Arspraxia

다크소셜을 넘어서

Oct 25, 2017

다크소셜을 넘어서 소셜분석의 진보를 위한 비전과 방법론 10월 29, 2017 | BY 김도훈

I. 서문

소셜미디어와 빅데이터 분석이라는 용어가 세상에 알려진 지도 이제 10여년이 다 되어 간다. 그러나 소셜미디어 상의 데이터 분석이 많은 영역에서 충분히 효과적으로 활용되고 있지는 못한 실정이다. 관련된 분석 인프라를 활용해 본 조직들 가운데선 적지않은 실망감을 표하는 경우도 있다. 소셜미디어는 고유의 플랫폼이고, 데이터는 그 플랫폼 안의 컨텐츠다. 소셜 분석은 무엇일까? 소셜분석은 기본적으론 소셜미디어라는 플랫폼 안의 컨텐츠인 데이터의 사회적 의미를 분석하는 작업이다. 사회적 의미…문제는 여기에 있다. 소셜미디어라는 협소한 플랫폼 안의 정보가 곧바로 고객이 알아내고자 하는 사회적 의미의 총체적인 상을 담고 있지는 않기 때문이다. 필자는 데이터 사이언스에 기반한 사회 분석을 하면서 여러 글로벌 회사 및 정부 기관들과 거의 10여년간 일을 해 왔다. 해당 업을 수행하면서, 소기의 성과를 거두기 위해선 무엇보다 데이터 분석에 임하는 관점과 조직 오퍼레이션의 구조에 대한 비판적인 재평가가 시급하다는 느낌을 많이 받는다. 현재 소셜미디어 분석은 충분히 잠재력을 발휘하지 못하고 있다. 그리고 컴퓨터 기술이 진보하면 현재의 답답한 문제들이 바로 해결될 것이라는 순진한 기대나 인내심은 진실과 거리가 멀다. 단순한 인프라, 솔루션 중심으로 사고하기보단 조직의 구조, 문화, 리서치 방식을 바꾸려는 대담한 움직임이 중요하다.

