그로스 해킹 & 데이터 프로덕트 (Growth Hacking & Data Product)

그로스 해킹 & 데이터 프로덕트 (Growth Hacking & Data Product) - 고넥터 고영혁 (Gonnector Dylan Ko) from Dylan Ko

그로스 해킹 & 데이터 프로덕트 (Growth Hacking & Data Product) - 고넥터 고영혁 (Gonnector Dylan Ko)

1. 그로스 해킹 & 데이터 프로덕트 ㅍㅍㅅㅅ 2018-10-29 Photo by dreamstime - https://www.dreamstime.com Gonnector 고영혁

2. Gonnector 고영혁 (Dylan Ko) Gonnector@gonnector.com +82 10-9055-3197 www.gonnector.com linkedin.com/in/gonnector @Gonnector facebook.com/Gonnector google.com/+Gonnector 전문 분야  그로스 해킹  데이터 사이언스  서비스 디자인  사업 모델링&개발  UX (사용자 경험)  커리어 데이터 사이언티스트 / 그로스 해커 / 기업가 / 작가 제공 서비스  컨설팅  코칭/자문  교육  심사/평가  칼럼 이력 사항  고넥터(Gonnector) 대표  Arm 트레저데이터 한국 총괄 / 데이터사이언티스트  저서 6권 (데이터사이언스, 그로스해킹, 커리어 관련)  前 경희사이버대학교 겸임교수 (데이터사이언스 과목)  前 Gmarket 금융사업파트장  前 NHN 콘텐츠전략팀장

3. © 2018 고넥터 (Gonnector). All Rights Reserved. 목차 1. 그로스 해킹 제대로 바라보기 2. 선택이 아닌 필수 “개인화 (Personalization)” 의 본질 3. 개인화를 구현하는 CDP (Customer Data Platform)의 글로벌 혁신 성공 사례 4. 이 모든 화두의 접점 “데이터 프로덕트 (Data Product)” 의 핵심 5. 데이터 프로덕트를 잘 만들기 위한 서비스/데이터 디자인 방법론과 기타 3

4. 1. 그로스 해킹 제대로 바라보기

9. © 2018 고넥터 (Gonnector). All Rights Reserved. 그로스 해킹 - 컨셉 출처 - http://www.forbes.com/sites/markfidelman/2013/10/15/meet-the-growth-hacking-wizard-behind-facebook-twitter-and-quoras- astonishing-success/ 9

13. © 2018 고넥터 (Gonnector). All Rights Reserved. 1단계 – ‘제품 시장 궁합 (Product Market Fit)’ • 모든 것의 시작. 이것이 안되면 그로스 해킹 자체가 성립 안됨 • Lean Startup 의 MVP (Minimum Viable Product) • 마케터나 개발자만이 아니라 제품과 관련된 모든 사람의 미션 • 제품 개발 프로세스 자체에 고객 고려가 깊게 반영 (ex. 아마존) 제품과 소비자가 서로 완벽하게 동화될 수 있게 될 때까지 초기 제품을 만들고 개선하기 13

15. © 2018 고넥터 (Gonnector). All Rights Reserved. 1단계 - 고객 피드백과 친해지기 • 정량적 피드백 + 정성적 피드백 • 의미 있는 규모의 피드백 • 주위 지인에게 물어본다? No !! • 소크라테스식 문답법 • 과학적인 방법과 도구 – 옵티마이즐리(Optimizely), 키스메트 릭스(KISSmetrics), 서베이몽키(SurveyMonkey), 우푸 (Wufoo), 쿼럴루(Qualaroo), 구글 설문지(Google Forms) 제품과 소비자가 서로 완벽하게 동화될 수 있게 될 때까지 초기 제품을 만들고 개선하기 15

16. © 2018 고넥터 (Gonnector). All Rights Reserved. 2단계 – ‘고객 확보’는 기본 • PMF에 끌려서 관심과 열정을 표현하는 사람 수 백 ~ 수 천 명 에서부터 시작 • 처음부터 대대적인 오픈 행사? 절대 안됨! • 초기 이용자의 심리와 감성을 자극해야 한다 고객을 끌어오는 것은 옛날이나 지금이나… 단지, 싸고 효율적으로! 16

17. © 2018 고넥터 (Gonnector). All Rights Reserved. 2단계 - Not Everyone, but Someone • 초기 잠재 이용자의 관심사를 파악하는 데에 리소스 투입 • 그들은 어디에서 주로 활동하는가? • 그들은 어떤 소식들에 주로 반응하는가? • 그들은 어떤 행동들을 주로 보이는가? • 그들은 어떤 사람들과 어울려 지내는가? 모든 사람이 다 왔으면 좋겠다? 고객 입장이 되어보지 않았기 때문에 하는 말 17

18. © 2018 고넥터 (Gonnector). All Rights Reserved. 3단계 – ‘구전’은 인과관계이자 과학이다 • 이용자들이 스스로 만들어내게끔 + 이용자들이 쉽게 그 행동 을 하게끔 • 구전에는 이유가 있어야 함 : PMF + 적절한 보상(물질&심리) • 기존 입소문 마케팅과 다른 점? 과학과 기술과 제품의 융합 “많은 사람들이 이걸 공유하게 해주세요“ 왜? 어떤 식으로? 18

21. © 2018 고넥터 (Gonnector). All Rights Reserved. 4단계 - 끌어들이는 것이 중요한 것이 아님. ‘고객 유지와 최적화’ • 기존의 마케팅은 끌어들이는 것에 집중하거나 그나마 좀 나은 것이 체험시키는 정도 • 그 이후에 고객이 유지되는 것이 핵심. 돈 들여서 끌어 모은 고 객이 나가지 않게 하는 것 • 트위터의 팔로우 제시 사이드바는 마케팅인가? 밑 빠진 독에 물 붓기? 21

22. © 2018 고넥터 (Gonnector). All Rights Reserved. 4단계 - 고객을 최적화한다는 것 • “고객 유지율을 5퍼센트 상승시켰을 때 회사 수익성이 30퍼센 트 증가” – Bain & Company • “기존 구매 고객에게 상품을 판매할 수 있는 확률은 60~70퍼 센트이지만, 신규 고객에게는 5~20 퍼센트에 그친다” – 마켓 매트릭스 • 그로스 해킹 = 투자 대비 수익률의 극대화 고객의 경험과 단계별 전환율에 대한 고려 22

27. © 2018 고넥터 (Gonnector). All Rights Reserved. 지표의 구분 • 정량 vs. 정성 • 탐색용 vs. 보고용 • 허무 vs. 실천가능 • 숫자 vs. 비 (비율) • 예측용 vs. 정리용 • 상관관계 vs. 인과관계  Click  Page View  Visit (Reach)  Unique Visitor  Follower/ Friend/ Like 정말 안 좋은 건가? 챙겨야 할 것이 무엇? 27

