Thinknod

[에필로그] 데이터는 답을 주지 않는다, 여전히 - 답이 없는 문제 앞에서, 사고하고 설득하는 것은 인간의 몫이다

2026-03-18T15:00:33Z

지난 연재를 통해 우리는 꽤 먼 길을 돌아왔다. 처음에는 데이터가 모든 것을 해결해 줄 것이라는 기대를 의심하는 데서 출발했다. 데이터는 충분했지만 사고는 일어나지 않았고, 대시보드는 존재했지만 사람들은 움직이지 않았다. 그 틈에서 나는 하나의 질문을 붙잡게 되었다. 왜 데이터는 답처럼 보였지만, 실제로는 문제를 해결하지 못했을까. 그 질문을 따라가며

개인의 기지에서 조직의 문화로 - 개인을 움직이는 설득에서 조직의 언어를 바꾸는 설득으로

2026-03-18T08:35:54Z

지금까지 우리는 데이터가 상대방을 어떻게 '설득(Persuasion)'하는지에 대해 긴 여정을 거쳐왔다. 공감(Pathos)으로 듣는 이의 마음 벽을 허물고, 신뢰할 수 있는 형태(Ethos)로 권위를 부여했으며, 치밀하게 짜인 시선의 흐름과 맥락(Logos)으로 그들의 인지를 우리가 원하는 결론으로 안전하게 안내했다. 이 모든 기술들은 의심할 여지 없

맥락(Context)을 설계하는 방법 - 숫자가 스스로 말하게 하는 방법, 컨텍스트 엔지니어링

2026-03-12T05:02:17Z

우리는 시선을 끌고, 신뢰를 주며, 인지의 흐름을 설계하는 방법까지 모두 지나왔다. 이제 대시보드 시각화의 논리(Logos)를 완성하는 마지막 퍼즐 조각만이 남았다. 바로 '맥락(Context)'이다. 아무리 아름다운 차트라도, 아무리 시선의 흐름이 유려하게 설계된 대시보드라도, 그 안에 담긴 숫자가 스스로 의미를 발산하지 못한다면 모든 노력은 무용지

논리적인 인지의 흐름을 구성하는 방법 - 눈을 통해 뇌로 가는 지도를 그리다

2026-03-10T12:06:08Z

공감으로 시선을 끌고, 형태(신뢰)로 문턱을 넘었다. 이제 마지막 관문이 남았다. 바로 상대방의 뇌 속에 당신의 논리를 성공적으로 안착시키는 일, 로고스(Logos)다. 많은 데이터 분석가가 흔히 범하는 착각이 있다. "내가 숫자를 성실하게 분석해서 잘 나열해 두었으니, 청중도 처음부터 끝까지 꼼꼼히 읽어 주겠지?" 단언컨대, 그런 일은 일어나지 않는

대시보드가 최선일까? - 목적에 맞는 데이터 전달 형태(Form) 선정하기

2026-03-04T15:10:47Z

데이터 분석가들이 가장 많이 묻는 질문 중 하나는 이것이다. "이 데이터에는 어떤 차트를 써야 하나요?" 하지만 나는 이 질문에 답하기 전에 항상 되묻는다. "그 데이터를 누가, 언제, 왜 봅니까?" 어울리는 옷이 때와 장소에 따라 다르듯, 정보도 그 목적에 따라 담겨야 할 그릇이 다르기 때문이다. 탐색하는 사람, 요약이 필요한 사람 많은 대

형태는 신뢰의 옷이다 - 정보의 전달 형태에 따라 달라지는 사람들의 마음

2026-03-02T22:14:28Z

공감(Pathos)으로 청중의 마음을 열었다고 하자. "이건 내 이야기네요"라는 반응까지 끌어냈다면, 이제 당신의 데이터는 절반의 성공을 거둔 셈이다. 하지만 그 다음 순간, 청중은 본능적으로 방어 기제를 작동시킨다. "그런데, 이 정보를 믿어도 되는 걸까?" 아무리 공감이 가더라도, 전달되는 정보의 '형태'가 미덥지 못하면 설득은 거기서 멈춘다. 여

상대방의 언어로 말하라 - 정보에 공감과 몰입을 더하는 법

2026-02-12T14:59:02Z

지난 화에서 우리는 '청중의 역설'을 마주했다. 아무리 객관적인 데이터라도 그것을 바라보는 사람은 지극히 주관적이라는 사실. 그래서 우리는 데이터 분석을 시작하기 전에 모니터 밖으로 나와야 했다. 결국, 정보를 전달하는 입장에서는 이 질문으로 시작해야 한다. "이 정보를 누가 보는가?" 이 질문은 데이터 분석의 영역이 아니다. 공감(Empathy)의

사람이 사람을 설득할 뿐 - 누구를 위한 데이터인가?

