닛신 식품의 'UFO 아키소바' 컵라면은1976년도 발매이후, 폭넓은 소비자층으로부터 사랑 받아온 일본 내 야키소바시장 매출 No.1을 자랑하는 롱셀러 베스트 컵라면이다.

작년 7월 세븐일레븐 한정으로 전국에서 발매가 되었던 새로운 'UFO 아키소바' 컵라면은 소셜미디어에서 핫한 관심을 받았다.

바로 'UFO 아키소바'의 패키지가 너무 비정상적이었기 때문이다.

'망한 디자인'으로 생각했던 패키지를 구체적으로 살펴보면 박수를 보내게 된다.
https://bit.ly/3FrN8R2

*스투시의 트레바리 북클럽 <마케터의 탐색법 시즌5> 함께해요!
https://trevar.in/EBSAD2

*협업/기업강연,교육 문의
https://linktr.ee/stussygo

닛신 식품의 'UFO 아키소바' 컵라면은1976년도 발매이후, 폭넓은 소비자층으로부터 사랑 받아온 일본 내 야키소바시장 매출 No.1을 자랑하는 롱셀러 베스트 컵라면이다. 작년 7월 세븐일레븐 한정으로 전국에서 발매가 되었던 새로운 'UFO 아키소바' 컵라면은 소셜미디어에서 핫한 관심을 받았다. 바로 'UFO 아키소바'의 패키지가 너무 비정상적이었기 때문이다. '망한 디자인'으로 생각했던 패키지를 구체적으로 살펴보면 박수를 보내게 된다.https://bit.ly/3FrN8R2 *스투시의 트레바리 북클럽 &lt;마케터의 탐색법 시즌5&gt; 함께해요!https://trevar.in/EBSAD2 *협업/기업강연,교육 문의 https://linktr.ee/stussygo

'망한 디자인'이었나 싶었는데..알고 보니 고도의 마케팅!

0. 들어가며
벌써 항해 플러스 AI 과정 8주차. 진짜 시간 순삭이다.
이번 주는 “모델을 더 빠르게, 더 가볍게, 더 싸게” 만드는 네 가지 키워드를 집중적으로 파봤다.
 1. FlashAttention – 긴 입력도 쌩으로 돌려서 속도 3배 뽑기
 2. Data Parallelism & DeepSpeed – GPU 여러 대를 네트워크로 엮어 학습 속도 뻥튀기
 3. Quantization – 파라미터를 16bit → 8bit로 눌러서 메모리 절약
 4. PEFT(LoRA) – 모델 전체 대신 저차 ΔW만 학습해서 비용↓ 성능↑
덕분에 “GPT‑급 모델을 노트북 한 대로 fine‑tuning 할 수 있을까?” 같은 로망이 좀 더 현실로 다가온 느낌이다.

1. FlashAttention 
Transformer Self‑Attention은 Q·K·V 행렬 계산 때문에 O(n²) 메모리/연산량이 터짐. FlashAttention은
 * Q/K/V를 block(예: 64×64) 단위로 잘라서
 * GPU SRAM에 올린 뒤, 블록별 softmax를 스트리밍 방식으로 계산
 * 결과를 다시 HBM으로 쓰는 방식으로
HBM 왕복을 최소화해. 실제로 4K 토큰 → 16K 토큰으로 늘려도 VRAM 사용량이 거의 평평했고, wandb 로그 보니까 throughput 3.2× 찍혔다.
model = AutoModelForCausalLM.from_pretrained(
    "NousResearch/Llama-2-7b-hf",
    torch_dtype=torch.bfloat16,
    use_flash_attention_2=True,
)

한 줄이면 끝. 덕분에 긴 문장 요약 태스크에서 latency가 1/3로 줄어서 진짜 체감됨.

2. Data Parallelism & DeepSpeed 
 * DDP(Distributed Data Parallel) : 파라미터 복사 → 데이터 나눠서 각 GPU가 gradient 계산
 * DeepSpeed Stage 3 : 파라미터·gradient·optimizer state까지 3‑way 샤딩으로 VRAM 반 토막
deepspeed --num_gpus 2 train.py \
   --deepspeed ds_config_stage3.json

Stage 3 offload 옵션 켜면 optimizer state가 CPU RAM으로 넘어가는데, NVMe offload까지 물리면 장시간 학습도 무난. 단점은 통신 병목인데,
fp16/bp16
모드와 gradient accumulation으로 어느 정도 해결.

3. Quantization
FP16 → INT8 양자화는 두 가지 맛으로 실험:
 1. Post‑Training Quantization(PTQ) : 학습 끝난 모델을 직접 양자화.
    bitsandbytes
    bnb.nn.Linear8bitLt
    사용.
 2. Quant‑Aware Training(QAT) : 학습 중에 fake quant op 삽입해서 분포 적응.
from transformers import BitsAndBytesConfig

model = AutoModelForCausalLM.from_pretrained(
    model_id,
    quantization_config=BitsAndBytesConfig(load_in_8bit=True)
)

실습 과제는 “채팅봇 엔진을 모바일에 올려라”였는데, 양자화 덕분에 APK 크기 90 → 54 MB로 줄여서 통과했다.

4. PEFT – LoRA
모델 전체를 미세조정하려면 파라미터·VRAM·시간이 다 터진다. LoRA는 weight ΔW를 두 저차 행렬 A( n×r )·B( r×m )로 분해해서 r(n+m)개만 학습한다는 아이디어.
 * r=8
   ,
   α=32
   , dropout 0.1 설정
 * target modules: 모든
   nn.Linear
   (단,
   lm_head
   제외)
from peft import LoraConfig, get_peft_model

peft_cfg = LoraConfig(task_type="CAUSAL_LM", r=8, lora_alpha=32,
                      lora_dropout=0.1, target_modules=target_modules)
model = get_peft_model(base_model, peft_cfg)

결과:
 * 학습 VRAM 15.3 GB → 4.2 GB
 * 학습 속도 1.8× 상승
 * BLEU 점수는 full fine‑tune 대비 −0.4 만 손해. 충분히 trade‑off 수준.

5. 실습 & 프로젝트 기록 
실습 태스크핵심 지표BeforeAfter긴 문서 요약(FlashAttn)latency (tok/s)329913B 모델 학습(DS Stage3)max batch14모바일 챗봇 추론(PTQ)모델 크기6.2 GB3.7 GB삼행시 챗봇 PEFT배포 파일13 GB ckpt20 MB adapter

6. 느낀 점
이번 주는 “스케일링”에 대한 감각을 제대로 익힌 주차였다. “모델은 클수록 좋다”라는 말이 실제론 리소스·시간·돈과의 싸움이라는 걸 몸소 체험했고, 그 싸움을 이기는 무기가 바로 FlashAttention, DeepSpeed, Quantization, PEFT 같은 최적화 스킬이라는 걸 깨달음.
특히 FlashAttention 한 줄 옵션이 이렇게 성능을 바꿔놓을 줄 몰랐다. 앞으로 실서비스나 해커톤에서도 “먼저 켜보고 시작” 해야 할 기본 옵션으로 자리 잡을 듯.
또, LoRA adapter만 따로 배포해도 충분한 성능이 나온다는 걸 체험해서, 추후 회사 프로젝트에서도 대형‑언어모델 SaaS → LoRA fork → 자체 서비스 패턴을 적극적으로 고려할 계획이다.

7. 마무리
프로젝트 발표도 했는데, 발표자료를 전날 급하게 만드느라 3시간 밖에 못잤는데 생각보다 발표를 잘해서 뿌듯했다.
많이 성장하는 8주간의 여졍이였다. 앞으로 이러한 이해를 바탕으로 더 크게 성장할 거라 믿는다.

#항해99 #항해플러스AI후기 #개발자커뮤니티 #LLM

0. 들어가며벌써 항해 플러스 AI 과정 8주차. 진짜 시간 순삭이다.이번 주는 “모델을 더 빠르게, 더 가볍게, 더 싸게” 만드는 네 가지 키워드를 집중적으로 파봤다.<ol ><li>FlashAttention – 긴 입력도 쌩으로 돌려서 속도 3배 뽑기</li><li>Data Parallelism &amp; DeepSpeed – GPU 여러 대를 네트워크로 엮어 학습 속도 뻥튀기</li><li>Quantization – 파라미터를 16bit → 8bit로 눌러서 메모리 절약</li><li>PEFT(LoRA) – 모델 전체 대신 저차 ΔW만 학습해서 비용↓ 성능↑</li></ol>덕분에 “GPT‑급 모델을 노트북 한 대로 fine‑tuning 할 수 있을까?” 같은 로망이 좀 더 현실로 다가온 느낌이다. 1. FlashAttention&nbsp;Transformer Self‑Attention은 Q·K·V 행렬 계산 때문에 O(n²) 메모리/연산량이 터짐. FlashAttention은<ul ><li>Q/K/V를 block(예: 64×64) 단위로 잘라서</li><li>GPU SRAM에 올린 뒤, 블록별 softmax를 스트리밍 방식으로 계산</li><li>결과를 다시 HBM으로 쓰는 방식으로</li></ul>HBM 왕복을 최소화해. 실제로 4K 토큰 → 16K 토큰으로 늘려도 VRAM 사용량이 거의 평평했고, wandb 로그 보니까 throughput 3.2× 찍혔다.<pre ><code>model = AutoModelForCausalLM.from_pretrained(
 "NousResearch/Llama-2-7b-hf",
 torch_dtype=torch.bfloat16,
 use_flash_attention_2=True,
)</code></pre>한 줄이면 끝. 덕분에 긴 문장 요약 태스크에서 latency가 1/3로 줄어서 진짜 체감됨. 2. Data Parallelism &amp; DeepSpeed&nbsp;<ul ><li>DDP(Distributed Data Parallel) : 파라미터 복사 → 데이터 나눠서 각 GPU가 gradient 계산</li><li>DeepSpeed Stage 3 : 파라미터·gradient·optimizer state까지 3‑way 샤딩으로 VRAM 반 토막</li></ul><pre ><code>deepspeed --num_gpus 2 train.py \
 --deepspeed ds_config_stage3.json</code></pre>Stage 3 offload 옵션 켜면 optimizer state가 CPU RAM으로 넘어가는데, NVMe offload까지 물리면 장시간 학습도 무난. 단점은 통신 병목인데, <code >fp16/bp16</code> 모드와 gradient accumulation으로 어느 정도 해결. 3. QuantizationFP16 → INT8 양자화는 두 가지 맛으로 실험:<ol ><li>Post‑Training Quantization(PTQ) : 학습 끝난 모델을 직접 양자화. <code >bitsandbytes</code> <code >bnb.nn.Linear8bitLt</code> 사용.</li><li>Quant‑Aware Training(QAT) : 학습 중에 fake quant op 삽입해서 분포 적응.</li></ol><pre ><code>from transformers import BitsAndBytesConfig

