1-1 : 데이터 마케팅의 필요성과 장점

0. 시작하기

지난 달 마케팅 예산 중,
‘확실히 효과 있었다’고 증명할 수 있는 건 몇 % 인가요?

 

마케터의 흔한 고민

• "예산은 쓰는데 무엇이 효과였는지 모르겠다"
• "채널별 기여도가 감으로만 판단된다"
• "성과 보고는 하는데, 다음 액션이 안 나온다"
• PR? 바이럴? 검색광고? 디스플레이 광고?

문제의 뿌리

데이터의 부재 또는 데이터의 단절

• 어떤 채널이 효과적인지 알 수 없음
• 수집 → 저장 → 분석 → 의사결정 흐름이 끊김
• 한정된 예산에서 최대의 효율을 만들기 위해 필요한 과정

 

데이터 기반 마케팅은 '툴 사용법'이 아니라 의사결정 방식이다.

 

1. 데이터와 마케팅의 관계 및 개념

데이터 기반 마케팅이란

고객 여정 전반에서 생성되는 데이터를 체계적으로 수집·해석하고, 이를 근거로 KPI를 개선하는 의사결정 프레임

유입 - 가입 - 결제페이지 - 매출(전환) - 재방문 - 레퍼럴

 

마케팅 - 데이터 관계

1. 마케팅 목표 (매출 / 활성 / 재구매)
2. KPI로 번역
3. KPI를 움직이는 레버 식별 (유입 / 전환 / 유지 / 추천)
4. 레버를 데이터로 측정
5. 실험 / 개선

데이터 생애주기

단계	설명	예시
수집	이벤트/행동 로그 설계	"장바구니 추가" 클릭 추적
저장	SDK/태그 → 분석툴	Amplitude, GA4
분석	퍼널/리텐션/세그먼트	"상세→구매" 전환율 3.1%
실행	캠페인/AB 테스트	이탈자에게 할인 푸시
피드백	KPI 영향 평가	전환율 3.1%→4.2% 상승

 

데이터로 보는 AARRR 퍼널

1. Acquisition (유입)

• 사용자를 처음 “알게 되는” 순간
• 측정 예시: 트래픽, 클릭수, 방문자 수, 회원가입 전환율
• 활용 데이터: 유입 채널별 성과, CAC(고객획득비용)
• 툴 예시: GA4 / 광고 관리자 / 캠페인 UTM

2. Activation (활성)

• 사용자가 ‘가치를 처음 체험한’ 시점
• 측정 예시: 첫 구매, 첫 콘텐츠 소비, 첫 기능 사용
• 지표: 활성율 = 활성 사용자 ÷ 신규 사용자
• 핵심 질문: “사용자가 ‘와, 이거 괜찮네’ 하는 순간은 언제인가?”

3. Retention (유지)

• 사용자가 얼마나 오래 머무는가
• 측정 예시: D1/D7/D30 리텐션, 월간 활성 사용자(MAU)
• 실무 인사이트: “리텐션이 높으면 CAC를 낮출 수 있다.”

4. Revenue (수익)

• 사용자의 행동이 실제 수익으로 이어지는가
• 측정 예시: 결제율, ARPU(유저당 평균매출), LTV(고객 생애 가치)
• KPI 트리와 연결: “유입은 늘었는데 수익이 안 늘면 전환 퍼널을 점검하라.”

5. Referral (추천)

• 만족한 사용자가 자발적으로 퍼뜨리는가
• 측정 예시: 추천코드 사용, 초대 전환율, SNS 공유율
• 실행 예시: 추천 리워드 캠페인 / NPS 기반 세그먼트 리타겟팅

핵심 용어

용어	정의	예시
지표 (Metric)	현상을 수치화한 값	전환율 3.1%
KPI	목표 달성을 대표하는 핵심 지표	주간 활성 결제자 수
North Star	비즈니스 지속성장을 설명하는 단일 지표 (북극성 지표, 즉 Goal)	결제 페이지 방문자 수, 서비스 사용 시간 등

 

웹과 앱의 데이터 분석

 

