디지털 애널리틱스의 종말과 새로운 길

0

여러분은 혹시 이런 경험 있으신가요? 정교한 분석 대시보드를 구축하고, 사용자 행동 데이터를 수집했지만, 정작 “그래서 이 데이터로 뭘 해야 하지?”라는 질문 앞에서 막막해진 적 말입니다. 사실 이건 여러분만의 문제가 아닙니다. 지난 20년간 디지털 애널리틱스 산업 전체가 안고 있던 근본적인 모순이었으니까요.

최근 Amplitude가 새로운 Chief Evangelist를 영입했다는 소식이 들렸습니다. 대부분은 평범한 인사 발표로 받아들였지만, 이는 디지털 애널리틱스 시대의 종말을 알리는 명확한 신호였습니다. 특히 그 인물이 Google Analytics 4가 상징하던 구시대 마케팅 애널리틱스를 대표하는 인물이었다는 점에서 더욱 흥미롭습니다.

디지털 애널리틱스, 화려했던 약속의 실체

2005년 Google Analytics가 등장했을 때, 우리는 혁명을 목격했다고 믿었습니다. 웹사이트에서 일어나는 모든 행동을 추적할 수 있게 되었고, 사용자 여정을 처음부터 끝까지 파악할 수 있었으니까요. 에릭 리스(Eric Ries)의 린 스타트업 철학은 이를 과학적 방법론으로 포장했습니다. “빌드-측정-학습” 사이클을 통해 데이터 기반 의사결정이 가능하다는 달콤한 약속이었죠.

Amplitude와 Mixpanel 같은 도구들이 등장하면서 이벤트 추적과 코호트 분석은 더욱 정교해졌습니다. 이제 우리는 모든 사용자 행동을 세밀하게 분석할 수 있게 되었습니다. 하지만 데이터가 풍부해질수록 역설적으로 한 가지 문제가 더욱 선명해졌습니다. 통찰에서 행동으로 이어지는 격차가 좁혀지지 않는다는 것이었죠.

버튼 클릭 수가 200회라는 데이터를 보면서, 정작 이 숫자로 무엇을 해야 할지 명확하지 않았습니다. 사용자가 온보딩 과정의 3단계에서 이탈한다는 걸 알았지만, 그 이유가 단계가 복잡해서인지, 사용자 동기가 부족해서인지, 아니면 이미 원하는 것을 얻어서인지 데이터만으로는 알 수 없었습니다.

실제로 작동했던 두 가지

디지털 애널리틱스가 완전히 쓸모없었던 건 아닙니다. 냉정하게 돌아보면, 실제 비즈니스 가치를 제공했던 영역은 크게 두 가지였습니다.

마케팅 속성 분석: 진짜 MVP

마케팅 속성 분석은 디지털 애널리틱스의 킬러 앱이었습니다. Google Analytics 이전에는 여러 광고 캠페인을 운영하면서 어느 채널이 실제로 전환을 이끌었는지 알 수 없었습니다. 각 플랫폼이 제멋대로 전환 기여도를 주장하면서, 합산하면 150%가 넘는 황당한 상황이 벌어졌죠.

Google Analytics는 중립적 심판 역할을 했습니다. 웹사이트에서 모든 소스의 사용자를 추적하고, 어떤 마케팅 접점이 실제로 전환을 이끌었는지 판단했습니다. 마케터들은 처음으로 자신 있게 “이 캠페인이 47건의 전환을 만들었고, 저 캠페인은 12건을 만들었다”고 말할 수 있게 되었습니다.

이는 예산 배분, 캠페인 최적화, ROI 계산을 가능하게 만들었습니다. CFO가 5천만 원의 마케팅 예산이 왜 필요한지 물으면, 정확히 어느 채널이 얼마의 매출을 만들어냈는지 보여줄 수 있었죠.

어둠 속 공간의 가시화

두 번째로 작동했던 건 보이지 않던 것을 보이게 만드는 것이었습니다. 애널리틱스 이전에는 웹사이트에서 무슨 일이 일어나는지 전혀 알 수 없었습니다. 방문자 수, 인기 페이지, 사용자가 막히는 지점 같은 모든 것이 블랙박스였죠.

