기술적 지표의 한계

마지막 업데이트: 2022년 1월 20일 | 0개 댓글
  • 네이버 블로그 공유하기
  • 네이버 밴드에 공유하기
  • 페이스북 공유하기
  • 트위터 공유하기
  • 카카오스토리 공유하기
휴리스틱은 우리말로 옮기자면 어림셈법 정도가 될 듯합니다. 카느만에 따르면 우리의 뇌는 빨리 생각하는 모드(system1 thinking)와 깊이 생각하는 모드(system 2 thinking)가 있습니다. 생존을 위해서는 많은 정보를 빠르게 처리해야 하고, 이 때 system 1 thinking 이 작동하고 휴리스틱을 이용합니다. 문제는 신중하고 깊이 생각해야 할 때도 system 1 thinking 에서 사용하는 방법들을 차용하는 습관입니다. 이 때문에 우리의 사고에는 오류가 많습니다. 알면서도 항상 당하는 습관이자, 인간의 숙명이기도 합니다.

기술적 지표의 한계

기술적 분석의 장점은 무엇보다 분석적용의 다양성과 신축성에 있다. 기본적 분석은 분석대상과 관련된 다양한 장르의 정보와 자료를 필요로 하며 해당 품목 즉, 분석대상에 대한 고도의 지식을 요구한다. 따라서 기본적 분석은 개별분석 대상마다 별도의 정보와 지식이 필요 한 것이다.

하지만 기술적 분석은 분석 대상에 관계없이 다양하게 쓰일 수 있다. 환율을 분석하다 주식을 할 수도 있고 선물도 분석 가능하다. 물론 각 대상 품목마다 조금씩 분석 기법의 차이가 있을 수 있으나 기본적인 방법에 있어서 그리 큰 차이는 없으며 또한 시장 분석에 있어 가격, 거래량 등의 간편하고 쉽게 입수 가능한 정보만을 필요로 하기 때문에 기술적 분석은 분석 대상에 관계없이 신속하고 편리하게 이용할 수가 있는 장점을 갖는 것이다. 즉, 기술적 분석가의 경우 기간과 장세에 따라 자신의 필요에 맞게 거래 품목을 전환해 가며 신속하고 효율적인 분석을 통해 기본적 분석보다는 손쉽게 매매를 할 수 있는 것 이다.

모든 사람이 특정 지표를 사용하는 기술적 분석을 동시에 사용한다면 어떻게 될까? 이러한 일은 절대로 발생하지 않는다. 왜냐하면 기술적 분석은 주관성이 강한 특성을 갖고 있고 또한 대부분의 시장 참가자들의 경험, 기술 습득정도가 다르기 때문에 그 결과가 달리 나타나기 때문 이다. 그러므로 같은 지표를 사용한다 치더라도 모두가 다르게 해석하므로 그러한 일은 발생할 수가 없는 것이다. 오래 전의 기술적 분석 이론들이 수십 년 동안 지금까지 그대로 전해져 오고 있다는 것이 그것을 반증한다. 앞으로도 그렇겠지만 만에 하나 모든 사람이 똑같은 기술적 분석 방법을 사용한다면 그것을 매개로 한 기술적 지표의 한계 또 하나의 기술적 지표가 만들어진다는 사실 이다.

시장은 항상 합리적이다. 그래야만 투자가들이 시장에 참가하기 때문이다. 시장에 많은 사람들이 참가해야 유동성을 끌어 모을 수 있으며 합리적이고 공정한 시장의 형성이 가능한 것이다. 이러한 이유로 합리적인 시장에서는 모든 시장 참가자들이 똑같은 투자방법을 결코 사용할 수가 없는 것이다.

단점

기술적 분석은 주관성이 강한 특성을 갖고 있다. 주관성이란 의미 그대로 주관적이다라는 의미이다. 이는 기술적 분석 지표를 사용하여 시장을 분석하는 결과들이 투자가들마다 모두 해석하는 차이가 나기 때문이다. 만약 똑 같은 원칙과 해답을 갖고 있는 지표라면 모든 투자가들은 같은 행동을 보여야 하나 결코 그렇지 않은 이유가 여기 있는 것이다. 이렇다 할 정답이 없이 보기 나름, 해석하기 나름이라는 것이 무엇보다 기술적 분석의 가장 큰 단점 인 것이다.

이것은 대부분의 분석가들의 경험, 기술 습득정도에 따라 그 결과를 달리하기 때문이다. 만약 A와 B라는 2명의 투자가가 똑같은 종목으로 RSI 지표를 보고 있는데 한 사람은 매수라고 하고 또 한 사람은 매도라고 얘기할 수 있을 것이다. 대부분의 투자가들의 분석방법이 주관적이다라는 것은 시장이 합리적이다라는 요인을 뒷받침 하는 가장 큰 증거가 되기도 한다. 대부분의 차티스트나 테크니션들이 나름대로 갖고 있는 주관적인 경험에 의한 시장을 분석한 결과에 의해서 투자하는 일반 투자가들은 나름대로의 자의적인 판단에 따라 투자할 수밖에 없는 한계를 이미 내포하고 있는 것이다.

기술적 분석은 차트의 완성을 기다려야 분석 결과가 도출하는 후행성의 성질 이 있다. 가장 큰 후행성의 성질을 가진 지표로는 이동평균 지표가 있다. 장기적으로 이미 지난 종목에 이동평균을 대입하여 분석하여 보면 기가 막히게 맞아 들어가는 것을 종종 확인해볼 수 있다. 하지만 실제로는 골든크로스 때 매수하는 이동평균 돌파 기법을 사용하여 매매하면 매수하자마자 조정 받으면서 가격은 떨어지고 데드크로스 때 매도하면 가격이 다시 오르는 경우를 흔히 경험할 수 있을 것이다. 그리고 대부분이 이 돌파 신호가 늦는다는 것을 느낄 수 있을 것이다. 대부분의 기술적 지표는 시간이 지나야 확인할 수 있는 후생성의 성질을 갖고 있다. 몇 가지 모멘텀화 시킨 선행성 지표가 있기는 하지만 이는 괴리(Divergence) 등의 극히 주관적인 방법론으로 접근하기 때문에 사실상 그 선행적인 부분에 의문을 갖을 수밖에 없다.

차트 해석의 자위성이다. 기본 지식의 습득 없이 변화의 묘리를 이해하지 못하고 단순한 판단을 내릴 소지가 있다. 분석 도중 정확한 매입, 매도 신호가 반드시 교과서적인 것만은 아니다. 어떠한 분석결과가 항상 절대적이지는 않다. 경험을 많이 가진 차트스트일수록 시장에 대한 우를 범한다. 시장을 의심하고 자기 주관이 맞고 시장이 틀리다고 얘기한다. 항상 충분히 노력된 사용자의 자세가 기술적 분석의 성공 여부를 좌우한다. 차트는 모든 것을 해결해 주는 만능이 아니다. 다만 분석을 도와주는 하나의 도구일 뿐이며 얼마만큼 그 도구를 유연하고 숙련되게 사용 하는냐에 따라 성패가 가늠된다.