II. 소셜분석의 한계와 다크소셜

지금껏 소셜분석이 보여준 장점이 있다면 어떤 것이 있을까? 먼저, 소셜 분석은 트위터, 페이스북, 블로그, 커뮤니티, 인스타그램, 유튜브 등의 온라인 매체에서 나오는 이야기(WoM: Word of Mouth) ⁱ 들을 모니터링 할 수 있는 기본적인 플랫폼을 제공해 왔다. 둘째, 가끔씩 마케팅이나 홍보에서 기존 매체비를 집행하는 것보단 저비용으로 성공적인 케이스를 만들어낸 경우들이 있었다. 셋째, 새로운 방식의 홍보, 마케팅, 신제품 제작, 세일즈 전략의 입안을 위한 인사이트를 소셜 분석이 제공하기도 했다. 마지막으로 꼽는다면, 소셜분석은 온라인에서 (대부분 부정적인) 이슈들이 제기될 때 즉각적으로 대응할 수 있도록 함으로써, 뉴미디어의 전환기(Box 1)에 리스크 커뮤니케이션의 새로운 방식을 위한 길을 제시하기도 했다. Box 1 국가별로 차이는 있겠지만, 조직의 기존 위기관리 방식은 오프라인 매체와의 관계에 의존적이다. 물론, 오프라인은 여전히 중요하다. 문제는 상부에 보고하기 위해 통제할 수 있는 것만 강조하는 조직의 관성이 통제할 수 없는 것에 대한 취약성을 갈수록 키우고 있다는 것이다. 당장 통제하기 어려운 온라인 미디어의 커뮤니케이션을 직시하고 위기관리에 있어서 창의적인 해법을 모색할 수 있느냐가 다음 세대의 조직 생존을 결정짓게 될 것이다. 이러한 기여에도 불구하고, 현업에서 데이터 모니터링(listening) 작업은 의뭉스런 숫자들로 가득 찬 반복적인 리포팅에 그치는 경우가 많다. 소셜분석에 힘입어 성공을 이루어 냈다는 케이스들이 있긴 하지만, 전문가들 관점에서 그들은 예외적인 사례일 뿐 전형적으로 기대할 수 있는 경우들은 아니다. 많은 경우, 증거 기반이나 데이터에 의한 전략 수립은 여전히 요원하다. 이런 답보 상태에는 몇가지 주된 이유가 있다. 무엇보다도 먼저, 소셜미디어나 데이터 세계가 우리가 인사이트를 얻고자 하는 사회 그 자체(the Social)가 아니라는 점을 깊이 이해해야 한다. 데이터 분석의 아웃풋은 기껏해야 사회의 파편화된 표상(representation)일 뿐이다. 소셜미디어의 데이터를 실마리 삼아 더 깊이 연구해야 할 훨씬 더 큰 현실이 존재한다. 우리는 이런 현실을 다크 소셜(Dark Social)이라고 표현한다. 기존의 다크 소셜이라는 용어는 이메일이나 개인용 채팅앱처럼 기존 소셜미디어와 달리 데이터를 수집하기 불가능한 디지털 미디어를 지칭한다. 그러나 이런 용어의 잘못된 활용은 마치 기존의 소셜미디어의 데이터 분석이 충분히 효용을 주지 못한 이유는 데이터에 접근하는 방법이 잘못된 것이 아니라 단지 이메일이나 채팅앱의 데이터를 가져오지 못해 분석의 범위가 제한되었기 때문이라는 식의 변명처럼 들린다. 마치 15세기에 새로운 수로를 개척하며 아메리카 대륙으로 항해하길 두려워하던 선원들이 북극에 큰 구멍이 뚫려 있어 그 구멍만 발견하면 단숨에 인도에 다다를 수 있으니, 이런 고생스럽고 위험스러운 항해는 그만두자고 선장에게 외치듯이 말이다. 실제로 소셜분석에서 정말 문제가 되는 것은 데이터의 커버리지가 아니라 분석과 해석의 방법론, 그 방법론과 결부되는 고유한 기술의 축적 여부이다. 미디어 플랫폼이 점점 늘어나고 설령 우리가 그 데이터를 가져와서 분석할 수 있게 된다 하더라도, 우리가 직면하는 무지의 그림자는 감소하는 것이 아니라 도리어 더 커진다. 만약 이메일과 채팅앱의 데이터를 가져올 수 있게 되면, 분석자는 오늘날의 트위터나 페이스북, 인스타그램에서 발견하는 것과 마찬가지로 이용자들의 제한적이고 선택적인 표현과 선호의 편향에 직면하게 될 것이다. 다크소셜 속의 무지와 편견의 세계는 데이터를 가져올 수 있는 플랫폼이 늘어날수록 줄어드는 것이 아니라 도리어 더 거대해진다. 결국 가장 중요한 문제는 사람과 조직의 데이터 해독력은 천차만별이라는 사실이다. 똑같은 그래프나 숫자를 보고도 제각기 다른 메시지를 읽어내게 된다. 꼭 필요한 핵심 인사이트를 끄집어 내는 일은 지적인 활력과 기술적인 우수성을 동시에 요구한다. 유감스럽게도, 대부분의 조직은 그러한 역량이 갖추어져 있지 않다. 향후 데이터 활용의 차별성을 만들어 내기 위해서는 똑똑한 질문을 던지고, 그 질문에 맞게 다양한 영역에서 데이터를 모으고, 통합적인 솔루션을 찾고, 실천을 할 수 있도록 조직이 바뀌어야 한다.