애널리틱스는 이 상자를 열어 패턴을 보여줬습니다. 트래픽의 40%가 잊고 있던 블로그 포스트로 향한다는 걸 발견하거나, 모바일 사용자가 데스크톱 사용자와 완전히 다르게 행동한다는 걸 알게 되었습니다. 정교하게 디자인한 홈페이지 플로우를 70%의 사용자가 검색을 통해 제품 페이지로 직접 들어오면서 건너뛴다는 것도요.

하지만 이런 통찰은 흥미로웠을 뿐, 실제 행동으로 이어지는 경우는 드물었습니다. 가격 페이지에서 평균 2.3분을 보낸다는 걸 알았지만, 이게 좋은 건지 나쁜 건지, 페이지를 더 짧게 해야 할지 길게 해야 할지는 여전히 불분명했습니다.

불편한 진실

냉정하게 말하면, 디지털 애널리틱스가 제공한 실제 비즈니스 가치의 80%는 마케팅 속성 분석에서 나왔습니다. 나머지 정교한 퍼널, 코호트 분석, 사용자 여정 매핑은 대부분 “빛을 비추는” 범주에 속했죠. 흥미롭고, 때로는 유용했지만, 실제 비즈니스 결정을 주도하는 경우는 드물었습니다.

기반의 붕괴: 마케팅 속성 분석의 몰락

그런데 디지털 애널리틱스를 떠받치던 핵심 가치인 마케팅 속성 분석이 무너지기 시작했습니다. 여기에는 세 가지 요인이 작용했습니다.

규제와 기술의 변화

유럽의 동의 요구 사항과 Apple의 추적 방지 기능이 데이터 연결을 제한했습니다. 하지만 이는 표면적 증상일 뿐, 더 깊은 변화가 진행되고 있었습니다.

마케팅의 진화가 속성 분석을 초과했다

초기 이커머스 시대의 디지털 마케팅은 비교적 단순했습니다. 대부분의 캠페인을 Google Ads에서 운영했고, 소셜 광고가 가능해지면서 Facebook이 추가되었죠. 두세 개 채널이었고, 속성 분석이 고객 여정의 70%를 포착할 수 있었습니다.

오늘날의 마케팅은 기하급수적으로 복잡합니다. 성공적인 마케팅 전략은 더 이상 유료 검색과 소셜 광고만으로 설계할 수 없습니다. 기업들은 수십 개 채널을 운영합니다: 인플루언서 파트너십, 팟캐스트 스폰서십, YouTube 콘텐츠, LinkedIn 사고 리더십, 커뮤니티 구축, 이메일 시퀀스, 리타게팅 캠페인, 제휴 프로그램, PR 이니셔티브, SEO 콘텐츠 전략 등등.

누군가 여러분이 만든 영향력 있는 YouTube 비디오를 시청하고, Instagram에서 리타게팅 광고를 보고, 뉴스레터를 읽고, 창업자가 컨퍼런스에서 발표하는 걸 보고, 그제야 전환했다면 어떻게 이 판매를 귀속시키겠습니까? 전통적인 속성 시스템은 운이 좋으면 이 중 두세 개 접점을 포착할 수 있을 뿐입니다.

블랙박스의 지배

광고 플랫폼들도 결정론적 속성 분석을 포기했습니다. 이제는 머신러닝을 사용해 전환을 추정하고 캠페인을 자동으로 최적화하는 확률적 모델로 이동했습니다.

Google Ads와 Facebook Ads는 본질적으로 “우리 AI를 믿으세요”라고 말하며, 어떤 특정 접점이 전환을 이끌었는지에 대한 세부 데이터를 제공하지 않습니다. 마케터들은 광범위한 매개변수를 설정하고 플랫폼 AI가 최적화를 처리하도록 통제권을 넘깁니다.

워크숍 연구에서 발견한 바에 따르면, 클릭 기반 속성 분석의 역할이 매년 감소하고 있습니다. 예산 배분이 속성 분석에 덜 의존하게 되었고, 실제 마케팅 결정을 지원하는 설정은 10% 미만에 불과합니다.

GA4 재앙: 산업의 혼란을 가속화하다

마케팅 속성 분석이 무너지는 와중에, 수백만 팀이 의존하던 지배적 플랫폼이 내파했습니다. Google Analytics 4입니다.

GA4는 여러 전략을 동시에 추구한 결과로 보입니다. 어쩌면 Google Cloud Platform의 진입 도구로 설계되었을 수도 있습니다. 과거 Google Analytics가 Google Ads의 보조 역할을 했던 것처럼요.

