로그인

앰플리튜드

Amplitude 데이터 건강 관리 3단계

Team MAXONOMY ・ 2025.09.17

Amplitude 데이터 건강 관리 3단계


데이터 관리, 정말 이렇게 복잡해야 할까?


마케팅 팀장 M님은 지난주 임원 미팅에서 당황스러운 경험을 했습니다."이번 달 신규 가입자가 18% 증가 했습니다!"라고 보고했더니, 개발팀에서는 "저희가 보기엔 15% 증가한 것 같은데요?"라고 반박한 것이죠.


같은 분석 솔루션 데이터를 보고 있는데 왜 다른 결과가 나올까요? 알고 보니 마케팅팀은 user_signup 이벤트를, 개발팀은 user_registered 이벤트를 각각 다른 기준으로 보고 있었습니다.



이런 일, 여러분 조직에서도 경험해 보셨나요? 데이터는 쌓이고 있지만 정작 믿고 의사결정을 내리기는 어려운 상황. 새로운 기능을 출시할 때마다 "이 데이터가 정확한 건가?" 의심하게 되는 순간들. 바로 데이터 거버넌스의 부재가 만들어내는 현실입니다.






전통적인 데이터 관리의 한계


데이터 관리는 왜 어려울까요? 전통적인 데이터 관리 방식이 가진 3가지 한계점 때문입니다.


사후 대응

문제가 터진 후에야 "어? 이 데이터 이상한데?"하며 뒤늦게 원인을 찾는 방식을 말합니다. 흔히 볼 수 있는 일이죠. 하지만 이미 잘못된 데이터로 의사결정을 내린 후에는 늦습니다.


전문가 의존

데이터 품질을 확인하려면 SQL 쿼리를 작성하고, 복잡한 분석을 할 수 있는 전문가가 필요합니다. 하지만 모든 팀에 데이터 전문가가 있을 수는 없죠.


파편화된 관리

데이터 검증은 A도구에서, 스키마 관리는 B도구에서, 품질 모니터링은 C도구에서... 각각 따로 관리하다 보니 전체적인 그림을 보기 어렵습니다.








Amplitude의 통합된 데이터 거버넌스


Amplitude는 전통적인 데이터 관리와 완전히 다른 접근법을 제시합니다. 아래 3가지 데이터 품질 관리 기능을 하나의 플랫폼 안에서 완벽하게 연동되어 작동하도록 설계했습니다.


1단계: Tracking Plan

→ 데이터 설계부터 시작하는 체계적 기반 구축


2단계: Data Health Assessment

→ 현재 상태 진단


3단계: Data Assistant

→ AI가 실시간으로 관리해주는 지속적인 케어


각 단계는 독립적으로도 강력한 기능을 제공하고, 함께 사용할 때는 훨씬 큰 시너지를 만들어냅니다. 각 단계별 상세 내용을 알아보도록 하겠습니다.







[1단계] Tracking Plan: 계획된 데이터 vs 예상치 못한 데이터


건물을 짓기 전에 설계도를 그리듯이, 데이터 수집도 사전 계획이 있어야 합니다. Amplitude의 Tracking Plan은 데이터 수집 계획을 세우고 체계적 기반을 구축하도록 지원합니다. 뿐만 아니라 단순 사전 계획을 넘어서 실시간으로 데이터 상태를 모니터링하고 관리할 수 있도록 합니다.


Tracking Plan은 수집되는 데이터에 5가지 상태(Status) 정보 부여해, 마치 교통신호등처럼 데이터의 안전성을 실시간으로 확인할 수 있습니다.


🟢 Live: 계획되고 승인된 이벤트가 실제로 수집되고 있는 활성 상태

🟡 Planned: 사전에 계획되었지만 아직 실제 데이터가 수집되지 않은 예약 상태

🟠 Unexpected: 계획에 없던 데이터가 갑자기 수집되어 검토가 필요한 상태

🔴 Blocked: 의도적으로 수집을 차단한 상태 (스팸, 테스트 데이터 등)

⚫ Deleted: 더 이상 사용하지 않아 삭제 처리된 상태





사례1: 헬스케어 서비스의 "사전 예방 전략"


헬스케어 앱을 서비스 중인 H사는 운동 추천 기능을 새롭게 론칭하려 합니다. 그전에 Tracking Plan을 다음과 같이 먼저 설계 하였습니다.


🟡 Planned 상태로 미리 등록:

- workoutRecommendationViewed: 추천 운동 조회

- workoutRecommendationStarted: 추천 운동 시작

- workoutRecommendationCompleted: 추천 운동 완료

- workoutRecommendationSkipped: 추천 운동 건너뛰기


각 이벤트의 필수/옵션 속성:

- workoutType: 운동 유형 (required)

- difficultyLevel: 난이도 (required)

- recommendationEngine: 추천 알고리즘 버전 (required)

- teacher: 담당 강사 (optional)


계획된 이벤트는 실제 데이터가 1회 이상 수집되면 자동으로 'Planned'에서 'Live' 상태로 변경되므로 기능 출시와 동시에 모든 이벤트가 🟢Live 상태로 전환되고 🟠Unexpected 정보가 추가되지 않는 것을 확인할 수 있었습니다. 데이터 수집에 오류가 없는 것을 확인했으니, 즉시 분석 수행이 가능했습니다.


분석 담당자는 사용자들의 추천 운동 완료율이 예상보다 낮다는 것을 빠르게 발견해 2주 만에 부족한 부분을 개선할 수 있었습니다.





