더 나은 마케팅 측정(애널리틱스) 문화를 위한 지표와 프레임웍

디지털의 등장과 마케팅 측정의 변화 : 실시간, 정확, 투명한 데이터

디지털 커뮤니케이션이 등장하고 우리 삶에 깊숙이 자리잡은 지난 20년. 마케팅도 엄청난 변화를 겪었습니다. 디지털 마케팅은 더 많은 회사가 더 많은 사람들에게 자신을 알리고 메시지를 전할 수 있게 만들어주었습니다.

디지털 마케팅이 빠르게 확산되고 자리잡게 된 또다른 이유는 데이터입니다. 디지털 마케팅과 플랫폼의 노력 덕에 과거에는 추정만 하거나 몇 달이 걸리는 데이터들을 실시간으로 축적하고 확인할 수 있게 되었습니다. 모두가 데이터를 공유하며 마케팅 의사결정을 할 기반이 마련되었습니다.

많은 기업들이 데이터의 중요성을 인식하고 관련하여 예산을 투입하고 노력을 기울입니다. 그 예산으로 사람을 고용하고, 툴을 사고, 분석 서비스를 이용하기도 합니다. 그리고 이렇게 수집, 가공, 분석한 데이터로 다양한 활동에 대해 결정합니다. 어떤 마케팅 채널에 어떤 예산과 자원을 투입하고 바꿀 것인지, 단기와 장기간 마케팅의 방향을 어떻게 설정할 것인지를 데이터에 의해 결정합니다.

데이터 측정의 한계와 역설

그런데 실제로 디지털 마케팅은 더 좋은 마케팅 의사결정에 도움이 될까요? 데이터를 잘 이해하는 소수의 조직에게는 큰 도움이 될 것입니다. 하지만 대부분의 조직에게는 그렇지 않습니다. 데이터 수집과 가공 기술은 단기간에 굉장히 좋아졌지만, 사람들이 이것을 이해하고 다루는 능력은 제자리이기 때문입니다.

측정의 한계

그러나 새로운 세계를 열어준 디지털 마케팅 데이터에는 명백한 한계가 있습니다. 디지털로 수집할 수 있는 데이터는 “디지털”에 국한됩니다. 또한 개인정보 보호 등의 규제와 기술적 한계도 있기 때문에, 모든 디지털 채널의 데이터가 호환되지도 않습니다.

데이터 측정의 역설: 가용성 휴리스틱(availability heuristic)

이 한계보다 더 중요한 문제는 디지털 데이터의 장점으로 여겨지는 수집 용이성, 실시간, 투명성 입니다. 눈에 명백히 보이는 디지털 데이터가 반드시 가장 중요한 데이터라고 하기는 어렵습니다. 또한 디지털 데이터가 마케팅 전체의 맥락을 말해주지 못하는 경우도 많습니다. 하지만 디지털 이외의 다른 데이터는 잘 보이지 않기 때문에, 눈에 잘 띄고 손에 잡히는 디지털 데이터가 마케팅 의사결정의 기준이 되기 쉽습니다.

디지털 디지털 마케팅의 데이터는 빙산의 윗부분 같기도 합니다. 디지털 데이터를 통해 최대한 빙산 아래를 파악해보려는 노력이 필요하지만, 우리는 수면 위만 쳐다보고 있습니다.

인간이 저지르기 쉬운 인지 오류를 연구하여 노벨 경제학상을 받은 다니엘 카느만은 이것을 가용성 휴리스틱(availability heuristic) 이라고 합니다. 인간은 원래 가장 쉽게 떠오르는 것을 기준으로 생각하고 잘못된 결정을 내리기 쉽습니다.

휴리스틱은 우리말로 옮기자면 어림셈법 정도가 될 듯합니다. 카느만에 따르면 우리의 뇌는 빨리 생각하는 모드(system1 thinking)와 깊이 생각하는 모드(system 2 thinking)가 있습니다. 생존을 위해서는 많은 정보를 빠르게 처리해야 하고, 이 때 system 1 thinking 이 작동하고 휴리스틱을 이용합니다. 문제는 신중하고 깊이 생각해야 할 때도 system 1 thinking 에서 사용하는 방법들을 차용하는 습관입니다. 이 때문에 우리의 사고에는 오류가 많습니다. 알면서도 항상 당하는 습관이자, 인간의 숙명이기도 합니다.