model = AutoModelForCausalLM.from_pretrained(
 model_id,
 quantization_config=BitsAndBytesConfig(load_in_8bit=True)
)</code></pre>실습 과제는 “채팅봇 엔진을 모바일에 올려라”였는데, 양자화 덕분에 APK 크기 90 → 54 MB로 줄여서 통과했다. 4. PEFT – LoRA모델 전체를 미세조정하려면 파라미터·VRAM·시간이 다 터진다. LoRA는 weight ΔW를 두 저차 행렬 A( n×r )·B( r×m )로 분해해서 r(n+m)개만 학습한다는 아이디어.<ul ><li><code >r=8</code>, <code >α=32</code>, dropout 0.1 설정</li><li>target modules: 모든 <code >nn.Linear</code> (단, <code >lm_head</code> 제외)</li></ul><pre ><code>from peft import LoraConfig, get_peft_model

peft_cfg = LoraConfig(task_type="CAUSAL_LM", r=8, lora_alpha=32,
 lora_dropout=0.1, target_modules=target_modules)
model = get_peft_model(base_model, peft_cfg)</code></pre>결과:<ul ><li>학습 VRAM 15.3 GB → 4.2 GB</li><li>학습 속도 1.8× 상승</li><li>BLEU 점수는 full fine‑tune 대비 −0.4 만 손해. 충분히 trade‑off 수준.</li></ul> 5. 실습 &amp; 프로젝트 기록&nbsp;실습 태스크핵심 지표BeforeAfter긴 문서 요약(FlashAttn)latency (tok/s)329913B 모델 학습(DS Stage3)max batch14모바일 챗봇 추론(PTQ)모델 크기6.2 GB3.7 GB삼행시 챗봇 PEFT배포 파일13 GB ckpt20 MB adapter 6. 느낀 점이번 주는 “스케일링”에 대한 감각을 제대로 익힌 주차였다. “모델은 클수록 좋다”라는 말이 실제론 리소스·시간·돈과의 싸움이라는 걸 몸소 체험했고, 그 싸움을 이기는 무기가 바로 FlashAttention, DeepSpeed, Quantization, PEFT 같은 최적화 스킬이라는 걸 깨달음.특히 FlashAttention 한 줄 옵션이 이렇게 성능을 바꿔놓을 줄 몰랐다. 앞으로 실서비스나 해커톤에서도 “먼저 켜보고 시작” 해야 할 기본 옵션으로 자리 잡을 듯.또, LoRA adapter만 따로 배포해도 충분한 성능이 나온다는 걸 체험해서, 추후 회사 프로젝트에서도 대형‑언어모델 SaaS → LoRA fork → 자체 서비스 패턴을 적극적으로 고려할 계획이다. 7. 마무리프로젝트 발표도 했는데, 발표자료를 전날 급하게 만드느라 3시간 밖에 못잤는데 생각보다 발표를 잘해서 뿌듯했다.많이 성장하는 8주간의 여졍이였다. 앞으로 이러한 이해를 바탕으로 더 크게 성장할 거라 믿는다. #항해99 #항해플러스AI후기 #개발자커뮤니티 #LLM

[항해 플러스 AI] 8주차 – FlashAttn+LoRA로 성능 뻥튀기

친구나 동료,지인들과 만나 한잔 하면서 좋은 시간을 보낼 때 카톡이나 소셜미디어,문자메시지 등 알림 때문에 스마트폰 스크린만 바라보게 되는 경우가 종종 있다.

최근 하이네켄(Heineken) 맥주가 이런 문제를 해결하기 위해 개발한 발명품이 업계에서 큰 화제를 모았다.

하이네켄의 마케팅에 주목하게 되는 특별한 이유가 있다.
https://bit.ly/3H2o6IP

*스투시의 트레바리 북클럽 <마케터의 탐색법 시즌5> 함께해요!
https://trevar.in/EBSAD2

*협업/기업강연,교육 문의
https://linktr.ee/stussygo

친구나 동료,지인들과 만나 한잔 하면서 좋은 시간을 보낼 때 카톡이나 소셜미디어,문자메시지 등 알림 때문에 스마트폰 스크린만 바라보게 되는 경우가 종종 있다. 최근 하이네켄(Heineken) 맥주가 이런 문제를 해결하기 위해 개발한 발명품이 업계에서 큰 화제를 모았다. 하이네켄의 마케팅에 주목하게 되는 특별한 이유가 있다.https://bit.ly/3H2o6IP *스투시의 트레바리 북클럽 &lt;마케터의 탐색법 시즌5&gt; 함께해요!https://trevar.in/EBSAD2 *협업/기업강연,교육 문의 https://linktr.ee/stussygo

SNS 방해를 방지하는 '하이네켄(Heineken)'의 기발한 발명품

프로덕트 매니저(PM)로 일하면서 늘 지표 이야기를 듣게 됩니다. 대부분 PM은 선행지표(leading indicator)와 후행지표(lagging indicator)의 개념을 잘 이해하고 있습니다. 하지만 선행지표에 영향을 미치는 '인풋(input) 지표, '아웃풋(output)' 지표까지 고려하지 않는 경우가 있어서 예시와 함께 설명을 드려보겠습니다.

1. 선행지표와 후행지표
선행지표는 우리가 지금 당장 어떤 행동을 해야 미래의 목표를 달성할 수 있을지 미리 알려주는 지표입니다. 쉽게 말하면 '미래의 성과를 예측할 수 있는 지표'입니다. 예를 들면 커머스에서 '검색 결과에서 장바구니로 담는 비율', SaaS 서비스의 '세션당 핵심 기능 사용 횟수' 등이 대표적입니다.

반면 후행지표는 이미 일어난 일을 통해 우리의 노력이 얼마나 성공적이었는지 확인하는 지표입니다. 예를 들면 매출, ARR(연간 반복 매출), 리텐션 등이 있습니다.

2. 선행지표에 집중해야 하는 이유
OKR을 설정할 때 후행지표가 아니라 선행지표를 설정해야 한다는 점을 많이 강조합니다. 선행지표가 중요한 이유는 변화를 사전에 감지하고 이에 따라 적절히 개선할 수 있는 시간을 확보할 수 있기 때문입니다. 또한, 선행지표는 하나의 팀이나 조직이 직접적으로 통제할 수 있는 지표인 반면, 매출 같은 후행지표는 외부 변수나 여러 팀의 복합적 요인이 영향을 미치기 때문에 통제력이 낮으며, 문제 발생시 진단하고 개선하는 데 많은 시간 지연이 발생할 수 있습니다.

선행지표의 다른 장점은 조직 내 행동을 촉진하는 점입니다. "사람은 측정되는 대로 행동한다"라는 말이 있듯이, 실행 가능한 행동에 집중하도록 하는 것이 선행지표의 큰 장점입니다. 선행지표를 OKR과 같은 주요 목표와 연결하면 팀이 당장 실행 가능한 행동에 집중할 수 있고, 후행지표로 최종 성과를 검증해서 목표 왜곡을 방지해나갈 수 있습니다.

3. 우리가 놓치기 쉬운 인풋과 아웃풋 지표의 중요성
선행지표만으로 충분하다고 생각할 수도 있지만, 실제로는 이 선행지표를 움직이는 인풋(input)과 아웃풋(output) 지표 개념을 같이 일면 좋습니다. PM이 이 구조를 이해하면 제품의 다이나믹고 함께 지표를 더욱 체계적으로 관리할 수 있습니다. 인풋 지표는 팀이 직접적으로 통제할 수 있는 구체적인 행동을 나타내며, 아웃풋 지표는 그 행동의 결과로 나타내는 지표입니다. OKR과 같은 전략적 목표는 선행지표로 설정하고, 선행지표를 움직이게 만드는 인풋과 아웃풋 지표는 개별 이니셔티브나 프로젝트 단위에서 설정하면 목표 달성을 위한 실행력을 높이고, 실질적인 개선 방향을 잡을 수 있습니다.

4. 가상의 예시: 커머스의 검색→구매 전환율 높이기
커머스 search and discovery 팀의 예시(가상)를 통해 인풋 지표(input metric), 선행 지표(leading metric), 아웃풋 지표(output metric), 그리고 후행 지표(lagging metric)의 명확한 관계와 역할을 설명해 보겠습니다.

이 팀의 목표는 검색을 진행한 유저들의 구매 전환율을 향상시키는 것입니다. 처음에는 '검색 결과를 본 유저가 장바구니에 상품을 담는 비율(검색>장바구니 전환율)’을 선행지표로 잡고 UX 개선을 시도했으나, 기대만큼 장바구니 담기 전환율이 상승하지 않았습니다. 그때 담당 프로덕트 매니저(PM)는 중요한 점을 깨닫습니다.

바로, 선행 지표에 직접 영향을 줄 수 있는 팀이 컨트롤 가능한 '인풋 지표'가 설정되지 않았다는 점이었습니다. 기존의 검색 결과 로직이 단순 알파벳(가나다) 순이었기 때문에, 이를 '인기순' 정렬로 변경하는 실험을 진행하기로 합니다.

