경험상 이탈률이 10% 이하라면 100% 데이터가 잘못 수집된 경우입니다 | GA4를 이용하시는 많은 분들이 UA 대비 유입이나 전환 데이터 차이가 많이 난다고 말씀하십니다. 세션 및 전환을 집계하는 방식의 다른점 때문에 데이터 차이가 나는 건 어쩔 수 없습니다. 이제 UA는 구시대 유물(?)이니 데이터를 비교하는 건 의미가 없지만(직접 비교도 불가하구요) 기존의 패턴과 너무 차이가 심하다면 데이터가 정상적으로 수집되는 게 맞는지,

이탈률이 너무 낮으면 데이터를 의심하세요

여러분은 직관과 다른 결과의 데이터가 나왔을 때, 어떤 판단을 내리시나요? 예전에는 이런 경우 "내가 엄청난 걸 찾았어!" 라고 많이 흥분했었는데, 최근에는 "뭔가 수집이나 분석과정에서 내가 놓친 거 없나?" 하고 흥분을 가라앉히게 됩니다 ㅎㅎ 실제로 직관과 전혀 다른 방향의 데이터가 관찰되는 경우는 매우 드물더라구요;;;

GA4 사례 중에, 이런 케이스에 대해 이야기한 포스팅을 발견해서 공유합니다. 데이터에 대한 민감도가 높을수록, 이런 함정을 만났을 때 조심할 수 있는 것 같아요.

여러분은 직관과 다른 결과의 데이터가 나왔을 때, 어떤 판단을 내리시나요? 예전에는 이런 경우 "내가 엄청난 걸 찾았어!" 라고 많이 흥분했었는데, 최근에는 "뭔가 수집이나 분석과정에서 내가 놓친 거 없나?" 하고 흥분을 가라앉히게 됩니다 ㅎㅎ 실제로 직관과 전혀 다른 방향의 데이터가 관찰되는 경우는 매우 드물더라구요;;; GA4 사례 중에, 이런 케이스에 대해 이야기한 포스팅을 발견해서 공유합니다. 데이터에 대한 민감도가 높을수록, 이런 함정을 만났을 때 조심할 수 있는 것 같아요.

Brunch Story

[이탈율이 너무 낮으면 데이터를 의심하세요]

처음 앱 개발을 시작했을 때는 순수한 호기심에서 출발했습니다. "내가 만들고 싶은 걸 만들면 사람들이 써주지 않을까? 재미있을 것 같은데."라는 생각으로 시작한 것이죠. 첫번째 앱을 출시하고 난 뒤 수익이 거의 없다 시피한 상태로 꽤나 오랫동안 방치해져 있었는데 Google Ads를 통해 앱을 광고도 하고, 커뮤니티에 내가 만든 앱도 홍보하게 되면서 제가 만든 서비스가 조금씩 사용자들의 관심을 얻기 시작했고, 이어서 수익도 발생하기 시작했습니다. 이 경험은 제게 큰 자신감과 동기부여가 되었고, 회사 생활과 앱 개발을 병행하게 된 결정적인 계기가 되었습니다. 회사 생활을 하면서 느낀 연봉 상승의 한계 또한 앱 개발에 더욱 집중하게 된 주요 이유였습니다. 예를들어 연봉 5000만원을 받는 직장인이 10% 인..

회사와 앱개발을 병행한 이유

사이드 프로젝트로 앱 개발을 시작해서, 회사를 퇴사하고 독립 개발자로 활동하기까지의 여정을 정리한 글입니다. 직장인의 한 사람으로 공감되는 부분도 있고, 부럽게 느껴지는 부분도 있네요 :) 결과적으로 회사를 퇴사하게 된 부분도 인상적이지만, '호기심'으로 첫번째 앱 개발을 시작했다는 부분이 여운이 오래 남았습니다. 내가 하는 일을 더 잘 하고 싶고, 다양한 경험치를 쌓고 싶다는 생각, 그걸 멈추지 않고 꾸준히 지속했을 때 큰 임팩트가 생기는 게 아닐까 싶습니다.

사이드 프로젝트로 앱 개발을 시작해서, 회사를 퇴사하고 독립 개발자로 활동하기까지의 여정을 정리한 글입니다. 직장인의 한 사람으로 공감되는 부분도 있고, 부럽게 느껴지는 부분도 있네요 :) 결과적으로 회사를 퇴사하게 된 부분도 인상적이지만, '호기심'으로 첫번째 앱 개발을 시작했다는 부분이 여운이 오래 남았습니다. 내가 하는 일을 더 잘 하고 싶고, 다양한 경험치를 쌓고 싶다는 생각, 그걸 멈추지 않고 꾸준히 지속했을 때 큰 임팩트가 생기는 게 아닐까 싶습니다.

프로그래밍좀비

[회사와 앱개발을 병행한 이유]

성공적인 레거시 시스템 개편을 위해 해야 할 질문들

레거시 시스템, 언제 개편해야 할까?

역사와 전통(?)이 담겨있는 레거시 시스템을 언제 어떻게 개편해야 할까요? 많은 Maker들이 '새로운 것'을 만들어가는 걸 선호하지만, 전략적으로 잘 판단해서 '기존에 있던 것'을 재설계하거나 리팩토링하는 것이 효과적일 때가 있습니다. 최근에 딜라이트룸에서도 이런 레거시 시스템을 크게 하나 뜯어고치는(!) 프로젝트가 있었는데요. 서버개발자로 이 프로젝트에 참여했던 Daisy가 레거시 시스템 개편에 대한 포스팅을 정리해 주셨네요.

역사와 전통(?)이 담겨있는 레거시 시스템을 언제 어떻게 개편해야 할까요? 많은 Maker들이 '새로운 것'을 만들어가는 걸 선호하지만, 전략적으로 잘 판단해서 '기존에 있던 것'을 재설계하거나 리팩토링하는 것이 효과적일 때가 있습니다. 최근에 딜라이트룸에서도 이런 레거시 시스템을 크게 하나 뜯어고치는(!) 프로젝트가 있었는데요. 서버개발자로 이 프로젝트에 참여했던 Daisy가 레거시 시스템 개편에 대한 포스팅을 정리해 주셨네요.

Medium

[레거시 시스템, 언제 개편해야 할까?]

일잘러를 넘어 Impact를 내는 인재들의 특징 (Good to GREAT)  스타트업을 운영하면서, 일을 잘하는 사람과 진정한 임팩트를 내는 사람 사이에는 작지만 큰 차이가 있음을 느낀다.  1. 말보다 실행이 앞선다. 문제 해결을 위한 실행가다.  2. 제한된 리소스 속에서도 방법을 찾아낸다. 예산을 더 달라거나 사람이 필요하다는 말보다 "일단 해보겠다

일잘러를 넘어 Impact를 내는 인재들의 특징 

20년 가까운 회사생활을 하면서, '뛰어난 인재 1명'이 낼 수 있는 임팩트가 과연 얼마나 클까? 하는 생각이 있긴 한데요. (반면, '뛰어난 팀'이 낼 수 있는 임팩트가 어마어마하다는 데는 동의) 그럼에도 불구하고, 개인 레벨에서 Impact를 만들어 낼 수 있는 사람이 드물지만 있다고 생각합니다. 비슷한 생각을 정리한 글인데, 한번 읽어보시면 좋을 것 같네요.

20년 가까운 회사생활을 하면서, '뛰어난 인재 1명'이 낼 수 있는 임팩트가 과연 얼마나 클까? 하는 생각이 있긴 한데요. (반면, '뛰어난 팀'이 낼 수 있는 임팩트가 어마어마하다는 데는 동의) 그럼에도 불구하고, 개인 레벨에서 Impact를 만들어 낼 수 있는 사람이 드물지만 있다고 생각합니다. 비슷한 생각을 정리한 글인데, 한번 읽어보시면 좋을 것 같네요.

[일잘러를 넘어 Impact를 내는 인재들의 특징]

짧은 o1 사용 소감.

아이디어 토론 상대로 사용해봤는데, 기존 모델들보다 압도적으로 좋음. 기존 모델들보다 아이디어를 더 깊은 수준으로 그리고 디테일하게 생성함.

지난 1-2주 동안 실제 사람과 토론한 내용을 다시 토론해봤는데, 사람과 했던 이야기들 중 핵심적이라고 생각했던 이야기가 거의 다 들어가 있었음.

Claude 3.5나 GPT-4하고 토론하면 너무 평이한 답변만 해서 답답했음. 그래서 내 스스로 생각한 것을 투영하는 고무오리 정도 수준으로만 사용했음. 그런데 이제는 진짜 사람 수준으로 아이디어를 제안하고 토론 할 수 있게 되었음.

