2-2. 데이터 분석결과 : 빅데이터와 스몰데이터 II

빅데이터와 스몰데이터(리서치 결과)는 데이터 자체의 특징에서 차이가 있을 뿐만 아니라, 분석 결과물의 성격에서도 상당한 차이가 있다. 이는 두 데이터가 제공하는 정보의 종류가 다르고, 이를 해석하는 방식이 다르기 때문이다.

빅데이터는 대규모 데이터를 기반으로 행태(Behavior)와 액션(Action)에 대한 수치적 분석이 가능하다. 즉, 많은 사람들이 어떤 방식으로 움직이고, 어떤 패턴을 보이는지 분석할 수 있다. 예를 들어, "방문 횟수가 10% 증가하면 구매 횟수가 2% 증가한다"는 식으로, 딱 떨어지는 수치 기반의 관계를 도출할 수 있다. 이러한 정보는 명확하고 선명하기 때문에, 실무자들을 설득하기가 상대적으로 쉽다. 또한, 데이터의 신뢰성이 높고 대규모 표본을 기반으로 하기 때문에, 객관적으로 보이기 쉽다는 장점도 있다. 그러나 이러한 데이터는 행태 자체만을 보여줄 뿐, 그 행동이 왜 발생했는지는 설명하지 못한다. 즉, 패턴과 흐름을 분석할 수는 있지만, 그 행동의 동기나 맥락을 이해하기는 어렵다. 예를 들어, 구매율이 증가한 이유가 제품 개선 때문인지, 프로모션 효과인지, 계절적 요인 때문인지 빅데이터만으로는 파악하기 어렵다.

반면, 스몰데이터(리서치 데이터)는 특정 행태에 대한 이유와 맥락을 이해하기 위해 수집된 데이터이기 때문에, 최종 분석 결과는 해석을 기반으로 의미를 부여해야 한다. 리서치는 빈도를 측정하기도 하지만, 근본적으로는 소비자의 태도, 인식, 경험 등의 정성적인 요소를 분석하는 데 초점을 맞춘다. 따라서, 동일한 데이터라도 분석가의 해석 방식에 따라 결과물이 크게 달라질 수 있다. 특히, 분석가의 지식(도메인 경험, 업계 트렌드, 심리학적 이해 등)이 해석의 질을 결정하는 중요한 요소가 된다.

리서치의 형태에 따라 해석의 수고가 다르기도 하다. 예를 들어, FGD(Focus Group Discussion)나 FGI(Focus Group Interview) 같은 정성조사 결과는 조사 규모가 작지만, 응답자들의 의견을 직접 듣고 그들의 인식을 파악할 수 있기 때문에 해석이 비교적 명확해지는 경향이 있다. 반면, 설문조사처럼 일정 규모 이상의 정량 데이터를 포함하는 경우, 그 수치를 어떻게 해석할지에 따라 결론이 달라질 수 있다. 예를 들어, "50%의 고객이 불만을 가지고 있다"는 데이터가 있을 때, 이 불만이 제품의 기능 때문인지, 가격 때문인지, 고객 서비스 때문인지 분석가는 추가적인 해석을 통해 의미를 도출해야 한다.

리서치 분석의 가장 큰 어려움은 해석의 영역이자 의견의 영역이므로, 반대(디펜스)에 부딪히기 쉽다는 점이다. 빅데이터처럼 명확한 숫자가 나오면 이를 객관적 근거로 활용하기 쉽지만, 리서치 결과는 분석가의 해석이 개입되기 때문에 "이 해석이 맞느냐"에 대한 논쟁이 발생할 가능성이 높다. 특히, 상사나 실무자들이 자신의 경험과 다르거나 기존의 가설과 일치하지 않는 해석이 나오면 이를 쉽게 받아들이지 못하는 경우가 많다. 그렇다고 단순히 숫자만 전달하면, 결과가 실무적으로 활용되지 못하고 그냥 서랍 속으로 들어갈 가능성이 커진다. 결국, 리서치는 데이터 자체뿐만 아니라, 이를 어떻게 설득력 있게 전달할 것인지에 대한 전략이 함께 필요하다.

빅데이터와 스몰데이터는 서로 보완적인 관계다. 빅데이터는 대규모 행태 데이터를 통해 패턴과 흐름을 분석하는 데 강점이 있고, 스몰데이터(리서치 데이터)는 행동의 이유와 맥락을 해석하는 데 강점이 있다. 따라서, 두 가지 접근 방식을 함께 활용하면 보다 정교한 분석이 가능하다. 예를 들어, 특정 프로모션을 진행한 후 빅데이터 분석을 통해 방문율과 구매율의 변화를 확인하고, 추가적인 리서치를 통해 고객들이 해당 프로모션을 어떻게 인식했는지를 조사하는 방식으로 결합할 수 있다. 이처럼 빅데이터와 리서치를 함께 활용하면, 행동 패턴을 이해하는 것뿐만 아니라, 그 이유까지 밝혀내어 더욱 효과적인 비즈니스 전략을 수립할 수 있다.