팀은 '인기순 정렬이 적용된 검색 결과 페이지의 노출 수'를 인풋 지표로 정의했습니다. 팀이 검색 결과 화면에서 인기순 정렬 방식을 부분적으로 배포하여, 이 노출 수를 직접적으로 조정할 수 있었기 때문입니다. 또한 인기순 정렬의 실제 성과는 '검색 결과 CTR(클릭률)'이라는 아웃풋 지표를 통해 측정하였습니다.

실험 결과, 인기순 정렬이 적용된 페이지의 CTR이 상승했고, 이는 선행지표인 장바구니 전환율의 상승으로 이어졌습니다. 결과적으로 장바구니 전환율의 증가는 후행 지표인 주간/월간 검색 기반 매출의 의미 있는 상승으로 이어졌습니다.

이를 간단히 플로우로 보여주면 아래와 같습니다.
(Input) 인기순 정렬 적용된 검색 결과 페이지 노출 수 증가 ⟶ (Output) 검색 결과 CTR 증가 ⟶ (Lead) 장바구니 담기 전환율 증가 ⟶ (Lag) 주간/월간 매출 증가

이처럼 인풋, 선행, 아웃풋, 후행 지표를 명확히 구분하고 각 지표의 역할, 영향력을 설정하면 PM이 제품 개선의 방향성을 정하는데 기여할 수 있을 것이라 생각합니다.

프로덕트 매니저(PM)로 일하면서 늘 지표 이야기를 듣게 됩니다. 대부분 PM은 선행지표(leading indicator)와 후행지표(lagging indicator)의 개념을 잘 이해하고 있습니다. 하지만 선행지표에 영향을 미치는 '인풋(input) 지표, '아웃풋(output)' 지표까지 고려하지 않는 경우가 있어서 예시와 함께 설명을 드려보겠습니다. 1. 선행지표와 후행지표 선행지표는 우리가 지금 당장 어떤 행동을 해야 미래의 목표를 달성할 수 있을지 미리 알려주는 지표입니다. 쉽게 말하면 '미래의 성과를 예측할 수 있는 지표'입니다. 예를 들면 커머스에서 '검색 결과에서 장바구니로 담는 비율', SaaS 서비스의 '세션당 핵심 기능 사용 횟수' 등이 대표적입니다. 반면 후행지표는 이미 일어난 일을 통해 우리의 노력이 얼마나 성공적이었는지 확인하는 지표입니다. 예를 들면 매출, ARR(연간 반복 매출), 리텐션 등이 있습니다. 2. 선행지표에 집중해야 하는 이유 OKR을 설정할 때 후행지표가 아니라 선행지표를 설정해야 한다는 점을 많이 강조합니다. 선행지표가 중요한 이유는 변화를 사전에 감지하고 이에 따라 적절히 개선할 수 있는 시간을 확보할 수 있기 때문입니다. 또한, 선행지표는 하나의 팀이나 조직이 직접적으로 통제할 수 있는 지표인 반면, 매출 같은 후행지표는 외부 변수나 여러 팀의 복합적 요인이 영향을 미치기 때문에 통제력이 낮으며, 문제 발생시 진단하고 개선하는 데 많은 시간 지연이 발생할 수 있습니다. 선행지표의 다른 장점은 조직 내 행동을 촉진하는 점입니다. "사람은 측정되는 대로 행동한다"라는 말이 있듯이, 실행 가능한 행동에 집중하도록 하는 것이 선행지표의 큰 장점입니다. 선행지표를 OKR과 같은 주요 목표와 연결하면 팀이 당장 실행 가능한 행동에 집중할 수 있고, 후행지표로 최종 성과를 검증해서 목표 왜곡을 방지해나갈 수 있습니다. 3. 우리가 놓치기 쉬운 인풋과 아웃풋 지표의 중요성 선행지표만으로 충분하다고 생각할 수도 있지만, 실제로는 이 선행지표를 움직이는 인풋(input)과 아웃풋(output) 지표 개념을 같이 일면 좋습니다. PM이 이 구조를 이해하면 제품의 다이나믹고 함께 지표를 더욱 체계적으로 관리할 수 있습니다. 인풋 지표는 팀이 직접적으로 통제할 수 있는 구체적인 행동을 나타내며, 아웃풋 지표는 그 행동의 결과로 나타내는 지표입니다. OKR과 같은 전략적 목표는 선행지표로 설정하고, 선행지표를 움직이게 만드는 인풋과 아웃풋 지표는 개별 이니셔티브나 프로젝트 단위에서 설정하면 목표 달성을 위한 실행력을 높이고, 실질적인 개선 방향을 잡을 수 있습니다. 4. 가상의 예시: 커머스의 검색→구매 전환율 높이기 커머스 search and discovery 팀의 예시(가상)를 통해 인풋 지표(input metric), 선행 지표(leading metric), 아웃풋 지표(output metric), 그리고 후행 지표(lagging metric)의 명확한 관계와 역할을 설명해 보겠습니다. 이 팀의 목표는 검색을 진행한 유저들의 구매 전환율을 향상시키는 것입니다. 처음에는 '검색 결과를 본 유저가 장바구니에 상품을 담는 비율(검색&gt;장바구니 전환율)’을 선행지표로 잡고 UX 개선을 시도했으나, 기대만큼 장바구니 담기 전환율이 상승하지 않았습니다. 그때 담당 프로덕트 매니저(PM)는 중요한 점을 깨닫습니다. 바로, 선행 지표에 직접 영향을 줄 수 있는 팀이 컨트롤 가능한 '인풋 지표'가 설정되지 않았다는 점이었습니다. 기존의 검색 결과 로직이 단순 알파벳(가나다) 순이었기 때문에, 이를 '인기순' 정렬로 변경하는 실험을 진행하기로 합니다. 팀은 '인기순 정렬이 적용된 검색 결과 페이지의 노출 수'를 인풋 지표로 정의했습니다. 팀이 검색 결과 화면에서 인기순 정렬 방식을 부분적으로 배포하여, 이 노출 수를 직접적으로 조정할 수 있었기 때문입니다. 또한 인기순 정렬의 실제 성과는 '검색 결과 CTR(클릭률)'이라는 아웃풋 지표를 통해 측정하였습니다. 실험 결과, 인기순 정렬이 적용된 페이지의 CTR이 상승했고, 이는 선행지표인 장바구니 전환율의 상승으로 이어졌습니다. 결과적으로 장바구니 전환율의 증가는 후행 지표인 주간/월간 검색 기반 매출의 의미 있는 상승으로 이어졌습니다. 이를 간단히 플로우로 보여주면 아래와 같습니다. (Input) 인기순 정렬 적용된 검색 결과 페이지 노출 수 증가 ⟶ (Output) 검색 결과 CTR 증가 ⟶ (Lead) 장바구니 담기 전환율 증가 ⟶ (Lag) 주간/월간 매출 증가 이처럼 인풋, 선행, 아웃풋, 후행 지표를 명확히 구분하고 각 지표의 역할, 영향력을 설정하면 PM이 제품 개선의 방향성을 정하는데 기여할 수 있을 것이라 생각합니다.

PM이 이해하면 좋은 지표 개념

1. 회사의 스테이지마다 필요한 인재는 다르다. 회사가 성장하면 그 단계에 맞는 구성원이 필요하다. 어린아이가 자라면 입던 옷은 작아진다. 몸에 맞는 새로운 옷이 필요하다. 회사도 그렇다. 성공 경험을 해봤거나, 다른 경험과 생각을 가진 사람이 필요하다. 더 성장하기 위해서.

2. 회사가 변하면 구성원들은 성장하거나, 정체하거나, 도태된다. 이들을 성장시키고, 동기부여하고, 충원하는 건 리더의 몫이다. 최소 몇 걸음을 먼저 보고 고민한다. 그래서 성장은 리더의 그릇과 크기가 같다. 리더가 늘 성장해야 하는 이유다.

3. 10년 전 쿠팡은 그런 회사였다. 미친 듯이 성장했다. 있던 사람들이 나갔다. 또, 새로운 사람들이 들어왔다. 이 사이클의 반복이었다. 그렇게 계속 성장했다.

4. 그 중심은 김범석 의장이었다. 쿠팡의 PO로 일하며 그의 모습을 종종 직접 볼 수 있었던 건 행운이다. 쿠팡을 떠나고 나스닥 상장 시 그의 환한 웃음은 내가 봤던 바로 그 표정이었다. 장소와 상황이 비현실적으로 느껴졌다. 그를 직접 봤던 장면들이 떠올랐다.

5. 하나. 쿠팡 초기 그는 직접 PO 조직을 맡았다. 어느 날 퇴근 무렵 모든 PO가 소집됐다. 무슨 일일까. 이슈는 없었다. PO들에게 떠오른 그의 생각을 직접 전했을 뿐이다. 그때 PO는 mini-ceo라 불렸다. PO 들과 다른 직원들이 보는 그의 모습은 온도차가 있었다. 회사의 기대가 컸기 때문일 거다.

6. 둘. 로켓배송 초기에 물량이 터졌다. 주문이 몰렸다. 마냥 좋아할 수가 없었다. 물량을 받아낼 오퍼레이션 준비가 안됐으니까. 애자일 조직 전체가 주말 물류센터로 투입됐다. 생수를 나르고, 기저귀를 날랐다. 누구도 예외가 없었다. 그 정신없는 물류센터에서 환한 표정으로 웃으며 소매를 걷어붙이고 함께 물량을 쳐내던 그가 있었다.

7. 셋. 그는 직접 전 직원을 대상으로 교육을 진행했다. 지마켓과 쿠팡은 무엇이 다른가, 전략과 수익모델의 차이는 무엇인가. 밖에서 보면 같은 커머스다. 하지만 갈 길은 달랐다. 뭐가 다른지, 왜 달라야 하는지 그는 열변을 토하며 이해시키려고 했다. 커머스를 배우던 내게 신선했다. 많이 배웠다.

8. 넷. 로켓배송 확장을 하던 때다. 동남권 물류센터가 처음 오픈했다. 삼성동에서 대구까지 같은 차로 이동했다. 당시 C 레벨들과 함께. 두 시간 동안 그는 잠시도 쉬지 않았다. 임원들에게 본인의 생각들을 계속 쏟아냈다. 공교롭게도 도착할 무렵 이슈가 터졌다. 전면 장애로 앱 접속이 아예 안됐다. 하필이면 CEO와 있을 때 장애라니. CTO는 사색이 됐다. 그는 잠깐 붉은 얼굴로 화를 내고서는, 다시 환하게 웃는 얼굴로 미팅에 참석했다.