이러한 자위성은 항상 차트 해석을 감정적으로 받아들이면서 문제가 생기게 된다. 자신이 틀리면 틀리다는 것을 인정해야 한다. 고집을 버리고 유연한 사고를 기른다면 차트는 그 기능을 다한다. 스스로 옳다하지 않은 자만과 편견을 충분한 훈련을 통해 학습되어져야 한다. 이것은 특별한 다른 문제보다는 감정에 스스로 얽매이지 않는 인내가 필요하며 이 역시 충분한 훈련과 자기관리가 필요하다.

국회전자도서관에 처음 방문이세요?

국회도서관 서비스 이용에 대한 안내를 해드립니다.

자료 카테고리

검색결과제한

  • 국회도서관[서울 본관] (1)

pdf 파일 아이콘

협정기관 이용자용 pdf 파일 아이콘 협정기관 이용자용 pdf 파일 아이콘

국회도서관 방문 이용자용 pdf 파일 아이콘 국회도서관 방문 이용자용 pdf 파일 아이콘

원문아이콘이 없는 자료는 국회도서관에 방문하여 책자로만 이용이 가능합니다.

  • 원문보기 (음성지원)

 IT기술을 기반으로 한 제4차 산업혁명이 금융 산업에도 영향을 미쳐 최근에 기술적 지표를 활용한 인공지능 투자자문, 시스템트레이딩 등의 과학적 투자기법이 활성화 되고 있다. 한편 가장 안정적인 투자전략은 종합주가지수가 상승기일 때, 종합주가지수 상승을 선도하는 산업을 찾아내어, 산업별 주가지수를 대표하는 개별 종목에 투자하는 것이다. 그렇다면 산업별 주가지수의 변화를 가장 잘 예측할 수 있는 기술적 지표를 알아낼 수 있다면 투자자들에게 투자종목과 매매시점 선택에 관한 유용한 투자의사결정 정보를 제공할 수 있지 않을까 하는 것이 본 연구의 동기가 되었다.

그러나 과학적 투자기법인 기술적 지표 분석과 투자분석 절차에서 중요한 산업별 주가지수 분석에 대한 학문적 연구는 거의 없는 실정이다.

본 연구의 목적은 BLL(1992)의 연구 방법론을 적용하여 기술적 지표를 활용한 종합주가지수와 산업별 주가지수의 거래전략별 수익률이 매입-보유전략(Buy and Hold Strategy)의 수익률에 비해 초과수익을 낼 수 있는지, 기술적 지표별 거래전략에 따라 산업별 주가지수 수익률의 투자성과는 차이가 있는지에 대해 실증분석하는 것이다.

1998년부터 2015년까지 한국주식시장의 종합주가지수, 산업별 주가지수를 대상으로 이동평균법을 제외한 17개 기술적 지표의 26개 거래전략과 이동평균법의 35개 거래전략의 초과수익에 대해 t-통계량 검정 등의 실증분석을 실시하였다.

본 연구의 실증분석 결과를 요약하면 아래와 같다.

첫째, 종합주가지수의 경우, 기술적 지표를 이용한 매도, 매수, 매수-매도의 t-통계량 검정 결과는 1%, 5% 수준에서 대부분 유의한 것으로 분석되었다. 따라서 기술적 지표를 이용한 종합주가지수 수익률이 매입-보유전략(Buy and Hold Strategy) 수익률을 초과하였다.

둘째, 산업별 주가지수의 경우, 기술적 지표를 이용한 매도, 매수, 매수-매도의 t-통계량 검정 결과는 1%, 5% 수준에서 대부분 유의한 것으로 분석되었다. 따라서 기술적 지표를 이용한 산업별 주가지수 수익률이 매입-보유전략(Buy and Hold Strategy) 수익률을 초과하였다.

셋째, 기술적 지표별 거래전략에 따라 산업별 주가지수 수익률의 투자성과의 차이가 발생하였다. 이를 통해 산업별 주가지수를 예측하는데 유용한 기술적 지표가 다르다는 것을 알 수 있었다.

이러한 연구 결과를 통해 우리나라 코스피시장은 시장정보가 신속하고 정확하게 주가에 반영되지 않고 있는 비효율성이 존재하는 시장이라는 것을 유추해 볼 수 있다. 또한 기술적 분석을 이용할 경우 투자자들은 투자포지션과 매매시점을 포착하여 초과수익을 거둘 수 있으므로 투자자들에게 의미 있는 투자의사결정 기준을 제시한 것이라고 볼 수 있다.

본 연구에서는 주가지수를 사용함으로 인해 거래비용을 고려하지 못한 한계점이 있으나 향후 부트스트랩을 이용한 시뮬레이션 분석, 산업별 주가지수 예측에 있어서 기술적 지표의 차별적 적합성을 발생시키는 요인에 대한 분석, 기술적 지표의 위험도를 감안한 분석 등의 연구가 진행되어야 할 것이다.

