Soumettre la recherche
Mettre en ligne
Log design
•
2 j'aime
•
1,149 vues
Soo-Kyung Choi
Suivre
로그 설계 시 고려할 사항에 대하여 정리해보았습니다.
Lire moins
Lire la suite
Données & analyses
Signaler
Partager
Signaler
Partager
1 sur 11
Télécharger maintenant
Télécharger pour lire hors ligne
Recommandé
흔히 만나는 실제 사례를 중심으로
로그 기깔나게 잘 디자인하는 법
로그 기깔나게 잘 디자인하는 법
Jeongsang Baek
Gonnector(고넥터) 고영혁 대표가 주최한 스타트업 데이터 활용 세미나 '우리가 데이터를 쓰는 법' 의 세 번째 발표 자료 세미나 : 우리가 데이터를 쓰는 법 (How We Use Data) 일시 : 2016년 4월 12일 화요일 10:00 ~ 18:00 장소 : 마루180 (Maru180) B1 Think 홀 제목 : 모바일 게임 로그 데이터 분석 이야기 연사 : 엔터메이트 공신배 팀장
[우리가 데이터를 쓰는 법] 모바일 게임 로그 데이터 분석 이야기 - 엔터메이트 공신배 팀장
[우리가 데이터를 쓰는 법] 모바일 게임 로그 데이터 분석 이야기 - 엔터메이트 공신배 팀장
Dylan Ko
NDC 2014 세션 발표 자료 입니다.
[NDC 발표] 모바일 게임데이터분석 및 실전 활용
[NDC 발표] 모바일 게임데이터분석 및 실전 활용
Tapjoy X 5Rocks
린 분석(Lean Analytics) 책은 스타트업을 준비하시는 모든분들께 강력 추천 합니다
린분석 with 레진코믹스 ( Lean Analytics with Lezhin Comics )
린분석 with 레진코믹스 ( Lean Analytics with Lezhin Comics )
정혁 권
2016 아이펀팩토리 Dev Day 발표 자료 강연 제목 : 게임 운영에 필요한 로그성 데이터들에 대하여 발표자 : 민영기 TD <2016> - 일시 : 2016년 9월 28 수요일 12:00~14:20 - 장소 : 넥슨 판교 사옥 지하 1층 교육실
게임 운영에 필요한 로그성 데이터들에 대하여
게임 운영에 필요한 로그성 데이터들에 대하여
iFunFactory Inc.
데이터 분석 강의안
서비스 기획자의 데이터 분석
서비스 기획자의 데이터 분석
YOO SE KYUN
주니어 기획자를 위한 데이터분석 입문. 서비스를 운영하면서 쌓이는 User Data를 바탕으로, 서비스를 개선해 나가는 과정을 이야기합니다.
서비스 기획자를 위한 데이터분석 시작하기
서비스 기획자를 위한 데이터분석 시작하기
승화 양
페이스북 그룹인 "실리콘 밸리를 꿈꾸는 판교 사람들"의 7월 테크톡에서 발표한 자료입니다. AWS 기반으로 서비스 운영중인 스타트업들의 로그 시스템 구축에 도움이 될 것입니다.
스타트업 사례로 본 로그 데이터 분석 : Tajo on AWS
스타트업 사례로 본 로그 데이터 분석 : Tajo on AWS
Matthew (정재화)
Recommandé
흔히 만나는 실제 사례를 중심으로
로그 기깔나게 잘 디자인하는 법
로그 기깔나게 잘 디자인하는 법
Jeongsang Baek
Gonnector(고넥터) 고영혁 대표가 주최한 스타트업 데이터 활용 세미나 '우리가 데이터를 쓰는 법' 의 세 번째 발표 자료 세미나 : 우리가 데이터를 쓰는 법 (How We Use Data) 일시 : 2016년 4월 12일 화요일 10:00 ~ 18:00 장소 : 마루180 (Maru180) B1 Think 홀 제목 : 모바일 게임 로그 데이터 분석 이야기 연사 : 엔터메이트 공신배 팀장
[우리가 데이터를 쓰는 법] 모바일 게임 로그 데이터 분석 이야기 - 엔터메이트 공신배 팀장
[우리가 데이터를 쓰는 법] 모바일 게임 로그 데이터 분석 이야기 - 엔터메이트 공신배 팀장
Dylan Ko
NDC 2014 세션 발표 자료 입니다.
[NDC 발표] 모바일 게임데이터분석 및 실전 활용
[NDC 발표] 모바일 게임데이터분석 및 실전 활용
Tapjoy X 5Rocks
린 분석(Lean Analytics) 책은 스타트업을 준비하시는 모든분들께 강력 추천 합니다
린분석 with 레진코믹스 ( Lean Analytics with Lezhin Comics )
린분석 with 레진코믹스 ( Lean Analytics with Lezhin Comics )
정혁 권
2016 아이펀팩토리 Dev Day 발표 자료 강연 제목 : 게임 운영에 필요한 로그성 데이터들에 대하여 발표자 : 민영기 TD <2016> - 일시 : 2016년 9월 28 수요일 12:00~14:20 - 장소 : 넥슨 판교 사옥 지하 1층 교육실
게임 운영에 필요한 로그성 데이터들에 대하여
게임 운영에 필요한 로그성 데이터들에 대하여
iFunFactory Inc.
데이터 분석 강의안
서비스 기획자의 데이터 분석
서비스 기획자의 데이터 분석
YOO SE KYUN
주니어 기획자를 위한 데이터분석 입문. 서비스를 운영하면서 쌓이는 User Data를 바탕으로, 서비스를 개선해 나가는 과정을 이야기합니다.
서비스 기획자를 위한 데이터분석 시작하기
서비스 기획자를 위한 데이터분석 시작하기
승화 양
페이스북 그룹인 "실리콘 밸리를 꿈꾸는 판교 사람들"의 7월 테크톡에서 발표한 자료입니다. AWS 기반으로 서비스 운영중인 스타트업들의 로그 시스템 구축에 도움이 될 것입니다.