29. © 2018 고넥터 (Gonnector). All Rights Reserved. 고객생애가치 - CLV (Customer Lifetime Value) 𝐶𝐶𝐶𝐶𝐶𝐶 = 𝑀𝑀 − 𝑐𝑐 1 − 𝑟𝑟 + 𝑖𝑖 − 𝐴𝐴𝐴𝐴 • M : Revenue / (Customer / Avg. 1yr) • c : Cost / (Customer / Avg. 1yr) • r : Retention Rate to Next Year • i : Interest Rate • AC : First Acquisition Cost / Customer 29

30. © 2018 고넥터 (Gonnector). All Rights Reserved. Dave McClure’s 해적 지표 - AARRR 확보 (Acquisition) 활성화 (Activation) 유지 (Retention) 매출 (Revenue) 추천 (Referral) • 사용자들이 어떻게 알고 오는가? • 사용자 확보 비용 • 한 번 와본 사용자들이 가입하는가? • 등록률, 이메일 확인율 • 가입한 사용자가 계속 사용하는가? • DAU, MAU, 이탈률, 재방문휴면기간 • 사용 활동이 매출로 이어지는가? • 전환율, 고객생애가치(CLV) • 사용자가 주위에 추천하는가? • 초대건수, 초대를 통한 매출 30

32. © 2018 고넥터 (Gonnector). All Rights Reserved. 퍼널 분석 (Funnel Analysis) 홈페이지 첫화면 회원 가입 페이지 가입 정보 입 력 가입완료 목표 100% 50% 30% 10% 회원 가입 퓨널 단계별 잔존율 가입 페이지가 찾기 쉬운가? 가입 프로세스를 시작하고 싶은 동기유발이 되는가? 가입 정보 입력에 불편함이나 무리 는 없는가? 다음 단계 진입 시 방해 요인 32

34. © 2018 고넥터 (Gonnector). All Rights Reserved. 이것들이 잘 말해주지 않는 것은? • 이미 데이터가 있다고 전제 • 이거 하려면 대체 어떤 데이터를 어떻게 모아야 하는데? • 퍼널 분석이나 코호트 분석을 하기 위한 요건만 충족하면 OK? • 어떻게 데이터 설계해야 하나? • 서비스 따로 데이터 따로였던 시대 Vs. 하나인 시대 34

35. © 2018 고넥터 (Gonnector). All Rights Reserved. 광고/마케팅 실무에서 많이 보게 되는 테이블 데이터 예시 • 통계적으로 정리/요약된 데이터와 레포트는 정확하고 상세한 인사이트와 전환율을 상승시킬 수 있는 구체적인 단서를 제공해주기 어렵다. Medium Cost SOV Impressions Clicks (Visit) CTR CPC Actions Action Ratio A $ 1,000 35% 1,000,000 20,000 2.0% $ 0.05 4,000 20.0% B $ 2,500 60% 2,000,000 15,000 1.5% $ 0.17 1,800 12.0% C $ 1,800 22% 1,500,000 30,000 3.0% $ 0.06 9,600 32.0% • 대개 모든 지표들은 각 단계별 총합이나 총합들로 계산한 비율로 표현됨 • 각 컬럼의 지표는 각각 분절된 단계의 현황을 의미하기 때문에, 고객단위에서 연결된 고객 여정을 수치화한 것이 아님 • 고객 여정을 고려했을 때 전체 모집단 중에서 의미있는 세그먼트가 명확하게 존재하지만, 이러한 레포트 지표 구조로는 이 세그먼트들을 찾아낼 수 없음 • 전환에 유의미한 ‘Action’의 기준도 일반적으로 추측이나 간단한 통계적 방법으로 뽑아낸 것이기에 결국 같은 문제 발생 • 결국 이런 류의 데이터는 “유의미한 액션 전환율을 어떻게 높일 수 있는가＂같은 질문에 대한 답을 제대로 제시할 수 없음 문제 현황 [ 예시 ] • 통계적인 평균값으로 그려진 빨간 곡선은 중심에 표본이 몰린 분포를 보여줌 • 하지만 개별 대상을 하나하나 그린 파란 곡선은 오히려 중심에는 표본이 거의 없고 양 극단에 대칭적으로 몰려 있는 쌍봉분포 35

37. 2. 선택이 아닌 필수 “개인화 (Personalization)” 의 본질

38. 1955 Average F500 life expectancy 75 years 2015 Average F500 life expectancy 15 yearsvs 지난 15년간, Fortune 500대 기업의 52%가 세상에서 사라졌다 “Digital Darwinism is unkind to those who wait.” Ray R Wang, Constellation Research

39. AND THERE’S DIGITAL DISRUPTORS Facebook, Amazon, NetFlix, Google, Uber and AirBnB 이들의 시가 총액을 합치면 $1.38 Trillion 이들 모두의 공통점이 있다면 무엇인가?

40. 이들 모두 개인화된 경험을 대규모로 제공 - Personalized Information - Personalized Communication - Personalized Commerce - Personalized Hospitality - Personalized Transportation

41. 1. 디지털의 파괴적 혁신자들은 개개인의 고객에 대해 하나로 통합된 360도 전방위로 살펴볼 수 있는 데이터 환경을 갖추고, 고객이 최적의 타이밍에 최적의 경험을 할 수 있게 하는 고객의 행동과 속성 모두를 활용한다. 2. 하지만, 고객의 데이터는 종종 파편화 되어있다. 마케터의 74%는 10개 이상의 도구를 사용하고 있다. 마케터의 91%는 빠르게 성과를 내기 위해서 올인원 솔루션보다는 각 목적에 최적화된 분야별 최고의 솔루션들을 여러 개 사용하고 있다. 이것은 데이터의 파편화를 가중시키는 원인이기도 하다. 3. 고객의 데이터를 제대로 통합해서 활용하려면, 마케터들은 부서간 협력을 통해 데이터 에 대한 소유권을 확실하게 갖고 제어해야만 하는 상황이다. 이 문제는 종종 조직에서 또다른 숙제가 되곤 한다.

42. 어느 산업이든 어느 비즈니스이든 개인화가 선택이 아니라 필수인 것은 OK 그런데 대체 어떻게 할 수 있는가? 아마존이나 구글 같은 회사만 할 수 있는 건 아닌가?

