제드와 저는 오늘 산악자전거 서스펜션에 대해 이야기하고, JMP에서 발견한 유용한 도구들을 소개하려고 합니다. 이 도구들은 서스펜션과 인터넷에 올라온 리뷰들 간의 상관관계를 파악하는 데 큰 도움이 되었습니다. 이 발표는 작년 디스커버리 서밋에서 시작되었습니다. 제드와 저는 만났고, 저는 "기능 데이터 탐색기(Functional Data Explorer)가 뭐지? 어떻게 사용할 수 있지? 그리고 어떤 이점이 있을까?"라고 궁금했습니다. 제드가 저에 대해 조금 알고 있었기에 산악자전거 이야기를 꺼냈고, 저는 바로 흥미를 느꼈습니다. 그 이야기가 결국 이 발표로 이어지게 되었습니다.
저희와 이 프레젠테이션에 대해 몇 가지 알려드릴 사항이 있습니다. 저희는 자전거 회사와 아무런 관련이 없으며, 업계 전문가도 아닙니다. 저희는 Bike Radar에서 몇몇 리뷰를 가져와 그들의 리뷰 방식을 살펴보았고, 인터넷에서 구할 수 있는 Linkage라는 소프트웨어에서 서스펜션 곡선 데이터를 가져왔습니다.
이 프레젠테이션을 통해 다음에 어떤 자전거를 사야 할지 결정하라는 것은 아닙니다. 저희의 목적은 JMP에 있는 정말 멋지고 강력한 도구들을 소개하여, 기존에는 이해하기 어려웠던 데이터들을 쉽게 파악할 수 있도록 돕는 것입니다.
본론으로 들어가기 전에 산악자전거의 작동 원리에 대해 간단히 알아보겠습니다. 산악자전거에는 일반적으로 앞 서스펜션과 뒤 서스펜션이 있습니다. 앞 서스펜션은 매우 간단합니다. 포크를 따라 직선으로 위아래로 움직일 뿐입니다. 뒤 서스펜션은 훨씬 더 복잡합니다. 뒷바퀴가 위아래로 움직이고, 이 움직임을 자전거 프레임 중앙에 있는 충격 흡수 장치와 연결하는 링크가 있습니다. 이 링크는 다양한 특성을 가질 수 있는데, 오늘 살펴볼 다섯 가지 특성에 대해 알아보겠습니다.
하지만 가장 이해하기 쉬운 개념은 아마도 레버리지 비율일 겁니다. 즉, 바퀴가 1mm 움직일 때 쇼크 업소버는 얼마나 압축될까요? 쇼크 업소버도 1mm 압축될까요? 그렇다면 레버리지 비율은 1이 됩니다. 쇼크 업소버가 훨씬 적게 압축된다면 레버리지 비율은 더 높아지고, 이 값은 바퀴의 전체 움직임 범위에 걸쳐 변합니다. 바퀴가 움직임에 따라 이 값이 변하기 때문에 자전거의 링크 구조를 정의하는 곡선 또는 함수 데이터를 얻을 수 있습니다.
저희는 이 곡선 중 다섯 가지를 추출했습니다. 첫 번째는 안티 스쿼트입니다. 이는 자전거가 가속할 때 자전거가 어떻게 움직이는지와 관련이 있습니다. 페달을 밟을 때 자전거가 앞으로 기울어지는지, 아니면 서스펜션이 가라앉는지, 아니면 상대적으로 수평을 유지하는지와 같은 문제입니다. 안티 스쿼트는 서스펜션이 이러한 가속력에 어떻게 반응하는지와 관련이 있습니다.
안티라이즈는 또 다른 특성 중 하나로, 제동 시, 즉 속도를 줄일 때 자전거가 앞으로 기울어지는지, 서스펜션이 압축되는지를 나타냅니다. 안티라이즈는 자전거 설계자들이 자전거의 특성을 결정하거나 성능을 향상시키기 위해 조정하는 또 다른 요소입니다.