핵심 사용자층 포기

흥미로운 점은 Google이 기본 사용자층을 포기했다는 것입니다. 마케터들에게 Google Analytics는 기본 도구였습니다. 업무를 제대로 수행하려면 최소한 기본은 이해해야 하는 도구였죠.

마케터들은 할 일이 많습니다. 애널리틱스와 성과 분석은 업무의 일부일 뿐입니다. 별도의 광범위한 교육 없이도 즉시 작동하는 도구가 필요합니다.

Google Analytics Universal이 바로 그런 도구였습니다. 매우 의견이 강하고 엄격한 모델을 가지고 있었지만, 바로 그것이 효과적이었던 이유입니다. 제약이 실제로 도움이 되었습니다. 마케터들은 어디서 무엇을 찾아야 하고, 데이터를 어떻게 해석하며, 숫자가 무엇을 의미하는지 알고 있었습니다.

마이그레이션 악몽

그러다 GA4 마이그레이션이 왔습니다. 이건 진짜 마이그레이션이 아니었습니다. Google은 모든 사람에게 완전히 새로운 추적 코드를 구현하고, 전혀 다른 인터페이스를 배우고, 근본적으로 다른 데이터 모델에 적응하도록 강제했습니다. “업그레이드”로 위장한 “완전 교체” 프로젝트였죠.

일상적인 마케터들이 접근할 수 있어야 하는 도구에 이는 치명적이었습니다. 새 인터페이스는 혼란스러웠습니다. Universal에서 두 번의 클릭으로 가능했던 기본 보고서가 이제는 복잡한 메뉴를 탐색하거나 맞춤 보고서를 구축해야 했습니다. “세션” 같은 단순한 개념이 기술적 이해가 필요한 추상적인 이벤트 기반 모델로 대체되었습니다.

시기도 최악이었습니다. Google은 겨우 18개월 전에 Universal 종료를 발표했고, 팀들은 서둘러야 했습니다. 많은 기업이 Universal Analytics 설정을 완벽하게 만드는 데 수개월에서 수년을 투자했는데, 처음부터 다시 시작하라는 통보를 받았습니다.

시장 기회의 창출

GA4의 실패는 Amplitude와 Mixpanel 같은 도구들에게 거대한 기회를 만들어줬습니다. 갑자기 수백만 명의 좌절한 마케터들이 어쨌든 애널리틱스를 다시 배워야 하는 상황에 처했습니다. 수개월을 투자해서 새 도구를 배워야 한다면, 문제를 일으키는 도구 대신 실제로 문제를 해결하는 도구를 배우는 게 낫지 않을까요?

Amplitude의 새로운 evangelist 영입은 바로 이 시장 기회를 겨냥한 것입니다. “Google Analytics, 하지만 실제로 좋은”으로 포지셔닝하면서, GA4의 한계를 넘어선 더 나은 것을 원하는 예산이 있는 마케터들을 타깃으로 합니다.

두 가지 경로

디지털 애널리틱스는 오랫동안 계속될 겁니다. 하지만 실제 활동이 움직이는 두 가지 뚜렷한 방향이 보입니다.

경로 1: 고객 경험 최적화 – 운영의 미래

마케팅 팀은 깊은 분석이 아니라 속도가 필요합니다. 마케팅은 매우 운영적이고 빠르게 움직입니다. 끊임없이 실험하고, 빠르게 구현하며, 며칠이나 몇 주 내에 결과를 확인하고 싶어 합니다.

새로운 광고 크리에이티브를 테스트하면 몇 시간 내에 결과를 얻습니다. 5만 명의 구독자에게 새 이메일 캠페인을 보내면 당일 중에 효과를 알 수 있습니다. 여러 채널에서 동시에 다양한 랜딩 페이지, 메시지 접근법, 타겟팅 매개변수, 예산 배분을 실험할 수 있습니다.

마케팅의 피드백 루프의 볼륨과 속도는 놀랍습니다. 최고의 디지털 마케팅 팀들은 DNA에 높은 실험 비율이 내장되어 있습니다.

AI 가속화 요인

AI 기능이 확장되면서 이 운영 속도는 극적으로 증가할 것입니다. 마케팅 팀은 여러 버전의 광고 크리에이티브를 생성하고, 다양한 메시지 접근법을 테스트하며, 최소한의 인간 개입으로 실시간으로 캠페인을 최적화할 수 있게 됩니다.

