서비스 기획자의 데이터, 수학자와 기술자의 데이터

개인적으로 마케팅, 사업 기획, 서비스 운영, 앱/웹 기획 등을 하면서 느낀 온라인상 데이터에 관한 이야기를 해보고자 합니다. 왜 통계적, 수학적 데이터들이 기획자 입장에서는 정보가 될 수 없는지에 대한 부분에 초점을 맞춘 이야기라 할 수 있습니다.

 

 

좋아요 숫자의 비밀

방문자, 구매자, 월간 매출, 선호도 등의 데이터 중 가장 많이 볼 수 있고 직관적인 데이터는 아마도 콘텐츠에 달려 있는 좋아요 숫자일 것입니다.

 

우리는 좋아요 숫자가 많은 콘텐츠를 인기 콘텐츠라 생각합니다. 실제 인기 콘텐츠이기도 합니다. 그런데 가끔은 이런 생각이 들기도 합니다. 좋아요 숫자가 인기 콘텐츠로 만든 것인지, 인기 콘텐츠이기에 좋아요 수가 많은 것인지에 대한 궁금증입니다.

 

좋아요 수 하나하나는 모두 같은 더하기 1의 의미를 가집니다. 그럼 이렇게 좋아요 1을 추가해 준 사용자들은 모두 같은 것일까요? 그렇지 않을 것입니다.

 

누구는 그냥 아는 사람 콘텐츠라 좋아요를 눌렀을 수도 있습니다. 다른 사람은 콘텐츠가 너무 좋아서 좋아요를 누를 수도 있습니다. 또 누군가는 이벤트에 참여하려고 좋아요를 누른 것일 수도 있습니다. 이 모든 사람은 각각 좋아요 1 증가에 기여한 것으로 같습니다.

 

 만약 어떤 직원이 많은 기업이 운영하는 채널 콘텐츠는 올리자마자 좋아요가 최소 100개 이상 올라가기도 할 것입니다. 반대로 해당 플랫폼에 친구가 별로 없는 사용자는 아무리 멋진 콘텐츠를 올려도 좋아요 1개를 받기 어려울 수도 있습니다. 

 

 

인지하는 현상 데이

우리가 인지하는 현상은 모든 작용의 결과입니다. 야구장에서 날아가는 공은 투수가 던질 때 하는 여러 행동들과 공기 밀도, 바람, 그리고 타자 배트 충격량과 마찰 등이 만들어 낸 결과인 공의 움직임을 보는 것입니다. 우리는 공의 움직임의 결과가 만들어지기까지 과정을 모두 알지 못하듯, 일상에서 인지하는 현상에 작용하는 요인을 모두 알고 결과를 보지는 않습니다.

 

이 점에서 하나의 질문을 할 수 있습니다.

 

우리는 인지하는 세상이 진짜 세상의 모습일까? 우리는 세상이 주는 정보를 모두 인식하여 제대로 처리하는 것일까? 이런 질문은 시장과 사용자의 정보에도 똑같이 적용될 수 있습니다.

 

새로운 앱이 성공을 할 수 있는 것, 마케팅을 통해 이전 인기 없던 제품이 많이 팔리게 되는 것 또한 사용자와 소비자의 인지 시스템이 이렇게 작동하기 때문에 가능하는 것입니다.

 

그럼 이를 사용자나 소비자가 아닌 기획자에게 적용하면 다음의 질문이 나올 수 있습니다.

 

기획자가 인자하는 사용자가 진짜 사용자의 니즈일까? 기획자는 시장이 주는 정보를 모두 인지하고 제대로 처리하는 것일까?

 

시장을 알기 위해 기획자는 수학과 기술의 도움을 받습니다. 그러나 같은 시장의 서로 다른 통계적 결과, 같은 데이터인데 알고리즘에 따라 다르게 나오는 결과들, 샘플링 오차, 고객에 따라 달라지는 결과들 뿐 아니라 미세한 데이터의 정의 차이나 라벨링 차이로 변하는 결과, 데이터 추출 상황 변수 영향 등은 수학과 기술만으로는 해결되지 않는 문제입니다.

 

특히 시장이 크거나 연산이 매우 많이 반복된다면 매우 작은 오차는 매우 거대한 오차가 되기도 합니다. 이로 인해 활용 상황에 따라 빅데이터나 AI는 도구 자체가 가진 오차 가능성의 문제를 벗어나기 어렵게 됩니다. 이런 문제들로 때로는 수학과 기술은 시장의 모습을 왜곡하고 잘못된 정보를 기획자에게 전달하기도 합니다.

 

시장 조사, 통계, 데이터 관련 비즈니스에서는 이런 현상을 활용하여 고객인 기획자를 유혹하고 종속시키기도 합니다. 다른 경쟁 기업으로의 전환에 장벽을 만드는 것입니다.

 

 

현상 데이터와 맥락 정보/데이

콘텐츠의 좋아요 수를 파악하여 인기 콘텐츠를 분류한다면 현상 데이터를 활용한 결과라 부를 수 있습니다. 그러나 이 콘텐츠 좋아요가 어떤 사용자들에 의해 이루어진 것인지를 구분하여 인기 콘텐츠를 분류한다면 맥락 정보를 기반으로 한 결과라 부를 수 있습니다. 

 

맥락 데이터/정보는 앞서 친구라서 또는 회사에서 올린 콘텐츠라 누른 좋아요와 정말 이 콘텐츠가 맘에 들어서 누른 좋아요를 구분합니다. 좋아요를 누를 사용자의 이전, 이후 행동 정보를 바탕으로 좋아요를 구분하여 가중치를 두는 것입니다.

 

예를 들면 콘텐츠를 전체 보았는지, 콘텐츠 유지 시간은 얼마인지, 유사 콘텐츠를 얼마나 보았는지, 좋아요를 누른 후 이후 행동 등을 검토하여 종합적으로 좋아요를 분류하게 됩니다.

 

맥락 데이터 분석은 결과 숫자만을 보는 것이 아니라 결과가 이루어지는 맥락에서 결과 데이터를 평가하는 방식입니다. 이를 위해 다양한 측정 도구를 배치하고 여기서 나오는 데이터를 상호 작용 관점에서 저장/분석합니다. 

 

이 과정에서 하나의 좋아요를 분석하는데 수많은 데이터가 활용되므로 빅데이터가 됩니다. 그러나 우리가 일반적으로 많은 데이터라 부르는 빅데이터와는 다릅니다.

 

그냥 많은 데이터는 비용이며 짐이지 자원이 아닙니다. 분석 대상에 대한 다양한 관점을 상호 보완적으로 설명할 수 있는 데이터들의 집합이 의미 있는 빅데이터라고 기획자는 생각합니다.