레버리지 비율에 대해 간략히 이야기해 보겠습니다. 이는 휠이 움직일 때 쇼크 업소버가 얼마나 압축되는지를 나타냅니다. 레버리지 비율에서 정말 흥미로운 점은, 그리고 이 부분은 프레젠테이션 후반부에 좀 더 자세히 다루겠지만, 특정 쇼크 업소버에 맞춰 튜닝된다는 것입니다. 자전거에는 에어 서스펜션과 코일 서스펜션이 있는데, 어떤 종류의 서스펜션을 사용하느냐에 따라 레버리지 비율 곡선이 달라집니다. 중요한 것은 레버리지 비율이 튜닝되지만, 단독으로 튜닝되는 것이 아니라 사용하는 쇼크 업소버의 종류에도 크게 영향을 받는다는 점입니다.
축 경로도 마찬가지입니다. 바퀴가 위로 움직일 때, 뒤로 많이 쏠리는지, 아니면 위아래로 직선으로 움직이는지, 아니면 앞으로 약간 움직이는지 살펴보는 것이죠. 이 그래프에서 Y축은 바퀴의 이동 거리이고 X축은 앞뒤 위치입니다. 바퀴는 0에서 시작합니다. 이 파란색 그래프에서 보면, 바퀴가 앞으로 움직이기 전에 처음에는 약간 뒤로 움직이는 것을 볼 수 있습니다. 내리막길을 내려갈 때, 앞으로 나아가고 있다면 바퀴가 장애물에 부딪히기보다는 뒤로 움직여 장애물을 피하는 것이 더 좋겠죠. 축 경로는 자전거에 어떤 이점을 가져다주는지 직관적으로 이해하기 쉬운 개념입니다.
마지막으로 페달 킥백이 있습니다. 바퀴가 회전할 때 페달과 바퀴 사이의 거리가 약간 벌어지면서 페달이 라이더 쪽으로 뒤로 밀리는 현상이 발생합니다. 이는 일반적으로 좋지 않은 현상이며, 자전거를 타는 동안 불안정한 느낌을 유발할 수 있습니다.
우리가 관심 있는 곡선은 바로 저것들입니다. 우리가 관심 있는 영역도 저것들이고, 이 모든 데이터를 링크에서 추출할 수 있습니다. 이제 문제는 어떻게 리뷰를 가져오느냐는 것입니다. 저는 지금 JMP 18 이전 버전을 사용하고 있지만, 파이썬 스크립트를 작성할 수 있습니다. 이 파이썬 스크립트의 작동 방식에 대한 자세한 설명은 생략하겠습니다. 궁금한 점이 있으면 언제든지 문의해 주세요. 기꺼이 답변해 드리겠습니다. 간단히 말해서, 제 데스크톱에 있는 파이썬 스크립트를 JMP가 실행해서 Bike Radar에 접속해 여러 리뷰를 수집하고, 우리가 살펴볼 수 있는 몇 가지 JMP 데이터 테이블을 생성하는 것입니다.
첫 번째는 이 요약표입니다. 이 표는 자전거 리뷰에 대한 다양한 메타데이터를 제공합니다. 어떤 자전거인지, 전체 리뷰인지, 장기 리뷰인지, 아니면 첫 시승 리뷰인지, 게시 날짜는 언제인지 등을 알려줍니다. 또한 간단한 의견, 전체 점수, URL, 자전거 종류, 작성자 정보도 제공합니다. 마지막으로 리뷰의 핵심 내용이 나옵니다. 여기에는 다시 한번 자전거 정보, 특정 부분, 그리고 리뷰 본문이 표시됩니다.
저희가 수집한 각 리뷰는 세 가지 구성 요소로 이루어져 있습니다. 첫째는 오르막 주행, 둘째는 내리막 주행, 그리고 마지막으로 결론 부분입니다. 각 자전거에 대해 이러한 각 부분을 모두 살펴보았기 때문에, 자전거가 오르막을 잘 오르는지, 내리막길을 잘 내려가는지, 그리고 전반적으로 리뷰어가 그 자전거에 대해 어떻게 느꼈는지 알 수 있습니다.
