유용한 행사들을 찾아 소개하는 이벤터스 큐레이터입니다. 이번에는 DXE의 ‘AI x GA4 데이터 설계 컨설팅 웨비나’에 직접 참여했어요.
요즘은 AI에게 데이터를 넣고 분석을 요청하는 일이 자연스러워졌는데요. 그렇다면 AI가 내놓는 분석 결과는 어디까지 믿을 수 있을까요?
아무리 정교한 AI라도 잘못 수집되거나 설계된 데이터를 바탕으로 한다면 정확한 분석을 내놓기 어렵습니다. 이번 웨비나에서는 AI에게 분석을 맡기기 전에 GA4 데이터를 어떻게 설계하고, 무엇을 점검해야 하는지 구체적으로 살펴봤어요.
이번 글에서는 웨비나에서 다룬 내용 중 AI에게 GA4 분석을 맡기기 전에 확인해볼 만한 데이터 설계 포인트를 중심으로 공유드리겠습니다.
웨비나를 진행한 DXE는 CJ ENM 계열의 디지털 광고대행사로, 고객 데이터를 바탕으로 디지털 경험 설계부터 브랜딩, 퍼포먼스까지 풀퍼널 마케팅을 지원하는 기업이에요. 국내외 주요 솔루션 기업과의 파트너십을 기반으로 PA·CRM·GEO·데이터 통합 분석 등 풀퍼널 컨설팅을 제공하며 스타트업부터 글로벌 기업까지 다양한 성공 사례를 만들어오고 있어요.
다양한 기업의 데이터를 직접 다뤄온 만큼, 원론적인 이야기에 그치지 않고 실제 사례를 바탕으로 우리 기업의 데이터와 업무를 돌아보며 바로 적용해볼 수 있는 내용이 많았습니다.
AI에게 분석을 맡긴다고 해서 데이터의 문제까지 AI가 알아서 찾아주는 것은 아닙니다. 분석의 바탕이 되는 데이터에 중복이나 누락이 있다면, AI도 결국 잘못된 데이터를 기준으로 분석할 수 있어요.
예를 들어 같은 구매가 GA4에 두 번 수집되고 있다고 생각해볼게요. AI에게 “구매 데이터를 분석해줘”라고 요청하면 AI는 수집된 데이터를 기준으로 계산합니다. 데이터 자체에 중복이 있다는 사실을 모른다면, 잘못된 숫자를 가지고도 그럴듯한 분석 결과를 만들어낼 수 있어요.
반대로 필요한 데이터가 아예 수집되지 않는 경우도 있습니다. 고객의 행동이 상품 조회 → 장바구니 → 결제 시작 → 구매 완료 순서로 이어진다고 해볼게요. GA4에서 ‘결제 시작’ 이벤트가 누락됐다면, 실제로 결제 단계까지 진행한 뒤 이탈한 고객을 구분해서 보기 어렵습니다.
웨비나에서는 AI가 데이터를 분석할 때 주어진 데이터를 정상적인 것으로 가정하고 분석을 시작한다는 점을 강조했어요. 결국 AI에게 분석을 맡기기 전에 지금 가지고 있는 데이터가 믿을 만한 상태인지 먼저 살펴봐야 한다는 걸 알 수 있어요.
GA4에서 데이터를 제대로 분석하려면, 먼저 데이터가 어떤 기준으로 설계되고 수집되고 있는지 확인해야 해요. 실무에서 반복적으로 발견되는 문제는 크게 네 가지예요.
상황
같은 네이버 검색광고에서 들어온 사용자라도 담당자마다 UTM을 다르게 붙일 수 있습니다.
예를 들어 한 팀은 naver / cpc, 다른 팀은 Naver / SA, 또 다른 팀은 naver_sa / paid처럼 작성한다면 같은 성격의 유입이 서로 다른 값으로 수집됩니다.
문제
GA4에서는 이 데이터를 서로 다른 채널로 인식하기 때문에, 같은 광고에서 발생한 유입과 성과를 하나로 묶어 보기가 어려워집니다.
설계 기준
UTM은 링크를 만들 때마다 개별적으로 정하는 값이 아니라, 조직 전체가 함께 사용하는 공통 규칙으로 정해야 합니다.