내용은 조금 다르지만 “목소리 큰 놈이 이긴다”는 말도 디지털 데이터의 역설을 잘 표현해준다고 생각합니다. 생각의 타당함과 관계 없이 주장이 강하고 말을 많이 하는 사람의 의견이 돋보이고 관철되는 현상은 주변에서 흔히 눈에 띕니다.

조직 내에서 마케팅에 관여하는 많은 사람들이 디지털 데이터를 접하고 다루며 의사결정의 근거로 활용하지만, 섬세한 고려와 이해 없이는 잘못된 의사결정을 내리기 쉽습니다. 디지털과 이를 둘러싼 다양한 맥락과 데이터를 함께 이해하는 대신 디지털 데이터만을 봅니다. 그리고 디지털 데이터 중에서도 가장 눈에 띄는 데이터만에 주목합니다. 이런 데이터들은 대부분 기업이 고객에게 주는 가치, 기업의 지속성과 성장, 작게는 매출과 이익과 관련이 없습니다.

더 큰 문제는 그것이 잘못인지도 모르고 지나가는 일이 너무 많다는 점입니다. 아주 부정적인 시각으로 보면 21세기 초를 살고 있는 사람들 모두가 디지털 데이터 마케팅이라는 거대한 사기를 당하고 있는지도 모릅니다. 물론 저는 이렇게 까지 생각하지는 않습니다. 하지만 P&G가 디지털 마케팅에 대한 문제를 제기하고 총 수조원의 디지털 예산을 삭감한 이유를 곱씹어볼 필요가 있습니다. 참고로 P&G는 세계에서 가장 유능한 마케팅 인력, 엄청난 유무형의 마케팅 자산, 그리고 200년의 경험을 가진 회사입니다.

조직 내 디지털 데이터 활용의 문제

실제로 조직 내에서의 디지털 데이터 활용을 생각해보면 양상은 이렇습니다. 이것도 그나마 마케팅 자원이 풍부하고 고도화된 마케팅을 잘하는 조직의 양상입니다.

의사결정권자 : 데이터가 중요한 것은 안다. 하지만 어떤 디지털 데이터가 있고, 어떻게 수집하고 활용할지는 잘 모른다.

데이터를 활용하여 일을 하는 마케터 : 데이터를 활용하는 툴을 잘 다룰 줄 안다. 그래서 많은 디지털 데이터를 수집하고 정리하고 나름의 분석도 한다. 하지만 시야가 너무 좁고 디지털 데이터의 맥락을 이해하지 못한다.

여담: 일부 마케팅 교육기관은 데이터와 퍼포먼스 마케팅 능력을 익히면 연봉을 두 배 올려받을 수 있다고 광고합니다. 저는 그런 종류의 직무능력’만’을 갖춘 인력은 5년에서 10년 내에 AI가 대체할 가능성이 높다고 생각합니다. 그 이유는 뒤에서 더 언급하겠습니다.

흔히 통용되는 데이터 기반 마케팅이나 퍼포먼스 마케팅의 문제도 동일합니다. 데이터에 대한 시야가 너무 좁고, 맥락을 이해하지 못합니다. 그래서 데이터로 가공하기 쉽고, 개선과 발전을 보여주는 것 같은 지표가 많이 나오는 마케팅 활동만이 강화됩니다. 그리고 극히 일부의, 성공 확률이 낮지만 눈에 띄는 좋은 사례를 많은 회사가 모델로 채택하여 똑같이 수행합니다. 성공 확률은 낮아지고, 예산 투입은 많아지며, 고민은 깊어지는데 문제를 정확히 규명하기 힘들어집니다.

더 나은 디지털 마케팅 데이터 측정을 위한 프레임웍

그렇다면 디지털 데이터를 어떻게 측정해야 더 좋을까요? 데이터 측정을 통해 더 나은 의사결정을 하는 방법은 무엇일까요? 진정한 데이터 기반 마케팅은 어떻게 실천할 수 있을까요?