Tracking Plan 상태 시스템의 3가지 핵심 가치


실시간 데이터 보안

예상치 못한 데이터가 수집되면 즉시 경고를 보내고, 필요에 따라 데이터 수집을 차단하거나 승인할 수 있습니다. 개발 실수나 악의적인 데이터 전송을 사전에 방지할 수 있죠. 계획되지 않은 정보 수집 시, Unexpected 상태로 노출되어 수집이 정상적으로 이루어지고 있는지 즉시 확인 가능합니다.


점진적 품질 개선

Unexpected 상태의 데이터를 검토하면서 자연스럽게 데이터 품질이 향상됩니다. "왜 이 데이터가 수집되고있지?"라는 질문을 통해 불필요한 데이터를 제거하고 필요한 데이터를 표준화할 수 있습니다.


팀 간 소통의 자동화

개발팀이 새로운 이벤트(Unexpected)를 추가하면 자동으로 데이터팀에 알림이 가고, 데이터팀의 승인(Live)을 거쳐 분석팀이 사용할 수 있게 됩니다. 수동적인 커뮤니케이션이 자동화되죠.




스키마 보호 기능: 데이터 방화벽


Tracking Plan의 또 다른 강력한 기능은 스키마 위반 데이터에 대한 처리 정책을 설정할 수 있다는 것입니다. 기본적으로 다음과 같은 옵션을 제공하는데요.


• Mark as Unexpected: 일단 수집하되 경고 표시 (기본 설정)

• Reject: 아예 수집하지 않고 차단


예를 들어, 중요한 비즈니스 이벤트의 필수 속성이 누락된 경우 해당 이벤트를 아예 차단하여 부정확한 분석을 방지할 수 있습니다.





사례2: 푸드테크 스타트업의 "긴급 상황 대처"


푸드테크 앱을 운영 중인 F사의 개발팀은 금요일 오전에 ‘추천 기능’을 새롭게 배포 했습니다. 문제없이 계획된 이벤트 정보가 수집되는 것을 확인하고 퇴근했던 데이터 팀장은 다음 주 월요일 아침, 다음과 같은 Amplitude 알람을 확인하고 깜짝 놀랐습니다.


Tracking Plan 알림:

• 🟠 Unexpected: recommendation_clicked (150개 이벤트)

• 🟠 Unexpected: rec_item_viewed (89개 이벤트)

• 🟠 Unexpected: food_recommendation_skipped (201개 이벤트)


Amplitude는 Tracking Plan에 미리 등록되지 않은 이벤트를 'Unexpected' 상태로 분류하고, 미리 지정해 둔 담당자에게 즉시 알림을 보내는데, 개발팀이 주말 작업으로 추가한 새로운 이벤트들이 모두 감지된 것입니다. 하지만 다음과 같이 빠르게 대응할 수 있었습니다.


1. 빠른 검토: 각 이벤트의 속성과 의도를 확인

2. 승인 또는 차단: 비즈니스에 필요한 이벤트는 Unexpected → Live로 전환, 불필요한 것은 Blocked 처리


Tracking Plan이 없었다면, 이런 문제를 빠르게 대응하기 어려웠을 것입니다. 심지어 예상치 못한 이벤트가 수집되는지도 몰랐을지도 모르죠. F사는 복잡한 의사소통 과정 없이도, 새로운 기능의 성과를 안정적으로 측정할 수 있었습니다.










[2단계] Data Health Assessment 템플릿


병원에서 종합검진을 받으면 의료진이 수십 가지 검사를 통해 몸의 상태를 정확히 파악하고 검진 결과를 제공하듯, Data Health Assessment 템플릿은 클릭 한번으로 데이터의 건강 상태를 종합적으로 진단할 수 있습니다.


Amplitude Customer Success 팀이 수백 개 고객사를 지원하면서 축적한 노하우를 하나의 템플릿에 담았습니다. 복잡한 설정 없이 제공되는 템플릿 하나만 선택하면 10가지 핵심 영역에서 종합 진단을 받을 수 있습니다.





기존 도구와는 다른 3가지 특징


전문가 없이도 전문가급 진단

일반적인 데이터 품질 도구들은 "데이터에 문제가 있습니다"까지만 알려줍니다. 하지만 Data Health Assessment는 "어떤 문제인지, 왜 발생했는지, 어떻게 해결해야 하

는지"까지 추가적인 설명을 제공합니다.


Customer Success 팀의 검증된 노하우

수백 개 고객사에서 실제로 발견된 문제 패턴들을 기반으로 구성되어 있어, 일반적인 이론이 아닌 현실에서 자주 발생하는 문제들을 정확히 짚어냅니다.


즉시 실행 가능한 해결책

각 문제별로 구체적인 해결 방법과 예상 소요시간, 예상 효과까지 제시하여 바로 실행에 옮길 수 있습니다.





사례: 글로벌 이커머스의 "세션 ID 미수집 케이스" 발견


글로벌 이커머스 E사는 웹사이트 사용자 여정을 아무리 분석해도 이상한 패턴들이 계속 나타났습니다.


"Amplitude 세션 추적" 진단 결과, 모바일 앱에서는 세션 ID가 정상적으로 수집되고 있었지만 웹사이트

에서는 일부 이벤트에서 세션 ID가 누락되고 있었습니다. 원인을 파악하고 수정 버전을 배포한 이후, 정확한 세션 분석이 가능해지면서 웹 사용자의 실제 구매 여정을 파악할 수 있게 되었고, 이를 기반으로 체크아웃 프로세스를 개선하여 전환율을 향상시킬 수 있었습니다.









