이 글을 보고 계신 분들께서는 GA4로 성공적으로 이관하셨을까요?
사실 GA4가 등장한지 몇 년이 되었지만 아무래도 아직까지 이전 버전과 대비해서 어려움을 느끼는 분들이 더러 계신 것 같습니다.
UA가 더이상 새로운 데이터를 처리하지 않고 웹&앱 측정이 GA4로 단일화 된다는 건 알겠는데 ‘Big Query를 쓸 수 있다’, ‘측정이 더 개선되었다’ … 등의 이야기는 그래서 어떻게 뭘 할 수 있다는 것인지 모호하게 느끼시는 분들도 계실텐데요. 이번 콘텐츠에서는 GA4 이관 과정에서 흔히 이야기 하는 ‘GA4는 BigQuery가 연동된다’는 것이 어떤 의미를 갖고, 그래서 어떻게 활용할 수 있는 것인지 이야기해보고자 합니다.
기존 UA 대비 GA4 특징
| UA VS GA4 | ||
|---|---|---|
| 구분 | UA | GA4 |
| 수집 방식 | Session 및 hit 기반 | 사용자 및 이벤트 기반 |
| 유/무료 | 부분 무료 | 무료 |
| 분석 방식 | Web/App 개별 분석 | 통합 분석 |
| Google BigQuery 연동 | Ｘ | Ｏ |
| RAW 데이터 제공 | Ｘ | Ｏ |
| 서비스 제공 | 2023년 7월 1일 데이터 수집 중단 | – |
Google BigQuery
구글 빅쿼리는 ‘데이터 기반 혁신을 지원하는 클라우드 데이터 웨어하우스‘입니다. 쉽게 ‘방대한 데이터를 처리할 수 있는 저장소’라고 이해하셔도 됩니다. 구글 빅쿼리를 창고, 구글 빅쿼리에 저장 및 보관하는 데이터를 짐이라고 비유하면, 빅쿼리라는 창고는 이러한 장점을 가집니다.
- 창고에 짐이 늘어나면 창고의 공간을 넓혀야 하는데, 짐이 늘어나도 창고를 쉽게 확장할 수 있습니다.
- 창고에 수많은 짐이 있더라도, 원하는 물건을 빠르게 검색하거나 조회할 수 있습니다.
- 기존에 창고에 있는 짐을 다른 물건과 결합해 새로운 물건을 만들어주기도 하구요.
- 창고에 쌓아둔 짐을 재료로 사용하여, 새로운 인사이트를 찾아주기로 합니다.
그렇다면 이제 비유를 걷어내고 좀 더 구체적으로 알아볼까요?
구글이 열어준 새로운 측정의 세계에 올라타기 (with BigQuery)
구글이 열어준 새로운 측정의 세계의 변화의 핵심은 더이상 데이터가 툴이나 솔루션에 종속되지 않는다는 것입니다. 툴이나 솔루션에 종속되지 않는다는 것은, 마음만 먹으면 raw 데이터에 직접 접근하여 자유롭게 데이터를 조회·활용할 수 있다는 것을 의미합니다.
① 맞춤보고서의 한계를 탈피하여 자유로운 조회와 가공
이전에는 UA에서 정해놓은 틀에 맞추어 사용해야 했지만, 이제는 (무료버전에서도) raw 데이터에 직접 접근할 수 있습니다. 그나마 자유롭다고 여겨졌던 UA의 맞춤보고서에서도 완전히 벗어나, 이렇게 직접 데이터를 조회할 수 있습니다. 아래는 구글 애널리틱스 고객센터에서 제공하는 샘플 쿼리입니다.
② 결합하여 확장하기
raw 데이터에 직접 접근할 수 있다는 것은, 할 수만 있다면 데이터를 이리저리 자유롭게 만지고, 근사한 요리로 만들 수도 있다는 것과 같습니다. 통계 수치로만 보던 것을 raw 데이터 기반으로 직접 가공하여 다른 데이터와 연계하여 분석할 수 있습니다. 다시 말해 GA4 데이터에 다른 소스의 데이터도 결합할 수 있다는 것입니다. 고객이 웹/앱 등 온라인 채널에 방문 하기 이전 단계인, 광고 캠페인으로 부터의 유입, 비용, 성과부터 전환이 일어날 때까지 등의 전 여정을 확인할 수 있게 됩니다. 브랜드 인지부터 고객 여정에서의 행동 특징/특성을 통해 고객을 세분화하여 분석 및 추출할 수도 있고, 광고 플랫폼과 연계하여 리타겟팅 캠페인에 활용할 수 있습니다.
