지난 주 이야기를 마무리하면서 Actionland는 안타깝게도 가고 싶다고 다 갈 수 있는 곳은 아니라는 언급을 했었다. 이번 주는 그 원인을 알아보고 어떻게하면 Actionland로 진입을 할 수 있는가에 대한 이야기를 해 보겠다.
결론부터 이야기를 해 보자면 Setupland에서 Actionland로 갈 수 있는 가장 중요한 것은 과연 우리 조직이 단순히 Reporting을 하는 조직인가 혹은 한 단계 넘어서 Analysis(분석)을 할 수 있는 조직인가의 문제로 귀결이 된다. 분석을 하는 조직이면, 이미 Actionland에 진입했다고 보아도 된다. 그러면 또하나 궁금한 것은 Reporting와 Analysis의 차이는 무엇인가하는 것이다.
- Reporting은 비즈니스의 특정 영역에서 제대로 비즈니스가 되고 있는지data를 information으로 요약하여 모니터링하는 과정이다.
- 반면, Analysis 는 data과 report에 의미를 도출하기 위해 탐색하는 과정으로, 이 단계의 목적은 비즈니스를 더 잘 이해하고 개선하고자하는 데 그 목적이 있다.
매우 유사해보이는 이 두 과정이 사실은 그 목적과 실제 행해지는 task 그리고 결과물에 따라 매우 다른 차이를 보인다.
Table 2.1 Reporting and Analysis Comparison (Web Analytics Action Hero by Brent Dykes, Page 22)
Reporting은 raw data를 information으로 변환하는 것을 목적으로 하는 반면, Analysis는 data와 information에서 insight를 도출하는 것을 목적으로 한다.
그러므로 Reporting 단계에서 하는 작업들은 data를 만들고, 구축하고, 통합하고, 구조화등의 일들이다. 반면 Analysis 단계에서는 이렇게 만들어진 Report를 가지고 질문하고, 상세히 살펴보고, 해석하고, 비교하는 등의 작업이 일어난다.
하는 작업이 다르므로 결과물 역시 달라진다. Reporting의 결과물은 전형적인 형태의 리포트들과 데시보드, 조건에 따라 프로그램된 Alert 등이 된다. Analysis의 결과물들은 전형적이지 않은 ad hoc 질문들에 대한 답변들, 맥락적 의미로 해석이 된 심도있는 분석 결과 등 숫자 그 내면의 대답들이 된다.
그렇다보니 Reporting의 경우 결과물이 전달되는 방식도 정형화된 리포트나 데시보드를 여러 툴을 통해 자동화된다. 그런데 Analysis의 경우는 그 인사이트에 대한 전달이 되어야 하므로 자동화된 툴이 아닌, 사람 대 사람의 신뢰에 기반한 소통이나 보고 형태로 이루어진다. 여전히 알짜의 정보들은 때로 비정형적인 프로세스로 사람에 의해 전달이 되며 아무리 기술이 발전하는 세상이 온다고 해도 쉽게 변할 것 같지는 않다.
이 표에서 마지막 살펴볼 부분은 이 두 단계는 어떻게 비즈니스적 ‘가치’와 연결되느냐에 대한 논의다. Reporting과 Analysis의 관계는 마치 도미노와 같아서, Data 에 의해 Reporting이 이루어지고, 그 다음 Analysis의 단계를 거쳐서 의사결정이 일어나면 실제로 조직에서는 그에 따른 Action이 일어나고 마지막에 그 가치가 발현이 된다. 이런 일련의 Data> Reporting > Analysis > Decision > Action> Value로 이어지는 일련의 도미노에서 중간에 어느 단계에서라서 제대로 작동이 안되면 결국 우리가 원하는 그 가치가 조직에 현실화되기는 어렵겠다는 것이다.
그러면 Reporting 단계에서 Analysis로 가지 못하는 원인은 무엇인가. 그 주요 원인을 사람에서 찾는데, Reporting 단계에서 벗어나지 못하는 안타까운 사람들을 “Reporting Robot” 이라 부른다. 그런데 사실 이 Robot은 그 개인이 그렇게 되었다기 보다는 조직이 그렇게 만드는 경우가 대부분이다.
Figure 2.3 Most reporting robots didn’t start out as machines; they were shaped by their environment. (Web Analytics Action Hero by Brent Dykes, Page 15)
Reporting robot 이 되는 여러 경우를 보면,
- Capability mismatch : 이 경우는 회사가 분석가의 포지션에 맞지 않는 직원을 고용했을 수도 있고, 혹은 회사에서는 어떤 직원을 고용하거나 그 포지션을 원하는 직원에게 기회를 주었으나 그 직원이 단순히 그 일을 할 만한 역량이 안되는 경우다. 어느 경우든, 역량이 되지 않으니 분석을 하기보다는 열심히 리포트를 만드는 정도의 일을 할 수 밖에 없는 것이다.