2026-02-10T12:01:48Z

대시보드는 여전히 사람들을 움직이지 못했다. 회의실의 공기는 차가웠고, 실무 담당자는 팔짱을 끼고 있었다. 그들은 데이터가 틀렸다고 말하지 않았다. 다만 이렇게 말했다. "그런데... 이게 우리 현실이랑 좀 안 맞는 것 같은데?" 이 말은 데이터 분석가에게 가장 뼈아픈 피드백이다. 숫자가 틀린 게 아니라, '맥락(Context)'이 틀렸다는 뜻이기 때

그래서 어쩌라고? - 우와(Ooh-ah)와 아하(A-ha)의 차이

2026-02-03T13:47:12Z

대시보드(Dashboard)란 무엇인가? 이 단어의 어원은 마차의 앞부분, 흙이 튀는 것을 막아주는 판에서 시작해 자동차의 계기판으로 그 의미가 굳어졌다. 생각해보자. 운전석에 앉은 사람은 계기판을 통해 속도, 연료량, 엔진 온도 등 복잡한 기계적 정보를 한눈에 파악한다. 그리고 판단한다. '지금 주유를 해야 할까?' '속도를 줄여야 할까?' 즉, 계

데이터는 왜 사람을 움직이지 못했을까 - 정보는 충분했지만 사고는 일어나지 않았다

2026-01-29T09:00:19Z

길지 않은 시간이 지났다. 3개월쯤이었을까. 관심을 받던 대시보드는 점점 열리지 않기 시작했고, 사람들은 다시 익숙한 방식으로 돌아갔다. 엑셀 파일을 내려받아 각자의 방식대로 정리하고, 특정 포맷을 맞추기 위해 시간을 소비했다. 나는 혼란스러웠다. 대학원에서도, 직장에서도 데이터를 기반으로 가설을 세우고 검증하며 새로운 전략을 제시할 수 있었다. 그런데

데이터를 처음 믿게 되었던 순간 - 감과 센스를 넘어, 데이터라는 가능성

2026-01-26T23:31:45Z

고등학교는 이과를 졸업했고, 대학에서는 사회과학을 전공했다. 디자인과는 거리가 먼 경로였다. 내가 생각하던 디자이너란, 감과 센스로 무언가를 멋지고 아름답게 만들어내는 사람들이었다. 솔직히 말하면, 나와는 다른 세계의 사람들이라고 느꼈다. 그런 나에게 어떤 바람이 불었는지, 대학원에서 디자인을 공부하게 되었다. 아주 특별한 목적이 있었던 것은 아니다. 감

[프롤로그] 문제 해결을 위한 사고 - AI와 데이터를 마주한 이들에게 필요한 것

2026-01-26T23:48:20Z

이제 다시 비즈니스의 현장으로 돌아가 보자. 우리는 다양한 문제를 마주하고, 그 문제를 해결하기 위해 ‘데이터’를 활용하고자 한다. 그렇다면 우리가 마주하는 문제는 과연 쉬운 문제일까? 물론 일부는 그럴 수 있다. 그러나 데이터 기반의 사고를 통해 조직에 새로운 원동력과 전략을 제안하고자 할 때, 우리가 해결하려는 문제는 대부분 간단히 답이 나오지 않는 ‘

[프롤로그] 우리는 언제 생각하는가? - 사고가 시작되는 순간

2026-01-26T23:48:05Z

고민을 품은 채 나의 일상은 반복되었다. 기업에서 데이터가 중요하다는 이야기는 이미 오래된 것이었고, 유수한 기업들은 데이터 기반 의사결정의 중요성을 언급하며, 많은 돈과 시간을 투입했다. 그리고 ‘데이터 기반 의사결정 문화’가 정착되었다고 믿는 조직에서, 실무자들은 데이터가 내놓는 ‘답’을 원했다. 이를 위해 데이터 분석가가 붙어 답을 찾아주는 과정이

[프롤로그] 데이터는 답을 주지 않는다 - 데이터에 대한 착각과 고민의 시작

2026-01-26T23:47:43Z

당신의 삶에 ‘데이터’라는 의미가 자리 잡은 것은 언제인가? 나는 데이터 분석가로 일하고 있지만, 아이러니하게도 내가 ‘데이터’라는 개념을 인지하고 이를 함께 고민하기 시작한 시점은 ‘디자인’을 공부하기 시작했을 때였다. 나는 본래 디자이너가 아니다. 지금도 전형적인 의미의 ‘디자이너’ 일을 하고 있다고 말하기는 어렵다. 다만 회사에 다니며, 어느 순간

디자인씽킹을 활용하여 대시보드 기획하기 - 디자인씽킹의 문제 해결 과정을 적용한 데이터 시각화 개발 모델

2026-01-02T15:25:44Z

#데이터분석 #디자인프로세스 이번 포스팅에서는 디자인씽킹 문제 해결 방법을 적용한 데이터 시각화와 대시보드 기획하는 방법에 대해 이야기하고자 합니다. 디자인씽킹은 사용자의 문제를 공감하여 정의하고, 이를 기반으로 도출한 아이디어를 프로토타입으로 시각화하여 테스트하는 과정을 포함하는 문제 해결 방법입니다. 따라서, 디자인씽킹에 문제 해결 방법을 대시보드 기획