다만, 아직 유레카 수준의 창의력을 발휘하는 것은 아니고, 맥락과 스펙을 잘 전달하는 것은 여전히 중요함.

짧은 o1 사용 소감. 아이디어 토론 상대로 사용해봤는데, 기존 모델들보다 압도적으로 좋음. 기존 모델들보다 아이디어를 더 깊은 수준으로 그리고 디테일하게 생성함. 지난 1-2주 동안 실제 사람과 토론한 내용을 다시 토론해봤는데, 사람과 했던 이야기들 중 핵심적이라고 생각했던 이야기가 거의 다 들어가 있었음. Claude 3.5나 GPT-4하고 토론하면 너무 평이한 답변만 해서 답답했음. 그래서 내 스스로 생각한 것을 투영하는 고무오리 정도 수준으로만 사용했음. 그런데 이제는 진짜 사람 수준으로 아이디어를 제안하고 토론 할 수 있게 되었음. 다만, 아직 유레카 수준의 창의력을 발휘하는 것은 아니고, 맥락과 스펙을 잘 전달하는 것은 여전히 중요함.

제가 데이터 파이프라인을 설명할 때 자주 사용하는 비유로 물이 흐르는 상수도를 떠올리는 것입니다. 물이 수도관을 통해 각 가정에 공급되는 과정과 데이터가 파이프라인을 통해 필요한 곳으로 이동하는 과정을 비교해보면 이해가 더 쉬워질 것입니다.

 1. 수원지: 원천 데이터 (데이터 레이크)
 * 데이터 파이프라인의 첫 출발점은 '수원지'에 해당하는 원천 데이터입니다. 수원지는 다양한 데이터 소스를 의미합니다. 원천 데이터는 아직 정제되지 않았고, 다양한 형태와 크기로 존재할 수 있습니다. 이 데이터는 개발 단계에서 생성되거나 여러 외부 시스템에서 수집됩니다.

 2. 상수도: 데이터 웨어하우스
 * 데이터 웨어하우스는 정제된 다양한 형태의 데이터를 보관하는 저장소로, 물이 상수도에서 정수와 여과 과정을 거치는 것처럼 원천 데이터는 정제를 거쳐 '데이터 웨어하우스'로 모입니다.
 * 따라서 수원지에 데이터가 어느정도 오염(중복되어 있거나 잘못 입력 된 데이터, 혹은 누락)이 있더라도 미리 정의한 비즈니스 스키마에 따라 필터가 되기 때문에 이 과정에서 상당수 사용 가능한 데이터로 변환 됩니다.

 3. 수도관: 데이터 파이프라인
 * 수도관은 데이터를 필요한 곳으로 보내는 경로입니다. 이 과정에서 데이터를 정제하고 변환하여 가정집으로 안전하게 보내기 위한 여러 단계가 이루어집니다. 즉, 데이터 파이프라인은 데이터를 정제하고, 여과하며, 필요한 형식으로 변환하는 일련의 과정을 담당합니다. 이 단계에서 데이터는 다양한 필터링, 집계, 변환 등의 작업을 거쳐 최종 사용자에게 적합한 형태로 바뀝니다.

 4. 가정집: 데이터 사용처 (데이터 마트)
 * 물이 수도관을 통해 가정집에 도달하듯이, 최종 사용자는 필요한 데이터를 활용하게 됩니다. 이때의 데이터는 이미 정제되고 가공된 상태로, 사용자는 이 데이터를 분석하거나 보고서에 활용하는 등의 작업을 수행합니다.

전체 흐름
 * 수원지에서 물을 모아 상수도를 통해 정수한 후 각 가정집으로 물을 보내는 과정은, 데이터가 원천에서 수집되어 데이터 웨어하우스로 모이고, 데이터 파이프라인을 통해 정제되고 변환되어 최종 사용처로 전달되는 과정과 매우 흡사합니다. 이 비유를 통해 데이터 파이프라인의 복잡한 과정을 물의 흐름처럼 쉽게 이해할 수 있습니다.

데이터는 마치 물처럼, 필요한 곳으로 안전하고 깨끗하게 전달되어야 합니다.

제가 데이터 파이프라인을 설명할 때 자주 사용하는 비유로 물이 흐르는 상수도를 떠올리는 것입니다. 물이 수도관을 통해 각 가정에 공급되는 과정과 데이터가 파이프라인을 통해 필요한 곳으로 이동하는 과정을 비교해보면 이해가 더 쉬워질 것입니다. <ol ><li>수원지: 원천 데이터 (데이터 레이크)</li></ol><ul ><li>데이터 파이프라인의 첫 출발점은 '수원지'에 해당하는 원천 데이터입니다. 수원지는 다양한 데이터 소스를 의미합니다. 원천 데이터는 아직 정제되지 않았고, 다양한 형태와 크기로 존재할 수 있습니다. 이 데이터는 개발 단계에서 생성되거나 여러 외부 시스템에서 수집됩니다.</li></ul> <ol start="2"><li>상수도: 데이터 웨어하우스</li></ol><ul ><li>데이터 웨어하우스는 정제된 다양한 형태의 데이터를 보관하는 저장소로, 물이 상수도에서 정수와 여과 과정을 거치는 것처럼 원천 데이터는 정제를 거쳐 '데이터 웨어하우스'로 모입니다. </li><li>따라서 수원지에 데이터가 어느정도 오염(중복되어 있거나 잘못 입력 된 데이터, 혹은 누락)이 있더라도 미리 정의한 비즈니스 스키마에 따라 필터가 되기 때문에 이 과정에서 상당수 사용 가능한 데이터로 변환 됩니다.</li></ul> <ol start="3"><li>수도관: 데이터 파이프라인</li></ol><ul ><li>수도관은 데이터를 필요한 곳으로 보내는 경로입니다. 이 과정에서 데이터를 정제하고 변환하여 가정집으로 안전하게 보내기 위한 여러 단계가 이루어집니다. 즉, 데이터 파이프라인은 데이터를 정제하고, 여과하며, 필요한 형식으로 변환하는 일련의 과정을 담당합니다. 이 단계에서 데이터는 다양한 필터링, 집계, 변환 등의 작업을 거쳐 최종 사용자에게 적합한 형태로 바뀝니다.</li></ul> <ol start="4"><li>가정집: 데이터 사용처 (데이터 마트)</li></ol><ul ><li>물이 수도관을 통해 가정집에 도달하듯이, 최종 사용자는 필요한 데이터를 활용하게 됩니다. 이때의 데이터는 이미 정제되고 가공된 상태로, 사용자는 이 데이터를 분석하거나 보고서에 활용하는 등의 작업을 수행합니다.</li></ul> 전체 흐름<ul ><li>수원지에서 물을 모아 상수도를 통해 정수한 후 각 가정집으로 물을 보내는 과정은, 데이터가 원천에서 수집되어 데이터 웨어하우스로 모이고, 데이터 파이프라인을 통해 정제되고 변환되어 최종 사용처로 전달되는 과정과 매우 흡사합니다. 이 비유를 통해 데이터 파이프라인의 복잡한 과정을 물의 흐름처럼 쉽게 이해할 수 있습니다.</li></ul> 데이터는 마치 물처럼, 필요한 곳으로 안전하고 깨끗하게 전달되어야 합니다.

물의 흐름으로 누구나 쉽게 이해하는 데이터 파이프라인

안녕하세요. 데이터 흐름에 대해 쉽게 설명해 주셔서 감사합니다 :) 
중간에 언급하신 데이터웨어하우스와 데이터레이크의 개념은 큰 차이가 없다라고 생각되어지는데, 맞을까요?

복잡한 문제를 해결하기 위한 새로운 추론 모델인 o1은 훈련을 통해 사고 과정을 개선하고, 다양한 전략을 시도하며, 실수를 인식하는 법을 배웠다고 합니다..!
모델이 응답하기 전에 문제를 더 오래 생각하도록 훈련되었는데, 그래서 과학, 코딩, 수학 등의 분야에서 복잡한 문제를 다루는 경우 특히 유용할 수 있어요!

잠깐 써봤는데,
이해하려고 노력 중 -> 이해 방법 찾기 -> 이해하기
스스로 추론해가며 답변하는 것이 대단하네요..!

https://openai.com/o1/

복잡한 문제를 해결하기 위한 새로운 추론 모델인 o1은 훈련을 통해 사고 과정을 개선하고, 다양한 전략을 시도하며, 실수를 인식하는 법을 배웠다고 합니다..!모델이 응답하기 전에 문제를 더 오래 생각하도록 훈련되었는데, 그래서 과학, 코딩, 수학 등의 분야에서 복잡한 문제를 다루는 경우 특히 유용할 수 있어요! 잠깐 써봤는데,이해하려고 노력 중 -&gt; 이해 방법 찾기 -&gt; 이해하기스스로 추론해가며 답변하는 것이 대단하네요..! https://openai.com/o1/

chatGPT o1의 등장!!!!!!!