우리는 여기서 분석을 수행하는 데 사용할 두 가지 구성 요소에 대해 이야기했습니다. 하나는 곡선이고, 이 연결 소프트웨어를 사용하여 곡선을 생성할 수 있으며, 다른 하나는 검토 결과입니다.
하지만 이제 이 모든 것을 JMP가 이해하고 실제로 분석할 수 있는 형태로 어떻게 변환할까요? 이를 위해, 우리가 연결 과정에서 얻은 것은 이미지입니다. 문제는 그 이미지를 JMP가 이해할 수 있는 형태로 어떻게 변환하느냐입니다.
JMP의 멋진 점 중 하나는, 제가 최근에 알게 된 사실인데, 이미지를 열 수 있다는 것입니다. 물론 JSL을 조금 실행해야 하지만, 이미지를 열고 X, Y 좌표를 보여주는 표를 얻을 수 있습니다. 즉, 이미지에서 픽셀의 위치를 알려주는 좌표와 각 픽셀의 빨강, 초록, 파랑 값을 얻을 수 있다는 뜻입니다.
좋아요. 하지만 아직 우리가 원하는 결과를 완전히 얻지는 못했어요. 이런 곡선이 필요하긴 하지만, 훨씬 더 가까워질 수 있어요. 파란색 값들을 모두 추출할 수 있다면… 좋아요, 파란색 값들을 모두 추출한 다음, 그것들을 그래프 공간에 매핑하면 곡선을 생성할 수 있을 거예요.
저는 워크플로 빌더를 정말 좋아합니다. 그래픽으로 작업을 진행하고 결과를 바로 얻을 수 있어서 작업이 훨씬 수월해졌거든요. 그래서 K 평균 클러스터링을 하는 간단한 워크플로를 만들어 봤습니다. 이 이미지는 색상이 세 가지밖에 없어서 좋습니다. 세 개의 그룹을 생성하고 각 그룹의 공식을 표에 저장하면, 이 표에서 X, Y 좌표를 가져와 그래프로 나타낼 수 있습니다. 그리고 각 클러스터 공식에 따라 색상을 지정할 수 있죠. 첫 번째 클러스터 공식은 파란색 픽셀들을 나타냅니다. 이 공식을 이용해서 "파란색 픽셀들은 이렇게 분류할 수 있습니다. 이제 이 픽셀들의 위치는 어디일까요? 이미지에서의 전역 위치는 알고 있으니, 그래프 상의 위치로 어떻게 매핑해야 할까요?"라고 질문할 수 있습니다.
다시 말씀드리지만, 좀 복잡한 내용이라 자세히 설명드리지는 않겠지만, 최종적으로 완성된 대본은 보여드리겠습니다.
이미지가 표시되고 "이 그래프의 Xmin, Xmax, Ymin, Ymax 값을 입력하세요."라는 메시지가 나타납니다. 0에서 130까지, 그리고 0.45에서 1.35까지 값을 입력합니다. "확인"을 클릭합니다. 그러면... 이쪽으로 모든 데이터를 드래그하면 X 값, Y 값, 그리고 우리가 보고 있는 자전거의 속성 정보가 담긴 데이터 테이블이 생성됩니다. 이건 예시 이미지일 뿐입니다. 보시다시피, 여기가 우리가 시작했던 그래프이고, 여기가 추출된 그래프입니다. 이 값들을 입력하고 파란색 픽셀을 확인한 다음, "우리의 전역 위치를 기준으로, 이 값이 우리가 정의한 0에서 130mm 사이의 공간에 어떻게 매핑되는지"를 계산하여 추출한 것입니다.
물론 이 과정이 완벽한 것은 아니지만, 각 항목에 대한 곡선을 보여주는 데는 꽤 효과적입니다. 시간이 좀 걸리긴 합니다. 제드와 저는 어느 날 저녁 두 시간 정도 숫자를 입력하는 데 시간을 쏟았지만, 결국에는 우리가 살펴볼 수 있는 모든 곡선을 얻을 수 있었습니다.