• “웹=PC”, “앱=모바일”이라고 생각하지만 본질은 디바이스 차이가 아니라 ‘플랫폼 생태계’의 차이
• 모바일에서도 브라우저로 접속하면 ‘웹’, PC에서도 앱을 실행하면 ‘앱’
• 두 생태계는 유저 식별 방식이 다르기 때문에, 웹과 앱을 연결하려면 공통의 기준(로그인)이 필요함

---

웹 : 쿠키 기반 식별

• 브라우저에 저장되는 쿠키(cookie) 로 유저를 구분
• UTM 파라미터 또한 쿠키에 저장되어 추적됨
• 쿠키는 브라우저별로 생성되며 삭제되면 추적 불가
• 동일한 유저라도 크롬 vs 엣지 사용 시 다른 유저로 집계됨
• 예시: “웹 서비스 이용 횟수 제한이 있을 때, 브라우저를 바꾸면 추가 이용 가능”

앱 : 광고 ID 기반 식별

• PC의 윈도우 운영체제(OS) 처럼 모바일 운영체제는 구글 안드로이드와 애플 IOS
• 각 OS에서 발급하는 고유 광고 ID로 유저를 구분
  • 안드로이드: ADID (Advertising ID)
  • iOS: IDFA (Identifier for Advertisers)
• ADID와 IDFA는 스마트폰 기기 당 1개 부여
• 즉 브라우저가 아니라 기기 단위로 추적이 이루어짐

웹 ↔ 앱 크로스 측정 방법

• 두 생태계는 식별 방식이 다르므로, 크로스 측정을 위해 공통점이 필요함
• 로그인(User ID) 을 공통 기준으로 삼으면
  → 웹과 앱의 트래픽을 동일 사용자로 묶을 수 있음
• 로그인 값이 없다면?
  → 정확한 매칭 불가, 추정 기반 분석만 가능

한눈에 정리

구분	식별 기준	추적 단위	한계점
웹	쿠키	브라우저 단위	쿠키 삭제 시 추적 불가
앱	ADID / IDFA	기기 단위	OS 권한 제한 시 추적 어려움
공통 기준	로그인 (User ID)	유저 단위	회원 기반 서비스만 가능

 

결론

• 웹과 앱은 생태계 자체가 다르다
• 따라서 웹/앱 통합 분석의 핵심은 👉 “로그인 기반 통합(User ID)”
• 즉, 웹과 앱 크로스 측정의 시작과 끝은 로그인

 

2. 데이터 활용 사례

사례 A — 이커머스

• 문제: 상세페이지 유입 충분 → 장바구니 전환 낮음
• 데이터 발견: 배송비 정보 노출 구간에서 이탈 급증
• 실행 개선:
  • 상단 고정 배송비 뱃지 추가
  • "30,000원 이상 무료배송" 진행바 표시
• 결과: 장바구니 전환율 +18%p
  → NSM 지표, 결제 및 결제 이전 퍼널 증가

 

사례 B — 모바일 앱 (콘텐츠)

• 문제: 1일차 리텐션 30% 미만
• 데이터 발견: 첫 세션에서 추천 피드 노출 전에 앱 종료
• 실행 개선:
  • 온보딩에 관심사 태그 선택 추가 (3개)
  • 개인화 피드 즉시 노출
• 결과: D1 리텐션 +9%p (28%→37%)

 

생각해보기

산업에서 가장 먼저 수집해야 할 이벤트 3개는?

 

💡산업별 대표 이벤트 예시

• 콘텐츠: 조회수, 체류시간, 공유하기
• 커머스: 가입, 장바구니 추가, 결제완료
• 모빌리티: 설치, 카드등록, 예약시도, 이용완료
• 게임: 튜토리얼 완료, 레벨클리어, 결제

 

3. 전통 마케팅과 데이터 마케팅

비교표

구분	기존 (감/경험 중심)	데이터 기반
의사결정	직관 / 과거 사례 복제	가설 → 데이터 → 검증 루프
타게팅	폭넓은 세그먼트 (20대 여성)	행동 기반 (7일내 장바구니 추가자)
캠페인	일괄 동일 메시지	개인화 / 트리거 메시지
성과 평가	최종 결과만 확인	퍼널 · 기여도로 경로별 진단
조직	부서 분절	데이터 공유로 전사 정렬

 

데이터 기반 의사결정 루프

가설 수립 → 실험 설계 → 데이터 수집 → 결과 분석 → 학습/확대 → (다음 가설)

 

중요한 오해 풀기

• ❌ 잘못된 생각: "데이터가 모든 걸 결정해준다"
• ✅ 올바른 이해: 데이터는 결정권을 대체하지 않는다.

