처음 오셨나요? 어디서 시작할지 찾아보세요.
하고 싶은 일 가는 곳 러너로 처음 시작 · AI에게 붙여넣을 문장 러너 시작 안내 GitHub이 처음이라 AI 튜터와 단계별로 제출 연습 TUTOR.md 내 주차 과제 제출 assignments/README.md · 처음 해보면 TUTOR.md 챕터 오너로 발표 내용 정리 chapters/README.md 발표 슬라이드 작성 SLIDES.md · templates/deck.md 데이터셋 후보 보고서 읽기 reports/README.md 슬라이드 · 보고서 Pages 보기 GitHub Pages (PR이 main에 머지된 뒤 반영) 저장소 기여 규칙 (git 경로 포함) CONTRIBUTING.md
AI가 분석하는 시대, 우리는 무엇을 질문하고 판단해야 하는가
『행동 데이터 분석』의 코드와 데이터를 재현하고, 동료의 질문으로 분석의 근거와 한계를 검토하는 가짜연구소 인과추론팀의 리딩 살롱입니다.
14주 · 정규 모임 12회 + 매지컬 위크 2회
참여 안내 · 운영 방식 · 14주 계획 · 공개 산출물 · 학습 자료
AI는 데이터를 정리하고, 코드를 작성하고, 분석 결과와 해석까지 빠르게 제시합니다. 그렇다면 데이터 기반 의사결정에서 사람은 무엇을 해야 할까요?
데이터는 무엇을 질문해야 하는지, 어떤 지표가 우리가 궁금한 현상을 제대로 나타내는지, 어떤 비교가 타당한지 스스로 결정해주지 않습니다. 관찰된 차이를 원인이나 효과라고 말할 수 있는지, 분석 결과를 어디까지 믿고 어떤 행동으로 이어갈지도 우리의 판단으로 남습니다.
이 프로젝트에서는 하나의 분석 결과 앞에서 네 가지 질문을 반복합니다.
- 우리는 데이터에서 무엇을 관찰했는가?
- 그 관찰은 어떤 데이터와 조건에서 만들어졌으며, 무엇이 빠져 있는가?
- 현재의 근거로 어디까지 말할 수 있는가?
- 다음 판단을 위해 무엇을 더 확인해야 하는가?
『행동 데이터 분석』을 함께 읽고, 책의 코드와 데이터를 재현하며, 각 장의 개념을 구체적인 비즈니스 질문에 적용합니다. 동료와 해석을 검토하는 과정에서 인과추론과 실험이 필요한 지점을 발견하고, 더 깊은 질문은 기존 학습 자료로 이어갑니다.
데이터를 분석하거나 분석 결과를 접하면서, 그 결과를 어디까지 믿고 어떤 판단으로 이어가야 할지 고민해 본 사람을 위한 프로젝트입니다.
- AI나 분석 도구가 제시한 해석이 타당한지 스스로 점검하고 싶은 사람
- 지표에서 발견한 차이를 원인이나 효과로 설명해도 되는지 고민해 본 사람
- 분석 결과를 바탕으로 다음에 필요한 데이터·분석·실험을 제안하고 싶은 사람
- Python이나 R로 기본적인 분석 코드를 실행하고 결과를 읽을 수 있는 사람
배운 방법론을 실제 질문에 적용하고 싶은 사람과, 현장의 문제를 어떤 방법으로 검증할지 고민하는 사람이 함께합니다. 각자의 지식과 경험을 나누며 질문 정의부터 분석과 해석까지 함께 검토합니다.
- 분석 결과에서 관찰한 사실·해석·인과적 주장을 구분한다.
- 결과를 만든 데이터·비교 조건·빠진 정보를 확인한다.
- 현재 근거로 말할 수 있는 범위와 말할 수 없는 범위를 설명한다.
- 다음 판단에 필요한 데이터·분석·실험을 제안한다.
주간 활동과 해커톤에서 대표 분석 사례 1~2건을 선정해 GitHub에 공개합니다. 비즈니스 질문, 재현 가능한 코드, 해석과 한계, 동료 리뷰를 담아 다른 사람도 따라 해볼 수 있도록 정리합니다. 러너는 자신이 기여한 분석과 리뷰를 포트폴리오로 활용할 수 있습니다.
대표 분석 사례는 완성 후 이 섹션에서 바로 찾아볼 수 있도록 연결합니다. 현재 공개된 OT 발표 자료와 데이터셋 후보 보고서는 맨 위 바로가기에서 볼 수 있습니다.
