거래액이나 이용자 수처럼 마케터가 주로 확인하는 데이터뿐 아니라, 특정 프로모션이나 상품이 지표 변화에 어떤 영향을 미쳤는지까지 분석해 팀의 의사결정을 지원하고 있습니다. 또 반복적으로 확인해야 하는 지표는 대시보드로 만들고, 데이터를 쉽게 찾고 활용할 수 있도록 테이블과 컬럼을 정리하는 일도 함께 하고 있어요.

Q. 마케팅 업무를 하시면서 직접 데이터를 분석해야겠다고 생각한 계기는 무엇인가요?

마케팅 프로모션을 기획하고 실행한 뒤에는 결과 데이터를 살펴보는데요. 어느 순간부터 좀 더 깊이 들여다보고 싶다는 생각이 들었어요. 어떤 고객이 구매했는지, 특정 프로모션이 실제 고객 행동에 어떤 영향을 주었는지까지 확인하고 싶었죠.

하지만 자세한 분석을 하려면 데이터 조직에 원데이터를 요청해야 했어요. 데이터를 받기까지 일주일 이상 걸리는 경우도 있었고, 데이터를 살펴보다 새로운 궁금증이 생기면 추가 자료를 다시 요청해야 했습니다. 이런 과정을 반복하다 보니 정작 의사결정하고 실행해야 할 시점을 놓치는 경우도 있었고요. 필요한 데이터는 직접 추출하고 분석할 수 있어야겠다는 생각이 들어, 본격적으로 SQL을 배우기 시작했습니다.

지금은 A와 B 중 어떤 이벤트를 진행할지 고민되면, 참여 고객의 구매 금액대를 바로 확인해 의사결정에 필요한 결과를 빠르게 공유해요. 덕분에 분석부터 의사결정, 실행까지 훨씬 속도감 있게 진행할 수 있게 됐습니다.

인터뷰 이후 케이님은 SQL을 직접 활용하는 데서 한 걸음 더 나아가, 직접 정리한 SQL Dictionary를 AI에 학습시켜 업무에 활용하고 있다고 해요. 테이블과 컬럼뿐 아니라 JOIN key, 주요 지표의 정의와 산출 공식까지 함께 정리해 두니 AI가 훨씬 정확한 SQL을 만들어준다고 합니다.

최근에는 회사에서도 분석 역량을 인정받아 Growth Marketing TF를 맡게 되셨다는 반가운 소식도 전해주셨어요. SQL을 기반으로 업무의 영역을 계속 넓혀가고 있는 케이님에게 또 어떤 좋은 소식이 찾아올지 기대해 봅니다. 케이님의 더 자세한 이야기는 아래 인터뷰 글 전문에서 확인해 주세요 :)

• SQL 활용 능력은 물론, 클로드/코덱스를 이용한 데이터 분석 경험이 있는 분을 찾고 있어요.

• 매출, 퍼널, 고객 세그먼트 등 핵심 비즈니스 지표를 분석하고 데이터를 바탕으로 사업 의사결정을 지원하는 포지션이에요.

• SQL 분석뿐 아니라 A/B 테스트 설계, 대시보드 운영 등 프로덕트 분석 전반의 경험을 요구하는 포지션입니다.

• SQL을 활용해 복잡한 데이터를 분석하고, 비즈니스 문제를 진단하고 해결하는 역할입니다.

• SQL과 Excel을 활용해 복잡한 데이터를 분석하고, 비즈니스 문제를 진단하고 해결하는 역할입니다.

간단한 캠페인 하나에도 여러 직무 간 소통이 필요했고, 그 과정에서 적지 않은 시간과 공수가 들었습니다.

문제는 이게 끝이 아니라는 점입니다. 추출된 타겟 유저 리스트는 그 시점에 고정되어 있지만, 유저들의 활동은 계속 변합니다. 시간이 지나면서 일부 유저는 금세 타겟 조건에서 이탈하고, 어떤 유저는 새로 타겟에 해당하게 됩니다. 그러면 타겟 유저 리스트를 주기적으로 업데이트해야 하는데, 그때마다 위의 과정을 전부 다시 거치거나, 아니면 이미 낡아버린 타겟 유저군을 그대로 사용하는 리스크를 안아야 했습니다.

UB팀은 이 프로젝트에서 데이터와 개발뿐 아니라 여러 팀 사이의 소통을 조율하고 일정을 관리하는 PO 역할까지 맡았습니다. 그렇게 만든 오디언스 빌더는 지금 실제 캠페인 운영에 쓰이고 있습니다. 준비하는 데 2~3일이 걸리던 캠페인을 10분 안에 마칠 수 있게 됐고, 여러 담당자가 요청과 답을 주고받으며 진행하던 일을 마케터 한 사람이 처음부터 끝까지 준비할 수 있게 됐습니다. 

AI 에이전트가 코드를 대신 써주는 시대에 비개발자가 개발을 맡는 일은 앞으로 더 흔해질 겁니다. 다만 그럴수록 무엇을 만들지에 대한 확신, 시스템이 실제로 어떻게 동작하는지에 대한 이해, 그리고 사용자가 어떻게 쓰는지에 대한 관찰은 인간이 쥐고 있어야 한다는 것이 이 프로젝트를 통해 얻은 가장 큰 깨달음이었습니다.

AI 활용 능력이 점점 중요해지는 요즘, 우리가 해결해야 하는 문제를 정의하고 적절한 데이터를 활용하게 하는 도메인 지식은 데이터 분석가에게 더욱 중요한 역량이 되지 않을까 생각합니다. 블로그 글 전문에서는 오디언스 빌더의 자세한 아키텍처부터, 빌더를 분석 도구로 발전시키고 있는 과정까지 만나보실 수 있어요. 

“넵! 확인 후 전달 드리겠습니다!”라는 말은 데이터 분석 온콜 당번을 서면 하루에도 몇 번씩 하는 말이에요. 미리디는 ‘데이터를 근거로 일하는 방식’이 자연스러운 문화라, 온콜에게는 정말 다양한 요청이 들어오거든요.

* 온콜(on-call): 팀에 들어오는 요청을 순번대로 받아 처리하는 당번 역할

이 과정이 길어질수록 데이터를 찾는 동료는 계속 기다려야 하고, 저는 원래 하던 목표 조직의 업무를 멈춰야 했어요. 짧게는 20분, 길 때는 30분 이상 데이터를 찾는 데 시간을 소비해야 했던 거죠.

데이터 분석을 하다보면 생각보다 많은 시간을 SQL 쿼리를 읽고 수정하는 데에 쓰게 됩니다. 문제는, 내가 작성한 쿼리라도 시간이 지나면 그 맥락을 다시 파악해야 하고, 다른 사람이 작성한 쿼리라면 맥락을 이해하는 데에 휠씬 더 많은 시간이 필요하다는 점입니다.

이렇게 반복되는 쿼리 작업 때문에 고민하고 계신다면, 이번 미리디의 사례처럼 AI를 활용해 문제를 해결해 보세요. 반복 업무에 드는 리소스를 줄여 문제를 고민하고 데이터를 해석하는 데에 더 많은 시간을 쓸 수 있을 거예요. 더 자세한 미리디의 실무 사례는 블로그 글에서 만나보세요!