안녕하세요?
이번에는 저와 세 명의 팀원이 함께 했던 데이터 프로젝트를 소개하려고 합니다.
이 프로젝트는 메인 프로젝트에 달린 미니 프로젝트인데요.
원래 메인 프로젝트는 B2B 마케팅∙영업 퍼널 데이터를 분석해 영업 효율을 높이는 프로젝트였습니다.
분석을 하면서 '차라리 이런 데이터들을 수집해보는 것은 어떨까?'라는 생각으로 DB 재구성을 연구했습니다.
쉽지 않기도 했고 한계도 많았지만 데이터 분석의 근본인 '수집'에 대해 생각해볼 수 있는 뜻깊은 시간이었는데요!
이 과정을 공유하려고 합니다.
✅ 목차
1. 배경 : Olist의 계약 전환율을 높이고 싶었는데, 원인 변수가 너무 없음.
2. 문제 : Olist의 전환 단계에 영향을 미치는 원인 변수를 다양하게 고려하고 싶어.
3. 해결 방안 : Olist의 마케팅 퍼널을 다시 정의해보고, 데이터 구조를 만들어 보자.
4. 기대 효과와 한계
5. 마치며
1. 배경
우리는 Olist 마케터, 영업팀에게 도움이 되는 인사이트를 제공하는 것이 목표였습니다 (이 목표는 3번에서 자세히 설명합니다). 그 과정에서 고려했던 점과 한계는 무엇이었는지 설명합니다.
1) 프로덕트부터 알아보자 : Olist와 Olist Store
Olist는 브라질 내 마켓플레이스를 중개해주는 B2B SaaS(Software as a Service)입니다. 크런치베이스에서는 Olist를 "SMB commerce enabler ecosystem" 이라고 소개해주고 있는데요. 쉽게 말하면 중소 규모의 비즈니스를 하는 사업자들이 이커머스를 원활하게 활용할 수 있도록 지원하는 시스템인 셈입니다.
온라인에서 상품을 팔기 위해서는 아마존이나 11번가, 쿠팡과 같은 마켓플레이스가 필요합니다.
사용자들에게 상품을 잘 노출하려면 여러 마켓플레이스에 상품을 등록하고 관리할 일이 생기는데요.
이 과정에서 발생하는 페인포인트를 해결하는 것이 Olist가 하는 일입니다.
그렇다면 Olist가 어떤 비즈니스 가치를 만들고 확장하려 하는지 자세히 보겠습니다.
1️⃣ 고객 : SMB 사업자 (Small-Medium Business)
브라질 내 중∙소 규모 사업자(제조사, 리셀러들을 모두 포함합니다)가 대상입니다. 특히 온라인 판매에 익숙하지 않은 사용자가 주 타겟입니다. 대기업이야 인력이 많으니 온라인 비즈니스를 운영하는 데 큰 문제가 없지만, 우리와 같은 개미들에게는 상품을 등록하고 판매하는 것부터가 큰 장벽입니다.
2️⃣ 페인 포인트 : 마켓플레이스 등록부터 관리까지 복잡하다 복잡해
2016년 브라질의 이커머스 시장은 여러 마켓플레이스가 공존하고 있었습니다. 파편화된 시스템 때문에 판매자가 되기도, 비즈니스를 관리하기도 버거웠죠. 셀러들은 주요 마켓플레이스에 상품을 노출시키기 위해 7개의 다른 관리 시스템을 이용해야 했고요. 주(state) 마다 다른 세법도 고려해야 했습니다. 무려 27개 주의 법입니다.
3️⃣ 해결책 : Olist Store로 마켓플레이스 등록 부담을 줄이자.
Olist는 우선 복잡한 상품 등록 과정을 줄여 셀러들의 고통을 줄였습니다. Olist store라는 단 한 개의 시스템으로 말이죠!
①Olist Store에 상품을 등록하면 Olist가 등록이 잘 됐는지 알아서 확인해주고 ②여러 마켓플레이스에 상품도 등록해 줍니다.
쉬운 셀러 경험은 Olist 가입자를 끌어들일 매력적인 포인트가 되었습니다.