44. © 2018 고넥터 (Gonnector). All Rights Reserved. 개인화 하면 고려해야만 하는 것 • 모든 비즈니스는 “(잠재)고객” 을 대상으로 한다 • 고객 맞춤형 XXX를 하려면 고객을 제대로 알아야 한다 • 고객은 단편적이지 않으며 갈수록 복잡해진다  Customer 360 View • 고객은 수시로 변한다 • 고객을 알기 위해서는 고객을 관찰할 수 있는 접점(인터페이스)가 필요하다 • 영속적인 사업을 하려면 고객을 “객관적”으로 알아야 한다 • 실시간 고객 변화를 다양한 관점에서 객관적으로 기록한 데이터가 필요 44

45. © 2018 고넥터 (Gonnector). All Rights Reserved. 고객을 알기 위해 과거부터 지금까지 사용하던 방법 45 • 서면(전화, 온라인, 앱, …)으로 하는 설문조사 • 면대면 집중 인터뷰 • Shadowing 등 UX research 에서 많이 해오던 관찰 • Design Thinking • (비싼 돈 내고 받는) 컨설팅, 저명한 보고서, … 간접 측정에서 발생하는 수많은 오류 퍼실리테이터로 인해 인사이트는 둘째치고 데이터 수집에서부터 이슈

46. © 2018 고넥터 (Gonnector). All Rights Reserved. 고객을 제대로 알기 위해 선도 주자들이 사용하는 방법 46 • “실시간 행동 로그 데이터” • 무슨 행동인가? 모든 행동을 다 의미하는가? 감시카메라 두면 되나? • 선택 가능한 분기를 제시하고 맥락과 선택결과를 데이터로 획득하여 계산 • 어떤 상황에서 어떻게 대응하는가에 대한 데이터 • 육하원칙 = Who, When, Where, What, How, Why • 상황 제시가 필요  서비스와 불가분의 관계  UX, 서비스디자인과 밀착 • “실시간으로 개인의 생각과 의향을 유추하고 지속적으로 업데이트”

49. © 2018 고넥터 (Gonnector). All Rights Reserved. 매장 내 고객 행동 데이터 활용 시 필수 고려 사항 방문 고객 전체의 통계적(주로 평균) 패턴을 보여주는 매장 센서 데이터만 사용한 경우 • 시간에 따라 매장 내 섹션 별 붐비는 정도가 어떻게 달라지나? • 매장에 들어와서 나가기 까지 고객의 동선은 평균적으로 어떻게 구성되나? • 고객들이 가장 오랫동안 머무르는 섹션은 어디인가? • 특정 섹션의 디스플레이 방식에 따라 해당 섹션에 머무르는 시간이 달라지는가? • 매장 음악에 따라 고객들의 평균 체류 시간이 유의미하게 달라질 수 있는가? • 매장 앞을 지나가는 사람들 중 얼마나 매장에 들어오는가? • 매장 앞에 배치하는 유인물에 따라 매장 진입 비율이 달라지는가? • 전체 방문자 중 POS/키오스크에는 들리지 않는 방문자의 비중은 얼마나 되는가? 이 질문들과 이로부터 찾아낸 답들이 매출 상승 에 제대로 기여할 수 있는 대안으로 얼마나 직 접적으로 연결될 수 있는가? 그 대안은 얼마나 많은, 위험한 전제와 가정 들을 필요로 하는가? 개인화가 아니라 데이터에 의한 나름 합리적 으로 보이는 평균을 찾아내는 것 아닌가?

50. © 2018 고넥터 (Gonnector). All Rights Reserved. 통합 고객 데이터 활용시 답을 얻고 실행가능한 질문들 센서로부터 획득한 방문 고객 개개인의 실시간 전수 데이터 및 고객 중심 모든 데이터를 통합한 경우 • 현재 매장 방문자 중 예전에 다른 지점에서 물건을 샀으면서 최근 1개월간 온라인에서 관련 상품을 본 사람들은? • 과거에 상품을 구매했을 때와 비슷한 형태로 매장내 섹션을 돌아다니지만 아직은 POS로 가고 있지 않은 사람들은? • 특정 섹션의 디스플레이 방식에 따라 최종 구매 전환율이 달라지는 고객들과 별 차이 없는 고객들은 어떻게 구분되나? • 온라인에서의 사이트 탐색 패턴과 오프라인 매장에서의 섹션별 탐색 패턴을 종합했을 때 패턴별로 몇 명의 기존 고객/가망 고객들이 있으며 그 집단 들이 실제로 발생시킨 매출은 얼마나 되는가? • 현재 매장에 들어온 고객은 어떤 상품에 관심을 갖고 있는가? 우리 매장의 재고를 고려했을 때 어느 정도의 할인 쿠폰을 자동으로 제시하는 것이 고 객도 만족시키면서 매장 매출 상승 최적화도 달성하는가? 고객별 개인화 쿠폰의 실시간 생성 • 위 고객에게 쿠폰을 제시하는 타이밍은 어느 섹션에서 탐색을 할 때가 최종적인 매출 전환율에 가장 크게 기여를 하는가? 그 타이밍에 제시 • 섹션에 따라 조명 변화가 구매 전환에 영향을 미치는가? 특정 섹션에서 제공하는 조명 종류 중 개인에 따라 구매 전환율을 높일 수 있는 조명의 셋팅이나 상품에 따라 구매 전환율율을 높일 수 있는 조명의 셋팅은 무엇인가? 그에 따라 자동으로 조절

51. CRM? 고객과 기업 사이의 관계를 좋게, 긴밀하게 발전 및 유지되도록 관리함으로써, 고객이 기업의 제품, 서비스를 더 자주 혹은 더 많이 혹은 더 오래도록 구매하게끔 하는 것 “고객 유지율을 5퍼센트 상승시켰을 때 회사 수익성이 30퍼센트 증가” – Bain & Company “기존 구매 고객에게 상품을 판매할 수 있는 확률은 60~70퍼센트이지만, 신규 고객에게는 5~20 퍼센트에 그친다” – Market Matrix

53. CRM 은 틀린 것일까? 모든 기업의 비즈니스는 결국 고객의 니즈, 욕구를 제대로 파악해서 그것을 충족시켜주는 제품 및 서비스를 제공하는 데에 근간을 둔다. 따라서 고객을 ‘제대로’ 알아야만 하고 누군가를 제대로 알려면, 그 사람과의 관계가 돈독해야 하는 것이 당연하다.

54. © 2018 고넥터 (Gonnector). All Rights Reserved. 구분 CRM 이 잘 되기 위한 요구사항 그 당시 한계 • 고객을 전방위로 이해할 수 있는 다양 한 정보  어느 타이밍에 어느 욕구를 어떻게 해소시켜주면 되는 지에 대한 정보 • 면대면 채널 외에도 고객에게 적시에 다가갈 수 있는 다양한 채널 • 고객 접점 채널의 효율적인 제어 • 접점에서 고객과 관계를 맺으면서 벌 어진 일들에 대한 정보 • 구매하는 최종 상황에 대한 정보 중심 • 주로 구매 이력 정보 • 고객의 나이, 성별, 거주 지역 등의 기본 인구통계 학적 데이터 • 오프라인 매장에서 발생한 이벤트들에 대한 정보 체계화 무리 • 개인화 디바이스가 없던 시절 • 고객지원센터의 상담콜 이력 조차도 VoC 통계 내 는 정도만 신경쓰고 고객마다 콜내용 정보 체계화 하기에는 무리 • 고객을 정성적으로만이 아니라 정량적 으로도 제대로 이해하고 문제 해결을 할 수 있는 역량 필요(데이터에 대한 이해와 친화도) • 마케팅의 문제만이 아니라 고객에게 제공하는 서비스 전체 프로세스에 대 한 관점으로 접근해야 제대로 관계를 쌓을 수 있음 • CRM 을 한다는 사람들은 주로 마케팅과 고객상담 관련 커리어 중심 • 통계 백그라운드를 갖고 있는 사람들은 통계성 레 포트 생산에 주로 집중 • 고객 한 명 한 명을 데이터로 이해하고 문제 해결 에 대한 개인화를 시스템 차원에서 대규모로 실행 할 수 없었던 상황 • 서비스 디자인 및 총체적 UX에 대한 개념이 접근 성 좋게 정립되어 있지 않던 시절 CRM, 무엇이 부족했던 것일까?

