feat(knowledge): reach 700 topics milestone with Batch 5.10

10_Wiki/Topics/AI/Data-Science-in-UX.md

@@ -1,25 +1,31 @@
 ---
-id: P-REINFORCE-AUTO-235CC7
+id: P-REINFORCE-AUTO-DSUX-001
 category: "[[10_Wiki/💡 Topics/AI]]"
-confidence_score: 0.90
-tags: [auto-reinforced]
+confidence_score: 0.94
+tags: [auto-reinforced, data-science, ux, user-experience, quantitative-analysis, a-b-testing, behavioral-data]
 last_reinforced: 2026-04-20
-github_commit: "[P-Reinforce] Continuous Worker - Data-Science-in-UX"
 ---
 
 # [[Data-Science-in-UX]]
 
 ## 📌 한 줄 통찰 (The Karpathy Summary)
-> 지식 요약 정보 추출 중...
+> "경험의 정량화: '사용자가 좋아하는 것 같다'는 주관적 느낌 대신, 수백만 건의 클릭 로그와 잔류 시간 데이터를 분석하여 어떤 디자인이 진짜로 사용자의 가치를 높였는지 숫자로 증명하는 디자인 심판관."
 
 ## 📖 구조화된 지식 (Synthesized Content)
-본문 구조화 작업 중...
+UX 데이터 과학(Data-Science-in-UX)은 대규모 사용자 행동 데이터를 수집하고 분석하여 사용자 경험을 개선하기 위한 데이터 기반 디자인 방법론입니다.
+
+1.  **3대 분석 기법**:
+    *   **A/B Testing**: 두 가지 시안 중 어떤 것이 목표 지표(클릭률, 구매 전환 등) 개선에 효과적인지 실험.
+    *   **Cohort Analysis**: 특정 시기에 유입된 사용자 그룹의 유지율 및 행동 패턴 추적.
+    *   **Funnel Analysis**: 사용자가 각 단계(Touchpoint)에서 얼마나 이탈하는지 병목 현상 파악. (Customer-Journey-Mapping와 연결)
+2.  **왜 중요한가?**:
+    *   디자이너의 직관(Intuition)과 데이터의 객관성(Data-driven) 사이의 가교 역할을 하여, 가장 효과적인 제품 개선 우선순위를 결정하기 때문임. (Priority와 연결)
 
 ## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
-- **과거 데이터와의 충돌:** 자동화 엔진에 의해 매핑된 지식으로, 추후 정밀 검증 필요.
-- **정책 변화:** AI 분야의 자동 자산화 수행.
+- **과거 데이터와의 충돌**: 과거에는 "숫자는 감정을 설명하지 못한다"며 정성 조사(Qualitative)만 중시했으나, 현대 정책은 숫자가 말해주는 '현상 정책'과 인터뷰가 말해주는 '이유'를 결합한 '믹스-메소드(Mixed Methods) 정책'이 표준이 됨(RL Update). (Scientific-Method와 연결)
+- **정책 변화(RL Update)**: 이제는 단순 통계 분석 정책을 넘어, AI 가 사용자의 실시간 감정 정책이나 불만족 정책을 예측하여 선제적으로 UI를 변경하는 '예측형 인터페이스 정책(Predictive UI)'으로 진화 중임.
 
 ## 🔗 지식 연결 (Graph)
-
-- Raw Source: [[00_Raw/2026-04-20/Data-Science-in-UX.md]]
+- [[Customer-Journey-Mapping]], [[Scientific-Method]], [[Priority]], [[Efficiency]], [[Analysis]], [[Sensitivity-Analysis]]
+- **Key Concepts**: HEART framework (Google), North Star Metric.
 ---