이제 "우리가 텍스트를 어떻게 처리했지? 어떻게 텍스트를 우리가 사용할 수 있는 형태로 만들었지?"에 대해 이야기해 보겠습니다.
랜던, 고마워요. 랜던이 말했듯이, 텍스트는 있고, 파일은 등반, 결론, 하강 부분을 각각 CSV 파일로 저장해 뒀어요. 이 파일들은 바탕화면에 저장해 뒀습니다. 혹시 모르실까 봐 말씀드리는데, '여러 파일 가져오기'라는 아주 유용한 기능이 있어요. 저희도 그 기능을 사용했습니다. 하지만 시간 관계상, 스크립트를 실행해서 바로 처리해 드릴게요. 이 스크립트는 세 파일을 하나의 JMP 파일로 가져와 줍니다. 마우스 오른쪽 버튼을 클릭해서 파일 이름을 각각 결론, 하강, 등반 부분으로 바꾸면 됩니다.
이제 데이터 형식이 갖춰졌고 바로 사용할 준비가 되었습니다. '바로 사용할 수 있다'는 게 무슨 뜻이냐고요? 각 필드의 텍스트를 숫자로 바꿔야 합니다. 그래야 데이터를 조작하고 통계 분석을 할 수 있으니까요. 제가 JMP에서 가장 좋아하면서도 잘 안 쓰는 기능 중 하나가 바로 텍스트 탐색기입니다. 사실 사용법은 아주 간단합니다. 열에 텍스트가 있으면, 그 텍스트만 남게 됩니다. 나머지 내용은 사용하지 않을 테니 무시하면 됩니다. 이 작업은 아주 간단하게 끝낼 수 있습니다.
참고로, 감정 분석은 JMP Pro 기능입니다. JMP Pro를 사용하신다면 이 감정 분석 기능을 이용하실 수 있는데, 이 기능은 모든 텍스트를 분석하여 감정 점수 또는 느낌 점수를 부여합니다. 분석 결과에서 바로 알 수 있듯이, 리뷰어들은 전반적으로 이 자전거에 대해 긍정적인 평가를 내리고 있습니다.
하지만 제가 지적하고 싶은 한 가지는 텍스트 큐레이션이라는 개념입니다. 스크롤을 내려서 '페달 바빙'이라는 단어를 봤는데, 좀 이상하게 들리죠? 누군가 밥에게 페달을 밟으라고 하는 게 아니잖아요. 산악자전거에서 '페달 바빙'은 페달을 밟을 때 서스펜션이 위아래로 흔들리는 현상을 말하는데, 좋지 않은 현상입니다. JMP는 이런 이상한 단어인 '페달 바빙'을 고려할까요? 기본적으로는 아니지만, 추가하는 건 아주 쉽습니다. 감정 분석 기능을 사용해서 직접 해볼 수 있습니다. 감정 용어를 관리하고, 입력 가능한 곳에 '페달 바빙'을 입력해 보세요. -50점을 주고 추가할 수 있습니다. 그리고 '확인'을 누르면 점수가 조금 바뀌는 걸 볼 수 있죠. 이 작업은 간단하지만 시간이 좀 걸릴 수 있습니다.
저는 여러 가지 용어를 가지고 있습니다. 사실 랜던이 토요일에 문서를 훑어보고 모든 감정 관련 용어를 선별하여 텍스트 파일로 저장했습니다. 이 작업을 기본적으로 한 번에 수동으로 했습니다. 그런 다음 JMP가 해당 용어들을 클립보드에 복사해 주므로 Ctrl+V를 눌러 붙여넣을 수 있습니다. 여기서 확인을 누르면 조정이 이루어집니다. 부정어와 강조어 용어도 같은 방식으로 텍스트 파일에 저장할 수 있습니다. 하지만 제가 복사 붙여넣기하는 모습을 보여드리는 대신, 간단한 방법을 사용하겠습니다.