55. CRM 을 다르게 표현한다면? 개인화 Personalization

56. © 2018 고넥터 (Gonnector). All Rights Reserved. CDP (Customer Data Platform) 접근법 56 • IT-Owned • Known Customer Data • 1st Party Only • To analyze customers • Scalability Challenge Marketer-led, shared across lines of business Connected Customer Journey Data 1st, 2nd & 3rd Party Data To understand customers & personalize CX Unlimited data retention & scale • Agency-Owned • Anonymous Data • 3rd party data • To optimize advertising • Up to 6 mo data retention CDP 2016’〜 2010’〜 DMP CRM/ DWH 90’〜

57. © 2018 고넥터 (Gonnector). All Rights Reserved. CDP (Customer Data Platform) 접근법 57 다양한 데이터 수집 고객 프로필 연결 / 세그멘테이션 / 통합 캠페인 실행 광고 로그 웹로그 모바일 앱로그 소셜미디어 데이터 POS 데이터 CRM 데이터 고객 설문 조사 E-Commerce 이용자 인구 통계 Treasure CDP 원천빅데이터 저장 , Data (ID) 통합, 세그멘테이션, 대시보드, 워크플로우 제어, 데이터웨어하우스, 머신러닝 (추천 엔진 등) 통계 데이터 소득 수입 데이터 회사간 연계 데이터 POS 데이터 날씨 데이터 인구 통계 데이터 관심사 데이터 직업 데이터 실시간 스트리밍/ 배 치 형태로 다양한 데 이터 수집 최적의 조건을 알고리즘으로 찾아 캠페인 실행 자동화

58. © 2018 고넥터 (Gonnector). All Rights Reserved. CDP (Customer Data Platform) 접근법 58 고객 데이터 통합 캠페인 실행 캠페인 결과 분석/재활용세그먼트 & 개인화 ■ 수많은 이종의 데이터 소스로부터 데이터를 통합하여 관리 ■ 3rd 파티 데이터의 통합과 1st 파티 데이터와의 연동 단일화 ■ 캠페인과 분석 니즈에 따라 다양한 관점으로 유연하게 데이터를 추출 할 수 있어야 함 고객 마스터 데이터 타겟 A 타겟 B 타겟 C 웹 & 모바일앱 개인화 Email / SMS 오프라인 상호작용 광고 네트워크 소셜 리타겟팅 캠페인 결과 캠페인 상호작용 고객 행동 2nd / 3rd 파티 데이터 CDPCDP 마케팅 활동 필요한 준비 사항 ■ 고객 데이터의 시각화 ■ 다양한 조건과 기준에 따라 유연하 게 세그멘테이션 설정 가능 ■ 만들어낸 커스텀 세그멘테이션이 캠페인을 실행하는 도구와 끊김없 이 자동으로 연결되어야 함 ■ 새롭게 형성된 세그멘테이션을 활 성화함으로써 즉시 캠페인 실행으 로 자동 연결 ■ 유연한 캠페인 실행 (시간, 위치, 인 구통계 특성 등에 기반한 광고 매체, 오디언스 노출 및 기타 비광고성 마 케팅 캠페인 실행) ■ 캠페인 결과 레포트는 자동으로 고 객 개인 단위의 데이터와 연동 ■ 별도의 준비와 딜레이 없이 시각화 및 분석 활동이 바로 이어져야 함 ■ 다음 캠페인의 개선을 위한 결과 반 영이 자동으로 적용되어야 함

59. 3. 개인화를 구현하는 CDP의 글로벌 혁신 성공 사례

60. © 2018 고넥터 (Gonnector). All Rights Reserved. MUJI – Needs & Challenge (Pain Points) • 매출의 성장 • 전세계에 걸쳐 있는 다수 매장의 관리 • 고객 로열티의 관리 • 데이터를 활용하는 것이 근본적인 답이라는 것은 알고 있음  NEEDS • 방대한 웹/앱/매장 데이터의 통합 문제 • 기존 시스템을 최대한 건드리지 않고 패러다임 시프트 • 시간. 시간. 시간 • Scalability  CHALLENGE 60

61. © 2018 고넥터 (Gonnector). All Rights Reserved. 무인양품의 O2O 기반 리테일 혁신의 HUB – MUJI Passport  바코드 기반의 고객 ID 기능  MUJI 쇼핑 포인트(마일리지) 기능  혜택 쿠폰 발급  매장 체크인 기능  관련 뉴스  쇼핑 가이드 – 제품 검색, 매장 안내  선호도/관여도 정보 수집 (Like, Have)  MUJI 마일리지의 통합 및 보너스 마일리지를 활용한 ID/정보 통합 유도 – 소셜 ID, 온라인 사이트 ID, 카드 ID 앱 첫화면 관련 뉴스 ID 매장 체크인 제품 검색 매장 안내 Digital ID＋Owned Media＋Store & Product Search 61

63. © 2018 고넥터 (Gonnector). All Rights Reserved. MUJI – 활용 핵심 및 결과 • 고객의 온라인 행동과 오프라인 행동 패턴을 데이터를 통해 모두 파악 • 온라인에서의 행동과 매장의 재고 및 매출 현황을 토대로, 고객의 매장 방문 시점에서 해당 고객 및 매출에 최적화된 스펙의 쿠폰을 실시간으로 생성하여 사용 유도  활용 핵심  활용 결과 • 매출 46% 증가 • 전체 매장 평균 쿠폰 활용률 100% 증가 • 오프라인 매장 내 체류시간 및 동선량 17% 증가 투입 리소스 • 사람 : CTO 1인 • 시간 : 2.5 개월 • 돈 : $3,300 /월 63

64. © 2018 고넥터 (Gonnector). All Rights Reserved. SHISEIDO – CDP 기반 옴니채널 로열티 최적화 OVERVIEW 고객 로열티에 대한 깊은 역사와 노하우: 무려 80년에 걸쳐 고객 로열티 프로그램을 성공 적으로 운영해 왔으며, 온라인과 결합한 것은 2012년 부터. 개별 로열티 도구에 파묻힌 고객 특성: Adobe, Salesforce, public DMP 등의 도구에 많 은 투자를 했으나 각각의 분절된 데이터로 인해 정작 ROI 는 낮음. 목표: 광고 노출 디바이스를 타겟팅하는 것이 아니라 고객을 만족시키는 것으로 (마케팅)리소스를 투 입하는 대상을 전환! BEFORE Newsletters Customer Loyalty AD Campaigns Mobile Web Offline 64