스타트업 사례로 본 로그 데이터 분석 : Tajo on AWS
스타트업 사례로 본 로그 데이터 분석 : Tajo on AWS
Matthew (정재화)
기획자, 마케터, 신입 데이터 분석가를 위한 BigQuery의 모든 것 - 입문편입니다 미리보기에선 저화질인데 다운로드하면 고화질로 다운된다고 합니다! 반응이 좋을 경우 심화편도 만들겠습니다 :)
BigQuery의 모든 것(기획자, 마케터, 신입 데이터 분석가를 위한) 입문편
BigQuery의 모든 것(기획자, 마케터, 신입 데이터 분석가를 위한) 입문편
Seongyun Byeon
한빛데브그라운드에서 발표했던 내용입니다. 발표 영상 : https://youtu.be/ohpfSLf0V3Y -- 스타트업 비즈니스에서 데이터를 활용한 전략 수립과 의사결정은 필수적인 요소입니다. 서비스 운영 데이터에서부터 다양한 고객의 행동 로그, 소셜 미디어 데이터까지 다양한 데이터를 모두 모아 분석 환경을 구축하기 위해서는 많은 준비와 고민이 필요합니다. 스타트업에서 빠른 속도와 최소한의 비용, 다양한 분석 Tool들과 연동되는 Data Pipeline, Data Lake, Data Warehouse 구축 경험기를 공유하고자 합니다. 이 과정을 통해 애널리틱스 파이프라인을 구축 과정과 S3, Glue, Athena,EMR, Quicksight와 같은 서버리스 애널리틱스 서비스에 대한 구축 사례를 확인하실 수 있습니다.
[DevGround] 린하게 구축하는 스타트업 데이터파이프라인
[DevGround] 린하게 구축하는 스타트업 데이터파이프라인
Jae Young Park
http://ga.yonghosee.com 에서 진행하는 구글 어날리틱스(google analytics) 에 대한 강의 슬라이드 입니다. 이 슬라이드는 샘플이지만, 초반부는 실재 강의 교재 그대로 입니다. 이것 자체로도 여러분이 GA를 이해하는데 좀 도움이 된다면 기쁘겠습니다^^ 감사합니다.
오늘 밤부터 쓰는 google analytics (구글 애널리틱스, GA)
오늘 밤부터 쓰는 google analytics (구글 애널리틱스, GA)
Yongho Ha
한빛미디어가 주최한 데브그라운드 2019 에서 발표한 자료입니다. by 마이리얼트립 Growth팀 양승화
데이터가 흐르는 조직 만들기 - 마이리얼트립
데이터가 흐르는 조직 만들기 - 마이리얼트립
승화 양
Data Engineering 101
Data Engineering 101
Data Engineering 101
DaeMyung Kang
가장 간단하고 효과적인 데이터분석방법인 퍼널분석 (Funnel Analysis)와 코호트분석 (Cohort Analysis)을 소개해드립니다.
스타트업 데이터분석 - 퍼널분석과 코호트분석
스타트업 데이터분석 - 퍼널분석과 코호트분석
Seonggwan Lee
구글 애널리틱스(Google Analytics)를 사용하여 게임 로그를 분석하기, 게임 로그를 웹 로그에 잘 매핑하는 방법
GA로 게임 로그 분석하기
GA로 게임 로그 분석하기
Alan Kang
T아카데미 강연 자료 : https://tacademy.sktechx.com/front/community/techclinic/viewTechClinic.action?seq=131
대용량 로그분석 Bigquery로 간단히 사용하기 (20170215 T아카데미)
대용량 로그분석 Bigquery로 간단히 사용하기 (20170215 T아카데미)
Jaikwang Lee
우리 회사는 데이터를 볼 필요가 있을까? 봐야 한다면 어떻게 해야 할까? 스타트업이든, 큰 기업이든 데이터가 왜 필요하며, 어떤 기법들로 분석해 나갈 수 있는지 설명합니다. 퍼널, A/B 테스트, 코호트 분석등에 대해 쉽게 설명합니다.
스타트업은 데이터를 어떻게 바라봐야 할까? (개정판)
스타트업은 데이터를 어떻게 바라봐야 할까? (개정판)
Yongho Ha
Gonnector(고넥터) 고영혁 대표가 주최한 스타트업 데이터 활용 세미나 '우리가 데이터를 쓰는 법' 의 첫 번째 발표 자료 세미나 : 우리가 데이터를 쓰는 법 (How We Use Data) 일시 : 2016년 4월 12일 화요일 10:00 ~ 18:00 장소 : 마루180 (Maru180) B1 Think 홀 제목 : 좋다는 건 알겠는데 좀 써보고 싶소. 데이터! 연사 : 넘버웍스 하용호 대표
[우리가 데이터를 쓰는 법] 좋다는 건 알겠는데 좀 써보고 싶소. 데이터! - 넘버웍스 하용호 대표
[우리가 데이터를 쓰는 법] 좋다는 건 알겠는데 좀 써보고 싶소. 데이터! - 넘버웍스 하용호 대표
Dylan Ko
NDC18에서 발표하였습니다. 현재 보고 계신 슬라이드는 1부 입니다.(총 2부) - 1부 링크: https://goo.gl/3v4DAa - 2부 링크: https://goo.gl/wpoZpY (SlideShare에 슬라이드 300장 제한으로 2부로 나누어 올렸습니다. 불편하시더라도 양해 부탁드립니다.)