2012년 일년 놀기로 하고 10월이 되면서 뭘할까 고민하다가 야후 때 옛 동료로부터 연락이 왔다. 본인이 조인한 Polyvore라는 회사로 한번 놀러와 보라는 거였다. Polyvore는 여성패션만 집중하는 Pinterest라고 이해하면 된다. 사실 Polyvore가 2007년에 만들어졌고 Pinterest가 2년 후인 2009년에 창업되었는데 Pinterest가 Polyvore 아이디어를 카피해서 여성패션 카테고리라는 제약을 없앴다고 보는 것이 맞다. 암튼 야후와 구글 출신 창업자들과 그 지인들로 구성이 된 역량이 뛰어난 팀이었고 오피스의 위치나 분위기도 너무 좋아서 2012년 12월에 조인했다.

원래 내 전문 분야는 검색 엔진이었기에 검색 엔진 개발과 이어서 추천 엔진 개발을 목표로 조인했지만 검색어 로그 등 검색엔진 랭킹을 최적화하기 위한 데이터가 쌓여있지 않았다. 그래서 본의 아니게 먼저 검색어 로그를 S3에 수집해두는 일을 했고 AWS 환경을 사용하는 회사였기에 찾아보니 그때 Redshift가 베타 버전으로 나와 있기에 거기에 다양한 정제된 데이터들을 테이블 형태로 쌓기 시작했고 이때부터 사실 SQL을 처음 제대로 사용해보기 시작했다 :) S3에 적재된 검색어 로그를 처리하는데 Hive를 사용했다. 이 때 처음으로 Python도 배워서 데이터 처리 코드를 작성해서 크론잡으로 실행했는데 그전까지 나는 C++와 자바만 사용해봤고 처음으로 스크립트 언어를 배웠다. 나중에 보니 Redshift가 데이터 웨어하우스였고 데이터 처리하는 코드가 데이터 파이프라인이었고 내가 앞단에 했던 일이 데이터 엔지니어링이었다. 여기에 다른 엔지니어들과 분석가들을 채용해서 데이터 팀을 만들었고 이 과정에서 많은 시행착오가 있었다. 다음으로 조인했던 유데미에서는 이 시행착오 덕분에 데이터 팀 빌딩을 훨씬더 효율적으로 할 수 있었다.

그렇게 시작된 데이터팀 경력을 통해 깨달은 점은 데이터 팀이 기본적으로 지원조직이란 점이다. 그 이유는 직접 뭔가 매출을 내거나 사용자와 직접 마주치는 팀이 아닌 다른 팀들이 각자 맡은 역할을 잘 할 수 있게 도와주는 팀이기 때문이다. 물론 데이터로 돈을 버는 회사라면 다른 이야기다. 하지만 대부분의 회사는 본업이 있고 그 본업을 잘 하기 위해서 데이터를 활용하는 형태가 된다. 즉 데이터가 새로운 석유라고 하지만 실제 회사에서 일을 할 때는 데이터 팀에 스포트라이트가 가는 일은 많지 않다. 지원조직이기 때문이다.

그러면 데이터 팀의 미션은 무엇일까? Airbnb 데이터 팀의 미션으로부터 훔친 내 정의는 다음과 같다: "신뢰할 수 있는 데이터로 부가 가치를 만들어낸다"

부가 가치라고 했는데 데이터로 돈을 버는 곳이라면 "매출"이라고 대신해도 되겠지만 그게 아니라면 간접적으로 매출내는 걸 도와주게 된다는 거다. 그러면 어떤 부가 가치가 있을까? 다음 2가지가 있다.

 1. 데이터를 바탕으로 과학적인 의사결정을 할 수 있게 도와준다 (Decision Science). 보통 데이터 분석가가 이 일을 수행한다. 여기에는 Data Driven Decision과 Data Informed Decision 두 가지가 존재한다.
 2. 데이터를 바탕으로 사용자의 서비스 사용 경험을 개선한다 (Product Science). 보통 데이터 과학자가 이 일을 머신 러닝이란 형태로 수행한다.

1과 2가 가능하려면 데이터 엔지니어가 인프라를 만들어주어야 한다. 이게 바로 데이터 웨어하우스와 데이터 파이프라인인데 가장 간단한 형태의 데이터 인프라라고 볼 수 있다. 다음 포스팅에서는 데이터 인프라가 무엇인지 조금더 자세히 설명해보고 이어서 데이터 기반 의사결정과 데이터 기반 서비스 개선에 대해 차례로 알아볼 예정이다.

2012년 일년 놀기로 하고 10월이 되면서 뭘할까 고민하다가 야후 때 옛 동료로부터 연락이 왔다. 본인이 조인한 Polyvore라는 회사로 한번 놀러와 보라는 거였다. Polyvore는 여성패션만 집중하는 Pinterest라고 이해하면 된다. 사실 Polyvore가 2007년에 만들어졌고 Pinterest가 2년 후인 2009년에 창업되었는데 Pinterest가 Polyvore 아이디어를 카피해서 여성패션 카테고리라는 제약을 없앴다고 보는 것이 맞다. 암튼 야후와 구글 출신 창업자들과 그 지인들로 구성이 된 역량이 뛰어난 팀이었고 오피스의 위치나 분위기도 너무 좋아서 2012년 12월에 조인했다. 원래 내 전문 분야는 검색 엔진이었기에 검색 엔진 개발과 이어서 추천 엔진 개발을 목표로 조인했지만 검색어 로그 등 검색엔진 랭킹을 최적화하기 위한 데이터가 쌓여있지 않았다. 그래서 본의 아니게 먼저 검색어 로그를 S3에 수집해두는 일을 했고 AWS 환경을 사용하는 회사였기에 찾아보니 그때 Redshift가 베타 버전으로 나와 있기에 거기에 다양한 정제된 데이터들을 테이블 형태로 쌓기 시작했고 이때부터 사실 SQL을 처음 제대로 사용해보기 시작했다 :) S3에 적재된 검색어 로그를 처리하는데 Hive를 사용했다. 이 때 처음으로 Python도 배워서 데이터 처리 코드를 작성해서 크론잡으로 실행했는데 그전까지 나는 C++와 자바만 사용해봤고 처음으로 스크립트 언어를 배웠다. 나중에 보니 Redshift가 데이터 웨어하우스였고 데이터 처리하는 코드가 데이터 파이프라인이었고 내가 앞단에 했던 일이 데이터 엔지니어링이었다. 여기에 다른 엔지니어들과 분석가들을 채용해서 데이터 팀을 만들었고 이 과정에서 많은 시행착오가 있었다. 다음으로 조인했던 유데미에서는 이 시행착오 덕분에 데이터 팀 빌딩을 훨씬더 효율적으로 할 수 있었다. 그렇게 시작된 데이터팀 경력을 통해 깨달은 점은 데이터 팀이 기본적으로 지원조직이란 점이다. 그 이유는 직접 뭔가 매출을 내거나 사용자와 직접 마주치는 팀이 아닌 다른 팀들이 각자 맡은 역할을 잘 할 수 있게 도와주는 팀이기 때문이다. 물론 데이터로 돈을 버는 회사라면 다른 이야기다. 하지만 대부분의 회사는 본업이 있고 그 본업을 잘 하기 위해서 데이터를 활용하는 형태가 된다. 즉 데이터가 새로운 석유라고 하지만 실제 회사에서 일을 할 때는 데이터 팀에 스포트라이트가 가는 일은 많지 않다. 지원조직이기 때문이다. 그러면 데이터 팀의 미션은 무엇일까? Airbnb 데이터 팀의 미션으로부터 훔친 내 정의는 다음과 같다: "신뢰할 수 있는 데이터로 부가 가치를 만들어낸다" 부가 가치라고 했는데 데이터로 돈을 버는 곳이라면 "매출"이라고 대신해도 되겠지만 그게 아니라면 간접적으로 매출내는 걸 도와주게 된다는 거다. 그러면 어떤 부가 가치가 있을까? 다음 2가지가 있다. <ol ><li>데이터를 바탕으로 과학적인 의사결정을 할 수 있게 도와준다 (Decision Science). 보통 데이터 분석가가 이 일을 수행한다. 여기에는 Data Driven Decision과 Data Informed Decision 두 가지가 존재한다. </li><li>데이터를 바탕으로 사용자의 서비스 사용 경험을 개선한다 (Product Science). 보통 데이터 과학자가 이 일을 머신 러닝이란 형태로 수행한다. </li></ol> 1과 2가 가능하려면 데이터 엔지니어가 인프라를 만들어주어야 한다. 이게 바로 데이터 웨어하우스와 데이터 파이프라인인데 가장 간단한 형태의 데이터 인프라라고 볼 수 있다. 다음 포스팅에서는 데이터 인프라가 무엇인지 조금더 자세히 설명해보고 이어서 데이터 기반 의사결정과 데이터 기반 서비스 개선에 대해 차례로 알아볼 예정이다.