데이터를 해석하고 행동으로 연결하는 리더십이 핵심.

 

 

4. KPI/지표 기초 & North Star

KPI 설정 3단계

1단계: 비즈니스 목표를 문장으로

예: "Q4 매출 20% 성장"

 

2단계: 목표를 구성요소로 분해

매출 = 방문자 수 × 전환율 × 객단가

 

3단계: 각 요소에서 리드 지표 선택

리드 지표: 결과보다 먼저 움직이는 선행 지표
예: 상세페이지 체류 30초 이상

 

North Star Metric

비즈니스의 지속 성장을 가장 잘 설명하는 단일 지표

• 좋은 North Star 조건
  • 고객 가치와 직결
  • 매출/성장으로 연결
  • 전사가 이해 가능
  • 측정 가능하고 자주 확인 가능

서비스 유형별 North Star 예시

서비스	North Star	이유
이커머스	월간 반복구매자 수	재구매가 LTV 반영
구독	월간 구독 유지율	이탈 감소 = MRR 안정
콘텐츠 앱	주간 시청 시간	참여도가 수익 견인
B2B SaaS	주간 활성 계정 수	사용이 갱신 예측

 

실습: 내 North Star 찾기

 

[워크시트 작성]

1. 우리 서비스/제품은?

예: 온라인 클래스 플랫폼

 

2. 내가 생각하는 North Star는?

예: 월간 클래스 완강자 수

 

3. 이를 움직이는 리드 지표 2개는?

① 첫 주 수강 3회 이상
② 진도율 30% 돌파

 

4. 리드 지표를 바꾸는 가설 1개는?

예: 첫 주에 학습 리마인더 푸시를 보내면 수강 빈도가 늘 것이다

 

5. 분석 툴

 

툴 역할별 구분

	행동 분석 툴	웹 분석 툴	실행/메시징 툴(CRM)
이름	Amplitude / GA4 (일부 가능)	GA4 (Google Analytics 4)	Braze / OneSignal
역할	이벤트 기반 퍼널·리텐션·세그먼트	유입 경로, 세션, 소스·매체	세그먼트 타겟팅, 트리거 메시지
언제	"어떤 행동이 전환으로 이어지나?" 분석	"어느 채널에서 들어오나?" 분석	"특정 행동 후 자동 메시지" 발송

 

툴 선택 전 필수 점검

잘못된 접근

"GA4 깔았으니 데이터 마케팅 한다"
→ 이벤트 설정 안 해서 페이지뷰만 보는 중

 

올바른 접근

1. "무엇을 측정할지" 먼저 정의

2. 최소 이벤트 5종으로 시작:
   - 가입/로그인
   - 핵심기능 시작/완료
   - 결제(또는 문의)
   - 이탈 신호
   
3. 툴은 그 다음 선택

 

 

6. 마무리

핵심 요약

1. 데이터 기반 마케팅은 의사결정 방식의 전환
2. 데이터 생애주기: 수집→저장→분석→실행→피드백
3. 차별점: 가설→데이터→검증 루프
4. North Star: 비즈니스 성장을 설명하는 단일 지표
5. 툴 선택: "무엇을 측정할지" 먼저 정의

체크리스트

• 데이터 기반 마케팅의 정의 이해
• 기존 마케팅과의 차별점 파악
• 우리 서비스의 North Star 후보 1개 작성
• 수집해야 할 핵심 이벤트 3개 도출

참고 다이어그램

의사결정 루프

   [목표 설정]
        ↓
   [가설 수립]
        ↓
   [데이터 측정]
        ↓
   [결과 분석]
        ↓
   [학습 & 확대]
        ↓
  (목표로 순환)

 

KPI 트리

       North Star
     (월간 반복구매자)
            |
      ┌─────┼─────┐
      |     |     |
      유입  전환   유지
      |     |     |
    광고  장바구니 재방문
    클릭  추가율   알림

 

툴이 아니라 관심이 성과를 만든다.