맥싸이트-픽

AI 시대 속 개인정보 보호 - 1단계 인식변화

Team MAXONOMY 2025.07.23

AI 시대 속 개인정보 보호 - 1단계 인식변화



지난 맥사이트픽 포스팅 “여러분의 고객 데이터는 안전한가요? (feat. DX·AX)”에서는 고객 데이터를 관리하지 못하는 기업이 점차 늘어나고 그에 따라 여러 문제가 발생하고 있음을 짚어봤습니다.


각 기업마다 가지고 있는 문제와 고객 데이터를 관리하는 환경은 전부 제각각 일 것입니다. 그렇다면, 각 기업의 문제점을 하나하나 들여다보기보단, 잘하고 있는 기업 사례를 살펴보고 유사하게 적용하려는 시도가 더 나은 방법일 수 있습니다.


이번 포스팅에서는 디지털 전환(DX)과 AI 전환(AX)을 잘 대처하면서도 개인정보 보호에 앞장서는 글로벌 기업 사례들을 살펴보겠습니다.







소비자의 개인정보 인식 실태


맥사이트픽을 읽는 여러분이 떠올리는 고객정보는 무엇인가요? 물론 취미나 관심사같은 사소한 정보까지 고객정보에 포함될 수 있겠지만, *PII와 같은 개인정보로 구성되어있는 데이터를 보통 고객정보라 칭하고 있습니다.

*PII(Personally Identifiable Information): 개인 식별 정보. 이름, 주민등록번호, 생성월일, 전화번호, IP주소 등 개인을 식별하거나 연락할 수 있는 모든 정보를 의미.


사실 대부분의 소비자들은 평소에 “내 개인정보가 잘 보호받고 있는가’, ‘기업이 내 개인정보를 소중히 다루고 있는가’에 대해 크게 의문을 갖지 않습니다. 나의 개인정보가 얼마나 중요한지 잘 체감하지 못하기도 하고, 내가 구매하고, 이용 중인 브랜드가 신뢰를 먼저 주는 경우도 잘 없기 때문이죠. 이 때문에, 회원가입 또는 기업의 이벤트를 참여하기 위해 기업이 제시하는 개인정보 제공 동의에 아무런 거부를 가지지 않는 경우가 많습니다. 단 1초만에 개인정보제출 동의를 클릭하고 다음 페이지로 넘어가는 것이지요.


하지만 이번 소비자도 개인정보 이슈가 발생하면, 아주 빠르게 뒤돌아 설 것입니다. 어쩌면 소비자는 기업에게 보이지 않는 신뢰를 주고 있었는지도 모릅니다. 기업은 이에 마땅히 응해야 하겠죠.





마이크로소프트: Privacy Dashboard


이미지 출처: Microsoft | Privacy Dashboard


고객데이터라는 기본 개념에 대해 마이크로소프트는 다음과 같이 말합니다. “고객에게 데이터 주권을 돌려주자”

이러한 개념을 바탕으로 Microsoft는 사용자에게 Privacy Dashboard를 제공하고 있습니다. Privacy Dashboard는 Microsoft 서비스 사용자가 자신의 계정을 통해 어떠한 데이터들이 수집되고 또 삭제, 관리되는지 등을 손쉽게 확인하고 직접 관리할 수 있게 하는 서비스입니다. 개인별로 원하는 수준의 개인정보보호 범위를 지정 가능하다는 장점이 있으며, 유럽 외 GDPR 국가 기준의 데이터 보호조치를 글로벌 표준으로 확장시킨 주역이기도 합니다. 현재는 구글 크롬과 같은 브라우저도 이와 비슷한 개인정보 설정 페이지를 운영 중입니다.





에어비앤비, 세일즈포스: 익명 기반의 데이터 분리 설계


해외 공유 숙박 브랜드 에어비엔비의 정보보안 핵심전략은 익명을 기반으로하는 데이터 분리 설계 입니다. 에어비엔비는 내부 직원이더라도, 데이터 엔지니어링팀도 개인 식별 가능 데이터, PII에 접근할 수 없습니다. 특히, 2018년 GDPR 도입 초기 기준을 철저히 따르도록 자체 개인정보보호 관리팀을 구성하고, privacy by design 이라는 코드베이스를 내장해 AI 기술을 활용하고 있습니다.


이처럼 데이터를 안전하게 다루기 위해서는 이를 위한 기술 뿐만 아니라 데이터 보안을 위한 조직 구조가 체계적으로 구현되어야 하는 점을 엿볼 수 있습니다. 유사한 사례로 세일즈포스는 AI와 관련된 제품과 서비스를 직접 개발하고 있지만, 동시에 AI 학습데이터에 개인 식별 정보가 포함되어있으면, 학습을 거부하도록 추가적인 정보 보호 조치를 만들어 놓고 있습니다.





웰스파고: 표준화된 데이터 품질 관리 구축


미국의 웰스파고 은행에서는 단일 소스 형태로의 고객 데이터 통합을 준비했습니다. 이를 통해 표준화된 데이터 품질 관리 운영을 목표한다는 것인데요. 고객의 온오프라인 행동에 맞춰 언제 어디서라도 데이터는 생겨납니다. 다양한 접점에서 생성된 고객 정보와 금융 거래 데이터를 중앙 CDP로 통합시키고 관리한다는 것이 웰스파고의 보호 정책의 핵심이었습니다. 그 밖에 분석 솔루션을 통해 구축한 대시보드를 기준으로 데이터 품질과 오류 발생 등을 모니터링하였습니다. 통합된 데이터로 데이터 정합성을 높여 데이터 오분류 및 오용 리스크등을 사전 예방하겠다는 것입니다.





