refactor(topics): 멀티 에이전트용 지식 재편 — _Common(공통 기본기) + Domain_* 구조

에이전트 8종(대화형/프로그래머 C·S/디자이너/설계자/기획자/QA/PD/PM)에게
[공통 기본 능력 + 롤별 Specialty] 2층으로 지식을 주입하기 위한 재분류.
문서 내용·포맷은 무수정, 폴더 이동만 (6,372개 문서 수 보존 확인).

- Topic_Programming → Domain_Programming (내부 구조 보존)
- Topic_Graphic → Domain_Design
- Topic_Business → Domain_Product
- Topic_General → Domain_General
- _Common 신설: Math(구 Topic_Math_Specialty), Reasoning(구 General/From_Thinking & Reasoning),
  Reasoning_Creativity(구 General/From_창의성), Communication(Poetic_Blog_Writing + From_writing)
- 타 도메인의 From_* 폴더는 유지 (출처 표기일 뿐, 이미 도메인에 맞게 분류된 문서)
- 빈 폴더 정리 (memory/procedures)
- 에이전트→폴더 매핑은 workspace의 .astra/agent-knowledge-map.json (9개 에이전트)

Co-Authored-By: Claude Fable 5 <noreply@anthropic.com>

10_Wiki/Topics/Domain_Programming/From_Thinking & Reasoning/Assumption Testing.md

@@ -0,0 +1,64 @@
+---
+id: assumption-testing
+title: "Assumption Testing"
+category: "10_Wiki/Topics"
+status: "draft"
+verification_status: "conceptual"
+canonical_id: ""
+aliases: ["가정 검증", "가설 테스트"]
+duplicate_of: ""
+source_trust_level: "B"
+confidence_score: 0.85
+created_at: 2026-05-24
+updated_at: 2026-05-24
+review_reason: ""
+merge_history: []
+tags: ["research", "logic tree", "product-discovery", "OST"]
+raw_sources: ["NotebookLM Synthesis"]
+applied_in: ["Opportunity Solution Tree", "Hypothesis-driven Problem Solving", "NovaCloud SaaS Case"]
+github_commit: ""
+---
+
+# [[Assumption Testing]]
+
+## 🎯 한 줄 통찰 (One-line insight)
+솔루션을 기저의 세부 가정으로 분해하고 가장 위험한 요소를 신속하게 검증함으로써, 전체 아이디어를 구현하는 것보다 훨씬 적은 비용과 시간으로 의사결정의 불확실성을 제거하는 전략적 프로세스 [1-4].
+
+## 🧠 핵심 개념 (Core concepts)
+1. **가정 분해 (Assumption Decomposition):** 하나의 거대한 아이디어를 그것이 성립하기 위해 전제되어야 하는 개별적인 가정들(바람직함, 실행 가능성, 생존 가능성, 사용성, 윤리성 등)로 쪼개는 작업 [1, 5, 6].
+2. **리스크 기반 우선순위화 (Risk-based Prioritization):** 모든 가정을 테스트하는 대신, 실패할 경우 솔루션 전체를 무너뜨릴 수 있는 '가장 위험한 가정'을 식별하여 먼저 검증함 [3, 4, 6].
+3. **신속한 실험 (Rapid Experimentation):** 전체 제품이나 기능을 구축(Delivery)하기 전에 1~2일 내에 완료할 수 있는 작은 실험을 통해 데이터를 수집함 [2, 6].
+4. **대조 및 비교 (Compare and Contrast):** 단일 솔루션의 가부를 결정하는 것이 아니라, 여러 솔루션 대안의 가정들을 동시에 테스트하여 상대적인 우위를 판단함 [1, 3, 7].
+
+## 🧩 추출된 패턴 (Extracted patterns)
+* **아이디어 대비 가정의 속도 (Speed of Assumptions vs. Ideas):** 전체 아이디어를 테스트하는 데는 몇 주가 걸리지만, 가정 테스트는 며칠 내에 가능하여 학습 주기를 비약적으로 단축함 [2].
+* **작고 해결 가능한 기회로의 전환 (Solvable Opportunities):** 큰 기회를 작은 단위로 매핑(Opportunity Mapping)하면 더 작고 검증하기 쉬운 솔루션과 가정이 도출됨 [8].
+* **Bottom-up Thinking vs. Top-down Communication:** 분석과 가정 검증은 밑바닥(데이터/발견)에서 위로 진행되지만, 최종 결과는 결론(Answer-first)을 정점에 둔 피라미드 구조로 전달됨 [9, 10].
+
+## 📖 세부 내용 (Details)
+* **논리 트리와의 연결:** 가정 테스트는 기회 솔루션 트리(Opportunity Solution Tree)의 하위 단계로 배치되며, 솔루션과 실험을 연결하는 가교 역할을 수행함 [11, 12]. 이는 단순히 '무엇을 할 것인가'를 넘어 '그것이 왜 작동할 것이라고 믿는가'를 명시적으로 드러냄 [13].
+* **검증 프로세스:** 
+    1. **가정 도출:** 제품 팀(제품 관리자, 디자이너, 엔지니어)이 협력하여 솔루션 이면의 위험 요소를 질문함 [5].
+    2. **실험 설계:** 각 가정을 확인하거나 부정할 수 있는 구체적인 측정 지표와 실험 방법을 정의함 [1, 6].
+    3. **데이터 기반 평가:** 실험 데이터를 수집하여 아이디어를 폐기하거나, 보완하거나, 구현 단계로 넘길지 결정함 [6].
+* **장점:** 
+    * 이해관계자의 의견 대립(Opinion Battles)을 데이터 기반의 '비교 및 대조' 프레임으로 전환함 [13, 14].
+    * 비즈니스 가치와 고객 가치 사이의 긴장을 완화하고, 바람직하면서도 지속 가능한 제품을 발견하게 함 [12, 15].
+
+## ⚖️ 모순 및 업데이트 (Contradictions & updates)
+* **과도한 엔지니어링 경계:** 문제의 위치가 확인되기도 전에 너무 깊은 수준(4~5단계 이상)의 논리 트리나 세부 가정을 수립하는 것은 분석적 낭비를 초래할 수 있으므로, 초기에는 2~3단계의 핵심 구조에 집중해야 함 [16, 17].
+* **가정의 주관성:** 팀이 스스로 가정을 만들어낼 때 편향이 개입될 수 있으므로, 반드시 실제 고객 스토리와 인터뷰 데이터에서 도출된 기회에 기반해야 함 [18, 19].
+
+## 🛠️ 적용 사례 (Applied in summary)
+* **NovaCloud (B2B SaaS 기업):** 순 매출 유지율(NRR) 하락 원인을 진단하기 위해 '온보딩 실패', '경쟁사 가격 공세' 등의 가정을 세우고, 이탈 고객 코호트 분석 및 승패 인터뷰(Win/Loss Interviews)를 통해 가정을 검증함 [20-22].
+* **Harley-Davidson:** 팬데믹 기간 중 수익 감소 원인에 대해 '경쟁사로의 고객 유출' 가설을 세웠으나, 경쟁사도 동일하게 손실을 보고 있다는 데이터(벤치마크)를 통해 해당 가정을 기각하고 '타겟 고객층의 구매력 감소'라는 새로운 원인을 찾아냄 [23-26].
+* **EasyRCA 소프트웨어:** 논리 트리 내에서 각 원인 경로에 대한 가설을 테스트하고 인간적/시스템적 요인을 캡처할 수 있는 시각적 플랫폼을 제공하여 가정 검증을 구조화함 [27].
+
+## ✅ 검증 상태 및 신뢰도
+- **상태:** draft
+- **검증 단계:** conceptual (실제 기업의 문제 해결 방법론 및 전략 컨설팅 프레임워크로 광범위하게 언급됨)
+- **출처 신뢰도:** B (Strategy Consulting Frameworks / Product Discovery Methodology)
+- **중복 검사 결과:** 신규 생성 (New discovery)
+
+## 📝 변경 이력 (Change history)
+- 2026-05-24: Initial draft generated via Datacollector_MAC P-Reinforce engine. (Ref: [1, 2, 5, 6, 8, 11, 12, 28-37])

10_Wiki/Topics/Domain_Programming/From_Thinking & Reasoning/Big Data Analytics.md

