BI와 제품 분석의 차이 및 둘 다 필요한 이유
2019년 업계를 선도하던 BI(비즈니스 인텔리전스) 도구인 Looker와 Tableau가 Google과 Salesforce에 인수됐으며 그 가치는 180억 달러 이상에 달했습니다. 보다 최근인 2020년에는 클라우드 기반 데이터 웨어하우스인 Snowflake가 기업을 공개하면서 700억 달러의 시가총액을 기록했습니다. 이러한 대규모 거래들은 BI 도구와 데이터 웨어하우스가 전 세계 기업들이 기술 스택에 통합하는 강력한 두 가지 제품임을 입증합니다. 하지만 이러한 제품들은 모든 사람의 데이터 요구, 특히 제품 팀의 데이터 요구를 충족하지는 못합니다.
BI 도구는 데이터 웨어하우스에서 쿼리할 수 있는 데이터를 시각화하는 데 탁월합니다. 따라서 BI 분석 및 시각화는 재무, 마케팅, 인사, 제품 등 비즈니스의 모든 면에서 광범위한 데이터를 대상으로 할 수 있습니다. 조직 내 방대한 양의 데이터를 몇 가지 주요 지표 즉 KPI로 응축하여 모든 사람이 비즈니스에 대해 기본 사실을 동일하게 인식하도록 하는 데 적합합니다. 그러나 BI에는 중요한 단점이 두 가지 있습니다.
- BI는 시각화할 수 있는 데이터 종류에 융통성이 크기 때문에 특정 영역에 맞도록 목적 지향적으로 특별히 제작된 도구만큼 깊이 있는 분석에 한계가 있습니다.
- BI의 이점을 실현하기 위해서는 데이터에 대해 높은 비용과 시간을 들여 선행 투자흘 해야 합니다.
상대적인 강점과 약점은 다음과 같이 요약할 수 있습니다.
Mixpanel과 비즈니스 인텔리전스의 비교
이러한 사항을 차례로 살펴보면서 Mixpanel과 같은 제품 분석 도구와 비교해 보겠습니다.
분석의 깊이 대 폭
Mixpanel은 제품 관리자, 엔지니어, 디자이너 등이 제품 내 사용자 행동에 대한 질문에 답을 얻을 수 있도록 처음부터 셀프 서비스 애널리틱스 도구로 설계되었습니다. 이벤트, 사용자 등 차원의 중요한 측면을 캡처하는 간단하고 표준화된 데이터 모델을 사용합니다. 이러한 표준화를 통해 강력하고 미세하게 조정된 쿼리 엔진을 이용함으로써 일반적 목적의 BI 도구보다 훨씬 효율적으로 질문에 답할 수 있으며 목적 지향적으로 구축된 UI를 통해 매우 복잡한 질문이라도 수 초 내에 압을 얻을 수 있습니다. 따라서 제품 팀은 중개자 및 병목 현상 없이 사용자 행동 분석을 통해 제품 개발의 신속하고 탐색적이며 창의적인 프로세스를 진행할 있습니다.
Mixpanel의 접근 방식이 강력한 예로서 사용자가 등록이라는 흐름을 어떻게 진행하는지 살펴보고자 하는 유입 경로 분석을 생각해 보겠습니다. 다단계 유입 경로 분석을 SQL로 하게 되면 금방 수백 줄이 넘어가겠지만, Mixpanel에서는 10번의 클릭으로 수행할 수 있습니다. 이제 등록의 흐름 중 특정 단계에서 그만두는 사용자에 대해 자세히 알아보려 한다고 가정해 봅시다. Mixpanel에서 이 그룹을 코호트로 저장한 다음 시간이 지남에 따라 증가하는지 줄어드는지 확인하거나 추적하는 사용자 속성을 기준으로 분류하거나 다른 사용자와 어떻게 다른지를 검토할 수 있습니다.
이에 비해 BI 도구에서는 이 각 단계에서 데이터 엔지니어링 팀이 질문에 대답하기 위해 데이터를 적절한 형식으로 변환하는 새로운 작업 과정이 필요합니다. 수 초 내에 새로운 질문에 대한 답을 얻는 것이 아니라 몇 주를 기다리는 것이 일반적입니다. 이러한 구멍을 메우기 위해 제품 팀이 데이터 웨어하우스에 직접 쿼리하여 답변을 얻을 수 있도록 전담 데이터 분석가나 데이터 과학자를 고용하는 기업이 많습니다. 하지만 이러한 전문 지식을 가진 사람이 부족하기 때문에 몇 초 만에 답을 얻을 수 있는 문제에 대해 며칠을 기다리는 일이 잦을 수밖에 없습니다.
