장서우

여전히, 답이 없는 문제 앞에서 - AI와 함께 답을 만들고 그 결과를 살아가는 사람들

2026-09-21T00:57:33Z

이 책도 답이 없는 문제였다 '답이 없는 문제에 답하는 방법' 지금까지 나는 이 방법에 대한 내 생각을 이야기했다. 데이터를 믿었던 순간과 사용되지 않는 대시보드 앞에서의 좌절, 디자인적 사고와 박사 연구, 현업에서 시도한 인사이트 리포트와 AI 시대에 대한 고민까지. 서로 다른 시간에 생긴 경험들을 어떻게 하나의 이야기로 엮어야 할지 처음부터 알고 있

하나의 분석, 세 가지 형태 - 공감에서 시작한 답을 사람에게 전하는 법

2026-09-20T05:30:31Z

분석가 이야기 9 - 하나의 분석, 세 가지 형태 커머스 분석가의 마지막 이야기다. 분석가는 첫 시범 운영의 결과를 보고하고, 그 경험을 바탕으로 두 번째 시험을 진행할 수 있도록 상위 조직장을 설득해야 했다. 조직장은 온라인팀의 성과와 매장운영팀의 부담을 함께 살피며, 추가 예산과 인력을 투입할지 판단해야 했다. 지금까지 조직장이 공감할 지점을 찾고 제

좋은 내용만으로는 충분하지 않다 - PPT·대시보드·리포트가 다르게 작동하는 이유

2026-09-19T06:05:27Z

내용만 좋으면 충분한가 공감으로 마음을 열고, 논리로 생각의 길을 놓았다. 이제 마지막 축이다. 몇 년 전만 해도 나는 PPT를 꾸미고 보고서를 아름답게 다듬는 것을 비생산적인 일이라고 생각했다. 알맹이가 중요하지, 껍데기가 무슨 상관인가. 의미 있는 내용만 담으면 상대방에게 충분히 전달될 것이라 믿었다. 그러나 현장에서 같은 내용을 여러 형태로 만들

논리는 화면에서도 작동한다 - 탐색의 순서를 실행 가능한 판단으로 끝내는 법

2026-09-18T10:17:03Z

논리는 화면에서도 작동한다 앞선 글에서는 근거와 해석을 연결해 판단을 세우는 추론의 논리를 다뤘다. 이제 그 판단을 상대방이 직접 읽고 검토할 수 있도록 화면을 구성하는 인지의 논리를 살펴본다. 어디에 무엇을 놓고, 어떤 순서로 읽게 해야 판단의 과정이 드러날까. 나는 사람이 시각 정보를 받아들이는 과정을 감각, 이해, 기억의 세 관점에서 살폈다. 눈에

데이터는 주장하지 않는다 - 근거와 해석을 하나의 결론으로 잇는 다섯 질문

2026-09-17T12:18:52Z

판단을 세우는 논리, 판단을 읽는 논리 상대방의 공감을 이끌어낸다면, 그들이 데이터 속 문제를 자신의 판단과 연결하도록 만들 수 있다. 그들에게 문제를 검토할 이유가 생겼다면 다음 질문이 따라온다. 그래서, 왜 이 판단이 맞는가? 절대적으로 염두할 것은 숫자가 많고 차트가 복잡하다고 논리적인 것은 아니다. 실제 회의실에서는 자료는 많은데 결론이 흐릿하

"이건 내 이야기네" - 같은 사실을 상대방의 책임과 판단 기준으로 바꾸는 법

2026-09-17T05:48:42Z

"이건 내 이야기네" 설득은 상대방이 문제를 자기 일로 받아들일 때 시작된다. 아무리 정교한 데이터와 논리가 있어도 상대방이 "그래서 이게 나와 무슨 상관인가?"라고 느낀다면 더 들어야 할 이유가 없다. 반대로 "이건 내가 판단해야 할 문제네"라고 느끼면 숫자를 더 자세히 보고 그 안의 의미를 따라갈 이유가 생긴다. 2부의 디자인적 사고에 대한 이야기에

설득이라는 답 - 분석이 조직의 판단으로 성립하기 위해 필요한 것

2026-09-14T23:34:19Z

사용자를 이해했지만, 의사결정자를 놓쳤다 같은 그룹의 다른 관계사로 전적한 직후였다. 나는 그동안의 경력과 대외 활동을 인정받아 그룹의 데이터 시각화 통합 플랫폼을 맡게 되었다. 관계사로 넘어간 직후, 곧바로 하반기 운영 계획을 만들어 그룹 모기업의 데이터 담당팀에 설명해야 했다. 그룹 차원의 데이터 관련 의사결정에 관여하는 사람들이었다. 나는 데이터