[NDC18] 야생의 땅 듀랑고의 데이터 엔지니어링 이야기: 로그 시스템 구축 경험 공유
[NDC18] 야생의 땅 듀랑고의 데이터 엔지니어링 이야기: 로그 시스템 구축 경험 공유
Hyojun Jeon
- 강의록 전문 읽기: http://bit.ly/2KKtzRA 데이터 분석(데이터 사이언스 말고, 통상적으로 스타트업에서 '데이터 분석'이나 '그로스'에 쓰는 데이터 분석)을 공부하려면, 어떤 기본 개념을 가지고 계시면 좋을지에 대해 만들어 본 강의 자료입니다. 카우앤독에서 지인 위주로 꾸린 강의에서 꽤 좋은 평가를 받았으나, 강의안 준비가 너무 힘들어서 실제 유료 강의로 이어지지는 않은 비운의 슬라이드... 멘탈 모델이란 무엇인지, 지표는 무엇이며 퍼널(Funnel)은 무엇인지, 등등의 이야기를 합니다. 기승전 결론은 SQL 배우세요. (https://brunch.co.kr/@minu-log/4)
데이터 분석에 필요한 기본 개념: 지표, Funnel 등 데이터를 이해하기 위한 멘탈 모델(Mental Model)
데이터 분석에 필요한 기본 개념: 지표, Funnel 등 데이터를 이해하기 위한 멘탈 모델(Mental Model)
Minwoo Kim
NDC14에서 발표한 "[야생의 땅: 듀랑고] 서버 아키텍처" 세션의 슬라이드입니다. 슬라이드에 설명이 많지 않은데, 디스이즈게임에서 발표 내용을 잘 정리해주었습니다. 기사도 함께 보시면 좋을 것 같습니다. http://www.thisisgame.com/webzine/news/nboard/4/?n=54955
[야생의 땅: 듀랑고] 서버 아키텍처 - SPOF 없는 분산 MMORPG 서버
[야생의 땅: 듀랑고] 서버 아키텍처 - SPOF 없는 분산 MMORPG 서버
Heungsub Lee
AWSKRUG Winter Meetup 김명보 / VCNC
Spark + S3 + R3를 이용한 데이터 분석 시스템 만들기
Spark + S3 + R3를 이용한 데이터 분석 시스템 만들기
AWSKRUG - AWS한국사용자모임
[236] 카카오의데이터파이프라인 윤도영
[236] 카카오의데이터파이프라인 윤도영
[236] 카카오의데이터파이프라인 윤도영
NAVER D2
데이터 분석에 대해 이야기는 많이 나오지만, 실제로 변화를 주는데 굉장히 힘이 듭니다. 데이터를 액션으로 옮기는데 어떠한 어려움이 있고, 어떻게 타개해야 하는지에 대한 팁들을 정리해보았습니다. 넘버웍스 만세
데이터는 차트가 아니라 돈이 되어야 한다.
데이터는 차트가 아니라 돈이 되어야 한다.
Yongho Ha
Data Pipeline Data Lake
Data pipeline and data lake
Data pipeline and data lake
DaeMyung Kang
* 해당 강연 관련 상세 인터뷰 - https://fyi.so/2Rl04JS [목차] 1. 그로스 해킹 제대로 바라보기 2. 선택이 아닌 필수 “개인화 (Personalization)” 의 본질 3. 개인화를 구현하는 CDP (Customer Data Platform)의 글로벌 혁신 성공 사례 4. 이 모든 화두의 접점 “데이터 프로덕트 (Data Product)” 의 핵심 5. 데이터 프로덕트를 잘 만들기 위한 서비스/데이터 디자인 방법론과 기타 * 2018년 10월 29일 드림플러스 강남점에서 ㅍㅍㅅㅅ 아카데미(PPSS Academy)가 주최한 2시간 특강 '그로스 해킹과 데이터 프로덕트' 의 강연 슬라이드 [Agenda] 1. How to understand Growth Hacking properly 2. Not option but mandatory, Personalization's essence 3. Global innovation use cases of personalization using CDP(Customer Data Platform) 4. The core of Data Product, which is the base of all the above things 5. The methodology of service and data architecture design and other detail things to make a well-made data product #그로스해킹 #데이터액션 #고넥터 #데이터사이언스 #서비스디자인 #GrowthHacking #DataAction #DataScience #Gonnector #ServiceDesign
그로스 해킹 & 데이터 프로덕트 (Growth Hacking & Data Product) - 고넥터 고영혁 (Gonnector Dylan Ko)
그로스 해킹 & 데이터 프로덕트 (Growth Hacking & Data Product) - 고넥터 고영혁 (Gonnector Dylan Ko)
Dylan Ko
2014년 3월 20일, D.Camp에서 진행된 '실전 스타트업 데이터분석: 소셜데이팅 이음은 이렇게 한다' 강의 자료입니다.
실전 스타트업 데이터분석: 소셜데이팅 이음은 이렇게 한다
실전 스타트업 데이터분석: 소셜데이팅 이음은 이렇게 한다
승화 양
이승재, 마비노기 듀얼: 분산 데이터베이스 트랜잭션 설계와 구현, NDC2015
이승재, 마비노기 듀얼: 분산 데이터베이스 트랜잭션 설계와 구현, NDC2015
devCAT Studio, NEXON
파이썬을 통한 주식투자 보조시스템 만들기
PYCON 2017 발표자료 한성준
PYCON 2017 발표자료 한성준
sungjun han
언론재단에서 진행한 구글 애널리틱스 강의 1주차.
언론사에 구글 애널리틱스 도입하기 - 강의 1주차
언론사에 구글 애널리틱스 도입하기 - 강의 1주차
chan693050
Contenu connexe
Tendances
기획자, 마케터, 신입 데이터 분석가를 위한 BigQuery의 모든 것 - 입문편입니다 미리보기에선 저화질인데 다운로드하면 고화질로 다운된다고 합니다! 반응이 좋을 경우 심화편도 만들겠습니다 :)
BigQuery의 모든 것(기획자, 마케터, 신입 데이터 분석가를 위한) 입문편
BigQuery의 모든 것(기획자, 마케터, 신입 데이터 분석가를 위한) 입문편
Seongyun Byeon
한빛데브그라운드에서 발표했던 내용입니다. 발표 영상 : https://youtu.be/ohpfSLf0V3Y -- 스타트업 비즈니스에서 데이터를 활용한 전략 수립과 의사결정은 필수적인 요소입니다. 서비스 운영 데이터에서부터 다양한 고객의 행동 로그, 소셜 미디어 데이터까지 다양한 데이터를 모두 모아 분석 환경을 구축하기 위해서는 많은 준비와 고민이 필요합니다. 스타트업에서 빠른 속도와 최소한의 비용, 다양한 분석 Tool들과 연동되는 Data Pipeline, Data Lake, Data Warehouse 구축 경험기를 공유하고자 합니다. 이 과정을 통해 애널리틱스 파이프라인을 구축 과정과 S3, Glue, Athena,EMR, Quicksight와 같은 서버리스 애널리틱스 서비스에 대한 구축 사례를 확인하실 수 있습니다.
[DevGround] 린하게 구축하는 스타트업 데이터파이프라인
[DevGround] 린하게 구축하는 스타트업 데이터파이프라인
Jae Young Park
http://ga.yonghosee.com 에서 진행하는 구글 어날리틱스(google analytics) 에 대한 강의 슬라이드 입니다. 이 슬라이드는 샘플이지만, 초반부는 실재 강의 교재 그대로 입니다. 이것 자체로도 여러분이 GA를 이해하는데 좀 도움이 된다면 기쁘겠습니다^^ 감사합니다.