65. © 2018 고넥터 (Gonnector). All Rights Reserved. SHISEIDO – CDP 기반 옴니채널 로열티 최적화 실행데이터통합 / 연계 데이터통합 / 시각화 / 분석 / 연계 3rd Party Cookie 데이터 (오디언스 데이터) 연계 성별 결혼 여부 연령 직업 연수입 흥미/관심사 자녀유무 취미/기호 3rd Party Public DMP 1st Party (사이트검색, 고객데이터) Private DMP 대량의 원천데이터 축적, 데이터 통합, 세그멘테이션, 연계 실행 점포 POS 데이터 W+ 회원 데이터 OS 구매 데이터 샘플 신청 데이터 등 “와타시 플러스”, ”Beauty & Co.” 사이트 검색 데이터 미디어 사이트 검색 데이터 2nd Party (미디어 채널 데이터) LINE 이메일 애드네트워크 DSP Facebook/Twitter 광고 실행 CRM 실행 마케팅 실행 앱 노티 PC/SP 사이트별 집행 데이터 시각화 데이터 사이언스 65

66. © 2018 고넥터 (Gonnector). All Rights Reserved. 통합된 개별 고객 데이터의 활용 모습 66 • (가망) 고객 한 명 한 명에 대해서 통합된 모든 속성 정보와 시간의 흐름에 따른 행동 정보를 그래픽으로 한눈에 파악  클라이언텔링 (Clientelling) • 원하는 고객 및 고객 집단을 손쉽게 지정해서 자동으로 이메일 등의 캠페인이나 온라인 광고 캠페인을 자동으로 실행. 또한 이들 을 대상으로 필요한 세일즈 액션을 지정하거나 여러가지 형태의 업무 자동화가 몇 번의 클릭으로 가능

67. © 2018 고넥터 (Gonnector). All Rights Reserved. SHISEIDO – CDP 기반 옴니채널 로열티 최적화 디지털 트랜스포메이션의 성과 로열티 프로그램 고객 당 매장에서 평균 지출(매출)이 20% 성장 • Adobe Analytics, Salesforce Marketing Cloud, 각종 고객 로열티 앱들을 포함 한 20여개의 흩어진 데이터를 통합하고, 100여개 이상의 브랜딩 웹사이트 행동 패턴 데이터 통합 연결 • 전체 채널에 걸쳐 개인 행동에 기반한 최적의 개인화를 지속적으로 자동으로 실시 AFTER Customer Loyalty AD Campaigns Newsletters 67

68. © 2018 고넥터 (Gonnector). All Rights Reserved. SUBARU – CDP 기반 데이터 주도 성장 BEFORE: 분절된 데이터로 인한 예산 낭비 • DMP를 포함한 다양한 기술에 투자를 하긴 했음 • 로열티앱, 제휴 콘텐츠, 딜러샵 방문 등 의 여러 채널에 걸친 고객 행동 데이터 가 개인화에 제대로 쓰이지 못함 • 낮은 ROI, 결국 C레벨들 사이에서 성과 기반의 디지털 트랜스포메이션에 대한 구체적인 니즈 발생 Male / Age 25-35 / Lives in CA 68

69. © 2018 고넥터 (Gonnector). All Rights Reserved. SUBARU – CDP 기반 데이터 주도 성장 AFTER: 최적의 타이밍에 최적의 메시지 • 자사 로열티 앱과 딜러 방문 데이터 등을 세그멘테이션에 고도로 활용하여 관련 마케팅 메시지 CTR 350% 상승 • 자사가 직접 만든 솔루션에 비해 솔루션 구축과 운영에 들어간 시간 80% 단축 Male / Age 25-35 / Lives in CA 69

70. © 2018 고넥터 (Gonnector). All Rights Reserved. 인식 딜러샵 방문 구매 결정조사 & 비교 구매 후 자동차 전문 매체 광고 노출 매스미디어, 자동차 박람회 순 방문 딜러샵 방문 딜러샵 검색 총괄적인 고객 여정 분석 광고 ROI 최적화 웹사이트 개인화 / 최적화 고객 여정 기반 캠페인 개인화 및 고객 관계 관리 구매 완료 ! CDP Data Flow 광고 집행 로그 오프라인 데이터 소셜 미디어 상호작용 Customer Data Platform (고객 여정 분석 & 개인화) Public DMP 접속 로그 딜러샵 네트워크 DBWifi 접속 로그 Subaru ID Ad-hoc 캠페인 데이터 설문 패널 데이터 자동차 전문 매체 상호작용 SUBARU 의 CDP 기반 캠페인 데이터 관리 흐름 고객 여정 단계 CDP 활용 부분 70

71. © 2018 고넥터 (Gonnector). All Rights Reserved. Oisix – 회사 개요 • 2000년 창업. 자본금 약 84억원 • 식재료와 완제품 요리의 전자상거래/리테일 판매 비즈니스 • 가입회원 대상 지속적 판매를 하는 서브스크립션 커머스 중심 • 관련 국내 소개 기사  10년을 버텨 만든 성공 ‘오이식스’  가까운 나라 일본에서 찾아본 온라인 신선식품 분야의 미래, 오이식스 71

72. © 2018 고넥터 (Gonnector). All Rights Reserved. 머신러닝을 활용한 이탈자 예측과 대응 - 개요  기계학습을 하고 지난 1달간의 데이터를 바탕으로 앞으로 1달간에 해지 할 가능성이 높은 고객 리스트를 Hivemall을 이용하여 작성 실시 내용  회원의 정기 구매가 회사 전체 매출과 이익을 좌우하는데, 해지 징후가 있는 회원을 미리 파악 및 방어하는 대책이 부족했다 과제  오이식스(Oisix)고객 사례  통계의 전문 지식 없이 머신러닝  해지 예측 리스트에 있는 회원에게 포인트를 부여함으로써 해지율 반감  해지 원인이 되는 액션, 이벤트를 찾아내고 비해지고객의 특징적인 행동도 파악 가능 기대 효과 Web Mobile 속성 정보 행동 로그 클레임 정보 유입 경로 이용 서비스 정보 직접적 액션 간접적 액션 포인트 부여 케어콜 성공체험에로 유도UI 변경 예측에 사용하는 데이터 Hivemall 에서 머신러닝 고객 정보나 행동 로그를 바탕으로 기계학습을 하고 해지고객을 예측 Table of Who / When / How % Churn 72

