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

데이터 분석

간략한 정의

데이터 분석은 회사가 고객에 대해 보유하고 있는 다양한 유형의 정보에서 중요한 비즈니스 인사이트를 도출해내는 작업입니다.

주요 내용

 

데이터 분석을 통해 어떠한 규모의 데이터이든 세밀하게 조사하여 의미 있는 패턴과 인사이트를 찾아낼 수 있습니다.  

분석은 하나의 주기입니다. 기업은 데이터를 끊임없이 정제하고 이에 대해 새로운 행동을 취하여 최적의 고객 경험을 파악하고 전달하려는 목표에 점차 근접해야 합니다.  

지금까지 데이터 분석은 기술형 분석이 대부분이었으나, 이제는 기업이 데이터를 바탕으로 일련의 예상 가치를 실현하기 위한 최적의 조치를 예측할 수 있습니다. 

데이터 분석 시 범하는 실수에는 데이터를 특정 상황에 끼워 맞추기 위해 변경하거나, 데이터 분석 없이 데이터를 수집하거나, 분산된 저장 시스템에 있는 데이터를 통합하지 않는 것 등이 있습니다. 

인공 지능(AI), 자동화 기술 및 머신 러닝으로 데이터 분석을 향상시킬 수 있습니다.


Q: 데이터 분석이란 무엇입니까?

A: 분석은 사금을 채취하는 일에 비유할 수 있습니다. 이때의 사금은 인사이트가 되겠습니다. 특정 작업을 수행하는 데 도움을 얻고자 데이터에서 흥미로운 사실을 찾으려고 하는 것입니다. 데이터 애널리스트가 사금을 채취하는 사람이라면, 분석은 쓸모없는 모든 작은 모래, 즉 무의미한 데이터를 걸러내어 모래 속에서 금을 찾기 위해 사용하는 패닝 접시이자 도구입니다.

Adobe는 데이터 속에서 의미 있는 패턴을 찾아내는 툴과 기술을 개발합니다. 이러한 툴과 기술은 의미 있는 패턴과 인사이트를 찾아내는 프로세스의 일부로서 데이터 세분화를 수행하도록 설계되어 있습니다. 분석은 총량적 수준에서 수행하는 것입니다.

아주 세부적인 수준에서 분석할 수도 있지만 분석의 실질적인 이점은 대규모로 수행할 때 나타납니다. 분석 툴을 이용해 많은 데이터를 가려내는 이유는 대규모로 의미 있는 패턴을 찾기 위해서입니다. 고객 한 사람을 최적화하는 인사이트를 찾는 것도 좋지만, 5백만 달러 규모의 시장 세그먼트를 최적화하는 인사이트를 찾아낸다면 이것이 바로 기업이 가장 바라던 결과일 것입니다. 분석은 이를 위한 과정으로서, 어떠한 규모의 데이터이든 걸러내어 인사이트를 찾아내는 프로세스라고 할 수 있습니다.

Q: 분석과 데이터 분석의 차이점은 무엇입니까?

A: 데이터 없이 분석은 불가능합니다. 굳이 구분을 해야 한다면, 다음과 같이 분류할 수 있습니다. 예를 들어 누군가가 데이터 분석을 하려고 한다면, 특정 유형의 데이터 또는 데이터 세트에 맞춰진 분석을 의미하는 것일 때가 많습니다.

데이터 분석은 데이터를 걸러내기 위해 기술을 사용하는 실질적인 작업 방식을 가리키는 반면, 분석은 분석에 대한 큰 비전과 전략을 포괄하는 광의의 용어입니다.

Q: 데이터 분석 프로세스는 어떻게 됩니까?

A: 먼저 스토리지와 인프라에서 시작됩니다. 여러분이 수집한 데이터를 저장할 공간이 필요합니다. 인프라는 어떤 유형의 데이터를 인제스트하든지 처리할 수 있을 정도로 최대한 견고해야 합니다. 이것이 첫 번째 단계입니다.