건강 데이터와 AI 익명 솔루션


해외에서는 개인정보 중에서도 환자의 건강 정보등을 매우 중요하게 보관, 관리하고 있습니다. 특히 전자의무기록(EHR)은 접근 권한을 엄격히 제어하여 관리 담당자가 아니라면 절대 이를 확인, 활용할 수 없도록 강력한 규제를 적용합니다. 모든 접근에 대한 감사로그 유지와 규제 준수를 위한 정기 관리 체계 등이 일반 기업의 개인정보 관리 체계와 비교해, 개인정보 보호관리가 가장 세분화된 분야일 것 입니다. 최근 국내 의료기관에서도 DX를 준비하고, 환자의 개인정보 보호를 위한 체계 마련에 서둘루고 있습니다. 환자의 정보는 일반인의 개인정보보다 더 민감한 정보들로 구성되기 때문에 법적, 윤리적 기준을 준수해야만 한다는 인식이 확고한 이유이기도 합니다.


북미 마이애미의 한 어린이 병원 Nicklaus Children's Hospital에서는 이러한 개인정보 보호 체계 위에 AI 기반 익명 솔루션을 도입시켜, 의료 영상과 문서, 진료 정보 등 PII를 자동 탐지하고 마스킹 처리가 가능하도록 구현하여 AI 도입으로 인해 예전보다 조금 더 빠른 개인정보 데이터 관리를 향상시키는 노력을 하고 있습니다.





개인정보 보호 모범기업의 공통점


지금까지의 기업 브랜드 예시를 살펴보면 공통점을 찾을 수 있습니다. 언급된 기업들 모두 단순히 자신들의 데이터를 기술 중심에서 활용하는 재료로만 취급하는 것이 아니라, 데이터 거버넌스, 데이터 보호 조직과 문화 그리고 표준화된 접근, 통제 방식 등을 구축하고 이를 실질적으로 구현하기위한 노력을 하고 있다는 것입니다. 여기에 투명한 감시체계를 결합하여 자신들이 고객정보 보호 체계에 조금의 문제라도 발생한다면 가장 빠르게 수습, 해결할 수 있는 프로세스까지 마련되어있죠. 소비자가 기업에게 개인정보 보호에 관련한 신뢰를 먼저 내어주었던 만큼, 기업은 그에 합당한 리소스를 투입해야하는 의무가 있습니다.







🚩맥소노미가 PICK한 이유


AI대전환을 맞이하고 있는 현재, 왜 AI에게 개인정보 보호를 전적으로 맡기지 못하느냐는 질문이 생길 수 있습니다. 분명 AI의 데이터 처리는 훨씬 더 빠르고 계산 및 학습 능력이 더 높아지는 것은 맞지만, 신뢰도가 같은 속도로 높아지고 있는지는 아직 의문입니다.


대표적으로 대중들이 현재 사용중인 LLM 기반 생성형 AI에는 과도한 데이터가 모이고 그 데이터 안에는 잘못된 데이터 비중이 높아지고 있습니다. 이 때문에 AI의 환각은 줄어들기는 커녕 오히려 가짜 정보를 진짜 정보인 것처럼 제공하는 경우가 더 흔해지고 있다는 시각이 있습니다.


이전 포스팅에서도 언급했지만 현재 변화하는 디지털 환경에서는 신뢰가 바탕이된 효율성이 필요합니다. 그런 의미로 다음 포스팅에서는 AI와 외부데이터를 연결시키는 표준 (MCP)에 대해 이야기하고, AI를 통해 데이터들이 처리되는 과정에 대해 이야기 해보겠습니다.

