핀테크 기업들이 데이터를 활용해 어떻게 높은 투자 수익률을 달성하는가

핀테크 마케팅 활동의 투자 수익률을 높이기 위해서는 통합 데이터의 탄탄한 기반이 필수적입니다. 출처: 게티 이미지

마케팅 에볼루션(Marketing Evolution)의 CEO 스티븐 윌리엄스는, 인공지능(AI) 이니셔티브를 확대하면서 동시에 측정 가능한 성과 개선을 달성하고자 하는 핀테크 기업들에게 통합 데이터가 왜 필수적인 요소인지 설명합니다.

윌리엄스는 금융 서비스 부문을 변화시키는 두 가지 주요 동력, 즉 AI 기술의 급속한 발전과 규제 환경 내 데이터 기반 마케팅 전략의 복잡성 증가가 교차하는 지점에서 활동하고 있습니다.

엔지니어에서 마케팅 에볼루션의 CEO로 성장한 그는, 현대적인 마케팅 인프라를 구축해 온 경력을 바탕으로, 점점 더 파편화되는 업계 환경에서 핀테크 기업들이 성과 지표를 더 잘 이해할 수 있도록 돕는 접근 방식을 제시합니다.

마케팅 에볼루션은 근본적으로 조직이 원시 마케팅 데이터를 실행 가능한 인텔리전스로 전환할 수 있도록 지원하는 데 주력합니다. 이 회사의 ‘마케팅 성과 기반(Marketing Performance Substrate)’은 서로 다른 데이터 소스를 통합하여 마케팅 인사이트를 도출할 수 있는 통일된 프레임워크를 제공합니다. 이 솔루션은 데이터의 공백을 메우고, 인과 관계 분석 기능을 통합하며, 성과 데이터를 지속적으로 업데이트하여 인간 팀과 AI 시스템 모두가 활용할 수 있는 신뢰할 수 있는 기록 시스템을 구축합니다.

AI 모델이 점점 더 표준화됨에 따라, 윌리엄스는 핀테크 기업의 진정한 차별화 요소는 모델 자체의 정교함이 아니라 그 기반이 되는 데이터 인프라의 강점에 있다고 주장한다. 이러한 구분은 엄격한 개인정보 보호, 거버넌스 및 규정 준수 요건이 데이터 활용 방식에 상당한 제약을 가하는 핀테크 분야에서 특히 중요하다. 또한, 계좌 개설부터 신용 획득에 이르는 고객 여정은 일반적으로 비선형적이며, 장기간에 걸쳐 여러 채널, 이해관계자 및 접점이 관여합니다.

스티븐 윌리엄스, 마케팅 에볼루션(Marketing Evolution) CEO

마케팅 에볼루션은 데이터를 익명화하고 확률적 방법을 활용해 고객 여정을 재구성함으로써, 금융 기관들이 마케팅 활동이 비즈니스 성과에 어떤 영향을 미치는지에 대해 더 명확하고 규정 준수 요건을 충족하는 관점을 확보할 수 있도록 지원하며, 업계에서 가장 복잡한 측정 과제 중 하나에 절실히 필요한 투명성을 제공합니다.

여기서 윌리엄스는 AI 모델이 아닌 데이터가 인공지능 이니셔티브의 성공을 좌우하는 핵심 요소가 되고 있는 이유를 설명하고, 핀테크 기업들이 전략적 목표와 실제 실행 간의 격차를 어떻게 해소할 수 있는지 개략적으로 설명합니다.

마케팅의 진전이 인프라 개발을 앞지른다면, 이러한 격차는 규제 대상인 금융 서비스 분야의 CMO들에게 어떤 영향을 미칠까요?

먼저 오늘날 조직이 직면한 광범위한 과제를 살펴보겠습니다. 모든 산업과 직무를 막론하고, 인공지능을 활용하여 업무 효율성을 높이고, 비용을 절감하며, 새로운 가치 창출원을 발굴해야 한다는 압박이 커지고 있습니다. 그러나 CMO의 경우, 시간이 지남에 따라 책임 범위가 크게 확대되었기 때문에 이러한 압박이 특히 강합니다.

오늘날 CMO는 브랜드 관리뿐만 아니라 매출 증대와 전반적인 비즈니스 성과에 대해서도 책임을 져야 합니다. 동시에 인공지능 솔루션을 신속하게 도입하고, 명확한 투자 수익(ROI)을 입증하며, 점점 더 분산되는 시스템과 데이터 소스를 아우르는 의사결정을 내려야 할 것으로 기대받고 있습니다.