데이터 해석과 이에따른 행동은 결국 사람이 결정하고 실행합니다. 조직에서 데이터 측정을 더 잘 하려면

측정 가능한 데이터를 모두 펼쳐본 다음, 누가 언제 어떻게 이 데이터들을 측정하고 분석할지를 나눠야 합니다.

이렇게 역할 분담을 하고 나면 각자의 역할에 맞게 분석을 수행하고, 더 나은 의사결정을 위한 프로세스를 갖춰 실행합니다.

결국 어떤 데이터를 갖고 무엇을 할 수 있는지를 알아야 합니다. 이를 위해 데이터 측정 프레임웍을 제시해봅니다. 이 프레임웍과 관련 자료는 Avinash Kaushik 가 제시한 내용입니다. 예시로 든 이미지는 모두 Kaushik의 자료를 우리말로 바꾼 것입니다. 저는 이런 자료를 볼 때마다 거인의 어깨를 빌리는 일의 힘을 느낍니다.

디지털 마케팅 지표의 좌표축(axis)

다양한 지표는 두 가지 기준에 따라 나눕니다.

시간 축

첫째 축은 시간입니다. 실시간으로 측정할 수 있는 것부터 반기나 연간으로 측정할 수 있는 지표까지 나열해봅니다.

전략전술의 축

두 번째 축은 전략-전술 입니다. 다양한 지표는 전술적인 것부터 전략적인 것으로 나눌 수 있습니다. 전략-전술 축의 기준은 지표의 영향력이자, 복잡한 정도(분석력을 요구하는 정도)이기도 합니다.

전략 축에서 높이 있는 지표일수록 다른 하위 지표들과 상황을 이해해야 합니다. 따라서 전략 축에서 높이 있는 지표들은 측정이 어렵거나, 측정은 쉬워도 이유를 설명하기 어렵습니다.

장바구니-미구매 비율 을 예로 들어보겠습니다. Kaushik 는 이탈률이라는 간단한 지표가 얼마나 복잡한지를 설명하는데, 저는 좀 더 복잡한 지표를 예로 들어봅니다. 장바구니에서 미결제한 비율 이라는 지표는 쇼핑몰 솔루션 제공 업체에서 주는 툴이나 구글 애널리틱스 등에서 쉽게 알 수 있습니다. 하지만 실제 이 미결제 비율에 대해 이해하려면 다양한 하위 지표와 정보를 알아야 합니다. 몇 가지만 예를 들면 다음과 같습니다.

  • 상세페이지의 내용 – 감성적, 기능적 측면과 가치
  • 고객의 구매 사이클
  • 사이트와 관련 페이지의 다양한 전환율
  • 사이트의 관련 페이지 전환율과 최적화
  • 결제 방식의 UI, UX, 편의성

위의 내용들도 미결제 비율의 하위지표일뿐 다시 다양한 하위지표로 구성됩니다.

온라인 커머스를 운영하는 어떤 조직에서 장바구니 미결제율이 높아져서 이에 관한 논의와 의사결정을 한다고 가정해봅니다. 아마도 다양한 산발적인 내용과 의견들이 나올 것입니다. 하지만 구성원들이 해당 지표를 구성하고 영향을 주는 하위 지표들의 층위를 체계적으로 이해한 바탕으로 논의를 하고 의사결정을 할까요? 99%의 조직은 그렇게 하지 못할 것입니다.

전략적인 지표는 이렇게 측정과 평가가 어렵지만 영향력도 큽니다. 방금의 예시에서 어떤 방법으로건 장바구니-미결제 비율을 낮추게 되었다면, 하위 지표들 대부분 역시 개선되었을 것입니다. 반대로 하위지표가 개선된다고 상위 지표가 꼭 좋아지지는 않습니다. 페이스북의 좋아요 나 사이트 방문자 지표가 높아진다고 전환율이 높아지거나 이탈률이 낮아지지는 않습니다.

시간과 전략전술의 축으로 보는 현재 국내의 마케팅 측정 문제

앞서 언급한 국내 데이터-퍼포먼스 마케팅의 문제도 이 축으로 쉽게 설명할 수 있습니다. 많은 회사, 대행사, 마케터, 경영자들이 단기-전술 지표를 중심으로 마케팅을 하고 경영을 합니다.