공개 사례의 구성과 완료 기준
각 사례는 다음 내용을 함께 담습니다.
| 구성 | 포함할 내용 |
|---|---|
| 질문과 맥락 | 어떤 판단을 위해 분석했는가 |
| 재현 가능한 코드 | 데이터 출처·확보 방법, 실행 환경·순서, 분석 코드 |
| 의사결정 메모 | 결론·근거·한계·다음 행동 |
| 동료 리뷰 | 질문과 피드백을 통해 달라진 해석과 남은 질문 |
| 출처와 기여 | 참고 자료·라이선스, 분석·리뷰에 기여한 사람 |
작성자 외의 참여자가 안내된 순서로 실행해 핵심 결과를 확인하고, 동료 리뷰를 반영하면 공개 준비를 마칩니다. 해당 사례의 기여자와 빌더가 최종 정리를 맡고, 출처와 배포 조건도 함께 확인합니다. 원본 데이터를 함께 배포할 수 없다면 확보 방법을 안내합니다.
| 항목 | 내용 |
|---|---|
| 시즌 | 가짜연구소 13기 · 인과추론팀 |
| 기간 | 총 14주: 정규 모임 12회 + 매지컬 위크 2회 |
| 정규 모임 | 매주 목요일 20:00~22:00 · 온라인 Discord Room-AV |
| 매지컬 위크 | Week 6 네트워킹 · Week 14 인과분석 미니 해커톤과 회고·랩업 |
| 오프라인 일정 | 두 매지컬 위크의 구체적인 시간·장소는 참여자들과 조율 |
| 정원 | 빌더 포함 총 7명 |
| 빌더 | 권준혁 |
| 교재 | 『행동 데이터 분석』, Florent Buisson |
주차별 날짜는 확정 후 안내합니다. Week 14는 해커톤과 회고 시간을 고려해 모임 시간을 별도로 정합니다. 참여 안내와 신청은 프로젝트 페이지를 확인해주세요.
매주 한 명의 러너가 챕터 오너를 맡아 발표와 분석을 이끕니다. 다른 러너는 리뷰어로 참여하고, 빌더는 준비와 토론 진행을 지원합니다.
| 시점 | 함께 할 일 |
|---|---|
| 모임 전 | 오너는 핵심 개념·실행한 코드·잠정 해석을 공유합니다. 리뷰어는 자료를 읽고 네 가지 질문 중 하나에 대한 의견이나 질문을 남깁니다. |
| 모임에서 | 발표를 바탕으로 근거와 가정을 질문하고, 서로 다른 해석을 함께 검토합니다. |
| 모임 후 | 오너는 토론에서 확인한 내용과 남은 질문을 사전 자료에 반영합니다. |
Week 1 OT와 Week 2 시범 진행은 빌더가 담당하고, Week 3부터 러너가 돌아가며 진행합니다. 챕터 오너 배정은 완료했으며 아래 주차별 표에서 확인할 수 있습니다. 사전 자료 공유 일정은 OT에서 합의한 안내를 따릅니다. 매주 결과물은 발표 자료에 토론 내용을 반영한 기록으로 쌓습니다.
ChatGPT·Claude·Gemini 등 AI 도구를 활용할 수 있습니다. 코드와 해석을 공유할 때는 자신이 확인한 근거와 아직 확인하지 못한 부분을 함께 설명합니다. Week 6에는 사전 과제와 제출물이 없습니다.
| 주차 | 주제 | 담당자 | 결과물 |
|---|---|---|---|
| W01 | OT: 데이터는 왜 스스로 말하지 않는가 | 빌더 (권준혁) | 각자의 질문 · 챕터 담당표 |
| W02 | Ch1–2: 행동과 데이터를 연결하기 · 빌더 시범 | 빌더 (권준혁) | 관찰·해석·남은 질문을 담은 준비 예시 |
| W03 | Ch3: 인과관계를 구조로 표현하기 | 이예빈 | 인과 다이어그램과 주요 가정 |
| W04 | Ch4: 비즈니스 질문에서 인과 다이어그램 만들기 | 정성준 | 수정한 다이어그램과 필요한 정보 |
| W05 | Ch5: 교란을 통제하고 비교하기 | 이민옥 | 비교 방법·조정 변수·주장 범위 |
| W06 | Magical Week ①: 네트워킹 | 빌더 (권준혁) | 사전 과제·제출물 없음 |
| W07 | Ch6: 결측치와 빠진 정보 | 김아영 | 결측 원인 가정·처리 방법·해석 한계 |
| W08 | Ch7: 부트스트랩과 불확실성 | 김윤지 | 추정값과 불확실성을 함께 설명한 해석 |
| W09 | Ch8: 비즈니스 질문을 실험으로 설계하기 | 박혜민 | 질문·처치·비교·지표를 담은 실험 설계 메모 |
| W10 | Ch9: 층화 무작위화와 참여 여부 해석하기 | 최윤정 | 배정 방식과 추정하려는 효과의 대상 |
| W11 | Ch10: 군집 무작위화와 계층 모델링 | 김형철 | 배정·관측 단위와 분석·해석의 관계 |
| W12 | Ch11: 사람과 상황에 따른 효과의 차이 | 박주연 | 효과가 달라지는 조건·적용 범위·추가 검증 |
| W13 | Ch12: 매개효과와 도구변수 | 빌더 (권준혁) | 각 방법에 필요한 가정과 후속 질문 |
| W14 | Magical Week ②: 인과분석 미니 해커톤과 회고·랩업 | 빌더 (권준혁) | 분석 코드·의사결정 메모 · 개인별 다음 질문 |
주차별 활동과 살롱 질문 펼쳐보기
참여 계기와 분석 결과를 판단하며 어려웠던 경험을 나눕니다. 빌더가 준비한 사례로 네 가지 질문을 익히고, 코드 실행 환경과 챕터 담당·자료 공유 일정을 확인합니다.
