아키텍처: 마케팅 데이터 웨어하우스

이 문서에서는 확장 가능한 마케팅 데이터 웨어하우스를 빌드하는 방법을 설명하는 참조 아키텍처를 제공합니다. 마케팅 데이터 웨어하우스 솔루션을 사용하면 개인 정보 보호를 준수하면서도 사용자에게 적시에, 대상화되고, 맞춤설정된 광고 경험을 제공할 수 있습니다. 이 문서는 마케팅 분석을 지원하는 마케팅 역할을 담당하는 데이터 엔지니어, 데이터 과학자, IT 구성원을 대상으로 합니다.

마케팅 데이터 웨어하우스를 구현하면 다음 비즈니스 요구를 해결할 수 있습니다.

  • 포괄적인 통계: 여러 개의 Software as a service(SaaS) 플랫폼을 사용하는 경우 이 아키텍처를 사용해서 마케팅 및 광고 데이터를 BigQuery에서 통합할 수 있습니다. 비즈니스 관계자인 경우 마케팅 및 비즈니스 성능에 대한 실시간 통계를 얻을 수 있습니다.

  • 마케팅 혁신: 데이터 과학자 또는 데이터 엔지니어의 경우 고객 세분화, 고객 평생 가치, 제품 추천, 구매 예측과 같은 비즈니스 요구에 맞는 머신러닝(ML) 모델을 빌드할 수 있습니다. 이메일 마케팅 또는 광고 타겟팅과 같이 여러 플랫폼에서 이러한 모델을 활성화할 수 있습니다.

  • 고객 경험: 마케팅 데이터 웨어하우스는 고객 선호도에 대해 더 높은 가시성을 제공하므로, 정확한 맞춤설정을 통해 고객 경험을 향상시킬 수 있습니다. 이러한 통계를 확보함으로써 자사 애플리케이션, 웹사이트, 온라인 광고, 이메일 마케팅과 같은 고객 상호작용 지점을 맞춤설정할 수 있습니다.

아키텍처

다음 다이어그램은 Google Cloud에서 여러 데이터 분석 및 ML 제품을 사용하는 일반적인 마케팅 분석 참조 아키텍처를 보여줍니다.

Google Cloud의 마케팅 분석 참조 아키텍처입니다.

이 다이어그램은 마케팅 데이터 웨어하우스 워크플로에서 구성 가능한 다음 단계들을 보여줍니다.

  1. 데이터 수집
  2. 데이터 처리
  3. 머신러닝
  4. 통계 및 활성화

아키텍처 구성요소

이 섹션에서는 필요한 기술 구성요소와 함께 마케팅 데이터 웨어하우스 솔루션의 단계에 대해 설명합니다.

데이터 수집

마케팅 데이터 웨어하우스를 빌드하는 첫 단계는 데이터를 중앙 위치에 통합하는 것입니다. 다음 데이터 소스에서 데이터를 수집할 수 있습니다.

  • Google 및 SaaS 플랫폼: Google 애널리틱스, Google Ads, Google Marketing Platform과 같은 데이터 소스를 BigQuery에서 Google Cloud 마케팅 데이터 웨어하우스로 수집할 수 있습니다. Salesforce와 같은 소스에서 데이터를 수집하기 위해 Google Cloud 및 파트너를 통해 SaaS 커넥터가 제공됩니다.
  • 퍼블릭 클라우드: BigQuery Data Transfer Service를 사용하여 다른 퍼블릭 클라우드에서 데이터를 수집할 수 있습니다. 예를 들어 Amazon S3에서 BigQuery로 데이터를 이동하려면 반복되는 로드 작업을 자동으로 예약하고 관리할 수 있습니다. 또한 Google Cloud 및 Amazon Web Services에서 데이터를 분석할 수 있게 해주는 유연한 멀티 클라우드 분석 솔루션인 BigQuery Omni를 사용할 수 있습니다.
  • API, 플랫 파일, 온프레미스 자사 데이터: 고객 관계 관리(CRM) 또는 판매 시점(POS) 시스템과 같은 소스로부터 데이터를 수집할 수 있습니다. 일반적으로 bq 명령줄 도구, BigQuery API 또는 콘솔을 사용하여 이 데이터 수집을 오프라인 상태에서 수행할 수 있습니다. 로컬 또는 Cloud Storage에서 데이터를 로드할 수 있습니다. 대규모 데이터 세트의 경우 Cloud Storage를 사용해서 대역폭 사용, 네트워크 속도, 제품 통합을 최적화하는 것이 좋습니다. 이벤트 기반 기준에 따라 데이터를 BigQuery에 로드하려면 Cloud 함수 트리거를 설정할 수 있습니다. 예를 들어 새 데이터 가용성을 기준으로 트리거를 설정합니다.