Amplitude의 진화: 분석에서 행동으로

Amplitude는 마케팅 공간으로 진입하면서 명백한 첫 단계를 밟았습니다:

Google Analytics와의 기능 동등성

약 3년 전 카트 애널리틱스를 도입하면서 “GA가 하는 모든 것을 할 수 있지만 더 낫다”고 말했습니다.

하지만 진정한 진화는 애널리틱스 이후에 무엇이 올지 생각하기 시작했을 때 일어났습니다. Amplitude는 Customer Data Platform(CDP)이 되려는 실험을 했습니다. 논리는 타당했죠:

애널리틱스 데이터에서 흥미로운 사용자 세그먼트를 식별할 수 있다면, SMS, 이메일, 광고 플랫폼을 통해 타겟 메시지를 보내 즉시 이 통찰에 따라 행동할 수 있게 하는 건 어떨까?

CDP 구축이 복잡한 작업이라는 걸 금방 배웠습니다. 전체 CDP 비전에서 후퇴한 것이 보이지만, 이 실험은 중요한 걸 가르쳐줬습니다:

통찰과 행동 사이의 격차가 진짜 가치가 있는 곳이다.

Amplitude의 두 번째 AI 제품 출시는 훨씬 더 흥미로웠습니다. 데이터를 지속적으로 분석하고, 개선 기회를 식별하며, 가장 중요하게는 이러한 기회를 취할 수 있는 구체적인 행동과 연결하는 AI 에이전트를 도입했습니다.

“온보딩 3단계에서 많은 사용자가 이탈한다”고만 말하는 대신, AI는 그 단계에 적용할 수 있는 구체적인 변경 사항을 제안합니다. 특정 메시지 조정을 권장하거나, 간소화할 수 있는 마찰 지점을 식별하거나, 전환율을 개선할 수 있는 A/B 테스트를 제안할 수 있습니다.

Hotjar 패턴: 단순함이 정교함을 이기다

Hotjar는 항상 이상한 도구였습니다. Google Analytics와 함께 클라이언트 설정에서 계속 마주쳤고, “GA도 가치가 낮은데 Hotjar는 더 제한적으로 느껴지는데 왜 팀들이 이걸 필요로 하지?”라고 생각했습니다.

하지만 핵심을 놓치고 있었습니다.

Hotjar는 한 가지 특정 문제를 극도로 잘 해결했습니다:

사용자 행동을 즉시 가시화하고 실행 가능하게 만들었습니다. 구현 후 몇 분 내에 랜딩 페이지에 겹쳐진 클릭 맵을 볼 수 있었습니다. 실제 사용자가 사이트와 상호작용하는 세션 재생을 볼 수 있었습니다. 사용자 여정의 주요 순간에 나타나는 간단한 설문조사를 설정할 수 있었습니다.

데이터는 정교하지 않았습니다. 통찰은 획기적이지 않았습니다. 하지만 질문에서 답까지의 피드백 루프가 믿을 수 없이 빨랐습니다. UX 디자이너는 사용자가 정확히 어디를 클릭하는지 볼 수 있었고, 명백한 마찰 지점을 식별하며, 즉각적인 변경을 할 수 있었습니다.

ContentSquare의 Hotjar 인수는 이 접근법을 엔터프라이즈 규모에서 검증했습니다. 갑자기 고객 경험 최적화가 6자리 예산과 전담 팀을 가진 엔터프라이즈만을 위한 것이 아니게 되었습니다. 사용자가 인터페이스와 실제로 어떻게 상호작용하는지 이해하고 싶은 모든 기업이 접근할 수 있게 되었습니다.

경로 2: 수익 인텔리전스 – 전략의 미래

약 16개월 전, “Timo Dechau”에게 의뢰되는 프로젝트 유형에 변화가 생겼다고 합니다. 수년간 제품 팀과 클래식 제품 애널리틱스 작업을 해왔는데, 완전히 다른 프로필의 사람들에게 연락을 받기 시작했습니다:

수익 담당자들. CFO, Chief Revenue Officer, 성장 책임자 또는 그들을 위해 일하는 데이터 팀.

그들은 근본적으로 다른 질문을 하고 있었습니다.