[3단계] Data Assistant - 24시간 모니터링


Data Health Assessment로 현재 상태를 파악했다면, 이제 지속적인 관리가 필요합니다. 하지만 매일 수동으로 데이터 품질을 체크할 수는 없죠. 여기서 Data Assistant가 등장합니다. Data Assistant는 AI가 여러분의 Amplitude 데이터를 24시간 모니터링하면서, 개선이 필요한 부분을 발견하는 즉시 구체적인 해결 방안을 함께 알려주는 똑똑한 비서의 역할을 수행합니다.




사례: SaaS 기업의 "이벤트 이름 표준화" 프로젝트


Saas 기업 S사는 데이터 분석을 하고 싶은 니즈는 강했지만, 분석할 때마다 늘 혼란이 있었습니다. 여러 개발팀이 각각 다른 스타일로 이벤트를 만들었기 때문입니다. 그러던 어느 날, Data Assistant에서 알림이 표시 되었습니다. "41개 대용량 이벤트의 명명 규칙을 lowerCamelCase로 통일하세요" 이벤트명에 띄어쓰기, 대소문자 등을 혼용할 경우, 이벤트가 서로 다른 이름으로 따로 수집되어 분석 결과에 누락이 발생할 수 있죠.


Data Assistant 에서는 user_login, UserSignUp, BUTTON_CLICK 등 이벤트명 규칙이 혼재되어 있으므로 변경을 권장하는 안내를 주었고, 이를 각각 userLogin, userSignUp, buttonClick으로 통일하도록 이벤트명 샘플을 제공하였습니다.



담당자는 내부 명명 규칙을 정의한 후 개발단 도움 없이, 메뉴에서 제공하는 버튼 클릭과 Transform 기능으로 이벤트 명을 즉시 통일하였으며, 이를 통해, 누락되는 데이터 없는 분석이 가능해졌고, 새로운 팀원도 쉽게 이벤트를 찾고 사용할 수 있게 되었습니다.




Data Assistant만의 차별화된 5가지 기능


우선순위 기반 추천

전체 이벤트 중에서도 비즈니스에 가장 중요한 것부터 개선하도록 우선순위를 정해줍니다.


비즈니스 컨텍스트 이해

단순히 기술적 오류만 찾는 것이 아니라, 비즈니스 목적에 맞는 개선 방향을 제시합니다.


팀워크 최적화

이벤트에 적절한 소유자를 배정하여 팀 간 혼선을 방지하고 책임감 있는 관리를 유도합니다.


자동 학습 및 진화

사용자의 피드백과 패턴을 학습하여 점점 더 정확하고 유용한 추천을 제공합니다.


실행 가능한 액션 아이템

"문제가 있습니다"에서 그치지 않고 "이렇게 해결하세요"까지 구체적인 행동 계획을 제시합니다.









데이터에 대한 의심을 확신으로 바꾸는 시간


많은 기업들이 데이터의 중요성을 알고 있지만, 정작 그 데이터를 온전히 신뢰하지는 못하는 현실에 직면해 있습니다. 분석 결과를 보면서도 "이 숫자가 정말 맞을까?" 하는 의구심이 들거나, 같은 지표를 놓고도 팀마다 다른 해석을 내놓는 상황을 겪어보셨을 것입니다. 이런 상황이 반복되다 보면 데이터 기반 의사결정이라는 것 자체에 회의적이 되기 마련입니다. 하지만 문제는 데이터 자체가 아니라 데이터를 관리하는 방식에 있을 수 있습니다.


기존의 분석 도구들은 대부분 사후 분석에 집중합니다. 데이터가 쌓인 후에 그것을 시각화하고 분석하는 데 특화되어 있죠. 하지만 정말 중요한 것은 애초에 올바른 데이터가 올바른 방식으로 수집되고 있는가 하는 점입니다.


Amplitude는 바로 이 지점에서 차별화됩니다. 데이터를 수집하기 전 단계부터 관여하여, 무엇을 왜 수집할 것인지 계획하고, 수집되는 데이터의 품질을 실시간으로 모니터링하며, AI가 지속적으로 개선점을 제안합니다. 전 세계 50,000개 이상의 기업이 Amplitude를 통해 데이터 품질 혁신을 경험했습니다. Netflix가 개인화 추천 시스템의 정확도를 높이고, Shopify가 전 세계 수백만 상점의 성과를 정밀하게 분석하며, PayPal이 복잡한 결제 여정을 완벽하게 추적할 수 있는 이유가 바로 이 차별화된 접근 방식에 있습니다.


이들 기업의 공통점은 단순히 데이터를 분석하는 것을 넘어서, 데이터 자체의 신뢰도를 높이는 것부터 시작했다는 점입니다.







마치며


데이터 환경의 개선은 하루아침에 이뤄지지 않습니다. 하지만 올바른 방향으로 한 걸음씩 나아가다 보면 분명한 변화를 경험하게 됩니다. 회의실에서 데이터에 대한 논쟁이 사라지고, 확신을 가지고 의사결정을 내릴 수 있으며, 모든 팀이 동일한 기준으로 성과를 바라보게 되는 그날이 생각보다 가까이 있을지도 모릅니다.


Amplitude는 무료 플랜부터 시작할 수 있어 부담없이 첫 걸음을 내딛을 수 있습니다. 작은 시작이지만 여러분 조직의 데이터 문화를 근본적으로 바꾸는 계기가 될 수 있을 것 입니다.