데이터 이야기 #1: 데이터팀의 미션은 무엇이고 어떻게 조직에 기여하는가

요즘은 복지의 일환으로 매년마다 건강검진을 제공하는 회사들이 많은 것 같습니다. 개인적으로는 최애 복지 중 하나인데, 1년이라는 적당한 주기에 나이가 들면서 달라지는 나의 몸 상태를 객관적인 숫자의 지표들로 확인할 수 있어서 일종의 경각심을 느끼게 하면서 앞으로의 관리 방향을 고민하게 해주어서 고맙게 느껴집니다. (체지방률과 근육량은 해마다 안 좋아지는…

알라미는 건강검진을 얼마나 자주할까 (feat. 광고 지표)

딜라이트룸에서는 스쿼드마다 일정 주기로 지표 미팅을 가집니다. 핵심 지표를 정의하고, 해당 지표의 추이를 확인하고, 지표를 개선하기 위한 실험 결과를 함께 살펴보기도 합니다. 지표 모니터링이 중요하긴 하지만, 그렇다고 지나치게 자주 들여다보는 건 효용 측면에서 그렇게 좋은 선택은 아닙니다. 어느 정도의 주기로, 어떤 구조로 지표를 쪼개서 살펴봐야 효율적인 모니터링을 할 수 있을까요? 알라미에서 광고 데이터분석을 담당하는 Livio가 지표 모니터링에 대한 인사이트를 정리한 글이 있어서 공유합니다.

딜라이트룸에서는 스쿼드마다 일정 주기로 지표 미팅을 가집니다. 핵심 지표를 정의하고, 해당 지표의 추이를 확인하고, 지표를 개선하기 위한 실험 결과를 함께 살펴보기도 합니다. 지표 모니터링이 중요하긴 하지만, 그렇다고 지나치게 자주 들여다보는 건 효용 측면에서 그렇게 좋은 선택은 아닙니다. 어느 정도의 주기로, 어떤 구조로 지표를 쪼개서 살펴봐야 효율적인 모니터링을 할 수 있을까요? 알라미에서 광고 데이터분석을 담당하는 Livio가 지표 모니터링에 대한 인사이트를 정리한 글이 있어서 공유합니다.

[알라미는 건강검진을 얼마나 자주할까]

“인간의 생존을 위협하고 있는 건  AI가 아니라 인간 자신이다!” 2034년 미래 예측부터 인간의 욕망까지 기술과 철학을 넘나드는 인공지능 특강

AI 트루스

🤔 AI는 우리에게 어떤 존재가 될 것인가? 고민해보신 적 있으신가요?

AI가 기술적으로 훌륭하고 우리에게 도움을 주는 것은 자명하지만,
앞으로 우리에게 어떤 존재가 될 것인지는 다른 개념으로 고민해봐야 한다고 생각해요.

<AI트루스: 두려움의 시대, 냉철하게 마주해야 할 가장 명확한 진실>

위 책에선 [AI는 인간에게 엄청난 이득만을 가져다 줄 것이다?]와 같은 너무 낙관적인 입장도 아니고, [AI는 인간의 역할을 모조리 빼앗을 것이다?]와 같은 너무 비관적인 입장도 아닙니다.
차분하게 AI가 우리에게 어떤 존재가 될 것인지에 대해 심도있는 고찰을 전합니다.

 * 개발자를 비롯한 소프트웨어 산업의 10년 후 미래
 * AI가 발전해온 기술적 과정의 이해
 * AI를 만들어온 인간의 목적과 욕망
 * AI로 인해 '코딩의 종말'이 도래할 것인가?
 * AI는 인간의 인식을 어떻게 변화시켰는가?
 * 인간과 AI는 상생이 가능한가?
 * 인공지능의 '극단적 효율성 추구'가 가져올 결과
 * 앞으로 단계별로 달라질 인간의 위치
 * AI의 '자기인식'과 자기목적

AI의 존재의의와 앞으로에 대해 이야기하니, 코딩을 몰라도 잘 읽히지만,
코딩을 아는 사람이라면 훨씬 더 재밌으니 개발자분들도 관심 가져보세요!

책에서 말하듯 인공지능의 영역은 넓어지고, 인간의 필요성은 점점 옅어질테니, 'AI를 활용하는 사람들 사이의 경쟁'을 대비하여 끊임없이 관심을 가지고 활용하려고 노력해야겠어요...!
노력도 노력이지만 AI 자체가 너무 재밌어서 행복하기만 하네요! (책에서 말하는 낙관론자인가..!)

저 역시 MBTI가 N이라서 (MBTI 맹신 중...),
이런 저런 주제들에 대해 끊임없이 상상하고 고민하길 좋아하는데,
이 책을 너무 재밌게 읽어 저자를 찾아봤어요!

저자인 임백준님은 삼성리서치 AI센터에서 조직을 이끌다가 현재는 디지털 컨텐츠 플랫폼을 창업하였는데요. 다른 재밌는 책도 많이 보이네요! 다른 책도 다음에 읽어볼게요!

* 도서를 제공해 주신 출판사 한빛미디어에 감사를 표합니다 🙏🏻
https://www.hanbit.co.kr/store/books/look.php?p_code=B4715598966

🤔 AI는 우리에게 어떤 존재가 될 것인가? 고민해보신 적 있으신가요? AI가 기술적으로 훌륭하고 우리에게 도움을 주는 것은 자명하지만,앞으로 우리에게 어떤 존재가 될 것인지는 다른 개념으로 고민해봐야 한다고 생각해요. &lt;AI트루스: 두려움의 시대, 냉철하게 마주해야 할 가장 명확한 진실&gt; 위 책에선 [AI는 인간에게 엄청난 이득만을 가져다 줄 것이다?]와 같은 너무 낙관적인 입장도 아니고, [AI는 인간의 역할을 모조리 빼앗을 것이다?]와 같은 너무 비관적인 입장도 아닙니다.차분하게 AI가 우리에게 어떤 존재가 될 것인지에 대해 심도있는 고찰을 전합니다. <ul ><li>개발자를 비롯한 소프트웨어 산업의 10년 후 미래</li><li>AI가 발전해온 기술적 과정의 이해</li><li>AI를 만들어온 인간의 목적과 욕망</li><li>AI로 인해 '코딩의 종말'이 도래할 것인가?</li><li>AI는 인간의 인식을 어떻게 변화시켰는가?</li><li>인간과 AI는 상생이 가능한가?</li><li>인공지능의 '극단적 효율성 추구'가 가져올 결과</li><li>앞으로 단계별로 달라질 인간의 위치 </li><li>AI의 '자기인식'과 자기목적</li></ul> AI의 존재의의와 앞으로에 대해 이야기하니, 코딩을 몰라도 잘 읽히지만, 코딩을 아는 사람이라면 훨씬 더 재밌으니 개발자분들도 관심 가져보세요! 책에서 말하듯 인공지능의 영역은 넓어지고, 인간의 필요성은 점점 옅어질테니, 'AI를 활용하는 사람들 사이의 경쟁'을 대비하여 끊임없이 관심을 가지고 활용하려고 노력해야겠어요...! 노력도 노력이지만 AI 자체가 너무 재밌어서 행복하기만 하네요! (책에서 말하는 낙관론자인가..!) 저 역시 MBTI가 N이라서 (MBTI 맹신 중...), 이런 저런 주제들에 대해 끊임없이 상상하고 고민하길 좋아하는데, 이 책을 너무 재밌게 읽어 저자를 찾아봤어요! 저자인 임백준님은 삼성리서치 AI센터에서 조직을 이끌다가 현재는 디지털 컨텐츠 플랫폼을 창업하였는데요. 다른 재밌는 책도 많이 보이네요! 다른 책도 다음에 읽어볼게요! * 도서를 제공해 주신 출판사 한빛미디어에 감사를 표합니다 🙏🏻https://www.hanbit.co.kr/store/books/look.php?p_code=B4715598966

www.hanbit.co.kr

[AI에 관심이 많다면 꼭 읽어야 할 책] AI 트루스

A collection of (mostly) technical things every software developer should know about - mtdvio/every-programmer-should-know

GitHub - mtdvio/every-programmer-should-know: A collection of (mostly) technical things every software developer should know about

개발자라면 찜 해놔야하는 GitHub 저장소들

모든 프로그래머가 알아야하는 지식 모음
https://github.com/mtdvio/every-programmer-should-know
JS 프로젝트 50일동안 50개만들기
https://github.com/bradtraversy/50projects50days

모오던 웹개발
https://github.com/dexteryy/spellbook-of-modern-webdev

30초면 배울 수 있는 코드 스니핏들
https://github.com/Chalarangelo/30-seconds-of-code

개발 면접 핸드북
https://github.com/yangshun/tech-interview-handbook

개발자라면 찜 해놔야하는 GitHub 저장소들 모든 프로그래머가 알아야하는 지식 모음https://github.com/mtdvio/every-programmer-should-knowJS 프로젝트 50일동안 50개만들기https://github.com/bradtraversy/50projects50days 모오던 웹개발https://github.com/dexteryy/spellbook-of-modern-webdev 30초면 배울 수 있는 코드 스니핏들https://github.com/Chalarangelo/30-seconds-of-code 개발 면접 핸드북https://github.com/yangshun/tech-interview-handbook

GitHub

개발자라면 찜 해놔야하는 GitHub 저장소들

모든 프로그래머가

SQL을 처음부터 제대로 공부하고 싶지만, 어떻게 공부해야 할지 망설이고 있나요?