수익은 사후 사실로만 보입니다

그들의 문제는 기업 간에 일관적이었습니다:

지금 우리는 수익을 사후적인 것으로 보고 있습니다. BI 보고서에서 특정 주나 월의 판매 수치를 봅니다. 제품별, 어쩌면 마케팅 채널별로 분류할 수 있습니다. 하지만 그게 다입니다. 수익을 계획하거나 개선하기 위해 작업할 것이 많지 않습니다.

이는 흥미로웠습니다. 왜냐하면 이들이 실제로 예산을 통제하고 회사 성장에 대한 전략적 결정을 내리는 사람들이었기 때문입니다. 그리고 그들은 수익이 어떻게 생성되는지 이해하는 데 도움이 될 선행 지표에 대해 맹목적이라고 느꼈습니다.

조기 개입 신호에 대한 수요

전통적인 비즈니스 인텔리전스는 수정하기에 너무 늦은 후에 무슨 일이 일어났는지 알려줍니다. 수익 인텔리전스는 여전히 뭔가를 할 수 있을 때 신호를 제공합니다.

계정의 사용량이 감소하는 것을 볼 때, 실제로 이탈하기 전에 위험 상태로 플래그를 지정할 수 있습니다. 확장 기회를 예측하는 패턴을 식별할 때, 고객이 여전히 수용적일 때 연락할 수 있습니다. 활성화 문제를 발견할 때, 더 많은 잠재 고객을 잃기 전에 온보딩 경험을 수정할 수 있습니다.

SDK 한계를 넘어서

SDK 기반 추적은 브라우저나 서버에서 추적 라이브러리를 사용해 이벤트를 전송하는 것을 의미합니다. 이 접근법은 심각한 비즈니스 인텔리전스를 구축하려고 할 때 심각한 한계가 있습니다.

첫째, 100% 데이터 전달이 보장되지 않습니다. 네트워크가 실패하고, 브라우저가 충돌하며, 이벤트가 전송을 완료하기 전에 사용자가 이동합니다.

둘째, SDK 추적은 개발자의 상당한 구현 및 유지 관리 작업을 필요로 합니다. 그런데 문제는 추적이 그들의 주요 업무가 아니라는 것입니다. 주요 업무는 제품을 구축하는 것입니다.

데이터 웨어하우스 접근법이 돌파구를 제공했습니다. 이를 추적 프로젝트가 아닌 고전적인 데이터 프로젝트처럼 접근하는 것입니다. 다양한 데이터 소스를 입력으로 처리하고, 데이터 웨어하우스에 통합하며, 잘 설계된 데이터 모델을 적용한 다음, 다양한 팀이 필요로 하는 메트릭과 통찰을 생성합니다.

현재 프로젝트에서는 SDK로 2-3개 이벤트만 추적합니다. 나머지 10-15개 추가 이벤트는 외부 시스템, 애플리케이션 데이터베이스, 웹훅 데이터 등 다른 소스에서 가져옵니다. 기존 데이터 소스에서 필요한 정보를 식별하고 코드를 통해 모든 것을 추적하려고 시도하는 대신 이벤트 데이터로 변환합니다.

수익으로 가는 조립 라인 구축

구체적인 예를 들어보겠습니다. 이번 달에 1,000개의 신규 계정을 얻은 SaaS 기업이라고 가정해 봅시다. 수익 인텔리전스가 없으면 “1,000건의 신규 가입”으로 추적하고 성장을 축하할 것입니다. 3개월 후, 그들 중 극소수만 유료 구독으로 전환했음을 보게 되지만, 이유를 모를 것입니다.

수익 인텔리전스로는 전체 파이프라인을 추적합니다. :

1,000개의 신규 계정 중 100개만 “활성화” 상태에 도달합니다. 즉, 제품이 제공할 수 있는 가치를 실제로 경험한 것을 의미합니다. 이는 사용자가 가입한 것조차 이해하기 전에 900개의 계정을 잃고 있다는 뜻입니다.

이는 단순히 흥미로운 지표가 아닙니다. 명확한 금액 가치가 부여된 비즈니스 비상사태입니다. 신규 계정의 90%를 활성화하지 못해 얼마나 많은 수익 잠재력을 잃고 있는지 정확히 계산할 수 있습니다. 더 중요한 것은, 활성화율이 왜 그렇게 낮은지 조사하고 개선하기 위한 개입을 테스트할 수 있다는 것입니다.