오늘 밤부터 쓰는 google analytics (구글 애널리틱스, GA)
오늘 밤부터 쓰는 google analytics (구글 애널리틱스, GA)
Yongho Ha
한빛미디어가 주최한 데브그라운드 2019 에서 발표한 자료입니다. by 마이리얼트립 Growth팀 양승화
데이터가 흐르는 조직 만들기 - 마이리얼트립
데이터가 흐르는 조직 만들기 - 마이리얼트립
승화 양
Data Engineering 101
Data Engineering 101
Data Engineering 101
DaeMyung Kang
가장 간단하고 효과적인 데이터분석방법인 퍼널분석 (Funnel Analysis)와 코호트분석 (Cohort Analysis)을 소개해드립니다.
스타트업 데이터분석 - 퍼널분석과 코호트분석
스타트업 데이터분석 - 퍼널분석과 코호트분석
Seonggwan Lee
구글 애널리틱스(Google Analytics)를 사용하여 게임 로그를 분석하기, 게임 로그를 웹 로그에 잘 매핑하는 방법
GA로 게임 로그 분석하기
GA로 게임 로그 분석하기
Alan Kang
T아카데미 강연 자료 : https://tacademy.sktechx.com/front/community/techclinic/viewTechClinic.action?seq=131
대용량 로그분석 Bigquery로 간단히 사용하기 (20170215 T아카데미)
대용량 로그분석 Bigquery로 간단히 사용하기 (20170215 T아카데미)
Jaikwang Lee
우리 회사는 데이터를 볼 필요가 있을까? 봐야 한다면 어떻게 해야 할까? 스타트업이든, 큰 기업이든 데이터가 왜 필요하며, 어떤 기법들로 분석해 나갈 수 있는지 설명합니다. 퍼널, A/B 테스트, 코호트 분석등에 대해 쉽게 설명합니다.
스타트업은 데이터를 어떻게 바라봐야 할까? (개정판)
스타트업은 데이터를 어떻게 바라봐야 할까? (개정판)
Yongho Ha
Gonnector(고넥터) 고영혁 대표가 주최한 스타트업 데이터 활용 세미나 '우리가 데이터를 쓰는 법' 의 첫 번째 발표 자료 세미나 : 우리가 데이터를 쓰는 법 (How We Use Data) 일시 : 2016년 4월 12일 화요일 10:00 ~ 18:00 장소 : 마루180 (Maru180) B1 Think 홀 제목 : 좋다는 건 알겠는데 좀 써보고 싶소. 데이터! 연사 : 넘버웍스 하용호 대표
[우리가 데이터를 쓰는 법] 좋다는 건 알겠는데 좀 써보고 싶소. 데이터! - 넘버웍스 하용호 대표
[우리가 데이터를 쓰는 법] 좋다는 건 알겠는데 좀 써보고 싶소. 데이터! - 넘버웍스 하용호 대표
Dylan Ko
NDC18에서 발표하였습니다. 현재 보고 계신 슬라이드는 1부 입니다.(총 2부) - 1부 링크: https://goo.gl/3v4DAa - 2부 링크: https://goo.gl/wpoZpY (SlideShare에 슬라이드 300장 제한으로 2부로 나누어 올렸습니다. 불편하시더라도 양해 부탁드립니다.)
[NDC18] 야생의 땅 듀랑고의 데이터 엔지니어링 이야기: 로그 시스템 구축 경험 공유
[NDC18] 야생의 땅 듀랑고의 데이터 엔지니어링 이야기: 로그 시스템 구축 경험 공유
Hyojun Jeon
- 강의록 전문 읽기: http://bit.ly/2KKtzRA 데이터 분석(데이터 사이언스 말고, 통상적으로 스타트업에서 '데이터 분석'이나 '그로스'에 쓰는 데이터 분석)을 공부하려면, 어떤 기본 개념을 가지고 계시면 좋을지에 대해 만들어 본 강의 자료입니다. 카우앤독에서 지인 위주로 꾸린 강의에서 꽤 좋은 평가를 받았으나, 강의안 준비가 너무 힘들어서 실제 유료 강의로 이어지지는 않은 비운의 슬라이드... 멘탈 모델이란 무엇인지, 지표는 무엇이며 퍼널(Funnel)은 무엇인지, 등등의 이야기를 합니다. 기승전 결론은 SQL 배우세요. (https://brunch.co.kr/@minu-log/4)
데이터 분석에 필요한 기본 개념: 지표, Funnel 등 데이터를 이해하기 위한 멘탈 모델(Mental Model)
데이터 분석에 필요한 기본 개념: 지표, Funnel 등 데이터를 이해하기 위한 멘탈 모델(Mental Model)
Minwoo Kim
NDC14에서 발표한 "[야생의 땅: 듀랑고] 서버 아키텍처" 세션의 슬라이드입니다. 슬라이드에 설명이 많지 않은데, 디스이즈게임에서 발표 내용을 잘 정리해주었습니다. 기사도 함께 보시면 좋을 것 같습니다. http://www.thisisgame.com/webzine/news/nboard/4/?n=54955
[야생의 땅: 듀랑고] 서버 아키텍처 - SPOF 없는 분산 MMORPG 서버
[야생의 땅: 듀랑고] 서버 아키텍처 - SPOF 없는 분산 MMORPG 서버
Heungsub Lee
AWSKRUG Winter Meetup 김명보 / VCNC
Spark + S3 + R3를 이용한 데이터 분석 시스템 만들기
Spark + S3 + R3를 이용한 데이터 분석 시스템 만들기
AWSKRUG - AWS한국사용자모임
[236] 카카오의데이터파이프라인 윤도영
[236] 카카오의데이터파이프라인 윤도영
[236] 카카오의데이터파이프라인 윤도영
NAVER D2
데이터 분석에 대해 이야기는 많이 나오지만, 실제로 변화를 주는데 굉장히 힘이 듭니다. 데이터를 액션으로 옮기는데 어떠한 어려움이 있고, 어떻게 타개해야 하는지에 대한 팁들을 정리해보았습니다. 넘버웍스 만세
데이터는 차트가 아니라 돈이 되어야 한다.
