용어 색인

A   B   C   D   E   F   G   H   I   J   K   L   M   N   O   P   Q   R   S   T   U   V   W   X   Y   Z


용어 색인

A   B   C   D   E   F   G   H   I   J   K   L   M   N   O   P   Q   R   S   T   U   V   W   X   Y   Z


용어 색인

A   B   C   D   E   F   G   H   I   J   K   L   M   N   O   P   Q   R   S   T   U   V   W   X   Y   Z

용어

분석

간략한 정의

분석은 데이터를 변환하여 실행 가능한 인사이트를 얻는 방법을 정의하는 과정입니다. 데이터를 이해하고 이러한 데이터를 바탕으로 행동을 취하기 위한 전략을 결정하는 작업을 말합니다. 

주요 내용

 

분석은 기업의 데이터 사용을 뒷받침하는 전략입니다. 

분석의 주요 유형은 서술 분석, 진단 분석, 예측 분석, 규범 분석, 인지 분석이 있고, 각 유형은 기업의 분석 사용 수준이 성숙해지면 그다음 분석 단계로 발전합니다. 

데이터는 단순히 수집하고 보관하는 데에서 벗어나 분석하고 해석해야 합니다. 


Nate Smith는 Adobe Analytics의 그룹 제품 마케팅 관리자로, Adobe Analytics의 지속적인 제품 릴리스를 성공으로 이끌기 위해 전략적 마케팅을 책임지고 있습니다. 그는 지난 15년간 디지털 마케팅 분야에서 경력을 쌓았고, Brigham Young University에서 정보 시스템 전공으로 이학사와 MBA를 받았습니다.

Q: 분석과 데이터 분석의 차이점은 무엇입니까?

A: 분석은 체계적입니다. 또한 전략적이며, 해답을 얻는 방법을 알아내는 데에 중점을 둡니다. 분석은 어떤 데이터를 수집할지 파악하는 프로세스이고, 그다음 단계인 데이터 분석은 기술을 활용한 데이터 분할 및 정보 탐색 과정을 포함합니다.

분석은 단순히 데이터 수집이 아니라, 데이터에 형태와 의미를 부여하는 일련의 처리 과정입니다. 형태와 의미가 갖추어진 다음에는 데이터 분석이 시작됩니다.

Q: 분석의 유형은 어떤 것이 있습니까?

A: 분석의 주요 유형은 서술 분석, 진단 분석, 예측 분석, 규범 분석, 인지 분석이 있습니다. 서술 분석은 보고서 형식으로 사용자 행동에 대한 정보를 제공합니다. 다음 단계는 진단 분석으로, 데이터를 직접 편집하여 의미 있는 인사이트를 추출합니다. 특정 문제를 풀기 위해 분석의 방향을 정의하거나 유도합니다.

서술 분석과 진단 분석은 모두 과거 데이터를 살펴봄으로써 이전에 무슨 일이 있었는지를 분석합니다. 예측 분석은 미래 지향적인 분석으로, 앞으로 발생할 가능성이 높은 일을 예측합니다. 예측 분석은 과거에 일어난 일을 바탕으로 특정 유형의 행동 및 참여를 예측할 수 있습니다. 예를 들어 데이터를 보면 Facebook 페이지를 통해 귀사의 웹 사이트로 유입된 로스앤젤레스 사람들이 제품을 구매한다는 것을 확인할 수 있습니다. 그러면 Facebook 페이지를 통해 귀사의 사이트로 유입된 로스앤젤레스 사람들의 장바구니 포기율이 더 낮을 것으로 예측할 수 있습니다.

예측 분석은 조직이 마케팅 비용과 활동을 최적화하기 위한 수단입니다. 마케팅 기계에 1달러를 집어넣으면 5달러를 돌려받을 확률을 알고 싶은 경우, 예측형 분석을 활용하면 어떤 기계가 5달러를 돌려줄 확률이 가장 높은지 알 수 있습니다.

다음 그룹은 규범 분석입니다. 예측 분석은 특정 범위 내에서 일어날 수 있는 일에 대해 예측을 하는 것인 반면, 규범 분석은 분석 후에 시스템이 여러분에게 원하는 결과를 얻기 위해 무엇을 해야 할지를 알려줍니다.