이 경우 해결도 단기적이고 전술적입니다. 단기 전술적인 대응을 반복하는 일은 개인에게도 조직에게도 무척 피곤하고 진 빠지는 일입니다. 또한 광고비용, 각종 거래비용(transaction cost)이 많이 듭니다. 사이트의 방문을 높이려면 온라인에 광고비만 많이 쓰면 됩니다. 하지만 방문한 사이트에 문제가 있다면 방문자 증가의 효과는 거의 없습니다.

좀 더 전략적인 지표인 이탈률은 어떨까요? 이탈률을 낮추려면 랜딩페이지의 콘텐츠 구성, 사이트의 UX, CTA 등을 수치화하거나 평가하고, 측정하고 개선해야 합니다. 대신에 이탈률을 낮출만큼 사이트를 개선했다면 방문자나 세션 수, 페이지 조회수는 증가할 것입니다.

고객 평생가치나 충성도 같은 것은 단기간에 한 두 가지를 개선해서 쉽게 달라지지 않습니다. 하지만 고객 평생가치가 높아진다면 매출, 이익, 지속성 등 사업에 핵심적인 요인들도 함께 개선됩니다.

더 중요한 지표들을 규명하고, 그 지표들에 영향을 주는 지표들을 함께 이해하며, 중요한 지표들(대개 전략-장기의 축에 있습니다)을 개선하기 위한 행동을 한다면 하위의 많은 문제는 쉽게 해결될 것입니다.

마케팅 측정 프레임웍 만들기

방법

이렇게 좌표축을 만들어 놓고 평소에 쓰는 지표들을 나열해봅니다. 예를 들어 페이지 방문자나 조회수는 실시간-전술 적인 지표입니다. 반면 고객의 평생가치는 장기-전략적인 지표입니다. 구글 애널리틱스, ERP 시스템, 기타 다양한 툴에서 제공하는 지표들을 모두 열거해보고 채워보면 좋습니다. 아래의 그림은 예시입니다. 이 지표들은 회사마다 실제 사용하고 수집 가능한 데이터로 직접 채우는 것이 좋습니다.

지표 예시

예시에 쓰이는 지표는 40여가지 입니다. 이 40여가지는 모두 필요하고 중요한 지표입니다. 측정 문화가 잘 정착되지 않은 조직에서는 이 중 3-4 가지만을 사용하며, 업무나 직급에 관계 없이 이 3-4가지 지표만 함께 고려합니다.

측정 문화가 잘 갖춰져 있는 조직도 3-4가지를 핵심 지표로 사용할지 모릅니다. 다만 이 3-4가지 지표를 설명하는 하위지표들 수십 가지를 모두 이해하고 측정하며 체계 속에서 연결되어 있을 것입니다. 그리고 맡은 업무와 의사결정 수준에 따라 집중하는 지표가 다를 것입니다.

지표들을 몇 가지 열거하면 다음과 같습니다.

  • 노출
  • 방문
  • 신규방문%
  • CTR
  • AVOC
  • 아웃바운드 클릭
  • 획득비용
  • 페이지 값
  • 상점 방문
  • 장바구니-미구매 비율
  • 목표완료율
  • 전환
  • 세션 퀄리티
  • 방문당 목표값
  • 일간 활성사용자
  • 매출총이익
  • A/B 테스트 매출 차이
  • 인당 순이익
  • 최근 방문, 빈도
  • Nonline 매출
  • Nonline 채널별 이익
  • 고객 충성도
  • LTV

프레임웍 형태

앞에서 말한 축 위에 위의 지표들을 알맞게 나열해봅니다. 이커머스 사이트의 예를 들면 아래와 같을 것입니다. 이것은 예시일뿐입니다.

프레임웍 확장 : 차원 더하기

이렇게 기본적인 프레임웍을 만들었다면 몇 가지 차원을 더해볼 수 있습니다.

현재상황 파악

이 작업의 목적은 의사결정을 위해 얼마나 데이터를 폭넓게 체계적으로 사용하는지를 파악하기 위함입니다.

