[디지털 마케팅] 비즈니스에 도움이 되는 데이터 분석

0

데이터 분석, 무엇을 하는 것인가?

데이터 분석이란 무엇일까? 여기에서는 데이터 분석의 개요와 함께 정의를 생각해보자. 우선 데이터 분석시 필요한 일을 간단한 순서로 나열하면 다음과 같이 정리할 수 있다.

1 데이터를 모은다
2 데이터를 집계한다
3 데이터를 분석한다

[1 데이터를 모은다]는 단순히 데이터를 모아두는 것을 얘기하는데, 이것만으로는 데이터를 활용한다고는 할 수 없다. 하지만 [2 데이터를 집계한다]와 [3 데이터를 분석한다]가 되면 활용의 가능성이 있다.

[2 데이터를 집계한다]와 [3 데이터를 분석한다]는 넓은 의미에서는 두 가지 모두 ‘분석’이지만 [2 데이터를 집계한다]는 광의의, [3 데이터를 분석한다]은 협의의 분석이라고 할 수 있다. 이들의 차이를 (A 분석 방법의 복잡성), (B 가설의 유무)의 두 가지 관점에서 살펴본다.

우선
(A 분석 방법의 복잡성)이라는 점에서 생각해보자. [2 데이터를 집계한다]에서는 기본적으로 크로스 집계가 이뤄진다. ‘지점별로 매출 금액의 합계를 낸다’, ‘상품별로 매출 점유율을 집계한다’, ‘일별로 영업 실적을 집계한다’ 등의 간단한 집계다. 한편 [3 데이터를 분석한다]에서는 그보다 복잡한 방법이 사용된다. 예를 들어 인자 분석과 같은 소위 통계 해석 방법이 이에 해당한다.

이어서 (B 가설의 유무)에 대해 생각해보자. 우선 ‘가설’이란 무엇일까? 예를 들어 ‘상품 a와 상품 b는 매출에 차이가 있지 않을까’, ‘광고 투자는 매출 증가에 효과가 있지 않을까’ 등과 같이 분석을 하는 사람이 분석 대상에 대해 주장하고 싶은 ‘법칙’과 같은 것을 가설이라고 할 수 있다.

[3 데이터를 분석한다]는 이 ‘가설’이 명확하게 존재하고 있어 ‘가설이 올바른지 검토하고 싶다’는 의도가 있는 경우에 행한다. 이것을 하기 위해서 (A 분석 방법의 복잡성)에서 말한 것 같은 복잡한 방법이 필요해진다. 한편 [2 데이터를 집계한다]에서 사용되는 크로스 집계는 원하는 축으로 집계해보고 경향을 파악하여 어떤 검증해야 할 가설을 발견하기 위해 하는 방법이다. 크로스 집계의 결과에서 경향을 읽을 수 있으므로 그것을 사용해 가설의 타당성을 검증할 수 있다.

구체적인 예를 하나 들어보자. 어느 분석가가 매장별로 상품 a와 상품 b의 매출을 집계해본 바 a가 잘 팔리는 매장이 많았다(집계). 그래서 이 사람은 ‘상품 a가 상품 b보다 잘 팔린다’라는 주장을 세우고(가설 도출) 이에 대해 통계적 가설을 검증했다. 그 결과 ‘상품 a가 잘 팔린다’는 가설이 지지 받는 결과를 얻을 수 있었다(분석). 그래서 이 사람은 상품 a가 상품 b보다 잘 팔린다는 결론을 냈다.

이상을 정리해보면 데이터 분석이란 ‘어떤 가설을 세우고 그 타당성을 통계적 방법으로 검토하는 것’으로 정의할 수 있을 것 같다. 앞으로는 이 정의에 기초하여 얘기를 진행해 나간다. 이 정의는 반드시 일반적인 것이 아님을 알기 바란다.

데이터 분석, 왜 하는가?