콘텐츠 더 읽어보기






데이터의 힘으로 더 나은 제품을 만드는 여정, Team MAXONOMY와 바로 시작하세요.

팀 맥소노미 Amplitude 도입문의 바로가기


logo

팀맥소노미

YOUR DIGITAL MARKETING HERO

비즈니스 성장을 위한 최적의 솔루션과 무료 데모 시연, 활용 시나리오를 제안 받아보세요

관련 글 보기

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.

Amplitude Autocapture: 페이지 진입, 클릭, 앱 종료까지 고객 행동을 자동 수집하는 법

Amplitude Autocapture: 페이지 진입, 클릭, 앱 종료까지 고객 행동을 자동 수집하는 법

개발 리소스 없이 클릭·페이지뷰 등 사용자 행동을 자동 수집해 빠른 분석과 최적화를 지원하는 Amplitude Autocapture 기능 소개

MoM(월별 성장률) 분석시 저지르는 일반적 3가지 실수

MoM(월별 성장률) 분석시 저지르는 일반적 3가지 실수

월별 성장이란 무엇입니까?월별 (MoM) 성장은 특정 메트릭 값의 변화를 전월 값의 백분율로 표시합니다.월별 성장은 월별 수익, 활성 사용자, 구독 수 또는 기타 주요 지표의 성장률을 측정하는 데 자주 사용됩니다. 모바일 앱, SaaS 제품 또는 웹 사이트와 같은 디지털 제품을 작업하는 경우 MoM 활성 사용자 증가에 관심이 있을 것입니다. 이는 제품 또는 회사의 성장과 성공에 대해 이야기하는 가장 일반적인 방법입니다.MoM 성장률을 계산하는 방법한 달 동안의 월별 성장을 계산하려면 이번 달의 총 사용자 수와 지난 달의지난달의 총 사용자 수의 차이를 취한 다음 이를 지난달의 합계로 나누면 됩니다. 동일한 공식을 사용하여 주별 성장 또는 전년 대비 성장을 계산할 수 있습니다. 한 달 동안의 성장률을 계산하는 대신 6개월 동안의 MoM 성장률을 계산하고 싶다고 가정 해 보겠습니다. CMGR (월간 복합 성장률) 을 계산하려는 경우입니다.관련 자료 : 활성 사용자는 누구입니까? 사용자 분석을 위한 전략Compound Monthly Growth Rate (CMGR) 공식CMGR은 해당 기간 동안 매달 일정한 속도로 성장한다고 가정하여 특정 기간 동안의 성장률을 설명합니다. 활성 사용자가 다음과 같이 증가했다고 상상해보세요.CMGR을 계산하려면 위의 숫자를 다음 공식에 대입합니다.예를 들면 다음과 같습니다.CMGR은 월별마다 다르지만 위의 전체 기간 동안 20%입니다. 예를 들어 1월부터 2월까지의 MoM 성장률은 10%에 불과한 다음 2월부터 3 월은 36%로 점프합니다. CMGR을 사용하면 1월부터 6월까지 매달 일정한 성장률로 성장하고 있다고 가정합니다. 이 예에서 이는 다음을 의미합니다.이제 다음 단계로 넘어갑시다.위에서 과거 기간 동안 CMGR을 계산했습니다. 5개년 사업 계획을 세우고 사업이 어떤 모습 일지에 대한 프로젝트를 계획한다고 가정해 보겠습니다. 이대로라면 2022년 12월까지 활성 사용자 수는 5십만 명을 넘을 것입니다.피해야 할 MoM 성장과 관련된 3가지 일반적인 실수성장 모델을 구축할 때 부주의한 실수를 하는 것은 생각보다 흔합니다. 다음은 MoM 데이터 작성 시, 저지르는 3가지 일반적 실수입니다.1. MoM 성장으로 모델링 된 작은 절댓값 앱이나 제품의 사용자 수가 적으면, MoM 달성을 훨씬 쉽게 이룰 수 있습니다. 즉, 적은 수의 MoM 성장에 대한 내러티브를 구성하는 것이 더 쉽고 비즈니스가 성장함에 따라 그 비율을 유지하기가 더 어렵습니다.이 예에서는 2018년 1월부터 2018년 6월까지 매월 20% 의 성장을 경험하고 있습니다. 하지만 절대 수치로 보면 100명의 활성 사용자에서 249명의 활성 사용자로만 증가하는 것입니다. 여기서 문제는 이 비율 증가가 확장되지 않는다는 것입니다. 한 번의 언론 멘션으로 100 명에서 120 명의 월간 활성 사용자 확보는 쉽게 할 수 있습니다. 그러나 한 달에 활성 사용자가 1,000,000명에서 1,200,000명으로 20 % 증가하려면 강력한 성장 엔진이 필요합니다.핵심 요점 : 사용자 수가 적을 때엔 MoM을 주시할 수 있지만 사용자 수가 더 많아지면 참여도 지표 , stickness 및 사용자 행동 데이터를 살펴봄으로써 성장이 장기적으로 지속될 것인지를 알려주는 기본 메커니즘 구성에 집중해야 합니다.2. MoM 성장으로 모델링 된 비일관된 성장성장은 예측할 수 없습니다. 한 달은 MAU를 두 배로 늘리고 다음 달에는 변화 없이 그대로 유지될 수 있습니다. 