1. 한 주 동안 학습했던 개념 정리

이번 주는 과정의 마지막 주차로, **"서비스 완성도를 높이는 UI/UX 개선"**과 **"프로젝트 마무리 전략"**에 대해 집중적으로 학습한 시간이었습니다.

사용자 중심의 UI/UX 개선 전략

메인 화면의 동적 구성

• 정적인 화면에서 벗어나 살아있는 서비스 형태로 전환
• 사용자가 매번 접속할 때마다 새로운 정보를 제공하는 동적 콘텐츠 구성
• 개인화된 대시보드를 통한 사용자 몰입도 향상

직관적인 정보 아키텍처 설계

• 사용자가 한 눈에 파악할 수 있는 정보 배치 전략
• 우선순위에 따른 콘텐츠 계층 구조 설정
• 사용자 여정을 고려한 진입 경로 최적화

모바일 사용성 개선의 핵심 요소

네비게이션 최적화

• 현재 위치를 명확하게 인식할 수 있는 메뉴 구조 설계
• 직관적인 버튼 배치를 통한 사용자 경험 개선
• 모바일 환경에 최적화된 인터페이스 구성

시각적 정리와 구조화

• 화면별 명확한 구분을 통한 가독성 향상
• 테두리와 여백을 활용한 콘텐츠 정리
• 일관성 있는 디자인 시스템 적용

2. 과제 수행 내용 작성

이번 주 수행한 주요 활동은 다음과 같습니다.

메인 화면 동적 구성 및 개선

살아있는 서비스 형태 구현

• 매일 업데이트되는 미션 시스템을 최상단 배치
• 개인 레벨 및 포트폴리오 완성도 실시간 표시
• 다음 수행해야 할 작업에 대한 가이드 제공
• 면접 준비 관련 맞춤형 콘텐츠 큐레이션

서비스 소개 페이지 구성

• 메인 화면의 각 서비스 요소별 상세 설명 페이지 추가
• 사용자가 서비스 전체 구조를 한 눈에 파악할 수 있도록 구성
• 다른 메뉴에서의 진입 경로 단순화를 통한 사용성 향상

모바일 네비게이션 및 사용성 개선

직관적인 메뉴 구조 설계

• 하단 네비게이션 바를 통한 현재 위치 명확화
• 카카오톡과 같은 익숙한 UX 패턴 적용
• 메뉴 이동 시 사용자가 현재 위치를 쉽게 인식할 수 있도록 개선

모바일 화면 최적화

• 각 화면별 테두리 적용을 통한 시각적 정리
• 콘텐츠 간 명확한 구분을 통한 가독성 향상
• 일관성 있는 디자인 가이드라인 적용

AI 도구를 활용한 최종 품질 검증

프로토타이핑 및 사용성 테스트

• AI 기반 디자인 도구를 활용한 빠른 프로토타입 제작
• 다양한 사용자 시나리오를 고려한 플로우 검증
• 실시간 피드백 반영을 통한 지속적 개선

3. 회고 및 느낀 점

이번 마지막 주차를 통해 **"완성도 있는 서비스를 만들기 위한 마무리 전략"**의 중요성을 깊이 깨달았습니다.

프로젝트 마무리의 전략적 접근

마감 관리의 핵심 - 1주 전 완성 원칙 이번 과정을 통해 가장 중요하게 배운 것은 마감 1주 전에 미리 모든 작업을 완료하고, 마지막 주는 오로지 수정과 정리에 집중해야 한다는 점이었습니다. 이를 통해 완성도를 크게 높일 수 있었고, 예상치 못한 문제들을 여유 있게 해결할 수 있었습니다.

지속적인 개선 의지의 가치

끝까지 포기하지 않는 자세 멘토님께서 "끝까지 수정을 한 노력이 정말 잘 보였고, 더 감동이다"라고 말씀해주신 것이 가장 큰 격려가 되었습니다. 이를 통해 용두사미가 되지 않고, 마지막까지 최선을 다하는 마음가짐의 중요성을 체감했습니다. 앞으로도 어떤 프로젝트든 이런 자세를 유지할 것을 다짐했습니다.

UI/UX 개선을 통한 사용자 경험 향상 학습

사용자 맞춤형 대시보드의 중요성 메인 화면을 개인화된 대시보드로 구성하는 과정에서, 개별 사용자의 현재 상황과 필요에 따라 콘텐츠를 배치하는 것이 얼마나 중요한지 깨달았습니다. 획일적인 정보 나열이 아닌, 사용자의 레벨, 진행 상황, 다음 단계 등을 고려한 맞춤형 화면 구성을 통해 실질적인 가치를 제공할 수 있음을 경험했습니다.

모바일 UX의 섬세함 네비게이션 개선 작업을 통해, 모바일 환경에서는 PC보다 훨씬 더 직관적이고 명확한 안내가 필요하다는 것을 배웠습니다. 사용자가 현재 어디에 있는지, 어떻게 이동할 수 있는지를 즉시 파악할 수 있도록 하는 것이 얼마나 중요한지 체감했습니다.

팀워크와 협업의 진정한 의미

팀 활동의 시너지 효과 7주 동안의 팀 활동을 통해, 개인의 역량 합이 팀의 성과가 아니라는 점을 명확히 이해하게 되었습니다. 서로의 강점을 보완하고, 약점을 커버하며, 지속적으로 소통하고 피드백을 주고받는 과정에서 예상보다 훨씬 높은 품질의 결과물을 만들어낼 수 있었습니다.

DT 기획자로서의 성장 총정리

서비스 기획가 과정의 핵심 학습 이 7주간의 여정을 통해, 기획자는 단순히 아이디어를 제시하는 사람이 아니라, 사용자의 니즈를 깊이 이해하고, 그것을 실현 가능한 서비스로 구현해내는 전략적 설계자라는 것을 명확히 깨달았습니다.