다양한 데이터 중 조직에서 주로 살펴보고 의사결정에 주로 사용하는 데이터는 무엇인가요? 이것을 파악하면 좀 더 중요한 지표를 측정하고 분석하고 이를 마케팅에 적용하기 위한 행동들을 실천에 옮기기 쉬워집니다.

여태까지 노출과 방문자 수, 매출 만을 주요 지표로 삼았다면 이것을 확실히 표시해보세요. 그리고 좀 더 장기적이고 전략적인 지표를 측정하고 개선할 방법이 있는지를 찾아보세요.

아래 그림에서 초록색으로 표시한 것이 전체 데이터 중 일반적으로 많이 쓰는 데이터의 예시입니다. 초록색으로 표시한 것이 많을수록 좋지만, 대부분의 조직은 전체 중 극히 일부만 초록색으로 표시하게 됩니다.

난이도별

지표들을 난이도별로 나눠보면 다음과 같습니다. 당연히 전략적이고 장기적인 고려가 지표들의 측정과 개선이 훨씬 어렵(지만 의미있)습니다.

직급별

직급별로 신경 써야 할 지표를 나눠보면 다음과 같습니다.

쉽게 말해 의사결정의 영향력이 클수록 더 전략적인 지표에 신경 써야 합니다. 그리고 이를 개선하기 위해 고민해야 합니다. 물론 전략적인 지표를 개선하기 위해서는 관련된 하위 지표에 대한 이해가 함께 필요합니다.

마케팅 팀장이라면 소셜미디어의 좋아요 나 인게이지먼트, 사이트 방문자, CTR 을 넘어선 지표 이해와 행동 계획이 필요합니다.

경영자라면 고객의 충성도나 LTV에 대한 나름의 정의와 값을 설정해야 합니다. 정확한 값을 정할 필요는 없고, 매기기도 불가능합니다. (제품이나 서비스에 따라 조금 쉬운 것도 있고 많이 어려운 것도 있습니다)

다만 나름의 경험과 이해도, 상황 변화에 따라 이런 값을 매겨보고, 수정하고, 동일 조건에서 개선하기 위한 노력을 해야 합니다.

분석 종류별

장기, 전략적인 지표일수록 분석과 메타분석이 필요합니다. 즉 여러 상관관계와 인과관계를 따져 현상을 설명하고 원인을 규명하는 작업이 필요합니다. 단순히 숫자나 툴을 안다고 되는 문제는 아닙니다. 숫자와 툴에 더해 통찰과 사고력, 상상력과 경험을 동원해야 합니다.

번외 : 자동화

위의 그림들을 보면 자동화 라는 항목이 등장합니다. 현재 마케팅에서 주요 지표로 많이 언급하는 것들은 측정과 해석 모두 자동화로 해결됩니다. 즉 사람이 신경쓸 필요가 거의 없습니다. 현재 퍼포먼스 마케팅, 데이터 분석이라고 일컫는 행위들 중 상당 부분이 AI로 대체될 것이라고 생각하는 이유이기도 합니다. 자동화의 영역은 갈수록 커질 것이며, 그만큼 사람 실무자의 역할은 줄어듭니다. 사람이 더 전략적이고 장기적인 지표에 집중해야 할 이유입니다.

더 나은 측정 문화, 더 나은 마케팅, 더 나은 비즈니스

현재의 디지털 마케팅과 측정에는 분명 문제가 많습니다. 그리고 이 글에서 이야기하는 측정 방식을 사용하려면 여러 가지로 장벽이 많습니다.

하지만 조금씩이라도 일의 효과와 효율을 높이는 노력을 해보면 좋겠습니다. 지금 수준의 AI가 파악하고 이해하는 수준의 지표 측정에서 아주 조금 더 전략적인 지표를 개선하기 위한 시도, 단기 지표에서 조금 더 호흡이 긴 지표를 살펴보려는 시도가 필요합니다.

조직 구성원들이 함께 이런 노력을 기울인다면 1년 후, 3년 후, 5년 후 개개인의 구성원 회사 모두 훨씬 성장해 있을 가능성이 높습니다.

소셜미디어에 이 글 공유하기
뉴스레터 구독하기

밸러스트의 새로운 인사이트 업데이트를 이메일로 받아보세요!