logo

팀맥소노미

YOUR DIGITAL MARKETING HERO

맥소노미의 마케팅 인사이트를
뉴스레터로 만나보세요 💌

관련 글 보기

MCP: AI 사용자 경험을 확장시켜줄 핵심 연결고리

MCP: AI 사용자 경험을 확장시켜줄 핵심 연결고리

오늘날 마케팅의 본질은 단순히 제품을 알리는 데 그치지 않습니다. 소비자의 기대치는 그 어느 때보다 높아졌고, 기업은 “고객을 위한 경험”을 제공해야 한다는 압박을 받고 있습니다. 이런 변화 속에서 AI는 중요한 조력자로 부상했지만, 아직까지는 많은 한계가 있는 것이 사실입니다. 가장 큰 이유는 아직까지 AI기술이 일부 플랫폼 속에서 폐쇄적인 형태로 존재하기 때문입니다. 뛰어난 AI 기술을 여기저기서 활용하고 싶지만 그렇지 못한다는 것이죠.이 한계를 뛰어넘게 만들기 위해 AI업계에서는 MCP라는 기술을 적용시키고 있습니다. CDP도 아니고 MCP란 것은 또 무엇일까요? 왜 등장했을까요? 🤔 이번 맥사이트픽 포스팅에서는 MCP가 무엇이며, 마케터에게 MCP를 왜 주목해야 하는지 알아보도록 하겠습니다.MCP란?MCP는 Model Context Protocol의 약자로 AI가 외부의 다양한 도구와 데이터 소스에 표준화된 방식으로 연결되도록 설계된 프로토콜 기술인데요. 쉽게 말해, 모델이 단순히 텍스트만 처리하는 게 아니라 “컨텍스트”를 확장해서 다양한 애플리케이션·데이터 소스·플러그인과 소통할 수 있게 해주는 통신 규칙입니다. 이는 단순한 기술 혁신을 넘어 마케터가 소비자 경험을 설계하는 방식 자체를 변화시키는 AI 경험 확장의 첫 단계가 될 수 있습니다.흔히들 MCP를 다음과 같이 비유하고 있습니다. MCP는 AI와 외부 세계를 연결하는 ‘공용 어댑터 와 같다. 지금까지는 각 AI와 도구를 연결하기 위해 개별 API 연동을 해야 했습니다. 마케터 입장에서 이는 시간이 많이 들고, 통합 범위에도 한계가 있었습니다. 그러나 MCP는 이 과정을 표준화해 AI가 여러 도구에 동일한 형식으로 접근할 수 있도록 합니다. 그렇다면 이런 시도로 인해 사용자들의 AI 경험에 어떤 변화가 생기게 되는 것일까요. 크게 다음 3가지의 큰 변화를 경험할 수 있습니다. (1) 즉시성소비자는 기다림을 싫어합니다. MCP를 활용하면 AI는 고객 요청에 즉시 대응하며 대화 흐름을 끊지 않습니다. 예를 들어, 라이브 커머스 방송 중 소비자가 “이 제품 해외배송 가능한가요?”라고 물으면 AI는 판매 시스템에서 바로 정보를 가져와 답변합니다.(2) 연속성마케팅은 단발 이벤트로 끝나지 않습니다. MCP를 활용하면 AI가 고객과의 과거 대화를 기억하고, 다음 접점에서 이어서 대화를 진행합니다. 예를 들어, 지난주에 상품 상담을 했던 고객이 다시 채팅을 시작하면 AI가 “지난번 문의하신 블루 재킷, 오늘 재입고 되었습니다.”라고 답할 수 있게됩니다.(3) 몰입감소비자 경험이 끊김 없이 이어지고, 그 안에서 개인화된 정보가 활용되면 고객은 기업과의 상호작용에 더 깊이 몰입할 수 있게됩니다. MCP는 이러한 몰입형 브랜드 경험을 가능하게 하는 핵심 인프라입니다.MCP와 마케팅 혁신마케팅 측면에서 MCP는 다음 3가지 혁신을 기대할 수 있습니다.(1) 실시간 고객 응대의 혁신앞서 들었던 예시와 같이 MCP를 활용하면 고객이 “이 제품 지금 재고 있나요?”라고 묻는 순간, AI는 재고 관리 시스템에서 데이터를 바로 가져와 답변합니다. 더 이상 ‘추측성 응답’이 아닌 검증된 최신 데이터를 기반으로 한 응대가 가능합니다.