, detailInfo=IndexMasterBean(seqNo=97887034, controlNo=KDMT1201837719, createDt=20180802, modifyDt=20180808, cdDbGroup=KDMT_ALL, cdDbSub=KDMT, cdDataType=11, schemaNo=1, dpTitleFull=한국주식시장에서 기술적 지표를 이용한 산업별 주가지수 수익률 분석 / 남원식, dpTitle=한국주식시장에서 기술적 지표를 이용한 산업별 주가지수 수익률 분석 , dpAuthor=남원식, dpPub=위덕대학교 대학원, dpPubDate=2017.2, dpCallNo=TD 658.15 -17-113, dpIsbn=null, dpIssn=null, dpDdc=658.15, dpBranch=ULK, dpLocation=[서울 본관] 서고(열람신청 후 1층 대출대), dpPopular=25, dpPubArea=경주 , dpPlaceCode=Thesis(학위논문 박사), dpItemNo=ET0000373230, 4201837055, dpSereNm=null, cdDegreeDiv=학위논문(박사), dpPubCountry=gbk, dpTranslation=null, dpLawType=null, dpDatabase=null, dpProcTitle=null, dpProcCommit=null, dpNabiTh=null, dpNabiSec=null, dpNabiStatus=null, dpNabiStep=null, titleSort=한국주식시장에서기술적지표를이용한산업별주가지수수익률분석, authorSort=남원식, pubSort=위덕대학교대학원, title=한국주식시장에서 기술적 지표를 이용한 산업별 주가지수 수익률 분석 /, author=남원식 남원식 남원식 남원식 남원식, pub=위덕대학교 대학원, 위덕대학교 대학원,, subject=한국주식시장에서 기술적 지표를 이용한 산업별 주가지수 수익률 분석 / 기술적지표 산업별주가지수 수익률분석, callNo=TD 658.15 -17-113, tocPath=/repo-svc/nadl/data001/data-db1-pdf/kdmt008/PDF/2018/1116/PDF1801-073/KDMT1201837719/KDMT1201837719.toc, absPath=/repo-svc/extra/abs001/data-db1-abs/kdmt001/irm-abs/201801/1116/PDF1801-073/KDMT1201837719.txt, docPath=/repo-svc/nadl/data001/data-db1-pdf/kdmt008/PDF/2018/1116/PDF1801-073/KDMT1201837719/KDMT1201837719.pdf, docPath2=null, expPath=null, isbn=null, issn=null, cis=null, kdmtProf=오영호, major=null, serTitle=null, content=null, lawNo=null, committee=null, lawRelation=null, authorId=null, authorSub=null, cdCountry=null, cdLawDiv=null, cdLang=kor, docCount=1, docFeeYn=N, placeNo=TD, ddc=658.15 658.15, absYn=Y, kdmtDegreeYn=null, cdSerCycle=null, assemConfer=null, assemDaesu=null, assemOrder=null, assemCommit=null, cdLawType=null, cdNabiStatus=null, refdType=null, pubDate=2017, revisionDate=null, signDate=null, enactDate=null, startDate=null, endDate=null, refdSource=null, cdLangOrg=null, docNo=null, knowPubCode=null, linkControlNo=null, page=165, docIsdbEmp=Y, docIsdbPub=Y, subjectLaw=null, cdLawYn=N, sereNm=null, cdAssemYn=N, docSvc=10, docBlind=null, docTtsEmp=Y, docTtsPub=Y, docDownEmp=Y, docDownPub=Y, docSubject=null, ebookYn=N, linkUrl=null, linkUrlDbdiv=null, docItemPath=null, docType=TXT, sysCreateDt=20211201, sysUpdateDt=20211207, sysDeleteDt=N, sysBlindYn=null, sysMetaYn=null, sysDocYn=null, docTts=Y, docDown=Y, cdDataDiv=10, docIsdb=Y, nabiBillId=null, nabiBillNo=null, kciYn=N, cdSellType=N, copyNo=null, docFileNo=18985344, covPath=null, docPermit=A0, docSvcEmp=10, docSvcPub=10, tocFileNo=18985359, absFileNo=22592749, expFileNo=null, knowPubGroup=ETC, docPermitUse=null, authorProfYn=N, tlawPubDate=null, wnetSubject=재무관리전공,, dicSubject=기술적지표 산업별주가지수 수익률분석, sysArrangeEndDt=20180823, cdDbDiv=KDMT, cdMarcType=BK, dlLawRelation=null, dpPopularScore=28, bookSummary=null, dpPubYear=2017, volumeNo=null, printNo=PRINT02, detailPub=경주 : 위덕대학교 대학원, 2017.2, detailForm=viii, 154 p. ; 26 cm, detailRemark=학위논문(박사) -- 위덕대학교 대학원, 재무관리전공, 2017.2. 지도교수: 오영호, detailAppend=null, detailSeries=null, tlawUscTitle=null, detailEdition=null, bookshelfCode=ER00,TS02, url=null, blindCode=N, tdTlawName=null, tdOlawName=null, tdTranslatorName=null, tdCountryName=null, tdEnactmentDate=null, tdRevisionDate=null, tdEnActmentNo=null, tdRevisionNo=null, tdKoLawDivCode=null, tdLawClassName=null, tdUscTitle=null, tdDomesticLaw1Name=null, tdStandingCommittee1Name=null, tdKoLawDivName=null, tdOtherLawName=null, tdEnactmentName=null, tdPackNo=null, tdRemark=null, tdSourceTitle=null, o_pack_name=null, o_other_law_name=null, o_enactment_date=null, o_enactment_no=null, o_revision_date=null, o_revision_no=null, o_law_div_code=null, o_law_classification1_code=null, usc_title=null, o_domestic_law1_name=null, o_standing_committee1_name=null, extra1=null, extra2=null, extra3=null, extra4=null, extra5=null), authorProfYn=N, dpBranchMenuMap=>, goodMeterialMap=<>, docMenuMap=], menuCode=Y, sortOrder=1, count=1, menuId=GROUP_DOC_ISDB_Y, menuName=원문 있는 자료, menuType=isdb>, GROUP_DOC_TTS_PUB_Y=, GROUP_DOC_DOWN_PUB_Y=>, linkUrlInfo=, detailItemBeanList=[InnerSearchDetailItemBean(dbDiv=KDMT, label=DP_TITLE_FULL, name=논문명/저자명, text=한국주식시장에서 기술적 지표를 이용한 산업별 주가지수 수익률 분석 / 남원식), InnerSearchDetailItemBean(dbDiv=KDMT, label=DETAIL_PUB, name=발행사항, text=경주 : 위덕대학교 대학원, 2017.2), InnerSearchDetailItemBean(dbDiv=KDMT, label=DP_CALL_NO, name=청구기호, text=TD 658.15 -17-113), InnerSearchDetailItemBean(dbDiv=KDMT, label=DETAIL_FORM, name=형태사항, text=viii, 154 p. ; 26 cm), InnerSearchDetailItemBean(dbDiv=KDMT, label=DP_LOCATION, name=자료실, text=[서울 본관] 서고(열람신청 후 1층 대출대)), InnerSearchDetailItemBean(dbDiv=KDMT, label=CONTROL_NO, name=제어번호, text=KDMT1201837719), InnerSearchDetailItemBean(dbDiv=KDMT, label=DETAIL_REMARK, name=주기사항, text=학위논문(박사) -- 위덕대학교 대학원, 재무관리전공, 2017.2. 지도교수: 오영호), InnerSearchDetailItemBean(dbDiv=KDMT, label=DOC_COUNT, name=원문, text=1)], locationList=[], naverAcademic=<>, languageMenuMap=>, expFileContents=, topMenuCountMap=, publicationYearMenuMap=, isExistPolicyData=false, cdDbSub=KDMT, tocFileContents=

“코로나19로 청년 체감 실업률 더 컸다”…올 들어 27% ‘역대 최고’

코로나19 여파로 청년층의 고용난이 심화하면서 이들의 체감 실업률이 올해 들어 역대 최고 수준을 기록한 것으로 나타났다. 특히 공식 실업률과의 격차가 점점 확대됨에 따라 이에 대한 보완책이 시급하다는 지적이다.

2일 국회 예산정책처가 발간한 ‘고용보조지표를 통해 살펴본 코로나19 이후 청년층의 고용상황’ 보고서에 따르면 올해 1~2월 고용보조지표3(확장 실업률)은 27.0%로 집계됐다.

이는 관련 지표 제공이 시작된 2015년 이후 가장 높은 수준이다.

통계청은 공식 실업률 등 주요 경제 지표의 한계를 보완하고, 노동시장에 대한 다각적 이해를 돕기 위해 2015년부터 ‘고용보조지표’를 발표하고 있다. ‘일하고 싶은 욕구가 완전히 충족되지 못한 노동력’을 나타내는 지표다.

