차가운 데이터를 서비스로 번역하는 법

왜 우리 동네는 늘 돌보미 매칭에 실패할까?

데이터가 '0'일 때: 완벽한 데이터란 없다, 문제에서 시작하기

단 한 번도 데이터가 완벽히 준비되어 있는 경우는 없었다. 여성가족부 장관상을 수상했던 서비스 기획 역시 데이터가 완벽히 준비돼서 시작했다기보다 엄마로서 겪는 문제가 너무 커서 시작했다. 데이터는 재료일 뿐이었다.

데이터를 기다리거나 찾아보지 않고 문제부터 시작을 했다. 아기가 8개월 무렵, 이사 문제로 일주일간 급히 돌봄이 필요하였지만 아이 돌봄 선생님 매칭이 안되었다. 그런데 신기하게도 이사를 온 다음에는 신청을 할 때마다 매칭이 잘 되는 것이었다. 왜 특정 시기에는 매칭이 안되었고 지금은 매칭이 잘되는 것일까? 장소의 이유일까? 아기의 연령 탓인가? 혹은 시간대? 무엇이 문제일까? 이런 호기심을 풀기 위한 재료로 데이터를 활용할 뿐이었다. 이런 지극히 사적인 호기심을 풀기 위해 데이터를 끌어왔다. 문제에 집중하면 직접 데이터를 모을 수도, 이미 널려 있는 공공데이터를 활용할 수도 있다.

검색창 앞에서 길을 잃지 않으려면: 현상을 '변수'로 치환할 것

매칭의 성공과 실패를 가르는 기준은 무엇일까. 여기서부터는 기획자의 직관과 상상력이 필요하다. '우리 아기가 양천향교에 있었을 땐 어려서 안 됐고, 마곡으로 이사 온 후에는 돌이 지나서 잘 된 걸까?' 꼬리를 무는 의문 속에서 여러 변수를 떠올렸다. 이 직관이 곧 초기 가설이 된다. 가설이 세워지면 막연한 검색어 대신 명확한 키워드를 잡을 수 있다. 단순히 '아이 돌봄'이나 '시터' 이렇게 검색을 하는 게 아니라 '지역별 매칭률', '수요공급 현황'이라는 변수를 끄집어냈다.