특히 AI 도구를 활용한 기획 프로세스를 경험하면서, 기술을 도구로 활용하되, 궁극적으로는 사용자 중심의 사고와 논리적 구조화 능력이 기획자의 핵심 역량임을 확신하게 되었습니다.

앞으로도 이번 과정에서 배운 끝까지 완성도를 추구하는 자세, 팀워크를 통한 시너지 창출 능력, 사용자 중심의 사고방식을 바탕으로, 더 나은 서비스를 기획하고 실현해나가는 DT 기획자로 성장해나가겠습니다.

본 후기는 [웅진씽크빅X스코프랩스] AI를 활용한 DT 기획자 과정 리뷰로 작성되었습니다. 

1. 한 주 동안 학습했던 개념 정리

이번 주는 실제 기획 업무의 핵심인 **"효과적인 기획안 작성"**과 **"팀 협업에서의 소통 방식"**에 대해 깊이 있게 학습한 시간이었습니다.

효과적인 기획안 작성의 핵심 요소

1. 명확한 구조와 논리적 흐름 - 읽는 사람이 쉽게 이해할 수 있는 문서 구성
2. 구체적인 근거와 데이터 - 추상적 아이디어를 실행 가능한 방안으로 전환
3. 시각적 표현과 설계도구 활용 - 복잡한 개념을 직관적으로 전달

팀 프로젝트에서의 협업 인사이트

팀 협업을 통해 개인 작업과 집단 작업의 본질적 차이를 실감했습니다. 프로젝트 진행 시 고려해야 할 협업의 핵심 요소는 다음과 같습니다.

• 정기적인 의사소통을 통한 진행 상황 공유
• 명확한 역할 분담과 책임 범위 설정
• 지속적인 리뷰와 피드백을 통한 품질 개선
• 회고를 통한 프로세스 최적화와 학습

기획 도구 활용의 중요성

Octopus.do와 같은 사이트 구조 설계 도구 경험을 통해 다음을 학습했습니다.

1. 시각적 설계의 필요성 - 머릿속 아이디어를 구체적 형태로 구현
2. 사용자 플로우의 명확성 - 웹사이트 흐름을 체계적으로 설계
3. 다양한 프레임워크 활용 가능성 - 플로우차트 등을 통한 보다 정교한 설계

2. 과제 수행 내용 작성

이번 주 수행한 주요 활동은 다음과 같습니다.

사이트 구조 설계 및 기획안 작성 실습

Octopus.do를 활용한 웹사이트 구조 설계

• 사용자 여정을 고려한 페이지 구조 설계
• 정보 아키텍처 관점에서 콘텐츠 분류 및 배치
• 직관적인 네비게이션 설계를 통한 사용성 향상

기획안 문서화 역량 강화

• 논리적 구조를 갖춘 기획안 작성 방법론 학습
• 이해관계자별 맞춤형 커뮤니케이션 전략 수립
• 실행 가능성을 고려한 구체적 액션 플랜 도출

AI 도구 연계를 통한 창의적 아이디어 발굴

피그마 AI + 프롬프트 엔지니어링 활용

• 기획 아이디어를 즉시 시각적으로 구현하는 워크플로우 구축
• 다양한 디자인 방향성을 빠르게 탐색하고 비교 분석
• 프롬프트 최적화를 통해 의도한 결과물에 근접한 아웃풋 생성

팀 협업 프로세스 경험 및 개선

의사소통 및 협업 역량 향상

• 정기적인 팀 미팅을 통한 진행 상황 공유 및 조율
• 피드백 수렴 및 반영을 통한 기획안 품질 개선
• 회고를 통한 협업 프로세스 최적화 방안 도출

3. 회고 및 느낀 점

이번 주 가장 크게 느낀 점은 **"좋은 아이디어 ≠ 좋은 기획안"**이라는 사실이었습니다. 아무리 창의적인 아이디어라도, 그것을 명확하고 설득력 있게 문서화하지 못하면 실행으로 이어지기 어렵습니다.

기획안 작성 역량의 중요성 인식

따라서 기획자는 아이디어 발굴 능력뿐 아니라, 그 아이디어를 논리적이고 실행 가능한 형태로 구조화하는 문서 작성 능력까지 갖춰야 함을 깨달았습니다. 기획안은 단순한 보고서가 아니라, 프로젝트의 성공을 좌우하는 핵심 도구라는 점을 실감했습니다.

협업에서의 소통과 회고의 가치

또한, 팀 프로젝트를 통해 개인 작업과는 완전히 다른 차원의 고려사항들을 경험했습니다. 다음 요소들이 협업 성공의 핵심임을 알게 되었습니다.

• 지속적인 의사소통 - 오해와 중복 작업을 방지하는 필수 요소
• 정기적인 리뷰 프로세스 - 품질 향상과 방향성 일치를 위한 체크포인트
• 건설적인 회고 문화 - 실패를 학습으로 전환하는 성장 동력

도구 활용을 통한 기획 효율성 향상

Octopus.do와 같은 전문 도구를 활용해보며, 적절한 도구 선택이 기획 품질과 효율성에 미치는 영향을 체감했습니다. 앞으로는 플로우차트, 와이어프레임 등 다양한 시각화 도구들을 상황에 맞게 활용하여, 보다 명확하고 설득력 있는 기획안을 작성할 수 있을 것입니다.

기획자는 단순히 아이디어를 내는 사람이 아니라, 그 아이디어를 실현 가능한 형태로 설계하고, 팀과 함께 실행해나가는 전략적 실행자라는 것을 이번 주를 통해 명확히 이해하게 되었습니다.