III. 소셜미디어를 분석할 때 중요한 세가지

다시 한번 강조하자면, 소셜 미디어 그 자체는 조직이 목표로 하는 사회(소셜)도, 사회의 전반적 특성을 반영하는 미디어도 아니다(그림 1). 소셜 데이터에는 필연적으로 그 빙산의 일각 밑에서 움직이고 있는 어두운(dark) 영역이 존재한다.ii 이에 더해, 미디어의 활용 방식이 늘 변하듯, 같은 소셜미디어 안에서도 대화의 패턴은 매우 빠르게 변모한다(Box 2). 스크린샷 2022-02-09 오후 12.58.28 그림 1 "사회와 미디어 사이 소셜미디어의 포지션과 역할" Box 2 같은 플랫폼에 늘 같은 사람들이 활동하고 있는 것은 아니다. 과시가 주된 목적인 소셜미디어 플랫폼에서 사람들은 공감이나 좋아요만 표현하지 않는다. 시간이 지나면서 오히려 대립과 충돌, 냉소와 비아냥이 예측가능한 반작용으로 등장한다. 싫증을 느낀 사람들은 떠나고, 새로운 사람들이 유입되거나 플랫폼 자체가 도태된다. 기존에 활동하던 사람들도 바뀐 분위기 속에서 새로운 소통 방식을 체득한다. 새로운 방식은 공유와 댓글의 패턴, 게시글의 컨텐츠 등에 변화를 가져온다. 유용한 정보를 얻고 효과적으로 커뮤니케이션 하기 위한 힌트들은 여기저기 흩뿌려져 있지만, 대부분의 경우 단 하나의 플랫폼을 통해 그런 단서에 접근하기란 어렵다. 예컨대 의사결정의 당사자라면 단지 블로그에서 정부의 복지 정책에 대한 비판이 높다고 해서 해당 정책이 성공하지 못할 것이라고 확정적으로 이야기할 수는 없는 노릇이다. 화장품에서 새로운 스타일에 대한 온라인 버즈가 뜬다고 해서 그것이 근미래의 트랜드를 알려주는 것인지도 확신하기 어렵다. 데이터의 대표성에 심각한 문제가 있을 수도 있다. 따라서, 인구 프로파일과 특정 시장 세그먼트에 대한 보다 진보한 분석이 필요해진다(Box 3). Box 3

아마도 소셜미디어 분석을 대하는데 있어서 가장 보수적이면서도 진부한 반응은

"그 분석 결과가 (유의미한) 전체를 대변한다는 근거가 어디 있냐?"

는 것일 것이다. 그 질문은 전제가 잘못되어 있는데, 소셜미디어는 전체 인구를 대변하는 표집 샘플이 아니기 때문이다. 그보단 특정 온라인 플랫폼 이용자들의 즉각적 반응이라고 보는 것이 옳다. 그럼에도 불구하고, 어떤 사람(연령대, 성별 등)들이 무엇을 더 선호하거나 싫어하는지를 알아내는 것은 중요하다. 특정 인구의 특정 주제에 대한 즉각적인 반응은 종종 사회의 전형성을 잘 대변해 주기 때문이다. 머신러닝에 기반한 새로운 추정적 분석(predictive-analytics) 기술이 이런 일을 가능케 하고 있다.

소셜미디어의 미심쩍은 노이즈를 접하면서 분석자가 해야 할 일은 사람들의 집합적인 마음의 패턴을 명확히 규명하고 핵심 메시지를 추출하고 난 다음에, 표면적인(denotative) 주장과 그 실제 내포된(connotative) 의미를 구분하는 것이다(Box 4). Box 4 많은 빅데이터 분석이 놓치는 문제는, 분석된 비정형 데이터의 결과가 소비자나 유권자의 속마음인지, 아니면 단순한 합리화를 위한 핑계인지를 구분하지 못한다는 것이다. 단순히 키워드의 숫자를 세는 수준을 벗어난 사회심리학적 모델링이 분석 알고리즘과 해석적 방법론에 반영되어야 텍스트 분석에서 전략적 가치를 발견할 수 있다. 아르스 프락시아가 지속적으로 개발해 온 세만틱 네트워크 분석 방법론과 툴 역시 그런 문제의식을 반영하고 있다. 텍스트 마이닝과 이미지 프로세싱은 앞으로 이런 관심사들에 대해 답할 수 있는 중요한 매개가 될 테지만, 해당 기술들은 아직 초보적인 수준에 머물러 있는 편이다. 결국 가장 중요한 것은, 데이터 해석의 축적된 전문성이 진정한 차이를 만들어 낸다는 사실이다. 클라이언트들은 궁극적으로 똑같은 것을 묻는다.