이제 이 모든 자료들이 해당 코퍼스 또는 문서 세트에 맞게 현지화되었습니다. 언어 준비가 완료되었으므로 이제 이 점수들을 신뢰할 수 있게 되었습니다. 점수를 신뢰하게 되었으니, 이제 이 점수들을 활용하고 싶습니다. 점수를 활용하는 가장 쉬운 방법은 빨간색 삼각형을 클릭하고 "문서 점수 저장"을 선택하는 것입니다. 그렇게 하면, 이전에는 텍스트만 있던 표에 이제 긍정적 및 부정적 감정의 수치와 전반적인 감정을 나타내는 열이 추가된 것을 볼 수 있습니다.
이제 거의 다 됐어요. 이 시점에서 제가 해야 할 일은 tabulate 함수를 사용해서 데이터를 좀 더 세분화하는 것뿐이에요. 예를 들어 오르막 주행의 경우 전체적인 긍정적 효과와 부정적 효과를, 내리막 주행의 경우 전체적인 긍정적 효과와 부정적 효과를 각각 따로 분류하는 거죠. 이렇게 데이터 테이블을 만들면 이제 데이터를 활용할 준비가 된 거예요. 각 자전거별로 오르막, 내리막, 그리고 전체적인 성능이 나와 있죠. 즉, 그래프 빌더를 사용해서 전체적인 내리막 주행 성능과 오르막 주행 성능을 비교해 볼 수 있다는 뜻이에요. "자, 여기 자전거들이 있어요. 만약 결론을 내린다면, 이 자전거들이 오르막과 내리막 주행 모두에서 뛰어난 성능을 보일 거예요."라고 말할 수 있죠. 간단히 말해서, 이제 이 데이터를 가지고 작업을 진행할 준비가 됐고, 각 자전거의 성능에 대한 값을 부여할 수 있게 된 거예요. 그럼, 랜던에게 다시 돌아가 보죠.
네, 제드 씨, 감사합니다. 제드 씨가 만들어주신 표를 보여드리겠습니다. 자전거 사진과 함께 전반적인 감정, 긍정적 감정, 부정적 감정을 오르막, 내리막, 그리고 결론 카테고리별로 확인할 수 있습니다. 그리고 또 하나, 모든 이미지를 분석해서 이 곡선표를 만들었습니다.
현재 이 표는 각 자전거에 대한 속성 정보를 담고 있습니다. 안티 스쿼트(Anti-Squat)가 있고, 스크롤을 내려보면 안티 라이즈(Anti-Rise), 리어 패스(Rear Path) 등 다양한 속성들이 있습니다. 그리고 X는 자전거가 서스펜션 트래블에서 얼마나 진행되었는지를 나타내고, Y는 해당 지점에서의 속성 값을 나타냅니다.
저희가 발견한 것 중 하나는 자전거마다 서스펜션 트래블이 상당히 다르다는 점이었습니다. 어떤 자전거는 트래블 거리가 100mm이고, 어떤 자전거는 180mm나 됩니다. 이러한 차이 때문에 문제가 발생했기 때문에 모든 트래블 값을 0에서 1 사이로 표준화했습니다. 즉, 바퀴가 얼마나 움직였는지 보는 대신, 서스펜션 트래블의 몇 퍼센트 지점에 있는지를 살펴보는 것입니다. 전체 트래블의 50% 지점인지, 아니면 최소값인지 등을 확인하는 방식입니다.
자, Functional Data Explorer에서 이 데이터를 보려면 형식을 조금 다르게 지정해야 합니다. 먼저 이동 거리 값을 순서형 값으로 만들고, 그 다음 표 기능을 사용해 보겠습니다. 저와 제드는 이 프로젝트에서 표 기능을 많이 활용했습니다. 예를 들어 자전거 데이터를 가져와서 이동 거리를 더하고, 속성을 선택한 다음, "Y 값은 무엇일까?"라고 질문할 수 있습니다.