귀사의 앱을 다운로드하는 사람이 있다고 가정해보겠습니다. 규범 분석은 사람 유형, 세그먼트, 특성, 행동 등 작용하는 모든 요소를 살펴본 후, 여러분에게 귀사의 앱을 다운로드하는 사람에게 할인 행사 정보가 담긴 이메일을 전송하라고 일러줍니다. 규범 분석은 데이터를 바탕으로 마케터가 해당 고객의 전환을 유도하기 위해 취해야 할 다음 행동을 제시하는 것입니다.

인지 분석은 여기에서 한 단계 더 나아간 분석입니다. 사용자가 수많은 규칙을 정의하는 대신, 시스템이 다이내믹하게 자기 학습을 수행하고, 그다음 규범 단계로서 할인 행사 정보가 포함된 이메일을 전송해야 한다는 것을 자동으로 파악합니다.

Q: 기업은 각 분석 단계로 어떻게 발전해 나갑니까?

A: 기업의 분석 수준이 매우 낮은 경우, 기껏해야 서술 분석 정도가 가능하고 분석 결과는 업계에서 소위 '허영 지표(vanity metrics)'라고 부르는 지표로 표시됩니다. 예를 들어 다른 회사들이 다 앱이 있으니 우리도 앱을 만들자는 경영진이 있다고 합시다. 이렇게 시작된 프로젝트는 경영진의 관심 프로젝트가 되고, 경영진은 새 앱이 얼마나 성공을 거두고 있는지 알고 싶어 합니다. 그러나 앱을 얼마나 많이 다운로드했는지는 성공의 척도가 아닙니다. 앱이 기업에 어떤 영향을 미쳤는지 전혀 알 수 없기 때문입니다.

이 경우가 서술 분석, 즉 특히 허영 지표에 대한 리포팅입니다. 서술 분석은 예를 들어 유료 미디어에서 광고를 과도하게 노출하는 조직에서 많이 보입니다. 이러한 조직에서는 Google에서의 광고 노출 수 또는 클릭 수만을 중시합니다. 이러한 수치는 리포팅이 매우 쉽지만 여전히 미시 전환(micro conversion)에 불과합니다.

서술 리포팅에서 특별히 주목해야 하는 지표는 앱을 통해 제품이 얼마나 많이 팔렸는지, 즉 앱을 통해 얼마나 많은 매출이 창출되었는가입니다. 

그다음 서술 분석을 세분화하여 가장 높은 가치를 제공하는 타겟 시장 또는 타겟 고객을 판단하는 것이 진단 분석입니다. 진단 분석을 활용하면 모든 채널에서 어떤 유형의 고객이 가장 높은 평균 주문 금액을 기록하는지 확인할 수 있습니다.

이 데이터를 세분화하여 다음 단계로 넘어가는 것이 예측 분석입니다. 매출에 기여하는 요소가 무엇인지 파악하는 것입니다. 예측 분석은 업계의 대부분 기업이 현재 시도하는 분석 유형입니다. 

예측 분석의 단계에서 기업은 어떤 행동을 취하든 당사 비즈니스에 긍정적인 결과를 가져올 것이라는 합리적인 자신감을 가집니다. 진단 분석을 세분화하고 매출에 가장 많이 기여하는 세 개의 세그먼트를 찾아내고 이러한 세그먼트를 확보하는 방법을 알게 되었다면 해당 세그먼트에 더 많은 마케팅 비용을 투자합니다.

Google 검색에 더 많은 비용을 투자하면 평균 주문액이 증가할 것으로 예측하게 되는데, 이것이 예측 분석입니다. 지금 더 많은 비용을 지출하고, 예측 분석을 통해 나중에 해당 지표가 증가하는 결과를 얻게 될 것으로 기대합니다.

Q: 뛰어난 분석 솔루션에는 어떤 기능이 필수적으로 포함되어야 합니까?

A: 훌륭한 분석 솔루션은 솔루션의 고유한 데이터를 수집합니다. 모든 채널에서 데이터를 수집할 수 있는 기능이 매우 중요합니다. 여러분이 오프라인 채널과 온라인 채널을 운영하고 있고, 단일 환경에서 두 채널을 모두 살펴보아야 하는 경우, 이것이 가능한 분석 툴을 사용해야 합니다.