데이터는 차트가 아니라 돈이 되어야 한다.
Yongho Ha
Data Pipeline Data Lake
Data pipeline and data lake
Data pipeline and data lake
DaeMyung Kang
* 해당 강연 관련 상세 인터뷰 - https://fyi.so/2Rl04JS [목차] 1. 그로스 해킹 제대로 바라보기 2. 선택이 아닌 필수 “개인화 (Personalization)” 의 본질 3. 개인화를 구현하는 CDP (Customer Data Platform)의 글로벌 혁신 성공 사례 4. 이 모든 화두의 접점 “데이터 프로덕트 (Data Product)” 의 핵심 5. 데이터 프로덕트를 잘 만들기 위한 서비스/데이터 디자인 방법론과 기타 * 2018년 10월 29일 드림플러스 강남점에서 ㅍㅍㅅㅅ 아카데미(PPSS Academy)가 주최한 2시간 특강 '그로스 해킹과 데이터 프로덕트' 의 강연 슬라이드 [Agenda] 1. How to understand Growth Hacking properly 2. Not option but mandatory, Personalization's essence 3. Global innovation use cases of personalization using CDP(Customer Data Platform) 4. The core of Data Product, which is the base of all the above things 5. The methodology of service and data architecture design and other detail things to make a well-made data product #그로스해킹 #데이터액션 #고넥터 #데이터사이언스 #서비스디자인 #GrowthHacking #DataAction #DataScience #Gonnector #ServiceDesign
그로스 해킹 & 데이터 프로덕트 (Growth Hacking & Data Product) - 고넥터 고영혁 (Gonnector Dylan Ko)
그로스 해킹 & 데이터 프로덕트 (Growth Hacking & Data Product) - 고넥터 고영혁 (Gonnector Dylan Ko)
Dylan Ko
2014년 3월 20일, D.Camp에서 진행된 '실전 스타트업 데이터분석: 소셜데이팅 이음은 이렇게 한다' 강의 자료입니다.
실전 스타트업 데이터분석: 소셜데이팅 이음은 이렇게 한다
실전 스타트업 데이터분석: 소셜데이팅 이음은 이렇게 한다
승화 양
이승재, 마비노기 듀얼: 분산 데이터베이스 트랜잭션 설계와 구현, NDC2015
이승재, 마비노기 듀얼: 분산 데이터베이스 트랜잭션 설계와 구현, NDC2015
devCAT Studio, NEXON
Tendances
(20)
BigQuery의 모든 것(기획자, 마케터, 신입 데이터 분석가를 위한) 입문편
BigQuery의 모든 것(기획자, 마케터, 신입 데이터 분석가를 위한) 입문편
[DevGround] 린하게 구축하는 스타트업 데이터파이프라인
[DevGround] 린하게 구축하는 스타트업 데이터파이프라인
오늘 밤부터 쓰는 google analytics (구글 애널리틱스, GA)
오늘 밤부터 쓰는 google analytics (구글 애널리틱스, GA)
데이터가 흐르는 조직 만들기 - 마이리얼트립
데이터가 흐르는 조직 만들기 - 마이리얼트립
Data Engineering 101
Data Engineering 101
스타트업 데이터분석 - 퍼널분석과 코호트분석
스타트업 데이터분석 - 퍼널분석과 코호트분석
GA로 게임 로그 분석하기
GA로 게임 로그 분석하기
대용량 로그분석 Bigquery로 간단히 사용하기 (20170215 T아카데미)
대용량 로그분석 Bigquery로 간단히 사용하기 (20170215 T아카데미)
스타트업은 데이터를 어떻게 바라봐야 할까? (개정판)
스타트업은 데이터를 어떻게 바라봐야 할까? (개정판)
[우리가 데이터를 쓰는 법] 좋다는 건 알겠는데 좀 써보고 싶소. 데이터! - 넘버웍스 하용호 대표
[우리가 데이터를 쓰는 법] 좋다는 건 알겠는데 좀 써보고 싶소. 데이터! - 넘버웍스 하용호 대표
[NDC18] 야생의 땅 듀랑고의 데이터 엔지니어링 이야기: 로그 시스템 구축 경험 공유
[NDC18] 야생의 땅 듀랑고의 데이터 엔지니어링 이야기: 로그 시스템 구축 경험 공유
데이터 분석에 필요한 기본 개념: 지표, Funnel 등 데이터를 이해하기 위한 멘탈 모델(Mental Model)
데이터 분석에 필요한 기본 개념: 지표, Funnel 등 데이터를 이해하기 위한 멘탈 모델(Mental Model)
[야생의 땅: 듀랑고] 서버 아키텍처 - SPOF 없는 분산 MMORPG 서버
[야생의 땅: 듀랑고] 서버 아키텍처 - SPOF 없는 분산 MMORPG 서버
Spark + S3 + R3를 이용한 데이터 분석 시스템 만들기
Spark + S3 + R3를 이용한 데이터 분석 시스템 만들기
[236] 카카오의데이터파이프라인 윤도영
[236] 카카오의데이터파이프라인 윤도영
데이터는 차트가 아니라 돈이 되어야 한다.
데이터는 차트가 아니라 돈이 되어야 한다.
Data pipeline and data lake
Data pipeline and data lake
그로스 해킹 & 데이터 프로덕트 (Growth Hacking & Data Product) - 고넥터 고영혁 (Gonnector Dylan Ko)
그로스 해킹 & 데이터 프로덕트 (Growth Hacking & Data Product) - 고넥터 고영혁 (Gonnector Dylan Ko)
실전 스타트업 데이터분석: 소셜데이팅 이음은 이렇게 한다
실전 스타트업 데이터분석: 소셜데이팅 이음은 이렇게 한다
이승재, 마비노기 듀얼: 분산 데이터베이스 트랜잭션 설계와 구현, NDC2015
이승재, 마비노기 듀얼: 분산 데이터베이스 트랜잭션 설계와 구현, NDC2015
Similaire à Log design
파이썬을 통한 주식투자 보조시스템 만들기
PYCON 2017 발표자료 한성준
PYCON 2017 발표자료 한성준
sungjun han
언론재단에서 진행한 구글 애널리틱스 강의 1주차.