아래의 SQL 마인드맵으로 초보 단계부터 고급 단계까지 차근차근 공부해봐요.

 1. 초보 단계 (Basic)
    * SELECT
    * FROM
    * WHERE
    * ORDER BY
    * AGGREGATE
    * GROUP BY
    * LIMIT
 2. 중급 단계 (Intermediate)
    * LEFT JOIN
    * INNER JOIN
    * LIKE
    * IN
    * CASE WHEN
    * HAVING
    * UNION ALL
 3. 고급 단계 (Advanced)
    * SUBQUERY
    * CTE (WITH)
    * STORED PRECEDURE
    * TRIGGER
    * WINDOW FUNCTION
 4. 연습 단계 (Practice)
    * BASIC SQL PROJECT (SQL 기초 프로젝트)
    * INTERMEDIATE SQL PROJECT(SQL 중급 프로젝트)
    * ADVANCED SQL PROJECT(SQL 고급 프로젝트)

#데이터리차드 #SQL #로드맵

SQL을 처음부터 제대로 공부하고 싶지만, 어떻게 공부해야 할지 망설이고 있나요? 아래의 SQL 마인드맵으로 초보 단계부터 고급 단계까지 차근차근 공부해봐요. <ol ><li>초보 단계 (Basic)<ul ><li>SELECT</li><li>FROM</li><li>WHERE</li><li>ORDER BY</li><li>AGGREGATE</li><li>GROUP BY</li><li>LIMIT</li></ul></li><li>중급 단계 (Intermediate)<ul ><li>LEFT JOIN</li><li>INNER JOIN</li><li>LIKE</li><li>IN</li><li>CASE WHEN</li><li>HAVING</li><li>UNION ALL</li></ul></li><li>고급 단계 (Advanced)<ul ><li>SUBQUERY</li><li>CTE (WITH)</li><li>STORED PRECEDURE</li><li>TRIGGER</li><li>WINDOW FUNCTION</li></ul></li><li>연습 단계 (Practice)<ul ><li>BASIC SQL PROJECT (SQL 기초 프로젝트)</li><li>INTERMEDIATE SQL PROJECT(SQL 중급 프로젝트)</li><li>ADVANCED SQL PROJECT(SQL 고급 프로젝트)</li></ul></li></ol> #데이터리차드 #SQL #로드맵

SQL 학습 로드맵

YouTube에서 마음에 드는 동영상과 음악을 감상하고, 직접 만든 콘텐츠를 업로드하여 친구, 가족뿐 아니라 전 세계 사람들과 콘텐츠를 공유할 수 있습니다.

 - YouTube

AutoParams 덕분에 3년 이상을 Spring Boot 앱 개발에 TDD를 덜 힘들게 적용했습니다. 누군가에게 조금이라도 더 도움이 되길 바라며 올해 스프링 캠프에서 AutoParams의 목적과 아키텍처, 사용법을 설명하는 자리를 가졌습니다.

AutoParams 덕분에 3년 이상을 Spring Boot 앱 개발에 TDD를 덜 힘들게 적용했습니다. 누군가에게 조금이라도 더 도움이 되길 바라며 올해 스프링 캠프에서 AutoParams의 목적과 아키텍처, 사용법을 설명하는 자리를 가졌습니다.

youtu.be

AutoParams를 사용한 Spring Boot 응용프로그램 테

1. 찰스 다윈은 하루에 90분씩 3번 일했고, 나머지 시간에는 긴 산책을 하거나 낮잠을 자거나 상념에 잠겼다. (그러면서도 그는 <종의 기원>을 포함해 19권의 책을 집필했다)

2. 엄청난 다작가이자 사상가로 알려진 앙리 푸앵카레는 오전 10시부터 정오까지 첫 번째 작업을 한 뒤, 오후 5시부터 7시까지 두 번째 작업을 했다. (그는 하루 4시간만 일했다)

3. 마찬가지로, 수학자 고드프리 해럴드 하디는 ‘의식적 작업은 하루 4시간이 최대치’이며, 나머지 시간을 너무 많은 바쁜 일로 채우면 오히려 비생산적이라고 믿었다.

4. 다윈, 푸앵카레, 하디는 모든 같은 이야기를 하고 있다. 제대로 초점을 맞추고, 진짜 집중력을 (제대로) 발휘하면, 그리고 양질의 휴식으로 집중하는 시간을 잘 뒷받침하면, 위대한 성취를 이루는 데 필요한 시간은 하루 4시간이면 충분하다고. 이는 바쁨을 추구하는 우리의 문화와 정면으로 충돌하는 발상이다.

5. 위대함을 낳는 ‘1만 시간의 법칙’은 앤더스 에릭슨과 동료들의 공동 연구로 탄생한 이래로, 말콤 글래드웰이 책 <아웃라이어>에 소개하며 대중의 큰 주목을 받았다. 말콤 글래드웰은 1만 시간의 법칙을 소개하며 ‘어떤 분야에서든 전문가 수준에 도달하려면 1만 시간의 의도적 연습이 필요하다’고 주장했다.

6. 그리고 이는 바쁨과 스트레스와 과로를 미덕으로 여기는 세상에서 큰 환영을 받았고, 아직도 많은 사람들이 이 법칙을 마치 교리처럼 신봉한다.

7. 그런데 에릭슨의 실제 연구에는 ‘매일 의도적 연습이 효과적인 수준을 넘지 않도록 제한해야 한다’는 내용도 담겨 있으며, 연구에서는 ‘하루에 투입해야 할 이상적인 시간은 4시간’이라고도 제안한다.

8. 이 연구에서 더 흥미로운 부분은 ‘정상급 연주자와 평균적 연주자는 쉬는 방식부터 다르다’는 점이다. 정상급 연주자는 평균적 연주자들에 비해 더 체계적이고 계획적으로 여가 시간을 보냈다.

9. 정상급 연주자들은 연습만 의도적으로 하는 게 아니라, 휴식도 의도적으로 취했다. 그들은 평균적 연주자보다 1시간 가량 더 잠을 찾다. (탁월한 퍼포먼스 = 의식적 연습+의식적 휴식)

10. 흔히 휴식을 일의 반대라고 생각하지만, 일과 휴식의 엄격한 분리는 현대의 그릇된 통념이다. 오랫동안 사람들은 쉴 때 뇌의 활동력이 떨어진다고 생각했다. 하지만 날로 발전하는 뇌 영상 기술에 힘입어 뇌과학자들은 ‘쉬는 동안에도 뇌의 전반적인 활동량이 감소하지 않는다’는 것을 발견했다.

11. 활동성은 단지 뇌의 다른 영역으로 옮겨갔다. 그리고 연구자들은 쉬는 동안 활성화되는 뇌의 영역을 ‘디폴트 모드 네트워크(DMN)’라고 칭하게 되었다.

12. 그리고 추가 연구를 통해, 디폴트 모드 네트워크는 고도로 활동적일 뿐 아니라, 정신 건강과 정서에 있어 굉장히 중요하다는 점이 발견됐다.

13. 특히 창의적이고 혁신적인 유형의 일을 할 땐 일하는 시간만큼, 휴식과 긴장 풀기가 필요하다. 디폴트 모드 네트워크가 활성화되면, 우리의 직관이 주도권을 가지고, 창의성은 멀리 있는 요소와 연관점을 찾기 시작한다.

14. 산책을 하거나 샤워 도중에 강력한 생각이나 통찰이 떠올렸다면, 디폴트 모드 네트워크에 감사해야 한다.

