개인정보 보호 시대에 데이터를 얻기 위한 방법들

이번 포스팅을 놓치면 이런 내용들을 알 수 없게 되요.
1. Zero-Party Data가 무엇인지
2. First-Party Data가 무엇인지
3. Zero-Party Data와 First-Party Data의 역할
4. 개인정보보호 정책을 우회하기 위한 플랫폼의 방식

 

옛날 많은 사람들의 감동을 주었던 <TV는 사랑을 싣고>를 아시나요? 이러한 프로그램이 국내에서 방영될 수 있었던 이유는 개인정보보호의 인식이 흐릿했기 때문입니다. 누구나 손쉽게 개인정보를 조회할 수 있었고, 개인정보보호가 필요성을 잘 인식하지 못했죠.

 

 

하지만 시대가 변하면서 개인정보의 중요성을 사람들이 인식하게 됐고, 이는 곧 비즈니스의 변화로 다가왔습니다. 과거에 우리는 고객들의 정보를 손쉽게 얻을 수 있었지만, 이제는 Web이나 App에서 제한적으로만 볼 수 있습니다.

이미 Web에서는 Google Privacy Sandbox나 GDRP(General Data Regulation, 일반 데이터 보호 규정)이 적용되었고,

App에서도 Apple은 ATT를 적용했습니다. 더불어 Google 또한 Privacy Sandbox가 App으로 확대되었죠.

 

지금까지 개인정보보호의 방향성을 보면 Web과 App에서 수집하는 Third-Party Data 기반 정보수집은 더욱 제한될 거 같습니다. 우린 앞으로 두 갈래 길 앞에 서있게 되었죠. 

하나는 개인정보보호에 적응하는 길과 개인정보보호를 우회해서 피하는 길입니다. 하지만 누가 봐도 후자는 위험성이 높습니다. 어렵겠지만 우리는 개인정보보호에 적응하는 방법을 배워야 합니다.

 

개인정보보호에 적응하는 방법

Zero-Party Data 활용하기

Zero-Party Data란 고객이 자발적으로 제공하는 정보입니다.
대체로 온보딩 설문조사나 혜택을 받기 위해 제공하는 정보 등을 의미합니다.

 

 

Zero-Party Data는 기존 Third-Party Data와 달리 고객이 직접 정보를 입력하고 전달합니다. 외부 플랫폼의 개입없이 기업은 고객의 정보를 소유할 수 있죠. 하지만 Zero-Party Data는 수집할 때 회사에서 어떻게 활용할 것인지 투명하게 안내가 필요합니다. 그렇지 않으면 고객은 데이터 사용에 의심을 하고, Zero-Party Data 제공 자체를 거부할 수도 있죠.

 

Zero-Party Data를 위해 많은 기업이 온보딩 설문조사나 퀴즈 등을 고려합니다. 하지만 가장 먼저 선행되어야할 것은 "우리 비즈니스 성장을 위해 어떤 데이터가 필요한지"를 선정하는 것입니다. 필요 데이터를 명확하게 안다면 필요만 정보만 수집할 수 있고, 고객의 피로도도 낮출 수 있습니다.

 

필요한 데이터가 굉장히 많을 수도 있는데요. 만약 사이트나 앱 이용률이 높다면 Zero-Party Data를 몇 차례 나눠 수집하는 것도 방법입니다. 고객의 피로도를 낮추면서 필요한 정보를 점진적으로 쌓을 수 있기 때문이죠.

 

 

그 외로 정보 제출을 지루하지 않도록 할 수도 있습니다. 독일의 건강관리 어플 Fastic은 온보딩 설문에서 많은 정보를 수집합니다. 하지만 다양한 UI 요소로 설문을 지루하지 않도록 만들었고, 높은 설문 완료율을 기록하고 있습니다.

 

Fastic은 답변에 따라 중간중간 우리가 어떻게 도와줄 것인지, 어떤 것들을 제공해줄 것인지를 안내하며 주의를 환기합니다. 이러한 과정으로 긴 온보딩 설문조사를 지루하지 않게 만듭니다.

 

Zero-Party Data는 온보딩 설문으로만 수집할 필요는 없습니다. 혜택을 제공하면서 정보를 수집하는 방법도 사용할 수 있죠. 웨비나를 초대하거나, E-book을 제공할 수도 있습니다. 그 외에도 상품 제공 이벤트 참여 등 많은 방법으로 필요한 데이터를 수집할 수 있습니다. 

 

First-Party Data 활용하기

 

Zero-Party Data는 고객이 직접 제공하지만 부정확한 정보를 제공할 수도 있습니다. 누군가 좋아하는 영화의 장르를 로맨틱으로 안내했지만, 사실 스릴러를 더 좋아할 수도 있죠. First-Party Dta는 그러한 측면에서 더 높은 정확도를 보입니다. 고객의 주문 정보나 행동 정보, 이메일 등 고객이 기업의 사이트 등에서 진행한 행동 데이터를 수집하기 때문이죠.

 

First-Party Data 또한 고객 데이터를 조직이 직접 소유하게 됩니다. First-Party Data는 사용자의 행동 데이터를 기록하기에 데이터 수집, 분석, 활용 방법을 기업이 모두 제어할 수 있습니다. 다만, 개인정보 보호법과 규정을 준수해야하며, 데이터 수집 전 사용자에게 동의를 얻어야 합니다.