9. 다섯. 함께 축하할 성과가 생겼다. 하지만 당장 다 같이 모일 장소가 없었다. 그는 전층 사무실을 직접 돌았다. 책상 위에 올라가서 확성기로 소리쳤다. 서슴없이 직원들과 하이파이브를 나누며 떠났다. 모두 환호하고 박수를 치며 기뻐했다.

10. 여섯. 분기마다 전사 타운홀을 했다. 코엑스 컨퍼런스룸에서. 아마 스티브 잡스의 키노트 준비가 이렇지 않았을까. 수없는 리허설의 반복, 피드백의 요구, 디테일의 수정. 준비 과정을 모르는 사람들에게는 그저 완벽하고 자연스럽고 울림 있는 프레젠테이션이었을 거다.

11. 쿠팡 없이 어떻게 살았을까? 그런 세상을 만들자. 그는 10년 전부터 외쳤다. 강하게, 자주 반복했다. 그때는 모두 반신반의했다. 로켓배송이 없던 때다. 하지만 그 일이 실제로 일어났다. 코로나 때 쿠팡이 없었다면 우리는 어땠을까. 쿠팡은 전통적인 유통회사들의 매출을 이미 넘어섰다.

12. 그때 그는 어떤 생각이었을까. 이미 나스닥과 글로벌을 생각했을까. 아니면 그도 함께 변하고 성장했을까. 리더는 앞을 내다보는 사람이다. 남이 보지 못하는 걸 본다. 그걸 모두에게 공유한다. 그게 곧 비전이다. 조직을 한 방향으로 이끌어 현실로 만든다. 결국 회사는 그 비전의 크기, 리더가 상상하는 크기만큼 성장한다. 그를 직접 보며 배울 수 있던 기회에 지금도 감사하다.

1. 회사의 스테이지마다 필요한 인재는 다르다. 회사가 성장하면 그 단계에 맞는 구성원이 필요하다. 어린아이가 자라면 입던 옷은 작아진다. 몸에 맞는 새로운 옷이 필요하다. 회사도 그렇다. 성공 경험을 해봤거나, 다른 경험과 생각을 가진 사람이 필요하다. 더 성장하기 위해서. ​2. 회사가 변하면 구성원들은 성장하거나, 정체하거나, 도태된다. 이들을 성장시키고, 동기부여하고, 충원하는 건 리더의 몫이다. 최소 몇 걸음을 먼저 보고 고민한다. 그래서 성장은 리더의 그릇과 크기가 같다. 리더가 늘 성장해야 하는 이유다. ​3. 10년 전 쿠팡은 그런 회사였다. 미친 듯이 성장했다. 있던 사람들이 나갔다. 또, 새로운 사람들이 들어왔다. 이 사이클의 반복이었다. 그렇게 계속 성장했다. ​4. 그 중심은 김범석 의장이었다. 쿠팡의 PO로 일하며 그의 모습을 종종 직접 볼 수 있었던 건 행운이다. 쿠팡을 떠나고 나스닥 상장 시 그의 환한 웃음은 내가 봤던 바로 그 표정이었다. 장소와 상황이 비현실적으로 느껴졌다. 그를 직접 봤던 장면들이 떠올랐다. ​5. 하나. 쿠팡 초기 그는 직접 PO 조직을 맡았다. 어느 날 퇴근 무렵 모든 PO가 소집됐다. 무슨 일일까. 이슈는 없었다. PO들에게 떠오른 그의 생각을 직접 전했을 뿐이다. 그때 PO는 mini-ceo라 불렸다. PO 들과 다른 직원들이 보는 그의 모습은 온도차가 있었다. 회사의 기대가 컸기 때문일 거다. ​6. 둘. 로켓배송 초기에 물량이 터졌다. 주문이 몰렸다. 마냥 좋아할 수가 없었다. 물량을 받아낼 오퍼레이션 준비가 안됐으니까. 애자일 조직 전체가 주말 물류센터로 투입됐다. 생수를 나르고, 기저귀를 날랐다. 누구도 예외가 없었다. 그 정신없는 물류센터에서 환한 표정으로 웃으며 소매를 걷어붙이고 함께 물량을 쳐내던 그가 있었다. ​7. 셋. 그는 직접 전 직원을 대상으로 교육을 진행했다. 지마켓과 쿠팡은 무엇이 다른가, 전략과 수익모델의 차이는 무엇인가. 밖에서 보면 같은 커머스다. 하지만 갈 길은 달랐다. 뭐가 다른지, 왜 달라야 하는지 그는 열변을 토하며 이해시키려고 했다. 커머스를 배우던 내게 신선했다. 많이 배웠다. ​8. 넷. 로켓배송 확장을 하던 때다. 동남권 물류센터가 처음 오픈했다. 삼성동에서 대구까지 같은 차로 이동했다. 당시 C 레벨들과 함께. 두 시간 동안 그는 잠시도 쉬지 않았다. 임원들에게 본인의 생각들을 계속 쏟아냈다. 공교롭게도 도착할 무렵 이슈가 터졌다. 전면 장애로 앱 접속이 아예 안됐다. 하필이면 CEO와 있을 때 장애라니. CTO는 사색이 됐다. 그는 잠깐 붉은 얼굴로 화를 내고서는, 다시 환하게 웃는 얼굴로 미팅에 참석했다. ​9. 다섯. 함께 축하할 성과가 생겼다. 하지만 당장 다 같이 모일 장소가 없었다. 그는 전층 사무실을 직접 돌았다. 책상 위에 올라가서 확성기로 소리쳤다. 서슴없이 직원들과 하이파이브를 나누며 떠났다. 모두 환호하고 박수를 치며 기뻐했다. ​10. 여섯. 분기마다 전사 타운홀을 했다. 코엑스 컨퍼런스룸에서. 아마 스티브 잡스의 키노트 준비가 이렇지 않았을까. 수없는 리허설의 반복, 피드백의 요구, 디테일의 수정. 준비 과정을 모르는 사람들에게는 그저 완벽하고 자연스럽고 울림 있는 프레젠테이션이었을 거다. ​11. 쿠팡 없이 어떻게 살았을까? 그런 세상을 만들자. 그는 10년 전부터 외쳤다. 강하게, 자주 반복했다. 그때는 모두 반신반의했다. 로켓배송이 없던 때다. 하지만 그 일이 실제로 일어났다. 코로나 때 쿠팡이 없었다면 우리는 어땠을까. 쿠팡은 전통적인 유통회사들의 매출을 이미 넘어섰다. ​12. 그때 그는 어떤 생각이었을까. 이미 나스닥과 글로벌을 생각했을까. 아니면 그도 함께 변하고 성장했을까. 리더는 앞을 내다보는 사람이다. 남이 보지 못하는 걸 본다. 그걸 모두에게 공유한다. 그게 곧 비전이다. 조직을 한 방향으로 이끌어 현실로 만든다. 결국 회사는 그 비전의 크기, 리더가 상상하는 크기만큼 성장한다. 그를 직접 보며 배울 수 있던 기회에 지금도 감사하다.

< 쿠팡의 창업자를 직접 보며 배운 것: 리더의 크기가 전부다 >

나는 가끔 조합형 한글의 아름다움에 대해 생각한다.

그 아름다움은 단순히 예쁜 글꼴이나 정갈한 종이 위의 자소 배열에서 끝나지 않는다. 진짜 매력은, 정밀한 정보 구조와 이산 수학적 규칙성 속에 숨어 있다.

초성 19자, 중성 21자, 종성 28자(받침없음 포함)의 조합으로 구성된 조합형 한글은 이론적으로 가능한 모든 조합을 체계적으로 담아낸, 말 그대로 한글 문자 컴파일러와도 같다.

유니코드에서 한글은 U+AC00(가)부터 U+D7A3(힣)까지, 무려 11,172개의 음절로 정의되어 있는데, 이 조합 방식은 다차원 배열의 인덱싱 구조와도 흡사하다. 예컨대 ‘한’이라는 글자는 초성 ‘ᄒ’, 중성 ‘ᅡ’, 종성 ‘ᆫ’으로 구성되며, 다음 공식을 통해 유니코드 포인트가 계산된다:

U+AC00 + (초성 인덱스 × 588) + (중성 인덱스 × 28) + 종성 인덱스

이는 단순한 문자 처리 방식이 아니다. 초·중·종성이라는 세 개의 축을 갖는 3차원 좌표 공간에서 유니코드 포인트로 압축하여 출력하는 고성능 한글 출력 엔진이라 할 만하다. 15세기에 고안된 문자 체계가 현대 알고리즘 수준의 체계를 이미 내포하고 있었다는 것이다.

물론 조합형이라는 표현은 현대 디지털 기술이 정의한 것이지만, 그 기저에는 분해와 조합이 가능한 체계적 자모 설계가 존재한다. 즉, 세종대왕은 문자라는 고급 개념을 기계적으로 구현 가능한 형태로 설계한 엔지니어였던 셈이다.

어찌 보면, 조합형 한글은 600년 전에 만들어진 한국어라는 언어의 바이트코드다. 문자 이전의 자모, 음소 이전의 정보 구조. 다르게 말하자면 세종대왕은 나랏말을 만든 게 아니라, 나랏말을 코드화한 것이라고 할 수 있다.

즉, 세종대왕은 킹 갓 프로그래머였던 것.