15. 그러나 당신이 휴식 때 텔레비전 앞에서 멍하게 있거나 유튜브에서 고양이 동영상을 본다면 디폴트 모드 네트워크가 활성화되는 데는 차질이 생긴다. (TV를 보거나 동영상을 보는 건 좋은 휴식 방법은 아니라는 얘기다)

16. (게다가) 창의적인 사람의 뇌는 디폴트 모드 네트워크가 더 강력하게 개발되어 휴식 시간에도 더 효과적으로 일을 한다는 연구 결과도 있다.

17. (고로 올바른 방식으로) 더 많은 시간을 휴식에 쓰면, 창의력과 행복감이 증진될 뿐 아니라, 일하는 시간의 능률마저 올라간다.

18. (그러니 숏폼 중독 등 주의력을 탕진해 일에 부정적인 영향을 미치는 휴식이 아니라, 자신에게 맞는 올바른 휴식법을 찾아라. 그러면 일의 능률을 올라갈 수밖에 없다)

- 존 피치 외, <이토록 멋진 휴식> 중

1. 찰스 다윈은 하루에 90분씩 3번 일했고, 나머지 시간에는 긴 산책을 하거나 낮잠을 자거나 상념에 잠겼다. (그러면서도 그는 &lt;종의 기원&gt;을 포함해 19권의 책을 집필했다) 2. 엄청난 다작가이자 사상가로 알려진 앙리 푸앵카레는 오전 10시부터 정오까지 첫 번째 작업을 한 뒤, 오후 5시부터 7시까지 두 번째 작업을 했다. (그는 하루 4시간만 일했다) 3. 마찬가지로, 수학자 고드프리 해럴드 하디는 ‘의식적 작업은 하루 4시간이 최대치’이며, 나머지 시간을 너무 많은 바쁜 일로 채우면 오히려 비생산적이라고 믿었다. 4. 다윈, 푸앵카레, 하디는 모든 같은 이야기를 하고 있다. 제대로 초점을 맞추고, 진짜 집중력을 (제대로) 발휘하면, 그리고 양질의 휴식으로 집중하는 시간을 잘 뒷받침하면, 위대한 성취를 이루는 데 필요한 시간은 하루 4시간이면 충분하다고. 이는 바쁨을 추구하는 우리의 문화와 정면으로 충돌하는 발상이다. 5. 위대함을 낳는 ‘1만 시간의 법칙’은 앤더스 에릭슨과 동료들의 공동 연구로 탄생한 이래로, 말콤 글래드웰이 책 &lt;아웃라이어&gt;에 소개하며 대중의 큰 주목을 받았다. 말콤 글래드웰은 1만 시간의 법칙을 소개하며 ‘어떤 분야에서든 전문가 수준에 도달하려면 1만 시간의 의도적 연습이 필요하다’고 주장했다. 6. 그리고 이는 바쁨과 스트레스와 과로를 미덕으로 여기는 세상에서 큰 환영을 받았고, 아직도 많은 사람들이 이 법칙을 마치 교리처럼 신봉한다. 7. 그런데 에릭슨의 실제 연구에는 ‘매일 의도적 연습이 효과적인 수준을 넘지 않도록 제한해야 한다’는 내용도 담겨 있으며, 연구에서는 ‘하루에 투입해야 할 이상적인 시간은 4시간’이라고도 제안한다. 8. 이 연구에서 더 흥미로운 부분은 ‘정상급 연주자와 평균적 연주자는 쉬는 방식부터 다르다’는 점이다. 정상급 연주자는 평균적 연주자들에 비해 더 체계적이고 계획적으로 여가 시간을 보냈다. 9. 정상급 연주자들은 연습만 의도적으로 하는 게 아니라, 휴식도 의도적으로 취했다. 그들은 평균적 연주자보다 1시간 가량 더 잠을 찾다. (탁월한 퍼포먼스 = 의식적 연습+의식적 휴식) 10. 흔히 휴식을 일의 반대라고 생각하지만, 일과 휴식의 엄격한 분리는 현대의 그릇된 통념이다. 오랫동안 사람들은 쉴 때 뇌의 활동력이 떨어진다고 생각했다. 하지만 날로 발전하는 뇌 영상 기술에 힘입어 뇌과학자들은 ‘쉬는 동안에도 뇌의 전반적인 활동량이 감소하지 않는다’는 것을 발견했다. 11. 활동성은 단지 뇌의 다른 영역으로 옮겨갔다. 그리고 연구자들은 쉬는 동안 활성화되는 뇌의 영역을 ‘디폴트 모드 네트워크(DMN)’라고 칭하게 되었다. 12. 그리고 추가 연구를 통해, 디폴트 모드 네트워크는 고도로 활동적일 뿐 아니라, 정신 건강과 정서에 있어 굉장히 중요하다는 점이 발견됐다. 13. 특히 창의적이고 혁신적인 유형의 일을 할 땐 일하는 시간만큼, 휴식과 긴장 풀기가 필요하다. 디폴트 모드 네트워크가 활성화되면, 우리의 직관이 주도권을 가지고, 창의성은 멀리 있는 요소와 연관점을 찾기 시작한다. 14. 산책을 하거나 샤워 도중에 강력한 생각이나 통찰이 떠올렸다면, 디폴트 모드 네트워크에 감사해야 한다. 15. 그러나 당신이 휴식 때 텔레비전 앞에서 멍하게 있거나 유튜브에서 고양이 동영상을 본다면 디폴트 모드 네트워크가 활성화되는 데는 차질이 생긴다. (TV를 보거나 동영상을 보는 건 좋은 휴식 방법은 아니라는 얘기다) 16. (게다가) 창의적인 사람의 뇌는 디폴트 모드 네트워크가 더 강력하게 개발되어 휴식 시간에도 더 효과적으로 일을 한다는 연구 결과도 있다. 17. (고로 올바른 방식으로) 더 많은 시간을 휴식에 쓰면, 창의력과 행복감이 증진될 뿐 아니라, 일하는 시간의 능률마저 올라간다. 18. (그러니 숏폼 중독 등 주의력을 탕진해 일에 부정적인 영향을 미치는 휴식이 아니라, 자신에게 맞는 올바른 휴식법을 찾아라. 그러면 일의 능률을 올라갈 수밖에 없다) - 존 피치 외, &lt;이토록 멋진 휴식&gt; 중

일을 못하는 사람들은 대부분 잘 쉬지도 못해요ㅠ

회사의 대표 옆에서 일해볼 수 있다는 점인 것 같아요.

가까이 있으면 그 사람의 사고방식을 배울 수 있어요. 회사를 세울 정도의 사람이라면 분명 배울 점이 있어요.

제가 만난 분들은 관점이 남달랐어요. 시장을 보는 관점, 제품을 대하는 관점에서 정말 많이 배울 수 있었죠. 개발자로서 조금 더 큰 그림을 볼 수 있는 기회가 되었어요.

누군가는 불편한 일이라고 할지도 몰라요. 하지만 조금 불편한 그 순간에 우리는 성장할 수 있다고 믿어요.

회사의 대표 옆에서 일해볼 수 있다는 점인 것 같아요. 가까이 있으면 그 사람의 사고방식을 배울 수 있어요. 회사를 세울 정도의 사람이라면 분명 배울 점이 있어요. 제가 만난 분들은 관점이 남달랐어요. 시장을 보는 관점, 제품을 대하는 관점에서 정말 많이 배울 수 있었죠. 개발자로서 조금 더 큰 그림을 볼 수 있는 기회가 되었어요. 누군가는 불편한 일이라고 할지도 몰라요. 하지만 조금 불편한 그 순간에 우리는 성장할 수 있다고 믿어요.

작은 회사에 일하면 좋은 점

Elastic announces the return of open source licensing for Elasticsearch and Kibana, adding AGPL as an option alongside existing licenses. This change reinforces our long-standing commitment to open so...

Elasticsearch is Open Source, Again

https://www.elastic.co/kr/blog/elasticsearch-is-open-source-again

AWS와의 갈등으로 3년전 Apache 라이센스를 버리고 SSPL 라이센스를 도입하면서 오픈소스가 아니게 되었다가 이번에 다시 AGPL 라이센스를 도입해서 오픈소스가 되었습니다.

오픈소스는 오픈소스 이니셔티브에서 사용 권한을 가지고 있어서 오픈소스 이니셔티브에서 인정한 라이센스가 아니라면 오픈소스라는 말을 사용할 수 없습니다. 오픈소스 이기는 하지만 엘라스틱 같은 회사는 클라우드 사업을 하기 때문에 AWS같은 클라우드 업체에서 elasticsearch를 서비스로 내놓으면서 갈등이 생기고 결국 오픈소스 라이센스를 버리고 클라우드 업체가 elasticsearch를 사용할 수 없게하는 SSPL을 도입해서 이를 막았습니다.