이전의 수집 방식에는 대부분 일괄 로드가 사용됩니다. 스트리밍 데이터 세트를 BigQuery에 수집하려면 BigQuery의 스트리밍 기능을 사용할 수 있습니다. 스트리밍 분석 사용 사례는 스트리밍 분석 솔루션을 참조하세요.

데이터 처리

데이터를 수집한 후 필요에 따라 데이터를 처리할 수 있습니다. 이 단계는 쿼리를 실행하기 전 데이터를 처리해야 할 경우에만 필요합니다. 데이터 처리에는 큰 데이터 세트에 일관성을 제공하기 위한 삭제 및 형식 재지정 작업이 포함됩니다. Google Cloud 내에서 제공되는 데이터 처리 제품을 사용할 수 있습니다.

사용자에 따라 적절한 Google Cloud 제품을 선택합니다. 예를 들어 다음 사용자 유형과 권장 제품을 고려하세요.

  • 추출, 변환, 로드(ETL) 데이터 파이프라인을 빌드하는 개발자는 Cloud Data Fusion 데이터 통합 제품을 사용할 수 있습니다. Cloud Data Fusion에는 코드 없이 ELT(추출, 로드, 변환) 및 ETL 데이터 파이프라인을 배포할 수 있게 해주는 UI가 포함되어 있습니다.
  • 마케팅 분석을 지원하는 데이터 엔지니어링 팀은 Dataflow를 사용할 수 있습니다. Dataflow를 사용하면 일괄 및 스트리밍 데이터 소스를 대규모로 수집하고 분석할 수 있습니다.
  • 데이터 분석가는 Dataprep by Trifacta를 통해 BigQuery에서 분석할 데이터를 시각적으로 탐색, 정리, 준비할 수 있습니다.

머신러닝

시스템에서 데이터 수집 및 처리가 완료된 후 다음 사용 사례에 대해 Google AI Platform 제품 옵션을 사용할 수 있습니다.

  • 빈도가 캠페인당 사용자별 변환에 어떤 영향을 미치는지에 관한 기술적 분석: 이 정보는 특정 사용자 목록에 따라 리마케팅 캠페인의 타겟팅 빈도를 조정할 수 있습니다. BigQuery는 이 정보를 사용할 수 있게 해주는 원시 Campaign Manager 360 데이터에 액세스할 수 있습니다.
  • 특정 사용자의 평생 가치에 대한 예측 분석: 특정 사용자 그룹을 예측할 때 판매 증가를 위해 마케팅 캠페인을 실행할 수 있습니다. 예를 들어 브랜드 참여율이 제한적인 사용자 그룹에서 사용자 참여가 높을수록 구매 가능성이 높은 것으로 확인될 수 있습니다. 데이터 결합 및 ML 사용을 통해 이러한 통계를 얻어서 고객 세그먼트를 빌드하고 평생 가치 금액을 예측할 수 있습니다.
  • 제품 감정에 대한 예측적 분석: 부정확한 타겟팅을 방지할 수 있도록 텍스트 댓글 및 평가의 발전 상태를 분석할 수 있습니다. 이러한 분석을 통해 사용자 그룹이 특정 특성을 지닌 제품을 어느 정도로 수용할지를 예측할 수 있습니다. 예를 들어 감정 예측을 위해 감정 분석 및 고객 세분화를 사용할 수 있습니다.

BigQuery에서 마케팅 데이터가 통합된 상태로 요구에 맞는 AI Platform 제품을 선택할 수 있습니다. 조직의 ML 성숙도와 기술 수준에 따라 다음 제품 중 하나를 선택합니다.