이 중 고용보조지표3은 체감 실업률에 가장 가까운 것으로 평가되고 있다.

이 지표는 실업자뿐 아니라 취업자 중 36시간 미만 단시간 근로자이면서 추가 취업을 원하는 ‘시간관련 추가취업 가능자’, 구직활동을 하지 않아 비경제활동인구로 분류되지만 잠재적으로 취업이 가능한 ‘잠재경제활동인구’를 모두 고려한다.

이처럼 최근 들어 청년 체감 실업률이 주목받는 것은 공식 실업률이 청년층의 고용 상황을 제대로 반영하고 있지 못하다는 지적에 따른 것이다.

실제로 코로나19 여파로 지난해 청년 취업자(376만3000명)는 전년보다 18만3000명 감소하며 1998년 외환위기 이후 가장 큰 감소폭을 보였지만, 청년 실업률은 9.0%로 전년대비 0.1%포인트 상승하는 데 그쳤다.
특히 체감 실업률과의 격차는 더 컸다.

체감 실업률은 2019년까지 22%대를 유지했다. 그러나 지난해 코로나19 고용 충격이 반영되면서 1분기 23.7%, 2분기 26.6%, 3분기 25.3%, 4분기 24.9%로 상승하더니 올해 1~2월에는 27.0%로 가장 높은 수준을 기록했다.

유근식 예산정책처 경제분석관은 “청년들이 체감하는 고용시장 상황이 매우 좋지 않을 수 있단 것을 시사한다”고 말했다.

문제는 공식 실업률과 체감 실업률의 괴리가 갈수록 커지고 있다는 점이다. 두 지표는 2019년까지만 해도 14.0%포인트의 격차를 보였지만, 코로나19 이후 점차 확대되더니 올해 1~2월 17.2%포인트를 기록했다.

여기에 코로나19 이후 시간관련 추가취업 가능자와 잠재경제활동인구는 크게 증가한 반면, 실업자 증가 정도는 크지 않은 것으로 나타나 실업자만 반영하는 공식 실업률에 한계가 있다는 지적도 나온다.

유 분석관은 “코로나19 이후 청년들이 체감하는 실업률은 빠른 속도로 상승하고 있다”며 “공식 실업률로는 이를 파악하기 어렵고 이것만으로는 청년들의 실업과 구직난을 파악하는 데 한계가 있다”고 밝혔다.

그러면서 “정부는 코로나19 이후로 청년층의 공식 실업률과 확장(체감) 실업률 간 격차가 커지고 있는 원인을 세부적으로 파악해 청년 실업대책 등 정책을 수립할 필요가 있다”고 조언했다.

기술적 지표의 한계

봉도표는 수많은 기술적 분석법 중에 하나이다.
그 중에서 봉도표만이 가장 훌륭한 분석법이라고 강변할 생각은 없다.
그러나 간편한 작도법에 비해 이처럼 직관적으로 시장의 특성을 잘 포착하여 드러내는 지표도 흔치 않다. 본서에 처음 소개되는 봉테크는 이런 점에서 훌륭한 기술적 대안이 되리라 여겨진다. 다만 모든 기술적 지표가 그러하듯이 100% 완벽하지 않음 또한 사실이다. 때문에 다른 기술적 지표와 병용이 필요할 수는 있다.
여기서 주가 예측을 위한 기술(技術)로서 존재하는 봉도표 또는 범위를 넓혀 諸기술적지표의 한계와 의미를 잠시 생각해 보자.

병원에 가면 진료 장비가 많이 있다.
청진기, 혈압계, 체온계, X-Ray에서 컴퓨터 단층촬영기 등의 최첨단 의료기기가 그것이다. 그러나 유능한 의사는 첨단 장비 없이도 청진기 하나로 병세를 밝혀내기도 하며, 편작, 화타같은 고대의 명의는 장비 없이 환자의 안색만 보고도 병의 깊고 얕음을 알아냈다.
의료 장비가 병을 진단하고 치료하기 위한 도구인 것처럼, 기술적 지표도 주가를 예측하기 위한 도구와 다름없다. 쉼 없이 첨단 의료 장비가 속속 개발되고 있듯이, 기술적 지표도 정확한 예측을 위해 복잡하고 정교한 지표가 쉼없이 고안되고 있다. 보다 나은 수단을 개발해내려는 노력은 귀하고 나름대로 의미 있는 것임에 틀림 없으나 병을 진단하고 처방하는 것은 최종적으로 의사에 달렸듯이 기술적 지표의 활용도 결국은 분석자에 크게 의존되어 있다. 장비 없이 진단과 치료가 어렵듯이, 기술적 지표도 주가 분석에 있어서 필수 불가결한 것이 돼버린 현실을 인정하더라도, 바른 판단을 내리는 것은 여전히 인간의 몫으로 남겨져 있다.
문인화의 중시조라 할 당(唐)의 왕유(王維)는 산수론을 통해 "무릇 산수를 그릴 때에는 의식이 필묵에 앞서야 한다"(凡畵山水 意在筆先)라고 지적하였다. 필묵이 아무리 좋다고 하여도 이를 제대로 구사하지 못한다면 그림이 될 수 없다. 마찬가지로 봉도표를 비롯한 기술적 지표가 제아무리 훌륭하더라도 이를 제대로 이용하지 못한다면 무용의 것이 되고 말 것이다.
이와 같은 생각은 상식적으로 의심할 여지없이 타당해 보인다.

그러나 예측(forecasting)을 전문적으로 연구하는 학자들에 의하면 반드시 그렇지도 않다는 사실이 밝혀졌다. 본서 내에서도 잠시 언급하였듯이 예측법은 양적인 역사적 자료 분석에 치중하는 정량적 방법과 판단 과정, 경험 관리, 예측에 이르는 지식 등의 효과적 구사를 목적으로 하는 정성적 방법의 두 가지가 있다. 봉도표를 포함하는 대부분의 기술적 지표는 정량적 방법에 속한다. 실제의 예측에서는 예측자가 갖고 있는 새로운 정보, 내적인 통찰력, 실시간 환경의 갱신 여건(real time environmental updates) 등에 기초하여 위에서 살펴 본 형식적인 예측 방법(formal forecasts)을 적당히 변경하여 사용한다. 어떤 예측 방법을 사용한다고 하더라도 인간의 최종 판단은 예측의 성,부(成否)를 결정하는 가장 중요한 요소이다. 이와 같은 예측자의 자신의 판단에 기초한 방법을 형식적 예측 방법에 대(對)하여 판단적 예측(judgmental forecasts)이라 부른다. 이들 형식적인 예측과 판단적 예측의 현실적 사례들을 조사한 결과를 간단히 살펴 보면 다음과 같다.

