당신의 e‑shop 데이터는 서로 소통하지 않는 세 곳에 존재합니다
Source: Dev.to
문제
저는 최근 PrestaShop을 운영하는 전자상거래 고객을 위한 프로젝트 범위를 잡았습니다. 똑똑한 사람이고, 수익성 있는 비즈니스이며, 제품 마진도 좋습니다. 그는 한 가지 질문에 답을 못 찾고 있었습니다:
그의 Google Ads 캠페인 중 실제로 수익을 내는 것은 어느 것인가?
클릭이 많이 발생한 캠페인도, 트래픽을 많이 유도한 캠페인도 아니라, 광고 비용을 정당화할 만큼 충분히 높은 마진을 가진 제품 구매를 유도하는 캠페인을 말합니다.
그는 수년간 Google Ads를 운영했지만 답을 알 수 없었습니다.
데이터는 모두 존재했습니다—전부:
| 시스템 | 저장 내용 |
|---|---|
| PrestaShop (MySQL) | 판매 데이터 – 무엇이, 언제, 누구에게, 어떤 가격에, 어떤 마진으로 판매됐는지 |
| Google Ads | 지출, 클릭, CPC, 그리고 “전환”(대략적인 지표) |
| Google Analytics | 세션 흐름, 페이지 뷰, 이탈, 사이트 체류 시간(하지만 마진 정보는 없음) |
세 개의 대시보드, 연결 고리 없음. 기본적인 채널 간 질문에 답하려면 다음을 해야 했습니다:
- 각 시스템에서 CSV를 내보낸다.
- 스프레드시트에서 날짜와 제품명을 수동으로 맞춘다.
- 조인이 정확히 맞길 바란다.
그런 작업을 하는 사람은 없었고, 그래서 수익 질문은 답을 얻지 못했습니다.
이것은 PrestaShop만의 문제는 아닙니다. Shopify, WooCommerce, Magento—어떤 플랫폼이든 상관없습니다. 온라인으로 판매하고 Google에 광고를 한다면 거의 확실히 같은 맹점을 가지고 있습니다.
왜 블라인드 스팟이 존재하는가
| System | 알고 있음 | 모르고 있음 |
|---|---|---|
| E‑shop DB | 판매된 제품, 판매 시점, 가격, 마진 | 고객이 어떻게 당신을 찾았는지 |
| Google Ads | 지출, 클릭 수, CPC, 보고된 전환 | 클릭 후 발생한 일 (실제 주문 데이터) |
| Google Analytics | 세션 경로, 페이지 뷰, 이탈률 | 제품 마진, 주문 총액 |
개별적으로 각 시스템은 유용하지만, 함께라면 강력합니다. 기본적으로 서로 연결되지 않기 때문에 대부분의 쇼핑몰 운영자는 추측합니다:
- Google Ads ROAS를 확인 → 정확하다고 가정 → 계속 지출.
때때로 그 추측은 괜찮을 수 있습니다. 때때로 €2,000/월을 저마진 제품으로 트래픽을 유도하는 캠페인에 쏟아붓고, 고마진 제품은 자연스럽게 두 배의 전환율을 보입니다. 데이터가 연결될 때까지는 알 수 없습니다.
“표준” 해결책
“BI 대시보드를 설정한다.”
Tools: Looker Studio, Power BI, Tableau, etc.
Reality gap:
- 데이터 엔지니어(또는 엔지니어처럼 생각하는 사람)가 필요합니다.
- 데이터 모델을 정의하고, ETL 파이프라인을 구축하며, API 변경을 유지 관리하고, 보고서를 설계합니다.
- 5‑30인 규모의 전자상거래 비즈니스에선 수 주간 작업과 수만 유로가 소요됩니다.
Result: pre‑built 질문에 매우 잘 답하는 대시보드.
New question? Back to the spreadsheet.
당신이 단순히 묻기만 할 수 있다면
내가 만든 솔루션
AI 챗봇은 다음을 수행합니다:
- 세 가지 데이터 소스에 읽기 전용으로 연결합니다.
- 필요에 따라 SQL을 즉석에서 작성합니다.