나는 가끔 조합형 한글의 아름다움에 대해 생각한다. 그 아름다움은 단순히 예쁜 글꼴이나 정갈한 종이 위의 자소 배열에서 끝나지 않는다. 진짜 매력은, 정밀한 정보 구조와 이산 수학적 규칙성 속에 숨어 있다. 초성 19자, 중성 21자, 종성 28자(받침없음 포함)의 조합으로 구성된 조합형 한글은 이론적으로 가능한 모든 조합을 체계적으로 담아낸, 말 그대로 한글 문자 컴파일러와도 같다. 유니코드에서 한글은 U+AC00(가)부터 U+D7A3(힣)까지, 무려 11,172개의 음절로 정의되어 있는데, 이 조합 방식은 다차원 배열의 인덱싱 구조와도 흡사하다. 예컨대 ‘한’이라는 글자는 초성 ‘ᄒ’, 중성 ‘ᅡ’, 종성 ‘ᆫ’으로 구성되며, 다음 공식을 통해 유니코드 포인트가 계산된다: U+AC00 + (초성 인덱스 × 588) + (중성 인덱스 × 28) + 종성 인덱스 이는 단순한 문자 처리 방식이 아니다. 초·중·종성이라는 세 개의 축을 갖는 3차원 좌표 공간에서 유니코드 포인트로 압축하여 출력하는 고성능 한글 출력 엔진이라 할 만하다. 15세기에 고안된 문자 체계가 현대 알고리즘 수준의 체계를 이미 내포하고 있었다는 것이다. 물론 조합형이라는 표현은 현대 디지털 기술이 정의한 것이지만, 그 기저에는 분해와 조합이 가능한 체계적 자모 설계가 존재한다. 즉, 세종대왕은 문자라는 고급 개념을 기계적으로 구현 가능한 형태로 설계한 엔지니어였던 셈이다. 어찌 보면, 조합형 한글은 600년 전에 만들어진 한국어라는 언어의 바이트코드다. 문자 이전의 자모, 음소 이전의 정보 구조. 다르게 말하자면 세종대왕은 나랏말을 만든 게 아니라, 나랏말을 코드화한 것이라고 할 수 있다. 즉, 세종대왕은 킹 갓 프로그래머였던 것.

나는 가끔 조합형 한글의 아름다움에 대해 생각한다.

그 아름다움

알고리즘 입문자를 위한 달레의 친절한 안내서

Binary Tree Level Order Traversal | 알고달레

코딩 테스트를 준비하시는 분들을 위해서 일주일에 한 번씩 문제 풀이를 해드리고 있습니다. 이번 시간에는 LeetCode의 102번째 문제인 Binary Tree Level Order Traver를 재귀와 깊이 우선 탐색을 통해 풀어보겠습니다.

📺 동영상: https://youtu.be/eRQJzWHyQmM
📝 설명/코드: https://www.algodale.com/problems/binary-tree-level-order-traversal/

코딩 테스트를 준비하시는 분들을 위해서 일주일에 한 번씩 문제 풀이를 해드리고 있습니다. 이번 시간에는 LeetCode의 102번째 문제인 Binary Tree Level Order Traver를 재귀와 깊이 우선 탐색을 통해 풀어보겠습니다. 📺 동영상: https://youtu.be/eRQJzWHyQmM📝 설명/코드: https://www.algodale.com/problems/binary-tree-level-order-traversal/

알고달레

리트코드 102. Binary Tree Level Order Tr

🚀 유니콘이라 불리던 그들, 이제 진짜 실력을 보여줄 때

어제 언더스탠딩에서 본 파인드어스 이재용 회계사님의 분석이 인상 깊어서 정리해 봤습니다. 이 글을 쓰는 중에도 &quot;흑자 났다고 축하할 때가 아니다&quot;라는 말이 계속 맴돕니다.

💰 유니콘, 기업가치 1조 원의 무게

기업가치 1조 원, 이제 증명해야 할 시간입니다. 경기가 좋을 때, 투자받을 때는 &#39;가능성&#39;으로 평가받았지만, 이제는 다릅니다. 투자자들은 2-3년 내 회수를 기대하고 있고, 우리가 봐야 할 건 손익계산서가 아니라 진짜 성장하고 있는지입니다. 매출 숫자보다 중요한 건, 사용자들이 정말 우리 서비스 없이는 못 사는지예요.

📈 토스 | 일상이 된 금융 플랫폼

토스는 이 한 가지 수치만 봐도 압도적입니다.

1인당 평균 사용시간 154분 (카카오뱅크는 28분)으로 2022년 53분에서 시작해서 매년 2배씩 늘어나는 중이죠. 토스를 단순한 인터넷은행으로 본다면 하루에 2시간 반 쓴다는 게 납득하기 어렵습니다. 하지만 토스는 해냈습니다. 일단 시도하고 아니면 롤백하는 방식에 호불호는 있지만 만보기부터 운세, 건강검진결과까지 다양한 서비스로 사용자를 모은 덕분이죠. 금융에 생활이 더해져서 이제는 생활에 금융이 닿은 플랫폼이 되었고 무엇보다 인터넷뱅킹 사각지대에 있던 시니어와 키즈 세그먼트를 유입시켰죠. 매일 들어오게 만드는 데 성공했습니다.

일단 들어왔으니 투자도 보고, 대출도 확인하고 어느새 토스 없는 하루가 상상이 안 

토스·당근·오늘의집, 찔끔 흑자라고 웃을 때 아닙니다 (파인드어스 이재용 회계사) | Walcoln SJ Rhee

어제 언더스탠딩에서 본 파인드어스 이재용 회계사님의 분석이 인상 깊어서 정리해 봤습니다. 이 글을 쓰는 중에도 "흑자 났다고 축하할 때가 아니다"라는 말이 계속 맴돕니다.

💰 유니콘, 기업가치 1조 원의 무게

기업가치 1조 원, 이제 증명해야 할 시간입니다. 경기가 좋을 때, 투자받을 때는 '가능성'으로 평가받았지만, 이제는 다릅니다. 투자자들은 2-3년 내 회수를 기대하고 있고, 우리가 봐야 할 건 손익계산서가 아니라 진짜 성장하고 있는지입니다. 매출 숫자보다 중요한 건, 사용자들이 정말 우리 서비스 없이는 못 사는지예요.

📈 토스 | 일상이 된 금융 플랫폼

토스는 이 한 가지 수치만 봐도 압도적입니다.

1인당 평균 사용시간 154분 (카카오뱅크는 28분)으로 2022년 53분에서 시작해서 매년 2배씩 늘어나는 중이죠. 토스를 단순한 인터넷은행으로 본다면 하루에 2시간 반 쓴다는 게 납득하기 어렵습니다. 하지만 토스는 해냈습니다. 일단 시도하고 아니면 롤백하는 방식에 호불호는 있지만 만보기부터 운세, 건강검진결과까지 다양한 서비스로 사용자를 모은 덕분이죠. 금융에 생활이 더해져서 이제는 생활에 금융이 닿은 플랫폼이 되었고 무엇보다 인터넷뱅킹 사각지대에 있던 시니어와 키즈 세그먼트를 유입시켰죠. 매일 들어오게 만드는 데 성공했습니다.

일단 들어왔으니 투자도 보고, 대출도 확인하고 어느새 토스 없는 하루가 상상이 안 되는 상태가 되었죠. 현존하는 국내 서비스에서는 가장 확실하게 성공을 증명한 진짜 플랫폼 전략이구나 싶었습니다.

🥕 당근마켓 | 양적 성장의 한계와 질적 성장의 과제

당근 발표 자료를 보면 곳곳에 성장 한계의 신호들이 보입니다. 이미 가입자는 4천만 명이고 MAU는 2,000만 명으로 크게 이 수치를 늘리기 어려워 보여죠. 1인당 거래는 연 9건 수준입니다. 이것도 한계가 보입니다.

진짜 문제는 다른 곳에 있습니다. 중고거래를 넘어서야 하니 '알바', '동네생활', '동네지도' 등 당신 근처의 생활을 위해 앱을 적극적으로 사용하는 패턴이 만들어져야 하는데 글쎄요. WAU 1,300만 명이 1년에 3,900만 건의 소통을 한다는 건, 1인당 매년 3개 글만 쓴다는 뜻이에요. 활성화된 커뮤니티라고 하기에는 부족합니다.

중고거래는 이사나 대청소처럼 필요할 때 급증하는데 사용자를 매일 들어오게 하려면 동네 맛집 추천도 보고, 운동 모임도 찾고 그래야 하잖아요. 아직은 그 단계까지 가지 못한 것 같습니다.

당근은 중고거래의 왕은 맞지만, 동네 커뮤니티의 왕이 될 수 있을까요? 게다가 당근에서 물건을 찾다가 쿠팡 광고를 보면 음? 이런 느낌이 종종 듭니다. 아, 광고는 현재 당근 수익의 99.8%를 차지하고 있습니다.

🏠 오늘의집 | 구조적 역풍 속 생존

거시경제의 바람이 매섭습니다.

1. 통계청 발표에 따르면 1970년 이후 이사율은 최저치 - 100명 중 12명 수준
2. 1인 가구 비중은 33%까지 늘었지만, 인테리어 지출은 신혼가구 대비 1/3 수준
3. 경기침체로 부동산 거래량 지속적 감소세

사회적 변화로 보면 오늘의집 2024년 실적(영업이익 6억 원)은 '졌잘싸'로 평가할 수 있습니다. 전년 대비 22% 정도 거래액이 늘었다는 건 인정해야 합니다.

앞으로가 더 걱정입니다.

1. 비혼, 저출산 시대에 집을 꾸밀 절대적 모수 감소 (10년 전과 비교하면 40% 감소)
2. 부동산 가격 영향으로 이사 자체가 줄어들고 월세가 전세 역전
3. 경기가 어려워지면서 가처분소득 감소로 인테리어는 뒷순위

오늘의집은 슈퍼커머스를 꿈꾸며 카테고리를 늘렸고 쌀, 소고기, 계란까지 판매하고 있습니다. 인테리어로 시작해 식품까지 파는 건 유니콘으로서 부여받은 목표 거래액(수, 양)을 맞추기 위해서 어쩔 수 없는 선택이었을 겁니다. 문제는 정체성의 혼란, 쿠팡이나 컬리와 경쟁하는 상황이 되어버렸습니다.

[ 큐레이터의 문장 🎒 ]

✅ 토스가 증명한 하나의 성공 방정식
사용자에게 스며들기. 금융 서비스가 아니라 생활 서비스가 된 거죠.