이런 일이 발생한다면 일관된 CMGR로 모델링하여 변동하는 성장을 모순되게 만드는 것은 실수입니다.여기에서 CMGR이 20% 이지만 특정 기간 동안 (5월부터 6월까지)만 20% 근처에 있다고 가정해 봅시다. 그 외에는 2% 성장과 82% 성장 사이에서 크게 변동하고 있습니다. 결론은 다음 달 성장률이 얼마인지 알지 못한다는 것입니다. 성장률은 도처에 있지만 데이터는 여전히 무언가를 알려줍니다. 앱을 위한 일관된 성장 엔진을 구축하지 않았던 거죠.성장이 있는 달과 성장이 없는 달의 차이를 모를 가능성이 높습니다.핵심 요점 : 성장이 일관되지 않은 경우, 단일 CMGR보다는 월별 성장률의 추세로 성장을 논의하는 것이 더 정확합니다.3. MoM 성장으로 모델링 된 선형 성장귀하의 비즈니스는 성장하고 있으며 지속적으로 성장하고 있습니다. 다만 선형 성장을 기하급수적인 성장으로 착각하지 마십시오.6개월 동안 사용자가 10,000 명에서 20,000 명으로 두 배 증가했다고 가정해 보겠습니다. 이는 15%의 Mom 성장률을 의미합니다. 자세히 살펴보면 문제가 나타납니다. 시간이 갈수록 성장률은 둔화되는 것 같습니다. 숫자가 커짐에 따라 성장이 감소하는 것은 성장이 기하급수적이지 않다는 신호이며 아마도 더 선형적일 것입니다. 여기서는 15% MoM이 성장하고 있다고 말하는 대신 매월 2,000명의 활성 사용자를 추가한다고 말함으로써 절댓값을 고수하는 것이 더 정확합니다.핵심 사항 : 모든 성장이 동일하지는 않습니다. 성장이 선형으로 발생하는 경우 절대 사용자 수의 월별 성장을 참조하여 이를 수용하고 정확하게 설명하십시오. 그런 다음 이러한 통찰력을 사용하여 비선형 성장을 실현할 기회를 식별하십시오.관련 자료 : 시간이 지남에 따라 핵심 지표를 조정해야 할까요?단기 성장을 추적하면 장기적인 성공을 거둘 수 있습니다.월별 성장은 현재 성과를 정확하게 모델링하고 성공을 벤치마킹하고 예측하는 데 매우 유용합니다. 당신이 하고 있는 일을 알고 있고 회사의 장기적인 미래에 전념하고 있다는 거죠.성장률이 일정하거나 하향 조정되면 실망스러워 보일 수 있지만, 보고 싶은 데이터가 아닌 경우에도 모든 데이터에는 가치가 있다는 것을 기억하십시오. 기하 급수적인 성장은 하룻밤 사이에 일어나지 않으며 저절로 일어나지 않습니다.퀄리티 있는 데이터 산출은 퀄리티 있는 데이터 수집에서 시작됩니다.품질이 낮은 데이터를 지속적으로 살펴보면 MoM과 같은 중요한 지표를 정확하게 해석하기가 훨씬 어려워집니다. 분석을 실행하는 작업에 너무 깊이 빠져 들기 전에 먼저 강력한 데이터 시스템 인 MVI (Minimum Viable Instrumentation)를 만들어야 합니다.이를 통해 비즈니스 및 분석 목표를 달성하기 위해 따라야 하는 특정 데이터 프로세스를 식별할 수 있습니다.두 가지를 정의하여 시작하세요.일일 활성 사용자와 같은 중요한 용어에 대한 정의특정 비즈니스 목표고객이 이러한 목표 (예: 전환)를 달성하기 위한 올바른 방향으로 안내할 고객 여정의 경로를 신중하게 고려하여 측정하려는 이벤트를 정확히 찾아냅니다. 바로 추적하려는 터치 포인트입니다. 목표 달성에 중요한 것에 집중하고 나머지는 제거하십시오.다음은 팀의 심각한 데이터 유효성 검사 문제를 방지하기 위해 따라야 할 5 가지 주요 원칙입니다.모든 것을 추적하려 하지 마세요. 불필요한 데이터는 지저분하고 추적하기가 거의 불가능합니다. 대신 20 ~ 200개의 고객 주요 여정과 관련된 이벤트를 일관되게 추적하십시오.체계적으로 유지하십시오. 데이터와 이에 대한 정의는 팀원 모두에게 매우 깨끗하고 이해하기 쉬워야 합니다.d-1부터의 데이터를 정의하십시오. 데이터 구조를 설명하는 몇 가지 문서를 작성하는 것이 좋습니다.분석 플랫폼 내에서 사용자 식별이 작동하는 방식을 이해합니다. 또한 무의미하게 지속 방문하는 가짜 "새 사용자"를 방지하기 위해 장치 또는 기타 자격 증명으로 익명 사용자를 인식할 수 있는 시스템이 있어야 합니다. 예를 들어 Amplitude(앰플리튜드)는 "amplitude_ID"식별자로 이 문제를 해결합니다. 이 식별자는 익명인 경우에도 반복 방문 사용자를 포착합니다.숫자, 날짜, 국제 문자 및 지오 코딩 값과 같은 자동 서식 변수를 사용하여 일관성 있고 정확하게 분석하세요.콘텐츠 더 읽어보기마케터가 Amplitude를 사용해야 하는 10가지 이유그로스 마케팅이란? 뜻, 성공 사례, 필수 전략 총정리제품 성과지표 안내서

퍼널(Funnel) 분석과 사용 사례

퍼널(Funnel) 분석과 사용 사례

고객의 동향 이해하기


데이터 관리, 정말 이렇게 복잡해야 할까?