@@ -0,0 +1,66 @@
+---
+id: big-data-analytics
+title: "Big Data Analytics"
+category: "10_Wiki/Topics"
+status: "draft"
+verification_status: "conceptual"
+canonical_id: ""
+aliases: ["BDA", "데이터 기반 분석"]
+duplicate_of: ""
+source_trust_level: "B"
+confidence_score: 0.90
+created_at: 2026-05-24
+updated_at: 2026-05-24
+review_reason: ""
+merge_history: []
+tags: ["research", "hypothesis-driven thinking", "AI", "decision-making"]
+raw_sources: ["NotebookLM Synthesis"]
+applied_in: ["Kedro", "QuantumBlack", "Bridgewater Associates", "Emirates Team New Zealand"]
+github_commit: ""
+---
+
+# [[Big Data Analytics]]
+
+## 🎯 한 줄 통찰 (One-line insight)
+빅데이터 분석은 경영진의 주관적 직관과 휴리스틱에 의한 오류를 객관적이고 실행 가능한 데이터 기반 통찰로 대체하여 의사결정의 합리성과 전략적 유연성을 극대화하는 체계적 방법론이다 [1-3].
+
+## 🧠 핵심 개념 (Core concepts)
+- **5V 프레임워크**: 현대적 데이터 분석의 토대를 이루는 다섯 가지 차원으로, 규모(Volume), 다양성(Variety), 속도(Velocity), 정확성(Veracity), 가치(Value)를 의미한다 [4].
+- **분석 연속체 (Analytical Continuum)**: 과거를 요약하는 묘사 분석(Descriptive)부터 원인을 규명하는 진단 분석(Diagnostic), 미래를 예측하는 예측 분석(Predictive), 최적의 행동을 권고하는 처방 분석(Prescriptive)으로 이어지는 단계적 접근법이다 [2, 5].
+- **실시간 적응성**: 스트리밍 분석을 통해 변화하는 시장 동향과 위협에 즉각적으로 대응하며, 과거 데이터에 고착되는 닻 내리기 편향(Anchoring Bias)을 방지한다 [6, 7].
+- **설명 가능한 AI (XAI)**: 알고리즘의 '블랙박스' 속성을 해소하여 분석 결과의 투명성을 확보하고 경영진의 신뢰와 채택을 유도하는 기술이다 [1, 8, 9].
+
+## 🧩 추출된 패턴 (Extracted patterns)
+- **증거 우선 문제 해결 (Evidence-First Problem Solving)**: 가설을 먼저 세우고 데이터를 맞추는 방식이 아닌, 편향 없는 데이터 수집(Discovery)을 선행하고 사후에 판단을 내리는 패턴이다 [10, 11].
+- **이중 모드 분석 엔진**: 마감 기한이 촉박한 경우 '가설 기반(Answer-first)' 모델을 사용하고, 모호성이 높은 고위험 전략 결정 시 '증거 우선' 모델을 선택적으로 사용하는 전략적 유연성 패턴이다 [12].
+- **데이터 민주화 (Data Democratization)**: 하향식(Top-down) 의사결정 체계에서 벗어나 객관적인 데이터로 상급자의 가설에 도전할 수 있는 조직적 구조를 구축하는 것이다 [13, 14].
+
+## 📖 세부 내용 (Details)
+- **정의 및 메커니즘**: 빅데이터 분석은 방대하고 복잡한 데이터셋에서 의미 있는 패턴을 추출하는 과정이며, 특히 인간의 인지적 한계를 넘어서는 대규모 다차원 데이터 처리를 통해 확증 편향(Confirmation Bias)과 가용성 휴리스틱(Availability Heuristic)을 효과적으로 억제한다 [4, 15, 16].
+- **인프라 아키텍처**: 
+    - **저장 계층**: 분산 파일 시스템(HDFS)과 정형/비정형 데이터를 모두 처리하는 NoSQL 데이터베이스(Document, Column-family, Key-value, Graph)를 활용한다 [17, 18].
+    - **처리 계층**: 일괄 처리(MapReduce)에서 진화하여 메모리 내 처리가 가능한 Apache Spark와 실시간 데이터 분석을 지원하는 Kafka, Flink 등을 사용하여 속도와 성능을 확보한다 [19, 20].
+    - **분석 AI 계층**: 분류, 회귀, 딥러닝 아키텍처를 통해 비선형 관계를 식별하고 복잡한 통찰을 자동 추출한다 [21].
+- **편향 완화 효과**: 
+    - **일관성 확보**: 피로, 감정, 외부 압력에 영향을 받는 인간과 달리 AI 모델은 동일한 입력에 대해 일정한 출력을 보장함으로써 의사결정의 변동성을 줄인다 [22, 23].
+    - **무관 정보 필터링**: 채용이나 대출 심사 시 인종, 성별 등 예측과 무관한 감정적 요소를 배제하고 정량적 지표에만 집중하여 공정성을 제고한다 [24, 25].
+- **구현 과제 및 통계적 함정**: '쓰레기를 넣으면 쓰레기가 나온다(GIGO)'는 원칙에 따라 편향된 훈련 데이터는 불평등을 고착화할 수 있으며, 동일한 데이터셋으로 가설 생성과 테스트를 동시에 수행하는 '더블 디핑(Double Dipping)'은 1종 오류(False Positive)를 유발할 위험이 크다 [26-29].
+
+## ⚖️ 모순 및 업데이트 (Contradictions & updates)
+- **가설 기반 vs 데이터 우선**: 전통적인 전략 컨설팅(McKinsey 등)은 '답을 먼저 내고 검증하는' 가설 기반 접근을 선호하나, 빅데이터 학계와 일부 비평가들은 이것이 고착 편향을 강화할 수 있다고 경고하며 '데이터 먼저 수집'하는 증거 우선 접근법을 대안으로 제시한다 [10, 11, 30].
+- **객관성의 환상**: 분석 도구 자체는 객관적일 수 있으나, 지표를 선택하는 과정이나 알고리즘의 매개변수 설정에 인간의 편향이 개입될 수 있으므로 완전한 객관성은 불가능하다는 지적이 있다 [31, 32].
+
+## 🛠️ 적용 사례 (Applied in summary)
+- **Kedro**: McKinsey가 출시한 오픈소스 라이브러리로, 데이터 과학자와 엔지니어가 견고한 데이터 및 머신러닝 파이프라인을 구축할 수 있도록 지원한다 [33].
+- **QuantumBlack**: McKinsey가 인수한 AI 전문 기업으로, 빅데이터와 고급 분석을 활용하여 조직의 성과를 개선하는 데 적용된다 [34].
+- **Bridgewater Associates**: 세계적인 헤지펀드로, 직급에 따른 권위보다 데이터 기반의 논리적 신뢰도(Believability)를 우선시하는 알고리즘 시스템을 의사결정에 활용한다 [35].
+- **Emirates Team New Zealand**: 아메리카 컵(America's Cup) 방어를 위해 McKinsey가 구축한 빅데이터 분석 기반 AI 봇을 사용하여 전략적 승리를 거두었다 [36].
+
+## ✅ 검증 상태 및 신뢰도
+- **상태:** draft
+- **검증 단계:** conceptual (학계 리뷰 및 컨설팅 펌의 실제 활용 사례가 다수 확인됨)
+- **출처 신뢰도:** B (MDPI의 동료 검토 논문 및 McKinsey/Thoughtworks 등의 공식 기술 문서 기반)
+- **중복 검사 결과:** 신규 생성 (New discovery)
+
+## 📝 변경 이력 (Change history)
+- 2026-05-24: Initial draft generated via Datacollector_MAC P-Reinforce engine. (가설 기반 사고와의 관계성을 중심으로 빅데이터 분석론 합성) [1, 8, 37]

10_Wiki/Topics/Domain_Programming/From_Thinking & Reasoning/Chance Node.md

@@ -0,0 +1,63 @@
+---
+id: chance-node
+title: "Chance Node"
+category: "10_Wiki/Topics"
+status: "draft"
+verification_status: "conceptual"
+canonical_id: ""
+aliases: ["기회 노드", "확률 노드"]
+duplicate_of: ""
+source_trust_level: "B"
+confidence_score: 0.85
+created_at: 2026-05-24
+updated_at: 2026-05-24
+review_reason: ""
+merge_history: []
+tags: ["research", "logic tree"]
+raw_sources: ["NotebookLM Synthesis"]
+applied_in: []
+github_commit: ""
+---
+
+# [[Chance Node]]
+
+## 🎯 한 줄 통찰 (One-line insight)
+의사결정자가 통제할 수 없는 불확실한 사건의 발생 가능성과 그에 따른 잠재적 결과들을 수학적으로 연결하는 확률적 분기점이다 [1-3].
+
+## 🧠 핵심 개념 (Core concepts)
+1. **원형 기호 (Circle Symbol)**: 의사결정 트리에서 불확실한 결과가 발생하는 지점을 나타내기 위해 표준적으로 원형으로 표시된다 [1, 3].
+2. **불확실한 결과 (Uncertain Outcomes)**: 특정 선택 이후 의사결정자의 의지와 상관없이 나타날 수 있는 외부적 시나리오들을 의미한다 [1, 3, 4].
+3. **확률 할당 (Probability Assignment)**: 각 분기 경로에 발생 가능성을 수치(백분율 등)로 부여하여 데이터 기반의 분석을 가능하게 한다 [2, 5, 6].
+4. **기대 가치(Expected Value, EV) 산출**: 각 결과값과 해당 확률을 곱하여 합산함으로써, 불확실성 속에서 해당 지점의 수학적 기댓값을 도출한다 [7-9].
+
+## 🧩 추출된 패턴 (Extracted patterns)
+- **결정-확률 연쇄 구조**: 주로 사각형의 '결정 노드' 다음에 위치하여, 특정 의사결정이 초래할 수 있는 시장의 반응이나 자연적 결과의 흐름을 시각화한다 [2, 4].
+- **가중 평균 합산 패턴**: (첫 번째 결과 × 확률) + (두 번째 결과 × 확률) - 초기 비용의 공식을 통해 복잡한 시나리오를 단일한 비교 수치로 수렴시킨다 [7, 10].
+
+## 📖 세부 내용 (Details)
+- **정의 및 역할**: 의사결정 트리 분석(Decision Tree Analysis)에서 핵심적인 구성 요소로, 의사결정자가 선택권을 갖는 '결정 노드'와 달리 통제 불가능한 '우연'에 의한 결과 분기를 관리한다 [1, 3, 11].
+- **구조적 특징**:
+    - 하나의 찬스 노드에서는 두 개 이상의 대안적 분기(Alternative branches)가 뻗어 나오며, 각 분기는 서로 다른 결과나 상황을 예측한다 [1, 4].
+    - 트리의 흐름 상 결정 노드와 최종 결과(종단 노드) 사이에 위치하여 전략적 경로를 형성한다 [4, 12].
+- **분석 프로세스**:
+    - **정량화**: 각 결과 경로에 금액적 가치와 발생 확률을 할당한다 [5, 6].
+    - **기대 금전적 가치(EMV) 계산**: 할당된 확률과 가치를 바탕으로 기댓값을 계산하여, 여러 경로 중 가장 유리한 선택이 무엇인지 비교 분석한다 [8, 10].
+- **활용 사례**: 
+    - 신규 제품 개발 시 시장의 성공 여부(대규모 수익 vs 소규모 수익) 예측 [12, 13].
+    - 프로젝트 선택, 예산 계획, 운영 효율성 개선 등 불확실성이 수반되는 모든 비즈니스 상황 [14, 15].
+
+## ⚖️ 모순 및 업데이트 (Contradictions & updates)
+- **확률 합계의 예외적 수치**: 소스 데이터의 특정 예시[13, 16]에서 찬스 노드의 확률 분포가 40%와 55%로 언급되어 합계가 100%가 되지 않는 경우가 있으나, 이는 분석의 구조를 설명하기 위한 가상의 데이터 일부로 이해된다. 원칙적으로는 전체 결과의 확률 합이 100%가 되어야 한다.
+
+## 🛠️ 적용 사례 (Applied in summary)
+현재 소스 데이터에서 이 개념이 실제로 적용된 파일 경로, Git 커밋, 또는 특정 의사결정 ID(decision_id)와 같은 기술적 적용 사례는 발견되지 않았으나, 비즈니스 시나리오 차원에서의 개념적 적용 사례는 다음과 같다.
+- **소프트웨어 앱 개발 전략 수립**: '신규 앱 구축' 결정 이후 발생하는 '시장 성공(대규모 수익)'과 '실패(소규모 수익)'의 불확실성을 찬스 노드로 설정하여, 각 경로의 확률(예: 40%, 55%)과 예상 수익($200K, $150K)을 기반으로 기대 가치를 분석한 사례가 제시되어 있다 [13, 16].
+
+## ✅ 검증 상태 및 신뢰도
+- **상태:** draft
+- **검증 단계:** conceptual (실제 비즈니스 분석 방법론으로 널리 인용됨)
+- **출처 신뢰도:** B (Asana, Miro, Gliffy 등 협업 도구의 공식 가이드 및 전략 컨설팅 교육 자료 기반)
+- **중복 검사 결과:** 신규 생성 (New discovery)
+
+## 📝 변경 이력 (Change history)
+- 2026-05-24: Initial draft generated via Datacollector_MAC P-Reinforce engine.