그동안의 과정이 고통스럽긴 했지만 3년이 지난 지금 AWS와의 파트너쉽이 견고해졌고 AWS도 OpenSearch에 충분한 투자를 했기 때문에 다시 오픈소스로 돌아와도 되겠다고 생각하고 AGPL을 도입하기로 했다고 합니다.

엘리스틱은 이렇게 얘기하고 사람들의 의견은 다양하게 있는거 같습니다. 엘라스틱의 의도를 그대로 믿을 수도 있고 오픈소스를 버린게 결과적으로 안좋았다고 판단했기에 번복했다는 얘기도 있습니다.

오픈소스였다가 아니었다가 혼란스럽고 앞으로 그러면 OpenSearch는 어떻게 되는건지 궁금하기도 하지만 앞으로 시장이 어떻게 흘러갈지 봐야될 것 같습니다.

https://www.elastic.co/kr/blog/elasticsearch-is-open-source-again AWS와의 갈등으로 3년전 Apache 라이센스를 버리고 SSPL 라이센스를 도입하면서 오픈소스가 아니게 되었다가 이번에 다시 AGPL 라이센스를 도입해서 오픈소스가 되었습니다. 오픈소스는 오픈소스 이니셔티브에서 사용 권한을 가지고 있어서 오픈소스 이니셔티브에서 인정한 라이센스가 아니라면 오픈소스라는 말을 사용할 수 없습니다. 오픈소스 이기는 하지만 엘라스틱 같은 회사는 클라우드 사업을 하기 때문에 AWS같은 클라우드 업체에서 elasticsearch를 서비스로 내놓으면서 갈등이 생기고 결국 오픈소스 라이센스를 버리고 클라우드 업체가 elasticsearch를 사용할 수 없게하는 SSPL을 도입해서 이를 막았습니다. 그동안의 과정이 고통스럽긴 했지만 3년이 지난 지금 AWS와의 파트너쉽이 견고해졌고 AWS도 OpenSearch에 충분한 투자를 했기 때문에 다시 오픈소스로 돌아와도 되겠다고 생각하고 AGPL을 도입하기로 했다고 합니다. 엘리스틱은 이렇게 얘기하고 사람들의 의견은 다양하게 있는거 같습니다. 엘라스틱의 의도를 그대로 믿을 수도 있고 오픈소스를 버린게 결과적으로 안좋았다고 판단했기에 번복했다는 얘기도 있습니다. 오픈소스였다가 아니었다가 혼란스럽고 앞으로 그러면 OpenSearch는 어떻게 되는건지 궁금하기도 하지만 앞으로 시장이 어떻게 흘러갈지 봐야될 것 같습니다.

Elastic Blog

https://www.elastic.co/kr/blog/elast

국내 개발자로서 자부심을 불어넣는 오픈소스 생태계가 있습니다. 바로 토스(Toss)가 주도하는 오픈소스 생태계 인데요.

es-hangul
이라고 하는 한글을 다루기 위한 라이브러리는 이미 1,000개가 넘는 GitHub 스타를 획득했습니다. 또한
lodash
보다 2배 더 빠른 유틸리티 라이브러리인
es-toolkit
은 이미 6,100개의 스타를 받고 국내를 넘어 세계적으로 많은 개발자들의 관심을 받고 있는데요. 이번 토스 모닥불 EP.4 영상에서는 토스에서 오픈소스 생태계를 운영하는 개발자들의 이야기를 만나볼 수 있습니다.

특히나 주목할 만한 점은, 패널로 참여한 토스의 오픈소스
suspensive
를 운영하고 계시는 분인데요. 이 개발자분은 요즘은 필수로 사용되고 있는
TanstackQuery
의 최상위 기여자입니다.
Jotai
외에도 토스 오픈소스에도 적극적으로 기여를하고 결국에는 토스에 합류하신게 참 대단하게 느껴지네요.

또한 오픈소스 생태계 구축을 통해 기술 커뮤니티에 긍정적인 영향을 미치고자 하는 토스의 노력도 대단한것 같습니다. 한국 개발 생태계의 경쟁력을 높이고, 개발자들에게 새로운 도전과 성장의 기회를 제공하는데 있어서, 토스의 이러한 행보를 응원합니다.

https://www.youtube.com/watch?v=SdBL-p597Dw

국내 개발자로서 자부심을 불어넣는 오픈소스 생태계가 있습니다. 바로 토스(Toss)가 주도하는 오픈소스 생태계 인데요. <code >es-hangul</code>이라고 하는 한글을 다루기 위한 라이브러리는 이미 1,000개가 넘는 GitHub 스타를 획득했습니다. 또한 <code >lodash</code>보다 2배 더 빠른 유틸리티 라이브러리인 <code >es-toolkit</code>은 이미 6,100개의 스타를 받고 국내를 넘어 세계적으로 많은 개발자들의 관심을 받고 있는데요. 이번 토스 모닥불 EP.4 영상에서는 토스에서 오픈소스 생태계를 운영하는 개발자들의 이야기를 만나볼 수 있습니다. 특히나 주목할 만한 점은, 패널로 참여한 토스의 오픈소스 <code >suspensive</code> 를 운영하고 계시는 분인데요. 이 개발자분은 요즘은 필수로 사용되고 있는 <code >TanstackQuery</code> 의 최상위 기여자입니다. <code >Jotai</code> 외에도 토스 오픈소스에도 적극적으로 기여를하고 결국에는 토스에 합류하신게 참 대단하게 느껴지네요. 또한 오픈소스 생태계 구축을 통해 기술 커뮤니티에 긍정적인 영향을 미치고자 하는 토스의 노력도 대단한것 같습니다. 한국 개발 생태계의 경쟁력을 높이고, 개발자들에게 새로운 도전과 성장의 기회를 제공하는데 있어서, 토스의 이러한 행보를 응원합니다. https://www.youtube.com/watch?v=SdBL-p597Dw

www.youtube.com

토스의 오픈소스 생태계: 한국을 넘어 글로벌로

최고의 자동완성 플러그인 타입스크립트를 사용하여 개발자를 속이고 코드를 최적화한 경험을 공유합니다.

타입스크립트스럽게 성능과 생산성 두 마리 토끼 모두 잡기

이름만 보고 프론트엔드인줄 알았는데요. 살펴보니 백엔드였습니다!

2021년 1월에 출시한 쿠키런:킹덤에 운영 도구는 어마어마하군요!

https://tech.devsisters.com/posts/typescript-ish-way-to-improve-performance/

이름만 보고 프론트엔드인줄 알았는데요. 살펴보니 백엔드였습니다! 2021년 1월에 출시한 쿠키런:킹덤에 운영 도구는 어마어마하군요! https://tech.devsisters.com/posts/typescript-ish-way-to-improve-performance/

DevTech - 데브시스터즈 기술블로그

TypeScript하면 프론트만?!

Vite는 기존 자바스크립트 번들러의 만성적인 성능 문제를 해결하고 개발자 경험을 향상시키기 위해서 등장한 차세대 번들러입니다. 브라우저에서 지원하는 ESM(ES Modules)를 적극적으로 활용하고, 자바스크립트 대신에 컴파일 언어인 Go로 작성된 현대적인 자바스크립트 개발 도구이죠.

Vite은 예전부터 널리 사용되던 번들러인 Webpack보다 설정이 훨씬 쉽고 간단하며, 설정이 필요 없기로 유명하던 번들러인 Parcel보다도 훨씬 빠릅니다. 이로 인해서 기존 번들러보다 뛰어난 개발자 경험을 제공하여 많은 개발자로부터 사랑을 받고 있는 번들러입니다.

2023년 Sate of JavaScript 설문 결과를 보시면 빌드 도구 부분에서 Vite(73%)가 Parcel(30%)을 아득히 넘고 Webpack(90%)에 이어서 사용률 2위를 기록하고 있습니다. 2021년에 20% 사용률로 처음 그래프에 등장했는데 무서운 성장세가 아닐 수 없습니다.

더욱 고무적인 부분은 바로 Vite를 써본 응답자들의 만족도입니다. 88%로 압도적인 1위를 차지하고 있으며, Webpack의 만족도는 45%까지 곤두박질 친 것을 볼 수 있습니다.

참고로 많은 분들이 영문 철자만 보시고 Vite를 “바이트”라고 발음해야 하는 걸로 오해하시는데요. 사실 Vite라는 이름은 “빠름”을 의미하는 프랑스어에서 유래되었고 그래서 정확한 발음은 “비트”라고 합니다. 한국 개발자들 사이에서는 우스갯 소리로 빛처럼 빠르다고 “빛”이라고도 많이 부르는 것 같습니다. 😄

이번 포스팅에서는 Vite를 처음 사용하시는 분들의 위해서 Vite를 시작하는 방법을 안내해드리겠습니다.