- 답변을 평이한 언어로 반환합니다.
아키텍처
+-------------------+ +-------------------+
| PrestaShop MySQL | | AI (read‑only) |
+-------------------+ +-------------------+
^ ^
| |
| |
+-------------------+ +-------------------+
| Google Ads → | | Google Analytics |
| BigQuery export | | → BigQuery export |
+-------------------+ +-------------------+- 이커머스 데이터는 MySQL(또는 사용 중인 다른 플랫폼)에 그대로 유지됩니다.
- Google Ads → BigQuery로 일일 내보내기(Ads API 승인 절차보다 간편).
- Google Analytics 4 → BigQuery로 네이티브 내보내기(대부분의 이커머스 질문에 충분).
AI는 스키마 설명(테이블, 필드, 조인 키)을 받아 자연어 요청에 맞는 쿼리를 생성할 수 있습니다.
주의사항
- 챗봇은 사고 도구이며, 감사된 재무 보고서가 아닙니다.
- 컬럼을 오해하거나 행을 중복 계산하거나 데이터에 적용되지 않는 가정을 할 수 있습니다.
- 일일 의사결정(트렌드 파악, 캠페인 비교, 성과 저조 제품 탐지) → 우수.
- 이사회 발표 / 세무 신고 → 관리 패널을 통한 sanity‑check 필요.
현재 시장에 나와 있는 모든 AI 분석 도구에 해당되는 사항입니다. 점점 개선될 것이지만, 지금은 “신뢰하고 검증한다”는 접근이 올바릅니다.
비용
| 항목 | 비용 (EUR) |
|---|---|
| 설정 (하나의 상점, Google Ads, GA) | 4,000 – 7,000 (DB 복잡도 및 통합에 따라 다름) |
| 지속적인 AI 구독 | 20 – 100 / 월 (도구에 따라 다름) |
| BigQuery | 일반적으로 무시할 수 있음 (종종 Google Cloud 무료 티어 내) |
| 전통적인 BI 대시보드 프로젝트 | 15,000 – 40,000 |
| 데이터 분석가 채용 | 40,000 – 60,000 / 연간 |
결과: AI 접근 방식은 비용이 적게 들고, 더 다양한 질문에 답변하며, 지속적인 노력이 훨씬 적게 필요합니다.
TL;DR
- 세 개의 분리된 데이터 소스 → 캠페인 수익성에 대한 사각지대.
- 전통적인 BI 대시보드는 비용이 많이 들고 유연성이 부족합니다.
- AI 기반 자연어 챗봇은 실시간 데이터를 직접 조회하여 적은 초기 비용과 낮은 월 사용료로 필요할 때마다 답변을 제공합니다.
- 일상적인 인사이트를 얻기 위해 사용하고, 중요한 수치는 공식 시스템으로 확인하세요.
AI 기반 광고 귀속이 필요한 이유
Google Ads에 EUR 3,000/월을 지출하면서 어떤 캠페인이 수익을 내는지 모른다면, 실제 돈을 가지고 눈을 가린 채 비행하는 겁니다. 광고 배분을 **15 %**만 개선해도—수익이 낮은 캠페인을 중단하고 성공적인 캠페인에 두 배로 투자해도—첫 달에 전체 설정 비용을 회수할 수 있습니다.
직감에 의존하는 접근법이 여전히 통할 수 있는 경우
- 지출: EUR 200/월
- 상품 카탈로그: 약 30개 아이템
이 경우에는 직감에 의존하는 접근법으로도 충분합니다. 세 개의 캠페인 중 어느 것이 효과적인지 AI가 알려줄 필요가 없습니다.
AI가 필수적인 경우
- 지출: 월 수천 유로
- 상품 카탈로그: 수백 개 SKU
“어떤 캠페인이 가장 높은 마진의 매출을 올리는가?”라는 질문에 어깨를 으쓱하는 것이 답이라면, 그 눈에 보이지 않는 사각지대가 매달 실제 돈을 빼앗고 있는 것입니다. 얼마나 손실을 보고 있는지 전혀 파악할 수 없습니다.
Originally published at lobsterpack.com.