(2) 개인화의 정교화마케팅의 핵심은 나만을 위한 메시지를 전달하는 것입니다. MCP는 AI가 고객의 과거 구매 이력, 웹사이트 행동 데이터, 실시간 위치 정보까지 통합해 맥락에 맞는 제안을 할 수 있도록 합니다. 예를 들어, 고객이 특정 제품 페이지를 열람한 직후 AI가 “현재 이 제품에 대해 10% 할인 중이며, 오늘 주문 시 내일 배송 가능합니다.”라는 메시지를 전송합니다.(3) 캠페인 운영 자동화마케터는 MCP를 통해 광고 집행 툴, 이메일 마케팅 플랫폼, SNS 채널을 하나의 AI 대화 환경에 통합할 수 있습니다. 캠페인 데이터를 분석해 성과가 낮은 타겟군을 즉시 조정하거나, 성과가 좋은 광고 문안을 다른 채널로 확장하는 자동화도 가능합니다.AI, 도구에서 에이전트로2025년의 마케팅 환경은 과거와 비교할 수 없을 정도로 복잡하고 역동성이 더해지고 있습니다.  AI 기술은 단순한 콘텐츠 생성 도구를 넘어, 고객 접점 전체를 통합 관리하는 에이전트 기반 생태계로 발전하고 있습니다.특히 MCP는 AI와 외부 데이터, 도구, 시스템을 하나의 언어로 연결하는 환경을 만드는 핵심 역할을 수행할 것입니다. 결과적으로는 AI 에이전트의 활성화를 이끌어낼 것이라 예상할 수 있습니다.MCP의 확산은 마케팅 생태계에 큰 변화를 가져올 것입니다. 앞으로의 AI 마케팅은 표준화 기반 생태계 → 도구·데이터 실시간 연동 → 자동화된 맞춤 경험 제공이라는 흐름으로 가속화될 것입니다. 마케터는 MCP 덕분에 기술 통합에 쓰던 시간을 절약하고, 전략과 창의성에 집중할 수 있습니다.MCP적용 시 주의점전적으로 AI로 인해 모든것이 자동화될 수록 주의사항은 더욱 명확합니다. 맥사이트픽으로 여러번 언급해드렸던 프라이버시와 보안 문제입니다. MCP로 연결되는 데이터는 실시간성이란 강한 무기를 가집니다. 그리고 그만큼 보안 위협을 수반합니다. AI가 민감한 데이터에 접근하는 만큼, 권한 제어와 감사 로그 관리가 필수이며 때로는 데이터 접근 권한을 최소화하고, 필요한 경우 고객 동의를 명확히 받아야 할 것입니다.또한 사용자 경험 관리 측면으로도 주의가 필요합니다. AI가 모든 요청을 자동 처리하더라도, 고객이 과도한 정보 제공을 요구받는다면 거부감을 느낄 수 있습니다. UX 설계 단계에서 고객 편의성을 최우선으로 고려해야 합니다. AI가 설계한 고객의 UX에 대해 고객이 100%만족할 것이라 기대에 의존하지 않는것이 좋습니다. AI 또한 잘못된 데이터를 기반으로 고객을 잘못 이해하거나 오해하는 경우가 생길 수도 있습니다. MCP의 구조와 설정 방식이 아직은 생소합니다. 이를 해결하기 위해 MCP 경험이 있는 파트너사와 협력하거나, 마케터, 개발자, 경영진이 모여 MCP의 가치와 역할에 대한 공감대 형성과 이해도를 맞추는 것이 첫번째 순서일 수 있습니다.마치며AX(AI 대전환)을 준비하는 기업과 브랜드에게 MCP는 실무에서 마케터가 직면하는 데이터 단절, 시스템 불일치, 운영 비효율 문제를 근본적으로 해결하고 여기에 고객 경험 강화, 영업 프로세스 최적화, 캠페인 자동화 등 다양한 영역에서 효과를 발휘기 위한 최고의 방안이 될 수 있습니다.마케터가 MCP를 성공적으로 활용하려면 우선순위 시스템 선정, 데이터 품질 관리, 보안 설계를 철저히 하기를 권해드립니다. 현시점부터 단계적으로 MCP를 도입하고 경험을 축적하는 기업이 향후 AI 마케팅을 리드하는 브랜드가 될 것임을 강조드리며, 이번 포스팅을 마치겠습니다.