10_Wiki/Topics/Domain_Programming/From_Thinking & Reasoning/Design Value Framework.md

@@ -0,0 +1,63 @@
+---
+id: design-value-framework
+title: "Design Value Framework"
+category: "10_Wiki/Topics"
+status: "draft"
+verification_status: "conceptual"
+canonical_id: ""
+aliases: ["디자인 가치 프레임워크", "Innovation Framework"]
+duplicate_of: ""
+source_trust_level: "B"
+confidence_score: 0.85
+created_at: 2026-05-23
+updated_at: 2026-05-23
+review_reason: ""
+merge_history: []
+tags: ["research", "design thinking"]
+raw_sources: ["NotebookLM Synthesis"]
+applied_in: ["Design Council Resources", "McKinsey 2023 Study"]
+github_commit: ""
+---
+
+# [[Design Value Framework]]
+
+## 🎯 한 줄 통찰 (One-line insight)
+**Design Value Framework**는 사용자의 인간적 요구, 기술적 가능성, 비즈니스 지속 가능성의 교차점에서 혁신을 정의하고 차별화된 경쟁 우위를 창출하는 전략적 구조이다 [1-3].
+
+## 🧠 핵심 개념 (Core concepts)
+1.  **열망성 (Desirability):** 사람들에게 무엇이 진정으로 의미가 있고 그들이 무엇을 원하는지에 집중하는 가치 [2, 3].
+2.  **실현 가능성 (Feasibility):** 가까운 미래에 기술적으로 구현 가능한 것이 무엇인지 판단하는 기준 [2, 3].
+3.  **지속 가능성 (Viability):** 비즈니스 모델의 일부로서 지속 가능한 성과를 낼 수 있는 가능성 [2, 3].
+4.  **책임감 (Responsibility):** 솔루션이 윤리적이며 의도치 않은 해를 끼치지 않는지 검토하는 가치 척도 [2, 3].
+
+## 🧩 추출된 패턴 (Extracted patterns)
+*   **통합 혁신 라이프사이클:** 디자인 사고(문제 발견) -> 린 스타트업(솔루션 검증) -> 애자일(실행 및 전달)로 이어지는 순차적 가치 창출 패턴 [4, 5].
+*   **사용자 중심 경쟁 우위:** 단순히 제품의 미학을 다듬는 것을 넘어, 사용자 데이터에서 시작하여 실제 요구사항을 해결함으로써 비즈니스 차별화를 달성함 [1, 6, 7].
+*   **반복적 루프 (Iterative Looping):** 가치는 선형적 프로세스가 아니라, 테스트와 피드백을 통해 이전 단계로 되돌아가 가설을 수정하는 반복적 과정을 통해 고도화됨 [8-10].
+
+## 📖 세부 내용 (Details)
+**Design Value Framework**는 디자인을 단순한 미적 도구가 아닌 비즈니스 성공의 핵심 동력으로 규정한다 [7, 11]. 
+
+*   **가치 창출의 메커니즘:** 이 프레임워크는 인간 중심의 문제 해결 방식을 통해 혁신을 주도하며, 고객의 깊은 요구를 이해하고 아이디어를 빠르게 프로토타입화하여 현실 세계의 피드백을 기반으로 반복 개선한다 [12, 13]. 이러한 과정은 창의적이면서도 실용적이고 영향력 있는 제품 및 서비스를 개발하도록 돕는다 [12, 13].
+*   **전략적 차별화:** 현대 비즈니스 환경에서 리더들은 디자인 사고를 혁신의 주요 원천이자 경쟁 우위로 간주한다 [14, 15]. 사용자 경험(UX)을 개선하는 것은 단순히 인터페이스를 고치는 것이 아니라, 사용자가 프로세스를 신뢰하게 만드는 등 심리적/인식적 가치를 해결하는 것을 포함한다 [16, 17].
+*   **조직적 가치:** 디자인 사고 프레임워크를 도입한 기업의 71%가 업무 문화에서 상당한 변화를 경험했으며, 79%는 아이디어 구상 프로세스가 개선되었다고 보고했다 [18, 19]. 또한, 인간 중심 디자인과 애자일 개발을 결합한 기업은 평균 이상의 성장을 달성할 확률이 1.5배 더 높다 [20, 21].
+*   **지식 구축의 이중성:** 지식은 탐구(Inquiry)와 응용(Application)을 통해 생성되며, 이론과 실천의 영역이 균형을 이룰 때 가치가 극대화된다 [22, 23].
+
+## ⚖️ 모순 및 업데이트 (Contradictions & updates)
+*   **비선형성 강조:** 과거에는 가치 창출 프로세스를 선형적인 단계로 보았으나, 최신 프레임워크는 이를 "주문형 비계(Scaffolding)" 또는 "루핑(Looping)" 과정으로 정의하며 엄격한 단계 준수보다 유연한 적응을 강조한다 [8-10].
+*   **AI의 역할 변화:** 2026년 기준, AI는 단순한 도구가 아닌 협업자(Collaborator)로서 공감 지도 분석부터 프로토타입 코드 생성까지 참여하여 팀이 전략적 판단과 감성 지능에 집중할 수 있도록 돕는다 [24, 25]. 기술적 환경은 변했지만 인간 중심의 가치 타겟은 변하지 않았음을 명시한다 [26, 27].
+
+## 🛠️ 적용 사례 (Applied in summary)
+*   **Design Council:** Double Diamond와 함께 전략적 디자인 접근 방식의 핵심 리소스로 'The Design Value Framework'를 관리하고 있음 [28, 29].
+*   **McKinsey 2023 Study:** 인간 중심 디자인과 애자일을 결합하여 성과를 낸 기업들의 성장 지표를 통해 프레임워크의 효용성을 검증함 [20, 21].
+*   **주요 프로젝트 사례:** 온라인 약국 서비스인 **Pillpack**과 페루의 학교 네트워크인 **Innova Schools**는 디자인 사고 프레임워크를 적용하여 산업을 재정의하고 가치를 창출한 대표적 사례임 [30, 31].
+*   **금융권 사례:** 대형 민간 은행에서 대출 신청 중단 문제를 해결하기 위해 UX 개선 대신 '신뢰 부족'이라는 인식 문제를 발견하여 완료율을 34% 향상시킨 사례가 있음 [32, 33].
+
+## ✅ 검증 상태 및 신뢰도
+- **상태:** draft
+- **검증 단계:** conceptual (실제 적용 사례 발견 시 applied/validated로 승격 가능)
+- **출처 신뢰도:** B (Official Documentation / Primary Source via NotebookLM)
+- **중복 검사 결과:** 신규 생성 (New discovery)
+
+## 📝 변경 이력 (Change history)
+- 2026-05-23: Initial draft generated via Datacollector_MAC P-Reinforce engine.