1. 판단적 예측은 장기 예측에 있어 특히 부정확하였다.
( Hogarth and Makridakis 1982 )

2. 간단한 정량적 예측은 정교한 통계학적 접근법보다 예측의 정확성이 높다. ( Hogarth and Makridakis 1982 )

3. 정량적 예측 방법이 판단적 예측보다 같거나 높은 성과를 내었다.
( Hogarth and Makridakis 기술적 지표의 한계 1982 )

4. 전문 투자분석가(analysts)의 예측은 일반적인 단순한 예측보다 정확하지 못하였다. ( Richard. R. M. 1976 )

5. 주식거래 대행업자(stockbroker)가 업계에서의 경력이 많으면 많을수록
판단적 정책(judgmental policy)에 따른 통찰력은 오히려 약하다.
( Slovic, P., Fleissner, D. and Bauman, W. S. )

6. 국내 증권사들이 매주 월요일 『이번 주의 투자 추천 종목』으로 발표하는 주식들의 수익률이
시장평균수익률을 오히려 밑돈다.
( 유관희[한양대,회계학] -- ‘우리나라 증권사들의 예측 정보 내용에 관한 실증연구’, 분석기간 : 1987.1 ~ 1990.12 )

실제적인 예측의 관점에서 보면 판단적 예측법과 정량적 예측법을 결합하면 단일 예측법보다는 훨씬 개선된 효과를 얻을 수 있다.
판단적 예측에서 흔히 개재되는 일관성의 부족(inconsistency)이나 편의(偏倚, bias)와 정량적 예측에서 어려움으로 지적되는 예측 환경의 심한 변동 가능성에 대하여 결합적인 방법은 보다 나은 결과를 제공할 수 있다.
양 방법의 한계와 특성으로부터 내려지는 실증적인 결론은 주요한 변동이 없는 한, 정량적 예측에 보다 높은 비중이 두어져야 한다는 것이다. 그러나 기술적 지표의 한계 주변 환경에 심한 변화가 발생하면 판단적 예측의 비중을 높일 필요가 있다.
따라서 중요한 논점은 그러한 변화가 일어날 때를 결정하는 일이다.
이러한 관점에서 볼 때 예측(forecasting)도 중요한 일이지만 변화를 감시(monitoring)하는 일도 그에 못지 않게 중요하다.
봉도표는 다른 기술적 지표보다 주관적인 판단 요소가 많은 것이 사실이다. 따라서 분석자의 판단적 예측이 개입될 여지가 많다. 이는 단점이자 장점이 될 수도 있다. 봉테크나 다중기술을 활용하여 판단적 예측의 적절한 통제를 확보할 수 있다면 유연하게 현실에 적응시킬 수 있다.
또한 주변 환경의 돌발적인 변화가 일어날 때, 다른 기술적 지표가 심한 지표 값의 왜곡으로 그릇된 신호를 발하는데 반하여 봉도표는 잘 적응하여 변화의 징후를 정확히 포착, 그에 걸맞는 봉형을 그려낸다. 그런 면에서 봉도표는 앞에서 지적한 예측(forecasting) 외에 감시(monitoring)에도 좋은 길잡이가 될 수 있다.

미완(未完)에 대한 아쉬움과 두려움 !

아쉬움과 두려움이 마지막에 이르러 더하는 것은 아마도 심연처럼 깊은 주가 예측이라는 거창한 물음에 대한 모색으로부터 출발하는데 연유하는 것이리라. 완성을 지향했음에도 마지막에 늘 미완을 경험하게 된다. 미완은 완성을 향한 유일의 접근 양식이 아니런가 ?
그것은 소피스트들(Sophists)의 궤변처럼 "영원히 표적에 꽂힐 수 없는 화살"일런지 모른다. 본서의 연구가 비록 신궁(神弓) 감승의 수복조하(獸伏鳥下)하는 불사적신전(不射的神箭)은 못되더라도 아쉬운 대로 수졸(守拙)에라도 머무른다면 다행이겠다.
시간을 미리 잡는다. !
역(易)의 예괘(豫卦)에는 예지시의 대의재(豫之時義 大矣哉)라는 말이 있다. 『때를 미리 잡는 뜻이 크도다.  trend anticipation』
때를 미리 잡음이 크고 아름답다는 것을 누가 모를까마는 세속에 몸을 기탁하고 있는 한 탐욕에 눈이 멀고, 두려움에 공(功)을 놓치는 것은 예사일 아니겠는가 ?
봉도표가 때를 미리 잡는 훌륭한 도구가 됐으면 싶다. 그러나 그에 미치지 못한다면, 봉도표와의 만남이, 최소한 때를 따를(隨之時) 계기를 엮어내는 인연이라도 되었으면 한다. (隨卦 - 隨之時義 大矣哉)
『때를 따르는 뜻이 크도다.  trend follow』
끝으로 저 희랍신화에서 보듯이 모쪼록 봉도표라는 도구가 독자 여러분의 숙련과 경험에 기하여 황금 치환의 마이더스(Midas)적 기적을 일구어내는 기술적 매재(technical medium)로 역할 되어질 것을 기대하며 건승을 빈다.
(※ 전통 주역 풀이와 다르게, 豫와 隨의 자의를 빌어, 상호 대비시키며, 뜻을 이끌어내었음.)

프리즘(PRISM)은 저자가 본서를 집필할 때 직접 프로그래밍하여 사용한 주식투자프로그램이다. 本프로그램은 전통적인 봉도표는 물론 개량형 봉도표, 봉테크(棒Tech)가 채비 되어 있다. 그 외 물경 160여 개에 달하는 각종 기술적 지표와 수천 개에 이르는 자동 검색 기능이 지원된다.

프로그램의 특징

1. 기본적 분석과 기술적 분석의 동시 지원
2. 일봉(주봉, 월봉, 연봉) 1980.01.04이래 全자료 -- 무한 확장 가능
3. 재무자료(15년,반기별)
4. 스펙트럴분석(Spectrum Analysis), 最適化技法(Optimization) 등 최신 통계기법
5. 기술적 지표 160여 개(전세계에서 개발된 대다수 채록, 세계 최다)
6. 수동 검색 수천 가지 조합 가능(검색 조건 無限 자유 조정)
7. 자동 검색 수백 가지 조합 가능
8. 재무자료 분포분석, 우선주/구주 분석, 시장지표분석, 섭동분석, 급박도분석 등 각종 주제별 분석이 가능한 툴박스(tool box) 채비
9. 주가 싸이클 상의 위치를 자동 추적(tracking)
10. 종목 등록, 변경, 삭제 자동 원격 조정(통신)
11. 사용자 정의 공식(user defined formulas)을 旣 제공 기술적 지표와 동일 차원에서 활용 가능
12. 성과분석(performance test)
13. 관심종목, 여과종목, 저장종목, 구좌별 종목 등 다양한 관리 체계
14. 선물(Futures)분석 기능
15. 화면 분할(screen split), 색상 조절 등 화면 구성의 자유형식
16. 화면 확대, 잘라 붙이기, 두 종목간 비율차트, 지수이동평균, 목표치 분석, Sweeper 등 60여 가지의 보조 가공 유틸(Utilities) 채비
17. 각종 봉형(棒型), 기술적 패턴 자동 인식(pattern recognition)
18. 봉테크, 개량봉(축차봉, 지봉) 기능
19. 전략투자공학적(strategic investment technology) 접근
20. 도움말 기능(약 1000p에 해당)
21. 전문가 전용

더 나은 마케팅 측정(애널리틱스) 문화를 위한 지표와 프레임웍

디지털 커뮤니케이션이 등장하고 우리 삶에 깊숙이 자리잡은 기술적 지표의 한계 지난 20년. 마케팅도 엄청난 변화를 겪었습니다. 디지털 마케팅은 더 많은 회사가 더 많은 사람들에게 자신을 알리고 메시지를 전할 수 있게 만들어주었습니다.

