Report_058. 데이터 드리븐이란? - 03. 데이터 드리븐 마케터의 마인드셋과 스킬

_

성공적인 데이터 드리븐 마케팅을 위한 6가지 질문

03. 데이터 드리븐 마케터의 마인드셋과 스킬

∙ 데이터 드리븐 마케팅이란?  

‘데이터 드리븐 마케팅’을 직역하면 ‘데이터가 주도하는 마케팅’이다. 혹자는 이를 ‘데이터 중심 마케팅’이라고도 하는데 번역을 어떻게 하는가의 차이에 불과하다. 

어떻게 부르든 데이터 드리븐 마케팅은 ‘데이터를 근거로 의사결정을 하는 마케팅’이라는 의미다.  
이와 비슷한 용어로 ‘퍼포먼스 마케팅’이 있다. 직역하면 ‘실적 마케팅’인데, 디지털 채널에서의 마케팅 활동이 얼마나 전환으로 이어졌는지 데이터로 파악한다는 의미다. 

∙  전환(Conversion)이란?

전환이라는 단어가 다소 생소하게 느껴질 수도 있다. 

디지털 마케팅에서 ‘전환’은 한국에서 일반적으로 사용하는 ‘전환’의 의미와 다르게 사용되기 때문이다. 

여기서 전환의 의미는, ‘방문자가 마케팅의 목표에 해당하는 행위를 했을 때 발생하는 것’이다. 

쉽게 말하면 ‘목표 달성 횟수’라고 말할 수 있다. 

ex 01) 쇼핑몰 사이트라면 ‘쇼핑몰 방문자가 쇼핑몰에서 판매 중인 제품을 구매하게 하는 것’이 목표다. 

이 경우, 방문자가 한 번 구매를 하면 전환이 ‘1’ 늘어난다. 

ex 02) 블로그 운영자가 방문자의 체류 시간이 1분 이상일 것을 목표로 한다면, 

1분 이상 체류하는 방문자가 많을수록 전환이 많아진다. 10명이 1분 이상 체류했다면 전환은 ‘10’이 된다. 

그렇다면 데이터 드리븐 마케팅과 퍼포먼스 마케팅이 다른 점은 무엇일까? 

이를 엄격하게 분리해서 사용하는 경우도 있을 테지만, 개인적으로는 같은 의미라고 본다. 학계나 업계에서 용어에 대한 합의를 이룬 적은 없으므로, 정답은 없다. 혼란에 빠질 필요 없이 본질에 집중하면 된다. 많은 마케팅 용어가 그러하듯이, 트렌드에 따라 용어가 변하거나 다를 뿐, ‘데이터를 의사결정의 근거로 활용한다’는 점에서는 동일하다. 

좀 더 구체적인 의미는 가트너 웹사이트에서 내린 정의를 참고하려 한다. 

가트너에서는 ‘데이터 드리븐 마케팅’을 다음과 같이 정의하고 있다.

“데이터 드리븐 마케팅은 고객과 고객의 니즈, 동기, 행동에 대한 모든 데이터를 수집하고 분석한 뒤, 적용하는 것을 말한다” 

이는 간결하면서도 필요한 내용을 압축적으로 보여준다. 위 정의는 데이터 드리븐 마케팅의 분석 대상, 분석 범위, 마케팅 프로세스를 데이터 드리븐 마케팅의 구성요소로 본다. ‘고객 관련 데이터’는 데이터 드리븐 마케팅의 분석 대상이 무엇인지를 말하고, 활용 가능한 ‘모든 데이터’는 분석 범위를, ‘데이터의 수집과 분석, 적용’은 바로 데이터 드리븐 마케팅의 프로세스를 말한다. 

∙ 성공적인 데이터 드리븐 마케팅을 위한 6가지 질문

① '목표'가 무엇인가?

데이터를 수집하고 분석하는 데도 관점이 필요하며, 목표는 ‘관점’을 제공하기 때문이다.  
데이터를 수집할 때, ‘목표’는 어떤 데이터를 수집해야 하는지에 대한 기준이 된다. 목표와 관련된 데이터를 식별했다면, 이 데이터를 모으기 위해 어떤 분석 툴을 사용해야 하는지, 분석 툴에서 제공하는 기본 기능만으로 수집할 수 있는지 아니면 추가 설정이 필요한지 여부를 체크해야 한다. 
이번에는 데이터로 분석할 경우를 보자. 데이터를 분석하다 보면 정보가 적은 경우보다는 정보가 지나치게 많아서 뭘 봐야 할지 감이 안 잡히는 경우가 더 많다. 광범위하게 사용되는 Google Analytics의 경우만 보더라도, 기본적으로 제공하는 데이터가 매우 많다. 목표가 명확한 경우에는 데이터의 양에 압도될 필요가 없다. 어떤 데이터를 봐야 할지, 목표 관련 데이터의 추이가 어떤지 파악하고, 현재 마케팅이 잘 되고 있는지 아닌지를 판단하기가 쉬워진다.   