언론사에 구글 애널리틱스 도입하기 - 강의 1주차
언론사에 구글 애널리틱스 도입하기 - 강의 1주차
chan693050
Google Cloud에서 IAM(Identity and Access Management)을 사용하여 클라우드 리소스를 사용하는데 필요한 계정, 권한, 조직을 효율적으로 관리하는 방법. Cross Project Network, 보안 권고, 빌링 내용 일부 포함
Google Cloud IAM 계정, 권한 및 조직 관리
Google Cloud IAM 계정, 권한 및 조직 관리
정명훈 Jerry Jeong
온라인 고객행동 분석 컨퍼런스에서 발표한 성공적인 인터넷 마케팅 전략수립을 위한 데이터 분석 및 eMetric전략 강의 발표 자료
성공적인 인터넷 마케팅 전략 수립을 위한 데이터분석 전략
성공적인 인터넷 마케팅 전략 수립을 위한 데이터분석 전략
Digital Initiative Group
데브시스터즈 데이터 레이크 구축 이야기 : Data Lake architecture case study 이 세션에서는 데브시스터즈의 Case Study를 통하여 Data Lake를 만들고 사용하는데 있어 요구 되는 사항들에 대해 공유합니다. 여러 목적에 맞는 데이터를 전달하기 위해 AWS 를 활용하여 Data Lake 를 구축하게된 계기와 실제 구축 작업을 하면서 경험하게 된 것들에 대해 말씀드리고자 합니다. 기존 인프라 구조 대비 효율성 및 비용적 측면을 소개해드리고, 빅데이터를 이용한 부서별 데이터 세분화를 진행할 때 어떠한 Architecture가 사용되었는지 소개드리고자 합니다.
데브시스터즈 데이터 레이크 구축 이야기 : Data Lake architecture case study (박주홍 데이터 분석 및 인프라 팀...
데브시스터즈 데이터 레이크 구축 이야기 : Data Lake architecture case study (박주홍 데이터 분석 및 인프라 팀...
Amazon Web Services Korea
다양하고 복잡한 비즈니스 환경을 만족시키기 위해 시스템을 설계하는 과정과 결과를 소개한다. 가상 머신과 관계형 데이터베이스에 기반한 획일적인 아키텍처를 벗어나 Azure가 제공하는 여러 제품들을 사용한 도메인 요구사항 중심의 설계를 살펴볼 수 있다.
Azure를 이용한 Join 없는 글로벌 분산 시스템 설계하기
Azure를 이용한 Join 없는 글로벌 분산 시스템 설계하기
Gyuwon Yi
데이터야놀자 2021 https://datayanolja.kr/ https://www.youtube.com/watch?v=j-xiEKFF2-U
Data Driven Decision을 위한 데이터플랫폼구축기@kakaomobility
Data Driven Decision을 위한 데이터플랫폼구축기@kakaomobility
Jongho Woo
데이터야놀자 2017
Log Design Case Study
Log Design Case Study
Dataya Nolja
DeView2013 session note - Big Data Platform Architecture with Hadoop by Hyeong-jun Kim, Architect at Gruter, inc.
DeView2013 Big Data Platform Architecture with Hadoop - Hyeong-jun Kim
DeView2013 Big Data Platform Architecture with Hadoop - Hyeong-jun Kim
Gruter
234 deview2013 김형준
234 deview2013 김형준
NAVER D2
기업 환경에 따라 차이는 있겠지만, 최근 대부분의 기업은 데이터 분석 환경이 구축되어 있고, 이를 기반으로 데이터를 분석하고 있습니다. 그럼에도 불구하고 현업에서는 분석하고자 하는 데이터가 없거나 변화하는 비즈니스 요건을 반영하지 못한다는 불만을 제기하고, 분석 환경을 제공하는 IT운영팀은 변화하는 비즈니스 요건에 따라 분석 환경을 적시에 제공하기 쉽지 않다는 어려움을 토로하고 있습니다. 이 해결책으로 운영시스템에 데이터베이스 형태로 존재하고 있거나, 현업의 PC에서 수작업으로 작성한 정형, 비정형 파일을 통합 관리할 수 있고, 또한 인프라 환경의 확장 및 변경을 보다 유연하게 할 수 있는 AWS Cloud 기반의 분석 환경 구축 사례를 소개하고자 합니다. 다시보기 링크: https://youtu.be/YvYfNZHMJkI
[Bespin Global 파트너 세션] 분산 데이터 통합 (Data Lake) 기반의 데이터 분석 환경 구축 사례 - 베스핀 글로벌 장익...
[Bespin Global 파트너 세션] 분산 데이터 통합 (Data Lake) 기반의 데이터 분석 환경 구축 사례 - 베스핀 글로벌 장익...
Amazon Web Services Korea
2014 ACE Conference & Academy 발표 자료
빅데이터 기술 현황과 시장 전망(2014)
빅데이터 기술 현황과 시장 전망(2014)
Channy Yun
- GRUTER의 빅데이터 플랫폼 qoobah의 아키텍쳐와 관리 도구 Cloumon 소개 - GRUTER의 빅데이터 플랫폼 Delivery 방법론 소개
GRUTER가 들려주는 Big Data Platform 구축 전략과 적용 사례: GRUTER의 빅데이터 플랫폼 및 전략 소개
GRUTER가 들려주는 Big Data Platform 구축 전략과 적용 사례: GRUTER의 빅데이터 플랫폼 및 전략 소개
Gruter
이마트 DT본부에서 AI/ML의 지난 1년동안 바람을 불러일으키는 활동들을 공유하는 발표입니다.
