2017. 4. 7. 07:50ㆍpxd talks
트레저데이터의 고영혁 님이 “데이터 활용 글로벌 혁신 성공에서 찾아보는 데이터 기반 UX전문가가 나아갈 길”이라는 주제로 강연을 해주었습니다.
고영혁 연사님은 데이터사이언스, 그로스해킹, 스타트업, 서비스디자인, UX, 비즈니스모델 등에 대한 전문분야를 가지고 다양한 활동을 하고 있으며, 지난 2015년 7월에도 “UX 전문가를 위한 Growth hacking”이라는 주제로 강의를 진행한 바 있습니다.
강의는 pxd 임직원을 대상으로 실시한 사전 설문의 리뷰로 시작되었습니다. 이를 통해 데이터를 볼 때 아래의 사항들을 주의해야 함을 알 수 있었습니다.
스케일과 순서
: 설문을 설계할 때 스케일(척도)을 물어보는 것과 순서를 물어보는 경우를 구별하여야 한다.
응답 기준의 개인별 차이
: 설문 응답에서 스케일(척도)의 기준은 개인마다 다르다는 점을 염두 해야 한다.
시간 축과 공간 축
: 데이터(설문의 결과)를 볼 때 반드시 시간의 흐름에 따라 어떻게 변화했는지 시간 축을 고려해야 한다. 더 나아가 공간 축까지 고려해야 한다.
얻는 것이 있으면 잃는 것이 있다.
: 로우 데이터를 그래프로 만들 때 놓치는 것이 생긴다. 따라서 로우 데이터를 충분히 본 후에 정제된 데이터를 봐야 한다.
PART 1. 글로벌 기업의 데이터 활용을 통한 서비스 비즈니스 혁신/성공 사례
첫 번째 파트에서는 MUJI(무인양품), WISH, OISIX 등 글로벌 기업들의 데이터 활용을 통한 서비스 비즈니스 혁신/성공 사례를 소개하며, 비즈니스 성공을 위해 데이터 활용 시 고려한 점들을 중심으로 진행되었습니다.
사례 1. MUJI(무인양품) – 전통적 리테일에서 O2O 경험 최적화로 매출 & 고객 경험 향상
NEEDS : 매출의 성장, 전 세계에 걸쳐 있는 다수의 매장 관리, 고객 로열티 관리, 데이터를 활용하는 것이 근본적인 답이란 사실 인지
CHALLENGE : 방대한 웹, 앱, 매장 데이터의 통합 문제, 기존 시스템을 최대한 건드리지 않고 패러다임 시프트, 시간, scalability (scalability : 비즈니스 성장 속도가 예상보다 빠름 또는 예상에 미치지 않음)
기존 회원가입이 분산되어 웹, 앱, 매장 데이터가 통합되어 있지 않은 상태에서 MUJI는 온리채널 관점에서 고객의 데이터를 통합시킬 필요성을 느꼈습니다. 이에 따라 MUJI는 오프라인 매장이 메인이지만 현대 사회에서 항상 들고 다니는 스마트폰 앱으로 통합시킬 필요성을 느껴 MUJI PASSPORT 앱으로 통합시켰습니다.
핵심은 디지털 ID와 소유한 미디어, 매장과 제품에 대한 어떤 정보를 사용자가 검색하는 지였습니다. 먼저 앱과 웹에서 클릭 스트림, 오프라인에서의 포스 데이터, 제품의 재고와 같은 비즈니스 마스터 데이터를 통합시켰으며, 통합된 인프라 위에 앱을 올려 Tableau라는 툴을 이용해 데이터를 시각적으로 확인해 프로모션 디자인, 웹 수정, 마케팅 오토메이션 등을 하였습니다. 이후 개인의 선호 카테고리 태그를 업데이트하고, 주로 다니는 매장을 학습시켜 사용자의 매장 방문 시 앱에서 MUJI PASSPORT를 체크인하는 순간 그 매장의 재고 데이터, 매출 히스토리를 바탕으로 어떤 것을 얼마나 깎아서 팔아도 괜찮을지 확인하였습니다. 이를 바탕으로 할인 쿠폰의 스펙을 계산 후 개인화된 쿠폰을 앱 푸시로 발행하였습니다. 쉽게 생각하면 사용자가 매장 방문 시 사용자가 검색했던 카테고리 관련 쿠폰을 푸시로 보내주고, 결제 시 또 다른 쿠폰을 보내 고객의 체류 시간을 높이고 매출을 증가시키는 기분 나쁘지 않은 완벽한 개인화입니다.
결과적으로 매출은 46% 증가하였고, 전체 매장에서 평균 쿠폰 활용률은 100% 증가하였습니다. 또한, 오프라인 매장 내 체류 시간 및 동선이 증가하였습니다.