이 데이터를 표로 만들면, 각 값의 이동 위치가 정확히 일치하지 않아 다소 지저분해 보입니다. 예를 들어 페달 반동에는 값이 있지만 다른 값에는 없는 경우, 레버리지 비율에는 값이 있지만 다른 값에는 없는 경우처럼 결측값이 많습니다. 보기에는 좋지 않지만 실제로는 아무런 문제가 없습니다. 이 데이터를 Functional Data Explorer에 넣으면 결측값을 잘 처리해 주기 때문에 아무런 문제가 발생하지 않습니다. 따라서 이대로 사용해도 괜찮습니다.
다음으로 할 일은 이 테이블을 조인하는 것입니다. 자전거 리뷰 점수가 모두 담긴 테이블과 조인해야 합니다. 가장 쉬운 방법은 가상 조인입니다. 여기에서 링크 ID를 호출하고, 여기에서 링크 참조를 만들어서 깔끔하게 조인할 수 있습니다. 이제 그 결과를 보여드리겠습니다.
보시다시피, 여기 모든 커브 데이터가 있습니다. 자전거의 서스펜션 작동 범위, 평균 안티라이즈, 안티스쿼트, 레버리지 비율, 페달 킥백, 그리고 후방 경로 데이터가 있습니다. 그리고 여기에는 모든 감성 점수도 있습니다.
이제 이 데이터를 기능 데이터 탐색기(Functional Data Explorer)로 가져와서 이러한 감정이 곡선의 모양과 어떻게 관련되는지 살펴보겠습니다. Specialized Modeling 기능 데이터 탐색기에서 하나를 살펴보겠습니다. 후방 경로를 예로 들어 보겠습니다. X 입력값은 정규화된 이동 거리이고, 자전거 이름은 ID로 사용합니다. 그리고 모든 감정 점수를 보충 필드에 더하면 정말 놀라운 결과가 나타납니다.
함수 데이터 탐색기를 실행하면 이러한 곡선이 매우 매끄럽고 링크에서 생성되기 때문에 B-스플라인이 아주 잘 맞기 때문에 보기 좋습니다. 모든 곡선에 B-스플라인을 적용해 보면 대부분의 변동이 형상 함수 1에 집중되어 있음을 알 수 있습니다. 진단 플롯을 보면 구성 요소 1을 따라 변동이 많고 구성 요소 2를 따라서는 변동이 많지 않다는 것을 알 수 있습니다. 마우스를 가져다 대면 "이 자전거는 축 경로가 앞으로 많이 움직이는 반면, 다른 한쪽 끝에서는 축 경로가 뒤로 많이 움직입니다. 이것이 두 가지 극단적인 경우입니다."라고 확인할 수 있습니다.
이제 이 작업을 마쳤으니 추가 데이터에 대한 B-스플라인을 살펴보겠습니다. Z개의 추가 요인을 더했기 때문에 기능적 실험계획법(DOE) 분석을 수행할 수 있습니다. 이를 통해 감정 점수와 후방 경로의 관계를 파악할 수 있습니다. 용어가 길어서 읽기가 조금 어려울 수 있지만, 처음 세 가지는 각각 등반에 대한 전반적인 감정, 긍정적 감정, 부정적 감정을 나타냅니다.
만약 우리가 오직 오르막 주행에만 집중하고, 오르막 주행에 대한 전반적인 만족도를 매우 높이고, 부정적인 만족도를 매우 낮게 유지하고 싶다면, 자전거의 후방 주행 경로는 다음과 같습니다. 보시다시피, 이 후방 주행 경로는 상당히 표준적입니다. 차체가 앞으로 너무 많이 나가지도 않고, 뒤로 너무 많이 나가지도 않습니다. 따라서 후방 주행 경로에 대한 감을 잡을 수 있습니다. 우리는 각기 다른 주행 경로에 대해 이 과정을 반복할 수 있습니다. 지금까지 우리는 이러한 방식으로 예측 공식을 만들어 저장해 두었습니다.