스토리지가 마련되었다면, 이 스토리지에 데이터를 채워 넣습니다. 이때 데이터는 서로 연결되고, 통합되어야 합니다. 따라서, 두 번째 단계는 연결성입니다. 즉 서로 다른 데이터 세트를 일종의 식별자를 통해 또는 일종의 결정론적 또는 확률적 방식으로 연결할 수 있어야 합니다. 데이터 통합은 별개의 두 데이터 세트를 물리적으로 Excel에 취합하는 것과는 다릅니다. Excel 데이터를 기반으로 분석을 수행할 수는 없습니다. 데이터는 통합되었을 때 중요한 참고 자료가 됩니다.

데이터를 통합한 다음 단계는 처리입니다. 이 단계는 추출, 변형 및 로딩을 의미하며 이 셋을 줄여 ETL이라고도 합니다. 데이터에 형태와 의미를 부여하는 단계라 할 수 있습니다. 원시 데이터를 데이터 큐브로 만들거나 세션화하는 등 사용 가능한 형식으로 변환하게 됩니다. 원시 데이터를 가져다 취합해 사용 가능한 형식으로 변환합니다.

이 데이터 위에 분석 또는 모델링 레이어가 옵니다. UI를 사용하는 단계입니다. 이제 R 언어 또는 Python 언어와 같은 일종의 언어를 사용할 수 있습니다. 데이터를 수집, 통합, 변환까지 했으니 이제 분석을 하고, 그다음으로 시각화 및 해석을 하게 됩니다.

Adobe Analytics를 살펴보면 데이터 테이블을 세분화해서 더욱 소화하기 쉽고, 이해하기 쉬우며 공유하기 쉽도록 시각화할 수 있습니다. 이로써 데이터는 정보가 되는데, 이때 정보는 아직 가치 있는 것이라고 할 수 없습니다. 하지만 데이터 시각화를 완료한 다음 인사이트 단계로 넘어가면, 이 단계에서 바로 데이터가 지식으로 변하게 됩니다.

마지막에는 분석을 출력해야 합니다. 분석의 출력은 Adobe Target과 같은 툴로 전송하여 다양한 세그먼트 또는 고객을 대상으로 서로 다른 A/B 테스트를 수행할 수 있는 세그먼트 또는 고객이 될 수 있습니다. 혹은 예측 점수가 될 수도 있습니다. 사이트를 통해 신규 고객을 확보했을 때, 고객의 특성 또는 행동을 바탕으로 고객에게 점수를 할당함으로써 이 고객에게 얼마나 많은 시간 또는 노력을 투자해야 하는지 시스템에 통보할 수 있습니다.

분석의 출력을 콘텐츠 최적화 또는 광고 최적화 등의 실행 시스템과 연결하는 것이 마지막 단계입니다. 단순히 데이터를 세분화하여 UI에 표시하는 것만으로는 유용하지 않습니다. 이를 실행으로 옮길 수 있어야 합니다. 인사이트에는 유효 기간이 있습니다. 데이터는 순간순간의 스냅샷이기 때문입니다. 데이터와 인사이트의 유효 기간이 지나면 여러분이 찾아낸 기회는 그 가치를 잃게 됩니다.

Q: 데이터 분석은 어떻게 발전해왔습니까?

A: 데이터 사이언스 및 분석은 많은 발전을 이루었습니다. 예를 들어 디지털 상호 작용을 살펴보겠습니다. 디지털 이전의 분석은 대부분 CRM 또는 ERP 데이터, 거래 행동, 거래 데이터를 바탕으로 수행되었습니다. 그러나 인터넷과 모바일의 등장 이후 온라인 행동 데이터를 얻게 되었고, 이 데이터를 특성 기반의 행동을 이해하는 데 사용하게 되었습니다.

큰 변화는 다양한 채널의 디지털화이며, 이 디지털화의 속도는 수년 전보다 훨씬 더 빠릅니다. 처음에는 웹 사이트 데이터와 웹 분석을 통해 웹 데이터를 얻었고, 그다음 모바일 앱, 기타 모바일 또는 기타 디지털 채널이 등장하기 시작하여, 지금은 음성 지원, 음성 분석(voice analytics) 및 대화 분석(speech analytics)과 같은 기술이 등장하고 있습니다. 위치 또는 공간 분석도 등장했습니다. 이렇듯 이전에는 상상도 못 했던 것들이 분석 가능한 데이터가 되고 있습니다.