② 우리의 고객은 누구인가?

고객을 정의하는 대표적인 방식은 인구통계학적 정의다. 

성별, 나이, 사는 곳, 결혼 여부, 학력 수준 등으로 고객을 정의하는 방식이다. 

ex 01) 가령 동화책을 만드는 출판사라면 ‘자녀를 둔 기혼 남녀’를 고객으로 정의할 것이고, 수능 문제집을 만드는 출판사라면 ‘고1~고3인 남녀 고등학생’을 고객으로 정의할 것이다.  

ex 02) 반면, 인구통계학적 특성에 관계 없이 행동으로 고객을 정의하는 방식도 있다. 필자는 국내 의류 쇼핑몰의 고객 분석을 통해 웹사이트를 리뉴얼하는 프로젝트를 수행한 적이 있다. 당시 프로젝트의 핵심은 바로 재방문이었다. 방문 횟수에 따라 고객을 분류하고, 각각의 고객군이 전체 매출에서 차지하는 비중을 계산하는 게 중요했다. 이런 경우는 인구통계학적인 고려 없이 고객의 행동만으로 핵심 고객을 정의하는 것이 가능했다. 

인구통계학적 특성과 행동적 특성 데이터를 얻으려면 고객 DB, Google Analytics, Facebook Pixel과 Facebook Audience Insights를 모두 활용하는 것이 좋다. 위의 툴들은 모두 추가 비용이 들지 않아서 부담 없이 시도해 볼 만하며, 무료임에도 불구하고 상당히 많은 기능을 제공한다. 보다 고도화된 툴을 사용해야 하는 상황이라면 비용 효율을 잘 고려해서 선택하길 권한다.  

③ 고객의 전체 구매 경로를 고려한 측정 모델이 있는가?

고객이 제품을 어떤 경로로 알게 되며, 어떻게 구매 결심을 할까? 이를 알기 위해서는 현재 진행 중이거나 계획 중인 마케팅 활동 전반을 측정해야 한다. 전체 구매 경로를 고려하므로 모든 채널이 다 같은 역할을 하는 것은 아니다. 제품에 대한 인지도를 늘리기 위한 채널, 제품에 대한 관심을 끌게 하는 채널, 구매욕을 일으키기 위한 채널은 다를 수 있다.  

AARRR(Acquisition-Activation-Retention-Referral-Revenue)이나 AIDA(Awareness-Interest, Desire, Action) 등 고객의 구매 경로에 대한 프레임워크를 참고하길 바란다. 주의할 점은 위에서 언급한 프레임워크가 현재의 마케팅 활동에 잘 맞는지 확인하고 자사에 맞도록 수정할 필요가 있다.  

ex 01) 최근에 새로운 화장품을 출시했다고 가정해보자. 

이 화장품을 홍보하기 위해 자사 SNS는 물론 SNS 광고, 뉴스레터, 검색 광고, 블로그, SMS를 활용하기로 했다. 

이 모든 채널에는 신제품을 소개하는 자사 쇼핑몰 페이지 URL이 포함됐으며, 채널마다 각기 다른 파라미터(Parameter, 변수 사이의 함수관계를 정하기 위한 또 다른 변수)를 추가해 어떤 채널에서 유입됐는지 알 수 있게 했다. 

이제 채널의 효과를 파악할 차례다. 

채널 별 유입 수, 전환율, 노출 수, CTR 등을 파악해서 비용을 늘려야 할 곳은 어디이고 줄여야 할 곳은 어디인지 파악한다. 효율에 따라서 다음 프로모션에는 제외해야 할 채널이 있을 수도 있다. 

중요한 점은 각 채널이 맡은 역할에 따라 성공 여부를 판단하는 기준이 달라진다는 점이다. 

가령 새로운 화장품에 대한 인지를 늘리기 위해 선택한 채널은 노출 수나 도달 수를 기준으로, 

제품에 대한 관심을 갖게 하는 채널에서는 CTR(Click Through Rate)이나 CPC(Cost Per Click)를 기준으로 삼을 수 있다. 

각 채널의 역할이 다르기 때문이다.  

여기에서 추가적으로 채널 자체의 특성을 고려해야 한다. 