"그 분석 결과가 (유의미한) 전체를 대변한다는 근거가 어디 있냐?"

사실, 습관적으로 데이터부터 먼저 추구(수집)했다면 전략에서 실제 차이를 만들어낼 수 있는 인사이트를 찾는 작업은 대부분의 경우 무위에 그칠 것이다. 먼저 똑똑한 질문부터 해야 하고, 그 다음으로 그 질문에 답하기 위한 적합한 데이터 수집과 분석이 이루어져야 한다. 쉬운 말 같지만, 그것이 실제로 가능한가 여부는 조직의 역량과 문화에 달려있다.

똑똑하게 질문하기

통합적인 데이터 마이닝, 분석, 해석, 전략의 수립과 실행을 조직하는 것은 일련의 질문들이다. 그 질문들은 똑똑해야 한다. 이를테면 아래와 같은 요소들이 중요하다.

Q1. 우리가 답을 찾고자 하는 가장 핵심적인 질문이 무엇인가?

Q2. 온라인 미디어 플랫폼 중에서 우리가 추구하는 질문에 답하기에 가장 적합한 데이터 소스는 무엇인가?

Q3. 만약 소셜미디어만으론 정보의 갭이 존재한다면, 오프라인을 포함하여 대안적인 데이터 소스를 통해 어떻게 그 갭을 메울 것인가?

Q4. 우리 업무에서 소셜미디어 분석과 다른 리서치 간의 관계와 상호적 기능은 무엇인가? 어떻게 그것들을 정의하고 연결할 것인가?

Q5. 현재 운용중인 기술, 방법론, 인력, 조직은 수집된 정보를 통하여 효과적으로 전략적 대안을 구축하고 있는가? 만약 그렇지 않다면, 언급한 변수들 사이에서 약한 고리가 무엇인가?

Q6. 부재하거나 약한 부분, 그리고 모호한 정보를 어떻게 처리할 것인가? 누가 의사결정을 하며, 모호한 부분에 대응하는 데 있어 우리 조직은 얼마나 대담하게 움직일 수 있는가?

Q7. 의사결정이 이루어진 후, 다음 번 의사결정 과정을 개선하기 위한 피드백의 순환 구조를 어떻게 만들어낼 것인가?

이러한 질문들은 조직 내 따로 움직이고 있는 역할들을 서로 연결하기 위한 목적을 갖고 있다. 여전히 솔루션은 말보다 실천이 어렵다. 무엇이 장애물인가? 현업에 종사하고 있는 우리들의 경험으론, 제일 먼저 팀 세팅부터 (다시) 이루어져야 한다.