10_Wiki/Topics/Domain_Programming/From_Thinking & Reasoning/Framework for Innovation.md

@@ -0,0 +1,74 @@
+---
+id: framework-for-innovation
+title: "Framework for Innovation"
+category: "10_Wiki/Topics"
+status: "draft"
+verification_status: "conceptual"
+canonical_id: ""
+aliases: ["혁신 프레임워크", "Double Diamond expanded"]
+duplicate_of: ""
+source_trust_level: "B"
+confidence_score: 0.85
+created_at: 2026-05-23
+updated_at: 2026-05-23
+review_reason: ""
+merge_history: []
+tags: ["research", "design thinking"]
+raw_sources: ["NotebookLM Synthesis"]
+applied_in: ["Pillpack Case Study", "Innova Schools Project", "Nurse Knowledge Exchange Plus (Kaiser Permanente)", "Large Private Sector Bank Loan Application"]
+github_commit: ""
+---
+
+# [[Framework for Innovation]]
+
+## 🎯 한 줄 통찰 (One-line insight)
+인간 중심의 공감을 통해 문제의 본질을 발견하고, 확산과 수렴의 반복적 과정을 통해 바람직함(Desirability), 실행 가능성(Feasibility), 지속 가능성(Viability)의 균형을 맞추는 비선형적 혁신 전략 [1-3].
+
+## 🧠 핵심 개념 (Core concepts)
+- **인간 중심의 공감 (Human-Centered Empathy):** 사용자의 물리적, 감정적 니즈와 세계관을 깊이 이해하여 '진짜 문제'를 정의하는 혁신의 출발점이다 [4-6].
+- **더블 다이아몬드 (Double Diamond):** 발견(Discover)과 정의(Define)를 통해 올바른 문제를 찾고, 개발(Develop)과 전달(Deliver)을 통해 올바른 해결책을 구축하는 확산과 수렴의 구조화된 프로세스다 [3, 7].
+- **반복적 비선형성 (Iterative Non-linearity):** 단계별 선형 진행이 아닌, 테스트와 학습을 통해 이전 단계로 언제든 루핑백(Looping back)할 수 있는 유연한 체계다 [8-10].
+- **혁신 수명주기 통합 (Integrated Innovation Lifecycle):** 디자인 씽킹(문제 발견) - 린 스타트업(솔루션 검증) - 애자일(효율적 구현)을 하나의 연속된 혁신 시스템으로 결합한다 [11-13].
+
+## 🧩 추출된 패턴 (Extracted patterns)
+- **3대 균형 요소 (The Three Lenses):** 혁신은 인간의 **바람직함(Desirability)**, 기술적 **실행 가능성(Feasibility)**, 비즈니스적 **지속 가능성(Viability)**이 교차하는 지점에서 발생하며, 최근에는 **윤리적 책임(Responsibility)**이 추가되는 추세다 [2, 14].
+- **실패를 통한 학습 (Build to Think, Test to Learn):** 저해상도 프로토타입을 신속하게 제작하여 초기 단계에서 저비용으로 실패하고, 이를 통해 얻은 인사이트로 솔루션을 정교화한다 [15-17].
+- **확산과 수렴의 반복:** 아이디어를 넓게 펼치는 과정(Going wide)과 핵심 인사이트로 좁히는 과정(Sensemaking)을 반복하여 최적의 경로를 탐색한다 [18-20].
+
+## 📖 세부 내용 (Details)
+혁신 프레임워크는 단순히 제품의 미학을 개선하는 도구가 아니라, 복잡하고 모호한 '고약한 문제(Wicked Problems)'를 해결하기 위한 전략적 접근 방식이다 [20-22].
+
+- **프로세스의 구조적 흐름 (Flow):** 
+  혁신 프로세스는 크게 세 가지 버킷으로 나뉜다.
+  1. **이해(Understand):** 공감(Empathize)과 정의(Define)를 통해 사용자 데이터에서 인사이트를 도출한다 [23].
+  2. **탐색(Explore):** 아이데이션(Ideate)과 프로토타입(Prototype)을 통해 광범위한 가능성을 시각화하고 구체화한다 [23, 24].
+  3. **실현(Materialize):** 테스트(Test)와 구현(Implement)을 통해 솔루션이 사용자의 삶에 실질적인 변화를 주는지 검증한다 [23, 25, 26].
+
+- **확장된 혁신 프레임워크 (Expanded Double Diamond):**
+  Design Council이 제안한 혁신 프레임워크는 기존 더블 다이아몬드를 확장하여, 초기 아이디어 제작과 테스트가 '발견(Discovery)' 단계의 일부가 될 수 있음을 인정한다 [10]. 이는 디지털 세계에서 아이디어가 절대 '완성'되지 않는다는 전제하에 지속적인 개선 루프를 형성한다 [10].
+
+- **AI 시대의 혁신 프레임워크 변화:**
+  2026년 기준, 혁신의 대상은 인간의 니즈로 고정되어 있으나 프로세스 내부의 작업 방식은 변화했다 [27, 28]. 
+  - **초반복(Hyper-iteration):** 프로토타이핑 도구의 발전으로 테스트와 공감 단계 사이의 경계가 무너지고 라이브 피드백 루프가 형성된다 [28].
+  - **AI 협업:** AI가 감성 분석이나 프로토타입 코드 생성 등 기술적 처리를 가속화하면, 팀은 전략적 의사결정과 정서적 지능(EQ)에 더 집중하게 된다 [28].
+
+## ⚖️ 모순 및 업데이트 (Contradictions & updates)
+- **선형성 vs 비선형성:** 교육적 편의를 위해 프로세스를 선형적으로 기술하는 경우가 많으나, 실제 혁신은 수많은 루프와 회귀가 발생하는 복잡한 경로를 따른다 [9, 29, 30].
+- **사용자 선호 vs 전문가적 이익:** 헬스케어 등 고위험 분야에서는 사용자가 원하는 것과 연구자/공급자가 유익하다고 믿는 것 사이의 긴장이 존재하며, 이들 간의 균형(Balance)이 필수적이다 [31].
+- **증거 기반 설계 vs 창의적 시도:** 기존 문헌 데이터와 사용자 공감 데이터가 충돌할 수 있으며, 이 경우 증거를 설계의 제약 조건(Constraints)으로 간주하고 그 안에서 창의성을 발휘해야 한다 [32].
+
+## 🛠️ 적용 사례 (Applied in summary)
+- **Pillpack:** 스타트업에서 매각에 이르기까지 온라인 약국 서비스를 재정의하는 전 과정에 디자인 씽킹 프레임워크를 적용하여 고객 경험을 혁신함 [33].
+- **Innova Schools:** 페루의 중산층을 위한 학교 네트워크 전체를 상향식(Ground up)으로 설계할 때 혁신 프레임워크를 활용함 [33].
+- **Nurse Knowledge Exchange Plus (Kaiser Permanente):** 14개 병원, 125개 간호 부서에서 교대 근무 시 간호사 인수인계 프로세스를 인간 중심으로 재설계하여 구현 및 확산에 성공함 [15, 34, 35].
+- **대형 민간 은행 (Large Private Sector Bank):** 모바일 대출 신청 중단율 문제를 해결하기 위해 공감 단계를 거쳐 'UX 문제가 아닌 신용점수 하락에 대한 불신 문제'임을 발견하고, 단순한 설명 화면(MVP) 추가로 완료율을 34% 향상시킴 [36-38].
+- **헬스케어 체계적 검토:** 24건의 연구 중 디자인 씽킹 기반 개입이 전통적 방식보다 만족도, 사용성, 효과성 면에서 우수함이 증명됨 [39, 40].
+
+## ✅ 검증 상태 및 신뢰도
+- **상태:** draft
+- **검증 단계:** conceptual (실제 적용 사례가 소스 내 다수 발견되어 향후 validated로 승격 가능)
+- **출처 신뢰도:** B (Official Documentation / Primary Source via NotebookLM - d.school, IDEO, NN/G, Design Council 등 공신력 있는 기관의 자료 기반)
+- **중복 검사 결과:** 신규 생성 (New discovery)
+
+## 📝 변경 이력 (Change history)
+- 2026-05-23: Initial draft generated via Datacollector_MAC P-Reinforce engine.