고객의 실제 행동이 상품 조회 → 장바구니 → 결제 시작 → 구매 완료 순서로 이어지고 있는데, GA4에서 중간 이벤트가 빠져 있을 수 있습니다.
문제
예를 들어 ‘결제 시작’ 이벤트가 없다면, 장바구니에서 바로 이탈한 고객과 결제까지 진행한 뒤 이탈한 고객을 GA4에서 구분할 수 없습니다.
설계 기준
고객이 실제로 어떤 순서로 핵심 전환까지 이동하는지 먼저 정의하고, 그 과정에서 필요한 중간 단계가 빠짐없이 수집되도록 퍼널을 설계해야 합니다.
PC와 모바일에서 모두 ‘장바구니 담기’를 했는데, PC에서는 pc_cart_click, 모바일에서는 mo_cart_click, 목록에서는 quick_cart_click처럼 서로 다른 이벤트 이름을 사용할 수 있습니다.
문제
실제로는 같은 ‘장바구니 담기’ 행동이지만 GA4에서는 서로 다른 이벤트로 수집되기 때문에 하나의 행동으로 통합해서 분석하기 어려워집니다.
설계 기준
이벤트 이름은 버튼의 위치나 페이지가 아니라 사용자가 실제로 한 행동을 기준으로 정해야 합니다. 위치나 경로를 구분해야 한다면 이벤트 이름을 나누기보다 파라미터로 구분합니다.
add_to_cart 이벤트가 발생했다는 사실은 수집하고 있지만, 어떤 상품을 담았는지, 어떤 카테고리인지, 어떤 옵션이었는지에 대한 정보가 없을 수 있습니다.
문제
장바구니에 상품을 담았다는 행동 자체는 확인할 수 있지만, 어떤 상품이나 조건에서 그 행동이 발생했는지까지 분석하기는 어렵습니다.
설계 기준
파라미터는 ‘무엇을 분석하고 싶은가’를 기준으로 정해야 합니다. 이벤트가 어떤 행동이 발생했는지를 기록한다면, 파라미터는 그 행동이 어떤 맥락에서 발생했는지를 설명해주는 데이터입니다.
네 가지 문제는 서로 따로 떨어져 있지 않습니다. 유입·퍼널·이벤트·파라미터 중 하나라도 제대로 설계되지 않으면, 전체 분석의 신뢰도에도 영향을 줄 수 있어요.
GA4를 직접 운영하고 있다면 아래 질문부터 확인해볼 수 있습니다. 이 중 하나라도 명확하게 답하기 어렵다면, 데이터 분석보다 현재 데이터 설계를 먼저 점검하는 것이 우선일 수 있어요.
유입 진단
퍼널 진단
핵심 전환까지의 고객 여정이 하나의 흐름으로 정의되어 있는가?
여정 안에서 중간 단계가 빠짐없이 포함되어 있는가?
각 단계가 ‘완료’된 것으로 판단하는 기준이 정해져 있는가?
이벤트 진단
기기나 위치가 달라도 같은 행동을 같은 이벤트명으로 수집하고 있는가?
이벤트 발생 시점이 단순 클릭인지, 실제 동작이 완료된 시점인지 확인했는가?
파라미터 진단
분석에 필요한 파라미터가 정의되어 있는가?
파라미터의 데이터 형식이 정해져 있는가?
실제 분석에 사용하지 않는 불필요한 데이터까지 수집하고 있지는 않은가?
GA4를 설계할 때 특히 놓치기 쉬운 세 가지를 짚어보겠습니다.
파라미터의 값이 언제까지 유효한지를 정해야 합니다.
예를 들어 사용자에게 귀속되는 정보인지, 특정 이벤트에만 해당하는 정보인지, 특정 상품에 귀속되는 정보인지에 따라 관리 방식이 달라집니다.
웨비나에서는 이를 User / Event / Item Scope로 구분해 설명했습니다. 범위를 잘못 설정하면 이전 값이 섞이거나 필요한 값이 사라져 분석 결과가 달라질 수 있어요.
구매 완료 페이지에서 Purchase 이벤트를 발생시키면 새로고침이나 뒤로가기 등으로 같은 구매가 다시 수집될 수 있습니다.