4️⃣ 생태계 확장 : Olist 생태계에선 무엇이든, 셀러가 만드는 비즈니스 효과
Olist는 마켓플레이스 등록(Olist Store)이라는 MVP부터 시작했습니다. 하지만 Olist 생태계에 들어온 셀러는 무한한 비즈니스 가치를 지닙니다. Olist도 이걸 놓치지 않았습니다. 셀러의 이커머스 운영에 대한 '엔드 투 엔드' 서비스를 제공하는 것인데요. ① 이커머스 (Olist Store, Vnda), ② 물류 (Olist Pax), ③ 금융 (Olist Credit, Olist Pay), ④ 운영 관리(Tiny) 로 사업을 확장했습니다.
한번 Olist 생태계에 들어온 셀러에게 다른 솔루션을 묶어 묶어 큰 사이즈로 판매할 수 있게 된 거죠!
5️⃣ Olist의 과제는 셀러 유입과 핵심 프로세스(등록과 판매) 경험이 아닐까!
Olist는 브라질의 셀러들이 이 생테계에 들어와 플랫폼 내에서 활발히 활동해 주기를 바랄 겁니다.
그러니까 Olist가 완수해야 하는 주요 미션은 이런 것이겠죠.
① 셀러 유입(Seller Acquisition) : Olist 생태계에 셀러가 들어오게 해야 합니다.
② 셀러 유지와 추천 (Seller Retention & Referrel) : 셀러가 Olist 플랫폼의 핵심 가치를 경험하도록 실질적인 유인을 제공해야 합니다. Olist에 상품을 등록해보고 판매까지 하면 그 가치를 느낄 수 있을 겁니다. Olist Store를 비롯한 연관 서비스를 이용하며, 자발적으로 홍보까지 할 수 있으면 금상첨화입니다.
2) 우리의 목표 : 셀러를 더 많이 유입하려면 어떻게 해야할까?
우리는 두 가지의 미션 중 ① 셀러 유입 문제를 해결해보기로 했습니다. 마케팅 및 영업 전략에 따라 셀러가 더 많이 유입될 수 있고, 유입된 고객은 서비스에 락인될 것이라는 전제를 걸었습니다.
셀러들은 7 단계에 걸쳐 Olist Store에 유입되고, 상품을 판매합니다.
우리는 셀러가 Olist와 계약하기까지 영향을 주는 요소를 찾아 문제를 해결하려고 했습니다.
3) 한계 : 그런데 말입니다..
그런데 퍼널 단계를 구성하는 과정에서 어려움에 부닥쳤습니다. 이유는 생각보다 쓸 만한 DB가 없었기 때문입니다(핑계 맞습니다 🥲🥲).
셀러가 Olist 웹페이지에 유입되는 순간부터 상품을 판매하기까지 7단계가 있는데, 이 중 활용 가능한 테이블은 최대 4개였습니다. 그 중 셀러 계약 전환과 관련된 테이블은 2개였고요. 그 테이블 안에서도 속성이 잘 정의되지 않았죠.
테이블을 가지고 일단 퍼널 단계를 만들었지만 아쉬움이 남았습니다. 각 단계 별로 셀러의 상태나, 계약에 영향을 주는 속성들을 더 잘 파악할 수 있을 것 같았습니다.
2. 문제
어떤 게 아쉬울까? 이 문제를 조금 더 깊이 파보기 위해 문제를 정의하고, 세부적으로 어떤 문제가 해결되어야 하는지 정리해봤습니다.
1) 누구에게, 왜 중요한 문제일까?
누구에게 중요할까? : Olist 영업팀과 마케팅팀
영업 프로세스를 효율적으로 운영하고 싶습은 영업팀과 마케팅팀에게 중요한 문제입니다.
왜 중요할까? : 퍼널에 영향을 주는 정확한 원인 변수와 전략을 구체적으로 파악하기 위해
영업팀과 마케팅팀은 영업 프로세스를 효율적으로 운영하고 싶습니다. B2B 마케팅∙영업 퍼널에 영향을 주는 원인 변수를 파악하고, 셀러 유입에 필요한 구체적인 전략을 알고 싶을 것입니다.
뭐가 문제일까? : 현재 테이블 만으로는 원인 변수를 파악하기 어렵다.