10_Wiki/Topics/Domain_Programming/From_Thinking & Reasoning/MECE Framework.md

@@ -0,0 +1,101 @@
+---
+id: mece-framework
+title: "MECE Framework"
+category: "10_Wiki/Topics"
+status: "draft"
+verification_status: "conceptual"
+canonical_id: ""
+aliases: ["Mutually Exclusive Collectively Exhaustive"]
+duplicate_of: ""
+source_trust_level: "B"
+confidence_score: 0.85
+created_at: 2026-05-24
+updated_at: 2026-05-24
+review_reason: ""
+merge_history: []
+tags: ["research", "hypothesis-driven thinking"]
+raw_sources: ["NotebookLM Synthesis"]
+applied_in: ["Harley-Davidson Profitability Case", "Pioneer Bank Sales Productivity", "Airline Inc. Cost Reduction"]
+github_commit: ""
+---
+
+# [[MECE Framework]]
+
+## 🎯 한 줄 통찰 (One-line insight)
+**중복 없이 명확하게(ME), 누락 없이 전체를(CE) 포괄하여** 복잡한 비즈니스 문제를 체계적으로 구조화하고 근본 원인을 격리하는 논리적 사고의 핵심 원칙이다 [1-3].
+
+## 🧠 핵심 개념 (Core concepts)
+1.  **Mutually Exclusive (ME):** 정보 범주 간의 **중첩이나 이중 계산을 제거**하여 각 항목이 단 하나의 '바구니'에만 속하도록 독립성을 확보하는 것이다 [1, 4].
+2.  **Collectively Exhaustive (CE):** 관련 맥락의 모든 가능성을 포함하여 **분석 공간에 공백이 없도록** 보장함으로써 모든 대안이 고려되었음을 확신하는 것이다 [1, 4, 5].
+3.  **Logical Hierarchy:** 하위 수준의 항목들이 상위 범주를 완벽하게 설명하도록 계층별로 구조화하여 거대하고 복잡한 문제를 **해결 가능한 작은 단위로 분해**한다 [6-8].
+4.  **Analytical Filter:** [[hypothesis-driven thinking]]에서 초기 가설을 검증하기 위해 불필요한 데이터 경로를 제거하고 **가장 유망한 영역에 집중**하게 하는 필터 역할을 수행한다 [9-11].
+
+## 🧩 추출된 패턴 (Extracted patterns)
+- **수학적 구조 패턴 (Algebraic Structures):** $Profit = Revenue - Cost$ 와 같이 공식에 기반한 분해는 절대적인 MECE 신뢰도를 보장하며 근본 원인을 쉽게 식별하게 한다 [12, 13].
+- **3의 법칙 (Rule of Three):** 인간의 인지 처리에 가장 최적화된 **3개의 분기**를 기본으로 구조화하며, 명확성을 위해 2개에서 최대 5개 이내의 분기를 유지한다 [14-16].
+- **수평적 평행성 (Parallelism):** 동일한 층위의 항목들은 반드시 **같은 논리적 추상화 수준**과 카테고리를 공유해야 논리적 오류를 방지할 수 있다 [15, 17].
+- **논리적 순서화 (Orderly List):** 분기된 항목들은 크기 순, 시간 순서(프로세스), 혹은 중요도 순서에 따라 **직관적인 배열**을 가져야 한다 [15, 17].
+
+## 📖 세부 내용 (Details)
+- **기원 및 발전:** MECE는 매킨지 & 컴퍼니(McKinsey & Company)의 **바바라 민토(Barbara Minto)**에 의해 개발되었으며, 현대 전략 컨설팅의 표준 방법론으로 자리 잡았다 [4, 18, 19].
+- **가설 중심 사고와의 결합:** [[hypothesis-driven thinking]]에서 MECE는 [[Issue Tree]]를 구축할 때 사용되며, 각 수준의 답변이 MECE라면 **문제 공간 전체를 올바르게 탐색**한 것으로 간주한다 [3, 20, 21].
+- **분석의 효율성:** 중복된 분석 노력을 방지하여 자원을 최적화하고, 팀 내에서 문제 해결 프레임워크에 대한 공통된 이해를 형성하여 업무 분배를 원활하게 한다 [22, 23].
+- **분해의 5가지 모드:** 문제를 분해할 때 주로 **수학적 공식, 세그먼트(시장 등), 프로세스 단계, 대립되는 측면(내부 vs 외부), 이해관계자**의 5가지 렌즈를 활용한다 [13, 24, 25].
+- **사고와 소통의 역전:** 연구와 분석은 바닥에서 위로(Bottom-up) MECE 구조를 쌓아가며 진행하지만, 실제 소통은 피라미드 꼭대기의 **핵심 답변부터 먼저 제시(Top-down)**하는 방식을 취한다 [26-28].
+
+## ⚖️ 모순 및 업데이트 (Contradictions & updates)
+- **엄격함과 통찰의 상충:** 수학적 분해는 논리적으로 완벽하지만 깊이가 얕을 수 있고, 4P와 같은 개념적 프레임워크는 통찰력이 높지만 엄격한 MECE를 보장하기 어려워 **분석 목적에 따른 균형**이 필요하다 [24, 29, 30].
+- **느슨한 MECE의 존재:** 실제 사회적 문제나 복잡한 시스템에서는 범주 간 경계가 모호하여 "느슨한(loose)" MECE가 발생할 수 있으며, 이 경우 시뮬레이션 모델 등 보조 도구가 필요하다 [31, 32].
+
+## 🛠️ 적용 사례 (Applied in summary)
+- **Harley-Davidson 수익성 진단:** 손실 원인을 '수익 감소'와 '비용 증가'로 MECE하게 분해한 후, 수익 측면을 '기존 고객 이탈'과 '신규 고객 확보 실패'로 재분할하여 분석함 [33].
+- **Pioneer Bank 영업 생산성 가설:** '판매 시간 증대'와 '판매량 증대'라는 두 가지 상호 배타적인 가설 축을 설정하여 생산성 저하 원인을 추적함 [34].
+- **Airline Inc. 운영 효율화:** 운영 비용을 기단 최적화, 프로세스 개선, 조달 최적화, 자동화 등 MECE한 층위로 나누어 $4억 달러 절감 목표를 구조화함 [35, 36].
+- **McKinsey "Follow a Full Engagement" 교육:** 전 과정에 걸쳐 가설 수립 및 [[Issue Tree]] 작성을 위한 기본 원칙으로 적용됨 [37].
+
+## ✅ 검증 상태 및 신뢰도
+- **상태:** draft
+- **검증 단계:** conceptual (실제 비즈니스 케이스 및 매킨지 내부 표준 문서에서 반복 확인됨)
+- **출처 신뢰도:** B (Official Documentation / Primary Source via NotebookLM)
+- **중복 검사 결과:** 신규 생성 (New discovery)
+
+## 🔗 관련 문서 링크 (Related document links)
+
+### 상위/유사 개념
+#### [전략적 사고 아키텍처]
+- [[Issue Tree]]
+  - 연결 이유: MECE 원칙을 시각화하여 문제를 하위 질문으로 분해하는 구체적인 구현 도구임 [8, 38].
+  - 이 개념을 통해 더 깊게 이해할 수 있는 부분: 추상적 논리를 어떻게 실행 가능한 작업 스트림으로 전환하는지 파악 가능 [39].
+- [[Pyramid Principle]]
+  - 연결 이유: MECE로 구조화된 논리를 상단 중심(Top-down)으로 전달하기 위한 커뮤니케이션 프레임워크임 [40-42].
+  - 이 개념을 통해 더 깊게 이해할 수 있는 부분: 수직적 질문-답변 대화와 수평적 논리 그룹화의 원리 [7, 43].
+
+#### [의사결정 최적화 도구]
+- [[80/20 Rule]]
+  - 연결 이유: MECE로 나열된 모든 가능성 중 가장 큰 영향을 미치는 핵심 원인에 자원을 집중하는 우선순위 원칙임 [9, 44, 45].
+  - 이 개념을 통해 더 깊게 이해할 수 있는 부분: 분석의 포괄성 확보 후 효율적인 '가지 치기(Trimming)' 방법 [11].
+- [[SCQA Framework]]
+  - 연결 이유: MECE 분석 결과가 도출된 배경(상황, 전개, 질문)을 설명하여 서사적 설득력을 부여함 [26, 27, 46].
+  - 이 개념을 통해 더 깊게 이해할 수 있는 부분: 논리적 간극($\Delta$)을 정의하고 해결책을 제시하는 스토리텔링 구조 [47, 48].
+
+### 심층 후속 질문 (Deeper Research Questions)
+- 왜 수학적 분해(Algebraic Structure)가 가장 강력한 MECE 신뢰도를 제공하는가? [12, 13]
+- "느슨한(loose) MECE" 환경에서 발생할 수 있는 정보 누락의 위험을 어떻게 최소화할 수 있는가? [30, 31]
+- [[Issue Tree]]에서 'Rule of Three'를 위반하여 분기가 과도하게 많아질 때 발생하는 구체적인 인지적 부하는 무엇인가? [14, 15]
+- 분석 시에는 Bottom-up을 권장하면서 소통 시에는 왜 Top-down 방식을 고수해야 하는가? [27, 28]
+- MECE 프레임워크가 [[Confirmation Bias]]를 억제하는 데 구체적으로 어떤 논리적 방어 기제로 작용하는가? [49, 50]
+
+### 실무 적용 맥락 (Practical Application Contexts)
+- **Implementation:** 비즈니스 문제 진단 시 초기 세션을 할당하여 클라이언트와 공동으로 MECE [[Issue Tree]]를 구축하여 정렬을 확보함 [39].
+- **System Design:** 소프트웨어 성능 병목 현상 조사 시 데이터 기반 가설 개발(DDHD) 프레임워크의 논리 구조로 활용됨 [51, 52].
+- **Operation / Maintenance:** 가치가 낮은 분석 경로를 조기에 제거(Branch Trimming)하여 한정된 컨설팅 자원을 고부가가치 과업에 집중시킴 [11, 23].
+- **Learning Path:** 초급 분석가는 수학적 공식을 활용한 엄격한 MECE부터 시작하여 점차 복잡한 개념적 프레임워크의 조합으로 학습을 확장함 [24, 29].
+
+### 인접 주변 주제 (Adjacent Topics)
+- [[Decision Tree]]
+  - 확장 방향: MECE를 활용하여 선택 가능한 옵션과 기준을 조합, 최적의 대안을 평가하는 결정 도구로 확장 [53, 54].
+- [[Root Cause Analysis]]
+  - 확장 방향: 증상 뒤에 숨겨진 근본 원인을 MECE하게 파고들어 장기적인 해결책을 마련하는 과정으로 연결 [55, 56].
+
+## 📝 변경 이력 (Change history)
+- 2026-05-24: Initial draft generated via Datacollector_MAC P-Reinforce engine.