질문: 분석 결과를 받았을 때 무엇부터 확인해야 할까요?
빌더가 핵심 개념, 코드 재현, 데이터 해석과 리뷰 과정을 시범으로 진행합니다. 관찰한 사실과 해석을 구분하고, 데이터의 변수가 어떤 행동을 나타내는지 살펴봅니다.
질문: 우리가 측정한 지표는 궁금한 행동을 제대로 나타내고 있을까요?
러너가 챕터 오너를 맡기 시작합니다. 인과 다이어그램의 사슬·분기·충돌 구조를 익히고, 사례 속 변수들의 관계를 그림으로 표현합니다.
질문: 관찰한 관계를 원인과 결과로 설명하려면 어떤 가정이 필요할까요?
분석 질문과 관련된 행동·개인 특성·업무 조건을 찾아 인과 다이어그램을 구성합니다. 관찰 가능한 변수와 데이터에 없는 요인을 검토하며 다이어그램을 수정합니다.
질문: 데이터에 없는 변수도 우리의 설명에 필요할까요?
다이어그램을 바탕으로 조정할 변수를 선택하고, 조정 전후의 분석 결과를 비교합니다. 필요에 따라 LaLonde 데이터로 비교 조건을 더 살펴봅니다.
질문: 어떤 조건을 맞춰야 비교가 타당해지며, 그래도 남는 문제는 무엇일까요?
사전 과제와 제출물 없이 오프라인에서 편하게 만납니다. 각자의 관심사와 경험, 최근 고민과 공부하며 느낀 점을 나눕니다. 구체적인 장소와 활동 방식은 참여자들과 정합니다.
결측의 양과 패턴을 확인하고, 발생 원인에 따라 필요한 가정이 어떻게 달라지는지 살펴봅니다. 책의 결측 처리 코드를 재현하고 결과를 검토합니다.
질문: 빠진 데이터를 제외하거나 채워 넣으면 누구의 이야기가 달라질까요?
표본을 다시 뽑았을 때 추정값이 어떻게 달라지는지 확인합니다. 추정값과 신뢰구간을 함께 읽고, 불확실성이 판단에 미치는 의미를 토론합니다.
질문: 하나의 추정값만으로 판단하기에 충분할까요?
사업 목표와 측정 지표, 개입할 행동을 연결하고 처치·비교 집단을 정의합니다. 무작위 배정, 표본 크기와 검정력을 살펴보며, 필요에 따라 Hillstrom 사례를 함께 검토합니다.
질문: 어떤 결과가 나오면 실제로 우리의 결정을 바꿀 수 있을까요?
주요 특성에 따라 층을 나눠 무작위 배정하는 방법을 익히고, 책의 코드를 재현합니다. 개입에 배정된 것과 실제 참여한 것을 구분해 해석합니다.
질문: 참여를 권유받았지만 참여하지 않은 사람은 분석에서 어떻게 다뤄야 할까요?
매장이나 팀처럼 집단 단위로 개입하는 실험을 살펴봅니다. 같은 집단의 관측값들이 서로 닮아 있다는 점을 이해하고, 책의 대표 코드로 집단 구조를 반영한 분석을 해석합니다.
질문: 개인 수가 많으면 충분한 실험일까요? 매장이나 팀의 수도 중요할까요?
고객 세분화, 상호작용, 비선형 관계를 살펴보고 전체 평균과 집단별 결과를 비교합니다. 필요에 따라 Hillstrom 등으로 효과 차이의 안정성을 검토합니다.
질문: 집단별 차이를 발견했다면 바로 다른 전략을 적용해도 될까요?
효과가 발생하는 경로를 설명하는 매개효과와, 특정 가정 아래 외부 변화를 이용해 효과를 추정하는 도구변수를 살펴봅니다. 책의 대표 예제와 코드를 통해 각 방법에 필요한 가정과 해석 범위를 검토합니다.