디지털 마케팅이 빠르게 확산되고 자리잡게 된 또다른 이유는 데이터입니다. 디지털 마케팅과 플랫폼의 노력 덕에 과거에는 추정만 하거나 몇 달이 걸리는 데이터들을 실시간으로 축적하고 확인할 수 있게 기술적 지표의 한계 되었습니다. 모두가 데이터를 공유하며 마케팅 의사결정을 할 기반이 마련되었습니다.

많은 기업들이 데이터의 중요성을 인식하고 관련하여 예산을 투입하고 노력을 기울입니다. 그 예산으로 사람을 고용하고, 툴을 사고, 분석 서비스를 이용하기도 합니다. 그리고 이렇게 수집, 가공, 분석한 데이터로 다양한 활동에 대해 결정합니다. 어떤 마케팅 채널에 어떤 예산과 자원을 투입하고 바꿀 것인지, 기술적 지표의 한계 단기와 장기간 마케팅의 방향을 어떻게 설정할 것인지를 데이터에 의해 결정합니다.

데이터 측정의 한계와 역설

그런데 실제로 디지털 마케팅은 더 좋은 마케팅 의사결정에 도움이 될까요? 데이터를 잘 이해하는 소수의 조직에게는 큰 도움이 될 것입니다. 하지만 대부분의 조직에게는 그렇지 않습니다. 데이터 수집과 가공 기술은 단기간에 굉장히 좋아졌지만, 사람들이 이것을 이해하고 다루는 능력은 제자리이기 때문입니다.

측정의 한계

그러나 새로운 세계를 열어준 디지털 마케팅 데이터에는 명백한 한계가 있습니다. 디지털로 수집할 수 있는 데이터는 “디지털”에 국한됩니다. 또한 개인정보 보호 등의 규제와 기술적 한계도 있기 때문에, 모든 디지털 채널의 데이터가 호환되지도 않습니다.

데이터 측정의 역설: 가용성 휴리스틱(availability heuristic)

이 한계보다 더 중요한 문제는 디지털 데이터의 장점으로 여겨지는 수집 용이성, 실시간, 투명성 입니다. 눈에 명백히 보이는 디지털 데이터가 반드시 가장 중요한 데이터라고 하기는 어렵습니다. 또한 디지털 데이터가 마케팅 전체의 맥락을 말해주지 못하는 경우도 많습니다. 하지만 디지털 이외의 다른 데이터는 잘 보이지 않기 때문에, 눈에 잘 띄고 손에 잡히는 디지털 데이터가 마케팅 의사결정의 기준이 되기 쉽습니다.

디지털

디지털 마케팅의 데이터는 빙산의 윗부분 같기도 합니다. 디지털 데이터를 통해 최대한 빙산 아래를 파악해보려는 노력이 필요하지만, 우리는 수면 위만 쳐다보고 있습니다.

인간이 저지르기 쉬운 인지 오류를 연구하여 노벨 경제학상을 받은 다니엘 카느만은 이것을 가용성 휴리스틱(availability heuristic) 이라고 합니다. 인간은 원래 가장 쉽게 떠오르는 것을 기준으로 생각하고 잘못된 결정을 내리기 쉽습니다.

휴리스틱은 우리말로 옮기자면 어림셈법 정도가 될 듯합니다. 카느만에 따르면 우리의 뇌는 빨리 생각하는 모드(system1 thinking)와 깊이 생각하는 모드(system 2 thinking)가 있습니다. 생존을 위해서는 많은 정보를 빠르게 처리해야 하고, 이 때 system 1 thinking 이 작동하고 휴리스틱을 이용합니다. 문제는 신중하고 깊이 생각해야 할 때도 system 1 thinking 에서 사용하는 방법들을 차용하는 습관입니다. 이 때문에 우리의 사고에는 오류가 많습니다. 알면서도 항상 당하는 습관이자, 인간의 숙명이기도 합니다.

내용은 조금 다르지만 “목소리 큰 놈이 이긴다”는 말도 디지털 데이터의 역설을 잘 표현해준다고 생각합니다. 생각의 타당함과 관계 없이 주장이 강하고 말을 많이 하는 사람의 의견이 돋보이고 관철되는 현상은 주변에서 흔히 눈에 띕니다.

조직 내에서 마케팅에 관여하는 많은 사람들이 디지털 데이터를 접하고 다루며 의사결정의 근거로 활용하지만, 섬세한 고려와 이해 없이는 잘못된 의사결정을 내리기 쉽습니다. 디지털과 이를 둘러싼 다양한 맥락과 데이터를 함께 이해하는 대신 디지털 데이터만을 봅니다. 그리고 디지털 데이터 중에서도 가장 눈에 띄는 데이터만에 주목합니다. 이런 데이터들은 대부분 기업이 고객에게 주는 가치, 기업의 지속성과 성장, 작게는 매출과 이익과 관련이 없습니다.

더 큰 문제는 그것이 잘못인지도 모르고 지나가는 일이 너무 많다는 점입니다. 아주 부정적인 시각으로 보면 21세기 초를 살고 있는 사람들 모두가 디지털 데이터 마케팅이라는 거대한 사기를 당하고 있는지도 모릅니다. 물론 저는 이렇게 까지 생각하지는 않습니다. 하지만 P&G가 디지털 마케팅에 대한 문제를 제기하고 총 수조원의 디지털 예산을 삭감한 이유를 곱씹어볼 필요가 있습니다. 참고로 P&G는 세계에서 가장 유능한 마케팅 인력, 엄청난 유무형의 마케팅 자산, 그리고 200년의 경험을 가진 회사입니다.

조직 내 디지털 데이터 활용의 문제

실제로 조직 내에서의 디지털 데이터 활용을 생각해보면 양상은 이렇습니다. 이것도 그나마 마케팅 자원이 풍부하고 고도화된 마케팅을 잘하는 조직의 양상입니다.

의사결정권자 : 데이터가 중요한 것은 안다. 하지만 어떤 디지털 데이터가 있고, 어떻게 수집하고 활용할지는 잘 모른다.

데이터를 활용하여 일을 하는 마케터 : 데이터를 활용하는 툴을 잘 다룰 줄 안다. 그래서 많은 디지털 데이터를 수집하고 정리하고 나름의 분석도 한다. 하지만 시야가 너무 좁고 디지털 데이터의 맥락을 이해하지 못한다.