73. © 2018 고넥터 (Gonnector). All Rights Reserved. 머신러닝을 활용한 이탈자 예측과 대응 – 상세 시나리오 • 고객 속성 • 판매매장 속성 • 서비스 상품속성 • 구매 콘텍스트 • 시장 콘텍스트 • 서비스 이용패턴 • 결제 수단 속성 • 고객센터 이용패턴 .... • 액션 결과 피드백 고객 1/1 1/2 1/3 … 1/30 1/31 홍길동 18% 29% 37% … 78% 71% 고아라 7% 7% 9% … 12% 15% 강산애 21% 18% 26% … 39% 41% … … … … … … … 길라임 36% 52% 54% … 89% 91% 유시진 5% 8% 7% … 28% 19% 매월 고객별 미래의 예측 이탈율 테이블 자동 생성이탈율 예측을 위한 데이터 자동 수집 및 정제 머 신 러 닝 자 동 화 이 탈 억 제 액 션 자 동 화 이탈 억제 액션의 결과값과 과정에서 발생한 피드백 데이터를 재활용 하면서 지속적으로 모델 최적화. 전체 순환 구조를 단계별 모니터링하고 자동화 (부록의 Digdag 활용) 홍길동 (1/2) 강산애 (1/30) 길라임 (1/1) A/B테스팅을 통해 찾아낸 규칙을 기반으로 고객별 최적 이탈방지법 자동 실행 특정 서비스 경험이 고객 이탈율에 어떤 영향을 주었는지 찾아내고 개선안 A/B테스팅 통해 리텐션의 개인별 최적 화만이 아니라 서비스 레벨 최적화도 실행 73

74. 4. 이 모든 화두의 접점 “데이터 프로덕트” 핵심 이해하기

75. 데이터 하면 떠오르는 것? • 빅 - 데이터 • 데이터 - 분석 • 데이터 - 사이언티스트

76. 빅데이터 하면 떠오르는 것? • 인사이트 (통찰) • 트렌드/예측 • 소셜미디어

79. JUST DO ITJUST DO IT

80. JUST DO IT Data Driven Action = Data Action

84. © 2018 고넥터 (Gonnector). All Rights Reserved. 데이터 프로덕트 이해를 위한 머신러닝 다시 보기 84 • 머신러닝 문제 해결의 대상  데이터로 표현할 수 있는 모든 것  데이터? 정형 데이터, 비정형 데이터  데이터로 표현하려면???? • 딥러닝 문제 해결의 주요 대상  딥러닝? 신경망 구조를 활용한 머신러닝의 분파  딥러닝의 대상이 되는 주요 데이터 – 이미지, 비디오, 오디오, 텍스트  기본적으로는 비정형 데이터인데…

86. © 2018 고넥터 (Gonnector). All Rights Reserved. 데이터 프로덕트 (Data Product) 란? • DJ Patil – “A data product is a product that facilitates an end goal through the use of data.” • 데이터가 제품의 핵심 가치를 만들어내는 재료가 되는 제품 • 데이터 사이언스 과정을 통해 나온 가치의 제품화 • 데이터 액션이 프로세스라면, 데이터 프로덕트는 그 프로세스의 제품화 • 고객이 제품을 쓰면서 제품이 진화되는 데이터가 자동 생성되는 제품 • 앞으로 기업이 생산해서 가치를 창출해야 할 대부분의 제품(서비스)는 결국 데이터 프로덕트일 수밖에 없음 • 머신러닝/AI 의 문제 3대장 – 알고리즘, 컴퓨팅 파워, 데이터 86

87. © 2018 고넥터 (Gonnector). All Rights Reserved. 데이터 프로덕트를 만들기 전에 기본적으로 고민해야 할 것 • 제품을 왜 만드나? • 비즈니스 모델의 진짜 의미 • 서비스 디자인의 진짜 의미 • 데이터 아키텍처링의 진짜 의미 • 비즈니스 모델 – 서비스 디자인 – 데이터 모델링 삼위일체 • 데이터 프로덕트와 이용자 사이의 관계 • 비즈니스의 알파와 오메가 – 이용자/고객 87

88. © 2018 고넥터 (Gonnector). All Rights Reserved. 비즈니스 모델  고객이 바라는 가치(Needs / Value)를  공급자가 제품(Product)의 형태로 제공하고  고객이 납득하고 지불할 만한 가격/대가를 붙여서  상호 인정하여 거래하는 것에 대한 약속과 그 결과물  [참고] CVP (고객가치명제, Customer Value Proposition) : 고객이 기업에게 지불한 대가에 따라 제공되기로 약속된 가치 또는 경험의 총합. 고객이 제품을 사야 하는 이유를 제공. 경쟁 제품과의 차별점을 만들어냄. 고객의 관심과 매출 증대를 효율적으로 도움. 제품의 타겟 세그먼트와 브랜드/마케팅 포인트 제시 88

89. © 2018 고넥터 (Gonnector). All Rights Reserved. 서비스 디자인  비즈니스 모델에서 약속한 가치를  고객이 실제로 받게 되는 형태는 제품/서비스  약속된 가치대로 받았다고 생각하고 느끼고 인정하게 만들어야 함  이렇게 디자인하는 것이 가장 핵심  고객을 알 수 있는 가장 중요한 접점/인터페이스  마케팅과 광고도 의미있는 접점이며, 사실 서비스와 연결지어야 함 89

90. © 2018 고넥터 (Gonnector). All Rights Reserved. 데이터 아키텍처  아키텍처 – 바라는 것을 만들어내는 설계도  데이터 아키텍처 – 비즈니스 모델과 서비스 디자인을 원하는대로 만들고 운영할 수 있게 해 주는 데이터 자체에 대한 설계도 및 해당 데이터를 운영할 수 있는 전체 데이터 환경의 설계도  BM과 서비스 디자인을 제대로 디테일하게 한 경우 산수처럼 답이 떨어짐  제대로 된 이 둘 없이 하려면 모래알에서 바늘 찾기, 장님 코끼리 다리 만지기  물론, 확장성과 범용성과 하이레벨 디자인을 위한 기본 법칙은 존재  이걸 잘 만들어 놓으면 비즈니스 모델과 서비스 디자인의 확장/혁신도 가능 90

92. © 2018 고넥터 (Gonnector). All Rights Reserved. 데이터 프로덕트의 대표 사례 – 검색 서비스 • 비즈니스 모델  고객이 답을 찾고자 하는 질문에 대해, 효율적으로 원하는 답을 찾 을 수 있도록 도와준다.  가치 수혜자가 직접적인 비즈니스 상대자는 아님. 이 서비스로부터 획득한 고객 개개인에 대한 선호도를 토대로 광고 비즈니스 진행. 단, 이 프로덕트와 해당 BM 은 검색광고 정도를 제외하고는 아주 타이트하게 이어져있진 않음 • 이 데이터 프로덕트를 가능하게 한 최초 원천 데이터  검색 크롤링 Bot 이 수집한 WWW 상의 수많은 웹페이지의 메타데 이터 – 제목, 설명, URL, 기타 속성 • 서비스 디자인의 고려 사항  첫 페이지에 얼마나 적합도 높은 결과 목록을 보여주나  목록상 결과 하나하나를 보면서 바라는 결과인지 판단을 쉽게 할 수 있나  검색어 입력 후 얼마나 빨리 검색결과가 뜨는가 • 이 데이터 프로덕트를 진화시키는 이용자 생성 데이터  검색어, 검색결과 클릭 및 이후 탐색 패턴, 기타 등등 92