마케팅 퍼널(Funnel) 의미와 분석 방법🔍

마케팅 퍼널(Funnel) 의미와 분석 방법🔍

퍼널 분석(Funnel Analysis)이란?퍼널 분석(Funnel Analysis)이란, 전환 지점에 이르기까지의 일련의 이벤트를 분석하는 방법을 말합니다. 제품, 웹사이트, 이메일 등 모든 종류의 디지털 접점에서 퍼널 분석을 할 수 있습니다. 퍼널 분석의 목적은 고객여정에서 중요한 이벤트를 정확히 파악하여, 테스트를 수행하고 사용자 경험을 개선하며 전환율을 높이는 것입니다.예를 들어, 이메일을 통해 무료 체험 이벤트를 홍보하고 무료 체험 사용자들이 최종적으로 유로 전환을 하길 원하는 캠페인이라면, 그 퍼널을 다음과 같이 구성될 것입니다.1단계: 잠재 고객이 이메일을 열고 무료 체험 제안을 발견2단계: 무료 체험을 신청하기 위해 CTA 버튼을 클릭3단계: 계정을 만들고 제품을 무료로 사용4단계: 무료 체험 기간이 종료된 후 잠재 고객이 유료 고객으로 전환퍼널 분석이 필요한 이유퍼널 분석은 왜 필요할까요? 광고에 혹해서 링크를 클릭하였는데 회원가입 절차가 복잡해서 사용을 종료한 경험, 괜찮아 보이는 앱을 설치했는데 구성이 복잡해서 금방 삭제한 경험, 한 번씩은 있을 것입니다. 고객이나 사용자가 디지털 경로를 따라가면서 원하는 결과에 도달하지 못하는 것은 굉장히 흔한 일입니다.이를 해결하기 위해 아무리 고객의 경험을 이해하려 해보아도 분명히 한계가 있습니다. 이때 퍼널 분석을 통해 각 단계를 통계적으로 들여다봄으로써 이러한 사용자의 마찰 지점을 효과적으로 개선할 수 있는 것입니다. 퍼널의 각 단계 사이에는 여러 가지 방해 요소나 장애물이 발생할 수 있으며, 무엇이 효과가 있고 무엇이 그렇지 않은지를 알려줄 수 있는 행동 패턴이 존재할 가능성이 큽니다.앞서 살펴본 예시에서 유독 3단계에서 이탈이 많다면, 그 원인이 무엇인지 행동 패턴에서 찾아볼 수 있을 것입니다. 가령 모바일 환경에서 회원가입 로딩 속도가 유독 느려 사용자가 회원가입을 쉽게 포기하기 때문일 수 있죠. 이런 경우 PC 사용자의 퍼널과 모바일 사용자의 퍼널을 비교하여 사실 여부를 쉽게 확인할 수 있을 것입니다. 이 문제를 개선하여 모바일 전환율이 PC 전환율만큼 높아진다면, 얼마나 많은 수익을 기대할 수 있을지 예상하고, 모바일 환경을 개선하는 투자 비용 대비 효과를 비교할 수 있을 것입니다. 즉, 우리가 늘 강조하는 데이터 기반의 의사결정을 수행하고 전환율을 개선할 수 있는 것입니다.정리하자면, 퍼널 분석은 다음과 같은 목적으로 사용할 수 있습니다:전환율 개선: 퍼널 분석을 통해 사용자가 최종 목적지에 도달하지 못하게 하는 요인을 파악하여, 해결책을 수립하고 전환율을 개선할 수 있습니다. 여기서 최종 목적지는 "가입" 버튼을 클릭하거나 PDF 다운로드 등 상황에 맞춰 다양하게 설정할 수 있습니다.퍼널 간소화: 웹사이트, 모바일 앱, 이메일, 대시보드 등 다양한 디지털 접점에서 퍼널을 만들 수 있을 것이고 이를 합치면 전체적인 고객 여정이 됩니다. 퍼널 분석은 이러한 각 여정이 서로 어떻게 연결되는지를 전체적인 관점에서 살펴보고 필요없거나 중복되는 부분을 찾아 간소화 할 수 있습니다.유입과 리텐션의 통합 : 보통 마케팅 팀은 신규 고객을 유입하는 데 집중하는 반면, 제품 팀은 그 고객을 유지하는 데 중점을 둡니다. 퍼널 분석은 두 팀이 데이터를 공유하고 인사이트를 교류할 수 있는 기회를 제공합니다.퍼널 분석 4가지 방법퍼널 데이터를 해석하고 활용하는 방식을 비즈니스와 산업에 따라 달라지지만, 대표적으로 다음 4가지의 방법이 있습니다.전환 분석퍼널을 분석하는 가장 기본적인 방법입니다. 각 단계에서 전환한 사용자의 수를 측정합니다. 주로 막대 그래프로 시각화하여 표현하죠. 전환 분석 방식의 핵심은 문제가 발생하였을 때 이를 빠르게 확인하고 조치를 취하는 것입니다. 퍼널의 한 단계에서 사용자 이탈이 갑자기 심해진다면, 그 부분을 빠르게 점검해야 합니다.기간에 따른 전환 분석기간에 따른 전환 분석은 특정 날짜에 퍼널에 진입한 사용자의 전환율을 확인하는 분석법입니다. 사용자가 퍼널을 완료하지 않아도 분석 대상에 계속 포함하는 것이지요. 휴일이나 특별 이벤트 동안 퍼널이 어떻게 자동하는지 이해하는 데 유용합니다. 전환 시간 분석각 사용자가 각 단계를 클릭하는 데 얼마나 시간이 걸리는지는 파악하여, 퍼널이 건강하게 작동하고 있는지 확인할 수 있습니다. 적절한 전환 시간은 비즈니스에 따라 다르기 때문에, 적절한 기준을 세우고 과거 데이터를 비교하여 설정할 필요가 있습니다. 가령, 패스트푸드 배달 앱과 세금 관련 서비스 앱의 기대되는 전환 시간은 완전히 다를 것입니다. 빈도 분석사용자가 퍼널의 다음 단계로 이동하기 전에 특정 행동을 몇 번이나 수행하는지 측정하는 분석 방법입니다. 빈도를 측정함으로써 사용자가 해당 퍼널 내에서 무엇을 얼마나 자주 하는지 파악할 수 있습니다. 가령, 장바구니 물건을 결제하기 전에 이 물건이 최저가가 맞는지 확인하기 위해 검색창에 들어가는 행동을 많이 보인다면, 장바구니 안에서 해당 물품이 최저가임을 나타내주는 메시지를 표시하여, 사용자가 더 간편하게 쇼핑 여정을 마칠 수 있도록 유도할 수 있을 것입니다.이 외에도 비즈니스나 상황에 최적화된 독특한 관점으로 접근하여 퍼널 분석을 진행할 수 있습니다. 위의 기본적인 퍼널 분석 방법에 익숙해진다면, 더 창의적인 방법으로 문제를 해결해보세요.퍼널 분석 도구퍼널 분석을 위해선 관련된 도구가 필수로 필요합니다. 대표적인 퍼널 분석 도구인 Amplitude는 단순 페이지 뷰나 세션뿐만 아니라 모든 종류의 이벤트나 사용자 행동을 측정하고 추적할 수 있습니다. 퍼널 이벤트의 순서를 지정하고 행동 코호트를 세분화하며, 특정 전환 기간을 설정할 수도 있죠.다음은 퍼널 분석 도구를 선택할 때, 필수로 체크해야하는 요소입니다고객 여정 전반에 걸쳐 사용자 행동을 시각화하고, 측정하며, 이해할 수 있어야 합니다. 이때 사용자를 코호트로 분류하여 확인할 수 있는 것이 좋습니다.퍼널 상에서 문제점이 발생했을 때, 이를 빠르게 감지하고 알림을 보낼 수 있어야 합니다.제품 개선, 개인화, 원활한 고객 여정 구축를 위한 추가적인 데이터 연계가 가능해야 합니다.콘텐츠 더 읽어보기전환율(Conversion Rate)이란?🔍(feat. 전환율 계산 및 개선법)퍼널(Funnel) 분석과 사용 사례구매 전환율을 높이는 6가지 전략

A/B테스트 개념과 데이터 분석 방법🔍

A/B테스트 개념과 데이터 분석 방법🔍

A/B 테스트는 두 가지 혹은 그 이상의 서로 다른 버전(Variant)을 비교하여 어느 쪽이 더 나은 성과를 내는지 판단하는 실험 기법입니다.

