한 Google 팀이 스토리텔링을 애널리틱스에 구축한 방법

가장 진보된 분석 모델은 조직의 의사 결정권자의 언어를 사용하지 않으면 실패할 수 있습니다. 그리고 관련 의사 결정 프로세스가 지연되는 경우, 데이터 인사이트에 명확한 내러티브, 비즈니스 맥락 또는 경영진의 관심사와의 연결이 부족하기 때문인 경우가 많습니다. 이는 Google의 중소기업(SMB) 부서에서 분석팀이 글로벌 지원 조직의 인력 배치를 최적화하기 위해 정교한 모델을 구축할 때 얻은 교훈입니다.

이 모델은 수천 개의 가능한 시나리오를 시뮬레이션하여 100개 이상의 국가에서 변동이 심한 수요를 예측할 수 있었고 영업 및 고객 지원 인력 수준을 추천할 수 있었습니다. 이 모델은 계절성, 지리적 차이, 복잡한 고객 우선순위 규칙까지 고려했습니다. 데이터를 검증하고, 가정을 검증하고, 로직에 대한 압력 테스트를 거쳤습니다.

하지만 고위 이해관계자들에게 이 모델을 발표했을 때 그들은 별다른 관심을 보이지 않았습니다. 이해관계자들은 모델의 복잡성을 인정하는 대신 추천 모델의 실용성에 초점을 맞춰 토론을 진행했습니다. 한 리더는 "다음 분기 라틴 아메리카의 직원 배치에 어떤 의미가 있나요?"라고 질문했습니다. 또 다른 리더는 추천이 자신의 수익에 어떤 영향을 미칠지 의문을 제기했습니다. 몇 주 동안 업무가 중단되었습니다. 어떤 비즈니스 결정도 내리지 못했습니다.

이것은 고립된 사건이 아니었습니다. 기술적으로 건전한 모델이 경영진의 움직임을 이끌어내는 데 실패하는 일이 반복되었습니다. 많은 데이터 전문가들은 더 나은 모델이 더 나은 비즈니스 성과로 이어질 것이라고 믿었지만, 경영진은 복잡성에 압도당하고 맥락을 파악할 수 없는 블랙박스 인사이트에 회의적이었습니다.

교훈은 분명했습니다. 분석은 데이터를 분석하는 방법뿐만 아니라 의사 결정을 내리는 방법을 위해 구축되어야 한다는 것입니다. 이를 위해서는 데이터와 모델뿐만 아니라 스토리텔링이 프로세스의 모든 단계를 안내하는 방법까지 분석 스택에 대해 다시 생각해야 했습니다.

그래서 2023년에 비즈니스 리더가 더 빠르고 자신감 있는 의사결정을 내릴 수 있도록 지원하는 것을 목표로 내러티브를 핵심으로 하는 독창적인 프레임워크를 구축하기 시작했습니다. 이 프레임워크는 일련의 내부 프로젝트에서 얻은 교훈을 바탕으로 만들어졌습니다. 모델을 개념화하고 구조화한 후에는 분석 팀 및 비즈니스 이해관계자들과 함께 2024년 중반까지 모델을 다듬고 압력 테스트를 거쳤습니다. 그 이후로 저는 Google 중소기업 부서의 분석 책임자로서 영업 전략 최적화, 비즈니스 계획, 경영진 의사 결정 지원과 관련된 영향력이 큰 프로젝트에서 이 접근 방식을 직접 구현했습니다.