posts

   마케팅에서 예측(forecasting)은 수요나 매출 예측 등 거시적인 목적으로도 많이 쓰이지만, 개인적으로는 단기적인 마케팅 캠페인의 효과를 측정하기 위한 여러가지 방법을 고민하면서 예측 기법에 대해 더 깊은 관심을 갖게 되었다. 예측을 활용한 효과 측정의 논리를 거칠게 말하자면 예측 기법을 통해 ‘synthetic control’이라는 조건법적(counterfactual) 결과를 만들어 실제 결과와 비교하는 것이다(e.g., 이 캠페인을 하지 않았더라면 vs. 실제로 이 캠페인을 했더니).

   구글 애널리틱스(Google Analytics)에서 볼 수 있는 데이터를 더 세부적으로 보고 싶을 때 빅쿼리(BigQuery)를 쓰게 된다. 구글 애널리틱스에서는 데이터가 이미 날짜나 채널 등의 여러가지 단위로 요약이 되어있지만, 빅쿼리에서는 user/visitor/session/visit/hit 등의 레벨로 원하는 만큼 데이터를 파고 들어갈 수 있다. 그렇다면 보통 어떤 상황에서 이렇게 hit 레벨까지 들어가 디테일한 내역을 확인하게 되는 것일까? 마케팅 관점의 케이스로는 Product Activation 지표를 더 세밀하게 보고자 하는 경우가 있을 것이다. 예를 들어 어떤 이커머스 웹사이트에서 ‘검색’이라는 activation이 일어났다고 할 때, 그 activation에 묶여있는 ‘페이지 내 특정 버튼 클릭 여부’와 같은 세부적인 이벤트를 보고자 하는 것이다.

   태블로에서 지도를 바탕으로 데이터 시각화를 하다보면 다양한 타입의 공간 데이터를 다루게 된다. 그 중 가장 흔한 것이 아마 위도(Latitude)와 경도(Longitude)일테고, 더 나아가서는 Point, LineString, Polygon, MultiPolygon 등이 있을 것이다. 이번 포스팅에서는 특정 지점의 위치를 규정하는 위도와 경도를 태블로에서 Point 타입으로 만들어 MultiPolygon과 join하는 방법에 대해 간단하게 정리하고자 한다.

   태블로에서는 여타 SQL에서 제공하는 것과 비슷한 종류의 여러가지 내장 함수(Built-in Functions)를 활용할 수 있다. 카테고리로 따지자면 흔히 ‘Logical’, ‘Aggregate’, ‘Table Calculations’ 등의 함수를 자주 쓰게되는데 이를 통해 다양한 시각화 문제를 해결할 수 있다. 그러나 태블로는 이에 그치지 않고 외부 API를 활용하는 External Service Connection이란 기능을 제공하는데, 여기서 활용할 수 있는 서비스가 바로 탭파이(TabPy)다. TabPy를 쓰게 되면 파이썬(Python) 스크립트를 태블로에서 직접 실행할 수 있기 때문에 그 활용 가능성이 무궁무진하다(R은 RServe라는 서비스를 쓰면 된다).

   대시보드를 만들 때 가장 많이 고민하는 부분은 ‘Aggregate & Disaggregate’의 균형을 어느 정도로 맞출 것이냐 하는 것이다. 이를테면 어떤 사람은 매출을 일 단위로 알아야 하겠지만, 다른 사람들은 주 단위 매출을 이해하는 것으로 충분할 수 있다. 또한 전년 대비(YoY) 성장률을 주 단위로 알고 싶을 때가 있는 한 편, 월 단위의 YoY가 필요한 상황도 빈번하다. 지표는 일/주/월 단위로 끊임없이 업데이트되고 사람들이 지표를 통해 얻고자 하는 정보는 그때마다 다르다. 그렇다고 그때그때 개별 니즈에 맞춘 새로운 대시보드를 만드는 것은 매우 비효율적인 일이다. 그러나 태블로의 Parameters를 잘 활용하면 이러한 문제를 어느 정도 해결할 수 있다. 이번 포스팅에서는 가장 기본이 되는 일/주/월 단위의 ‘Data Aggregation’을 구현해보도록 하자. 먼저 다음과 같이 Date_Aggregation이라는 파라미터를 만들자.

   온라인 여행 검색/예약 서비스의 마케팅팀에서 가장 많이 의뢰하는 문제 중 하나는 시의적절한 마케팅 캠페인 기간에 관한 것이다. 이를테면 8월 휴가철에 여행을 떠나려는 수요가 언제부터 본격적으로 올라오는지를 파악하여 해당 시기에 캠페인을 집중하고자 하는 것이다. 가장 단순한 방법으로는 전년도 수요(웹사이트 방문, 검색 등)의 WoW와 MoM 트렌드를 보고 가장 급격하게 올라오는 시점을 포착하는 것을 고려해 볼 수 있다. 그러나 이 방법의 경우 어느 정도의 상승폭을 모멘텀의 시작으로 인식할 것인지 그 기준점을 정하기 쉽지 않은 문제가 있다. 실제로 마케터들에게 WoW 트렌드를 시각화한 자료를 보여주었을 때 마케터들은 저마다 다른 기준의 상승폭을 급격하다고 표현하는 것을 발견할 수 있었다.

  이러한 한계점을 극복하기 위해 주식 투자에서 기초적인 기술적 분석 방법으로 쓰이는 이동 평균을 적용해보게 되었다. 마치 트레이더가 이동 평균을 통해 주가의 모멘텀을 이해하는 것과 같이 마케터가 항공권 수요의 모멘텀을 이해할 수 있게 돕는 것이다. 그럼 먼저 태블로(Tableau)를 통해 이동 평균 중 가장 기본이 되는 SMA(Simple Moving Average, 단순 이동 평균)를 직접 시각화해보도록 하자. 여기서 수요를 인식하기 위한 지표로는 편의상 구글 애널리틱스 기준의 ‘Sessions’을 사용했다.