모바일 게임 리텐션(Retention) 바로알기 🎮

모바일 게임 리텐션(Retention) 바로알기 🎮

모바일 게임의 성과를 측정할 때 가장 중요한 지표는 아마 리텐션일 것입니다. 리텐션을 측정하는 기본적인 방식은 어느 서비스나 동일하지만, 서비스나 산업에 따라 그 특성에 맞는 상세한 리텐션 설정 기준과 측정 방법이 존재합니다. 모바일 게임 서비스도 마찬가지로 게임이라는 특성에 맞는 적합한 리텐션율 측정법이 있습니다.리텐션율은 크게 'N-day 리텐션율', 'Unbounded 리텐션율', 'Bracketed 리텐션율' 3가지로 나뉩니다. 이중 모바일 게임에 가장 많이 적용하는 지표는  N-day 리텐션율입니다. 이유가 무엇일까요? 이번 포스트에서는 모바일 게임에 적합한 리텐션 설정 방법과 그 이유에 대해서 알아보겠습니다.N-day 리텐션 vs Unbounded 리텐션N-day 리텐션은 사용자가 처음 앱을 사용한 이후, 지정된 날에 앱으로 돌아오는 비율을 말합니다. 예를 들어, 2일차 N-day 리텐션율이 50%라면, 새로운 유저의 50%가 2일차에도 앱을 실행했다는 것을 의미합니다. 반면, Unbounded 리텐션은 특정한 날짜에 앱으로 돌아오는 사용자의 비율이나 이후의 임의의 날짜를 측정합니다. 만약 2일차 Unbounded 리텐션율이 50%라면, 새로운 사용자의 50%가 2일차를 포함한 그 이후에 한번이라도 앱을 사용했다는 것을 뜻합니다.아래는 동일한 모바일 애플리케이션에 대한 N-day 리텐션과 Unbounded 리텐션(Rolling Retention)을 비교한 그래프입니다.그래프를 보시면 알겠지만, 두 지표 간의 차이는 상당히 큽니다. 이 사실을 모른채로 아무 리텐션 지표를 모니터링한다면, 중요한 비즈니스 의사결정에 큰 오류가 생길 수 있겠죠.Day 1을 기준으로 보면 N-day 리텐션은 43%로, 신규 유저 중 43%가 앱을 처음 사용한 후 첫 번째 날에 앱을 실행했다는 것을 의미합니다. 반면, Unbouded 리텐션은 59%로, 이는 새로운 사용자 중 59%가 Day1을 포함하여 그 이후의 어느 날이든 한번 이상 앱을 실행했다는 것을 의미합니다.N-day 리텐션을 사용하면, 앱을 가장 처음 실행한 이후 N일이 지난 시점까지 앱으로 얼마나 많은 사용자가 돌아오는지 정확한 비율을 알 수 있습니다. 따라서 모바일 게임같이 유저가 매일 플레이하는 것이 목표인 애플리케이션은 N-day 리텐션이 적합하다고 할 수 있죠.물론 N-day 리텐션이 항상 정답은 아닙니다. 어떤 케이스에서는 매일은 아니더라도 조금 긴 텀을 가지고 사용자가 돌아오는 것이 유의미할 수 있습니다. 대표적으로 모바일 임대료 결제 앱이라면, 사용자가 매월 한 번씩만 앱을 사용하여 결제를 하는 것이 앱 성공의 기준이 될 수 있겠죠. 이 경우에는 N-day 리텐션보다는 Unbouded 리텐션을 측정하는 것이 유용할 것입니다. 흔한 케이스는 아니겠지만, 특정 게임도 Unbouded 리텐션을 사용하는 것이 적합할 수 있습니다. 예를 들어 '텐텐 오락실'이라는 앱은 술자리나 많은 사람들이 모인 자리에서 다 함께 플레이하는 모바일 게임입니다. 이런 류의 게임의 경우, 유저가 매일 습관적으로 접속하길 기대하지 않겠죠.시간 기준 리텐션 VS 날짜 기준 리텐션N-day 리텐션과 Unbounded 리텐션 차이 외에도, 시간 기준과 날짜 기준으로 리텐션 계산 방법을 나눌 수도 있습습니다. 시간 기준으로 계산한다면, 각 사용자별 접속 시간을 기준으로 날짜를 구별합니다. 즉, Day 0는 사용자가 앱을 최초로 실행시킨 시간부터 24시간이 지난 시간인 0 ~ 24시간 사이를 의미하고, Day 1은 24시간부터 48시간 사이를 의미합니다. Day 1 리텐션율이 10%라고 가정해본다면, 1,000명의 사용자 중에서 100명이 각각의 처음으로 앱을 실행한 이후 24시간에서 48시간 사이에 앱을 한번 이상 더 실행했다는 것을 뜻합니다. 만약 사용자 X가 화요일 오후 4시에 처음으로 앱을 실행했다면, 수요일 오후 4시와 목요일 오후 4시 사이에 앱을 다시 열었다는 뜻입니다.반면, 날짜를 기준으로 계산할 때, 리텐션 차트는 그저 달력상의 날짜를 기준으로 측정됩니다. 만약 어떤 사용자가 10월 1일 오후 11시에 처음으로 앱을 실행했다면, 이 사람의 Day 0는 10월1일, Day 1는 10월 2일이 될 것입니다.아래 그래프는 앞서 살펴본 동일한 앱에 대한 시간 기준 리텐션과 날짜 기준 리텐션 수치입니다.처음 며칠 동안에 가장 뚜렷한 차이가 나타난다는 것을 알 수 있습니다. 날짜 기준 Day 1 리텐션은 43%인 반면, 시간 기준 Day 1 리텐션은 32%에 불과합니다. 하지만 시간이 흐름에 따라, 두 그래프 간의 차이는 줄어들고 이 둘을 구별하는 의미는 많이 사라진다고 볼 수 있습니다.시간 기준과 날짜 기준을 구별하는 이유시간이 흐름에 따라 구별 의미가 줄어들면 굳이 이 두 지표를 나누는 이유가 있나 궁금해질 겁니다. 하지만 우리가 리텐션 지표를 평가할 때는 보통 앱 출시 초기에 다른 앱의 리텐션 지표와 비교하는 식으로 많이 진행합니다. 이 때, 다른 기준의 리텐션 지표를 비교하면 분명 큰 오류가 생기겠죠. 빠르게 시장 반응을 살피고 대응해야하는 앱 출시 초기에는 이 오류가 치명적으로 작동할 수 있습니다.예를 들어, 모바일 게임 초기 버전을 런칭한 후 Day 1 리텐션율이 32%라고 가정해봅시다. 이것만으로는 리텐션이 잘 이루어지고 있는지 판달할 수 없겠죠. 최대한 유사한 게임과 리텐션율을 비교해보아야합니다. 만약 이 때, 시간 기준과 날짜 기준 리테션 지표를 잘못 비교한다면, 제대로된 벤치마크가 되지 않겠죠.결국 어떤 지표로 모바일 게임을 측정해야하나요?리텐션 지표에 정해진 정답은 없습니다. 그렇지만 일반적인 경우에는 날짜 기준 리텐션보다는 시간 기준 리텐션이 더 정확한 현황을 보여준다고 할 수 있습니다. 하지만 시간 기준 리텐션은 정확한 데이터를 얻는데 하루 더 걸린다는 단점이 있습니다. 앱 출시 초기라면 하루 일찍 대응하는 것의 차이가 큰 결과 차이를 만들 수 있죠.정리하자면, "일반적인 모바일 게임이라면 N-day 리텐션을 측정하는 것이 좋지만, 간혹 매일 들어오는 것을 원하지 않는 게임일 경우 Unbounded 리텐션 지표를 사용하는 것이 좋을 수 있으며, 또 기본적으로 시간 기준 리텐션을 측정하는 것이 정확하나, 데이터를 더 빨리 얻어야 할 때는 날짜 기준 리텐션을 먼저 살펴보는 것이 좋다." 정도가 될 것 같습니다.다시 한번 말하지만 리텐션에 정해진 정답은 없으며, 각 지표가 정확히 무엇을 측정하는 것인지 알고 있다면, 어떤 상황에서든 데이터 기반의 유의미한 인사이트를 도출할 수 있을 것입니다.콘텐츠 더 읽어보기고객 리텐션 마스터 가이드북리텐션(Retention) 의미와 측정 방법🔍리텐션 캠페인 효과를 최대화하는 8가지 방법