사례 2. WISH – 개인화, 자동화를 통한 모바일 커머스 매출 극대화
WISH는 개인화 추천 기반 모바일 커머스로 현재 전세계 2억의 일 활성화 이용자를 가진 유니콘-데카콘 급 서비스입니다. 다른 곳과의 차별화 포인트는, 박리다매로 사용자들의 위시리스트를 가지고 실시간 자동 공동구매를 하는 시스템이라는 점입니다.
NEEDS : 핵심 고객 세그먼트인 개인화된 경험을 원하는 여성에 대한 정확한 이해, 비즈니스에 핵심되는 액션을 빨리 수행, 전 직원 간의 유기적인 데이터 기반 커뮤니케이션과 액션
CHALLENGE : WISH의 대부분은 여성을 잘 모르는 남성 엔지니어, 전문가들이지만 e커머스에 필요한 방대한 것들을 다 알지 못하고, 절대적 사람 숫자도 부족
WISH의 treasure data를 활용하는 아키텍쳐는 아래 그림과 같이 페이스북 앱, 위시닷컴, iOS/Android 앱을 통해 api 서버로 데이터를 쌓은 후 dashy라는 앱을 통해 데이터를 확인하고, 지역 최적화의 함정에 빠질 수 있는 A/B 테스트의 태생적 단점을 데이터 기반 자동화를 통해 개선하였습니다.
WISH - Treasure Data 활용 아키텍처
특히 Low 레벨에서의 A/B 테스트는 시간 축이 같지 않아 결과물의 스펙이 다르지만, perimeter라는 앱은 계속 A/B 테스트를 돌려 결과가 자동 분석되고 최적 대안도 자동으로 서비스에 적용되는 프레임이라는 점에서 차이점이 있었습니다. TD 웹 콘솔과 파이썬 API를 이용하여 전 직원 누구나 필요한 데이터에 마음대로 접근하여 간단한 SQL 쿼리로 필요한 분석을 실시간으로 마음대로 수행하는 환경을 제공하였고, 상품 판매자에게도 개인화된 판매 분석 대시보드를 제공하여 효과적인 상품 전략을 세울 수 있게 하였습니다.
이 결과 일 34억 이벤트 데이터를 처리하여 서비스/비즈니스 가치를 발굴하였고, 개인별로 최적화된 쇼핑 경험을 제공하였습니다. 또한, 일 활성화 이용자 2억 명 달성, 데이터 기반 자동화/효율화를 통한 멀티 버티컬에 성공했습니다.
사례 3. Oisix – 고객 행동패턴 데이터를 활용한 머신러닝으로 이탈 고객 예측 및 방지
Oisix는 식재료, 완제품 요리의 전자상거래/리테일 판매 비즈니스로 가입 회원을 대상으로 지속적 판매를 하는 서브스크립션 커머스 입니다. 전통적인 서브스크립션 커머스와 달리 회원비 부담이 없고 식재료의 종류, 수량, 그리고 배달시간 측면에서 개인화된 구매가 가능하다는 차별점이 있습니다.
Oisix의 피할 수 없는 문제 “어떻게 하면 회원 이탈을 줄일 수 있을까?”를 풀어야 했습니다. 따라서 머신러닝을 활용하여 고객 정보나 행동 로그를 바탕으로 이탈자 예측과 대응을 하였습니다. 유입 경로, 행동 로그, 클레임 정보 등과 같은 데이터를 바탕으로 어떤 구간에 있는 이탈 예상 고객에게 포인트 부여, 케어콜과 같은 직접적 액션, UI 변경, 성공 체험 유도와 같은 간접적 액션을 하였습니다. 이를 통해 해지 원인이 되는 액션, 이벤트를 찾아내고 비해지 고객의 특징적인 행동도 파악 가능해졌습니다. 또한 해지 예측 리스트에 있는 회원들에게 포인트를 부여함으로써 해지율이 반감되었습니다.
사례 4. Dentsu – (잠재)고객 프로파일링을 통한 마케팅, 광고 효과 최적화
에드테크 또는 마케팅테크라고도 하며, 지나가는 사람에게 어느 타이밍에 어느 미디어로 어떤 콘텐츠를 뿌릴지 히스토리+컨텍스트를 알아내야 하는 것이 포인트였습니다. 이를 위해 광고 로그 데이터, 웹 로그 데이터 등과 같은 1st party 고객데이터와 2nd, 3rd party cookie를 바탕으로 다양한 프로그램과 쉽게 연동하여 광고, 마케팅, CRM 활동을 하였습니다.
여기서 애드혹 분석에 대해서도 살펴보았습니다. 분석은 배치 분석과 애드혹 분석으로 나뉘며 각각의 특징은 다음과 같습니다.
배치 분석 : 항상 정해진 방법대로, 주기적으로 꼬박꼬박 돌아가는 분석, 루틴 한 분석
애드혹 분석 : 특정 시점에 특정 이슈를 가지고 분석하며 연관된 꼬리 질문과 분석, 이와 연관된 다른 꼬리 질문과 분석을 하는 식으로 지속적 탐구, 탐색이 이루어짐
글로벌 추세는 애드혹 분석이 늘어나고 있으며, 애드혹 분석은 앞으로 더 많은 질문과 분석이 나오기 때문에 답이 빨리 나와야 한다고 합니다.