규제가 엄격한 금융 서비스 분야에서는 긴 고객 여정, 다수의 이해관계자, 까다로운 규정 준수 요건, 그리고 상당한 데이터 제약으로 인해 이러한 과제는 더욱 막중해집니다.

비즈니스 운영을 정확히 반영하는 통합된 환경을 구축하는 것이야말로 궁극적으로 인공지능을 의미 있게 활용할 수 있게 해줍니다. 이러한 기반이 마련되면, 조직은 OpenAI, Anthropic, Google 등의 기업에서 제공하는 모델을 이 통합된 데이터 위에 적용하여 기존 정보 소스에서 가치를 창출할 수 있습니다.

저는 이를 다음과 같이 설명합니다. 모든 기업, 특히 금융 서비스 분야의 기업은 방대한 양의 가치 있는 데이터를 보유하고 있습니다. 하지만 그 데이터가 가치를 창출하기 위해서는 먼저 체계화되고, 정제되며, 구조화되고, 맥락이 부여되어야 합니다.

또 다른 문제는 많은 조직이 AI 도입 과정에서 실수를 하는 것보다 도입에 뒤처지는 것이 더 큰 위험이라고 널리 믿고 있다는 점입니다. 이러한 사고방식은 기반이 되는 데이터 인프라가 아직 완전히 구축되지 않은 상황에서도 신속하게 행동해야 한다는 엄청난 압박을 야기합니다.

인공지능이 초기에는 일정한 이점을 제공할 수 있겠지만, 그 활용을 뒷받침할 적절한 인프라가 부족하다면 조직은 점차 감소하는 수익을 경험하게 될 것입니다.

통합된 데이터 환경은 인공지능을 의미 있게 적용하기 위한 필수적인 토대가 됩니다. 출처: 게티 이미지

은행 및 보험 업계의 마케터들이 어트리뷰션 활동에서 겪는 “중간 단계의 격차”는 어떤 비용을 초래하고 있는가?

이와 관련된 비용은 상당하지만, 완화할 수 있습니다. 결국 마케터들은 측정할 수 있는 요소만 최적화하기 때문입니다. 그 결과, 특히 전환이 발생하기 훨씬 전에 이루어지는 초기 단계의 브랜드 활동이나 상위 퍼널 마케팅 활동처럼 기여도를 제대로 파악할 수 없는 분야에 과도하게 투자하는 경우가 많습니다.

이러한 문제는 특히 금융 서비스 분야에서 두드러지는데, 이 분야에서는 전환이 종종 중개인, 지점, 자문가, 플랫폼 또는 기타 하류 이해관계자들에 의해 처리되기 때문이다. 마케팅이 수요를 창출할 수는 있지만, 실제 거래는 시스템 내 다른 곳에서 기록되는 경우가 많다.

결과적으로, 기여도 분석 관행은 수요를 창출한 주체가 아닌 거래와 가장 가까운 주체에게 공로를 돌리는 경향이 있습니다. 이는 오랫동안 지속되어 온 측정 문제이며, 고객 여정이 더 길고, 더 파편화되어 있으며, 여러 이해관계자에게 분산된 산업에서는 더욱 심각해집니다.

“오늘날 CMO들은 브랜드뿐만 아니라 매출과 성과에 대해서도 책임을 져야 합니다.” — 스티븐 윌리엄스, 마케팅 에볼루션(Marketing Evolution) CEO

이 문제를 해결하려면 모든 관련 정보를 비즈니스 운영을 정확히 반영하는 통합 데이터 세트로 통합해야 합니다. 이러한 고객 여정을 재구성할 수 있게 되면, 마케터들은 브랜드 투자, 미디어 노출, 중개자와의 관계가 하류 전환 결과에 어떤 영향을 미치는지 이해하기 시작할 수 있습니다.

예를 들어, 우리는 미국 최대 규모의 재산 보험사 중 한 곳과 협력한 적이 있습니다. 이 회사는 전국적인 브랜드 차원에서 상당한 투자를 진행해 왔으며, 그 결과 좋은 성과를 거두었습니다. 그러나 과거에는 지역 대리점들도 마케팅 자원을 투입하고 최종적으로 계약을 성사시키는 보험 가입 단계에서 이러한 브랜드 이니셔티브를 실제 성과와 연결 짓는 데 어려움을 겪었습니다.