본 후기는 [웅진씽크빅X스코프랩스] AI를 활용한 DT 기획자 과정 리뷰로 작성되었습니다.   

1. 한 주 동안 학습했던 개념 정리 📚

이번 주는 단순히 서비스를 기획하는 데서 멈추지 않고, **"이 서비스를 다른 사람들에게 어떻게 효과적으로 전달할 것인가"**에 대한 전략적 고민에 집중했습니다.

서비스 설명의 핵심 3요소 💡

1. 어떤 서비스를 제공하는지 - 명확한 기능과 목적 정의
2. 우리 서비스만의 특징은 무엇인지 - 차별화 포인트와 독창성
3. 왜 우리 서비스를 사용해야 하는지 - 사용자 가치와 필요성

전달 전략의 핵심 인사이트 

좋은 기획이라도 전달 방식이 설득력 없으면 무의미하다는 사실을 실감했습니다. 발표 준비 시 고려해야 할 PT/PPT 구성 요소는 다음과 같습니다.

• 첫 슬라이드에서 핵심 가치 명확히 제시
• 사용자의 문제 → 해결책 → 차별성 순서로 스토리 전개
• 시각적 단순화, 메시지의 반복, 기억에 남는 문구 활용

🤖AI 기반 서비스 기획의 핵심 관점 

AI 기반 서비스 PRD 작성 경험을 통해 다음을 학습했습니다.

1. AI의 진입 시점이 명확해야 함 - 언제, 어떤 맥락에서 AI가 개입하는지
2. AI 기능의 역할과 목적이 분명해야 함 - 사용자 경험에 주는 구체적 가치
3. 필요한 AI 기술과 도구 파악 - 기획 단계에서 기술적 구현 방법까지 고려

2.과제 수행 내용 작성💻

이번 주 수행한 주요 활동은 다음과 같습니다.

이번 주 활용한 AI 툴과 효율성 향상 

피그마 AI 기능 활용

• GPT를 통해 피그마 AI에게 전달할 구체적인 프롬프트 작성 ✍️
• 피그마 AI에게 디자인 구현 요청하여 시각적 아웃풋 생성 🎨
• 프롬프트 엔지니어링을 통해 의도한 결과물에 더 가까운 디자인 도출 ⚡

PT/PPT 전달 전략 최적화

• AI를 활용해 발표 스토리라인과 핵심 메시지 정리 📝
• 청중 관점에서 메시지 이해도와 기억도 향상 방안 모색 👥
• "전달 전략"의 중요성을 확인하며, 발표 대응 멘트 구성 💬

AI 기반 서비스 기획 역량 강화 📈

PRD 작성을 통한 기획 실무 학습

• AI 기반 서비스 PRD 작성: 기능 정의, AI 진입 시점, 필요 기술/툴 정리 📋
• AI 기술의 사용자 가치 연결점 분석 및 구현 가능성 검토 🔍
• 기획자 관점에서 AI 기술을 전략적 수단으로 접근하는 방법 학습 🎯

디자인-기획 연계 프로세스 이해

• GPT + 피그마 AI 연계를 통해 기획 아이디어를 시각화하는 워크플로우 구축 🔄
• 프롬프트 작성 스킬 향상으로 AI 툴 활용 효율성 극대화 ⚙️

3. 회고 및 느낀 점 💭

이번 주 가장 크게 느낀 점은 **"좋은 기획 ≠ 좋은 전달"**이라는 사실이었습니다. 아무리 구조화된 서비스 기획이라도, 상대방이 이해하지 못하거나 와닿지 않으면 결국 아무런 영향도 남기지 못합니다.

전달 전략의 중요성 인식 🎯

따라서 앞으로는 기획 과정 자체뿐 아니라, 메시지를 어떻게 단순하고 기억에 남게 전달할지까지 함께 고려해야 함을 깨달았습니다. 기획자는 단순히 아이디어를 만들어내는 역할을 넘어, 그 아이디어를 다른 사람들에게 효과적으로 전파하는 커뮤니케이터 역할까지 수행해야 합니다. 💬

AI 서비스 기획에 대한 새로운 관점 🔍

또한, AI 기반 서비스의 PRD를 작성하며, 단순히 "AI 기능을 넣는다"가 아니라 다음 요소들을 기획 단계부터 구체적으로 잡아야 함을 알게 되었습니다.

• 언제, 어떤 맥락에서 AI가 개입해야 하는지 - 사용자 여정 내 최적 타이밍 ⏰
• AI가 실제로 사용자 경험에 어떤 가치를 주는지 - 명확한 효용과 편익 ✨
• 기술적으로 어떤 방법이 필요한지 - 구현 가능한 AI 기술과 도구 선택 🛠️

AI는 단순한 기술적 도구가 아니라, 사용자 문제 해결을 위한 전략적 수단으로 접근해야 한다는 것을 체감했습니다. 

본 후기는 [웅진씽크빅X스코프랩스] AI를 활용한 DT 기획자 과정 리뷰로 작성되었습니다.

1. 한 주 동안 학습했던 개념 정리

이번 주는 기획 구조를 재정립하고, 혼란스러운 아이디어를 Why → What → How 구조로 재배치하는 과정이 중심이었습니다.

• 처음에는 아이디어가 '감'과 '충동'에서 출발
• 타겟, 문제, 해결 방안을 건너뛰었다는 시행착오 인식
• 문제 정의부터 다시 시작하여, 기획의 논리 체계를 확보
• 문제 정의 → 핵심 가설 설정 → 구조화된 솔루션 도출의 흐름을 실습

2. 과제 수행 내용 작성

이번 주는 서비스 세부 내용은 제외하고, 해결 과정과 기획 사고 변화를 중심으로 정리했습니다.