역삼역, 이마트 AI_v최종.pdf
역삼역, 이마트 AI_v최종.pdf
DeukJin Jeon
데이터야놀자 2016 이주형
How to Create Value from Data, and Its Difficulty
How to Create Value from Data, and Its Difficulty
Dataya Nolja
제1회 DataGeeks(디긱스) 오픈세미나 발표자료 주제 : 데이터 분석과 활용 Google Analytics (이태영) - 모바일과 웹 비즈니스 분석을 위한 Google Analytics 활용 일시 : 12월 13일(토) 오후 13:30 ~ 17:30 장소 : 신논현역(9호선) 1번출구 2분 이내 데브기어 강의장
Google analytics in business
Google analytics in business
Tae Young Lee
모든 데이터를 위한 단 하나의 저장소, Amazon S3 기반 데이터 레이크::정세웅::AWS Summit Seoul 2018
모든 데이터를 위한 단 하나의 저장소, Amazon S3 기반 데이터 레이크::정세웅::AWS Summit Seoul 2018
Amazon Web Services Korea
[Retail & CPG Day 2019] 리테일/소비재 부문의 고객 경험 강화를 위한 기술변화 방향과 고객 사례 (ZIGZAG) - 김선수, AWS 사업개발 담당, 소성운, 크로키닷컴(주) ZIGZAG
[Retail & CPG Day 2019] 리테일/소비재 부문의 고객 경험 강화를 위한 기술변화 방향과 고객 사례 (ZIGZAG) - 김선...
[Retail & CPG Day 2019] 리테일/소비재 부문의 고객 경험 강화를 위한 기술변화 방향과 고객 사례 (ZIGZAG) - 김선...
Amazon Web Services Korea
kafka stream 정리
Kafka streams 20201012
Kafka streams 20201012
한 경만
AWS Partner Techshift - (SaaS) 사업을 위한 데이터 기반 세일즈/마케팅 전략과 노하우 (트레져데이터 고영혁 수석)
AWS Partner Techshift - (SaaS) 사업을 위한 데이터 기반 세일즈/마케팅 전략과 노하우 (트레져데이터 고영혁 수석)
Amazon Web Services Korea
Similaire à Log design
(20)
PYCON 2017 발표자료 한성준
PYCON 2017 발표자료 한성준
언론사에 구글 애널리틱스 도입하기 - 강의 1주차
언론사에 구글 애널리틱스 도입하기 - 강의 1주차
Google Cloud IAM 계정, 권한 및 조직 관리
Google Cloud IAM 계정, 권한 및 조직 관리
성공적인 인터넷 마케팅 전략 수립을 위한 데이터분석 전략
성공적인 인터넷 마케팅 전략 수립을 위한 데이터분석 전략
데브시스터즈 데이터 레이크 구축 이야기 : Data Lake architecture case study (박주홍 데이터 분석 및 인프라 팀...
데브시스터즈 데이터 레이크 구축 이야기 : Data Lake architecture case study (박주홍 데이터 분석 및 인프라 팀...
Azure를 이용한 Join 없는 글로벌 분산 시스템 설계하기
Azure를 이용한 Join 없는 글로벌 분산 시스템 설계하기
Data Driven Decision을 위한 데이터플랫폼구축기@kakaomobility
Data Driven Decision을 위한 데이터플랫폼구축기@kakaomobility
Log Design Case Study
Log Design Case Study
DeView2013 Big Data Platform Architecture with Hadoop - Hyeong-jun Kim
DeView2013 Big Data Platform Architecture with Hadoop - Hyeong-jun Kim
234 deview2013 김형준
234 deview2013 김형준
[Bespin Global 파트너 세션] 분산 데이터 통합 (Data Lake) 기반의 데이터 분석 환경 구축 사례 - 베스핀 글로벌 장익...
[Bespin Global 파트너 세션] 분산 데이터 통합 (Data Lake) 기반의 데이터 분석 환경 구축 사례 - 베스핀 글로벌 장익...
빅데이터 기술 현황과 시장 전망(2014)
빅데이터 기술 현황과 시장 전망(2014)
GRUTER가 들려주는 Big Data Platform 구축 전략과 적용 사례: GRUTER의 빅데이터 플랫폼 및 전략 소개
GRUTER가 들려주는 Big Data Platform 구축 전략과 적용 사례: GRUTER의 빅데이터 플랫폼 및 전략 소개
역삼역, 이마트 AI_v최종.pdf
역삼역, 이마트 AI_v최종.pdf
How to Create Value from Data, and Its Difficulty
How to Create Value from Data, and Its Difficulty
Google analytics in business
Google analytics in business
모든 데이터를 위한 단 하나의 저장소, Amazon S3 기반 데이터 레이크::정세웅::AWS Summit Seoul 2018
모든 데이터를 위한 단 하나의 저장소, Amazon S3 기반 데이터 레이크::정세웅::AWS Summit Seoul 2018
[Retail & CPG Day 2019] 리테일/소비재 부문의 고객 경험 강화를 위한 기술변화 방향과 고객 사례 (ZIGZAG) - 김선...
[Retail & CPG Day 2019] 리테일/소비재 부문의 고객 경험 강화를 위한 기술변화 방향과 고객 사례 (ZIGZAG) - 김선...
Kafka streams 20201012
Kafka streams 20201012
AWS Partner Techshift - (SaaS) 사업을 위한 데이터 기반 세일즈/마케팅 전략과 노하우 (트레져데이터 고영혁 수석)
AWS Partner Techshift - (SaaS) 사업을 위한 데이터 기반 세일즈/마케팅 전략과 노하우 (트레져데이터 고영혁 수석)
Log design
1.
로그(log)
2.
설계를
3.
위한
4.
고민 최수경
5.
1.
6.
로그
7.
설계
8.
작업
9.
단계
10.
2.
11.
로그
12.
항목
13.
(attribute)
14.
15.
-
16.
Who
17.
-
18.
when
19.
-
20.
where
21.
-
22.
what
23.
-
24.
how
25.
26.
why
27.
3.
28.
고민
29.
사항
30.
덧.
31.
GA
32.
vs
33.
자체로그
34.
1.
35.
로그
36.
설계
37.
작업
38.
단계
39.
•Timing
40.
:
41.
기능
42.
개발
43.
할때
44.
로깅도
45.
함께
46.
47.
•Purpose
48.
:
49.
기능의
50.
목표에
51.
맞추어
52.
•가설의
53.
확인
54.
•지표의
55.
측정
56.
•Attribute
57.
:
58.
59.
필요한
60.
항목을
61.
정해서
62.
•Sample
63.
:
64.
원하는
65.
output을
66.
시나리오별로
67.
작성
68.
•목적을
69.
만족
70.
하는지
71.
설계자의
72.
paper
73.
검토
74.
•개발자에게
75.
test
76.
case로
77.
제공
78.
79.
2.
80.
로그
81.
항목
82.
(attribute)
83.
-
84.
Who •개인
85.
(
86.
or
87.
특정
88.