이를 막기 위해 서버에서 transaction_id의 중복 여부를 확인하고, 동일한 거래가 한 번만 데이터 레이어로 전달되도록 설계하는 것이 필요합니다.
구매 데이터에서 ‘한 번만 수집되는가’는 특히 중요한 검증 항목입니다.
GA4에서 수집하는 모든 파라미터를 맞춤 측정기준으로 등록할 필요는 없습니다.
데이터가 지나치게 많거나 값의 종류가 매우 다양한 파라미터는 보고서에서 (other)로 묶여 데이터가 제대로 표시되지 않을 수 있습니다.
따라서 자주 비교하고 분석하는 값은 GA4에서 관리하고, 원본 확인이 필요한 데이터는 BigQuery 등에 별도로 보관하는 방식으로 역할을 나눌 수 있습니다.
GA4 데이터 설계의 목적은 단순히 깔끔한 리포트를 만드는 데서 끝나지 않습니다.
앞에서 정한 이벤트와 파라미터의 의미, UTM 규칙까지 AI가 이해할 수 있도록 정리해두는 것도 중요합니다.
웨비나에서는 이를 위해 택소노미 정의서와 UTM 정의서를 함께 제공하는 방법을 소개했습니다. 이벤트 이름만 나열하는 것이 아니라, 각 이벤트가 언제 발생하는지, 어떤 파라미터를 사용하는지, 각 값이 무엇을 의미하는지까지 구체적으로 정리하는 방식입니다.
이렇게 정의서를 만들어두면 AI에게 GA4 데이터를 전달할 때도 “이 데이터가 무엇을 의미하는지”를 함께 알려줄 수 있습니다.
예를 들어 회사에서 자체적으로 만든 이벤트가 있다면, 이벤트 이름만으로는 그 이벤트가 어떤 행동을 의미하는지, 언제 발생하는지, 함께 수집되는 값은 무엇인지 AI가 정확하게 판단하기 어려울 수 있습니다.
따라서 AI에게 데이터를 분석시킬 때는 데이터만 전달하는 것이 아니라, 데이터의 의미와 수집 기준을 정리한 정의서도 함께 제공하는 것이 중요합니다. 이렇게 하면 AI가 회사에서 정한 기준을 바탕으로 데이터를 해석하는 데 도움을 줄 수 있습니다.
마지막으로, AI에게 분석을 맡기기 전에 지금 GA4 데이터가 제대로 준비되어 있는지 하나씩 점검해보세요.
□ 1. 같은 사용자 행동이 동일한 이벤트명으로 수집되고 있는가?
□ 2. 내가 분석하려는 질문에 필요한 파라미터가 실제로 존재하는가?
□ 3. 핵심 퍼널이 단계별로 빠짐없이 연결되어 있는가?
□ 4. 유입 채널이 일관된 기준으로 분류되고 있는가?
□ 5. 전환이 실제 성공 시점에 정확히 한 번만 수집되는가?
□ 6. 지표의 계산 기준이 명확하게 정의되어 있는가?
□ 7. 비교할 수 있는 기간과 충분한 데이터 표본이 확보되어 있는가?
이번 웨비나를 통해 저도 평소 당연하게 보고 있던 GA4 데이터가 어떤 기준으로 수집되고 있는지 한 번쯤 점검해봐야겠다는 생각이 들었습니다. 데이터를 많이 쌓는 것보다 나중에 제대로 활용할 수 있는 데이터로 만드는 일이 먼저라는 점이 인상적이었어요.
혹시 지금 GA4를 운영하고 있다면, 거창한 설계부터 시작하기보다 UTM 규칙부터 이벤트 이름, 핵심 퍼널까지 하나씩 확인해보는 것도 좋겠습니다. AI에게 분석을 맡기기 전에 지금 가지고 있는 데이터부터 믿을 수 있는지 살펴보는 거죠.
이런 실무에 바로 적용해볼 수 있는 이야기를 직접 들어보고 싶다면, 이벤터스에서 관심 있는 분야의 행사를 찾아보세요. 뉴스레터를 구독해두면 관심 분야에 맞는 유용한 행사도 매주 월요일 8시에 이메일로 받아볼 수 있어요. 저는 다음 콘텐츠에서도 직접 보고 얻은 행사 인사이트를 전해드릴게요. 🙋♀️