Mixpanel과 같은 제품 분석 도구는 제품 팀이 필요로 하는 해답을 제공하는 것은 물론이고 데이터 팀이 방대한 수작업을 덜 수 있어 데이터 팀과 데이터 분석자의 삶이 더 편해져 이들은 큰 전략적 문제에 집중할 수 있게 됩니다. 당사의 고객 중에도 광범위한 회사 지표는 BI로 처리하고 제품 팀의 깊이 있는 분석은 Mixpanel을 사용하는 경우가 많습니다.
구현
BI 도구에서 가치를 얻으려면 데이터에 대한 대규모 선행 투자가 필요합니다. BI 도구를 사용하는 대부분의 회사에는 데이터를 수집하고, 데이터의 품질을 보장하고, BI 도구가 효율적으로 쿼리할 수 있도록 데이터를 테이블로 변환하고 데이터를 데이터 웨어하우스에 로드하는 전담 데이터 엔지니어링 팀이 있습니다.
대부분의 기업들은 결국 자체 데이터 스택 을 구축하는 데 투자해야 합니다. 이렇게 해야만 데이터를 완전히 제어할 수 있으며 회사의 모든 기능 부문이 다양한 필요에 맞는 고품질의 신뢰할 수 있는 데이터를 사용할 수 있도록 보장할 수 있습니다. 그러나 기업의 수명 주기 초기에는 이러한 투자가 실용적이지도 않고 실제로 필요하지도 않습니다. 이에 비해 제품 분석은 회사의 전체 수명 주기에 걸쳐 매우 중요합니다.
초기 스타트업부터 포춘지 선정 500대 기업에 이르기까지 모든 기업은 제품을 개발합니다. 사용자가 제품에 어떻게 참여하는지에 대해 신속한 피드백을 받는 것은 제품과 시장 간의 적합성을 찾고 이미 성공한 제품을 더욱 잘 만드는 데 매우 중요합니다. 초기에 BI를 활용할 수 있다면 좋겠지만 이는 가능하지 않습니다. Mixpanel은 전체 데이터 스택을 구축할 준비가 되기 전에도 구현할 수 있지만, 경우에 따라 데이터 스택에 통합할 수도 있습니다.
자체 데이터 스택이 없는 회사의 경우 Mixpanel 자체의 SDK나 Segment 또는 mParticle 등의 고객 데이터 플랫폼(CDP)을 사용하여 Mixpanel을 신속하게 구현하는 것이 가능합니다. 이렇게 하면 제품 팀은 첫날부터 매우 강력한 제품 분석 결과에 액세스하여 반복과 성장이 가능합니다.
Mixpanel로 직접 스트리밍된 데이터를 이용한 구현
그러나 자체 데이터 스택에 투자하기로 결정하거나 이미 이를 갖고 있다면 데이터 웨어하우스에서 Mixpanel로 데이터를 가져오는 것이 이상적인 통합 방법입니다. 이렇게 하면 Mixpanel에 투입되는 데이터가 BI 도구 또는 데이터 웨어하우스의 데이터를 가져오는 다른 데이터 응용 프로그램이 쿼리하는 데이터와 동일하게 됩니다. 데이터 웨어하우스에서 Mixpanel로 데이터를 가져오는 가장 쉬운 방법은 Census와 같은 역방향 ETL 도구를 사용하는 것입니다. Mixpanel의 가져오기 API를 사용해도 됩니다.
Mixpanel을 데이터 웨어하우스와 통합하면 고객이 이벤트 데이터를 Mixpanel에 직접 스트리밍하고 데이터 웨어하우스에 실제 데이터를 둘 때 가끔 발생할 수 있는 문제를 방지할 수 있습니다. 예를 들어 모든 데이터의 일관성이 목표라고 가정해 보겠습니다. Mixpanel의 SDK는 이벤트의 클라이언트 측을 추적하지만 데이터 팀은 해당 이벤트 서버 측을 추적한다면, Mixpanel과 BI 도구 간에 답이 달라질 수 있습니다. 또한 데이터 품질을 개선하고 다른 원천의 데이터로 이벤트를 풍부하게 하기 위해 데이터 팀이 수행하는 모든 작업의 결과로 Mixpanel은 더욱 개선될 것입니다.
데이터 스택에 통합된 Mixpanel
Mixpanel을 적절하게 구현하면 초기부터 제품 팀의 요구에 부응하고 회사와 함께 성장할 수 있습니다. 결국 BI와 Mixpanel은 둘 중 어떤 것을 택하느냐의 문제가 아니라 Mixpanel에 BI를 언제 추가할 준비가 되느냐의 문제인 것입니다. 제품 분석은 언제나 필요하며 데이터에 대해 투자할 준비가 되었다면 BI 도구와 함께 사용하는 것이 가장 효과적입니다.
시작할 준비가 되셨습니까? 지금 전문가와 상담