93. © 2018 고넥터 (Gonnector). All Rights Reserved. 데이터 프로덕트의 대표 사례 – 페이스북 • 비즈니스 모델  오프라인의 사람과 옴니채널로 커뮤니케이션 및 커뮤니티 네트워킹 욕구를 채워준다  가치 수혜자가 직접적인 비즈니스 상대자는 아님. 이 서비스로부터 획득한 고객 개개인에 대한 선호도를 토대로 광고 비즈니스를 서비 스 안에서 진행 • 이 데이터 프로덕트를 가능하게 한 최초 원천 데이터  이용자가 가입시 기입하는 자신의 프로필 데이터  이용자가 가입시 기입하는 기본 친구관계 데이터  입력한만큼 충족시켜주는 니즈가 커짐 • 서비스 디자인의 고려 사항  나와 연관이 있는 오프라인 존재를 얼마나 잘 알려주나  관심을 갖는/가질만한 사람 혹은 콘텐츠를 얼마나 잘 보여주나  누군가와 상호교감을 할 수 있는 장치가 얼마나 쉽고 임팩트있나 • 이 데이터 프로덕트를 진화시키는 이용자 생성 데이터  프로필, 관계(네트워크), 좋아요 for 오만가지 93

94. 5. 데이터 프로덕트를 잘 만들기 위한 서비스/데이터 디자인 방법론과 기타

97. © 2018 고넥터 (Gonnector). All Rights Reserved. 고객을 제대로 알기 위해 선도 주자들이 사용하는 방법 97 • “실시간 행동 로그 데이터” • 무슨 행동인가? 모든 행동을 다 의미하는가? 감시카메라 두면 되나? • 선택 가능한 분기를 제시하고 맥락과 선택결과를 데이터로 획득하여 계산 • 어떤 상황에서 어떻게 대응하는가에 대한 데이터 • 육하원칙 = Who, When, Where, What, How, Why • 상황 제시가 필요  서비스와 불가분의 관계  UX, 서비스디자인과 밀착 • “실시간으로 개인의 생각과 의향을 유추하고 지속적으로 업데이트”

99. © 2018 고넥터 (Gonnector). All Rights Reserved. 고객 파악 위한 서비스디자인 / 데이터아키텍처링 사례  바코드 기반의 고객 ID 기능  MUJI 쇼핑 포인트(마일리지) 기능  혜택 쿠폰 발급  매장 체크인 기능  관련 뉴스  쇼핑 가이드 – 제품 검색, 매장 안내  선호도/관여도 정보 수집 (Like, Have)  MUJI 마일리지의 통합 및 보너스 마일리지를 활용한 ID/정보 통합 유도 – 소셜 ID, 온라인 사이트 ID, 카드 ID 앱 첫화면 관련 뉴스 ID 매장 체크인 제품 검색 매장 안내 Digital ID＋Owned Media＋Store & Product Search 99

101. © 2018 고넥터 (Gonnector). All Rights Reserved. 인식 딜러샵 방문 구매 결정조사 & 비교 구매 후 자동차 전문 매체 광고 노출 매스미디어, 자동차 박람회 순 방문 딜러샵 방문 딜러샵 검색 총괄적인 고객 여정 분석 광고 ROI 최적화 웹사이트 개인화 / 최적화 고객 여정 기반 캠페인 개인화 및 고객 관계 관리 구매 완료 ! CDP Data Flow 광고 집행 로그 오프라인 데이터 소셜 미디어 상호작용 Customer Data Platform (고객 여정 분석 & 개인화) Public DMP 접속 로그 딜러샵 네트워크 DBWifi 접속 로그 Subaru ID Ad-hoc 캠페인 데이터 설문 패널 데이터 자동차 전문 매체 상호작용 고객 파악 위한 서비스디자인 / 데이터아키텍처링 사례 고객 여정 단계 CDP 활용 부분 101

105. 데이터 하면 떠올려야 할 것 • 사업이 잘 되려면 우리가 고객에게 어떤 서비스 경험을 구체적으로 제공해야 하는가? • 서비스 경험을 어떻게 설계해야 그 서비스에 반응하는 고객의 리액션을 통해 고객을 이해하는 단서를 잡을까? • 고객을 (고객의 맥락을)이해하는 단서를 어떻게 데이터로 남겨야 원하는 목적을 달성할 수 있는 데이터 액션을 할 수 있을까?

106. © 2018 고넥터 (Gonnector). All Rights Reserved. 데이터 액션에 도움이 되는 사고 • 빅데이터/머신러닝/인공지능에서는 상관관계가 인과관계를 압도한다? • 원인을 단계적으로 집요하게 파고들기. 연쇄 WHY마 • 최종 목표  중간 목표  하위 목표  … (단계 사이의 명확한 인과관계 설정) • 이런게 있으면 좋지 않을까? Vs. 이걸 이루기 위해서는 무엇이 필요할까? • 데이터 주화입마에 주의 • 탁월한 사람의 인사이트 Vs. 데이터로 도출한 결과 • 오픈마인드가 필요한 이유 • 추상화와 구체화의 경계 넘나들기 • 기본적으로 사람에 대한 이해 !!! 106

107. © 2018 고넥터 (Gonnector). All Rights Reserved. 데이터 액션에 도움이 되는 소통 • 데이터로 이야기하는 것에 대한 오해 • 데이터 기반 커뮤니케이션의 효과와 필요성 • 데이터 전담 팀의 데이터 이야기 Vs. 현업 팀의 데이터 이야기 • 프레젠테이션 Vs. 데이터로 말하기 • 작은 성공을 빨리 만들어 내는 것의 중요성 • 시각화, 그리고 인터랙티브 시각화 • 커뮤니케이션 문화 활성화를 위한 대시보드. 하지만 그 치명적인 문제는? • 데이터가 먼저냐 커뮤니케이션이 먼저냐 • 사람을 이해하기 위한 소통. 잘 말하기 위해서가 아닌. 107

108. © 2018 고넥터 (Gonnector). All Rights Reserved. 데이터 액션에 도움이 되는 행동 • 기록할 수 있는 것들을 기록한다 • 태깅을 습관화 한다 (태그 Vs. 폴더) • 모든 계획을 끝낸 다음에 행동하는 것이 아니라 실행하면서 계획을 조정해 간다 • 어떤 데이터이든지 간에 산점도(scatter plot)부터 그려본다 • 어떤 지표를 보면 바로 받아들이지 말고, 구성하는 데이터와 산식을 의심해 본다 • So What. 행동이 야기하는 결과가 무엇인지 항상 질문한다 • 성과는 항상 수치로 표현해 본다. 정성적인 성과로 보이는 것 조차도 정량화 시도 108

109. © 2018 고넥터 (Gonnector). All Rights Reserved. 데이터 액션을 잘 하기 위한 조직 운영 철학과 전략 • 데이터 사이언스, 데이터 액션은 팀스포츠. 이유는? • 어떻게 팀을 짜야 하는가 / 다른 팀과 어떻게 케미컬을 만들어내야 하는가 • 데이터 분석팀은 분석을 하는 팀이고, 이 팀의 레포트로 실무팀이 액션을 하는거다? • 김춘수의 꽃 – “내가 그의 이름을 불러주었을 때…”  분석팀~ • C레벨의 전폭적인 지지와 관심이 필요. 왜냐하면 전사적인 이슈이니까 • 팀 자체도 융복합 – 베스트 팀 구성은? • 데이터 사이언티스트는 모든 문제에 답을 제시해 주는 마술사인가? 109