🔄 당근의 숙제
중고거래 1등에서 동네생활 1등으로 진화할 수 있을까요? 쉽지 않은 상황입니다.

🏗️ 오늘의집의 생존기
어려운 이사, 인테리어 시장에서도 성장했다는 건 의미 있지만, 앞으로가 더 걱정입니다.

유니콘으로 선정되는 것보다 유니콘이라는 것을 증명해야 하는 시기. 기업가치가 아니라, 사용자들이 "이거 없으면 안 돼"라고 말하는 서비스를 만든 곳이겠죠. 여러분이 매일 사용하는 서비스 중에서 정말 '없으면 안 되는' 서비스는 무엇인가요?

출처: 파인드어스 이재용 회계사 - "토스·당근·오늘의집, 찔끔 흑자라고 웃을 때 아닙니다"

https://www.linkedin.com/posts/redbusbagman_%ED%86%A0%EC%8A%A4%EB%8B%B9%EA%B7%BC%EC%98%A4%EB%8A%98%EC%9D%98%EC%A7%91-%EC%B0%94%EB%81%94-%ED%9D%91%EC%9E%90%EB%9D%BC%EA%B3%A0-%EC%9B%83%EC%9D%84-%EB%95%8C-%EC%95%84%EB%8B%99%EB%8B%88%EB%8B%A4-%ED%8C%8C%EC%9D%B8%EB%93%9C%EC%96%B4%EC%8A%A4-%EC%9D%B4%EC%9E%AC%EC%9A%A9-activity-7333327097496514561-v_Ka?utm_source=social_share_send&utm_medium=member_desktop_web&rcm=ACoAAAZSc3oBarIEHbo_ENsWiZv-BA5Ud1-qJ3U

어제 언더스탠딩에서 본 파인드어스 이재용 회계사님의 분석이 인상 깊어서 정리해 봤습니다. 이 글을 쓰는 중에도 "흑자 났다고 축하할 때가 아니다"라는 말이 계속 맴돕니다. 💰 유니콘, 기업가치 1조 원의 무게 기업가치 1조 원, 이제 증명해야 할 시간입니다. 경기가 좋을 때, 투자받을 때는 '가능성'으로 평가받았지만, 이제는 다릅니다. 투자자들은 2-3년 내 회수를 기대하고 있고, 우리가 봐야 할 건 손익계산서가 아니라 진짜 성장하고 있는지입니다. 매출 숫자보다 중요한 건, 사용자들이 정말 우리 서비스 없이는 못 사는지예요. 📈 토스 | 일상이 된 금융 플랫폼 토스는 이 한 가지 수치만 봐도 압도적입니다. 1인당 평균 사용시간 154분 (카카오뱅크는 28분)으로 2022년 53분에서 시작해서 매년 2배씩 늘어나는 중이죠. 토스를 단순한 인터넷은행으로 본다면 하루에 2시간 반 쓴다는 게 납득하기 어렵습니다. 하지만 토스는 해냈습니다. 일단 시도하고 아니면 롤백하는 방식에 호불호는 있지만 만보기부터 운세, 건강검진결과까지 다양한 서비스로 사용자를 모은 덕분이죠. 금융에 생활이 더해져서 이제는 생활에 금융이 닿은 플랫폼이 되었고 무엇보다 인터넷뱅킹 사각지대에 있던 시니어와 키즈 세그먼트를 유입시켰죠. 매일 들어오게 만드는 데 성공했습니다. 일단 들어왔으니 투자도 보고, 대출도 확인하고 어느새 토스 없는 하루가 상상이 안 되는 상태가 되었죠. 현존하는 국내 서비스에서는 가장 확실하게 성공을 증명한 진짜 플랫폼 전략이구나 싶었습니다. 🥕 당근마켓 | 양적 성장의 한계와 질적 성장의 과제 당근 발표 자료를 보면 곳곳에 성장 한계의 신호들이 보입니다.&nbsp;이미 가입자는 4천만 명이고 MAU는 2,000만 명으로 크게 이 수치를 늘리기 어려워 보여죠. 1인당 거래는 연 9건 수준입니다. 이것도 한계가 보입니다. 진짜 문제는 다른 곳에 있습니다. 중고거래를 넘어서야 하니 '알바', '동네생활', '동네지도' 등 당신 근처의 생활을 위해 앱을 적극적으로 사용하는 패턴이 만들어져야 하는데 글쎄요. WAU 1,300만 명이 1년에 3,900만 건의 소통을 한다는 건, 1인당 매년 3개 글만 쓴다는 뜻이에요. 활성화된 커뮤니티라고 하기에는 부족합니다. 중고거래는 이사나 대청소처럼 필요할 때 급증하는데 사용자를 매일 들어오게 하려면 동네 맛집 추천도 보고, 운동 모임도 찾고 그래야 하잖아요. 아직은 그 단계까지 가지 못한 것 같습니다. 당근은 중고거래의 왕은 맞지만, 동네 커뮤니티의 왕이 될 수 있을까요? 게다가 당근에서 물건을 찾다가 쿠팡 광고를 보면 음? 이런 느낌이 종종 듭니다. 아, 광고는 현재 당근 수익의 99.8%를 차지하고 있습니다. 🏠 오늘의집 | 구조적 역풍 속 생존 거시경제의 바람이 매섭습니다. 1. 통계청 발표에 따르면 1970년 이후 이사율은 최저치 - 100명 중 12명 수준 2. 1인 가구 비중은 33%까지 늘었지만, 인테리어 지출은 신혼가구 대비 1/3 수준 3. 경기침체로 부동산 거래량 지속적 감소세 사회적 변화로 보면 오늘의집 2024년 실적(영업이익 6억 원)은 '졌잘싸'로 평가할 수 있습니다. 전년 대비 22% 정도 거래액이 늘었다는 건 인정해야 합니다. 앞으로가 더 걱정입니다. 1. 비혼, 저출산 시대에 집을 꾸밀 절대적 모수 감소 (10년 전과 비교하면 40% 감소) 2. 부동산 가격 영향으로 이사 자체가 줄어들고 월세가 전세 역전 3. 경기가 어려워지면서 가처분소득 감소로 인테리어는 뒷순위 오늘의집은 슈퍼커머스를 꿈꾸며 카테고리를 늘렸고 쌀, 소고기, 계란까지 판매하고 있습니다. 인테리어로 시작해 식품까지 파는 건 유니콘으로서 부여받은 목표 거래액(수, 양)을 맞추기 위해서 어쩔 수 없는 선택이었을 겁니다. 문제는 정체성의 혼란, 쿠팡이나 컬리와 경쟁하는 상황이 되어버렸습니다. [ 큐레이터의 문장 🎒 ] ✅ 토스가 증명한 하나의 성공 방정식 사용자에게 스며들기. 금융 서비스가 아니라 생활 서비스가 된 거죠. 🔄 당근의 숙제 중고거래 1등에서 동네생활 1등으로 진화할 수 있을까요? 쉽지 않은 상황입니다. 🏗️ 오늘의집의 생존기 어려운 이사, 인테리어 시장에서도 성장했다는 건 의미 있지만, 앞으로가 더 걱정입니다. 유니콘으로 선정되는 것보다 유니콘이라는 것을 증명해야 하는 시기. 기업가치가 아니라, 사용자들이 "이거 없으면 안 돼"라고 말하는 서비스를 만든 곳이겠죠. 여러분이 매일 사용하는 서비스 중에서 정말 '없으면 안 되는' 서비스는 무엇인가요? 출처: 파인드어스 이재용 회계사 - "토스·당근·오늘의집, 찔끔 흑자라고 웃을 때 아닙니다" https://www.linkedin.com/posts/redbusbagman_%ED%86%A0%EC%8A%A4%EB%8B%B9%EA%B7%BC%EC%98%A4%EB%8A%98%EC%9D%98%EC%A7%91-%EC%B0%94%EB%81%94-%ED%9D%91%EC%9E%90%EB%9D%BC%EA%B3%A0-%EC%9B%83%EC%9D%84-%EB%95%8C-%EC%95%84%EB%8B%99%EB%8B%88%EB%8B%A4-%ED%8C%8C%EC%9D%B8%EB%93%9C%EC%96%B4%EC%8A%A4-%EC%9D%B4%EC%9E%AC%EC%9A%A9-activity-7333327097496514561-v_Ka?utm_source=social_share_send&amp;utm_medium=member_desktop_web&amp;rcm=ACoAAAZSc3oBarIEHbo_ENsWiZv-BA5Ud1-qJ3U

www.linkedin.com

⟪🚀 유니콘이라 불리던 그들, 이제 진짜 실력을 보여줄 때⟫

﻿
이력서에는 많은 경험을 나열하기보다, 성과가 뛰어나거나 기여도가 높은 소수의 경험을 구체적으로 설명하는 것이 더 효과적입니다. 최근에는 동아리 활동, 기업 주최 공모전, 관심 분야 대회 등 다양한 대외활동을 통해 여러 경험을 쌓는 분들이 많습니다. 진심에서 우러나온 참여도 있지만, 이력서 한 줄을 채우기 위한 목적도 존재합니다.

물론 다양한 경험을 했다는 점은 긍정적입니다. 모든 경험은 분명 가치 있는 자산입니다. 그러나 단순히 "해봤다"고 나열만 한다면, 이력서를 읽는 사람에게는 아무런 인상을 주지 못할 수 있습니다. 따라서 경험의 배경, 목표, 본인의 역할, 구체적 성과, 배운 점 등을 중심으로 상세히 서술하는 것이 중요합니다.

경험이 10개가 넘는데, 모두 자세히 써야 할까요? 이론상 가능하지만, 분량이 많아지면 핵심이 흐려질 수 있습니다. 따라서 가장 대표적이고 자랑하고 싶은 경험 3가지 정도를 선정해 집중적으로 설명하는 것이 효과적입니다.