또 다른 변화는 이 모든 데이터를 한곳에서 취합하고 표준화하여 고객 여정과 고객 참여도를 더욱 종합적인 관점에서 파악하려는 움직임입니다. 이것은 과거 특정 채널에서만 최적화 작업을 할 수 있었던 기업에게 오늘날 모두가 손에 넣으려는 성배와 같은 것입니다.

기업들은 웹을 최적화하는 데 집중했지만, 이제 웹은 고객이 상호 작용하는 유일한 채널이 아닙니다. 예를 들어 새 트럭을 사려는 한 고객이 Ford 웹 사이트를 방문했다고 가정해 보겠습니다. 이 고객은 데스크탑에서 검색을 하다가, 나중에는 침대에 누워 Netflix를 시청하고 시간이 더 늦어지면 iPad를 꺼내 영상을 봅니다. 그러다 다음 날 들른 이발소에서 휴대폰을 꺼내 검색을 이어갑니다. 이것이 멀티 디바이스 고객 여정이며, 요즘의 고객 상호 작용입니다.

분석은 보통 비즈니스를 살펴보는 백미러에 비유할 수 있습니다. 이미 일어난 일을 살펴보는 것이기 때문입니다. 초창기 분석은 서술 방식의 툴 또는 분야였습니다. 그러나 지난 몇 년간 업계는 백미러를 보는 대신 앞을 보고 운전하기 시작했고 그 결과, 과거 데이터를 바탕으로 예상 범위의 가치를 예측하고 최적의 조치를 제안하는 예측 분석이 관심 분야로 부상하기 시작했습니다.

현재 우리는 기술과 분석 툴을 사용하여 기업이 앞으로 무엇을 해야 할지 제안해주는 규범 분석의 초기 단계에 와 있습니다.

Q: 데이터 분석을 향상하려면 무엇이 필요합니까?

A: 두 가지가 있습니다. 하나는 더 스마트한 기술입니다. 다시 말해, 애널리스트의 업무를 향상하기 위해 AI와 러닝을 사용할 수 있어야 합니다. 다른 하나는 자동화 확대, 그리고 여러 툴을 아우르는 상호 운용성 표준입니다. 이를 통해 데이터가 여러 시스템에서 간편하게 공유되고 전달되어야 합니다.

현재 많은 조직이 이 두 가지를 원하는 만큼 충분히 갖추고 있지 못합니다. 시중에 출시되어 있는 모든 분석 툴과 벤더 그리고 프로세스를 보면, 이들을 조합하여 규범형의 1대 1 마케팅을 수행할 수는 있습니다. 그러나 이 중 많은 툴이 기업이 자체 개발한 것이 아닙니다.

심지어 기존 기술을 사용해 멀티채널 고객 여정과 예측 분석 결과를 바탕으로 비용 효과적인 조치를 적절히 취하려면 어떻게 해야 하는지 모르는 조직이 많습니다. 또한 인사이트를 추출하고, 이러한 인사이트를 바탕으로 적절한 조치를 취하기 위해서는 내장된 AI와 비즈니스 인텔리전스가 더 많이 필요합니다.

결국 분석을 통해 가치가 높은 세그먼트가 자동 식별되고 예측 점수가 생성되면, Adobe Target과 같은 앱에 자동으로 인제스트되어 A/B 테스트가 실행되어야 합니다. 그리고 A/B 테스트 결과, 가장 긍정적인 결과를 얻은 테스트가 무언지 판명되면 해당 캠페인을 관리하는 담당자가 모여 결과에 대해 회의할 필요 없이 시스템이 알아서 해당 테스트를 선택하고, 또 다른 테스트를 구성해 추가로 발굴한 세그먼트를 테스트해야 합니다.

기업이 더욱 발전된 자동화 및 분석 기술을 활용할 수 있을 때 비로소 또 다른 채널을 통합하여 작업을 개선할 수 있습니다. 가령 웹 전용 리테일러였던 기업의 모바일 트래픽이 증가하고 있다면, 데이터가 발생하는 또 다른 채널은 모바일 앱 데이터가 될 것이고 기업은 이 채널을 현재의 분석과 통합할 것입니다.