대리점과 보험사 간의 관계는 전환 과정에서 핵심적인 역할을 하므로 절대적으로 중요합니다. 저희가 이 회사를 도와준 것은 전국적 브랜드 지출이 이러한 하류 전환에 미치는 영향을 밝혀내는 것이었습니다.

이제 이 회사는 주요 스포츠 후원이나 전국적인 광고 캠페인과 같은 활동에 투자할 때, 그 투자가 시스템 내에서 어떻게 흐름이 이어지며 테네시주 멤피스나 전국의 다른 지역 등 현지 대리점 수준에서 측정 가능한 전환으로 어떻게 기여하는지 추적할 수 있게 되었습니다.

왜 인공지능은 마케팅 시스템 내에서 데이터의 질을 개선하기보다는 오히려 열악한 데이터를 증폭시키는 경향이 있을까요?

이 문제는 마케팅 스택에만 국한되지 않습니다. 인공지능은 모든 분야에서 낮은 데이터 품질을 더욱 악화시킬 것입니다.

인공지능 시스템이 아무리 발전해 보일지라도, 정확한 인사이트를 도출하기 위해서는 궁극적으로 기초 데이터의 품질과 구조에 의존할 수밖에 없습니다. 특히 마케팅 데이터는 대개 품질이 매우 낮은 경우가 많습니다.

그 주된 이유는 마케팅 데이터가 여러 서로 다른 출처에서 비롯되기 때문입니다. 마케팅 데이터의 단일 출처는 존재하지 않으며, 구글 애널리틱스(Google Analytics), 메타(Meta), 닐슨(Nielsen), 라마(Lamar) 옥외 광고, 그리고 수십 개의 다른 제공업체와 같은 플랫폼에서 비롯됩니다. 이러한 모든 출처는 각기 다른 형식과 특성을 지닌 데이터를 생성합니다.

게다가 이 데이터의 세분화 수준과 완전성은 상당히 다양합니다. 또한 이메일 목록, 다이렉트 메일 기록, 전환 데이터, 웹 트래픽 정보 등을 포함하여 광고주마다 다시금 차이가 나는 자사 데이터와 통합되어야 합니다.

결과적으로, 마케팅 데이터를 전체적으로 살펴볼 때 바로 사용할 수 있는 하나의 일관된 데이터 세트는 보이지 않습니다. 대신, 특정 영역에서 종종 불완전하고 정보가 부족한 수많은 파편화된 데이터 세트들이 존재합니다. 이러한 데이터 세트 중 일부는 국가 단위를, 다른 일부는 우편번호(ZIP 코드) 지역을, 또 다른 일부는 DMA(광역 시장) 지역을 다룹니다.

역사적으로 이러한 상황으로 인해 데이터 엔지니어들은 특정 분석을 위해 임시로 데이터를 처리하기 위해 맞춤형 시스템을 구축하거나, 쿼리를 작성하거나, 파이썬 스크립트를 만드는 데 상당한 시간을 할애해야만 했습니다.

하지만 해당 데이터를 일관된 구조로 정리하고, 세분화 수준의 불일치를 해결하며, 사일로화된 시스템 간에 통합할 수 있다면 상황은 극적으로 달라집니다.

우리는 이러한 구조적 장벽을 허물고, 서로 다른 데이터 소스를 하나의 프레임워크 아래 통합하며, 아마존 광고(Amazon Ads)는 물론 구글(Google), 메타(Meta), CTV, 선형 TV, 옥외 광고(OOH)와 같은 채널의 정보를 모두 일관된 형식과 구조로 제시할 수 있습니다. 이를 통해 사과와 오렌지, 혹은 사과와 수박을 비교하는 식의 부적절한 비교 대신, 의미 있는 비교가 가능해집니다.

기업들은 이미 고객 데이터 플랫폼(CDP)에 고객 정보를, 디지털 자산 관리(DAM) 시스템에 콘텐츠를, 마케팅 활동 플랫폼(MAP)에 캠페인 실행 내역을 기록하는 시스템을 갖추고 있지만, 마케팅 성과 추적을 위한 이에 상응하는 시스템은 존재하지 않습니다. 이것이 바로 마케팅 에볼루션(Marketing Evolution)이 해결하고자 한 핵심 과제입니다.

데이터는 존재하고, 도구도 마련되어 있으며, 분석 역량도 갖춰져 있습니다. 또한 인공지능은 오해의 소지가 있는 신호를 증폭시키는 대신, 시장 역학 및 비즈니스 운영에 대한 정확한 통찰력을 제공할 수 있습니다.