마케팅 팀장 M님은 지난주 임원 미팅에서 당황스러운 경험을 했습니다."이번 달 신규 가입자가 18% 증가 했습니다!"라고 보고했더니, 개발팀에서는 "저희가 보기엔 15% 증가한 것 같은데요?"라고 반박한 것이죠.


같은 분석 솔루션 데이터를 보고 있는데 왜 다른 결과가 나올까요? 알고 보니 마케팅팀은 user_signup 이벤트를, 개발팀은 user_registered 이벤트를 각각 다른 기준으로 보고 있었습니다.



이런 일, 여러분 조직에서도 경험해 보셨나요? 데이터는 쌓이고 있지만 정작 믿고 의사결정을 내리기는 어려운 상황. 새로운 기능을 출시할 때마다 "이 데이터가 정확한 건가?" 의심하게 되는 순간들. 바로 데이터 거버넌스의 부재가 만들어내는 현실입니다.






전통적인 데이터 관리의 한계


데이터 관리는 왜 어려울까요? 전통적인 데이터 관리 방식이 가진 3가지 한계점 때문입니다.


사후 대응

문제가 터진 후에야 "어? 이 데이터 이상한데?"하며 뒤늦게 원인을 찾는 방식을 말합니다. 흔히 볼 수 있는 일이죠. 하지만 이미 잘못된 데이터로 의사결정을 내린 후에는 늦습니다.


전문가 의존

데이터 품질을 확인하려면 SQL 쿼리를 작성하고, 복잡한 분석을 할 수 있는 전문가가 필요합니다. 하지만 모든 팀에 데이터 전문가가 있을 수는 없죠.


파편화된 관리

데이터 검증은 A도구에서, 스키마 관리는 B도구에서, 품질 모니터링은 C도구에서... 각각 따로 관리하다 보니 전체적인 그림을 보기 어렵습니다.








Amplitude의 통합된 데이터 거버넌스


Amplitude는 전통적인 데이터 관리와 완전히 다른 접근법을 제시합니다. 아래 3가지 데이터 품질 관리 기능을 하나의 플랫폼 안에서 완벽하게 연동되어 작동하도록 설계했습니다.


1단계: Tracking Plan

→ 데이터 설계부터 시작하는 체계적 기반 구축


2단계: Data Health Assessment

→ 현재 상태 진단


3단계: Data Assistant

→ AI가 실시간으로 관리해주는 지속적인 케어


각 단계는 독립적으로도 강력한 기능을 제공하고, 함께 사용할 때는 훨씬 큰 시너지를 만들어냅니다. 각 단계별 상세 내용을 알아보도록 하겠습니다.







[1단계] Tracking Plan: 계획된 데이터 vs 예상치 못한 데이터


건물을 짓기 전에 설계도를 그리듯이, 데이터 수집도 사전 계획이 있어야 합니다. Amplitude의 Tracking Plan은 데이터 수집 계획을 세우고 체계적 기반을 구축하도록 지원합니다. 뿐만 아니라 단순 사전 계획을 넘어서 실시간으로 데이터 상태를 모니터링하고 관리할 수 있도록 합니다.


Tracking Plan은 수집되는 데이터에 5가지 상태(Status) 정보 부여해, 마치 교통신호등처럼 데이터의 안전성을 실시간으로 확인할 수 있습니다.


🟢 Live: 계획되고 승인된 이벤트가 실제로 수집되고 있는 활성 상태

🟡 Planned: 사전에 계획되었지만 아직 실제 데이터가 수집되지 않은 예약 상태

🟠 Unexpected: 계획에 없던 데이터가 갑자기 수집되어 검토가 필요한 상태

🔴 Blocked: 의도적으로 수집을 차단한 상태 (스팸, 테스트 데이터 등)

⚫ Deleted: 더 이상 사용하지 않아 삭제 처리된 상태





사례1: 헬스케어 서비스의 "사전 예방 전략"


헬스케어 앱을 서비스 중인 H사는 운동 추천 기능을 새롭게 론칭하려 합니다. 그전에 Tracking Plan을 다음과 같이 먼저 설계 하였습니다.


🟡 Planned 상태로 미리 등록:

- workoutRecommendationViewed: 추천 운동 조회

- workoutRecommendationStarted: 추천 운동 시작

- workoutRecommendationCompleted: 추천 운동 완료

- workoutRecommendationSkipped: 추천 운동 건너뛰기


각 이벤트의 필수/옵션 속성:

- workoutType: 운동 유형 (required)

- difficultyLevel: 난이도 (required)

- recommendationEngine: 추천 알고리즘 버전 (required)

- teacher: 담당 강사 (optional)


계획된 이벤트는 실제 데이터가 1회 이상 수집되면 자동으로 'Planned'에서 'Live' 상태로 변경되므로 기능 출시와 동시에 모든 이벤트가 🟢Live 상태로 전환되고 🟠Unexpected 정보가 추가되지 않는 것을 확인할 수 있었습니다. 데이터 수집에 오류가 없는 것을 확인했으니, 즉시 분석 수행이 가능했습니다.


분석 담당자는 사용자들의 추천 운동 완료율이 예상보다 낮다는 것을 빠르게 발견해 2주 만에 부족한 부분을 개선할 수 있었습니다.





Tracking Plan 상태 시스템의 3가지 핵심 가치


실시간 데이터 보안

예상치 못한 데이터가 수집되면 즉시 경고를 보내고, 필요에 따라 데이터 수집을 차단하거나 승인할 수 있습니다. 개발 실수나 악의적인 데이터 전송을 사전에 방지할 수 있죠. 계획되지 않은 정보 수집 시, Unexpected 상태로 노출되어 수집이 정상적으로 이루어지고 있는지 즉시 확인 가능합니다.