비즈니스에서 데이터 분석은 왜 하는 걸까? 원래 비즈니스란 사람/사물/돈과 관련된 의사 결정의 연속이다. 좀 더 자세히 설명하면, 각 기업 내의 각 부서에서는 크거나 작은 수많은 의사 결정이 이뤄지고 있고, 그것이 쌓여서 비즈니스 활동이 진행되며, 그 성과가 나오게 된다. 데이터 분석은 그 의사 결정을 보다 ‘적정한 것’으로 하기 위해 활용된다. 그렇다면 여기에서 ‘적정하게’란 구체적으로 어떤 것일까?

가장 중요한 점으로서 그 의사 결정에 의해 성과가 올라가야만 한다. 의사 결정자의 눈앞에 있는 선택지를 각각 선택했을 때 어떠한 이익이 어느 정도 얻어질 것인가, 미리 세밀하게 예견할 수 있다면 보다 효과적인 의사 결정으로 연결된다. 이에 대해 데이터 분석은 ‘예측’으로 지원한다. 즉 ‘예측’이란 지지된 가설은 미래에도 맞다는 전제를 갖고 미래를 위해 그 가설을 적용하는 것이다.

또 한 가지 중요한 점으로, 의사 결정자는 ‘왜 그 선택을 했는가’를 회사에 설명하는 의무를 가지는데 데이터 분석에 의해 그 선택이 객관적으로 최적임을 설명할 수 있다. 이것은 ‘가시화’라고 부르면 좋을 것 같다. 앞서 언급한 대로 예측 자체가 가설이므로 가설 검증의 프로세스 그 자체가 가시화가 된다. 이처럼 데이터 분석은 ‘예측’과 ‘가시화’를 통해 비즈니스에서 의사 결정을 적정화한다.

어떤 사람이 데이터 분석을 하는가?

실제로 데이터 분석을 하는 것은 어떤 사람일까? 데이터 분석에서는 수학적, 통계적으로 복잡한 방법을 이용하는 일이 많다는 점에서, 이런 백그라운드를 가진 사람이 분석을 하는 것이 일반적이다. 이것은 데이터 분석을 위한 ‘사이언스’ 소양이라고 할 수 있다.

단, 실무에서는 이 소양만으로는 충분치 않다. 데이터 분석에는 컴퓨터공학 스킬이 불가피하게 필요하다. 예를 들어, 분석 프로그램을 써야 할 필요가 있고 데이터베이스에서 데이터를 취득하기 위해 데이터베이스를 조작해야 할 수도 있다. 나아가, 연산 회수가 많은 방법을 이용하는 경우에는 계산 인프라의 정비나 분산 처리도 필요해진다. 이런 것들은 ‘엔지니어’적인 소양이라고 할 수 있다.

나아가 분석 결과를 활용하는 측면에서는, 분석 결과를 이용하기 위해 프로젝트를 만들어 운영하는 소양도 필요하다. 설득력 있는 통계 모델을 만들기 위해서는 사업자가 가설을 도출하거나 새로운 가설을 부가하거나 하는 일도 필요하다. 분석 결과를 실무에서 활용할 때는 사업자 측과 협력하여 사람을 움직이는 ‘구조’를 만들어야 하기도 한다. 이에 대해서는 ‘커뮤니케이션’, ‘아트’ 소양이라고 할 수 있다.

최근 앞서 언급한 소양 중 ‘사이언스’에 초점이 맞춰지는 경향이 있는데, 데이터를 분석하기 위해서는 이들 3가지 요소를 적절하게 조합시킬 필요가 있다.

단, 이들 소양을 모두 갖추고 있는 사람은 많지 않으므로 각 영역의 우수 멤버를 모아 분석팀을 조직한다. 이때 각 멤버는 장점 영역 이외의 것도 다소는 소양이 갖추는 편이 좋다. 예를 들어 ‘커뮤니케이션’ 담당자가 분석 방법에 대한 지식이나 경험을 갖고 있으면, ‘사업 과제를 분석 과제에 매칭 시키기 쉬워진다’, ‘분석자에게 지시를 하기 쉬워진다’ 등의 장점이 있다.

데이터 분석은, 어디에서 이뤄지는가?

이제 기업 조직이라는 점에서 ‘장소’를 생각해본다. 데이터 분석은 어떤 회사의 어떤 부서에서  이뤄질까?

