Enviar pesquisa
Carregar
Log design
•
2 gostaram
•
1,147 visualizações
Soo-Kyung Choi
Seguir
로그 설계 시 고려할 사항에 대하여 정리해보았습니다.
Leia menos
Leia mais
Dados e análise
Denunciar
Compartilhar
Denunciar
Compartilhar
1 de 11
Baixar agora
Baixar para ler offline
Recomendados
로그 기깔나게 잘 디자인하는 법
로그 기깔나게 잘 디자인하는 법
Jeongsang Baek
[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
[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
게임 운영에 필요한 로그성 데이터들에 대하여
게임 운영에 필요한 로그성 데이터들에 대하여
iFunFactory Inc.
[NDC18] 야생의 땅 듀랑고의 데이터 엔지니어링 이야기: 로그 시스템 구축 경험 공유 (2부)
[NDC18] 야생의 땅 듀랑고의 데이터 엔지니어링 이야기: 로그 시스템 구축 경험 공유 (2부)
Hyojun Jeon
Data Engineering 101
Data Engineering 101
DaeMyung Kang
GA로 게임 로그 분석하기
GA로 게임 로그 분석하기
Alan Kang
데이터가 흐르는 조직 만들기 - 마이리얼트립
데이터가 흐르는 조직 만들기 - 마이리얼트립
승화 양
Recomendados
로그 기깔나게 잘 디자인하는 법
로그 기깔나게 잘 디자인하는 법
Jeongsang Baek
[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
[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
게임 운영에 필요한 로그성 데이터들에 대하여
게임 운영에 필요한 로그성 데이터들에 대하여
iFunFactory Inc.
[NDC18] 야생의 땅 듀랑고의 데이터 엔지니어링 이야기: 로그 시스템 구축 경험 공유 (2부)
[NDC18] 야생의 땅 듀랑고의 데이터 엔지니어링 이야기: 로그 시스템 구축 경험 공유 (2부)
Hyojun Jeon
Data Engineering 101
Data Engineering 101
DaeMyung Kang
GA로 게임 로그 분석하기
GA로 게임 로그 분석하기
Alan Kang
데이터가 흐르는 조직 만들기 - 마이리얼트립
데이터가 흐르는 조직 만들기 - 마이리얼트립
승화 양
[236] 카카오의데이터파이프라인 윤도영
[236] 카카오의데이터파이프라인 윤도영
NAVER D2
대용량 로그분석 Bigquery로 간단히 사용하기 (20170215 T아카데미)
대용량 로그분석 Bigquery로 간단히 사용하기 (20170215 T아카데미)
Jaikwang Lee
스타트업 사례로 본 로그 데이터 분석 : Tajo on AWS
스타트업 사례로 본 로그 데이터 분석 : Tajo on AWS
Matthew (정재화)
임태현, 게임 서버 디자인 가이드, NDC2013
임태현, 게임 서버 디자인 가이드, NDC2013
devCAT Studio, NEXON
BigQuery의 모든 것(기획자, 마케터, 신입 데이터 분석가를 위한) 입문편
BigQuery의 모든 것(기획자, 마케터, 신입 데이터 분석가를 위한) 입문편
Seongyun Byeon
[NDC 발표] 모바일 게임데이터분석 및 실전 활용
[NDC 발표] 모바일 게임데이터분석 및 실전 활용
Tapjoy X 5Rocks
Massive service basic
Massive service basic
DaeMyung Kang
서버학개론(백엔드 서버 개발자를 위한)
서버학개론(백엔드 서버 개발자를 위한)
수보 김
Data pipeline and data lake
Data pipeline and data lake
DaeMyung Kang
webservice scaling for newbie
webservice scaling for newbie
DaeMyung Kang
AWS를 활용하여 Daily Report 만들기 : 로그 수집부터 자동화된 분석까지
AWS를 활용하여 Daily Report 만들기 : 로그 수집부터 자동화된 분석까지
Changje Jeong
서버 성능에 대한 정의와 이해
서버 성능에 대한 정의와 이해
중선 곽
How to build massive service for advance
How to build massive service for advance
DaeMyung Kang
[KAIST 채용설명회] 데이터 엔지니어는 무슨 일을 하나요?
[KAIST 채용설명회] 데이터 엔지니어는 무슨 일을 하나요?