궁극적으로 우리는 모델을 개발하고, 분석을 수행하며, 인공지능을 활용할 때 데이터 중심적 접근 방식을 유지해야 합니다. 모델은 계속해서 빠르게 진화할 것이며, 시간이 지남에 따라 빈번하게 변화할 것입니다.

이는 근본적으로 모델 설계가 아닌 데이터 인프라와 관련된 문제입니다. 핵심은 올바른 데이터 인프라를 구축하고, 해당 인프라에 적절한 데이터를 공급하며, 비즈니스 운영 방식에 맞춰 맥락을 부여하는 데 있습니다.

데이터 계층이 제대로 구축되지 않으면, CMO는 수년 동안 부정확한 인사이트를 다루느라 발이 묶일 것이며, CFO는 설명할 수 없는 지출 패턴에 직면하게 될 것입니다. 이 데이터 계층을 가능한 한 신속하게 제대로 구축하는 것이 매우 중요합니다.

마케팅 에볼루션(Marketing Evolution) CEO 스티븐 윌리엄스

리더의 71%가 자사가 AI 도입 준비가 되어 있다고 믿지만 실제로 준비된 곳은 37%에 불과한데, 이 ‘준비도 격차’는 정확히 무엇을 의미할까요?

저를 포함해 많은 비즈니스 리더들은 한때 ‘인공지능 도구가 사용되고 있다면 조직은 AI 도입 준비가 된 것으로 간주되어야 한다’는 단순한 기준에 의존했던 것 같습니다. 하지만 실제로는 거의 그렇지 않습니다.

데이터 구조, 정제 상태, 통합, 접근성, 거버넌스 등 인공지능이나 에이전트형 인력을 성공적으로 도입하는 데 필요한 실제 조건을 살펴보면, 이러한 가정은 금세 무너집니다.

우리는 이 격차를 더 잘 이해하기 위해 CMO, 부사장, 이사, 고위 관리자 등 고위 마케팅 임원들을 대상으로 설문조사를 실시했으며, 응답자의 71%가 자사가 AI 준비가 되어 있다고 믿고 있음을 확인했습니다.

그러나 진정한 AI 도입 준비 상태를 위한 기초적인 데이터 요건이 실제로 충족되었는지 평가해 본 결과, 해당 기준을 충족한 비율은 37%에 불과했습니다.

이는 상당한 격차를 보여줍니다. 더욱 놀라운 사실은 설문조사에 참여한 리더 중 단 3%만이 인공지능 성능에서 지속적인 개선을 보고했다는 점입니다.

실제로 많은 조직이 견고한 데이터 기반이 부족하여 인공지능 도입 과정에서 매우 빠르게 한계에 부딪히고 있습니다. 인공지능 시스템이 파편화된 시스템, 연결되지 않은 데이터 소스, 일관성 없는 구조를 통합해야 할 때 문제의 복잡성은 급격히 증가하며, 이는 성과 저하, 잘못된 결론, 그리고 더 빈번한 오류로 이어집니다.

AI 도입을 위한 기초적인 데이터 요건을 충족하는 조직은 그러한 기반이 없는 조직에 비해 약 두 배나 더 뛰어난 성과 결과를 달성합니다. 인공지능으로부터 진정한 가치를 이끌어내기 위해서는 데이터 계층을 올바르게 구축하는 것이 필수적입니다. 특히 이러한 기술의 비용이 점점 더 높아지고 있어, 조직이 더 이상 저렴한 비용으로 무기한 실험을 감당할 수 없게 된 상황에서 이는 더욱 중요합니다.

‘마케팅 에볼루션(Marketing Evolution)’의 주요 통계

• 고위 마케팅 리더의 71%는 자사가 AI 도입 준비가 되어 있다고 믿는다
• 마케팅 리더 중 AI 도입 준비에 필요한 기초 데이터 요건을 충족하는 비율은 37%에 불과하다
• 마케팅 리더 중 단 3%만이 AI를 통해 일관된 성과 향상을 경험했다고 보고했습니다

마케팅 성과 기반 시스템은 인공지능을 위한 데이터 통합 요구를 어떻게 해결합니까?

마케팅 성과 기반 플랫폼(Marketing Performance Substrate) — 즉, 마케팅 성과 추적을 위해 특별히 설계된 기록 시스템 —은 본질적으로 지능적이기 때문에 이 문제를 해결합니다. 이 플랫폼은 누락된 데이터를 복구하고, 관측상의 공백을 합성하여 채우며, 데이터가 정적인 데이터 웨어하우스나 데이터 레이크에 저장된 상태에서는 불가능했을 소비자 수준의 여정을 재구성할 수 있습니다. 이러한 방식으로, 데이터가 더 복잡한 하류 모델로 유입되기 전에 데이터로부터 의미 있는 인사이트를 추출합니다.