훌륭한 분석 솔루션이 갖추어야 하는 두 번째 요소는 데이터를 수집한 다음 이 데이터를 통합하고 표준화하는 기능입니다. 분석 솔루션은 데이터를 가져다 처리해야 합니다. 여러분이 통합 데이터 스토어가 있는 경우 모든 작업을 통합 데이터 스토어를 바탕으로 수행할 것이기 때문입니다. 

또한, 분석 툴은 자유 형태 분석을 지원해야 합니다. 이 경우 데이터 분석이 효과를 발휘하게 됩니다. 사람이 직접 데이터를 세분화하고, 질문을 던지고 데이터를 조사할 수 있는 자유 형태 환경이어야 합니다. 

마지막으로 분석 툴은 훌륭한 시각 요소를 제공해야 하고, 분석 툴로부터 얻은 결과 또는 출력을 바탕으로 여러분이 행동을 취할 수 있도록 뛰어난 내보내기 옵션을 제공해야 합니다.

시각화는 이해하기 쉬워야 하고, 그래서 방문자와 사용자의 행동을 명확하게 파악할 수 있어야 합니다. 또한 시각화는 추가 분석 기법의 역할을 해야 합니다. 많은 사람들이 분석은 데이터 테이블을 세분화하여 살펴보는 것으로 생각하는데, 분석의 시각적 구성 요소로 새로운 인사이트를 추출할 수 있습니다. 시각 요소를 통해 상황적으로 데이터의 관계성을 파악하게 됩니다.

Q: 분석이 중요한 이유는 무엇입니까?

A: 결국에는 데이터를 기반으로 의사 결정이 내려야 하기 때문입니다. 이것이 핵심입니다. 여전히 기업은 직감에 의존하여 또는 비즈니스의 직관적인 특성을 바탕으로 수많은 의사 결정을 내리고 있습니다. 하지만 데이터를 기반으로 내린 의사 결정에는 논쟁의 여지가 없습니다.

데이터를 기반으로 한 현실 인식이 매우 중요합니다. 분석이 중요한 것은 의사 결정을 통계적 또는 수학적 확실성으로 뒷받침할 수 있기 때문입니다.

Q: 성공적이고 효과적으로 분석을 사용하려면 어떻게 해야 합니까?

A: 여기서 집중해야 할 부분은 데이터 거버넌스 및 분석 가이드입니다. 여러분의 조직 또는 팀을 위한 가이드 및 모범 사례를 마련해야 합니다.

데이터 거버넌스는 각 팀이 데이터를 어떻게 사용할지에 대해 규칙을 정하는 플레이북과 같습니다. 데이터 거버넌스가 없으면 한 그룹은 이 방식으로 변수를 정의하고, 다른 그룹은 저 방식으로 해당 변수를 정의하게 되어 두 그룹은 분석은 고사하고 함께 리포팅도 하지 못합니다.

기업은 또한 데이터를 수집하기 전에 우선 전략을 구축해야 합니다. 많은 조직이 "우리는 데이터 호수를 가지고 있어서 캡처한 모든 정보를 데이터 호수에 보관합니다. 따라서 고객과 고객 여정에 대한 놀라운 인사이트를 얻을 것입니다"라고 말합니다. 이렇게 해서는 비즈니스 결과를 개선할 인사이트를 얻을 수 없습니다. 대신, "2020년에는 온라인 매출을 50% 늘려야 합니다"라고 하면, 갑자기 하류 효과(downstream effect)가 나타나게 됩니다. 비즈니스 결과를 향상시켜줄 인사이트를 얻으려면 어떤 데이터를 수집하고 분석해야 하는지 알게 됩니다. 따라서 전략부터 세워야 합니다.

그런 다음 3개 내지 5개의 주요 비즈니스 목표, 즉 KBO를 마련합니다. 5개의 레버는 전략에 영향을 주게 됩니다.

전략은 자동차와 같다고 보시면 됩니다. 여러분의 전략은 자동차를 운전해 애너하임에서 샌프란시스코까지 가는 것입니다. 자동차에는 가속 페달 등 여러 중요한 레버가 있습니다. 이때 전략은 자동차를 타고 떠나는 것이고, 주요 비즈니스 목표는 발을 가속 페달에 놓고 운전하는 것입니다. 