현재 테이블로는 영업 전환 단계나, 전환에 영향을 주는 세그먼트를 파악하기 어렵다.
2) 어떤 문제를 해결해야 할까?
1️⃣ 전환 단계가 구체적이어야 한다.
영업으로 전환되는 과정은 중요하다.
잠재 판매자를 '리드'라고 하겠습니다. 이 리드가 랜딩 페이지에 가입했다는 건 Olist Store에 큰 관심을 가지고 있다는 것입니다. 본인의 연락처나 사업자 번호 등의 정보를 제공해야 하기 때문이죠.
따라서 이때부터는 영업 부서에서 관심을 가지기 시작합니다. 한낱 리드였던 사용자는 MQL(Marketing Qualified Lead)로 승격합니다. 영업 개발 담당자가 연락해 스케줄링을 잡아주고, 영업팀에서 판매자와 컨설팅을 하며 공 들이죠. 그만큼 영업으로 전환되는 과정은 중요합니다.
어떤 리드가 영업으로 전환하는 건지 알 길이 없다.
그런데 Olist 데이터셋에는 가입한 리드(MQL) 데이터만 있습니다..! Olist 웹페이지에 유입된 사용자 중 얼마나 영업 대상으로 전환하는지 전환율을 파악할 수 없고, 유입된 사용자가 어떤 특성을 지녔는지 알 수 없습니다. 전환 단계가 더 구체적이라면, 최종 계약 성사에 영향을 주는 요소를 단계 별로 확인할 수 있지 않았을까 아쉬움이 남는 이유입니다.
2️⃣ 전환율에 영향을 주는 세그먼트 기준이 더 다양해야 한다.
영업 대상자가 된 리드(MQL)에게는 영업 전담 담당자(SDR, SR)가 붙습니다. 컨설팅 과정을 통해 이 리드의 사업 유형이나 비즈니스 규모 등 다양한 정보를 받게 되죠. 하지만 저희가 가지고 있는 테이블에 부족한 속성이 있었습니다. 따라서 셀러 계약 전환율에 영향을 주는 요소를 파악하기 어려웠죠.
| 데이터 | 속성 | 특성 | 있었다면 어땠을까! |
| 날짜 데이터 | 가입일 (전환 시점) | 없는 속성 | 리드타임(가입 이후 영업사원이 첫 연락하기까지의 기간)이 계약 체결에 영향을 주는 요소인지 파악했을 것 |
| 영업 담당자 데이터 | 영업 개발 담당자 (sdr_id) 세일즈 대표 (sr_id) | 엉뚱한 테이블에 있음 | 어떤 영업 담당자가 계약 체결에 영향을 주는지 파악할 수 있었을 것 (영업 담당자 별 전환율 비교) |
| 리드의 맥락 데이터 | 비즈니스 세그먼트 비즈니스 타입 월 예상 수익 회사 여부 등 |
엉뚱한 테이블에 있음 | 비즈니스 세그먼트, 월 예상 수입 등 리드가 가진 비즈니스 배경이 계약 체결에 영향을 주는 요소인지 파악했을 것 |
| 영업 정보 | 세일즈 대표 (sr_id) 영업 이벤트 (컨설팅, 협상, 데모 보내기, flyer 전달) 영업 이벤트 발생일 |
없는 속성 (데이터셋 없음) |
영업 당시 어떤 활동을 했는지 전혀 알 수 없었다. 영업 활동에 대한 정보가 있다면 이런 걸 알 수 있지 않았을까? 영업 사원이 어떤 영업 관련 이벤트를 했는지, 영업 횟수나 기간에 따라 계약 체결에 영향을 주는지 영업 담당자가 계약 체결율이 높은 이유는 무엇인지 등 |
3️⃣ 세그먼트가 잘 구분되어야 한다.
또 다른 문제점은 테이블의 각 속성이 잘 구분되지 않았던 건데요. 결측치가 너무 많거나 표현이 애매해서 유용한 세그먼트로 사용할 수 없었습니다.