이 단계 이전에도 데이터는 조직의 구조를 반영하는 비즈니스 온톨로지와 정렬되어 있습니다. 데이터는 적절한 스키마, 분류 체계 및 비즈니스 맥락에 매핑되어, 명명 규칙이 회사 내부에서 크리에이티브 자산, 미디어 채널, 캠페인 및 고객을 지칭하는 방식과 일치하도록 보장합니다. 이러한 일관성은 모든 기본 데이터 세트 전반에 걸쳐 유지됩니다.

데이터 구조와 소비자 여정을 통합함으로써, 우리는 발견, 분석, 의사 결정과 같은 분야에서 인공지능(AI) 적용을 위한 수많은 새로운 기회를 열어갑니다.

이는 결코 과장이 아닙니다. 인공지능이 비즈니스 운영에 대한 진정으로 통합되고 맥락에 기반한 이해를 바탕으로 작동하게 되면, 그 잠재력은 거의 무한해집니다.

AI 활용이 가능한 데이터 기반을 갖춘 조직은 인공지능 성과를 최대 두 배까지 높일 수 있습니다. 출처: 게티 이미지

과거 지향적인 측정 방식에서 미래 지향적이고 선제적인 인텔리전스로 전환하려는 조직에 어떤 조언을 해주시겠습니까?

이는 확실히 관점의 상당한 전환을 요구하는 까다로운 과정입니다. 최근까지 마케팅 측정은 회고적인 방식이었습니다. 캠페인을 실행하고, 결과를 기다린 뒤, 사후에 분석하는 식이었죠. 하지만 이제는 어떤 조치를 취하기 전에 잠재적 결과를 시뮬레이션하는 데 필요한 데이터와 도구를 갖추고 있습니다.

이는 마케팅 인텔리전스의 역할을 완전히 바꿔 놓습니다. 조직은 결과가 발생한 후에 단순히 측정하는 대신, 지난 몇 달, 분기 또는 연도의 데이터를 활용해 향후 발생할 가능성이 높은 결과를 미리 모델링하고 예측할 수 있습니다. 이를 통해 마케터는 위험을 완화하고, 더 빠르고 정보에 입각한 의사결정을 내리며, 데이터 기반의 증거로 그 결정을 뒷받침할 수 있습니다.

“AI가 아무리 지능적으로 보일지라도, 근본적으로는 여전히 기초 데이터의 품질과 구조에 의존합니다.” — 스티븐 윌리엄스, 마케팅 에볼루션(Marketing Evolution) CEO

또한 이는 훨씬 더 포괄적인 풀 퍼널(full-funnel) 가시성을 제공합니다. 이 개념을 설명하기 위해 인간의 시각이 어떻게 작동하는지 생각해 보십시오. 대부분의 사람들은 우리가 보는 것이 단순히 시각 피질이 눈으로 들어오는 빛을 처리하는 결과라고 생각합니다. 하지만 실제로 뇌는 과거의 감각 경험을 바탕으로 예측 모델을 끊임없이 가동하여 앞으로 보게 될 것을 미리 예상합니다.

평생에 걸쳐 축적된 구조화된 감각 데이터에 의해 형성된 이 예측 모델은 우리 주변의 세상을 끊임없이 예측합니다. 들어오는 시각 정보가 이 모델을 업데이트하지만, 우리가 인지하는 것의 상당 부분은 사실 곧 일어날 일을 뇌가 예측한 결과입니다.

이것이 바로 우리가 야구공을 잡거나, 우리 앞에서 갑자기 브레이크를 밟는 차에 재빨리 반응하는 등의 작업을 처리하는 방식입니다. 우리는 단순히 원시적인 감각 입력에 실시간으로 반응하는 것이 아니라, 과거 데이터와 경험에 기반한 예측에 따라 행동하는 것입니다.

저는 마케팅도 매우 유사한 방향으로 나아가고 있다고 믿습니다.

탄탄한 데이터 기반을 갖춘 조직은 과거의 성과를 설명할 뿐만 아니라, 미래의 결과를 예측하고 시뮬레이션할 수 있게 될 것입니다.