1. 시행착오 발견

• 타겟의 문제점, 기존 해결 방식, 차별성 정의 과정을 건너뜀
• Why → What → How 단계를 생략한 채 아이디어로 바로 점프

2. 문제 재정의 과정

• "타겟이 겪는 문제는 무엇인가"로 시작점 재설정
• 해당 문제를 해결하려는 기존 방식들 조사 및 분석
• 기존 해결책들의 한계와 개선점 도출

3. 핵심 가설 도출

• 문제의 근본 원인에 대한 통찰 도출
• 해결 방향성 설정을 위한 핵심 가설 수립

4. 솔루션 구조화

• 가설 검증을 위한 핵심 기능 설계
• 확장 가능성과 타겟군 확대 가능성 검토

5. 핵심 가치 정리

• 한 문장으로 서비스가 제공하는 가치 정의
• 발표, 브랜딩, 스토리라인 준비를 위한 기반 마련

3. 회고 및 느낀 점

이번 주는 혼돈 속 기획을 구조화하는 주간이었습니다. 처음에는 아이디어가 '감'에서 출발해, 기능이나 매력적인 요소만 나열하는 방식이었어요. 그 과정에서 "이게 왜 필요한지, 누가 쓰는지, 어떤 문제를 해결하는지"에 대한 근거가 약하다는 불안감이 들었습니다.

문제 인식과 위기 상황

아이디어 정리를 하면서 가장 큰 벽에 부딪힌 건 **"왜 이 서비스가 필요한가?"**라는 질문에 명확하게 답할 수 없다는 점이었습니다. 기능은 화려하게 나열했지만, 정작 누가, 왜, 언제 사용할지에 대한 논리적 근거가 부족했어요. 특히 "타겟이 실제로 이런 문제를 느끼고 있나요?"라는 질문에 추측과 가정으로만 답변하고 있는 제 모습을 발견했습니다.

재정립 과정: 체계적 접근법 적용

그래서 아예 처음부터 Why → What → How 순서를 엄격히 지키면서 다시 진행했습니다.

1단계: Why (문제 정의) - 필요한 역량과 접근 방식

🔍 필요한 역량:

• 논리적 사고력: 감정이나 추측이 아닌, 객관적 근거 기반 문제 파악
• 비판적 분석력: 기존 해결책들의 한계를 냉정하게 분석하는 능력
• 가설 설정 능력: 복잡한 문제에서 핵심 원인을 추려내는 통찰력

⚡ 적용한 접근 방식:

• 타겟 구체화: 막연한 대상을 구체적인 페르소나로 세분화
• 문제 계층화: 표면적 불편함 → 근본적 원인 순으로 문제를 깊이 있게 분석
• 우선순위 매트릭스: '빈도', '심각도', '해결 시급성' 기준으로 문제 순위 설정
• 경쟁사 분석: 기존 해결 방법들의 접근 방식과 한계점 체계적 분석

2단계: What (해결할 가치) - 필요한 역량과 접근 방식

🎯 필요한 역량:

• 추상화 능력: 복잡한 문제를 핵심 가치로 압축하는 능력
• 가설 검증 설계: 아이디어가 실제로 작동할지 검증할 수 있는 방법 설계
• 우선순위 판단: 여러 해결 방향 중 가장 임팩트가 큰 것을 선별하는 능력

⚡ 적용한 접근 방식:

• 핵심 가설 수립: "만약 ~한다면, ~할 것이다" 형태로 검증 가능한 가설 설정
• 가치 명제 정의: 한 문장으로 서비스의 핵심 가치를 명확히 표현
• 성공 지표 설정: 가설 검증을 위한 측정 가능한 지표 정의

3단계: How (솔루션) - 필요한 역량과 접근 방식

🛠️ 필요한 역량:

• 시스템 사고: 개별 기능이 아닌 전체적인 경험 흐름을 설계하는 능력
• 우선순위 설정: 무한한 아이디어 중에서 꼭 필요한 것만 선별하는 판단력
• 확장성 고려: 현재 솔루션이 미래에 어떻게 발전할 수 있을지 예측하는 능력

⚡ 적용한 접근 방식:

• 기능 우선순위: 문제 해결에 직접적으로 기여하는 기능부터 순위 매김
• MVP 범위 설정: 최소한의 기능으로 핵심 가치를 검증할 수 있는 범위 정의
• 확장 로드맵: 단계적 성장 방향과 타겟 확대 가능성 검토

해결 과정에서의 핵심 변화

사고 방식의 전환

• Before: "이런 기능이 있으면 좋겠다" (기능 중심, 희망 사항)
• After: "이런 문제를 어떻게 해결할까" (문제 중심, 논리적 접근)

검증 방법의 변화

• Before: 개인적 추측과 가정에 의존
• After: 체계적 분석과 검증 가능한 가설 설정

우선순위 설정 기준의 변화

• Before: 구현 가능성과 개인적 흥미도
• After: 사용자 문제 해결에 미치는 실제 영향도

재정립을 통해 얻은 핵심 역량

1. 구조적 사고력: 복잡한 아이디어를 논리적 단계로 분해하는 능력
2. 문제 중심 접근: 기능이 아닌 문제부터 시작하는 사고 습관
3. 가설 기반 검증: 추측이 아닌 검증 가능한 가설로 아이디어를 발전시키는 방법
4. 우선순위 매트릭스: 여러 옵션 중에서 가장 중요한 것을 선별하는 판단력

앞으로 필요한 역량과 접근 방식

앞으로는 아이디어가 떠오르면 바로 기능 구상으로 뛰어들기보다, 반드시 문제-가설-해결의 3단계를 먼저 거치는 습관을 유지하려고 합니다.