여담: 일부 마케팅 교육기관은 데이터와 퍼포먼스 마케팅 능력을 익히면 연봉을 두 배 올려받을 수 있다고 광고합니다. 저는 그런 종류의 직무능력’만’을 갖춘 인력은 5년에서 10년 내에 AI가 대체할 가능성이 높다고 생각합니다. 그 이유는 뒤에서 더 언급하겠습니다.

흔히 통용되는 데이터 기반 마케팅이나 퍼포먼스 마케팅의 문제도 동일합니다. 데이터에 대한 시야가 너무 좁고, 맥락을 이해하지 못합니다. 그래서 데이터로 가공하기 쉽고, 개선과 발전을 보여주는 것 같은 지표가 많이 나오는 마케팅 활동만이 강화됩니다. 그리고 극히 일부의, 성공 확률이 낮지만 눈에 띄는 좋은 사례를 많은 회사가 모델로 채택하여 똑같이 수행합니다. 성공 확률은 낮아지고, 예산 투입은 많아지며, 고민은 깊어지는데 문제를 정확히 규명하기 힘들어집니다.

더 나은 디지털 마케팅 데이터 측정을 위한 프레임웍

그렇다면 디지털 데이터를 어떻게 측정해야 더 좋을까요? 데이터 측정을 통해 더 나은 의사결정을 하는 방법은 무엇일까요? 진정한 데이터 기반 기술적 지표의 한계 마케팅은 어떻게 실천할 수 있을까요?

데이터 해석과 이에따른 행동은 결국 사람이 결정하고 실행합니다. 조직에서 데이터 측정을 더 잘 하려면

측정 가능한 데이터를 모두 펼쳐본 다음, 누가 언제 어떻게 이 데이터들을 측정하고 분석할지를 나눠야 합니다.

이렇게 역할 분담을 하고 나면 각자의 역할에 맞게 분석을 수행하고, 더 나은 의사결정을 위한 프로세스를 기술적 지표의 한계 갖춰 실행합니다.

결국 어떤 데이터를 갖고 무엇을 할 수 있는지를 알아야 합니다. 이를 위해 데이터 측정 프레임웍을 제시해봅니다. 이 프레임웍과 관련 자료는 Avinash Kaushik 가 제시한 내용입니다. 예시로 든 이미지는 모두 Kaushik의 자료를 우리말로 바꾼 것입니다. 저는 이런 자료를 볼 때마다 거인의 어깨를 빌리는 일의 힘을 느낍니다.

디지털 마케팅 지표의 좌표축(axis)

다양한 지표는 두 가지 기준에 따라 나눕니다.

첫째 축은 시간입니다. 실시간으로 측정할 수 있는 것부터 반기나 연간으로 측정할 수 있는 지표까지 나열해봅니다.

전략전술의 축

두 번째 축은 전략-전술 입니다. 다양한 지표는 전술적인 것부터 전략적인 것으로 나눌 수 있습니다. 전략-전술 축의 기준은 지표의 영향력이자, 복잡한 정도(분석력을 요구하는 정도)이기도 합니다.

전략 축에서 높이 있는 지표일수록 다른 하위 지표들과 상황을 이해해야 합니다. 따라서 전략 축에서 높이 있는 지표들은 측정이 어렵거나, 측정은 쉬워도 이유를 설명하기 어렵습니다.

장바구니-미구매 비율 을 예로 들어보겠습니다. Kaushik 는 이탈률이라는 간단한 지표가 얼마나 복잡한지를 설명하는데, 저는 좀 더 복잡한 지표를 예로 들어봅니다. 장바구니에서 미결제한 비율 이라는 지표는 쇼핑몰 솔루션 제공 업체에서 주는 툴이나 구글 애널리틱스 등에서 쉽게 알 수 있습니다. 하지만 실제 이 미결제 비율에 대해 이해하려면 다양한 하위 지표와 정보를 알아야 합니다. 몇 가지만 예를 들면 다음과 같습니다.

  • 상세페이지의 내용 – 감성적, 기능적 측면과 가치
  • 고객의 구매 사이클
  • 사이트와 관련 페이지의 다양한 전환율
  • 사이트의 관련 페이지 전환율과 최적화
  • 결제 방식의 UI, UX, 편의성

위의 내용들도 미결제 비율의 하위지표일뿐 다시 다양한 하위지표로 구성됩니다.

온라인 커머스를 운영하는 어떤 조직에서 장바구니 미결제율이 높아져서 이에 관한 논의와 의사결정을 한다고 가정해봅니다. 아마도 다양한 산발적인 내용과 의견들이 나올 것입니다. 하지만 구성원들이 해당 지표를 구성하고 영향을 주는 하위 지표들의 층위를 체계적으로 이해한 바탕으로 논의를 하고 의사결정을 할까요? 99%의 조직은 그렇게 하지 못할 것입니다.

전략적인 지표는 이렇게 측정과 평가가 어렵지만 영향력도 큽니다. 방금의 예시에서 어떤 방법으로건 장바구니-미결제 비율을 낮추게 되었다면, 하위 지표들 대부분 역시 개선되었을 것입니다. 반대로 하위지표가 개선된다고 상위 지표가 꼭 좋아지지는 않습니다. 페이스북의 좋아요 나 사이트 방문자 지표가 높아진다고 전환율이 높아지거나 이탈률이 낮아지지는 않습니다.

시간과 전략전술의 축으로 보는 현재 국내의 마케팅 측정 문제

앞서 언급한 국내 데이터-퍼포먼스 마케팅의 문제도 이 축으로 쉽게 설명할 수 있습니다. 많은 회사, 대행사, 마케터, 경영자들이 단기-전술 지표를 중심으로 마케팅을 하고 경영을 합니다.

이 경우 해결도 단기적이고 전술적입니다. 단기 전술적인 대응을 반복하는 일은 개인에게도 조직에게도 무척 피곤하고 진 빠지는 일입니다. 또한 광고비용, 각종 거래비용(transaction cost)이 많이 듭니다. 사이트의 방문을 높이려면 온라인에 광고비만 많이 쓰면 됩니다. 하지만 방문한 사이트에 문제가 있다면 방문자 증가의 효과는 거의 없습니다.

좀 더 전략적인 지표인 이탈률은 어떨까요? 이탈률을 낮추려면 랜딩페이지의 콘텐츠 구성, 사이트의 UX, CTA 등을 수치화하거나 평가하고, 측정하고 개선해야 합니다. 대신에 이탈률을 낮출만큼 사이트를 개선했다면 방문자나 세션 수, 페이지 조회수는 증가할 것입니다.

고객 평생가치나 충성도 같은 것은 단기간에 한 두 가지를 개선해서 쉽게 달라지지 않습니다. 하지만 고객 평생가치가 높아진다면 매출, 이익, 지속성 등 사업에 핵심적인 요인들도 함께 개선됩니다.