전환율만 따진다면 뉴스레터가 일반적인 광고보다 높을 수밖에 없다. 뉴스레터는 기존 고객들을 대상으로 하기 때문이다. 또한 검색 광고의 전환율은 높을 수밖에 없다. 제품의 키워드를 검색한다는 자체가 제품에 대해 관심이 있다는 의미이기 때문이다. 하지만 그렇다고 해서 모든 마케팅 역량을 뉴스레터와 검색광고에 집중할 것인가? 신규 고객의 유치가 중요한 상황이라면, 다른 방식으로 접근해야 한다. 

기술적인 고려 또한 빠질 수 없다. 채널 별 효율을 보니 블로그의 효율이 좋지 못했다고 하자. 그렇다면 블로그는 필요 없는 채널일까? 표면적인 데이터만 보고 성급하게 결론 내리지 않길 바란다. 

오늘날 고객은 다양한 기기로, 여러 채널을 통해 기업과 커뮤니케이션한다. 모바일로 블로그에 접속해 제품의 정보를 얻었던 고객이 데스크톱에서 구매할 수도 있고, 반대의 경우도 마찬가지다. 대부분의 분석 툴에서는 모바일과 데스크톱에서 접속한 사용자를 다른 사람으로 취급한다. 따라서 이 경우 블로그의 조회 수나 체류 시간 등을 고려해서 구매 영향을 추측할 수밖에 없다.  이런 문제는 모든 채널에 걸쳐서 발생할 수 있다. 심지어 대부분의 웹 분석 툴에서는 같은 기기에서 접속했더라도 브라우저가 다르면 다른 사람으로 분류된다. 따라서 기술적인 부분을 고려해 가장 사실에 가까운 결론을 끌어낼 수 있도록 세심하게 측정 모델을 설계해야 한다.  

④ 가장 중요한 측정 항목은 무엇이며, 어떻게 평가할 것인가?

앞서 목표를 언급하며, 목표가 정해져야 어떤 데이터를 수집할 지가 결정된다고 했다. 이 단계에서는 여러 개의 목표 관련 측정 항목에 우선순위를 부여하고, 그중 가장 중요한 하나(OMTM-One Metric That Matters)를 선정한다. 이는 마케팅의 현황을 한번에 알 수 있다는 점 외에도, 마케팅 활동의 개선점을 도출할 때 방향성을 제시해준다는 장점이 있다.   

다음은 세계 유명 기업이 가장 중요한 측정 항목으로 꼽은 사례다.  

A. Facebook: 회원 가입 후 10일 이내에 친구 7명을 만든 사람 수 

B. Dropbox: 1기기에서 한 폴더에 최소 1개의 파일을 넣은 회원 수 

C. Twitter: 1달 내 최소 7회 방문한 사람 수

대개 KPI는 UV(Unique Visitor, 순방문자)나 PV(PageViews)와 같은 기본적인 측정 항목에서 정해지는 경우가 많다. 쇼핑몰이라면 매출이나 객단가와 같은 측정 항목이 될 것이다.  

이처럼 일반적인 경우와 앞서 언급한 세계적인 기업들의 차이는 디테일에 있다. 왜 Facebook은 회원가입 후 10일 이내에 친구 7명을 만든 사람 수가 중요할까? 데이터 분석 결과, 평균적으로 10일 이내에 친구 7명을 만든 사람들이 지속적으로 서비스를 이용할 가능성이 높았기 때문일 것이다. 이는 Dropbox와 Twitter도 마찬가지다.  

대개 UV가 높으면 매출은 늘어나게 마련이다. 따라서 KPI를 UV나 PV로 삼는 것도 완전히 틀렸다고 보긴 어렵다. 하지만 UV의 규모만을 목표로 삼으면, 비효율적으로 될 가능성이 크다. UV의 규모를 키우는 가장 일반적인 방법은 광고이기 때문이다. 규모를 키우기 전에, 고객이 전환으로 이어지는 가장 효율적인 방법이 무엇인지 답을 알게 된다면 훨씬 적은 비용으로 비슷한 효과를 낼 수 있을 것이다.  

⑤ 어떤 요소를, 어떻게 테스트할 것인가?

데이터 드리븐 마케팅은 데이터 분석을 통해 지속적으로 성과를 개선해 나가는 과정이다. 그렇다면 어떻게 성과를 개선해 나가는가? 바로 테스트를 통해서다. 지속적인 테스트를 통해 중요 측정 항목이 어떻게 바뀌는지 파악하고 분석한 뒤, 더 나은 결과를 얻을 수 있다.  다음은 AdEspresso가 진행했던 페이스북 광고의 A/B 테스트다. 아래 두 개의 광고 중 효과가 더 좋았던 것은 어느 쪽일까? 편의상 전자를 A, 후자를 B라고 하겠다.