점진적 품질 개선

Unexpected 상태의 데이터를 검토하면서 자연스럽게 데이터 품질이 향상됩니다. "왜 이 데이터가 수집되고있지?"라는 질문을 통해 불필요한 데이터를 제거하고 필요한 데이터를 표준화할 수 있습니다.


팀 간 소통의 자동화

개발팀이 새로운 이벤트(Unexpected)를 추가하면 자동으로 데이터팀에 알림이 가고, 데이터팀의 승인(Live)을 거쳐 분석팀이 사용할 수 있게 됩니다. 수동적인 커뮤니케이션이 자동화되죠.




스키마 보호 기능: 데이터 방화벽


Tracking Plan의 또 다른 강력한 기능은 스키마 위반 데이터에 대한 처리 정책을 설정할 수 있다는 것입니다. 기본적으로 다음과 같은 옵션을 제공하는데요.


• Mark as Unexpected: 일단 수집하되 경고 표시 (기본 설정)

• Reject: 아예 수집하지 않고 차단


예를 들어, 중요한 비즈니스 이벤트의 필수 속성이 누락된 경우 해당 이벤트를 아예 차단하여 부정확한 분석을 방지할 수 있습니다.





사례2: 푸드테크 스타트업의 "긴급 상황 대처"


푸드테크 앱을 운영 중인 F사의 개발팀은 금요일 오전에 ‘추천 기능’을 새롭게 배포 했습니다. 문제없이 계획된 이벤트 정보가 수집되는 것을 확인하고 퇴근했던 데이터 팀장은 다음 주 월요일 아침, 다음과 같은 Amplitude 알람을 확인하고 깜짝 놀랐습니다. 


Tracking Plan 알림:

• 🟠 Unexpected: recommendation_clicked (150개 이벤트)

• 🟠 Unexpected: rec_item_viewed (89개 이벤트)

• 🟠 Unexpected: food_recommendation_skipped (201개 이벤트)


Amplitude는 Tracking Plan에 미리 등록되지 않은 이벤트를 'Unexpected' 상태로 분류하고, 미리 지정해 둔 담당자에게 즉시 알림을 보내는데, 개발팀이 주말 작업으로 추가한 새로운 이벤트들이 모두 감지된 것입니다. 하지만 다음과 같이 빠르게 대응할 수 있었습니다.


1. 빠른 검토: 각 이벤트의 속성과 의도를 확인

2. 승인 또는 차단: 비즈니스에 필요한 이벤트는 Unexpected → Live로 전환, 불필요한 것은 Blocked 처리


Tracking Plan이 없었다면, 이런 문제를 빠르게 대응하기 어려웠을 것입니다. 심지어 예상치 못한 이벤트가 수집되는지도 몰랐을지도 모르죠. F사는 복잡한 의사소통 과정 없이도, 새로운 기능의 성과를 안정적으로 측정할 수 있었습니다.










[2단계] Data Health Assessment 템플릿


병원에서 종합검진을 받으면 의료진이 수십 가지 검사를 통해 몸의 상태를 정확히 파악하고 검진 결과를 제공하듯, Data Health Assessment 템플릿은 클릭 한번으로 데이터의 건강 상태를 종합적으로 진단할 수 있습니다.


Amplitude Customer Success 팀이 수백 개 고객사를 지원하면서 축적한 노하우를 하나의 템플릿에 담았습니다. 복잡한 설정 없이 제공되는 템플릿 하나만 선택하면 10가지 핵심 영역에서 종합 진단을 받을 수 있습니다.





기존 도구와는 다른 3가지 특징


전문가 없이도 전문가급 진단

일반적인 데이터 품질 도구들은 "데이터에 문제가 있습니다"까지만 알려줍니다. 하지만 Data Health Assessment는 "어떤 문제인지, 왜 발생했는지, 어떻게 해결해야 하

는지"까지 추가적인 설명을 제공합니다.


Customer Success 팀의 검증된 노하우

수백 개 고객사에서 실제로 발견된 문제 패턴들을 기반으로 구성되어 있어, 일반적인 이론이 아닌 현실에서 자주 발생하는 문제들을 정확히 짚어냅니다.


즉시 실행 가능한 해결책

각 문제별로 구체적인 해결 방법과 예상 소요시간, 예상 효과까지 제시하여 바로 실행에 옮길 수 있습니다.





사례: 글로벌 이커머스의 "세션 ID 미수집 케이스" 발견


글로벌 이커머스 E사는 웹사이트 사용자 여정을 아무리 분석해도 이상한 패턴들이 계속 나타났습니다.


"Amplitude 세션 추적" 진단 결과, 모바일 앱에서는 세션 ID가 정상적으로 수집되고 있었지만 웹사이트

에서는 일부 이벤트에서 세션 ID가 누락되고 있었습니다. 원인을 파악하고 수정 버전을 배포한 이후, 정확한 세션 분석이 가능해지면서 웹 사용자의 실제 구매 여정을 파악할 수 있게 되었고, 이를 기반으로 체크아웃 프로세스를 개선하여 전환율을 향상시킬 수 있었습니다.