🎯 지속적으로 기를 역량:

1. 문제 발견 능력: 표면적 현상 뒤에 숨은 근본 문제를 찾아내는 능력
2. 가설 설계 능력: 검증 가능하고 측정 가능한 형태로 가설을 구체화하는 능력
3. 시스템 사고: 개별 요소가 아닌 전체적인 경험과 흐름을 설계하는 능력

⚡ 앞으로 적용할 접근 방식:

1. 문제 정의 시간 확보: 전체 기획 시간의 40% 이상을 문제 정의에 할당
2. 단계별 검증: 각 단계마다 가설을 세우고 검증하는 프로세스 적용
3. 작은 실험 설계: 큰 개발 전에 핵심 가정을 검증할 수 있는 작은 실험 계획

이번 주를 통해 '감각적 기획'에서 '논리적 기획'으로 완전히 사고 방식이 바뀌었고, 앞으로 모든 기획에 이 체계적 접근법을 적용할 계획입니다.

🔖 본 후기는 [웅진씽크빅X스코프랩스] AI를 활용한 DT 기획자 과정(Blog) 리뷰로 작성되었습니다.

🧠 1. 한 주 동안 학습했던 개념 정리

이번 주에는 본격적인 역기획 분석 실습과 함께 피그마 툴 학습을 병행했습니다.

① 역기획 분석에서는

• 단순한 기능 모사나 요약이 아닌,
• "왜 이렇게 구성했을까?", "이 기능의 UX적 목적은 무엇일까?"라는 기획자적 질문을 던지는 사고 방식을 훈련했습니다.

역기획을 할 때 주목해야 할 관점은 다음과 같습니다:

• 사용자가 이 흐름에서 느낄 감정/의도된 행동 유도는 무엇인가?
• UI의 위치나 구성은 어떤 행동 패턴을 반영했는가?
• 핵심 기능은 어디에 있고, 왜 해당 방식으로 구현되었을까?
• 서비스의 전체 흐름 속에서 구조-기능-UX가 어떻게 연결되는가?

이런 식으로 UI/UX 레이어 너머의 기획 의도와 맥락을 읽는 연습을 했습니다.

📍 2. 과제 수행 내용 작성

이번 주는 피그마 툴 익히기도 함께 진행했습니다. 아래는 주요 기능 정리표입니다.

분류 툴 이름 (아이콘) 위치 주요 기능

이 기능들을 바탕으로, 기본적인 슬라이드 템플릿 구성과 인터랙션 흐름도 그리기를 연습했습니다.

📌 3. 회고 및 느낀 점

이번 주에 가장 크게 느낀 점은
**“비슷한 서비스를 직접 분석하고 따라해보는 것만으로도 아이디어 확장이 쉬워진다”**는 점이었습니다.

예전에는 “감”에 의존해서 아이디어를 뽑았다면,
이제는 다른 서비스의 구조를 분석하고,
“왜 이런 구조인가?”, “사용자는 여기서 어떤 행동을 유도받을까?”를 계속 묻다 보니
내가 만들고 싶은 서비스의 기능 우선순위, 배치 방식, 흐름에 대한 근거가 생기더라고요.

피그마도 처음엔 어렵다고 느꼈지만,
툴이 제공하는 기능이 명확해서 익숙해지면 금방 사용할 수 있었어요.
무엇보다 조사한 내용을 시각적으로 정리할 수 있어서 앞으로도 많이 활용할 예정입니다.

🔖 본 후기는 [웅진씽크빅X스코필랩스] AI를 활용한 DT 기획자 과정(Blog) 리뷰로 작성되었습니다.

🧠 1. 한 주 동안 학습했던 개념 정리

이번 주는 본격적인 조사 인사이트 프레임 설계를 중심으로 진행되었고, 주요 학습 내용은 다음과 같습니다.

• 조사 목적과 방향을 명확히 설정하기: "무엇을 위한 조사인가?"를 기준으로 정의  
• 프레임 설계 시 단순한 기능 비교가 아닌, 사용자 여정 및 감정적 흐름까지 고려하는 구조 설계
• AI 기술이 어떻게 UX를 실질적으로 변화시키는지에 주목하며 조사 항목 구성
• 조사 시 관찰 → 해석 → 적용 가능성으로 이어지는 3단계 사고 구조 학습
• 사고법 정립: 목적 중심 / 사용자 중심 / 확장성 중심으로 분석 관점 통합

📍 2. 과제 수행 내용 작성

이번 주 과제의 핵심은 인사이트 도출용 조사 프레임 구성이었습니다.

• 팀 회의를 통해 서비스 방향과 조사 관점을 함께 논의
• STEP 1~6으로 구성된 조사 단계별 구조를 정리하고, 각 단계에 맞춘 Reflection Question 구성
• 조사 프레임 안에 다음 요소 포함:
  · 진단 방식
  · AI 기술 활용법
  · UX 흐름
  · 개인화 방식 (데이터 기반 여부)
  · 사용자 관점에서의 유용성과 불편 요소
• 단순 기능 나열이 아닌 맥락과 의미 중심의 비교 구조로 완성
• 조사 후 적용을 위한 질문도 함께 포함
  예시:
  “이 서비스에서 우리가 꼭 참고해야 할 점은 ①___이고,
  이걸 우리 서비스에 적용한다면 ②___ 방식으로 할 수 있습니다.”

📌 3. 회고 및 느낀 점

이번 주는 단순한 리서치를 넘어서, 조사에서 인사이트를 끌어내기 위한 구조화된 사고틀을 만든 주간이었습니다.

서비스를 단순히 조사하는 것이 아니라,
→ 왜 이 기능이 생겼는지
→ 사용자에게 어떤 경험을 주는지
→ 우리는 여기서 뭘 참고해야 할지
를 끊임없이 질문하며 분석하는 시선이 필요하구나, 라는 점을 깊이 느꼈습니다.