PART 2. 비즈니스 성공을 위한 데이터 활용 시 고려사항
파트 2에서는 데이터 분석과 실행의 조화로운 병행에 대해 다음과 같은 내용을 살펴보았습니다.
데이터와 가치
: 인사이트, 통찰, 트렌드, 패턴이라는 단어는 빅 데이터라는 단어가 나오면 같이 많이 언급되는 단어이다. 문제는 이런 것들이 수치화된 가치를 바로 만들어내는 것과 이어져야 하지만 대부분의 분석 리포트에서는 그러지 못한다는 것이다.
클라이언트의 변화
: 예를 들어 광고에서도 크리에이티브에 대한 근거를 요구하고 있다. 인사이트, 통찰 등과 같은 단어와 수치화된 가치가 연결되지 않은 채 따로 놀면 안 되게 흘러가고 있다.
데이터에서 가치 찾기 vs 가치에서 필요한 데이터 설계하기
: “이런 데이터가 있으니 이런 비즈니스 모델을 할 수 있겠다”와 “무슨 가치를 제공하기 위해 어떤 데이터가 있어야 하는구나”의 차이로, 전자의 경우 경험상 답을 얻기 힘들다. 보통 원하는 결과를 가지고 거꾸로 치고 들어가는 것이 쉽다. 이 결과를 얻기 위해 무엇을 해야 하며 어떤 자료를 봐야 할지, 이 결과를 얻기 위한 원인은 무엇인지 살펴보아야 한다.
CRM은 왜 외면당했나?
: CRM의 철학(Customer Relationship Management)은 맞으나 활용하는 마케터의 역량 문제가 있다. 가치에 대한 이해 없이 틀에 박힌 분석과 솔루션, 접근법 때문에 득이 안되는 통찰이 되었으며 외면받게 되었다.
직관 vs 분석
: 데이터 분석을 할지, 분석하지 말고 직관을 따를지에 대한 룰이다. 기준은 다수의 경험으로 직관이 좋은 사람의 인사이트를 모델링 할 수 있는지다. 그 사람의 인사이트를 모델링 할 수 있으면 분석을 계속하지만 그렇지 않으면 분석을 하지 않는다.
데이터와 자동화
현재 자동화의 로직 자체는 사람이 지정합니다. 그러나 로직의 정교한 구현은 자동화가 더 나은 상태이기 때문에 자동화를 위한 시나리오를 짜는 것이 앞으로의 핵심 영역이 될 수 있다고 합니다. 데이터에서 자동화는 Ingest, Enrich, Model, Load, Utilize의 과정으로 이루어지며 자세한 내용은 다음과 같습니다.
이종 데이터의 결합
이종 데이터의 결합으로 새로운 가치가 나올 수 있으므로 하나의 컨텍스트만 보는 것은 지양해야 합니다. 이종 결합은 Dimension과 Measure, Time domain을 항상 고려해야 합니다. 또한, 데이터를 결합할 때 제일 중요한 세 가지 개념에 대해 다음과 같이 살펴보았습니다.
Join : 두 데이터를 이어주기 위한 어떤 교집합
Slice & Dice : 어느 방향에서 자르느냐에 따라 다른 결과가 나오므로 하나의 축만 보고 잘라서는 안 된다
Drill down & up : 숲과 나무를 번갈아 가며 보기
데이터 기반의 커뮤니케이션 문화 정착법
데이터를 가지고 이야기하자.
작은 성공을 빨리 만들어내라.
데이터 기반 커뮤니케이션에 대한 대표적인 오해는, 데이터로 이야기한다는 것이 거창하거나 어려운 것, 압박으로 느낀다는 것 입니다. 그러나 데이터를 기반으로 커뮤니케이션한다는 것은 팩트, 즉, 사실을 가지고 이야기 하자는 의미 입니다. 이를 위해 주장, 근거, 근거에 대한 기반 데이터(표)를 가지고 말하는 연습이 필요합니다.
마치며
이번 강연을 통해 데이터 활용을 통한 서비스 비즈니스 혁신/성공 사례와 이를 위해 데이터 활용 시 고려사항을 살펴보았습니다.
이전에는 낯설고 막연하게 느껴졌던 데이터 분석에 대해 보다 정교하게 생각할 수 있는 계기가 되었으며, 특히 데이터 분석 활용 사례를 통해 앞으로 프로젝트에서 데이터 분석을 어떻게 활용할 수 있을지에 대해 생각해보는 시간이 되었습니다.
앞으로 UX영역에서는 어떤 부분이 자동화 될 수 있을까요?
*본 글은 2016년 9월부터 네 달간 pxd 인턴으로 함께한 김수연(sy@kimsuyeon.com) 님이 작성하였습니다.