  • 조직이 ML에 익숙하지 않으면 AutoML을 사용하여 고객 ML 모델을 빌드하고 배포할 수 있습니다. 예를 들어 AutoML Tables를 사용해서 고객의 앱 제거 가능성 및 평생 가치와 같은 회귀 및 분류 모델을 빌드할 수 있습니다.
  • 조직에 SQL 기술이 있으면 BigQuery ML을 통해 SQL 구조를 사용해서 잠재고객 분류 모델과 같은 모델 생성, 평가, 예측을 수행할 수 있습니다. 지원되는 여러 모델을 학습 및 배포하고 BigQuery에서 데이터를 이동하지 않고 ML 워크플로를 실행할 수 있습니다.
  • 조직에 데이터 과학자팀이 있으면 Vertex AI를 사용해서 최적화된 모델을 대규모로 빌드 및 배포할 수 있습니다. 고객 평생 가치를 얻기 위해 Vertex AI를 사용하는 방법 예시는 AI Platform을 사용하여 고객 평생 가치 예측을 참조하세요.

통계 및 활성화

Google Cloud 옵션을 사용해서 통합된 광고 및 마케팅 데이터로부터 통계를 얻을 수 있습니다. 그런 후 차등화된 세그먼트와 같은 데이터를 다시 Google 애널리틱스 및 이메일 마케팅과 같은 플랫폼으로 가져올 수 잇습니다. Google Cloud는 요구에 따라 데이터에 대해 작업을 수행할 수 있는 여러 방법을 제공합니다. 예를 들어 차등화된 세그먼트를 다시 Google 애널리틱스 또는 Salesforce와 같은 선호 채널로 가져올 수 있습니다.

Google Marketing Platform용 Looker

또한 엔터프라이즈 비즈니스 인텔리전스(BI) 플랫폼인 Looker를 통해 통계를 검토 및 공유할 수도 있습니다. Looker를 사용하여 여러 데이터 세트를 조합하고, 채널 간 고객 행동을 추적하고, 고객을 속성에 따라 분류할 수 있습니다.

Looker를 사용하여 다음 통계를 생성할 수 있습니다.

  • 투자수익(ROI) 분석: 캠페인별 소비 및 수익을 파악합니다.
  • 알림: 전략 또는 광고가 잘못되었을 때 이메일 알림을 받도록 커스텀 규칙을 설정합니다.
  • 교차 채널 기여 분석: 마케팅 채널 간 고객 행동의 추세를 파악합니다.
  • A/B 테스트: 통계적으로 중요한 결과에 따라 변형이 핵심 사용자 행동에 미치는 영향을 분석합니다.
  • 획득 채널: 사용자 리드 및 고객이 유입된 위치를 추적합니다.
  • 동질 집단 분석: 데이터를 분류하고 시간 경과에 따라 서로 다른 세그먼트가 어떻게 작동하는지 분석합니다.

Looker에서 블록 및 작업은 Google Marketing Platform 광고 및 웹 데이터에 대한 강력하고 공유 가능한 분석의 기초를 제공합니다. 이러한 맞춤설정 가능한 블록 및 작업은 대화형 데이터 탐색, 간단한 ML 예측이 포함된 새로운 데이터 슬라이스, 활성화 경로를 다시 Google Marketing Platform에 제공합니다. 활성화 경로를 사용하면 자사 데이터를 사용해서 대상을 효과적으로 타겟팅할 수 있습니다.

다음 다이어그램은 Google 제품이 Looker와 함께 작동하는 방법을 보여줍니다.

제품이 Looker와 함께 작동하는 방법을 보여줍니다.

이 다이어그램은 Looker가 Google 애널리틱스 4, Google 애널리틱스 360, Campaign Manager 360의 통계 및 BigQuery의 모든 데이터를 사용해서 실시간 보고를 만드는 방법을 보여줍니다. 광고용 작업(고객 일치 사용) 및 분석용 작업(데이터 가져오기 사용)에 따라 Google Marketing Platform에서 Looker로부터 자사 데이터를 활성화할 수 있습니다. IAM과 같은 수평적 서비스는 마케팅 데이터 파이프라인을 계속해서 모니터링합니다.

커스텀 통합

또한 Google Cloud를 사용해서 원하는 플랫폼으로 데이터를 다시 푸시하도록 커스텀 통합을 빌드할 수 있습니다. 예를 들어 예약된 쿼리를 실행해서 애널리틱스 데이터와 함께 잠재고객 목록을 생성하고 데이터를 다시 API 호출에 푸시할 수 있습니다. 예를 들어 Cloud Storage에서 새 세그먼트가 준비된 다음 Cloud Functions를 사용해서 데이터 푸시를 트리거합니다.

다음 단계