10_Wiki/Topics/Domain_Programming/From_Thinking & Reasoning/Profitability Framework.md

@@ -0,0 +1,69 @@
+---
+id: profitability-framework
+title: "Profitability Framework"
+category: "10_Wiki/Topics"
+status: "draft"
+verification_status: "conceptual"
+canonical_id: ""
+aliases: ["profitability tree", "profit logic tree"]
+duplicate_of: ""
+source_trust_level: "B"
+confidence_score: 0.85
+created_at: 2026-05-24
+updated_at: 2026-05-24
+review_reason: ""
+merge_history: []
+tags: ["research", "logic tree"]
+raw_sources: ["NotebookLM Synthesis"]
+applied_in: []
+github_commit: ""
+---
+
+# [[Profitability Framework]]
+
+## 🎯 한 줄 통찰 (One-line insight)
+수익성 프레임워크는 기업의 이익 변화를 수학적 정체성(Profit = Revenue - Cost)에 기반하여 상호 배제적이고 전체 포괄적인(MECE) 하위 동인으로 분해함으로써 문제의 근본 원인을 격리하고 해결책을 도출하는 핵심적인 논리 트리 도구이다 [1-4].
+
+## 🧠 핵심 개념 (Core concepts)
+- **수학적 정체성 (Mathematical Identity):** 수익성 프레임워크는 템플릿이 아닌 "이익 = 수익 - 비용"이라는 엄밀한 방정식에 기반하며, 모든 분석은 이 등식을 골격으로 삼아 수행된다 [3, 4].
+- **MECE 원칙 (MECE Principle):** 각 분석 단계는 중복이 없고(Mutually Exclusive) 누락이 없는(Collectively Exhaustive) 상태를 유지하여 데이터의 이중 계산을 방지하고 문제 영역 전체를 검토한다 [2, 5-7].
+- **계층적 세분화 (Hierarchical Disaggregation):** 이익을 수익과 비용으로 나누는 1단계에서 시작하여, 가격·판매량·믹스 및 고정비·변동비로 이어지는 다단계 구조를 통해 문제를 구체화한다 [8-10].
+- **정량·정성 결합 분석 (Quant-Qualitative Synthesis):** 숫자 데이터를 통한 문제 격리 후, 4Cs(고객, 회사, 경쟁사, 시장 상황)와 같은 정성적 프레임워크를 적용하여 숫자 이면의 '이유'를 진단한다 [11-13].
+
+## 🧩 추출된 패턴 (Extracted patterns)
+- **분기 우선순위 결정 (The First Split):** 수익성 문제가 발생했을 때 가장 먼저 '수익 문제인가, 비용 문제인가'를 명확히 구분하여 분석의 초점을 좁힌다 [2, 8].
+- **회계 정체성을 활용한 동인 분해:** 수익은 '가격 x 수량 x 믹스'로, 비용은 '고정비 + 변동비'로 분해하는 표준화된 패턴을 사용한다 [2, 4, 14].
+- **세그먼트 슬라이싱 (Segment Splitting):** 지리적 위치, 제품 라인, 고객 유형, 판매 채널별로 데이터를 쪼개어 특정 영역에서 발생하는 수익성 저하를 찾아낸다 [9, 10, 15].
+- **80/20 법칙 (Pareto Principle):** 전체 재무적 차이의 80%를 설명하는 상위 20%의 핵심 동인에 팀의 역량을 집중한다 [16, 17].
+
+## 📖 세부 내용 (Details)
+- **프레임워크의 구조적 레벨:**
+    - **Level 1 (The Split):** 이익을 수익과 비용으로 나눈다 [8, 10].
+    - **Level 2 (Decomposition):** 수익을 가격(Price), 판매량(Volume), 제품 믹스(Mix)로 분해하고, 비용을 고정비(Fixed Cost)와 변동비(Variable Cost)로 상세화한다 [9, 10].
+    - **Level 3 (Segment Splits):** 고객군, 지역, 채널, SKU(Stock Keeping Unit) 등 구체적인 세그먼트별로 동인을 분석한다 [10, 14].
+- **문제 해결의 4단계 프로세스:**
+    1. **정량적 동인 식별:** 이익 감소가 수익 감소 때문인지 비용 증가 때문인지 데이터로 확인한다 [18, 19].
+    2. **동인 세분화:** 우선순위가 높은 쪽(예: 수익)을 제품군이나 채널별로 쪼개어 구체적인 하락 지점을 찾는다 [20, 21].
+    3. **정성적 근본 원인 파악:** 고객 선호도 변화, 경쟁사 가격 전략, 공급망 병목 현상 등 숫자가 바뀐 근본적인 이유를 진단한다 [13, 22].
+    4. **전략 평가 및 추천:** 비즈니스 임팩트, 구현 용이성, 리스크를 고려하여 수익 증대 또는 비용 절감 방안을 제안한다 [23, 24].
+- **진단형 vs 해결형 트리:** 수익성 프레임워크는 '왜(Why) 수익성이 떨어졌는가'를 찾는 진단형 트리(Diagnostic Tree)와 '어떻게(How) 수익성을 높일 것인가'를 찾는 해결형 트리(Solution Tree)로 구분하여 활용된다 [25-27].
+
+## ⚖️ 모순 및 업데이트 (Contradictions & updates)
+- **완벽한 MECE vs 의사결정용 MECE:** 실제 비즈니스 환경에서는 데이터의 상호의존성 때문에 수학적으로 완벽한 MECE가 어려울 수 있으며, 이때는 중대한 누락이나 중복을 피하는 수준의 '의사결정용 MECE(Decision-grade MECE)'를 목표로 한다 [28, 29].
+- **과도한 엔지니어링 주의:** 문제의 소재가 확인되지 않은 상태에서 초기부터 너무 깊은 수준(4~5단계)의 트리를 구축하는 것은 분석 리소스를 낭비할 수 있으므로 2~3단계에서 시작하여 필요에 따라 심화한다 [30, 31].
+- **수익성 vs 이익률의 혼동:** 수익성(Profitability)은 이익의 방향성을 의미하고, 이익률(Profit Margin)은 비율을 의미하므로 분석 시작 전 면접관이나 이해관계자와 명확히 정의해야 한다 [32].
+
+## 🛠️ 적용 사례 (Applied in summary)
+- **항공사 마진 분석:** 수익은 안정적이나 연료비(변동비) 급증으로 이익이 12% 하락한 사례에서 비용 분해를 통해 유류 할증료 도입 등의 해결책을 도출했다 [33].
+- **SaaS 기업 성장 진단:** 수익이 40% 성장했으나 EBITDA 마진이 악화된 경우, 변동비(호스팅)와 고정비(R&D, 마케팅)를 분리하여 과도한 고객 획득 비용(CAC) 문제를 식별했다 [21, 34].
+- **할리데이비슨 수익성 개선:** 팬데믹 기간 중 전통적 고객층 상실과 젊은 층 유입 실패를 분석하여 단기적 가격 조정과 장기적 브랜드 갱신 전략을 수립했다 [35-37].
+- **소비재 기업의 믹스 변화:** 총 수익은 5% 증가했으나 저마진 제품 비중 확대로 인해 전체 이익률이 하락한 "믹스 이동(Mix Shift)" 현상을 프레임워크로 포착했다 [32, 38].
+
+## ✅ 검증 상태 및 신뢰도
+- **상태:** draft
+- **검증 단계:** conceptual (실제 적용 사례 발견 시 applied/validated로 승격 가능)
+- **출처 신뢰도:** B (Official Documentation / Primary Source via NotebookLM)
+- **중복 검사 결과:** 신규 생성 (New discovery)
+
+## 📝 변경 이력 (Change history)
+- 2026-05-24: Initial draft generated via Datacollector_MAC P-Reinforce engine.