Q: 데이터 분석의 이점을 극대화하려면 어떻게 해야 합니까?

A: 분석은 끊임없이 진화하는 주기로 보아야 합니다. 우선 데이터를 끊임없이 수집합니다. 늘 실시간으로 수집합니다. 이 데이터는 업데이트될 것이고 그래서 다이내믹해집니다.

이 가상의 데이터 분석 주기가 어떻게 진행될지 생각해보면, 여러분이 우선 데이터를 수집합니다. 그 데이터를 살펴보면서 분석합니다. 데이터를 해석하고 인사이트를 얻게 됩니다. 이러한 인사이트는 A/B 테스트와 같은 다른 고객 접촉 기술에 의해 다시 소비됩니다.   

여러분은 테스트를 실행하고, 이 테스트를 기반으로 웹 사이트 방문자의 행동에 따라 새로운 데이터가 생성됩니다. 홈페이지에 두 개의 서로 다른 배너를 배치한 경우, 이 페이지에서만 활동이 일어나는 것이 아니라 사이트에서 다운스트림 활동이 발생합니다. 그러면 여러분이 새로 생성된 데이터를 모두 수집하여 재분석합니다.

여러분이 흥미로운 세그먼트를 찾게 되면, 모래를 걸러 사금을 얻는 것처럼 이 정제 프로세스를 계속 거칩니다. 패닝 접시로 몇 번이고 다시 걸러냅니다. 남은 모래알이 점점 작아지듯 여러분의 분석이 더욱 정제됩니다. 이러한 과정을 통해 점점 더 높은 효율성을 얻게 됩니다.

분석을 시작하면 여러분은 전과 후를 비교할 기준점을 세우게 되고, 단기간에 엄청난 수익을 실현하기도 합니다. 이후 분석을 점차 정제해 갈수록 고객 전환율 상승폭이 약간 떨어질 것입니다. 하지만 여러분은 매우 높은 수준에 와 있기 때문에 고객 전환율이 0.5% 상승한다 하더라도 매출에 엄청난 영향을 미치게 될 것입니다.

Q: 데이터 분석 시 범하는 실수는 어떤 것이 있습니까?

A: 회사가 직면하게 되는 한 가지 문제는 조직의 일부 이해관계자가 의도적으로 데이터를 살짝 만지고 조작해 본인이 원하는 결과가 나오도록 함으로써 분석 결과가 사실과 멀어지는 경우입니다. 이러한 상황은 마케팅 관리자가 기여도 측면에서 캠페인의 효과를 증명하려는 경우 쉽게 발생할 수 있습니다.

기여도 분석 기술은 고객 전환에 기여한 다양한 마케팅 활동에 기여도 점수를 부여합니다. 예를 들어 여러분이 이메일을 대량 전송했고, 고객이 이메일을 클릭하여 장바구니에 물건을 추가하고 구매한 경우 고객이 이메일을 클릭했기 때문에, 이 이메일은 매출에 대한 기여도 점수를 획득하게 됩니다. 고객이 광고를 클릭하고 구매했다면, 디스플레이 광고가 매출에 대한 기여도 점수를 획득하게 됩니다. 대부분 조직의 경우 이러한 항목을 각각 다른 부서에 맡기고 항목마다 예산을 할당합니다. 기여도 모델을 실행한 결과 예를 들어 유료 검색이 높은 기여도 점수를 받으면, CMO가 추가 예산을 유료 검색 그룹에 제공하도록 요청하게 됩니다.

그 결과 다양한 채널 관리자들이 예산을 확보하기 위해, 본인이 주장하는 내용에 들어맞는 모델을 각자 구축하게 됩니다. 따라서 관리자마다 원하는 목적에 따라 데이터를 과도하게 수정하여 실제로 무엇이 진실인지 알 수 없게 됩니다.