AI와 함께 문제를 나누고 잇다 - 내 일을 구체적인 행동으로 풀고, AI와 함께 수행하는 법

2026-09-14T02:05:37Z

'내 일'을 AI와 함께 할 수 있는 일로 풀어내다 텍스트 생성형 AI는 우리가 제공한 맥락과 데이터를 바탕으로 그에 맞는 텍스트를 생성한다. 여기에 도구가 연결되면 자료를 읽고, 데이터를 처리하고, 결과물을 만드는 일까지 함께할 수 있다. 그렇다면 AI와 '나의 업무'를 함께하려면, 그 일을 AI에게 어떤 맥락과 행동으로 설명해야 할까. 우선 '나의

AI가 답하기 전에, 우리의 질문이 있다 - 풀어야 할 문제에서 출발해 AI에 맥락과 도구를 연결하는 법

2026-09-13T04:10:27Z

몇 초 만에 돌아온 가설과 검증 방법 석사를 졸업하고, 생성형 AI가 일상과 업무에 빠르게 들어오던 때였다. 나는 반쯤 시험하는 마음으로 석사 논문을 시작할 때 품었던 질문을 던져 보았다. 나의 데이터 여정을 시작하게 한 자막 연구에 관한 질문이었다. 답이 없어 보이는 문제에도 AI가 문제 해결의 과정을 구성할 수 있을까. 연구 방법에 대한 이야기는 언

테스트는 설명하지 않는 자리다 - 설명 대신 행동을 보고 가장 위험한 가정을 검증하는 법

2026-09-12T09:15:46Z

테스트는 설명하지 않는 자리다 프로토타입이 만들었으면 실제로 사용하게 해 본다. 다만 테스트는 "마음에 드나요?"를 묻는 만족도 조사가 아니다. 목표 사용자가 현실적인 과업을 수행할 때 어디에서 이해하고, 멈추고, 잘못 선택하고, 회복하는지 관찰하는 자리다. 그래서 과업을 줄 때 버튼 이름을 알려 주지 않는다. "예약 버튼을 눌러 보세요"가 아니라 "내

스케치는 언제 프로토타입이 되는가 - 첫 형태가 비교와 피드백을 가능하게 하는 순간

2026-09-10T23:24:16Z

스케치가 프로토타입이 되는 순간 생각의 스케치를 통해 우리가 정의한 문제의 해결 가능성을 넓혔다. 답이 될 수 있는 사고를 시각적인 흐름으로 놓고, 같은 데이터를 여러 차트로 그려 배치하며 다양한 아이디어를 펼쳤다. 이제 그중 가장 좋다고 판단되는 하나를 다른 사람이 경험하고 반응할 수 있는 형태로 전달할 차례다. 디자인 사고는 흔히 공감하고 문제를 정

생각은 꺼내 놓을수록 자란다 - 아이디어는 머릿속이 아니라 만드는 과정에서 자란다

2026-09-10T01:09:30Z

빈 화면에서 생각을 시작하다 앞 장에서 우리는 사용자의 공감을 통해 우리가 해결해야 하는 문제는 누구의 문제이며, 무엇이 필요한지에 집중하며 답이 없는 '문제'를 정의하는 다이아몬드를 만들어 보았다. 이제, 해결의 다이아몬드를 열 차례다. 디자인 사고는 문제를 정의한 뒤 해결의 아이디어를 넓히는 단계로 이어진다. 여기서 중요한 것은 아이디어를 많이 모으

"좋은데, 그래서 우리는 무엇을 해야 하지?" - 공감에서 모은 발견을 답할 수 있는 문제로 바꾸는 법

2026-09-08T23:33:06Z

직장에서 공감하는 세 가지 방법 첫째, 교류한다. 요구가 어디에 쓰이는지 묻고, 내가 이해한 맥락을 상대에게 확인한다. 팀장에게 "회의에 가져갈 보고 자료를 만들어 달라"는 말을 들었다면 누가 그 자료를 보고, 어떤 판단을 내려야 하며, 지금 그 판단에서 무엇이 가장 어려운지 묻는다. 지시를 부정하려는 것이 아니다. 요청한 산출물이 해결해야 할 일을 정확