- 마케팅 유입 채널의 경우, 기타값 구분 기준이 모호하여 해당 값의 의미를 파악할 수 없었다. (mql 데이터셋)
예 : other, other_publicities, unknown 은 무엇이 다른 걸까? - 유입 채널이 세분화 되지 않아 구체적인 채널 이슈를 확인할 수 없었다.
예 : social에는 어떤 채널이 있는 걸까? (Facebook, instagram, Twitter 등 채널에 따라 마케팅 전략이 다를 수 있다)
3. 해결 방안
어떤 문제를 먼저 해결해야 할까요? 데이터셋 문제를 풀기 위해 먼저 테이블을 다시 정의해보고, 정의한 내용과 과제에 따라 테이블을 재구성해봤습니다.
1) 테이블을 다시 구성하자.
1️⃣ 전환 단계를 다시 정의하자 .
지금 테이블에서는 '셀러 계약 전환(Olist와 계약까지 간)'만 파악할 수 있습니다. 이것만 가지고는 랜딩 페이지나 유입채널의 효과를 간접적으로 측정할 수밖에 없는데요. '영업 전환' 구간을 추가한다면 어떻게 될까요?
- 1.리드가 Olist 랜딩 페이지에 유입되는 시점부터 4.셀러 계약을 할 때까지 모든 과정의 전환율 (전체 계약 전환율)을 확인할 수 있습니다.
- 1.리드가 Olist 랜딩 페이지에 유입되어 2. 랜딩 페이지를 가입할 때까지의 전환율 (영업 전환율)을 확인할 수 있습니다.
2️⃣ 셀러 상태를 다시 정의하자.
현재 Olist가 보유하고 있는 데이터셋에서는 셀러 상태를 두 가지로 규정합니다(사실 세 가지이지만 복잡한 설명은 제외합니다).
- MQL(Marketing Qualified Lead) : Olist 랜딩페이지로 유입된 사람 중 가입까지 완료한 사람.
- 셀러 (Contracted Seller) : 영업 결과 Olist와 스토어 계약을 맺은 사람.
B2B 마케팅∙영업 퍼널에서는 MQL과 고객(Olist로 말하자면 고객이죠) 외에도 다른 단계들이 있습니다. 리드(Lead), SQL(Sales Qualified Lead)와 같은 단계들*입니다. 이 단계들은 Olist에 유입된 사람들이 제품에 얼마나 관심을 갖고 있는가에 따라 나뉘는데요. 단순히 지켜봐야 하는 사람은 마케팅팀에서 관리하고(MQL), 계약 가능성이 높은 사람(SQL)은 영업팀에서 담당하는 방식입니다.
Olist가 특이했던 점은 영업팀이 담당하는 대상들이 MQL로 지정되어 있었던 것입니다. 그렇다보니 두 가지 페인 포인트가 있었습니다.
- 셀러 상태를 규정하는 단계가 적습니다.
- 웹페이지에 들어온 사람들 중 '고객이 될 가능성'을 판별하기 힘듭니다.
이 문제를 해결하기 위해 B2B 마케팅 퍼널을 참조해보기로 했는데요. 우리도 셀러의 상태를 네 가지로 규정해 보고, 단계 별로 사람들을 배치해보기로 한 것입니다.
정리를 하면 이렇게 할 수 있겠네요!
- 일단 랜딩 페이지를 통해 유입된 사람들은 모두 리드(Lead)라고 부르겠습니다.
- 리드들 중 마케터들이 관심 있어하는 행동을 보이는 사람들을 집중 마케팅 대상(MQL)으로 분류할 수 있습니다. 관심 밖 대상에 비해 계약에 유의미한 영향을 미칠 사람들이니, 마케팅팀에서 전략을 집중 실행할 수 있습니다. 분류 방식은 집계나 점수화(MQL Scoring)을 적용합니다. 여기서 점수화란 MQL을 판단할 수 있는 하나의 지표를 만드는 것을 말합니다.
- 리드 중 영업팀이 원하는 행동(랜딩 페이지 가입)을 하는 사람들을 집중 영업 대상(SQL)으로 분류합니다. 이때부터는 영업팀이 개입하게 되고, 영업 전략이 들어갑니다.
- 집중 영업 대상(SQL)이 컨설팅 과정에서 Olist와 계약을 체결하면 그들은 우리의 고객(Seller)이 되는 것입니다.