 

마케터들은 First-Party Data에 익숙합니다. 마케터들이 자주 사용하는 Google Analytics나 Amplitude, Mixpannel 등 사이트 분석 도구가 First-Party Data의 관리를 돕는 플랫폼이기 때문이죠. First-Party Data로 우리는 주요 상품을 확인할 수 있고, 사이트나 앱의 병목이 발생한 부분을 발견하고 수정할 수도 있습니다.

 

해당 데이터는 행동에 기반한 데이터인 만큼 높은 신뢰성을 가집니다. 그렇다면 "비교적 신뢰도가 낮은 Zero-Party Data의 중요성은 낮은걸까?" 하는 생각이 든다면, 그것은 또 아닙니다.

Google Analytics4를 사용해야 하는 3가지 이유.

 

<행동 데이터>와 <행동의 이유가 되는 데이터>

 

First-Party Data는 고객의 행동을 기반으로한 데이터를 제공합니다. 행동 데이터로 우리는 숫자로 구성된 데이터를 얻습니다. 이 데이터는 높은 신뢰도를 갖고 병목 지점, 강점 요소 등을 파악할 수 있게 돕죠. 하지만 숫자로 된 데이터는 결과값일 뿐, 행동의 이유는 알 수 없습니다.

 

만약 우리가 First-Party Data로 공구세트의 선호도가 높은 점을 알았다고 봅시다. 하지만 왜 공구세트의 선호도가 높은걸까요? 이 경우 마케터의 감에 의존하거나, 사회적 분위기, 트렌드를 파악해서 추론할 수 있습니다.

 

만약 이러한 상황에서 Zero-Party Data로 구매한 상품의 이유를 받고 있었다면 어떨까요? 각각의 공구를 구매했지만, 생각보다 여러 공구가 필요한 순간이 많아서 공구 세트로 구매한 대답이 많았다면 어떤가요? 우린 공구세트가 많이 판매된 '이유'를 알 수 있습니다. 더불어서 공구세트가 필요하다고 느껴지는 '상황'도 알게 됐죠.

 

그렇다면 이제 공구세트를 스테디 셀러로 높이기 위한 행동을 할 차례입니다. 이전에 공구를 구매한 고객들에게 CRM을 보내면 어떨까요? "혹시 더 많은 공구 필요하지 않으셨나요? 지금 공구세트를 구매하시면 10% 할인을 해드립니다." 등 구매 행동을 유인할 수 있습니다.

 

물론 반드시 Zero-Party Data로 행동의 이유를 파악할 수 있는 것은 아닙니다. First-Party Data로도 행동의 이유를 추론할 수 있습니다. 각 공구를 구매한 고객이 추후 공구세트까지 구매했다면, 우린 이유를 추론할 수 있겠죠. 하지만 그 데이터를 엮는 과정보다 Zero-Party Data가 행동의 이유를 아는 것에 도움이 될 수 있습니다.

 

개인정보보호를 우회하기.

Zero-Party Data나 First-Party Data가 중요한 점은 모두가 알게 됐습니다. 하지만 그 외로도 우린 Third-Party Data로 오랜 시간 데이터를 수집해왔습니다. Third-Party Data는 처음 언급된 것과 같이 개인정보보호 이슈로 데이터 수집이 점차 어려워지고 있습니다.

 

특히 App 환경은 Apple이 시작한 개인정보보호가 크게 작용해 가장 먼저 데이터 수집 제한이 시작됐습니다. 그리고 이것을 해결할 방법은 사실상 없습니다.

 

App 추적은 "IDFA 접근 다이얼로그"를 허용한 유저를 추적할 수 있습니다. 그리고 광고 데이터는 SKAN으로 데이터를 제공받지만, 실시간 제공이 안되죠. 게다가 SKAN으로 제공받는 Tier에 따라 받을 수 있는 정보도 다릅니다. 만약 install이 적다면 데이터를 제공받지 못할 수도 있습니다. 이러한 상황에서는 캠페인을 집중해 install을 높이고, 데이터를 제공받아야 합니다.

즉, SKAN과 Postback에 적응하는 방법 뿐입니다.

 

 

이 부분도 점차 고도화가 되면서 다른 해결 방법이 생길 것을 보입니다. 현재는 AB180의 Airbrige에서 MMM(Markeing Mix Modeling)이라는 이름의 측정 모델을 제공하고 있습니다. 마케팅과 인지도 등 다양한 변수로 광고 성과를 측정(추정형 측정)을 하고 있습니다.

 

하지만 광고 데이터를 보유한 Apple 등 플랫폼에서 데이터 제공이 없다면 추정에 기반할 수 밖에 없습니다. 어쩔 수 없이 App에서 광고 데이터 제한은 받아드리고 적응해야 합니다.

 

비즈니스에 제공되던 데이터가 점차 줄고 있습니다. 그만큼 안정적으로 수집할 수 있는 데이터들은 더 잘 활용해야 합니다. 하지만 언제나 데이터 수집과 분석에서 가장 중요한 것은 "어떤 목표를 위해, 어떤 데이터를 수집할 것인지" 아는 것입니다. <목적에 맞춘 데이터 수집>과 <데이터에 맞춘 목적 수립>은 굉장히 다른 결과를 만들어 내니까요.