10_Wiki/Topics/Domain_Programming/From_Thinking & Reasoning/SCQA Framework.md

@@ -0,0 +1,60 @@
+---
+id: scqa-framework
+title: "SCQA Framework"
+category: "10_Wiki/Topics"
+status: "draft"
+verification_status: "conceptual"
+canonical_id: ""
+aliases: ["SCR Framework"]
+duplicate_of: ""
+source_trust_level: "B"
+confidence_score: 0.85
+created_at: 2026-05-24
+updated_at: 2026-05-24
+review_reason: ""
+merge_history: []
+tags: ["research", "hypothesis-driven thinking"]
+raw_sources: ["NotebookLM Synthesis"]
+applied_in: ["McKinsey Business Reports", "Airline Inc. Cost-Reduction Strategy", "Monash University Business Assessments"]
+github_commit: ""
+---
+
+# [[SCQA Framework]]
+
+## 🎯 한 줄 통찰 (One-line insight)
+복잡한 비즈니스 문제를 상황(Situation), 전개(Complication), 질문(Question), 답변(Answer)의 서사 구조로 재구성하여 의사결정자의 주의를 끌고 해결책을 즉각적으로 전달하는 스토리텔링 프레임워크 [1-3].
+
+## 🧠 핵심 개념 (Core concepts)
+- **Situation (상황)**: 청중이 이미 알고 동의하는 보편적인 사실과 맥락을 설정하여 논의의 출발점을 형성함 [2, 4, 5].
+- **Complication (전개/문제)**: 상황을 변화시키거나 위협하는 트리거 요소로, 긴장감과 행동의 시급성(Urgency)을 유발함 [4, 6, 7].
+- **Question (질문)**: 합의된 상황과 문제로부터 자연스럽게 도출되는 핵심 비즈니스 의문이나 과제임 [2, 4, 7].
+- **Answer (답변)**: 질문에 대한 직접적인 해결책이자 전략적 권고안으로, 커뮤니케이션 피라미드의 정점을 차지함 [4, 7, 8].
+
+## 🧩 추출된 패턴 (Extracted patterns)
+- **답변 우선 방식 (Answer First)**: 청중의 결론적 호기심을 먼저 충족시킨 뒤 논리적 근거로 뒷받침하는 Top-down 방식의 패턴을 따름 [9-11].
+- **간극 분석 (Gap Analysis)**: 현재의 바람직하지 않은 상태($R1$)와 목표로 하는 상태($$R2$$) 사이의 간극($\Delta$)을 정의하고 메우는 논리 구조를 가짐 [3, 12, 13].
+- **서사적 갈고리 (Narrative Hook)**: 상황과 전개를 통해 독자의 관심을 즉각적으로 사로잡고 해결책에 대한 수용도를 높이는 패턴을 보임 [4, 6, 14].
+
+## 📖 세부 내용 (Details)
+- **전략적 사고와 문제 정의**: SCQA는 단순한 글쓰기 기법을 넘어 비즈니스 문제를 정의하는 도구임 [13]. 문제 정의 프레임워크로서 현재 상태($R1$)와 목표 상태($R2$)를 명확히 하여 분석의 방향을 설정함 [13, 15].
+- **의사결정자 최적화**: 바쁜 경영진의 자연스러운 정보 처리 방식에 맞춰 결론부터 제시하도록 설계됨 [9, 16, 17]. 독자가 순서에 상관없이 답변이나 상황 섹션으로 건너뛰어 읽더라도 각 부분이 응집력을 갖춰야 함 [18].
+- **피라미드 원칙과의 통합**: 바바라 민토가 개발한 '민토 피라미드 원칙'의 핵심 도입부 구조로 활용됨 [1, 9, 14]. SCQA로 시작된 서사는 이후 수직적 질문-답변 대화와 수평적 MECE 논리 그룹화로 이어짐 [11, 19, 20].
+- **분석적 우위**: 데이터에 기반한 가설 수립 시 '예/아니오'로 답할 수 있는 명확한 질문을 구성하게 하여 분석 과정에서 길을 잃지 않게 도와줌 [21, 22].
+
+## ⚖️ 모순 및 업데이트 (Contradictions & updates)
+- **용어의 변형**: 일부 소스(Slideworks)에서는 Answer 대신 Resolution을 사용하여 'SCR 프레임워크'로 명칭을 변형하여 사용하지만 논리적 본질은 동일함 [23, 24].
+- **비협업적 성격**: 이 프레임워크는 정보를 효율적으로 전달하고 설득하는 데 강력하지만, 대등한 관계에서의 공동 설계(Co-design)나 협업적 발견 과정에는 적합하지 않을 수 있다는 한계가 지적됨 [25, 26].
+
+## 🛠️ 적용 사례 (Applied in summary)
+- **McKinsey & Company 보고서**: 비즈니스 스토리텔링과 파워포인트 덱 구조화의 표준으로 전사적으로 적용됨 [1, 10, 27].
+- **항공사(Airline Inc.) 비용 절감 사례**: 연료비 상승 및 경쟁 심화(Situation), 수익성 위협(Complication), 2027년까지 4억 달러 절감 방안(Question), 운영 효율화 전략(Answer)으로 구조화된 사례가 존재함 [23, 28].
+- **Monash University**: 경영학 전공 학생들의 전략적 보고서 작성 및 비즈니스 페이퍼 평가 기준으로 공식 채택되어 활용됨 [1, 16, 29].
+
+## ✅ 검증 상태 및 신뢰도
+- **상태:** draft
+- **검증 단계:** conceptual (실제 적용 사례 발견 시 applied/validated로 승격 가능)
+- **출처 신뢰도:** B (Official Documentation / Primary Source via NotebookLM)
+- **중복 검사 결과:** 신규 생성 (New discovery)
+
+## 📝 변경 이력 (Change history)
+- 2026-05-24: Initial draft generated via Datacollector_MAC P-Reinforce engine.

10_Wiki/Topics/Domain_Programming/From_Thinking & Reasoning/Systemic Design Framework.md

@@ -0,0 +1,61 @@
+---
+id: systemic-design-framework
+title: "Systemic Design Framework"
+category: "10_Wiki/Topics"
+status: "draft"
+verification_status: "conceptual"
+canonical_id: ""
+aliases: ["시스템적 디자인 프레임워크", "Framework for Innovation"]
+duplicate_of: ""
+source_trust_level: "B"
+confidence_score: 0.85
+created_at: 2026-05-23
+updated_at: 2026-05-23
+review_reason: ""
+merge_history: []
+tags: ["research", "design thinking"]
+raw_sources: ["NotebookLM Synthesis"]
+applied_in: ["Innova Schools Network Design", "Nursing Handoff Process Change", "Design Council Framework for Innovation"]
+github_commit: ""
+---
+
+# [[Systemic Design Framework]]
+
+## 🎯 한 줄 통찰 (One-line insight)
+복잡하고 상호 연결된 시스템 내에서 인간 중심의 가치와 비즈니스, 기술적 요소를 통합하여 지속 가능한 전사적 변화를 설계하는 혁신 방법론 [1-4].
+
+## 🧠 핵심 개념 (Core concepts)
+1.  **전체론적 시스템 비전 (Systemic Vision):** 문제를 개별적 파편이 아닌 상호 연결된 시스템의 일부로 파악하며, 디자인 사고의 핵심인 '전체론적(Holistic)' 관점을 견지함 [4].
+2.  **다학제적 요인 통합 (Multidisciplinary Integration):** 인간(Human), 비즈니스(Business), 기술적(Technical) 요소를 문제 형성과 해결 단계에 통합하여 혁신을 창출함 [3, 4].
+3.  **비선형적 반복 프로세스 (Non-linear Iteration):** 고정된 단계의 나열이 아니라, 초기 단계로 끊임없이 되돌아가며 학습하고 정제하는 순환적 구조를 가짐 [5-8].
+4.  **확장된 더블 다이아몬드 (Expanded Double Diamond):** 발견(Discover), 정의(Define), 개발(Develop), 전달(Deliver)의 네 단계를 기반으로 하되, 디지털 환경과 복잡한 문제에 대응하기 위해 '혁신을 위한 프레임워크'로 확장됨 [7-10].
+
+## 🧩 추출된 패턴 (Extracted patterns)
+- **Diverge-Converge Cycle (발산-수렴 사이클):** 문제 이해를 위해 시야를 넓히는 발산 단계와 실행 가능한 해결책을 위해 초점을 맞추는 수렴 단계가 반복적으로 교차됨 [9-12].
+- **Constraint-driven Innovation (제약 기반 혁신):** 기존 증거(Evidence)와 시스템적 한계를 설계의 제약 사항으로 설정하고, 그 안에서 창의적 솔루션을 탐색함 [13].
+- **Knowledge Creation Loop (지식 창출 루프):** 질문(Inquiry)과 적용(Application)을 통해 이론(Theory)과 실제(Practice) 사이의 균형을 맞추며 지식을 축적함 [14, 15].
+
+## 📖 세부 내용 (Details)
+- **시스템적 접근의 필요성:** 현대 사회의 도전 과제들은 매우 역동적이고 인간 중심적이며, 상호 연결된 복잡한 시스템(Complex, interconnected systems) 내에 존재하므로 단순한 기능 개선을 넘어선 시스템적 설계가 요구됨 [1, 2].
+- **프레임워크의 진화:** 영국 디자인 카운슬(Design Council)에서 표준화한 이 프레임워크는 전통적인 '디자인 관리'를 넘어 전략적 혁신을 위한 공통 언어로 사용됨 [16, 17]. 특히 '혁신을 위한 프레임워크(Framework for Innovation)'로 확장되면서, 초기 아이디어 테스트와 지속적인 피드백 루프를 강조하게 됨 [7, 8].
+- **적용 영역:** 의료 시스템의 대규모 변화(Organizational and systems changes), 교육 과정 재설계(Pedagogy), 항공 산업과 같은 고위험 도메인에서 복잡한 문제(Wicked problems)를 해결하는 데 효과적임 [3, 4, 18, 19].
+- **학습과 창조의 결합:** 디자인 기반 학습(Design-based learning)에서 이 프레임워크는 학생들이 다학제적 팀 내에서 긍정적인 변화를 도출하고 창의성, 비판적 사고, 소통 능력을 배양하는 도구로 활용됨 [3, 4].
+
+## ⚖️ 모순 및 업데이트 (Contradictions & updates)
+- **선형성 vs 순환성:** 이론적으로는 선형적 진행으로 묘사되기도 하지만, 실제 현장에서는 여러 단계 사이를 반복적으로 오가는 '질량적 루프(Mass of looping)'가 핵심임 [5, 6].
+- **완성된 아이디어의 부재:** 디지털화된 세계에서는 어떤 아이디어도 완전히 '끝나지(Finished)' 않으며, 지속적인 테스트와 전달의 반복을 통해 진화함 [7, 8].
+- **가이드라인 vs 초대장:** 이 프레임워크는 경직된 지침서가 아니라 참여를 유도하는 '초대장(Invitation)'으로 기능하며, 각 조직의 상황에 맞게 유연하게 조정되어야 함 [10, 12].
+
+## 🛠️ 적용 사례 (Applied in summary)
+- **Innova Schools (페루):** 성장하는 중산층을 위한 학교 네트워크 전체 시스템을 근본부터 설계하여 교육 인프라를 대규모로 확장함 [20, 21].
+- **간호사 업무 인수인계(Nursing Handoff) 혁신:** 병원 시스템 전반의 간호사 간 소통 및 행동 방식을 개선하기 위해 6개월간의 시스템적 설계와 2년간의 확산을 진행함 [22, 23].
+- **Design Council (UK):** 전략적 디자인 접근의 가치를Codify(기호화)하기 위해 더블 다이아몬드 모델을 표준화하고 이를 시스템 설계 리소스로 보급함 [16, 17, 24, 25].
+
+## ✅ 검증 상태 및 신뢰도
+- **상태:** draft
+- **검증 단계:** conceptual (Innova Schools 등 실제 시스템 설계 사례를 통해 검증된 구조)
+- **출처 신뢰도:** B (Design Council 및 IDEO U의 공식 리소스 및 학술 논문 기반)
+- **중복 검사 결과:** 신규 생성 (New discovery)
+
+## 📝 변경 이력 (Change history)
+- 2026-05-23: Initial draft generated via Datacollector_MAC P-Reinforce engine.