말한 요구가 문제의 전부는 아니다 - 말과 행동과 맥락에서 문제의 단서를 찾는 법

2026-09-07T23:10:45Z

왜 공감에서 시작하는가 디자인적 사고는 답이 정해지지 않은 백지 위에서도 문제와 해결의 가능성을 차례로 펼칠 수 있다. 그 첫 움직임이 문제에 대한 고민, 즉 문제의 가능성을 확산하는 일이다. 다만 무조건 가능성을 많이 떠올린다고 문제의 다이아몬드가 제대로 열리는 것은 아니다. 내가 아는 것과 추측의 범위 안에서만 생각을 넓히면, 확산은 여전히 내 사고

성급한 답과 끝없는 고민 사이 - 익숙한 박스를 벗어나되 판단을 멈추지 않는 법

2026-09-07T01:07:22Z

수렴은 박스 안에서, 확산은 새로운 박스로 이 박스 비유는 뤽 드 브라방데르(Luc de Brabandere)의 통찰을 빌려 왔다. 그는 우리가 세계를 이해할 때 사용하는 믿음과 개념, 가정 같은 사고의 틀을 '박스'에 비유한다. 그의 관점에서 창의성이란, 기존의 박스를 벗어나는 데서 그치지 않고, 그 박스를 의심하며 새로운 박스를 만드는 일이라는 것이다

생각은 어떻게 넓어지고 좁아지는가 - 확산과 수렴으로 질문 하나를 판단까지 가져가는 법

2026-09-06T00:00:54Z

서로 다른 디자인 모델에서 찾은 공통분모 데이터가 답하지 않았던 이유는 데이터가 부족해서만이 아니었다. 비즈니스에서 마주하는 문제에는 정해진 답이 없고, 무엇을 문제로 볼지조차 처음부터 정해지지 않는 경우가 많았다. 어떤 현상을 누구의 문제로 정의할지, 무엇을 더 나은 상태로 볼지 정해야 비로소 데이터에 물을 질문이 생긴다. 그렇다고 답이 없는 문제

다른 형태의 답은 없을까? - 같은 데이터에 다른 형태를 설계한 이유

2026-09-05T08:01:52Z

꼭 대시보드여야 할까? 디자인에 대한 생각이 달라지면서 내 업무 방식과 결과물도 바뀌었다. 새로운 대시보드를 개발하게 되더라도 데이터를 보기 전에 과거 회의록을 찾아 읽고, 사용자의 업무와 반복되는 질문을 먼저 살폈다. 사용자가 어느 팀에 속해 있고, 어떤 사업 계획과 목표 아래에서 일하는지 이해하려 했다. 요청한 팀에서는 당장 필요한 것부터 빨리 만들

답보다 먼저 찾아야 할 것 - 데이터를 위한 디자인에서 문제를 위한 디자인으로

2026-09-04T10:52:41Z

문제 해결 사고란 무엇인가 먼저 용어를 하나 정리하고 시작한다. 지금부터 이야기하는 '사고'는 장작불을 바라보며 떠올리는 덧없는 생각이 아니다. 어려운 문제를 마주하고 '이걸 어떻게 해결하지'를 고민하는 사고, 즉 문제 해결을 위한 사고다. 회사에서 하는 일은 사실 이 사고의 연속이다. 회사의 각 조직과 사람들은 회사의 상품과 서비스가 시장에서 생존하고

답이 없는 문제 - 데이터를 보기 전에 무엇을 물을지 정해야 한다

2026-09-02T23:32:12Z

5 + 5 = ? 디자인 대학원 박사 과정을 시작한 첫날, '디자인 사고'라는 수업에서 교수님이 칠판에 하나의 질문을 적었다. "What is thinking?" 생각이란 무엇인가. 우리는 언제 생각하는가. 교수님은 생각에는 여러 종류가 있지만, 디자인 사고에서 말하는 '사고'는 문제 해결을 위한 사고를 의미한다고 설명했다. 숫자 문제를 예로 들자

대시보드는 왜 죽었는가 - 정보는 충분했지만 사람은 움직이지 않았다

2026-09-27T11:32:01Z

다시 읽히지 않는 화면 그 후로 나는 스타트업과 중견기업, 대기업 그룹 조직을 거치며 데이터 분석가로 일했다. 자막 연구에서 느꼈던 그 희열을 더 많은 사람과 나누고 싶었다. 새로운 회사의 데이터와 분석 환경을 만나는 것은 즐거웠다. 회사들은 수많은 데이터를 쌓고, 새로운 기술과 소프트웨어를 도입한다. 복잡한 데이터를 정제하고, 새로운 프로젝트를 통해