KBO 안에는 KPI가 있습니다. 주요 비즈니스 목표(KBO)가 전략에 영향을 미치고 있음을 보여주는 주요 성과 지표(KPI)에는 무엇이 있을까요? 자동차 비유로 다시 돌아가, 자동차의 가속 페달을 밟으면 얼마나 빠르게 달리고 있는지 알려주는 KPI 게이지, 즉 속도계가 있습니다. 시속이 여러분이 추적하는 KPI에 해당합니다. 

따라서 전략이 있어야 하고, 3-5개의 KBO를 정한 다음 KBO마다 3-5개의 KPI를 준비해야 합니다. 이 모든 것을 준비했다면 이제 KPI를 위한 전술을 세워야 합니다. 예를 들어 한 리테일러가 온라인 매출을 50% 늘리기로 했다고 합시다. 리테일러의 주요 비즈니스 목표 중 하나는 평균 주문 금액을 X% 증대하는 것입니다. 따라서 리테일러는 평균 주문 금액 KPI를 살펴볼 것입니다. 그러면 이 KPI를 실제로 달성하기 위해 어떤 전술을 써야 할까요? 주문 장바구니 프로세스에서 크로스셀링을 유도할까요? 할인 코드가 담긴 이메일을 발송할까요? 이것이 전술입니다. 이렇게 위에서 아래로 내려가며 다음에는 무엇을 할지를 파악합니다. 그리고 모든 전술, 발생한 모든 상호 작용, 모든 퍼널에 대한 데이터를 수집하여 다시 차차 올라가 전략을 뒷받침합니다.

Q: 흔히 하는 실수는 어떤 것이 있습니까?

A: 데이터 거버넌스를 실행하지 않는 것이 큰 실수 중 하나입니다. 잘못된 질문을 하거나 잘못된 지표에 집중할 수도 있고 또는 분석 툴을 구입한 것으로 일이 모두 끝났다고 생각하는 경우도 있습니다. 또한 분석이나 통합 과정 없이 일단 데이터를 전부 수집하고, 나중에 해석하자고 생각하는 일도 있습니다.

많은 조직들이 모든 정보를 데이터 호수에 보관해 관리를 중앙화하려고 합니다. 그런 다음 분석 팀 또는 데이터 사이언스 팀을 만들고 단일 소스에서 인사이트를 추출할 계획을 세웁니다. 하지만 인사이트 추출을 한 팀에만 의존할 수는 없습니다. 각 부서의 여러 직원이 각자 맡은 업무를 하기 위해, 실시간으로 데이터와 인사이트가 필요합니다. 중앙의 한 팀이 인사이트 업무를 총괄할 경우, 이메일 관리자가 리포트 요청을 보내면 리포트를 받기까지 3주나 기다려야 할 것입니다. 리포트를 받았을 때는 이미 늦습니다.

인간의 이해력을 무시하고 늘 객관적인 수치만 고려하는 것은 데이터를 무시하는 것만큼이나 바람직하지 않습니다. 업계 경력이 있는 사람이 보기에 객관적 수치가 말해주는 사실이 자신의 직감과 전혀 다른 경우, 정성적 요인을 고려해야 하며 데이터 수집 또는 데이터 분석에 오류가 있는지 파악해야 합니다.

Q: 분석은 앞으로 어떻게 바뀝니까?

A: 앞으로 분석이 해결해야 할 중대한 문제가 개인정보 보호입니다. 특히 유럽의 개인정보보호규정(GDPR)과 캘리포니아주의 개인정보보호법과 같은 법이 대표적입니다. 그다음 문제는 채널의 폭발적인 증가입니다. 이전에 디지털화되지 않은 것들이 이제 디지털화되고 있습니다. 완전히 새로운 데이터 세트와 새로운 채널이 생기고 있고, 이러한 데이터와 채널을 기존 데이터와 통합해야 합니다. 웹과 모바일은 이미 성숙 단계의 채널이고, 신생 채널로는 음성 지원 등이 있습니다.

AI와 머신 러닝이 분석을 지원하는 증강 분석도 증가 추세에 있습니다. 초보 사용자도 새로 등장한 AI 기능 덕분에 AI의 도움을 받고 있다는 사실조차 모른 채 다양한 고급 분석을 사용할 수 있습니다.

Adobe가 도와드리겠습니다

Adobe Experience Cloud를 통해 지식을 행동으로 전환하십시오.