10_Wiki/Topics/Domain_Programming/From_Thinking & Reasoning/Testing.md

@@ -0,0 +1,72 @@
+---
+id: testing
+title: "Testing"
+category: "10_Wiki/Topics"
+status: "draft"
+verification_status: "conceptual"
+canonical_id: ""
+aliases: []
+duplicate_of: ""
+source_trust_level: "B"
+confidence_score: 0.85
+created_at: 2026-05-23
+updated_at: 2026-05-23
+review_reason: ""
+merge_history: []
+tags: ["research", "design thinking"]
+raw_sources: ["NotebookLM Synthesis"]
+applied_in: ["A Large Private Sector Bank - Mobile Loan Application Journey"]
+github_commit: ""
+---
+
+# [[Testing]]
+
+## 🎯 한 줄 통찰 (One-line insight)
+테스팅은 단순히 솔루션의 성패를 확인하는 과정이 아니라, 프로토타입을 매개로 사용자에 대한 공감을 심화하고 POV(관점)를 정교화하여 '올바른 해결책'을 향해 나아가는 학습의 기회이다 [1-6].
+
+## 🧠 핵심 개념 (Core concepts)
+- **피드백 요청 (Soliciting Feedback):** 사용자로부터 프로토타입에 대한 반응과 의견을 수집하여 솔루션이 그들의 요구를 충족하는지 검증한다 [2, 4, 7, 8].
+- **학습을 위한 테스트 (Test to Learn):** "자신이 옳다고 믿고 프로토타입을 만들되, 틀릴 수 있다는 생각으로 테스트하라"는 원칙 하에 솔루션뿐만 아니라 사용자와 문제 자체를 더 깊이 이해한다 [1, 9-13].
+- **사용자 공감의 재개 (Re-engaging Empathy):** 초기 공감 단계와 달리 구체적인 솔루션 모델을 가지고 사용자와 다시 소통하며, "왜?"라는 질문을 통해 예상치 못한 통찰을 얻는다 [2-5, 14].
+- **POV 및 솔루션 정교화 (Refining POV & Solutions):** 테스트 결과에 따라 문제 정의가 잘못되었음을 깨닫거나 프로토타입의 다음 반복(Iteration)을 위한 구체적인 방향을 설정한다 [3, 5].
+
+## 🧩 추출된 패턴 (Extracted patterns)
+- **Show Don't Tell (설명하지 말고 보여주기):** 프로토타입을 직접 사용자의 손에 쥐어주고 그들이 어떻게 해석하고 사용하는지(또는 오용하는지)를 관찰한다 [3, 5, 15].
+- **경험의 창조 (Create Experiences):** 단순한 설명이 아닌 실제 사용 환경(In Situ)이나 시나리오를 구축하여 사용자가 솔루션에 자연스럽게 반응하도록 유도한다 [9, 10, 12, 13].
+- **비교를 통한 테스트 (Ask Users to Compare):** 여러 개의 프로토타입을 동시에 제시하여 사용자가 비교하게 함으로써 잠재된 요구사항을 명확히 드러낸다 [10, 13, 16].
+- **하이퍼 반복 (Hyper-iteration):** 현대(2026년 기준)에는 프로토타입 제작 속도가 빨라짐에 따라 테스트와 공감 단계 사이를 단 몇 시간 만에 오가는 실시간 피드백 루프가 형성된다 [17, 18].
+
+## 📖 세부 내용 (Details)
+테스팅은 디자인 씽킹 프로세스의 마지막 단계(선형적 관점)이자 새로운 반복의 시작점이다 [2, 14, 19]. 이는 프로토타입이 사용자 목표를 달성하는지 확인하는 동시에, 사용자가 문제에 접근하는 방식과 어려움을 느끼는 지점을 깊이 있게 파악하는 과정이다 [14, 15].
+
+**1. 실행 방법론**
+- **관찰 테스트 (Observational Testing):** 통제된 환경이나 실제 생활 맥락에서 사용자가 프로토타입과 상호작용하는 행동, 반응, 질문을 면밀히 관찰하고 기록한다 [9, 14, 15].
+- **반복적 테스트 (Iterative Testing):** 초기 테스트 결과를 바탕으로 개선된 프로토타입을 다시 제작하고 테스트하는 과정을 반복하여 솔루션의 완성도를 높인다 [10, 14].
+- **2026년의 테스팅:** 데이터 기반 시뮬레이션과 실제 사용자 상호작용을 결합한 '하이브리드 테스팅'을 통해 장기적인 행동을 예측하기도 한다 [20, 21].
+
+**2. 도구 및 기술**
+- 사용자의 행동과 반응을 체계적으로 분석하기 위해 UX 테스팅 세션, 구조화된 사용성 세션, A/B 테스팅 등을 활용한다 [16, 22].
+- 헬스케어와 같은 고위험 분야에서도 스토리보드와 같은 저충실도(Low-fidelity) 프로토타입을 활용해 조기에 실패하고 학습함으로써 위험을 관리할 수 있다 [23].
+
+**3. 목적의 확장**
+- 단순히 "이 솔루션이 마음에 드십니까?"라고 묻는 것이 아니라, 사용자의 삶과 루틴 속에서 프로토타입이 어떤 의미를 갖는지 탐구한다 [2, 4, 9, 12].
+- 테스팅은 때로 문제 정의 자체가 잘못되었음을 밝혀내어 팀을 다시 'Define' 단계로 되돌려 보내는 역할을 수행한다 [3, 5, 16].
+
+## ⚖️ 모순 및 업데이트 (Contradictions & updates)
+- **비선형성:** 테스팅은 프로세스의 끝이 아니라, 초기 단계(Empathize, Define)로 루프백(Loop back)하게 만드는 촉매제이다 [24-27].
+- **실패에 대한 관점:** 테스팅에서의 실패는 자원 낭비가 아니라, 저비용 프로토타입을 통해 더 큰 비용이 드는 나중 단계의 실패를 방지하는 전략적 학습 과정으로 간주된다 [23, 28, 29].
+- **표본의 가치:** 통계적 유의성을 중시하는 전통적 연구와 달리, 디자인 씽킹 테스팅은 소수의 사용자와의 깊은 소통 및 '아웃라이어(Outlier)'의 서사적 통찰을 중요하게 여긴다 [30].
+
+## 🛠️ 적용 사례 (Applied in summary)
+- **인도 대형 민간 은행 (Loan Drop-Off Problem):** 모바일 대출 신청 과정의 높은 중도 탈퇴율을 해결하기 위해 디자인 씽킹 프로세스를 적용함. 테스팅 단계에서 "신용 점수 하락에 대한 공포"라는 심리적 요인을 발견하고, 이를 해소하는 문구를 넣은 MVP를 50명의 사용자에게 테스트한 결과 완료율이 34% 상승함 [31-36].
+- **헬스케어 분야 (Systematic Review):** 24건의 헬스케어 개입 사례 연구 결과, 전통적 방식보다 디자인 씽킹(반복적 테스팅 포함)을 거친 인터벤션이 사용자 만족도와 사용성, 효과성 측면에서 더 우수한 결과를 보임 [37-40].
+- **간호사 교대 근무 인수인계 프로세스:** 14개 병원 125개 간호 유닛에 적용하기 전, 파일럿 사이트에서의 반복적인 필드 테스트와 사용자 공동 개발을 통해 수용성을 높임 [41, 42].
+
+## ✅ 검증 상태 및 신뢰도
+- **상태:** draft
+- **검증 단계:** conceptual (실제 적용 사례가 소스 내 구체적인 프로젝트로 확인됨)
+- **출처 신뢰도:** B (Stanford d.school, Nielsen Norman Group, IDEO U 등 공신력 있는 기관의 가이드 및 학술 연구 기반)
+- **중복 검사 결과:** 신규 생성 (New discovery)
+
+## 📝 변경 이력 (Change history)
+- 2026-05-23: Initial draft generated via Datacollector_MAC P-Reinforce engine.