- Wrong structure : 이 경우는 회사가 어느 팀에서 이 일을 해야할지 몰라서 잘 뽑아놓은 분석가를 엉뚱한 보스에게 리포트를 하게 한 경우다. 이 경우는 아무리 직원이 역량이 있더라도 본인의 가치를 알아주지 못하는 팀에서 일을 하게 되므로 서서히 리포트만 만드는 직원으로 전락한다.
- Insufficient training : 매우 능력있는 직원이라도 심도깊은 툴을 사용하기 위해서는 지속적인 교육이 필요하다. 그래야 Reporting 하는 업무를 가능한 효율적으로 처리하고 중요한 분석에 시간을 사용할 수 있다. 실제로 많은 고객들이 좋은 툴과 인재를 보유하고 있으면서도 그 능력을 최대로 활용할 수 있도록 지원하지 않거나 혹은 하지 못한다. 이런 경우, 능력있는 인재들이 서서히 Robot이 된다.
- Low bandwidth : 이 경우는 이 업무에 너무 적은 인원들이 일하므로 초래되는 그들의 업무하중이다. 조직 여기 저기에서 Reporting 과 Analysis 에 대한 많은 요청사항들이 오는데 정작 일할 직원은 너무 적어서 시달리는 경우다. 이런 경우라면, 심도깊은 분석을 할 수 있는 직원이라하더라도 엄청난 양의 일을 해내기 위해 Analysis를 위해 심도 깊게 고민할 시간에 열심히 리포트를 만들어내는 Robot이 되고 만다.
- Conflicting Priority : 이 경우는 거의 모든 디지털 분석가가 현실적으로 가지고 있는 문제인데, 분석의 업무 이외에 다른 마케팅 업무를 하는 경우에 발생하는 업무에 있어서의 우선 순위에 대한 문제다. 내일까지 완료해야 하는 분석 리포트 열심히 보고 있는데 당장 내일 아침에 사장님 보고자료를 만들라는 팀장님의 업무지시를 받는다면, 우선 순위에서 밀리는 이 분석리포트는 진정 분석의 리포트가 아닌, 어느 정도 수준에서 만족할 아마도 그저 그런 수준의 리포트 정도로 정리가 될 가능성이 높다. 이런 일이 자주 반복이 되면, 이 직원 역시 자연스럽게 Reporting Robot이 된다.
그러면 이 Reporting Robot을 구해줄 방법은 없나. 이 조직은 계속 Setupland에 머물러야 하는가. 이 책에서 조언하는 Reporting Robot을 구하는 방법을 살펴보자.
- 자동화할 수 있는 리포트는 가능한 모두 자동화해라 : 이 방법을 통해서 리포트를 만드는데 많은 시간과 노력을 소모하는 많은 분석가들이 분석을 위해서 시간을 더 투자하도록 도와줄 수 있다.
- 리포트에 가능한 인사이트를 많이 포함하는 시도를 해라 : 예를 들면, 이 숫자의 이면에 어떤 맥락이 존재하는지 (context), 특히 이 데이터에서 발견한 그 무엇이 있었는지(insight) 그래서 이 정보로 무엇을 향후에 할지(action) 를 리포트에 포함하는 시도를 통해서 데이터의 해석에서 이 데이터를 가지고 행동하는 단계로 넘어갈 수가 있다.
- 리포팅의 악순환을 깨라 : 일상적으로 robot 같이 일하던 악순환의 고리를 끊어야 하는데, 예를 들면 분석하는 팀에서는 모든 요구사항을 수동적으로 받아주는 대신, 다른 조직들이 어떤 Reporting 과 Analysis의 요구사항이 있는지를, 정형화된 질문지를 통해서 자문하게 하여 혹은 요구사항이 분석팀에서 할 만한 가치있는 업무인지 검증하는 내부적인 프로세스를 가동하여, 분석가들이 사소한 Reporting 의 업무에 소진되는 일이 없도록 한다.
이 모든 것이 가능하게 하기 위해 회사는 Right people을 고용하여 그들이 분석가로서 성장하도록 지원하고 맞는 조직에 연결시켜야하고 , 회사와 직원 모두 비즈니스 요구사항에 적합한 조직과 인재가 되도록 준비하는 노력(Right preparation) 이 필요하다. Data-driven 문화를 만들기 위해 가장 중요한 부분은 조직 스스로가 분석을 위한 Right question을 할 수 있어야한다. 예를 들면 우리 조직에서 가장 문제가 있는 부분은 어디고 , 우리가 직면한 비즈니스 문제는 어떤 것이며, 우리가 원하는 결과는 무엇이며, 궁극적으로 우리가 정의하는 조직의 성공은 무엇인가 같은 것이다.
왠지 이 모든 이야기는 디지털 분석에만 국한되는 주제는 아닌 듯 하지 않은가. 어렵게 간 Actionland 역시 Fantasyland는 아닐 것이다. 이 Actionland를 제대로 유지하기 위해서는 무엇보다 사람이 중요하다. 다음 주는 ‘사람- Action Hero’ 가 어떻게 만들어지는가에 대한 이야기를 해보도록 하자.