지난 맥사이트픽 포스팅 “여러분의 고객 데이터는 안전한가요? (feat. DX·AX)”에서는 고객 데이터를 관리하지 못하는 기업이 점차 늘어나고 그에 따라 여러 문제가 발생하고 있음을 짚어봤습니다.


각 기업마다 가지고 있는 문제와 고객 데이터를 관리하는 환경은 전부 제각각 일 것입니다. 그렇다면, 각 기업의 문제점을 하나하나 들여다보기보단, 잘하고 있는 기업 사례를 살펴보고 유사하게 적용하려는 시도가 더 나은 방법일 수 있습니다.


이번 포스팅에서는 디지털 전환(DX)과 AI 전환(AX)을 잘 대처하면서도 개인정보 보호에 앞장서는 글로벌 기업 사례들을 살펴보겠습니다.







소비자의 개인정보 인식 실태


맥사이트픽을 읽는 여러분이 떠올리는 고객정보는 무엇인가요? 물론 취미나 관심사같은 사소한 정보까지 고객정보에 포함될 수 있겠지만, *PII와 같은 개인정보로 구성되어있는 데이터를 보통 고객정보라 칭하고 있습니다. 

*PII(Personally Identifiable Information): 개인 식별 정보. 이름, 주민등록번호, 생성월일, 전화번호, IP주소 등 개인을 식별하거나 연락할 수 있는 모든 정보를 의미.


사실 대부분의 소비자들은 평소에 “내 개인정보가 잘 보호받고 있는가’, ‘기업이 내 개인정보를 소중히 다루고 있는가’에 대해 크게 의문을 갖지 않습니다. 나의 개인정보가 얼마나 중요한지 잘 체감하지 못하기도 하고, 내가 구매하고, 이용 중인 브랜드가 신뢰를 먼저 주는 경우도 잘 없기 때문이죠. 이 때문에, 회원가입 또는 기업의 이벤트를 참여하기 위해 기업이 제시하는 개인정보 제공 동의에 아무런 거부를 가지지 않는 경우가 많습니다. 단 1초만에 개인정보제출 동의를 클릭하고 다음 페이지로 넘어가는 것이지요.


하지만 이번 소비자도 개인정보 이슈가 발생하면, 아주 빠르게 뒤돌아 설 것입니다. 어쩌면 소비자는 기업에게 보이지 않는 신뢰를 주고 있었는지도 모릅니다. 기업은 이에 마땅히 응해야 하겠죠.





마이크로소프트: Privacy Dashboard 


이미지 출처: Microsoft | Privacy Dashboard


고객데이터라는 기본 개념에 대해 마이크로소프트는 다음과 같이 말합니다. “고객에게 데이터 주권을 돌려주자”

이러한 개념을 바탕으로 Microsoft는 사용자에게 Privacy Dashboard를 제공하고 있습니다. Privacy Dashboard는 Microsoft 서비스 사용자가 자신의 계정을 통해 어떠한 데이터들이 수집되고 또 삭제, 관리되는지 등을 손쉽게 확인하고 직접 관리할 수 있게 하는 서비스입니다. 개인별로 원하는 수준의 개인정보보호 범위를 지정 가능하다는 장점이 있으며, 유럽 외 GDPR 국가 기준의 데이터 보호조치를 글로벌 표준으로 확장시킨 주역이기도 합니다. 현재는 구글 크롬과 같은 브라우저도 이와 비슷한 개인정보 설정 페이지를 운영 중입니다.