질문: 효과가 발생한 경로를 설명하거나 직접 비교의 한계를 넘으려면 어떤 근거가 더 필요할까요?
빌더가 준비한 데이터·업무 상황·시작 노트북으로 오프라인 미니 해커톤을 진행합니다. 서로 다른 경험을 가진 러너들이 팀을 이뤄 질문과 비교 방법을 정하고 분석합니다. 데이터와 세부 과제는 사전에 안내합니다.
팀별 결과를 네 가지 질문으로 리뷰하고, 피드백을 반영해 코드와 의사결정 메모를 정리합니다. 대표 사례는 공개 완료 기준에 따라 실행 방법·출처·리뷰 기록까지 정리해 공개합니다. 랩업에서는 남은 공개 준비 작업과 담당자를 확인하고, 달라진 판단과 다음 학습 질문을 나눕니다.
질문: 현재 데이터로 어디까지 말할 수 있고, 다음 판단을 위해 무엇이 더 필요할까요?
마일스톤과 완료 기준 펼쳐보기
| 확인 주차 | 마일스톤 | 완료 기준 |
|---|---|---|
| W02 | 분석 결과를 질문으로 되돌린다 | 분석 결과 하나를 선택해 관찰·조건·주장의 범위·다음 질문을 정리합니다. |
| W05 | 비교가 성립하는 조건을 확인한다 | 관찰된 차이를 인과적 효과로 해석할 수 있는 범위와 그 한계를 설명합니다. |
| W08 | 결과의 불확실성을 설명한다 | 하나의 추정값과 함께 그 불확실성 및 추가로 필요한 정보를 설명합니다. |
| W12 | 실험 결과를 의사결정으로 연결한다 | 실험 결과가 뒷받침하는 결론과 다음 의사결정 또는 실험을 제안합니다. |
| W14 · 공개 전 점검 | 하나의 분석을 끝까지 리뷰한다 | 대표 사례 1~2건에 대해 재현 가능한 코드와 의사결정 메모를 완성하고, 동료 리뷰·출처·라이선스·공개 가능 여부를 확인합니다. |
| 자료 | 활용 |
|---|---|
| 『행동 데이터 분석』 한국어판 · 교보문고 | 플로랑 뷔송 지음, 시진 옮김, 한빛미디어 |
| 『행동 데이터 분석』 원서 소개와 목차 | 주간 리딩의 기본 교재 |
| 저자의 공식 코드·데이터 저장소 | 챕터별 코드와 데이터 재현 |
| 『실무로 통하는 인과추론 with 파이썬』 특강 자료 | 인과추론의 실무 적용 사례와 심화 질문 탐구 |
| 인과추론과 실무 프로젝트 자료 | 실험 플랫폼, 인과 그래프, 효과 추정 등 후속 학습 |
책의 코드와 데이터를 기본으로 사용하고, 보완 데이터는 해당 주차의 질문을 더 분명하게 보여줄 때 선택합니다. 후속 자료는 스터디 중 생긴 질문에 따라 찾아볼 수 있는 기존 학습 기록입니다.
정규 러너 참여는 프로젝트 페이지에서 안내합니다. 저장소의 자료는 누구나 열람하고 질문·오류 제보·보완 제안을 남길 수 있습니다.
- 질문·오류 제보: Issue 작성. 해당 자료와 궁금한 점을 적어주세요. 실행 오류는 사용 환경과 재현 순서를 함께 알려주세요.
- 문서·코드 개선: 저장소를 Fork한 뒤 Pull Request로 제안해주세요. 바꾼 이유와 확인한 내용을 설명하면 함께 리뷰하기 좋습니다.
현재 저장소 자체의 배포 라이선스는 아직 정해지지 않았습니다. 자체 코드와 문서의 이용 조건은 대표 사례 공개 전에 명시합니다. 교재·외부 데이터·코드는 각 원저작자의 라이선스와 재배포 조건을 따릅니다.
이 프로젝트는 가짜연구소 13기 인과추론팀 프로젝트입니다. 함께 분석하고 질문을 나누는 참여자와 공개 자료를 제공한 저자·커뮤니티에 감사합니다. README는 가짜연구소 빌더 템플릿을 바탕으로 구성했습니다.
마크다운으로 Causal-Lab 디자인의 HTML 발표 자료를 만들 수 있습니다. 작성 안내와 디자인 규칙을 참고하세요.
Hillstrom, Online Retail II, Criteo v2.1의 배경·전체 변수표·수치 분포·한계·출처를 소개합니다. 상세 분석 방법과 지표 정의는 러너들이 결정합니다.
보고서는 reports/<주제>/index.html과 CSS로 관리하며, npm run build:reports로 PDF 생성 없이 보고서와 자료 목록을 빌드합니다.