특히, 프레임이 명확하니 조사 대상이 달라져도 흔들리지 않고 분석이 가능하다는 점이 유익했습니다.

🗓 기간: 2025.07.14 ~ 07.18
📌 주제: 생성형 AI, 머신러닝 기초, 프롬프트 엔지니어링

🧭 Week Overview

• 학습 목표: 생성형 AI의 기초 작동 원리 이해 및 사고 구조화 역량 강화
• 주요 키워드: 머신러닝, 생성형 AI, 프롬프트 엔지니어링
• 사용 도구: ChatGPT, Claude, DALL·E, Make, Suno, Clipchamp

📅 1일차 (7/14)

✅ 오늘 배운 핵심 개념 요약

• 머신러닝: 지도/비지도/강화학습의 구조, 오차 최소화의 개념
• 딥러닝: 퍼셉트론과 활성화 함수의 중요성, 역전파 학습
• 자연어처리(NLP): 문장 분류, 질의응답, 생성, 번역
• 생성형 AI: GPT 방식, Transformer 구조, 보안 이슈, 할루시네이션
• 프롬프트 엔지니어링: 역할 부여, 출력 형식 지정, 맥락 연결

🛠 실무 적용 관점

• 정책 요약, 문서 자동화, 구성 문구 생성 등 자동화 기반 기획 가능성 체험

💡 오늘의 인사이트

"AI가 잘하는 것도 중요하지만, 어떻게 물어보느냐가 진짜 실력이다."

📅 2일차 (7/15)

✅ 오늘 배운 핵심 개념 요약

• GPTs로 이미지 생성용 프롬프트 구성 → ImageFX 적용
• Hailuo로 동작 애니메이션 제작 + Suno로 음악 생성
• Clipchamp로 영상 클립과 배경음악을 편집하여 최종 영상 완성

🛠 실무 적용 관점

• 하나의 주제(제품, 서비스 등)를 AI 기반으로 스토리텔링 영상 콘텐츠로 제작 가능

💡 오늘의 인사이트

"프롬프트 하나로 스토리부터 영상까지 자동화되는 세상, 이제는 ‘기획의 힘’이 AI를 움직인다."

📅 3일차 (7/16)

✅ 오늘 배운 핵심 개념 요약

• GPT API 연동: GPT_FILL, GPT_TAG 등
• Excel에서 GPT 활용 실습: GPT for Sheets 설치 및 API Key 적용
• VBA 실습: 이미지 크기 조정 / 날짜 형식 변경 자동화
• 프롬프트는 “구체적이고 예시 기반으로 작성해야 정확한 코드 응답을 받는다”

🛠 실무 적용 관점

• 사내 보고서 자동화, 문서 정리, 데이터 정제 등의 실무 자동화 가능성 체험

💡 오늘의 인사이트

단순 반복 작업은 더 이상 사람이 할 필요 없다. GPT와 VBA로 루틴은 자동화된다.

📅 4일차 (7/17)

✅ 오늘 배운 핵심 개념 요약

• 데이터 분석 프로세스
  문제 정의 → 수집 → 전처리(EDA) → 분석 → 시각화 → 의사결정
• 전처리 요소: 결측치 처리, 이상치 제거, 파생 변수 생성
• Pandas 기초: Series, DataFrame, read_csv, info, value_counts
• 데이터 시각화: matplotlib, seaborn, 히스토그램, 박스플롯 등
• Make 자동화 실습: 날씨 API, Google Sheet 연동, 워크플로우 구성
• 추가 도구: 워드클라우드, GPTs 챗봇 구축 흐름

🛠 실무 적용 관점

• 공공 데이터 수집 → 시각화 → 자동화된 리포트 생성 등 대시보드 실무에 바로 활용 가능

💡 오늘의 인사이트

"데이터는 모으는 것보다 가공하고 전달하는 스토리텔링이 더 중요하다."

📅 5일차 (7/18)

✅ 오늘 활동 요약

• 1주차 전체 내용을 정리하며 팀별로 회고 공유
• 팀 빌딩 및 관심 주제 기반 소그룹 구성
• 다음 주 진행될 프로젝트 아이디어 브레인스토밍 시작

💡 오늘의 인사이트

"개인이 만든 작은 TIL이 팀의 지식 자산이 된다."

📌 1주차 전체 회고

• 가장 인상 깊었던 개념: 프롬프트 엔지니어링과 자동화 도구 실습
• 어려웠던 점: 프롬프트 구조를 명확히 설계하지 않으면 원하는 결과를 얻기 어려움

본 후기는 [웅진씽크빅X스코프랩스] AI를 활용한 DT 기획자 과정(Blog) 리뷰로 작성되었습니다.

📌 TIL (Today I Learned) - API Crawling

🔹 API Crawling이란?

API Crawling은 **웹 크롤링(Web Crawling)**과 **API 요청(Requesting)**을 결합한 방식으로, 특정 웹사이트의 데이터를 API를 통해 자동으로 수집하는 과정이다.
일반적인 웹 크롤링은 HTML 페이지에서 데이터를 직접 스크래핑하는 방식이지만, API Crawling은 웹사이트에서 공식적으로 제공하는 API를 이용하여 데이터를 보다 효율적이고 안정적으로 가져오는 방법이다.