팀 (재)조직화

이러한 질문들은 조직 내 따로 움직이고 있는 역할들을 서로 연결하기 위한 목적을 갖고 있다. 여전히 솔루션은 말보다 실천이 어렵다. 무엇이 장애물인가? 현업에 종사하고 있는 우리들의 경험으론, 제일 먼저 팀 세팅부터 (다시) 이루어져야 한다. 주로 특정 부문의 분석에만 전문화되어 있고, 그래서 고립되어 있는 분석팀(인하우스이든 외부 에이전시이든)은 문제의 비즈니스 필드를 전반적으로 조망하지 못하고 주어진 영역의 데이터 분석 작업에만 매몰되기 쉽다. 그런 팀은 비즈니스 전략에 충분히 통합될 수 없고, 더 나쁘게는 격리된 미디어 필드에서의 소소한 시그널링이나 하는 조직으로 비춰지기 쉽다. 그림 2 “이상적인 조직: 전사적 기획 속의 소셜 분석, 권한의 위임 및 소통” 주로 특정 부문의 분석에만 전문화되어 있고, 그래서 고립되어 있는 분석팀(인하우스이든 외부 에이전시이든)은 문제의 비즈니스 필드를 전반적으로 조망하지 못하고 주어진 영역의 데이터 분석 작업에만 매몰되기 쉽다. 그런 팀은 비즈니스 전략에 충분히 통합될 수 없고, 더 나쁘게는 격리된 미디어 필드에서의 소소한 시그널링이나 하는 조직으로 비춰지기 쉽다. 또한, 충분한 책임과 권한을 가진 조직은 취합된 정보를 통해 중앙집중화된 결정을 내릴 수 있어야 한다. 통합적인 의사결정을 수행하는 팀은 데이터와 근거에 기반한 사고를 효과적으로 전달하고 나머지 실행 조직들과 적극적으로 소통할 수 있는 수단을 갖춰야 한다(그림 2).

다크소셜을 극복하기 위한 분석 혁신

유능하고 책임 있는 정보 관련 조직이 추구해야 할 일은 적극적인 데이터의 온-오프 믹스이다. 온-오프 믹스가 가능한 모든 영역으로부터 무조건 데이터 수집의 범위를 확대하라는 의미는 아니다. 현실적으로 추구해야 할 것은 관심있는 문제 요소들에 대한 윤곽선을 그릴 수 있는, 정보의 경계(boundary information)이다. 정보의 경계는 서베이, 인터뷰, 전문가 워크숍, 참여 관찰 등 전통적인 방법을 통해 보완될 수 있다. 물론 때론 새로운 데이터에 맞춰 전통적인 방법의 형식을 일부 변형할 줄도 알아야 한다. 소셜미디어와 다른 빅데이터 소스를 포함하여 제각기 상이한 데이터 셋이 서로 퍼즐을 맞춰나갈 수 있도록 방법론의 세부적인 형식이 변형되어야 한다. 그런 데이터들이 서로 제대로 합쳐지도록 가공되었을 때, 진보한 데이터 사이언스 방법을 활용한 후속 연구도 가능해진다(Box 5). Box 5 온-오프 믹스는 단순히 기존에 있던 리서치 방법과 데이터 분석을 기계적으로 결합하는 것이 아니다. 오히려 화학적 융합을 통해 목표를 견조한 방식으로 지속적으로 달성할 수 있도록 분석 기술과 지식의 연결방식을 안정화하는 것이 중요하다. 이를테면 디지털 플랫폼 환경에서 새로운 KPI의 측정, 소비자나 유권자 기호의 심층적인 특성을 반영한 마케팅/홍보 전략 수립, 국가와 사회의 혁신 등 거시적인 환경에 대한 평가와 대안 제시 등이 전통적인 분과학문의 경계를 허물고 새로운 정보의 경계를 추구하면서 통찰력 있는 인과관계를 보다 명확히 드러낼 수 있다. 필자는 특히 오늘날의 데이터 분석에서 분석 혁신이 필요하다고 생각한다. 분석의 혁신이 필요하다는 말은 고도로 맥락 의존적(context-driven)이고 사회적으로 목표 추구적(task-oriented)인 데이터 프로세싱 과정에서 어떤 종류의 머신(machine)도 그 자체론 어떠한 유용한 해석적 의미도 러닝(learning)하기 어렵다는 판단을 내포한다. 진정으로 중요한 것은 앞서 강조했던 일련의 질문들과 가장 잘 씨름할 수 있는 독창적인 컨셉, 그리고 평가 지표를 이질적이고 불투명한 정보로부터 끄집어내는 일이다. 분석 기술은 그와 같은 인간 중심적(human-born) 작업을 위해 창조되고 개선되어야 하고, 자동화를 통해 시간을 잡아먹는 노가다를 최소한으로 줄일 수 있도록 고안되어야 한다. 아마도 필자의 이런 말이 매우 평범한 솔루션으로 들리겠지만, 최근의 수많은 담론들은 마치 기계가 인간 중심적 작업을 완전히 대체할 수 있는 것처럼 이야기하면서 정반대의 길을 가고 있다. 실상 그런 기계 중심적 방식은 데이터 아웃풋으로부터 인간이 납득할 수 있는 의미를 찾아내기 위해 사람에게 더 힘든 작업을 가중시키고 더 많은 시간을 소모하게 될 수도 있다. 아래 컨셉과 평가 지표들은 이런 인간 중심적 기술 활용에 있어서 분석자와 의사결정들이 중요하게 생각해야 할 요소들에 대한 설명이다.