마지막으로 우리는 이 모든 것을 종합하여 프로파일러를 만들었습니다. 이 프로파일러는 우리가 수집한 모든 리뷰와 곡선을 바탕으로 리뷰와 곡선이 어떻게 연결되는지 보여줍니다.
이제 결론 부분입니다. 긍정적인 평가, 부정적인 평가, 그리고 전반적인 결론을 정리했고, 그 다음에는 긍정적인 평가, 부정적인 평가, 그리고 전반적인 오르막 주행 점수와 긍정적인 평가, 부정적인 평가, 그리고 전반적인 내리막 주행 점수를 정리했습니다. 예를 들어 "내리막 주행에 특화된 자전거를 원한다"라고 가정해 보겠습니다. 내리막 주행에 대한 전반적인 평가를 보면, 내리막 주행에서 부정적인 평가가 많지 않고 긍정적인 평가가 높은 자전거를 원합니다.
이게 무슨 역할을 할까요? 앞서 봤던 뒷바퀴 궤적과 비교해 보면, 이 궤적은 훨씬 더 크게 뒤로 휘어집니다. 당연한 결과죠. 이는 자전거를 탈 때, 특히 내리막길에서 장애물에 부딪혔을 때 뒷바퀴가 뒤로 쏠리면서 충격을 피하도록 설계된 것과 같은 원리입니다. 예를 들어, 내리막길에서 바위에 부딪히면 뒷바퀴가 쏠리면서 장애물을 피하는 거죠.
제가 또 하나 짚어볼 점은 바로 이 레버리지 비율입니다. 앞서 언급했듯이 산악자전거에는 코일 샥과 에어 서스펜션 샥처럼 여러 종류의 충격 흡수 장치가 있습니다. 자세한 설명은 생략하겠지만, 코일 샥에서 볼 수 있는 레버리지 비율이 바로 이런 것입니다. 다운힐 자전거를 살펴보면 대부분 코일 샥이 장착되어 있습니다. 현재 업계의 큰 트렌드는 다운힐 자전거에 코일 샥을 사용하는 것인데, 그 성능이 매우 뛰어나기 때문이며, 저희 데이터도 이를 뒷받침합니다.
반대로 생각해 볼 수도 있습니다. 이제 내리막 주행에는 그다지 신경 쓰지 않고, 오르막 주행에 특화된 자전거를 원한다고 가정해 봅시다. 월드컵에 출전할 만한 자전거를 만들고 싶은 거죠. 그러면 뒷바퀴 경로와 안티라이즈(anti-rise) 설정이 조금 달라집니다. 레버리지 비율도 달라지는데, 이는 에어 서스펜션에서 흔히 볼 수 있는 비율입니다. 오르막 주행에 최적화된 자전거에서 이러한 레버리지 비율을 사용하는 이유는 무게가 훨씬 가벼워지고, 오르막 주행에 최적화된 성능을 발휘하기 때문입니다.
여기서 핵심은, 다시 말하지만, "자전거를 이렇게 디자인하는 게 정답입니다"라고 보여주려는 게 아니라, "정말 복잡한 데이터가 있습니다"라고 보여주려는 겁니다. 웹사이트에 올라온 리뷰어들의 리뷰, 그래프 형태의 곡선 등 다양한 데이터가 있는데, JMP를 사용하면 이 모든 데이터를 통합해서 대시보드로 만들어낼 수 있습니다. 이 대시보드는 "리뷰와 레버리지 비율이 어떻게 연결되는지"를 명확하게 보여주고, 단순히 "이렇게 해야 할 것 같다"는 식의 막연한 생각에서 벗어나 좀 더 심층적이고 체계적인 분석을 할 수 있도록 도와줍니다.
저희가 공유해 드린 내용은 여기까지입니다. 혹시 궁금한 점이 있으시면 언제든지 문의해 주세요. 시간 내주셔서 감사합니다.