Juhong Park
Little Big Data #1. 바닥부터 시작하는 데이터 인프라
Little Big Data #1. 바닥부터 시작하는 데이터 인프라
Seongyun Byeon
[DevGround] 린하게 구축하는 스타트업 데이터파이프라인
[DevGround] 린하게 구축하는 스타트업 데이터파이프라인
Jae Young Park
프로덕트를 빠르게 개선하기 위한 베이지안 A/B 테스트
프로덕트를 빠르게 개선하기 위한 베이지안 A/B 테스트
Minho Lee
신입 개발자 생활백서 [개정판]
신입 개발자 생활백서 [개정판]
Yurim Jin
NDC 2016 김정주 - 기계학습을 활용한 게임어뷰징 검출
NDC 2016 김정주 - 기계학습을 활용한 게임어뷰징 검출
정주 김
Bigquery와 airflow를 이용한 데이터 분석 시스템 구축 v1 나무기술(주) 최유석 20170912
Bigquery와 airflow를 이용한 데이터 분석 시스템 구축 v1 나무기술(주) 최유석 20170912
Yooseok Choi
PYCON 2017 발표자료 한성준
PYCON 2017 발표자료 한성준
sungjun han
언론사에 구글 애널리틱스 도입하기 - 강의 1주차
언론사에 구글 애널리틱스 도입하기 - 강의 1주차
chan693050
Mais conteúdo relacionado
Mais procurados
[236] 카카오의데이터파이프라인 윤도영
[236] 카카오의데이터파이프라인 윤도영
NAVER D2
대용량 로그분석 Bigquery로 간단히 사용하기 (20170215 T아카데미)
대용량 로그분석 Bigquery로 간단히 사용하기 (20170215 T아카데미)
Jaikwang Lee
스타트업 사례로 본 로그 데이터 분석 : Tajo on AWS
스타트업 사례로 본 로그 데이터 분석 : Tajo on AWS
Matthew (정재화)
임태현, 게임 서버 디자인 가이드, NDC2013
임태현, 게임 서버 디자인 가이드, NDC2013
devCAT Studio, NEXON
BigQuery의 모든 것(기획자, 마케터, 신입 데이터 분석가를 위한) 입문편
BigQuery의 모든 것(기획자, 마케터, 신입 데이터 분석가를 위한) 입문편
Seongyun Byeon
[NDC 발표] 모바일 게임데이터분석 및 실전 활용
[NDC 발표] 모바일 게임데이터분석 및 실전 활용
Tapjoy X 5Rocks
Massive service basic
Massive service basic
DaeMyung Kang
서버학개론(백엔드 서버 개발자를 위한)
서버학개론(백엔드 서버 개발자를 위한)
수보 김
Data pipeline and data lake
Data pipeline and data lake
DaeMyung Kang
webservice scaling for newbie
webservice scaling for newbie
DaeMyung Kang
AWS를 활용하여 Daily Report 만들기 : 로그 수집부터 자동화된 분석까지
AWS를 활용하여 Daily Report 만들기 : 로그 수집부터 자동화된 분석까지
Changje Jeong
서버 성능에 대한 정의와 이해
서버 성능에 대한 정의와 이해
중선 곽
How to build massive service for advance
How to build massive service for advance
DaeMyung Kang
[KAIST 채용설명회] 데이터 엔지니어는 무슨 일을 하나요?
[KAIST 채용설명회] 데이터 엔지니어는 무슨 일을 하나요?