통합적이고 과학적인 KPI

이른바 소셜 ROI에 대한 대부분의 근거없는 주장들과는 달리, 그런 지표는 정말로 진지하게 측정되어 본 적도 없고 대부분의 비즈니스 환경에서 당분간 제대로 평가되기도 어려울 것이다.iv 현실적으로는 소셜 분석이 달성을 지원하고자 하는 중범위 목표를 정하고, 이에 긍정적인 역할을 하는 매개 요소들을 측정하기 위한 과학적이고 합리적인 인덱스를 수립(창조)하는 것이 필요하다. 버즈량이나 (순)긍정 버즈, 소셜 인게이지먼트(engagement)와 관련된 숫자들이 공통적으로 활용되는 편이긴 하지만, 보다 미시적인 측정 요소들이 성공적인 차별화를 가져올 수 있다.

텍스트로부터의 인사이트

비록 텍스트 해석의 중요성을 인지하고 다양한 종류의 텍스트마이닝 툴들이 시중에서 활용되고 있지만, 현행 기술이 곧바로 사이버 커뮤니케이션 상의 인사이트를 도출해 내는 경우는 드물다. 문법적(넓게 얘기해서) 연관 관계에 머무르는 기존의 자연어처리(NLP)를 넘어서, 새로운 학습 기계 알고리즘은 이미 구상한 태스크에 적절한 사회적 맥락을 인식할 수 있도록 개발되어야 한다.

컨택스트를 위한 이미지 프로세싱

지난 수십년의 역사가 축적되어 있는 텍스트마이닝 기법에 비해 현재의 이미지 프로세싱 기술은 초기 단계에 머물러 있다. 최근의 기술적 연구들이 이미지로부터의 사물 인식(object detection)에 초점이 맞춰져 있지만, 미래의 산업적 니즈는 배경 이해(background understanding)를 중심으로 성장할 것이다. 이는 사회적으로 내포된 의미(social connotation)를 이해하는 것이 중요하다는 점을 암시한다. 비록 내포된 의미의 도출이 어려운 목표이긴 하지만, 유능한 분석 인력은 패턴화된 데이터를 통해 매우 절제된 분석적 과제에 집중함으로써 인공지능의 학습을 위한 사회적 패턴을 발견하고 그런 패턴을 카테고리화 할 수 있을 것이다.

- 프로파일링의 기술

개별 미디어 플랫폼이 사회적 대화의 파편에 불과하고 전체 사회를 대표하지 못한다는 사실을 우리 모두 알기에, 디지털 데이터의 화자가 누구인지 프로파일링 하는 것은 분석자가 갈망하는 목표가 된다. 그래서, 대체 누가 얘기하고 있는 것이란 말인가? 해당 정보는 사회 변화를 추적하기 위해 집중적으로 연구되고, 패턴화되며, 지속적으로 업데이트 되어야 한다. 현재 어떤 단일 알고리즘도 이런 프로파일링을 위해 100% 정확한 답을 주진 못한다. 그러나 최근의 기술적 발전은 소셜 대화에 대한 폭넓은 분석이 가장 진보한 인공지능 기술과 만났을 때 합리적인 수준의 퀄리티 달성이 가능함을 보여준다.