더 중요한 지표들을 규명하고, 그 지표들에 영향을 주는 지표들을 함께 이해하며, 중요한 지표들(대개 전략-장기의 축에 있습니다)을 개선하기 위한 행동을 한다면 하위의 많은 문제는 쉽게 해결될 것입니다.

마케팅 측정 프레임웍 만들기

이렇게 좌표축을 만들어 놓고 평소에 쓰는 지표들을 나열해봅니다. 예를 들어 페이지 방문자나 조회수는 실시간-전술 적인 지표입니다. 반면 고객의 평생가치는 장기-전략적인 지표입니다. 구글 애널리틱스, ERP 시스템, 기타 다양한 툴에서 제공하는 지표들을 모두 열거해보고 채워보면 좋습니다. 아래의 그림은 예시입니다. 이 지표들은 회사마다 실제 사용하고 수집 가능한 데이터로 직접 채우는 것이 좋습니다.

지표 예시

예시에 쓰이는 지표는 40여가지 입니다. 이 40여가지는 모두 필요하고 중요한 지표입니다. 측정 문화가 잘 정착되지 않은 조직에서는 이 중 3-4 가지만을 사용하며, 업무나 직급에 관계 없이 이 3-4가지 지표만 함께 고려합니다.

측정 문화가 잘 갖춰져 있는 조직도 3-4가지를 핵심 지표로 사용할지 모릅니다. 다만 이 3-4가지 지표를 설명하는 하위지표들 수십 가지를 모두 이해하고 측정하며 체계 속에서 연결되어 있을 것입니다. 그리고 맡은 업무와 의사결정 수준에 따라 집중하는 지표가 다를 것입니다.

지표들을 몇 가지 열거하면 다음과 같습니다.

  • 노출
  • 방문
  • 신규방문%
  • CTR
  • AVOC
  • 아웃바운드 클릭
  • 획득비용
  • 페이지 값
  • 상점 방문
  • 장바구니-미구매 비율
  • 목표완료율
  • 전환
  • 세션 퀄리티
  • 방문당 목표값
  • 일간 활성사용자
  • 매출총이익
  • A/B 테스트 매출 차이
  • 인당 순이익
  • 최근 방문, 빈도
  • Nonline 매출
  • Nonline 채널별 이익
  • 고객 충성도
  • LTV

프레임웍 형태

앞에서 말한 축 위에 위의 지표들을 알맞게 나열해봅니다. 이커머스 사이트의 예를 들면 아래와 같을 것입니다. 이것은 예시일뿐입니다.

프레임웍 확장 : 차원 더하기

이렇게 기본적인 프레임웍을 만들었다면 몇 가지 차원을 더해볼 수 있습니다.

현재상황 파악

이 작업의 목적은 의사결정을 위해 얼마나 데이터를 폭넓게 체계적으로 사용하는지를 파악하기 위함입니다.

다양한 데이터 중 조직에서 주로 살펴보고 의사결정에 주로 사용하는 데이터는 무엇인가요? 이것을 파악하면 좀 더 중요한 지표를 측정하고 분석하고 이를 마케팅에 적용하기 위한 행동들을 실천에 옮기기 쉬워집니다.

여태까지 노출과 방문자 수, 매출 만을 주요 지표로 삼았다면 이것을 확실히 표시해보세요. 그리고 좀 더 장기적이고 전략적인 지표를 측정하고 개선할 방법이 있는지를 찾아보세요.

아래 그림에서 초록색으로 표시한 것이 전체 데이터 중 일반적으로 많이 쓰는 데이터의 예시입니다. 초록색으로 표시한 것이 많을수록 좋지만, 대부분의 조직은 전체 중 극히 일부만 초록색으로 표시하게 됩니다.

지표들을 난이도별로 나눠보면 다음과 같습니다. 당연히 전략적이고 장기적인 고려가 지표들의 측정과 개선이 훨씬 어렵(지만 의미있)습니다.

직급별로 신경 써야 할 지표를 나눠보면 다음과 같습니다.

쉽게 말해 의사결정의 영향력이 클수록 더 전략적인 지표에 신경 써야 합니다. 그리고 이를 개선하기 위해 고민해야 합니다. 물론 전략적인 지표를 개선하기 위해서는 관련된 하위 지표에 대한 이해가 함께 필요합니다.

마케팅 팀장이라면 소셜미디어의 좋아요 나 인게이지먼트, 사이트 방문자, CTR 을 넘어선 지표 이해와 행동 계획이 필요합니다.

경영자라면 고객의 충성도나 LTV에 대한 나름의 정의와 값을 설정해야 합니다. 정확한 값을 정할 필요는 없고, 매기기도 불가능합니다. (제품이나 서비스에 따라 조금 쉬운 것도 있고 많이 어려운 것도 있습니다)

다만 나름의 경험과 이해도, 상황 변화에 따라 이런 값을 매겨보고, 수정하고, 동일 조건에서 개선하기 위한 노력을 해야 합니다.

분석 종류별

장기, 전략적인 지표일수록 분석과 메타분석이 필요합니다. 즉 여러 상관관계와 인과관계를 따져 현상을 설명하고 원인을 규명하는 작업이 필요합니다. 단순히 숫자나 툴을 안다고 되는 문제는 아닙니다. 숫자와 툴에 더해 통찰과 사고력, 상상력과 경험을 동원해야 합니다.

번외 : 자동화

위의 그림들을 보면 자동화 라는 항목이 등장합니다. 현재 마케팅에서 주요 지표로 많이 언급하는 것들은 측정과 해석 모두 자동화로 해결됩니다. 즉 사람이 신경쓸 필요가 거의 없습니다. 현재 퍼포먼스 마케팅, 데이터 분석이라고 일컫는 행위들 중 상당 부분이 AI로 대체될 것이라고 생각하는 이유이기도 합니다. 자동화의 영역은 갈수록 커질 것이며, 그만큼 사람 실무자의 역할은 줄어듭니다. 사람이 더 전략적이고 장기적인 지표에 집중해야 할 이유입니다.

더 나은 측정 문화, 더 나은 마케팅, 더 나은 비즈니스

현재의 디지털 마케팅과 측정에는 분명 문제가 많습니다. 그리고 이 글에서 이야기하는 측정 방식을 사용하려면 여러 가지로 장벽이 많습니다.

하지만 조금씩이라도 일의 효과와 효율을 높이는 노력을 해보면 좋겠습니다. 지금 수준의 AI가 파악하고 이해하는 수준의 지표 측정에서 아주 조금 더 전략적인 지표를 개선하기 위한 시도, 단기 지표에서 조금 더 호흡이 긴 지표를 살펴보려는 시도가 필요합니다.

조직 구성원들이 함께 이런 노력을 기울인다면 1년 후, 3년 후, 5년 후 개개인의 구성원 회사 모두 훨씬 성장해 있을 가능성이 높습니다.


0 개 댓글

답장을 남겨주세요