기기)
89.
을
90.
식별할
91.
수
92.
있는
93.
정보
94.
95.
•가입전-후
96.
/
97.
로그인
98.
전-후
99.
100.
•GA
101.
user_ID,
102.
우리
103.
서비스의
104.
user_ID
105.
•정책
106.
변경에
107.
따라
108.
개인
109.
식별
110.
정보가
111.
바뀔
112.
수
113.
있음에
114.
대비
115.
•ISMS
116.
인증을
117.
위한
118.
개인
119.
정보보호
120.
적용
121.
•탈퇴자
122.
처리
123.
정책
124.
변경
125.
126.
•식별
127.
목적
128.
외에도
129.
segmentation
130.
성격의
131.
정보가
132.
추가로
133.
필요할
134.
수
135.
있음
136.
•(분석)
137.
편의를
138.
위한
139.
경우
140.
:
141.
연령,성별과
142.
같은
143.
개인의
144.
추가
145.
정보
146.
147.
•(분석)
148.
필요에
149.
의한
150.
경우
151.
:
152.
utm_tag의
153.
source와
154.
같은
155.
정보
156.
2.
157.
로그
158.
항목
159.
(attribute)
160.
-
161.
When •다양한
162.
날짜
163.
포맷이
164.
존재
165.
166.
•string
167.
type
168.
형태
169.
:
170.
yyyyMMDDHHMMSS
171.
•timestamp
172.
형태
173.
:
174.
1536752982
175.
•date
176.
type
177.
형태
178.
:
179.
2018-09-13
180.
23:59:59.0
181.
•시계의
182.
기준을
183.
반드시
184.
확인
185.
:
186.
서버?
187.
유저?
188.
189.
•무엇을
190.
한
191.
시간인지
192.
명시
193.
194.
•reg_date
195.
는?
196.
로그
197.
기록
198.
시간?
199.
유저
200.
가입
201.
시간?
202.
203.
•다양한
204.
용어가
205.
혼용
206.
돼
207.
혼란스럽다면
208.
meta_data
209.
관리가
210.
필요해지는
211.
시점
212.
2.
213.
로그
214.
항목
215.
(attribute)
216.
-
217.
Where •페이지
218.
영역별
219.
naming
220.
•이전
221.
영역
222.
정보가
223.
필요할
224.
수
225.
있음
226.
•예를들어
227.
구매
228.
페이지
229.
도달시
230.
이전
231.
페이지가
232.
제품상세인지,
233.
위시리스트
234.
인지
235.
등
236.
•유저별로
237.
시간순으로
238.
정렬해서
239.
직전
240.
페이지
241.
확인은
242.
가능
243.
-
244.
처리
245.
시간이
246.
매우
247.
오래걸 리는
248.
유형의
249.
작업
250.
2.
251.
로그
252.
항목
253.
(attribute)
254.
-
255.
What •기능
256.
내
257.
이벤트를
258.
계층
259.
구조화
260.
후
261.
의미있는
262.
이벤트를
263.
뽑아
264.
로깅
265.
대상으로
266.
선정
267.
•거쳐온
268.
이벤트
269.
흐름
270.
정보가
271.
필요하다면?
272.
•유저별로
273.
시간순으로
274.
정렬해서
275.
이벤트만
276.
뽑는
277.
전처리
278.
필요
279.
• 만약
280.
마지막
281.
C이벤트의
282.
일시만
283.
중요하다면
284.
이전
285.
이벤트와
286.
묶어서
287.
로깅하는
288.
방식도
289.
검토 가능
290.
•이외
291.
추가
292.
정보도
293.
분석
294.
편의를
295.
위해
296.
종종
297.
기록
298.
:
299.
구매시
300.
구매번호,
301.
제품번호,
302.
수량
303.
등
304.
2.
305.
로그
306.
항목
307.
(attribute)
308.
-
309.
기타 •How
310.
:
311.
312.
•어떻게
313.
사용하였는가?
314.
•분석으로
315.
패턴화,
316.
가시화
317.
시켜야
318.
하는
319.
정보
320.
•Why
321.
:
322.
•왜
323.
사용하였는가?
324.
•분석
325.
결과로
326.
유추하여
327.
실험을
328.
통해
329.
확인해야
330.
하는
331.
정보
332.
3.
333.
고민
334.
사항 •얼마나
335.
자주
336.
남길
337.
것인가?
338.
•대상
339.
이벤트의
340.
수준을
341.
잘
342.
정의해야
343.
•많이
344.
남기는
345.
것이
346.
능사는
347.
아님
348.
•로그가
349.
너무
350.
많이
351.
쌓이면,
352.
분석을
353.
위한
354.
전처리가
355.
추가되고,
356.
자주
357.
분석하지
358.
않게되는
359.
결과를
360.
가져오기도
361.
;;
362.
363.
•얼마나
364.
자세히
365.
남길
366.
것인가?
367.
•로그의
368.
When,
369.
What,
370.
Where
371.
이외의
372.
Who관련
373.
정보의
374.
경우
375.
로그
376.
행마다
377.
반복되어
378.
나 타나게
379.
되므로
380.
분석시
381.
빈번하게
382.
쓰이는
383.
정보만
384.
포함하도록
385.
정리
386.
•DB의
387.
정보를
388.
통해
389.
join으로
390.
확인할
391.
수
392.
있는
393.
정보는
394.
가급적
395.
제외
396.
•But,
397.
DB에서
398.
history
399.
관리가
400.
되지
401.
않거나,
402.
특정시점리의
403.
값을
404.
알아내기에
405.
복잡한
406.
구 조인
407.
경우는
408.
로그에
409.
해당
410.
정보를
411.
포함해야
412.
함
413.
414.
415.
덧.
416.
자체
417.
로그
418.
vs.
419.
Google
420.
Analytics •Google
421.
Analysis
422.
•기본적인
423.
분석
424.
가능
425.
•개발
426.
분량이
427.
상대적으로
428.
적음
429.
•메뉴
430.
클릭으로
431.
손쉽게
432.
사용
433.
가능 •자체
434.
로그
435.
•다양한
436.
분석
437.
가능
438.
•개발
439.
및
440.
관리가
441.
필요
442.
•수치
443.
검증
444.
및
445.
테스트
446.
용이
447.
QA
Télécharger maintenant