우선 첫 번째로, 회사(소비자에게 서비스를 제공하는 회사)에 분석팀이 있고, 그곳에서 분석 업무를 하는 경우다. 분석자와 분석 결과를 사용하는 사람이 회사에 존재하므로 물리적으로도 심리적으로도 거리가 가까운 것이 특징이다. 그로 인해, 분석 결과를 실제 시책에 활용되기 쉬운 경향이 있다. 단, ‘조직의 이윤’에 함몰되어 객관적인 분석이 어려워지는 일도 있을 것이다.

두 번째로, 회사에 서비스를 제공하는 B2B 기업의 일부분으로서 데이터 분석팀이 존재하는 경우다. 이것은 자사의 제품과 시스템을 판매할 때 부가가치를 붙이는 것과 같은 의도가 있다고 생각되지만, 순수하게 데이터 분석만으로 생계를 담당하는 부문이 있는 경우도 있다. 그 외에도 광고 대리점의 일부 팀으로서 존재하는 경우나 컨설팅 기업 중에 데이터 분석 전문 부서가 존재하는 경우도 있다.

세 번째로, 비즈니스 실무를 하는 부서에서 분석을 하는 일이 있다. 이것은 ‘실무에 곧바로 연결될 수 있다’는 점에서 매우 좋지만, 본업이 바빠서 좀처럼 데이터 분석까지 할 시간이 없는 경우가 많을 것이다. 또 현재 상황에서는 실무를 하는 사람에게는 사이언스/엔지니어링의 소양이 충분하지 않은 경향도 있다.

데이터 분석 관련 4가지 포인트

1 분석 방법
어떤 방법을 이용하면 좋을지는 분석 과제, 사용 가능 데이터, 공수 등으로 결정된다. 실무자의 의사 결정에 활용하는 경우는 ‘왜 그런 분석 결과가 되었는가’가 명확해야 할 필요가 있으므로 통계적인 방법이 이용되는 것이 일반적이다. 한편 추천 기능을 자사의 서비스 사이트에 전개하는 등 자동화의 측면이 강한 분석에서는 예측 메커니즘을 명확하게 할 필요가 없으므로 기계 학습 방법이 이용되는 경향이 있다.

분석 방법을 선택할 때의 원칙으로서 ‘가능한 한 간단한 것을 사용한다’는 것이 있다. 난이도가 높은 방법은 간단한 방법에 비해 개발이나 실장에 공수(비용)가 든다. 한편 얻을 수 있는 식견은 그만큼 증가하지 않아 결과적으로 비용 대비 효과가 낮아지는 경향이 있다.

2 프로젝트 매니지먼트
데이터 분석도 비즈니스에서 일반적인 프로젝트와 동일한 것이다. 그런 점에서 프로젝트를 적절하게 운영할 필요가 있다. 해결할 수 있을 것 같은 실무상의 과제를 찾고 그것을 해결하기 위해 멤버를 모으고 기획서를 쓰고 예산을 확보하고 프로젝트를 세워 운영하고 비즈니스 실무에 활용해야만 한다.

3 시책과의 연결
데이터 분석은 비즈니스 실무에 활용함으로써 그 존재 의의가 있다. 잘 활용하기 위해서는 프로젝트를 만들 때부터 분석 담당자와 실무 담당자가 연결되는 것이 중요하다.

4 비용 대비 효과의 산출
데이터 분석도 회사 입장에서 보면 투자다. 그래서 회사에 어떤 공헌을 했는지 명확하게 정리할 필요가 있다. 그래서 분석 프로젝트를 세울 때는 이 프로젝트가 무엇을 목표로 하는지 명확하게 하는 것이 중요하다. 여기에서는 ‘분석 목적과 실무 목적을 제대로 구분해서 생각한다’는 것이 하나의 포인트라고 할 수 있다. 또 사업 담당자가 과도한 기대를 가지지 않도록 기대치를 조정하는 것도 중요하다.
 

 

Facebook Comments

About Author

월간 app의 프로필 사진

국내 모바일 산업과 창업 생태계를 응원합니다. 모바일 트렌드에 대한 전문 컬럼을 기고하거나 유망한 스타트업을 소개하고 싶으시면 연락바랍니다. 적극 수용하겠습니다~♥

댓글 남기기