에어비앤비, 세일즈포스: 익명 기반의 데이터 분리 설계


해외 공유 숙박 브랜드 에어비엔비의 정보보안 핵심전략은 익명을 기반으로하는 데이터 분리 설계 입니다. 에어비엔비는 내부 직원이더라도, 데이터 엔지니어링팀도 개인 식별 가능 데이터, PII에 접근할 수 없습니다. 특히, 2018년 GDPR 도입 초기 기준을 철저히 따르도록 자체 개인정보보호 관리팀을 구성하고, privacy by design 이라는 코드베이스를 내장해 AI 기술을 활용하고 있습니다.


이처럼 데이터를 안전하게 다루기 위해서는 이를 위한 기술 뿐만 아니라 데이터 보안을 위한 조직 구조가 체계적으로 구현되어야 하는 점을 엿볼 수 있습니다. 유사한 사례로 세일즈포스는 AI와 관련된 제품과 서비스를 직접 개발하고 있지만, 동시에 AI 학습데이터에 개인 식별 정보가 포함되어있으면, 학습을 거부하도록 추가적인 정보 보호 조치를 만들어 놓고 있습니다.





웰스파고: 표준화된 데이터 품질 관리 구축


미국의 웰스파고 은행에서는 단일 소스 형태로의 고객 데이터 통합을 준비했습니다. 이를 통해 표준화된 데이터 품질 관리 운영을 목표한다는 것인데요. 고객의 온오프라인 행동에 맞춰 언제 어디서라도 데이터는 생겨납니다. 다양한 접점에서 생성된 고객 정보와 금융 거래 데이터를 중앙 CDP로 통합시키고 관리한다는 것이 웰스파고의 보호 정책의 핵심이었습니다. 그 밖에 분석 솔루션을 통해 구축한 대시보드를 기준으로 데이터 품질과 오류 발생 등을 모니터링하였습니다. 통합된 데이터로 데이터 정합성을 높여 데이터 오분류 및 오용 리스크등을 사전 예방하겠다는 것입니다.





건강 데이터와 AI 익명 솔루션


해외에서는 개인정보 중에서도 환자의 건강 정보등을 매우 중요하게 보관, 관리하고 있습니다. 특히 전자의무기록(EHR)은 접근 권한을 엄격히 제어하여 관리 담당자가 아니라면 절대 이를 확인, 활용할 수 없도록 강력한 규제를 적용합니다. 모든 접근에 대한 감사로그 유지와 규제 준수를 위한 정기 관리 체계 등이 일반 기업의 개인정보 관리 체계와 비교해, 개인정보 보호관리가 가장 세분화된 분야일 것 입니다. 최근 국내 의료기관에서도 DX를 준비하고, 환자의 개인정보 보호를 위한 체계 마련에 서둘루고 있습니다. 환자의 정보는 일반인의 개인정보보다 더 민감한 정보들로 구성되기 때문에 법적, 윤리적 기준을 준수해야만 한다는 인식이 확고한 이유이기도 합니다. 


북미 마이애미의 한 어린이 병원 Nicklaus Children's Hospital에서는 이러한 개인정보 보호 체계 위에 AI 기반 익명 솔루션을 도입시켜, 의료 영상과 문서, 진료 정보 등 PII를 자동 탐지하고 마스킹 처리가 가능하도록 구현하여 AI 도입으로 인해 예전보다 조금 더 빠른 개인정보 데이터 관리를 향상시키는 노력을 하고 있습니다. 





개인정보 보호 모범기업의 공통점


지금까지의 기업 브랜드 예시를 살펴보면 공통점을 찾을 수 있습니다. 언급된 기업들 모두 단순히 자신들의 데이터를 기술 중심에서 활용하는 재료로만 취급하는 것이 아니라, 데이터 거버넌스, 데이터 보호 조직과 문화 그리고 표준화된 접근, 통제 방식 등을 구축하고 이를 실질적으로 구현하기위한 노력을 하고 있다는 것입니다. 여기에 투명한 감시체계를 결합하여 자신들이 고객정보 보호 체계에 조금의 문제라도 발생한다면 가장 빠르게 수습, 해결할 수 있는 프로세스까지 마련되어있죠. 소비자가 기업에게 개인정보 보호에 관련한 신뢰를 먼저 내어주었던 만큼, 기업은 그에 합당한 리소스를 투입해야하는 의무가 있습니다. 







🚩맥소노미가 PICK한 이유


AI대전환을 맞이하고 있는 현재, 왜 AI에게 개인정보 보호를 전적으로 맡기지 못하느냐는 질문이 생길 수 있습니다. 분명 AI의 데이터 처리는 훨씬 더 빠르고 계산 및 학습 능력이 더 높아지는 것은 맞지만, 신뢰도가 같은 속도로 높아지고 있는지는 아직 의문입니다.


대표적으로 대중들이 현재 사용중인 LLM 기반 생성형 AI에는 과도한 데이터가 모이고 그 데이터 안에는 잘못된 데이터 비중이 높아지고 있습니다. 이 때문에 AI의 환각은 줄어들기는 커녕 오히려 가짜 정보를 진짜 정보인 것처럼 제공하는 경우가 더 흔해지고 있다는 시각이 있습니다.


이전 포스팅에서도 언급했지만 현재 변화하는 디지털 환경에서는 신뢰가 바탕이된 효율성이 필요합니다. 그런 의미로 다음 포스팅에서는 AI와 외부데이터를 연결시키는 표준 (MCP)에 대해 이야기하고, AI를 통해 데이터들이 처리되는 과정에 대해 이야기 해보겠습니다. 

보안, 마케팅 트렌드, 데이터 수집