데이터 전문 인력을 보유하지 않은 기업이라면, 당장 모든 데이터의 결합을 계획하기는 쉽지 않으니, 광고 데이터와 전환 성과 데이터부터 결합하는 것으로 시작하는 것을 권장합니다. 비즈스프링 AIR™에서는 캠페인/광고그룹/매체/광고상품/키워드 레벨로 각 매칭시켜 적재 및 관리를 도와, 입체적인 분석은 물론 향후 광고캠페인, 리타겟팅에 활용할 수 있도록 지원하고 있습니다.
③ 머신러닝·AI 엔진 활용하기
머신러닝, AI , 알고리즘.. 이젠 어느정도 익숙한 단어들이지만 비즈니스에서 데이터를 통해 직접 머신러닝, AI 를 활용한다는 것은 먼 이야기로만 느껴질 수 있겠습니다. 하지만 GA4 – Google BigQuery 연동으로 데이터를 적재하고 있다면 기반은 모두 마련된 것이라 볼 수 있습니다. 구글 빅쿼리에서 제공하는 머신러닝과 AI를 통해, 예측하거나 분류하여 이상 징후를 발견하는 것에 활용할 수 있습니다. 예를 들면 고객 행동 데이터 기반으로 고객의 관심사를 알아내어 적절한 콘텐츠/상품을 제안할 수 있고, 고객별 구매 예측율 점수를 매기어 구매 확률이 높은 고객을 분류 및 추출할 수 있습니다.
물론 예측과 분류 등 모두 사람이 가진 경험과 노하우로 할 수 있는 일입니다. 하지만, ML/AI 엔진을 활용하면 분명 도움을 받을 수 있습니다. 일례로, 쇼핑몰 K사에서 객단가 상향을 위한 프로모션에 반응할 확률이 높은 타겟(고객) 선별이 필요했습니다. K사 마케팅팀에서는 프로모션 대상 품목상 30~40대 여성 주부가 반응할 확률이 높다고 생각했었는데요. 머신러닝을 이용해 해당 프로모션에 반응할 확률이 높은 타겟을 선별하여 역추적하여 비교해본 결과, 실제 머신러닝을 통해 추출한 타겟의 60%가 30~40대 여성이었습니다. 바꾸어 말하면, 40% 타겟은 직접 발견하지 못했으나 ML/AI의 도움으로 발견하게 된 것입니다. ML/AI 에 모든 것을 맡긴다기보다는 이 사례처럼 사람의 경험과 노하우로 쉽게 발견할 수 없는 부분을 보완하는 방향으로 활용하는 것입니다.
구글이 열어준 새로운 기회
자유롭게 조회하여 가공할 수 있고, 결합하여 확장할 수 있고, 머신러닝/AI 엔진도 활용할 수 있는 이러한 환경을 이용하면 타겟 캠페인 및 잠재고객군을 발굴하는 것 뿐만 아니라, 타겟 고객별 개인화 콘텐츠/상품 추천을 통한 마케팅 캠페인, 고객 경험 개선을 위한 터치포인트 기반의 자동화 캠페인을 운영할 수 있습니다. 당장 조직 내에서 ML/AI 활용을 이야기하기 어려운 현실이라면, GA4를 통해 수집한 고객 행동 데이터와 네이버·카카오·메타 등 광고 캠페인 집행 데이터와의 결합하여 광고 캠페인과 고객에 대한 분석의 깊이를 더하는 것부터 시작해볼 수도 있습니다.
이미 많은 기업들이 고객중심의 비즈니스 기반을 만들고, 비즈니스 문제를 해결해가고 있습니다. (더보기)
UA에서 GA4로 변화하면서 누군가는 한계에서 벗어난 자유로움을 이야기하지만, 한편으로는 막막함과 혼란스러움을 이야기합니다. 하지만 아시다시피, 이 흐름은 거스를 수 없습니다. 거스를 수 없고 어차피 해야할 것이라면 많은 이들이 혼란스러워할 때, 조금이라도 더 애써보는 것이 큰 보상으로 돌아올 것입니다.
현실적으로 데이터 엔지니어링 또는 분석 관련 인프라를 갖추기 어렵다면, 직접 고군분투하시는 것보다 단순 툴 기반의 서비스가 아닌 (RAW) 데이터를 많이 다루어본 데이터 전문 기업과 함께 시작하시는 것을 적극 권장합니다. 처음부터 전문가의 지원으로 측정 기반을 새로 다질 기회이기도 합니다.
모두가 ‘GA4 어렵다, 어렵다’하는 이 틈을 타 비즈니스에서의 Data 활용 범위를 극대화하는 발판으로 삼아보시기 바랍니다. 앞으로도 이어질 구글이 열어준 이 새로운, 자유로운 측정의 세계에서 데이터 측정과 활용의 기반을 잘 다져나가시길 바랍니다.