[3단계] Data Assistant - 24시간 모니터링


Data Health Assessment로 현재 상태를 파악했다면, 이제 지속적인 관리가 필요합니다. 하지만 매일 수동으로 데이터 품질을 체크할 수는 없죠. 여기서 Data Assistant가 등장합니다. Data Assistant는 AI가 여러분의 Amplitude 데이터를 24시간 모니터링하면서, 개선이 필요한 부분을 발견하는 즉시 구체적인 해결 방안을 함께 알려주는 똑똑한 비서의 역할을 수행합니다.




사례: SaaS 기업의 "이벤트 이름 표준화" 프로젝트


Saas 기업 S사는 데이터 분석을 하고 싶은 니즈는 강했지만, 분석할 때마다 늘 혼란이 있었습니다. 여러 개발팀이 각각 다른 스타일로 이벤트를 만들었기 때문입니다. 그러던 어느 날, Data Assistant에서 알림이 표시 되었습니다. "41개 대용량 이벤트의 명명 규칙을 lowerCamelCase로 통일하세요" 이벤트명에 띄어쓰기, 대소문자 등을 혼용할 경우, 이벤트가 서로 다른 이름으로 따로 수집되어 분석 결과에 누락이 발생할 수 있죠.


Data Assistant 에서는 user_login, UserSignUp, BUTTON_CLICK 등 이벤트명 규칙이 혼재되어 있으므로 변경을 권장하는 안내를 주었고, 이를 각각 userLogin, userSignUp, buttonClick으로 통일하도록 이벤트명 샘플을 제공하였습니다.



담당자는 내부 명명 규칙을 정의한 후 개발단 도움 없이, 메뉴에서 제공하는 버튼 클릭과 Transform 기능으로 이벤트 명을 즉시 통일하였으며, 이를 통해, 누락되는 데이터 없는 분석이 가능해졌고, 새로운 팀원도 쉽게 이벤트를 찾고 사용할 수 있게 되었습니다.




Data Assistant만의 차별화된 5가지 기능


우선순위 기반 추천

전체 이벤트 중에서도 비즈니스에 가장 중요한 것부터 개선하도록 우선순위를 정해줍니다.


비즈니스 컨텍스트 이해

단순히 기술적 오류만 찾는 것이 아니라, 비즈니스 목적에 맞는 개선 방향을 제시합니다.


팀워크 최적화

이벤트에 적절한 소유자를 배정하여 팀 간 혼선을 방지하고 책임감 있는 관리를 유도합니다.


자동 학습 및 진화

사용자의 피드백과 패턴을 학습하여 점점 더 정확하고 유용한 추천을 제공합니다.


실행 가능한 액션 아이템

"문제가 있습니다"에서 그치지 않고 "이렇게 해결하세요"까지 구체적인 행동 계획을 제시합니다.









데이터에 대한 의심을 확신으로 바꾸는 시간


많은 기업들이 데이터의 중요성을 알고 있지만, 정작 그 데이터를 온전히 신뢰하지는 못하는 현실에 직면해 있습니다. 분석 결과를 보면서도 "이 숫자가 정말 맞을까?" 하는 의구심이 들거나, 같은 지표를 놓고도 팀마다 다른 해석을 내놓는 상황을 겪어보셨을 것입니다. 이런 상황이 반복되다 보면 데이터 기반 의사결정이라는 것 자체에 회의적이 되기 마련입니다. 하지만 문제는 데이터 자체가 아니라 데이터를 관리하는 방식에 있을 수 있습니다. 


기존의 분석 도구들은 대부분 사후 분석에 집중합니다. 데이터가 쌓인 후에 그것을 시각화하고 분석하는 데 특화되어 있죠. 하지만 정말 중요한 것은 애초에 올바른 데이터가 올바른 방식으로 수집되고 있는가 하는 점입니다.


Amplitude는 바로 이 지점에서 차별화됩니다. 데이터를 수집하기 전 단계부터 관여하여, 무엇을 왜 수집할 것인지 계획하고, 수집되는 데이터의 품질을 실시간으로 모니터링하며, AI가 지속적으로 개선점을 제안합니다. 전 세계 50,000개 이상의 기업이 Amplitude를 통해 데이터 품질 혁신을 경험했습니다. Netflix가 개인화 추천 시스템의 정확도를 높이고, Shopify가 전 세계 수백만 상점의 성과를 정밀하게 분석하며, PayPal이 복잡한 결제 여정을 완벽하게 추적할 수 있는 이유가 바로 이 차별화된 접근 방식에 있습니다.


이들 기업의 공통점은 단순히 데이터를 분석하는 것을 넘어서, 데이터 자체의 신뢰도를 높이는 것부터 시작했다는 점입니다.







마치며


데이터 환경의 개선은 하루아침에 이뤄지지 않습니다. 하지만 올바른 방향으로 한 걸음씩 나아가다 보면 분명한 변화를 경험하게 됩니다. 회의실에서 데이터에 대한 논쟁이 사라지고, 확신을 가지고 의사결정을 내릴 수 있으며, 모든 팀이 동일한 기준으로 성과를 바라보게 되는 그날이 생각보다 가까이 있을지도 모릅니다.


Amplitude는 무료 플랜부터 시작할 수 있어 부담없이 첫 걸음을 내딛을 수 있습니다. 작은 시작이지만 여러분 조직의 데이터 문화를 근본적으로 바꾸는 계기가 될 수 있을 것 입니다.



콘텐츠 더 읽어보기






데이터의 힘으로 더 나은 제품을 만드는 여정, Team MAXONOMY와 바로 시작하세요.

팀 맥소노미 Amplitude 도입문의 바로가기


앰플리튜드, 데이터 시각화, 인공지능(AI), 데이터 분석, 도입/구축, 데이터 수집