마케팅 에볼루션(Marketing Evolution)의 CEO인 스티븐 윌리엄스는 현대 마케팅을 뒷받침하는 시스템 개발을 통해 경력을 쌓아왔습니다.

“저는 MMM 파트너와 협력 중입니다. 이제 어떻게 해야 할까요?”라고 묻는 브랜드에 어떤 조언을 해주시겠습니까?

이미 MMM 파트너와 협력하고 있다면, 이는 훌륭한 출발점입니다. 이미 미디어 성과에 대한 과거 인사이트를 보유하고 있기 때문입니다. 이 지식을 바탕으로 더 예측 중심의 인텔리전스 계층을 구축할 수 있습니다. 더 유연한 의사결정 방식으로 전환하는 과정에서 기존 MMM 파트너십은 계속해서 시스템을 뒷받침해 줄 수 있습니다.

그러나 다음 단계에서는 더 세분화되고 통합된 데이터 소스를 수용할 수 있도록 기반 데이터 인프라를 업그레이드하는 데 투자해야 합니다.

또한 이는 기존의 MMM 솔루션에 비해 변화하는 시장 상황, 미디어 지출 패턴의 변화, 진화하는 소비자 행동에 더 신속하게 대응할 수 있는 측정 방법론과 모델로 발전해야 함을 의미합니다.

코로나19와 같은 사태의 영향을 고려해 보십시오. 당시 소비자 행동은 매달 극적으로 변화했습니다. MMM 시스템은 결국 이러한 변화에 발맞췄지만, 대개 변화가 이미 발생한 후에야 대응했습니다.

매주 또는 심지어 매일 운영되는 보다 역동적인 인텔리전스 계층은 비즈니스 발전 속도를 실시간으로 따라잡고, 변화하는 트렌드를 발생 즉시 파악하며, 조직이 더 빠르고 자신 있게 대응할 수 있도록 도울 수 있습니다.

이는 업계에서 일어나고 있는 더 광범위한 변화를 반영합니다. 역사적으로 마테크 스택은 고객 데이터 플랫폼(CDP), CRM 시스템, 디지털 자산 관리 플랫폼, 마케팅 활동 플랫폼, 측정 도구 등 각각 별개의 운영 기능을 수행하는 독립적인 시스템들로 구성되었습니다. 그러나 점점 더 많은 조직이 이러한 시스템을 연결하고, 인공지능 애플리케이션, 시뮬레이션, 최적화, 의사결정을 위해 데이터에 접근할 수 있게 해주는 통합 인텔리전스 계층을 필요로 하고 있습니다. 이것이 바로 업계가 나아가고 있는 방향입니다.

오늘날 브랜드는 마테크 스택 구축에 어떻게 접근해야 할까요?

제 생각에, 현대적인 마테크 스택은 기존 데이터 소스와 시스템(고객 데이터 플랫폼, CRM 시스템, DSP 또는 기타 관련 도구를 포함하든 상관없이)을 평가하는 것에서 시작해야 하며, 이러한 시스템들이 서로 고립되어 운영되기보다는 유기적으로 연동될 수 있도록 해야 합니다.

전통적으로 마테크 스택은 계층적 구조로 간주되어 왔습니다. 그러나 점차 중앙 데이터 및 인텔리전스 계층이 조직 전체에 걸쳐 의사결정 지원을 제공하는 ‘스포크-앤-휠(spoke-and-wheel)’ 모델에 가까워지고 있습니다.

이 중앙 허브는 고객 데이터 플랫폼(CDP)과 같은 시스템과 양방향으로 상호작용합니다. 즉, 해당 시스템에서 데이터를 가져오는 동시에 정보를 다시 제공하여 고객 행동과 전반적인 생태계 역학에 대한 이해를 높입니다.

측정 측면에서 볼 때, 우리는 이제 측정 프로세스가 데이터 생성 속도를 따라잡을 수 있는 시대에 접어들었습니다. 더 이상 MMM(Marketing Mix Modeling) 솔루션에만 의존할 필요가 없습니다. MMM은 특히 장기적인 트렌드를 분석하는 데 여전히 그 역할을 하고 있지만, 마케터들은 때로는 매일같이 신속한 의사결정 능력이 필요하며, 이를 위해서는 더 민첩한 측정 시스템이 요구됩니다.

따라서 현대적인 마테크 스택은 신속한 측정, 최적화, 시뮬레이션 및 의사 결정을 지원하면서도 조직 전반의 다른 시스템과 원활하게 통합되는 통합 데이터 레이어를 중심으로 구성되어야 합니다.