🔹 API Crawling vs Web Crawling 차이점

비교 항목 Web Crawling API Crawling

🔹 API Crawling 동작 원리

1. API 제공 여부 확인
   • 크롤링하려는 웹사이트가 공식 API를 제공하는지 확인한다.
   • 예) OpenWeather API(날씨), Twitter API, YouTube API, Naver API 등
2. API 키(API Key) 발급
   • 대부분의 API는 인증을 요구하므로, API 키를 발급받아야 한다.
   • 예) OpenAI API는 API Key를 발급받아야 사용 가능.
3. API 요청 (Request) 보내기
   • requests 라이브러리를 이용하여 API 엔드포인트에 GET/POST 요청을 보냄.
   • 필요한 파라미터를 URL에 포함하여 원하는 데이터를 가져옴.
4. API 응답(Response) 처리
   • API에서 반환된 JSON 또는 XML 데이터를 파싱하여 원하는 정보를 추출.
   • Python의 json.loads()를 활용하여 JSON 데이터를 딕셔너리로 변환.

🔹 API Crawling 실습 예제

💡 예제: OpenWeather API를 사용하여 날씨 데이터 가져오기

import requests

# 1️⃣ API 키 입력
API_KEY = "your_api_key"  # OpenWeather API 키 입력
CITY = "Seoul"
URL = f"http://api.openweathermap.org/data/2.5/weather?q={CITY}&appid={API_KEY}&units=metric"

# 2️⃣ API 요청
response = requests.get(URL)

# 3️⃣ 응답 처리
if response.status_code == 200:
    data = response.json()  # JSON 데이터 변환
    temp = data["main"]["temp"]
    weather = data["weather"][0]["description"]
    print(f"{CITY}의 현재 온도: {temp}°C, 날씨: {weather}")
else:
    print("API 요청 실패:", response.status_code)

✅ 실행 결과 예시

Seoul의 현재 온도: 12°C, 날씨: clear sky

🔹 API Crawling 시 고려할 점

1. Rate Limit (요청 제한)
   • 많은 API는 초당 또는 시간당 요청 수를 제한함.
   • 429 Too Many Requests 오류 발생 가능.
   • 해결 방법: API 제공업체의 요청 속도 제한 정책 확인 및 적절한 time.sleep() 사용.
2. Authentication (인증) 필요 여부
   • 일부 API는 OAuth 2.0, API Key, JWT Token 등 인증 방식을 요구함.
   • 예) Twitter API는 OAuth 2.0 인증 필요.
3. 유료 API 여부
   • API 사용량이 일정 한도를 초과하면 유료 과금될 수도 있음.
   • 예) OpenAI API, Google Cloud API는 일정 무료 사용량 초과 시 유료 과금됨.
4. 데이터 포맷(JSON, XML 등) 이해
   • 응답 데이터가 JSON인지, XML인지 확인하고 적절히 파싱해야 함.
   • data.json() 또는 xml.etree.ElementTree 사용.

🔹 API Crawling 활용 예시

✅ 1. 날씨 정보 크롤링

• OpenWeather API, 기상청 API 사용하여 실시간 날씨 데이터 제공
  ✅ 2. 주식 & 코인 가격 크롤링
• Alpha Vantage API, Binance API 사용하여 실시간 금융 데이터 수집
  ✅ 3. 뉴스 헤드라인 수집
• Google News API, Naver 뉴스 API로 실시간 뉴스 헤드라인 크롤링
  ✅ 4. SNS 데이터 크롤링
• Twitter API, YouTube API를 활용하여 트렌드 분석
  ✅ 5. AI 모델 연동
• OpenAI API를 사용하여 GPT 기반 챗봇, 텍스트 요약, 감정 분석 서비스 개발

🔹 오늘의 배운 점 요약

• API Crawling은 Web Crawling보다 안정적이고 빠르며, JSON 데이터를 쉽게 다룰 수 있다.
• 공식 API를 활용하면 법적 문제 없이 데이터를 효율적으로 가져올 수 있다.
• 요청 제한(Rate Limit), 인증(Authentication), 데이터 포맷(JSON/XML) 등을 고려해야 한다.
• OpenWeather API, Twitter API, Google News API 등 다양한 API를 활용하여 실전 프로젝트를 개발할 수 있다.

📌 TIL (Today I Learned) - RAG (Retrieval-Augmented Generation)

🔹 RAG (Retrieval-Augmented Generation)란?

RAG는 Retrieval-Augmented Generation의 약자로, 정보 검색(Retrieval)과 생성(Generation)을 결합한 방식으로 동작하는 자연어 처리 기법이다. 이는 LLM(대규모 언어 모델, Large Language Model)이 외부 데이터베이스나 문서를 검색하여 최신 정보 또는 특정 도메인 지식을 활용한 답변을 생성할 수 있도록 하는 방법이다.

🔹 RAG의 주요 개념

1. Retrieval (검색) 단계
   • 사용자의 질문(쿼리)에 대해 벡터 데이터베이스(Vector Database)에서 관련 문서를 검색함.
   • 검색된 문서는 LLM이 응답을 생성하는 데 참고할 컨텍스트(Context)로 제공됨.
   • 보통 FAISS, ChromaDB, Pinecone 등의 벡터 검색 엔진을 활용하여 임베딩(Embedding)된 문서에서 검색을 수행함.
2. Augmentation (강화) 단계
   • 검색된 문서를 LLM의 입력 프롬프트에 추가하여 답변의 품질을 높임.
   • 이를 통해 모델이 훈련 데이터에 포함되지 않은 최신 정보나 특정 도메인 지식을 반영한 응답을 생성할 수 있음.
3. Generation (생성) 단계
   • LLM이 검색된 문서의 내용을 참고하여 응답을 생성함.
   • 이 과정에서 GPT, Claude, Llama, Mistral 등 다양한 언어 모델이 사용될 수 있음.
   • 모델은 검색된 문서를 바탕으로 보다 신뢰성 높은 답변을 생성할 수 있음.