또한 성숙도 부재와 데이터 분석 방법에 대한 이해 부족의 문제가 있을 수 있습니다. 훈련받지 않은 많은 직원이 분석 관련 업무를 담당하게 될 수도 있습니다. 또한 데이터 과학자가 충분하지 않은 기업도 많습니다. 현재 데이터 과학자에 대한 수요는 많지만 공급은 충분하지 않은 상황입니다.

데이터 수집 측면과 데이터 스토리지 측면에서 볼 때 가장 큰 실수 중 하나는 나중에 어떻게 되겠지 생각하고 일단 데이터부터 수집하는 것입니다. 이는 기업의 전체 비즈니스 전략을 전혀 고려하지 않는 행동이고, 결국 데이터 및 분석 비용이 수익보다 훨씬 더 높아지게 됩니다.

연결성 측면에서 볼 때, 많은 조직이 데이터를 중앙에서 관리하고 있거나 그렇게 하려고 시도합니다. 모든 정보를 데이터 호수에 집어넣기만 하면 된다고 생각합니다. 이러한 경우 연결성의 문제가 발생합니다. 데이터 호수에 던져진 데이터는 정상화 또는 표준화되지 않은 데이터입니다. 다시 말해 데이터가 한곳에는 있지만 서로 통합할 수 없다는 의미입니다. 신속하게 인사이트를 얻을 수 없고, 그래서 비즈니스 질문 하나에 대한 답을 구하려 해도 이를 위해 데이터를 정리하고 정상화하고 표준화하는 데 엄청난 시간이 걸리게 됩니다. 상호 작용성이 없으면 데이터를 제대로 시각화할 수 없고 또는 인텔리전스 및 자동화를 적용할 수 없습니다. 

ETL 및 처리 측면에서는, 많은 조직이 레거시 패러다임과는 전혀 다릅니다. 예를 들어 모바일의 평균 참여 시간 또는 세션은 보통 2분 미만입니다. 웹 세션이 보통 30분이던 이전의 패러다임에서는 전혀 관련성이 없거나 통용되지 않습니다.

마지막 문제는 인사이트를 실행 시스템에 연결하는 것입니다. 기업은 경험 전반에서 통합적인 조치를 취하기 위해 고군분투하고 있지만, 데이터를 재변환하기 위해 기술과 맞춤형 빌드를 허겁지겁 엉성하게 연결하는 데 그칩니다.

Q: 데이터 분석과 데이터 마이닝은 어떤 연관성이 있습니까?

A: 데이터 마이닝은 데이터 모델링과 매우 유사한 개념으로, 프로그래밍 집약적인 작업입니다. 다양한 통계 프로그램과 데이터베이스 시스템을 사용하고, 이를 위해 엄청난 프로그래밍 작업이 필요합니다. 데이터 마이닝은 데이터 과학자의 영역인 반면 데이터 분석은 훨씬 더 보편화된 영역입니다. 데이터 마이닝은 원시 데이터를 훨씬 더 많이 다룹니다.

Q: 데이터 범주에는 어떤 것이 있습니까?

A: 보통 데이터는 세 개의 주요 범주 또는 소스로 분류할 수 있습니다. 첫 번째 범주는 자사 데이터입니다. 자사 데이터는 기업의 고유 데이터로, 예를 들어 고객이 기업 웹 사이트에 방문했을 때 수집되는 데이터입니다. 두 번째 범주는 제휴 데이터로, 기업과 파트너가 공유하는 데이터입니다. 예를 들어 항공사와 신용카드 회사가 공동 이벤트를 하는 경우입니다. 두 회사는 공통 고객을 가지고 있기 때문에 서로의 비즈니스를 지원하기 위해 데이터를 공유하기로 하는 협약을 체결하게 됩니다.

세 번째 범주는 제3자 데이터로, 시장에서 구매할 수 있는 모든 데이터를 말합니다. 빅 데이터 세트를 구매한 다음 모두 연결하여 자사 데이터를 향상시킬 수 있습니다. 또한 공공 기관에서 제공하는 데이터, 날씨 데이터 등 대중에게 공개되는 데이터를 이용할 수도 있습니다.

Adobe가 도와드리겠습니다

Adobe Experience Cloud를 통해 지식을 행동으로 전환하십시오.