Juhong Park
Little Big Data #1. 바닥부터 시작하는 데이터 인프라
Little Big Data #1. 바닥부터 시작하는 데이터 인프라
Seongyun Byeon
[DevGround] 린하게 구축하는 스타트업 데이터파이프라인
[DevGround] 린하게 구축하는 스타트업 데이터파이프라인
Jae Young Park
프로덕트를 빠르게 개선하기 위한 베이지안 A/B 테스트
프로덕트를 빠르게 개선하기 위한 베이지안 A/B 테스트
Minho Lee
신입 개발자 생활백서 [개정판]
신입 개발자 생활백서 [개정판]
Yurim Jin
NDC 2016 김정주 - 기계학습을 활용한 게임어뷰징 검출
NDC 2016 김정주 - 기계학습을 활용한 게임어뷰징 검출
정주 김
Bigquery와 airflow를 이용한 데이터 분석 시스템 구축 v1 나무기술(주) 최유석 20170912
Bigquery와 airflow를 이용한 데이터 분석 시스템 구축 v1 나무기술(주) 최유석 20170912
Yooseok Choi
Mais procurados
(20)
[236] 카카오의데이터파이프라인 윤도영
[236] 카카오의데이터파이프라인 윤도영
대용량 로그분석 Bigquery로 간단히 사용하기 (20170215 T아카데미)
대용량 로그분석 Bigquery로 간단히 사용하기 (20170215 T아카데미)
스타트업 사례로 본 로그 데이터 분석 : Tajo on AWS
스타트업 사례로 본 로그 데이터 분석 : Tajo on AWS
임태현, 게임 서버 디자인 가이드, NDC2013
임태현, 게임 서버 디자인 가이드, NDC2013
BigQuery의 모든 것(기획자, 마케터, 신입 데이터 분석가를 위한) 입문편
BigQuery의 모든 것(기획자, 마케터, 신입 데이터 분석가를 위한) 입문편
[NDC 발표] 모바일 게임데이터분석 및 실전 활용
[NDC 발표] 모바일 게임데이터분석 및 실전 활용
Massive service basic
Massive service basic
서버학개론(백엔드 서버 개발자를 위한)
서버학개론(백엔드 서버 개발자를 위한)
Data pipeline and data lake
Data pipeline and data lake
webservice scaling for newbie
webservice scaling for newbie
AWS를 활용하여 Daily Report 만들기 : 로그 수집부터 자동화된 분석까지
AWS를 활용하여 Daily Report 만들기 : 로그 수집부터 자동화된 분석까지
서버 성능에 대한 정의와 이해
서버 성능에 대한 정의와 이해
How to build massive service for advance
How to build massive service for advance
[KAIST 채용설명회] 데이터 엔지니어는 무슨 일을 하나요?
[KAIST 채용설명회] 데이터 엔지니어는 무슨 일을 하나요?
Little Big Data #1. 바닥부터 시작하는 데이터 인프라
Little Big Data #1. 바닥부터 시작하는 데이터 인프라
[DevGround] 린하게 구축하는 스타트업 데이터파이프라인
[DevGround] 린하게 구축하는 스타트업 데이터파이프라인
프로덕트를 빠르게 개선하기 위한 베이지안 A/B 테스트
프로덕트를 빠르게 개선하기 위한 베이지안 A/B 테스트
신입 개발자 생활백서 [개정판]
신입 개발자 생활백서 [개정판]
NDC 2016 김정주 - 기계학습을 활용한 게임어뷰징 검출
NDC 2016 김정주 - 기계학습을 활용한 게임어뷰징 검출
Bigquery와 airflow를 이용한 데이터 분석 시스템 구축 v1 나무기술(주) 최유석 20170912
Bigquery와 airflow를 이용한 데이터 분석 시스템 구축 v1 나무기술(주) 최유석 20170912
Semelhante a Log design
PYCON 2017 발표자료 한성준
PYCON 2017 발표자료 한성준
sungjun han
언론사에 구글 애널리틱스 도입하기 - 강의 1주차
언론사에 구글 애널리틱스 도입하기 - 강의 1주차
chan693050
Google Cloud IAM 계정, 권한 및 조직 관리
Google Cloud IAM 계정, 권한 및 조직 관리
정명훈 Jerry Jeong
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 (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
Azure를 이용한 Join 없는 글로벌 분산 시스템 설계하기
Azure를 이용한 Join 없는 글로벌 분산 시스템 설계하기
Gyuwon Yi
Data Driven Decision을 위한 데이터플랫폼구축기@kakaomobility
Data Driven Decision을 위한 데이터플랫폼구축기@kakaomobility
Jongho Woo
Log Design Case Study
Log Design Case Study
Dataya Nolja
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
[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
빅데이터 기술 현황과 시장 전망(2014)
빅데이터 기술 현황과 시장 전망(2014)
Channy Yun
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
역삼역, 이마트 AI_v최종.pdf
역삼역, 이마트 AI_v최종.pdf
DeukJin Jeon
How to Create Value from Data, and Its Difficulty
How to Create Value from Data, and Its Difficulty
Dataya Nolja
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) - 김선...
[Retail & CPG Day 2019] 리테일/소비재 부문의 고객 경험 강화를 위한 기술변화 방향과 고객 사례 (ZIGZAG) - 김선...
Amazon Web Services Korea
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
Semelhante a 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
Baixar agora