통계청은 분기별로 온라인쇼핑 동향에 대한 정보를 제공합니다. 2023년 9월 온라인쇼핑동향 및 3/4분기 온라인 해외 직접 판매 및 구매 동향자료에 따르면, 총 온라인쇼핑 거래액은 19조 177억 원으로 전년 동월 대비 9.6%가 증가하였습니다. 하지만, 이러한 정보들이 차트로는 제대로 전달되지 않는 것 같네요. 데이터 시각화의 관점에서 이 차트들의 어떤 부분이, 어떻게 개선되면 좋을지 살펴보도록 하겠습니다.

ChatGPT의 코드 인터프리터(Code Interpreter)라는 기능을 활용하여 넷플릭스 데이터를 시각화하는 방법에 대해 알아보겠습니다. 코드 인터프리터는 ChatGPT의 유료 버전인 ChatGPT-4에서 사용 가능합니다. 사용자와의 대화 중 실시간으로 코드를 작성하고 실행할 수 있는 기능입니다. 사용자가 코드 관련 질문을 하면, ChatGPT는 파이썬(Python)을 비롯한 여러 언어로 코드를 작성하거나 해석할 수 있습니다.

로우그래프(RAWGraphs)라는 노코드 데이터 시각화 툴은 직관적인 인터페이스를 이용하여 데이터 시각화를 쉽게 만들 수 있게 해줍니다. 무료버전에서도 이미지 뿐 아니라 ‘svg’ 형태로 시각화를 저장할 수 있어서, 일러스트레이터나 피그마 등의 디자인 툴을 이용하여 업데이트가 가능합니다. ‘로우그래프’는 실제로 워싱턴 포스트의 그래픽 팀에 재직할 당시 저를 포함하여 많은 비주얼 저널리스트들이 사용하던 시각화 툴 중 하나입니다. 오늘은 ‘로우그래프’와 온라인 디자인 협업 툴인 ‘피그마’를 이용하여 피파(FIFA) 축구선수들의 역량을 한 눈에 파악할 수 있는 방사형 차트(Radial chart)를 함께 만들어 보겠습니다.

최근 뉴욕타임스나 워싱턴 포스트와 같은 미국 언론사에서는 노코드 데이터 시각화 툴인 ‘데이터래퍼(Datawrapper)’를 많이 사용하고 있습니다. 데이터래퍼는 간단한 차트, 지도 및 표를 쉽게 만들 수 있도록 도와줍니다. 제가 워싱턴 포스트에서 그래픽 기자로 근무할 당시에도 이 툴을 자주 사용했었습니다. 데이터래퍼는 다른 노코드 데이터 시각화 툴에 비해 차트 형식, 디자인, 주석 등의 설정이 용이합니다. 이 스토리에서는 누적 영역 그래프(Stacked area chart)를 함께 만들어보려고 합니다. 무료로 제공되는 버전을 이용하여 인터랙티브 차트를 제작할 예정입니다.

위워크(WeWork)라는 회사가 있습니다. 이름에서 유추할 수 있듯이 함께 일할 수 있는 공유오피스 공간을 제공합니다. 한때 ‘공유경제’의 대명사로 기업가치 450억 달러 이상으로 평가받던 유니콘이었으나, 2019년에는 29억 달러까지 추락한 곳이죠. 애플TV의 “우리는 폭망했다”라는 시리즈의 소재가 될 정도로 극단을 오간 기업이며 2021년에 한 벤처케피털과 합병해 뉴욕 증권거래소에 상장했습니다. 이번 글에서는 위워크가 시리즈D 투자를 유치할 당시 사용했던 2014년도 피치덱을 살펴보려고 합니다. 위워크는 이 피치덱을 이용하여 3억3천5백만 달러 (당시 환율 기준 약 3550억원)의 투자를 유치합니다.

링크드인은 시리즈B 투자를 유치할 당시 사용했던 2004년도 피치덱 자료를 공유했습니다. 링크드인은 시리즈B에 사용한 피치덱에서 데이터 시각화를 이용하여 회사의 성장세, 경쟁우위, 수익 가능성을 이야기합니다. 하지만, 이 정보들이 직관적으로 이해되도록 디자인되지 않았습니다. 그렇다면 투자자들이 짧은 시간 안에 필요한 정보를 얻을 수 있도록 어떻게 시각화를 업데이트하는 것이 좋을까요? 피치덱에 사용된 시각화를 하나씩 살펴보며 팁을 공유해보도록 하겠습니다.

스타트업 피치덱(Startup Pitch Deck)에 대해 들어보셨나요? 투자자에게 보이기 위한 목적으로 스타트업의 비전과 비즈니스 플랜 등의 회사 소개를 담은 발표자료를 말합니다. 이런 피치덱은 짧은 시간안에 투자자를 이해시키고 설득해야하기 때문에 시각정보들을 쉽고 직관적으로 디자인하는 것이 중요합니다. 피치덱에서 시장규모나 비지니스 모델 등 데이터를 바탕으로 한 정보전달에 데이터 시각화를 이용합니다. 하지만, 많은 경우 데이터 시각화를 통해 어떤 정보를 어떻게 효과적으로 전달할지에 대한 고려가 충분히 이루어지지 않습니다. 우버(Uber)도 예외는 아니었습니다.

간혹 직관적으로 이해된 시각화가 부정확한 정보를 전달하기도 하고, 시각적으로 오해를 불러일으키기도 합니다. 그 때문에 우리는 이러한 문제점이 왜 일어나는지 이해하고, 데이터 시각화를 정확하게 판단하며 볼 수 있는 눈을 길러야 합니다. 이번 글에서는 실생활에서 쉽게 접할 수 있는 사례들을 이용하여, 데이터 시각화를 이용한 거짓말을 어떻게 발견할 수 있는지 살펴보겠습니다.

데이터를 시각화하여 전달하면 우리의 뇌는 빠른 속도로 많은 양의 정보를 처리할 수 있고, 데이터 테이블에 비해 트렌드나 패턴, 아웃라이어 등을 쉽게 파악할 수 있습니다. 때문에 데이터를 쉽게 이해하고 데이터를 기반으로 한 의사결정에 도움을 줍니다. 하지만 모든 데이터 시각화가 쉽고 직관적으로 이해되지는 않습니다. 그 이유는 무엇일까요? 바로 데이터에서 발견한 정보가 시각 요소로 적절하게 디자인되지 않았기 때문입니다. 이번 글에서는 우리의 뇌가 시각 정보를 처리하는 과정을 이해하고, 직관적인 데이터 시각화를 만드는 방법에 대해 살펴보겠습니다.

데이터의 양이 늘어나고 복잡해질 수록 데이터를 좀 더 쉽게 이해하고 인사이트를 발견하는 것의 필요성이 높아지고 있는데요. 데이터 시각화란 말 그대로 데이터에서 발견한 정보를 시각적으로 이해할 수 있도록 그래픽 형태로 표현한 것을 말합니다. 그렇다면 데이터 시각화는 우리에게 어떤 역할을 하고 있으며, 어떻게 이를 잘 활용할 수 있을까요? ‘데이터 시각화 101’ 시리즈를 통해 이러한 질문들에 대한 답을 구해보려고 합니다.