이렇게 셀러의 단계를 구체적으로 설정하면, 각 단계 별로 필요한 액션을 취하기 쉽고 데이터도 정교하게 쌓을 수 있습니다. 관심 없는 모든 대상에게 마케팅 자원을 낭비하지 않고, 꼭 필요한 사람에게만 집중해 효율적일 수 있죠.
3️⃣ 전환 단계와 셀러 상태를 잘 설명하는 데이터로 재구성 해보자
마지막으로 전환 단계와 셀러 상태를 설명할 수 있는 5개 데이터셋 (로그 데이터 테이블 1개, 영업 이벤트 테이블 1개, 셀러 상태를 나타내는 유저 마스터 테이블 3개)을 구성했습니다. 아래의 데이터셋 구성 조건을 따랐습니다.
📌 데이터셋 구성 조건
∙아쉬웠던 분석 문제를 해결할 수 있어야 한다.
∙Olist 웹사이트 내 이벤트를 모두 보여줄 수 있는 테이블을 넣는다. (olist_log)
∙영업 활동을 보여주는 테이블을 넣는다 (sales).
∙단계 별 셀러 상태를 보여주는 ‘유저 마스터 테이블’을 넣는다 (lead, sql, cd).
∙전환율을 비교할 수 있게
∙테이블에 꼭 필요한 정보만 넣어 효율성을 높인다 (중복을 최대한 피해보자)
각 테이블은 이런 의미를 가지고 있습니다.
| 테이블 | 종류 | 의미 |
| olist_log | 로그 데이터 테이블 (행동 데이터) |
olist 페이지에 들어온 리드들의 로그를 기록한 테이블 |
| sales | 트랜젝션 데이터 테이블 (업무 데이터) |
영업 활동 내역을 기록한 테이블 |
| lead | 유저 마스터 테이블 (업무 데이터) |
리드의 정보만 모아놓은 테이블 (랜딩페이지에 들어온 모든 리드)로, MQL 스코어링*을 매겨 유저가 MQL인지 여부를 판별할 수 있음 *MQL 스코어링 예시 = 다운로드 수 * 0.4 + 방문 횟수 *0.6 |
| sql | 집중 영업 대상자의 테이블 (리드 중 랜딩 페이지에 가입한 사람은 SQL로 전환되어 sql_id를 부여받음) 영업 과정에서 받게 되는 SQL의 정보들을 여기에 표기하게 되면, 어떤 세그먼트 유형의 사람이 계약에 성공할 가능성이 높은지 파악할 수 있음 |
|
| cd | 계약 체결 된 셀러의 테이블 (셀러로 전환되어 seller_id가 붙는 것을 알 수 있다) |
테이블의 세부 컬럼 정의는 아래 이미지를 참고하시면 됩니다.
2) 데이터 값을 써먹을 수 있을 만큼 분명하게
세그먼트를 구체화할 수록 분석 결과는 구체적입니다.
데이터는 완결성 있게 수집하고, 세그먼트 구성에 있어 모호함이 없도록 해야 합니다.
1️⃣ '필수' 입력 옵션을 넣어 결측값을 최소화하자.
셀러의 비즈니스 타입, 회사 여부 등등 셀러를 규정지을 수 있는 속성들이 많았는데요. 이 속성 중 결측값이 많아 제대로 사용할 수 있는 컬럼이 얼마 없었습니다. 어떤 이유 때문일까요?
Olist에 따르면 영업 과정에서 잠재 셀러(리드)는 영업 담당자에게 본인의 사업에 대한 다양한 정보를 전달합니다.
이때 작성하는 설문 폼에서 선택 항목이 많다보니, 귀찮은 정보를 다 적지 않고 제출할 수 있습니다.
반드시 활용해야 하는 속성들을 필수로 입력받게 한다면 대량 결측을 막을 수 있지 않을까요?
2️⃣ 세그먼트를 구성할 때는 구분을 분명하게 한다.
세그먼트를 구성할 때도 구분 기준을 세분화 하면 더욱 구체적인 정보를 얻을 수 있습니다.