그렇다면 나머지 경험들은 어떻게 해야 할까요? 버리는 것이 아니라, 별도의 문서로 정리해 링크 형태로 이력서에 첨부하면 됩니다. 이력서에는 대표 경험 3가지를 중점적으로 서술하고, 추가 경험은 "더 많은 경험은 여기에 있습니다"라는 방식으로 안내해보세요. 이력서의 밀도는 높이고, 독자의 흥미를 유도하는 전략이 될 수 있습니다.

채용 담당자는 시간이 없습니다. 그렇다고 대충 읽는다는 의미는 아닙니다. 다만, 주어진 시간 안에 많은 업무를 처리해야 하기에 한 명의 이력서를 오랜 시간 읽기 어렵다는 점을 이해할 필요가 있습니다. 이력서를 읽는 사람의 입장을 고려하면, 작성자의 태도도 달라져야 합니다.

그래서 이력서는 무조건 짧아야 할까요? 아닙니다. "한 장으로 줄이라"는 조언도 있지만, 저는 동의하지 않습니다. 이력서 분량보다 더 중요한 건 흥미롭고 잘 읽히는 내용입니다. 얇지만 어려운 책보다 두껍지만 쉽게 읽히는 책이 더 매력적일 수 있듯이, 이력서도 마찬가지입니다.

이력서는 단순한 정보 나열이 아니라 스토리텔링이 필요합니다. 경험을 시작한 이유, 진행 과정, 결과와 배움까지 이야기 형태로 풀어내면, 읽는 이의 흥미와 공감을 이끌어낼 수 있습니다.

성과가 눈에 띄지 않아 어떤 경험을 써야 할지 고민이 되나요? 자신감을 가지세요. 경험의 가치는 그 속에서 얻은 배움에 있습니다. 숫자가 크거나 유명한 프로젝트보다, 본인의 성장과 통찰을 보여주는 경험이 더 인상 깊을 수 있습니다. 배운 점, 다음에 더 잘할 수 있다는 다짐 등도 훌륭한 성과로 어필할 수 있습니다.

마지막으로, 이력서를 읽는 사람은 모두 다릅니다. 숫자를 중시하는 사람, 친숙한 주제를 반가워하는 사람, 스토리텔링에 끌리는 사람 등 각자의 관점이 있습니다. 따라서 정답은 없습니다. 자신이 가장 잘 표현할 수 있는 방식으로, 자신만의 이야기를 담아내는 것이 가장 좋은 전략입니다.

여러분의 소중한 경험을 자신 있게 표현할 수 있기를 진심으로 응원합니다.

﻿이력서에는 많은 경험을 나열하기보다, 성과가 뛰어나거나 기여도가 높은 소수의 경험을 구체적으로 설명하는 것이 더 효과적입니다. 최근에는 동아리 활동, 기업 주최 공모전, 관심 분야 대회 등 다양한 대외활동을 통해 여러 경험을 쌓는 분들이 많습니다. 진심에서 우러나온 참여도 있지만, 이력서 한 줄을 채우기 위한 목적도 존재합니다. 물론 다양한 경험을 했다는 점은 긍정적입니다. 모든 경험은 분명 가치 있는 자산입니다. 그러나 단순히 "해봤다"고 나열만 한다면, 이력서를 읽는 사람에게는 아무런 인상을 주지 못할 수 있습니다. 따라서 경험의 배경, 목표, 본인의 역할, 구체적 성과, 배운 점 등을 중심으로 상세히 서술하는 것이 중요합니다. 경험이 10개가 넘는데, 모두 자세히 써야 할까요? 이론상 가능하지만, 분량이 많아지면 핵심이 흐려질 수 있습니다. 따라서 가장 대표적이고 자랑하고 싶은 경험 3가지 정도를 선정해 집중적으로 설명하는 것이 효과적입니다. 그렇다면 나머지 경험들은 어떻게 해야 할까요? 버리는 것이 아니라, 별도의 문서로 정리해 링크 형태로 이력서에 첨부하면 됩니다. 이력서에는 대표 경험 3가지를 중점적으로 서술하고, 추가 경험은 "더 많은 경험은 여기에 있습니다"라는 방식으로 안내해보세요. 이력서의 밀도는 높이고, 독자의 흥미를 유도하는 전략이 될 수 있습니다. 채용 담당자는 시간이 없습니다. 그렇다고 대충 읽는다는 의미는 아닙니다. 다만, 주어진 시간 안에 많은 업무를 처리해야 하기에 한 명의 이력서를 오랜 시간 읽기 어렵다는 점을 이해할 필요가 있습니다. 이력서를 읽는 사람의 입장을 고려하면, 작성자의 태도도 달라져야 합니다. 그래서 이력서는 무조건 짧아야 할까요? 아닙니다. "한 장으로 줄이라"는 조언도 있지만, 저는 동의하지 않습니다. 이력서 분량보다 더 중요한 건 흥미롭고 잘 읽히는 내용입니다. 얇지만 어려운 책보다 두껍지만 쉽게 읽히는 책이 더 매력적일 수 있듯이, 이력서도 마찬가지입니다. 이력서는 단순한 정보 나열이 아니라 스토리텔링이 필요합니다. 경험을 시작한 이유, 진행 과정, 결과와 배움까지 이야기 형태로 풀어내면, 읽는 이의 흥미와 공감을 이끌어낼 수 있습니다. 성과가 눈에 띄지 않아 어떤 경험을 써야 할지 고민이 되나요? 자신감을 가지세요. 경험의 가치는 그 속에서 얻은 배움에 있습니다. 숫자가 크거나 유명한 프로젝트보다, 본인의 성장과 통찰을 보여주는 경험이 더 인상 깊을 수 있습니다. 배운 점, 다음에 더 잘할 수 있다는 다짐 등도 훌륭한 성과로 어필할 수 있습니다. 마지막으로, 이력서를 읽는 사람은 모두 다릅니다. 숫자를 중시하는 사람, 친숙한 주제를 반가워하는 사람, 스토리텔링에 끌리는 사람 등 각자의 관점이 있습니다. 따라서 정답은 없습니다. 자신이 가장 잘 표현할 수 있는 방식으로, 자신만의 이야기를 담아내는 것이 가장 좋은 전략입니다. 여러분의 소중한 경험을 자신 있게 표현할 수 있기를 진심으로 응원합니다.﻿

이력서에 쓰는 경험

This link will take you to a page that’s not on LinkedIn

LinkedIn

한때 천만원에 거래가 되기도 했던 Manus를 "Bedrock-Manus"로 무료 오픈소스로 공개합니다. 아래는 이를 활용한 "Deep Research" 기능입니다. 데모 영상, 깃헙 코드까지 보실 수 있습니다. 이렇게 다 공개해도 되나싶네요 ㅎㅎ

🔍 Deep Research란? AI가 웹을 자동으로 탐색해서 심층적인 조사 보고서를 작성해주는 기능입니다.

✨ 주요 특징:
1️⃣ 복합적 정보 수집 및 분석
2️⃣ 자동화된 심층 리서치 프로세스
3️⃣ AWS Bedrock 기반 고도화된 AI 활용

🔗 오픈소스로 제공되니, 필요하신 분들은 언제든 자유롭게 활용해 보세요!

📺 Demo: hhttps://www.youtube.com/watch?v=Pb1lJTSLI98
👉 Code:
- Deep-researh based on Bedrock Manus: https://lnkd.in/gjfXg2CD
- Bedrock-Manus: https://lnkd.in/eCQ4qjir

여러분의 프로젝트나 업무에 도움이 되길 바라며, 사용 후기나 개선 아이디어도 공유해 주시면 더욱 발전시켜 나가겠습니다.

(AWS GenAI Specialist SA이신 장동진 박사님이 올리신 자료입니다. 더 많은 자료는 아래 유툽 채널을 참조하세요! 진짜 금광입니다....)
https://www.youtube.com/@dongjinjang5551

한때 천만원에 거래가 되기도 했던 Manus를 "Bedrock-Manus"로 무료 오픈소스로 공개합니다. 아래는 이를 활용한 "Deep Research" 기능입니다. 데모 영상, 깃헙 코드까지 보실 수 있습니다. 이렇게 다 공개해도 되나싶네요 ㅎㅎ 🔍 Deep Research란? AI가 웹을 자동으로 탐색해서 심층적인 조사 보고서를 작성해주는 기능입니다. ✨ 주요 특징: 1️⃣ 복합적 정보 수집 및 분석 2️⃣ 자동화된 심층 리서치 프로세스 3️⃣ AWS Bedrock 기반 고도화된 AI 활용 🔗 오픈소스로 제공되니, 필요하신 분들은 언제든 자유롭게 활용해 보세요! 📺 Demo: hhttps://www.youtube.com/watch?v=Pb1lJTSLI98 👉 Code: - Deep-researh based on Bedrock Manus: https://lnkd.in/gjfXg2CD - Bedrock-Manus: https://lnkd.in/eCQ4qjir 여러분의 프로젝트나 업무에 도움이 되길 바라며, 사용 후기나 개선 아이디어도 공유해 주시면 더욱 발전시켜 나가겠습니다. (AWS GenAI Specialist SA이신 장동진 박사님이 올리신 자료입니다. 더 많은 자료는 아래 유툽 채널을 참조하세요! 진짜 금광입니다....)https://www.youtube.com/@dongjinjang5551

lnkd.in

한때 천만원에 거래되었던 Manus, Bedrock 무료 오픈소스

✅️Prompting Guide 101 by Google : https://lnkd.in/d8UwPWeN

✅️ Identifying and Scaling Al use cases by OpenAl : https://lnkd.in/dJ36b3PU

✅️ A practical guide to building agents y OpenAI : https://lnkd.in/dBsKFteH

✅️ Best Practices sof Agentic Coding by Anthropic : https://lnkd.in/dA8JatJ7

✅️ Build Trusted Al in the enterprise by Anthropic : https://lnkd.in/dqjZmHax

✅️ AI in the enterprise by OpenAI : https://lnkd.in/d22VHqZt

✅️ Agents Companion by Google - https://lnkd.in/dGWvihgC

✅️ Prompt Engineering by Google : https://lnkd.in/dGXZ2DNR

✅️ The Prompt Collection : https://lnkd.in/dpFrJqvm

✅️Prompting Guide 101 by Google : https://lnkd.in/d8UwPWeN ✅️ Identifying and Scaling Al use cases by OpenAl : https://lnkd.in/dJ36b3PU ✅️ A practical guide to building agents y OpenAI : https://lnkd.in/dBsKFteH ✅️ Best Practices sof Agentic Coding by Anthropic : https://lnkd.in/dA8JatJ7 ✅️ Build Trusted Al in the enterprise by Anthropic : https://lnkd.in/dqjZmHax ✅️ AI in the enterprise by OpenAI : https://lnkd.in/d22VHqZt ✅️ Agents Companion by Google - https://lnkd.in/dGWvihgC ✅️ Prompt Engineering by Google : https://lnkd.in/dGXZ2DNR ✅️ The Prompt Collection : https://lnkd.in/dpFrJqvm