110. © 2018 고넥터 (Gonnector). All Rights Reserved. 데이터 액션을 잘 할 수 있는 데이터 #1 – 결합 용이성 110 • Steve Jobs, “Connecting the dots” • Dimension vs. Measure – “학년, 반, 과목, 학생, 성적” • 성적 + 집안 상황(경제, 부모, 형제, …) + 동네 상황 + 개인 상황 + 학교 상황 • Join • 결합이 되기 위해서는 Key value design 이 핵심. 어떤 것을 key 로 설정해야 하는가 • 어떤 것들을 추후 결합이 가능하게 해 놓을지 처음부터 어떻게 알아내느냐 • 결합  관계

111. © 2018 고넥터 (Gonnector). All Rights Reserved. 데이터 액션을 잘 할 수 있는 데이터 #2 – 다차원 & 계층구조 111 • 같은 것을 어떻게 다른 관점에서 보느냐 • 다양한 관점에서 볼 수 있게 대상을 객체화/모델링했느냐 • 어떻게 해야 처음부터 어떤 관점으로 봐야 하는 지 알 수 있고 맞춰 모델링하느냐 • 숲을 봤다가 나무를 봤다가 마음대로 왔다갔다 할 수 있느냐 • 시계열 데이터와 계층 구조의 상관관계 • Dimension vs. Measure – “학년, 반, 과목, 학생, 성적” • Slice & Dice • Drill Down & Up • 차원, 계층  관계

112. © 2018 고넥터 (Gonnector). All Rights Reserved. 데이터 액션을 잘 할 수 있는 데이터 #3 – 정형 vs. 비정형 112 • 비정형 데이터가 더 중요하다? • 머신러닝을 하든 딥러닝을 하든 결국은 정형화(vectorize, featuring) 작업이 필요 • 비정형 데이터가 담고 있는 많은 정보량이 유의미한 많은 정보량이 되려면 어느 정도 정형화를 염두에 둔 비정형 데이터 획득이 사전부터 고려되어야 함 • 정형화하기 쉬운 대표적인 비정형 데이터는 Log data • Log : 발생한 사건(event)의 기록

113. © 2018 고넥터 (Gonnector). All Rights Reserved. 데이터 액션을 잘 할 수 있는 데이터 #4 – Activity Log 113 • 어떻게 해야 조직의 운영 히스토리와 고객의 콘텍스트(맥락)을 잘 파악할 수 있는가 • 맥락(context)  6W 1H : Who, When, Where, What, How, Why • 맥락은 사람을 떼어 놓고서는 무의미한 데이터 • 결국 사람의 행동 패턴을 그 사람이 행동한 이벤트의 나열로 보면, 그 사람의 activity log 가 context 파악의 핵심이 되는 데이터 • 액티비티  컨텍스트

114. © 2018 고넥터 (Gonnector). All Rights Reserved. 데이터 액션을 잘 할 수 있는 데이터 #5 – 데이터의 밀도 114 • 1년에 한 번씩 1년치 사건을 어떤 기준으로 정리한 데이터 vs. 분단위로 일단 기록한 데이터 • 일별 데이터를 월별로 평균을 내어 정리한 월단위 데이터만 보관하면? • 평균은 대표값(중간값, 중위값)의 일종. 대표값의 치명적인 문제는 데이터 손실 • 메타데이터 플랫폼 개념의 대두 (Gartner - http://www.gartner.com/it-glossary/metadata/) • 빅데이터가 중요한 것이 아니라 메타데이터가 얼마나 충실하게 촘촘하게 확보되어 있느냐가 핵심 • 애드테크(adtech)에서 데이터의 가치는 데이터 기록 주기가 짧을 수록 커짐. 1일 단위의 사용자 예측 광고 vs. 10분 단위의 사용자 예측 광고

115. © 2018 고넥터 (Gonnector). All Rights Reserved. 데이터 액션을 잘 할 수 있는 데이터 #6 – 시장 표준 115 • 데이터는 혼자 확보한다고 가치를 낼 수 있는 것이 아님 • 자신이 가진 데이터와 남이 가진, 하지만 확보할 수 있는 데이터의 연결이 중요 • 가진 데이터로 시장의 어플리케이션(가치를 만들어내는 endpoint)를 제어하려면 결국 시장의 표준 프로토콜을 따르는 데이터 구조가 필요 • 디바이스 타겟팅 광고를 한다?  Google’s ADID, Apple’s IDFA

116. © 2018 고넥터 (Gonnector). All Rights Reserved. 데이터 액션을 잘 할 수 있는 데이터 #7 – 비즈니스 & 서비스 116 • 다음 두 질문의 난이도 비교  우리가 이런 데이터가 있는데요, 이걸로 무슨 비즈니스나 서비스를 할 수 있을까요?  우리가 이런 비즈니스, 서비스를 하는데요, 대체 어떤 데이터로 어떻게 활용하면 더 잘 할 수 있을까요? • 결국 다음 세 가지 계층이 유기적으로 연결되면서 상호 결정되어야 함  비즈니스 모델링 – “기업이 제공하는 재화가 고객에게 어떤 가치를 제공하기 때문에 고객이 기꺼이 어느만큼의 돈을 어떻게 낸다”  서비스 디자인 – “비즈니스 모델링이 설계한 대로 제대로/가속화되어 돌아가려면 재화가 고객에게 가치를 제공하는 과정이 구체적으로 어떤 절차와 특징들로 구성되어야 한다”  데이터 모델링 – “제품/서비스가 세부 요건 정의대로 돌아가기 위해서는 어떤 데이터가 필요하고, 어떻게 연결되어 있어야 하고, 고객이 가치를 전달받는 과정과 접점에서 어떤 사건들이 발생하기 때문에 어떤 데이터들이 획득 가능하고…” • 그래서 더 쉬운 질문, 더 바람직한 프로세스, 맞는 데이터 스펙의 설계는?

119. 앞으로 여러분은 어떤 데이터 액션을 하시렵니까? ?

저작자표시 비영리 변경금지

'정보공유' 카테고리의 다른 글

스토리텔링 기반 콘텐츠 실습 "뿌리 부터 줄기 까지" (0)	2018.11.07
비동기 회고 발표자료 (0)	2018.11.06
Financial Statement Analysis and Financial Models (0)	2018.11.06
[2018 데이터야놀자] 웹크롤링 좀 더 잘하기 (0)	2018.11.06
What is Artificial Intelligence \| Artificial Intelligence Tutorial For Beginners \| Edureka (1)	2018.10.31
FIDO Certification Update (Korean Language) (0)	2018.10.31
Automation world + smart factory 2018 (0)	2018.10.31
2019 메조미디어 리서치_요약본 (0)	2018.10.31

그로스 해킹 & 데이터 프로덕트 (Growth Hacking & Data Product)

'정보공유' 카테고리의 다른 글

관련글

티스토리툴바