🔹 RAG vs 기존 LLM 차이점

비교 항목 기존 LLM RAG

🔹 RAG의 주요 활용 사례

• AI 기반 질의응답 시스템 (Q&A Bot)
  • 내부 문서를 기반으로 직원들의 질문에 대한 답변 제공
  • 예: 기업용 문서 검색 AI, 고객 지원 챗봇
• 법률 및 의료 문서 분석
  • 최신 법률이나 의학 논문을 검색하여 변호사나 의사의 의사 결정을 지원
• 코드 검색 및 개발 문서 추천
  • 프로그래머가 특정 코드 패턴이나 라이브러리 사용법을 검색하여 활용할 수 있도록 지원
• 전자상거래 제품 추천
  • 사용자 리뷰, 제품 설명을 기반으로 관련 상품을 추천

🔹 RAG 구현을 위한 주요 기술 스택

1. 벡터 데이터베이스
   • FAISS, ChromaDB, Pinecone, Weaviate 등
2. 임베딩 모델 (Embedding)
   • OpenAI Embeddings (text-embedding-ada-002)
   • Sentence Transformers (all-MiniLM-L6-v2)
   • Cohere, Hugging Face 기반 임베딩 모델
3. LLM (언어 모델)
   • GPT-4, Claude, Llama, Mistral, Gemini 등
4. 검색 및 데이터 처리
   • LangChain, LlamaIndex, Haystack 등

🔹 RAG의 장점 & 한계

✅ 장점

• 최신 정보를 반영하여 응답을 생성할 수 있음.
• 데이터베이스를 업데이트하면 LLM을 재학습할 필요 없이 최신 정보 제공 가능.
• 특정 도메인의 정보 검색 및 활용에 효과적.

⚠️ 한계

• 검색된 문서가 항상 적절하거나 정확하지 않을 수도 있음 (Garbage In, Garbage Out 문제).
• 문서 검색 속도가 LLM 응답 속도를 제한할 가능성이 있음.
• 검색된 컨텍스트가 너무 많으면 LLM이 제대로 활용하지 못할 수도 있음.

🔹 오늘의 배운 점 요약

• RAG는 검색과 생성(LLM)을 결합한 방법으로, 최신 정보 활용 및 답변의 신뢰성을 높이는 방식이다.
• 벡터 데이터베이스와 임베딩 모델을 활용하여 문서를 검색하고, 검색된 내용을 기반으로 언어 모델이 답변을 생성한다.
• 기업 내 문서 검색 AI, 법률·의료 분야, 코드 검색, 전자상거래 추천 시스템 등 다양한 분야에 적용 가능하다.
• RAG를 적용하면 모델을 다시 학습하지 않고도 최신 정보를 반영한 AI 시스템을 구축할 수 있다.

# 오늘 배운 것 (TIL): Django DRF 로그아웃 기능 구현

1. 개요

오늘은 Django REST Framework(DRF)에서 로그아웃 기능을 구현하는 방법을 학습했다. Django의 기본 logout() 함수를 사용할 수도 있지만, DRF에서는 JWT(JSON Web Token) 또는 Session 기반 로그아웃을 활용할 수 있다.

2. 로그아웃 구현 방법

1) JWT 기반 로그아웃 구현

JWT 로그아웃은 클라이언트에서 저장된 토큰을 삭제하는 방식으로 동작한다. 서버에서는 해당 토큰을 무효화할 수 없기 때문에, 보안성을 높이려면 블랙리스트 설정이 필요하다.

(1) views.py에서 로그아웃 뷰 작성

from rest_framework.views import APIView
from rest_framework.response import Response
from rest_framework import status
from rest_framework.permissions import IsAuthenticated
from rest_framework_simplejwt.tokens import RefreshToken

class LogoutView(APIView):
    permission_classes = [IsAuthenticated]

    def post(self, request):
        try:
            refresh_token = request.data["refresh"]
            token = RefreshToken(refresh_token)
            token.blacklist()  # 해당 토큰을 블랙리스트 처리
            return Response({"message": "로그아웃 성공"}, status=status.HTTP_205_RESET_CONTENT)
        except Exception as e:
            return Response({"error": "잘못된 요청입니다."}, status=status.HTTP_400_BAD_REQUEST)

(2) urls.py에 로그아웃 엔드포인트 추가

from django.urls import path
from .views import LogoutView

urlpatterns = [
    path('api/logout/', LogoutView.as_view(), name='logout'),
]

(3) 클라이언트에서 로그아웃 요청 예시

POST /api/logout/
Content-Type: application/json
Authorization: Bearer <access_token>

{
    "refresh": "<refresh_token>"
}

2) Session 기반 로그아웃 구현

Session 로그아웃은 Django의 logout() 함수를 이용해 서버에서 세션을 삭제하는 방식으로 동작한다.

(1) views.py에서 로그아웃 API 작성

from django.contrib.auth import logout
from rest_framework.views import APIView
from rest_framework.response import Response
from rest_framework import status

class SessionLogoutView(APIView):
    def post(self, request):
        logout(request)  # 세션 로그아웃 실행
        return Response({"message": "세션 로그아웃 성공"}, status=status.HTTP_200_OK)

(2) urls.py에 로그아웃 엔드포인트 추가

urlpatterns += [
    path('api/session-logout/', SessionLogoutView.as_view(), name='session-logout'),
]

(3) 클라이언트에서 로그아웃 요청 예시

POST /api/session-logout/
Content-Type: application/json

3. 정리

• JWT 로그아웃: Refresh Token을 블랙리스트에 등록하여 무효화하는 방식.
• Session 로그아웃: Django의 logout() 함수를 사용하여 세션을 삭제하는 방식.
• DRF를 사용할 경우, 보안성을 위해 JWT 블랙리스트 기능을 활성화하는 것이 중요하다.