정확해졌습니다. 분석가들도 "수치는 이야기의 일부일 뿐, 반드시 검증을 거쳐야 한다"는 사실을 체득하게 되었고, 경영진에게도 더 신뢰받는 분석 결과를 전달하게 되었습니다.
결론: 실수를 줄이기 위한 도구 활용과 데이터 문화의 중요성
지금까지 살펴본 사례들은 데이터 분석가들이 빠지기 쉬운 함정을 여실히 보여줍니다. 잘못 정의한 지표, 세그먼트 미분석, 데이터 품질 관리 소홀, 트래킹 설정 오류, 상관관계의 오해 등은 어느 조직에서나 발생할 수 있지만, 특히 경험이 적은 분석가들에게서 빈번했습니다. 중요한 것은 이러한 실수를 조기에 인지하고 교정하는 학습 문화와 적절한 도구의 지원입니다.
특히 노코드(No-Code) 분석 도구의 활용은 초보 분석가들에게 큰 힘이 됩니다. 예를 들어 최근 등장한 얼라이닉스(Alignix) 같은 플랫폼은 코딩 없이도 Amplitude나 Mixpanel을 통한 정밀한 사용자 행동 분석을 할 수 있도록 돕습니다. 이벤트 정의부터 세그먼트 설정, 코호트 분석, 퍼널 시각화, 이상치 탐지까지 복잡한 작업을 GUI 상에서 손쉽게 수행할 수 있기 때문에, 데이터에 익숙하지 않은 주니어라도 빠르게 핵심 지표를 쪼개 보고 인사이트를 얻을 수 있습니다. 실제로 많은 팀에서 이러한 노코드 분석 도구를 도입한 후 분석 속도와 정확도가 향상되어 초보자가 저지를 법한 오류가 줄어들었다고 합니다.
결국 사람과 도구, 프로세스가 어우러진 데이터 문화가 답입니다. 초보 분석가라 하더라도 올바른 지표 설계, 탄탄한 데이터 수집 구조, 세심한 코호트 분석 습관을 갖추고 현대적인 분석 도구를 활용하면 짧은 시간 안에 정확한 통찰을 얻어낼 수 있습니다.
중요한 것은 항상 “이 데이터가 과연 무엇을 의미하는가?” 질문하며 맥락을 살피는 태도입니다. 그런 면에서 조직 차원의 지원과 교육도 필수적입니다. 이번에 소개한 사례들과 해결법이, 현업에서 비슷한 어려움을 겪는 분들께 작은 이정표가 되길 바랍니다. 실수는 언제든 교정 가능하며, 올바른 접근법과 도구만 있다면 누구나 데이터로부터 가치 있는 이야기를 끌어낼 수 있습니다!
<<< 이전 글 보러 가기 유저 행동 안 보면, 업셀은 없다
#데이터분석 #분석실수 #데이터기반의사결정 #사용자이탈 #실무분석팁
참조
11 Common Data Analysis Mistakes and How to Troubleshoot
The Analytics mistakes startups are making