불필요한 정보를 ‘무시’할 수 있는 지능

소셜 분석의 초보는 그가 다룰 수 있는 데이터의 엄청난 양에 대해 자랑할 것이다. 사실 다룬다는 말은 데이터 노이즈로부터 벗어나기 위해 대부분 불필요한 (쓰레기) 데이터를 치워내는 결정을 요한다. 그 결정은 다시 의사결정을 하는 주체의 지능을 요구한다. 그러한 인공지능은 수년간의 경험과 의사결정의 주요 포인트를 축적하기 위한 기록 작업, 그리고 정보 중 통찰력 있는 부분만을 골라내도록 인간-컴퓨터 인터페이스를 강화하고 위임한 실천의 산물이라고 할 수 있다.

IV. 결론: 인간중심적 분석과 기술의 공존

나는 이 글을 특히 다년간 소셜 분석 필드에서 일하고 있는 사람들을 위해서 썼다. 그러나 이 업계에 어떤 도전과 노력이 이루어지고 있는지에 대해 감을 잡고 싶은 초보자들에게도 도움이 되었으면 좋겠다. 사실 모든 내용을 하나로 뭉친 메시지는 비교적 간단하다.

“만약 당신이 현재 소셜 분석의 퍼포먼스에 대해 불만이라면, 똑똑한 질문을 던질 수 있도록 조직부터 먼저 바꿔라.”

이를 위한 첫걸음은 소셜 분석 조직을 의사결정의 테두리 내로 충분히 통합시키고, 기획능력과 정보를 갖춘 상태에서 다른 리서치 업무들을 연결시키고 통합시킬 수 있도록 권한을 주는 것이다. 그렇게 되지 않으면, 소셜 분석은 조직 운영에서 불협화음을 일으키거나, 반대로 아무런 목소리를 내지 못하고 기존의 생각과 관행에 맞추어 가게 될 것이다. 어느 경우든 진정한 변화가 일어나긴 어렵게 된다. 첫 작업이 순조롭게 진행되었다면, 다음으로 고려할 수 있는 단계는 중범위의 목표를 명확하게 정하고, 이에 부합하는 똑똑한 질문들을 던지며, 가능한 혁신적인 분석 방법과 기술들을 동원하는 것이다. 마지막으로, 당신의 영역 바깥에 있는 전문가 조직과 지식으로부터 도움을 얻는 편이 좋다(그림 3).

그림 3 "순차적 To-Do"

왜냐하면, 강력하고 의미있는 변화는 밖에서부터 일어나기 쉽기 때문이다. 뛰어난 데이터 분석은 사회에 대한 통찰력을 갖춘 인간이 다크소셜을 세계의 필연적인 부분으로 포용하면서 발전하는 기술과 공존하려는 지혜로부터 가능해진다.

i. Social Media And Word Of Mouth: 2 Ecosystems That Must Be Mastered (https://www.mediapost.com/publications/article/298025/social-media-and-word-of-mouth-2-ecosystems-that.html) ii. A Dark Future Ahead for Social Analytics (https://blogs.oracle.com/socialspotlight/a-dark-future-ahead-for-social-analytics) iii. 4 Common Questions about Social Media Listening Answered (http://www.marketing-interactive.com/4-common-questions-social-media-listening-answered) iv. 소셜 ROI와 관련된 많은 주장들은 소셜미디어 지표와 세일즈 사이의 허위 상관관계(spurious correlation)를 제시한다. 그러나, 세일즈 결과는 소셜버즈만의 기여로 보기에는 훨씬 더 복잡한 성질을 갖는다. 다른 한편으로, 세일즈 급감은 소셜미디어의 부정 버즈에 의해 바로 영향을 받을 수 있다. 현재로선, 성공적인 비즈니스 업무 수행에 긴요한 KPI를 데이터와 미디어의 관점에서 명료하게 정의하는 것이 보다 현실적일 것이다.

Leo Kim ARS Praxia CEO
leo_kim@arspraxia.com