  

A광고의 효과가 더 좋았을 거라고 생각했는가? 정답이다. 전환당 비용으로 두 광고를 비교해 본 결과, A광고가 B광고보다 약 75% 정도 좋았다.   
B광고의 효율이 좋았을 거라고 생각했다면 놀랐을 수도 있다. A/B 테스트를 하다 보면 효율이 더 좋을 거라고 생각했던 문구나 이미지의 효율이 오히려 나쁜 경우도 많다. 분명한 것은 내가 자사의 광고를 보는 관점과 고객이 광고를 보는 관점은 다르다는 점이다. 따라서 테스트를 통해 결론을 내리는 것이 현명하다. A/B 테스트가 적용될 수 있는 가장 대표적인 요소는 광고와 랜딩 페이지다. 이 두 가지 모두 다양한 요소로 이루어졌으며 전환에 상당한 영향을 미친다.  

페이스북 광고를 예로 A/B 테스트를 할 수 있는 요소를 꼽아보자면, 타깃팅, 이미지, 광고 문구, 버튼, 게재 위치 등이 있다. 배너 광고나 검색 광고도 마찬가지다. 배너 광고 역시 이미지, 이미지 내 문구, 이미지 내 Call To Action, 이미지 크기, 게재 위치 등을 테스트할 수 있고, 검색 광고는 광고 문안이나 제목을 여러 가지 버전으로 만들어 테스트할 수 있다.  

최근 페이스북 광고는 자체 내에서 A/B 테스트를 할 수 있도록 지원하고 있다. 광고 시스템 내에서 지원하지 않는 경우는 광고를 두 개 만들어서 하면 된다. 랜딩 페이지 테스트는 Google Optimize나 Optimizely와 같은 툴이 있다. 그중에서도 Google Optimize는 얼마 전에 무료화됐고 Optimizely에 비해 사용하기가 더 쉬우므로 사용해 보길 권한다.   

⑥ 규모가 아닌, 숫자 이면의 의미를 파악하고 있는가?

이제 데이터 분석 시, 주의해야 할 사항에 대한 질문을 살펴보자. 

여러 프로젝트의 경험으로 비춰 봤을 때, 사람들은 데이터의 규모에 집착하는 경향을 보인다. 

‘이번 달 UV는 얼마인가?’, ‘PV는 지난달보다 얼마나 하락했는가?’와 같은 질문이 마치 핵심인 것처럼 다뤄진다. 전반적인 수치의 추이를 보는 게 반드시 의미 없다고는 할 수 없다. 하지만 이는 분석이라고 할 수는 없다. 분석은 숫자 이면의 인사이트를 찾는 일이기 때문이다. 

∙ PV의 월별 증감률보다 고객들이 어떤 콘텐츠에 관심이 있는지 파악해야 한다. 

∙ 전체 이탈률 보다는 어떤 페이지에서 이탈이 많은지, 접속 기기별 이탈률은 어떤지 점검해야 한다. 

∙ 매출 규모를 파악하는 것도 중요하지만 고객이 전환되는 과정을 추적하고 이탈되는 단계를 개선하는 걸 잊어서는 안 된다. 

∙ UV 규모보다 핵심 고객층의 특징이 무엇인지, 이들의 지속적인 방문을 유도할 방안은 무엇인지 생각해야 한다. 

 데이터 분석에서 흔히 사용되는 말 중에 ‘Garbage In, Garbage Out’이란 말이 있다. 쓰레기를 넣으면 쓰레기가 나온다는 뜻으로, 주로 데이터의 정확성을 논할 때 사용된다. 이는 질문에도 적용할 수 있다고 본다. 추상적인 질문을 하면 추상적인 답밖에 할 수 없고, 실제적인 질문을 하면 실제적으로 답할 수밖에 없다.   

최근 몇 년간을 돌아보면, 디지털 마케팅은 소규모 기업이라도 충분히 성공을 거둘 수 있는 방향으로 발전해왔다고 생각한다. 이전과는 비교할 수 없을 정도의 비용으로 제품을 홍보하고 판매할 수 있게 됐다. 그리고 그 중심에는 ‘콘텐츠’와 ‘데이터 분석’이 있었다.  
빅데이터나 머신러닝과 같이 실체를 알기 어려운 용어 때문에 데이터 분석을 포기하고 있었다면, 다시 생각해보길 바란다. 데이터 분석이 중요한 이유는 결국 비용 대비 효율을 높여주기 때문이고, 이는 사실 적은 비용으로 높은 효율을 내야 하는 소규모 기업에서 더 열심히 해야 하는 일이기 때문이다.

출처 : http://www.ditoday.com/articles/articles_view.html?idno=21972