📝 포스팅: https://www.daleseo.com/vite/

Vite는 기존 자바스크립트 번들러의 만성적인 성능 문제를 해결하고 개발자 경험을 향상시키기 위해서 등장한 차세대 번들러입니다. 브라우저에서 지원하는 ESM(ES Modules)를 적극적으로 활용하고, 자바스크립트 대신에 컴파일 언어인 Go로 작성된 현대적인 자바스크립트 개발 도구이죠. Vite은 예전부터 널리 사용되던 번들러인 Webpack보다 설정이 훨씬 쉽고 간단하며, 설정이 필요 없기로 유명하던 번들러인 Parcel보다도 훨씬 빠릅니다. 이로 인해서 기존 번들러보다 뛰어난 개발자 경험을 제공하여 많은 개발자로부터 사랑을 받고 있는 번들러입니다. 2023년 Sate of JavaScript 설문 결과를 보시면 빌드 도구 부분에서 Vite(73%)가 Parcel(30%)을 아득히 넘고 Webpack(90%)에 이어서 사용률 2위를 기록하고 있습니다. 2021년에 20% 사용률로 처음 그래프에 등장했는데 무서운 성장세가 아닐 수 없습니다. 더욱 고무적인 부분은 바로 Vite를 써본 응답자들의 만족도입니다. 88%로 압도적인 1위를 차지하고 있으며, Webpack의 만족도는 45%까지 곤두박질 친 것을 볼 수 있습니다. 참고로 많은 분들이 영문 철자만 보시고 Vite를 “바이트”라고 발음해야 하는 걸로 오해하시는데요. 사실 Vite라는 이름은 “빠름”을 의미하는 프랑스어에서 유래되었고 그래서 정확한 발음은 “비트”라고 합니다. 한국 개발자들 사이에서는 우스갯 소리로 빛처럼 빠르다고 “빛”이라고도 많이 부르는 것 같습니다. 😄 이번 포스팅에서는 Vite를 처음 사용하시는 분들의 위해서 Vite를 시작하는 방법을 안내해드리겠습니다. 📝 포스팅: https://www.daleseo.com/vite/

Vite 처음 시작하기

원문 : Good Refactoring vs Bad Refactoring thumbnail…

(번역) 좋은 리팩터링 vs 나쁜 리팩터링

오늘 소개해드릴 글은 42dot의 유경상님이 번역해주신 글입니다.

많은 개발자들이 리팩터링의 중요성을 알고 리팩터링을 하지만, 적절하지 않은 리팩터링으로 오히려 코드 베이스에 악영향을 준다는 것을 간과하는 경우가 많습니다. 이 글에서는 저자가 지금까지 겪어온 경험을 기반으로 어떤 리팩터링이 잘못된 리팩터링이고, 어떤 식으로 리팩터링하는 것이 바람직한지에 대해 구체적인 코드 예시와 함께 설명합니다. 이에 더해서 올바른 리팩터링 방법과 더 나은 리팩터링을 위한 도구도 함께 소개하고 있습니다. 이 글을 통해 현재 적절한 리팩터링을 하고 있는지 점검해 보시는 기회가 되시면 좋을 것 같습니다 :)

> 글 링크 : https://ykss.netlify.app/translation/good_refactoring_vs_bad_refactoring/

오늘 소개해드릴 글은 42dot의 유경상님이 번역해주신 글입니다. 많은 개발자들이 리팩터링의 중요성을 알고 리팩터링을 하지만, 적절하지 않은 리팩터링으로 오히려 코드 베이스에 악영향을 준다는 것을 간과하는 경우가 많습니다. 이 글에서는 저자가 지금까지 겪어온 경험을 기반으로 어떤 리팩터링이 잘못된 리팩터링이고, 어떤 식으로 리팩터링하는 것이 바람직한지에 대해 구체적인 코드 예시와 함께 설명합니다. 이에 더해서 올바른 리팩터링 방법과 더 나은 리팩터링을 위한 도구도 함께 소개하고 있습니다. 이 글을 통해 현재 적절한 리팩터링을 하고 있는지 점검해 보시는 기회가 되시면 좋을 것 같습니다 :) &gt; 글 링크 : https://ykss.netlify.app/translation/good_refactoring_vs_bad_refactoring/

ykss.netlify.app

좋은 리팩터링 vs 나쁜 리팩터링

(이 글은 제가 근무하고 있는 딜라이트룸 제품 블로그에도 동일하게 포스팅되었습니다.) 여러분의 DAU ...

알라미에서 DAU를 분석하는 방법

서비스 활동성 지표(DAU, MAU...)는 굉장히 중요하지만, 단순히 DAU 일별 트렌드를 본다고 해서 특별한 인사이트를 얻을 수 있는 건 아닙니다. 일별로 기록되는 DAU나 MAU는 여러 가지 요인들이 복합적으로 작용한 결과를 보여주는 전형적인 후행 지표이기 때문입니다. 현재 유저들의 사용 패턴을 깊이있게 분석하고 DAU를 높이기 위한 구체적인 아이디어를 검증하려면, 유저의 여러 상태값을 세세한 레벨로 쪼개서 살펴볼 수 있어야 합니다. Alarmy에서 어떤 프레임워크를 가지고 활동성 지표를 살펴보고 있는지 간단히 정리했습니다.

서비스 활동성 지표(DAU, MAU...)는 굉장히 중요하지만, 단순히 DAU 일별 트렌드를 본다고 해서 특별한 인사이트를 얻을 수 있는 건 아닙니다. 일별로 기록되는 DAU나 MAU는 여러 가지 요인들이 복합적으로 작용한 결과를 보여주는 전형적인 후행 지표이기 때문입니다. 현재 유저들의 사용 패턴을 깊이있게 분석하고 DAU를 높이기 위한 구체적인 아이디어를 검증하려면, 유저의 여러 상태값을 세세한 레벨로 쪼개서 살펴볼 수 있어야 합니다. Alarmy에서 어떤 프레임워크를 가지고 활동성 지표를 살펴보고 있는지 간단히 정리했습니다.

네이버 블로그 | 드래곤라퓨타 애니메이션 블로그

프로덕트 디자이너

김혜민

딜로이트 안진회계법인 백엔드 개발자

金慧珍

외국계 기업과 스타트업에서 마케팅을 해왔고 지금도 어딘가에서 마케팅을 하고 있습니다.

29CM 그로스기획 리드

서현직

외국계 기업과 스타트업에서 마케팅을 해왔고 지금도 어딘가에서 마케팅을 하고 있습니다.
#마케팅 #마케터 #스타트업 #끊임없이배우기 #독서 #그로스마케팅 #그로스마인드셋 #데이터분석 #브랜드마케팅 #브런치작가

[알라미에서 DAU를 분석하는 방법]

데이터 분석

• 데이터 분석환경 구축, 마트 모델링
• 실험 설계 및 결과 분석
• 핵심지표 정의 및 대시보드 관리

Data Lead

• 네이버 검색히스토리 서비스
• 네이버 지도 UI개편 
• 네이버 통합검색 UI전면개편
• 네이버 통합검색 사용자리서치 
• 네이버 모바일 통합검색 UI 및 모델링 개편
• 네이버 통합검색 추천검색어 영역 버킷테스트 

UX Researcher

• 서비스 핵심지표 관리 및 데이터 분석
• 크로스셀 활성화 전략수립 및 관련 기능개선
• 퍼포먼스, 컨텐츠, CRM 마케팅 관리

Growth Lead

• 이음 서비스 기획 및 운영 총괄
• 이음 서비스 어드민 & 지표 모니터링 시스템 구축
• 서비스 로직 및 매칭알고리즘 설계, 데이터분석 및 리포팅, 운영정책 셋업
• 모바일앱 / 웹 / 관리자 어드민 기획 및 UX화면설계

Product Lead

• T전화 서비스기획(검색, T114, 안심통화)
• 전화번호 DB 수집/관리 체계 구축, 관련 운영프로세스 및 관리툴 기획
• T연락처 서비스기획

Product Manager

인지과학/HCI

심리학

여행 스타트업 마이리얼트립의 Growth Lead로, 데이터 분석과 마케팅을 담당하고 있습니다. 데이터를 통해 서비스와 비즈니스가 마주한 문제를 해결하는 일에 관심이 많습니다. <그로스 해킹>이라는 책을 썼습니다.

양승화

그로스해킹 강의

개인 홈페이지

블로그

딜라이트룸 Data Lead입니다. 데이터를 통해 서비스와 비즈니스가 마주한 문제를 해결하는 일에 관심이 많습니다. <그로스 해킹>이라는 책을 썼습니다.

https://bit.ly/leoyang6

[알라미에서 DAU를 분석하는 방법]

댓글 0

비슷한 게시물

주간 인기 TOP 10

추천 프로필