성장을 설명하는 메트릭 구조

결과적으로 얻게 되는 것은 단순히 얼마나 많은 수익을 얻었는지 측정하는 것이 아니라, 수익이 어떻게 생성되는지 설명하는 메트릭 트리 또는 성장 모델입니다. 실제 고객 여정의 각 단계에서 전환율을 볼 수 있습니다: 방문자에서 계정으로, 활성화된 사용자로, 체험 구독자로, 유료 고객으로, 확장된 계정으로.

수익 성장이 둔화되면, 파이프라인의 어느 부분이 고장 났는지 즉시 식별할 수 있습니다. 신규 계정이 줄어들고 있나요? 활성화가 감소하고 있나요? 유료 고객이 더 빠르게 이탈하고 있나요? 각 문제는 다른 해결책을 가지고 있지만, 볼 수 있는 것만 고칠 수 있습니다.

이 진단 능력은 수익 팀이 그동안 놓치고 있던 것입니다. 증상(수익 성장 둔화)은 볼 수 있었지만 근본 원인은 볼 수 없었습니다.

전통 애널리틱스를 넘어서

이 접근법은 디지털 애널리틱스를 항상 제한했던 근본적인 문제를 해결합니다: 사용자 행동과 비즈니스 영향 사이의 단절. 전통적인 애널리틱스는 사용자가 버튼을 클릭하고 페이지를 방문했다고 말할 수 있었지만, 그러한 행동 중 어느 것이 실제로 비즈니스에 중요한지는 말할 수 없었습니다.

수익 인텔리전스는 이를 뒤집습니다. 중요한 비즈니스 결과(수익, 유지, 확장)에서 시작해 역으로 작업하여 실제로 그러한 결과를 예측하는 사용자 행동을 식별합니다. 모든 것을 측정하고 일부가 중요하기를 바라는 대신, 입증 가능하게 비즈니스 결과를 이끄는 것들을 측정합니다.

차이는 심오합니다. 수익 팀은 마침내 성장을 사전에 관리하는 데 필요한 미래 지향적 통찰을 얻습니다. 그리고 처음으로, 애널리틱스는 단순히 정보 제공이 아니라 진정으로 전략적이 됩니다. 왜냐하면 비즈니스 성공을 이끄는 활동에 대한 더 나은 결정을 직접적으로 가능하게 하기 때문입니다.

무엇이 끝나고 무엇이 시작되는가

디지털 애널리틱스는 “수집해 두면 언젠가 쓰일 것”이라는 믿음을 기반으로 했습니다. 하지만 오늘날의 환경에서는 즉시적인 실행 지원이나 직접적인 성과 예측 없이는 의미가 희박해졌습니다.

데이터 수집에서 보고서로 이어지는 중심의 관행은 데이터 극장(data theater)에 불과합니다. 행동으로 이어지는 시스템이 아니면 조직적 효용이 낮습니다.

끝나는 것들

  • 광범위 수집과 사후적 통찰 위주의 애널리틱스
  • 보고서 생성을 위한 데이터 파이프라인 중심 운영
  • 세부 채널 기여도 집착 중심의 마케팅 해석 관행

시작되는 것들

  • 실행 권고 자동화와 리스크·기회 조기 탐지
  • 성과에 직결되는 모델을 중심으로 한 의사결정 자동화와 운영 최적화

과거 마케팅 애널리틱스 정서에 기대는 전략은 미래 성과 정합이 낮습니다. 조직은 보고서 생산 체제에서 행동 유발 시스템으로 전환할 필요가 있습니다.

마케팅 팀은 속도 중심 운영형 스택과 AI 보조 실험 체계로, 매출 책임 조직은 웨어하우스 중심 통합 모델과 조기경보 시그널을 갖춘 수익 인텔리전스 체계로 재편할 필요가 있습니다.

수집 후 유용하길 바라는 시대는 끝났습니다. 즉시 개선 또는 직접 예측으로 이어지는 시스템만이 실질 가치를 창출합니다. 기업은 운영형 고객 경험 최적화와 전략형 수익 인텔리전스 중 핵심 과업과 성숙도에 맞는 축을 선택하고 강화할 필요가 있습니다.

디지털 애널리틱스의 시대는 끝났습니다. 이제 데이터가 실제로 일을 하는 시대가 시작됩니다.

참고 자료: Timo Dechau, “The End of Digital Analytics”

답글 남기기