👋 LLM 활용에 도움이 되는 가이드 모음

실리콘밸리에는 묘한 패턴이 하나 있다. 구글이 제법 괜찮은 AI 제품을 내놓아도 사람들은 OpenAI의 ChatGPT와 Anthropic의 Claude 같은 스타트업 서비스들에게만 열광하는 것이다.특히 구글의 최대 개발자 행사인 구글 I/O를 하루 이틀 앞두고 OpenAI가 시장을 뒤흔들 만한 제품을 발표하며 모든 이목을 집중시키는 일이 반복됐다. OpenAI는 2024년 GPT-4o와 함께 스칼렛 요한슨의 목소리를 흉내내는 전화형 모델을 출시했고, 2023년에는 구글의 Gemini 이전 버전인 Bard 출시 직전에 GPT-4를 선보이며 존재감을 과시했다. 시장은 항상 OpenAI에 열광했고, 구글은 "우리가 최고의 모델을 만들었다"는 옛 명성만 되뇌며 실질적인 반격에는 실패했다.하지만 이번에는 달랐다. 구글 I/O 직전, OpenAI가 발표한 코딩 어시스턴트 '코덱스(Codex)'는 잠시 주목을 받았고 이후 발표된 조니 아이브의 OpenAI 하드웨어 디자인 총괄 합류 소식도 주목을 받았지만, 정작 새로운 제품은 없었다. 이들은 곧 구글 I/O의 비전에 묻혔다. 구글은 AI 전쟁에서 누구보다 강력한 무기들을 가지고 있다. 전 세계 검색 시장 점유율 90%를 차지하는 압도적인 검색엔진 구글, 애플과 모바일 생태계를 양분한 안드로이드 OS, 그리고 구글 클라우드, 지메일, 구글맵 같은 킬러 앱들의 독점적 지위까지. 겉보기에는 실행 속도가 느리고, 조직 내에서는 AI를 각 부서가 따로 도입하면서 엉성하게 움직이는 듯 보였지만,

AI 시대에 갈피 못잡던 구글의 역습 : 오호츠크 리포트

실리콘밸리에는 묘한 패턴이 하나 있다. 구글이 제법 괜찮은 AI 제품을 내놓아도 사람들은 OpenAI의 ChatGPT와 Anthropic의 Claude 같은 스타트업 서비스들에게만 열광하는 것이다.

특히 구글의 최대 개발자 행사인 구글 I/O를 하루 이틀 앞두고 OpenAI가 시장을 뒤흔들 만한 제품을 발표하며 모든 이목을 집중시키는 일이 반복됐다. OpenAI는 2024년 GPT-4o와 함께 스칼렛 요한슨의 목소리를 흉내내는 전화형 모델을 출시했고, 2023년에는 구글의 Gemini 이전 버전인 Bard 출시 직전에 GPT-4를 선보이며 존재감을 과시했다. 시장은 항상 OpenAI에 열광했고, 구글은 "우리가 최고의 모델을 만들었다"는 옛 명성만 되뇌며 실질적인 반격에는 실패했다.

하지만 이번에는 달랐다. 구글 I/O 직전, OpenAI가 발표한 코딩 어시스턴트 '코덱스(Codex)'는 잠시 주목을 받았고 이후 발표된 조니 아이브의 OpenAI 하드웨어 디자인 총괄 합류 소식도 주목을 받았지만, 정작 새로운 제품은 없었다. 이들은 곧 구글 I/O의 비전에 묻혔다.

그렇다면, 과연 구글 I/O의 비전은 무엇이었길래 미래를 보여줬다고 한 것일까요?

 1. 일반 사용자를 위한 제품
 2. 창작자들을 위한 도구
 3. 엔지니어들을 위한 도구
 4. 하드웨어와 미래 비전
 5. 지구를 구하는 사명감까지

실리콘밸리에는 묘한 패턴이 하나 있다. 구글이 제법 괜찮은 AI 제품을 내놓아도 사람들은 OpenAI의 ChatGPT와 Anthropic의 Claude 같은 스타트업 서비스들에게만 열광하는 것이다. 특히 구글의 최대 개발자 행사인 구글 I/O를 하루 이틀 앞두고 OpenAI가 시장을 뒤흔들 만한 제품을 발표하며 모든 이목을 집중시키는 일이 반복됐다. OpenAI는 2024년 GPT-4o와 함께 스칼렛 요한슨의 목소리를 흉내내는 전화형 모델을 출시했고, 2023년에는 구글의 Gemini 이전 버전인 Bard 출시 직전에 GPT-4를 선보이며 존재감을 과시했다. 시장은 항상 OpenAI에 열광했고, 구글은 "우리가 최고의 모델을 만들었다"는 옛 명성만 되뇌며 실질적인 반격에는 실패했다. 하지만 이번에는 달랐다. 구글 I/O 직전, OpenAI가 발표한 코딩 어시스턴트 '코덱스(Codex)'는 잠시 주목을 받았고 이후 발표된 조니 아이브의 OpenAI 하드웨어 디자인 총괄 합류 소식도 주목을 받았지만, 정작 새로운 제품은 없었다. 이들은 곧 구글 I/O의 비전에 묻혔다. 그렇다면, 과연 구글 I/O의 비전은 무엇이었길래 미래를 보여줬다고 한 것일까요? <ol ><li>일반 사용자를 위한 제품</li><li>창작자들을 위한 도구</li><li>엔지니어들을 위한 도구</li><li>하드웨어와 미래 비전</li><li>지구를 구하는 사명감까지</li></ol>

55check.com

AI 시대에 갈피 못잡던 구글의 역습

‘훌륭한 데이터 분석가란 어떤 사람인가?’에 대해
'데이터 분석가 지망생'과 '현직 데이터 분석가' 사이에
큰 생각의 차이가 있다는 것을 최근 알게 되었습니다.

데이터 분석가 지망생의 생각은 이렇습니다.

훌륭한 데이터 분석가는
- Excel | Python | VBA | Power BI | Tableau 등을 능숙하게 사용할 수 있다.
- 마케팅 | 재무 | 광고 | 사용자 행동 분석을 깊이 있게 할 수 있다.
- 빠르게 배우는 사람 | 노력파 | 어떤 일이든 열심히 하는 인재이다. 

현직 데이터 분석가의 생각은 이렇습니다.

훌륭한 데이터 분석가는
- 의사결정자가 마주한 문제를 정의하고 효과적으로 찾아낼 수 있다
- 다양한 분석 접근 방식을 탐색하고, 가장 효과적인 방법을 선택하여 적용한다
- 전략적 문제 해결자 | 스마트하게 일하는 사람 | 실패하더라도 자기 투자에 적극적인 사람이다.

이전에는 아무도 이걸 알려주지 않았습니다.

취준생이 진짜로 집중해야 할 것은
학교나 부트캠프에서 쌓아온 이론이나 기술이 아니라,
내가 그 회사에 어떤 가치를 줄 수 있느냐입니다.

그것이 지금 데이터 분석가 취업 시장의 현실입니다.

‘훌륭한 데이터 분석가란 어떤 사람인가?’에 대해 '데이터 분석가 지망생'과 '현직 데이터 분석가' 사이에큰 생각의 차이가 있다는 것을 최근 알게 되었습니다. 데이터 분석가 지망생의 생각은 이렇습니다. 훌륭한 데이터 분석가는 - Excel | Python | VBA | Power BI | Tableau 등을 능숙하게 사용할 수 있다. - 마케팅 | 재무 | 광고 | 사용자 행동 분석을 깊이 있게 할 수 있다. - 빠르게 배우는 사람 | 노력파 | 어떤 일이든 열심히 하는 인재이다.&nbsp; 현직 데이터 분석가의 생각은 이렇습니다. 훌륭한 데이터 분석가는 - 의사결정자가 마주한 문제를 정의하고 효과적으로 찾아낼 수 있다 - 다양한 분석 접근 방식을 탐색하고, 가장 효과적인 방법을 선택하여 적용한다 - 전략적 문제 해결자 | 스마트하게 일하는 사람 | 실패하더라도 자기 투자에 적극적인 사람이다. 이전에는 아무도 이걸 알려주지 않았습니다. 취준생이 진짜로 집중해야 할 것은 학교나 부트캠프에서 쌓아온 이론이나 기술이 아니라,내가 그 회사에 어떤 가치를 줄 수 있느냐입니다. 그것이 지금 데이터 분석가 취업 시장의 현실입니다.&nbsp;

훌륭한 데이터 분석가란 어떤 사람인가?

[용어 정의] GNB, LNB, SNB, FNB. 영역별 네비게이션 메뉴 바의 정의

영역별 네비게이션 메뉴바의 정의

GNB (Global Navigation Bar) - 최상위 전체 공통 네비게이션
LNB (Local Navigation Bar) - 현재 영역에만 해당되는 네비게이션
SNB (Side Navigation Bar) - 메인, 서브 메뉴를 제외한 나머지 사이드 메뉴, 기타 메뉴 바
FNB (Foot Navigation Bar) - 하단 메뉴, 하단 로고, 주소, 카피라이팅 영역

댓글 0

함께 읽은 게시물

《뒤돌아보고 그때서야 아는 것》

주간 인기 TOP 10

추천 프로필