예를 들어 마케팅 채널의 경우 'social'으로 뭉뚱그리는 것보다 'social_fb(페이스북)', 'social_ig(인스타그램)', 'social_twt(트위터)' 등으로 쓸 수 있죠.
중복과 누락 없는 세그먼트를 구성할 필요도 있습니다. 그리고 구성한 세그먼트에 대해 누구나 이해할 수 있도록 각 의미를 팀원들에게 공유할 필요도 있습니다.
예시 :
| 채널 | 채널 의미 | 대안 |
| unknown (경로 불분명) | 기획 시 태그하지 못한 경로로 유저가 진입하는 케이스 | - olist의 경우 unknown이 MQL 유입 채널에서 차지하는 비중이 13.74%로 높음. - unknown의 원인을 최대한 추적하여 유의미한 세그먼트로 분리해야 함 |
| other (기타 경로) | olist가 중요하지 않다고 판단한 경우 other로 표기 | - 어떤 경로를 other에 표기했는지와 중요하지 않다고 판단한 이유를 적어 공유 |
| other_publicities (기타 홍보 채널) | Olist 데이터셋에서 언급된 모든 채널 (social,organic_search, paid_search, direct_traffic, email, referral, display)외의 다른 항목을 의미하는지, 특정 그룹(홍보와 관련된 채널 그룹)에서 다른 채널을 의미하는지 알 수 없음 | - 기타가 아닌 홍보 채널은 어떤 것을 의미하는지, other와는 어떤 차이가 있는지 명확히 표시 |
4. 기대 효과와 한계
1) 기대 효과
기존의 데이터 테이블을 변경함으로써 얻는 효과를 다음과 같이 정리해볼 수 있습니다.
- 계약 달성까지 영향을 주는 요소를 단계 별로 파악할 수 있습니다 (영업 전환, 셀러 계약 전환).
- 마케팅 자원을 필요한 대상에 집중할 수 있습니다(MQL에만 마케팅 자원을 집중).
- 어떤 영업 활동이, 어떤 영업 담당자가 계약 체결에 영향을 주는지 파악할 수 있습니다.
예시를 들어보면 이런 문제들을 해결할 수 있지 않을까 생각했습니다(수치는 모두 예시임을 감안해 주세요)
영업 전환율 구하기 (셀러 계약 전환율 이전 단계)
영업 전환율 = sql 수 / 리드 수 X 100(%)
| 랜딩페이지 진입 | 첫 컨택 | 셀러 계약 체결 | 영업 전환율 | 셀러 계약 전환율 | 전체 전환율 |
| 250000 | 8000 | 842 | 3.20% | 10.53% | 0.34% |
MQL과 Non-MQL의 영업 전환율과 셀러 계약 전환율 비교하기
실제로 MQL이 Non-MQL에 비해 높은 영업, 셀러 계약 전환율을 보일지 확인해볼 수 있습니다.
회원 가입 후 얼마나 빨리 대응해야 셀러 계약 전환율이 높을까?
리드가 랜딩페이지에 가입해 SQL이 되면 리드에게 첫 연락이 갑니다. 이때 가입 시점(signup_date)과 첫 컨택 시점(first_contact_date) 사이에 걸린 시간에 따라 셀러 계약 전환 여부가 달라지는지 확인해볼 수 있습니다.
예를 들어 걸린 시간(첫 컨택 시점 - 가입 시점의)이 짧을 수록 셀러 계약 전환이 잘 된다면, 영업 전략으로 가입 후 최대한 빨리 컨택하는 방안을 제안할 수 있습니다.
어떤 영업 담당자 조합에서 셀러 계약율 전환율이 높을까?
리드가 랜딩페이지에 가입해 SQL이 되면 리드에게 첫 연락이 갑니다. 이걸 담당하는 사원(SDR)이 있고, 실제로 컨설팅을 하며 영업을 시도하는 사원(SR)이 있습니다. 어떤 사원이 담당하는 지에 따라 셀러 계약 전환율이 달라질 수 있을 텐데요.
셀러 계약 확률이 높은 사원들을 함께 배치하면 영업 성과가 더 좋아질 수도 있을 것입니다.
2) 한계
저희는 이번 프로젝트를 하며 테이블을 다시 한번 규정해보고, 재구성한 데이터로 어떤 결과를 얻을 수 있을지 생각해 보았습니다.
하지만 재구성 과정에 한계도 많았습니다. 이렇게 하는 게 과연 최선의 방향일까 하는 점도 고민거리였는데요.
어떤 부분에서 아쉬운 점이 있었는지도 함께 공유하겠습니다.
1️⃣ 정교한 분석과 관리 비용의 트레이드 오프
정교한 데이터 분석을 하려면 더 꼼꼼한 데이터 수집이 필요합니다. 그런데 이렇게 많은 테이블 데이터를 얻을 필요가 있을까 생각해봐야 합니다. 이유는 '비용' 때문인데요. 관리하는 데이터 수가 많을 수록 DB 복잡도가 높아집니다. 그리고 관리 비용도 증가할 수밖에 없습니다.
모든 데이터가 인사이트가 되면 좋겠지만, 현실적으로는 정말 필요한 범위 내에서 수집하는 것으로 타협을 해야 합니다.
이 과제를 하고 나서 기업 마다 그 데이터베이스를 써야 하는 환경과 사정은 각각 다르다는 피드백을 받았었는데요.
데이터 베이스를 구성할 때 기업의 내부 사정(비즈니스 상황, 예산 제약, DB 인력, 기술적 한계)을 고려해야한다는 점을 배울 수 있었습니다.
2️⃣ 쓸 데 없는 속성에 대한 고민들
테이블을 재구성하는 동안 속성에 대한 고민을 할 수밖에 없었습니다. 예를 들어 로그 테이블(olist_log)에 있는 'origin' 항목이 리드(lead) 테이블에도 들어가야 하는 걸까와 같은 고민입니다.
∙로그 테이블에 어차피 기록되는 정보를 굳이 리드 테이블에 가져와야 할까? 비효율적이지 않을까?
∙리드 테이블에 'origin'이 없는 게 더 비효율적인 건 아닐까? 리드 테이블만 가져오면 될 것을 로그 테이블과 조인해야 하니까 불편하지 않을까?
5. 마치며
이번 프로젝트는 Olist의 B2B 마케팅∙영업 프로세스를 이해하고, 데이터 수집에 대해 기획해보는 기회가 되었습니다. 생각만 해봤던 가정을 실제로 실행에 옮겨 보고, 팀원과 함께 머리를 쥐어짜며 생각해볼 수 있는 시간이었습니다.
무엇보다도 데이터베이스를 구성하는 것이 실제로는 매우 복잡한 의사결정 과정이라는 점을 배울 수 있었습니다.
단순히 분석을 위해 데이터베이스를 짜는 것뿐만이 아니라 기업과 프로덕트의 여러 맥락을 고려해야 하고, 기술적인 한계도 생각해야 하며, 협업도 많이 해야한다는 것을 깨달았습니다.
해보기 전에는 쉬워보이지만, 해보면 쉽지 않다는 만고의 진리도요.!
데이터 엔지니어분들께 항상 감사하는 마음을 가지며 마무리하겠습니다.
감사합니다.
알려드립니다.
- 이 프로젝트는 네 명의 팀원이 함께 수행했습니다.
- Olist의 마케팅 퍼널 데이터는 옆의 링크에서 확인하실 수 있습니다. (링크)
참고
1. [컬럼] B2B Sales Process | The 8 Stages of Every B2B Sales Cycle - cognism
https://www.cognism.com/blog/8-stages-b2b-sales-process
2. [컬럼] The Sales Development Team: A Proven Framework for Success - Gartner
https://www.gartner.com/en/articles/the-sales-development-team-a-proven-framework-for-success
3. [컬럼] MQL to SQL : Your Lead Qualification Checklist - salesforce
https://www.salesforce.com/ca/hub/marketing/mql-to-sql/
4. [컬럼] 잠재 고객이 MQL인지 아닌지 구별하는 방법 - Tableau
https://www.tableau.com/ko-kr/learn/articles/marketing-qualified-lead
5. [컬럼] MQL – SQL 전환율 향상을 위한 완벽 가이드
https://www.thedigitalmkt.com/mql-to-sql-conversion-rate/
댓글