국내 통신기업들은 치열한 경쟁 상황에 있다. 이들 기업은 이 같은 상황에서 우위를 점하기 위해 다각적인 전략 마련에 부심하고 있다. 기존의 통신 사업 강화는 물론 네트워크를 핵심 자산으로 여기고 있으며, 이에 기반한 새로운 비즈니스 개발에 몰두하고 있다. 그러나 쉽지는 않은 모양새이다. “그렇다면 무엇을 활용해야 하는가?” 이 화두에 대안으로 나선 것이 바로 빅데이터이다.

그 동안 네트워크 기반에서 출발해 수직적 통제력을 유지해온 통신기업들은 점차 수익성을 담보 받지 못하게 되는 치열한 경쟁 상황을 맞이하고 있다. 현실적으로, 통신기업들은 전 방위적으로 경쟁에 직면하고 있다. 기존 사업의 매출 하락을 경험 중인데, 이는 자연히 자본비용과 영업비용 모두에 악영향을 미친다. 한편, 통신기업은 여전히 네트워크를 주요 자산으로 여기고 이와 관련된 비즈니스 확대를 통한 기업혁신을 꿈꾸고 있지만, 이것이 점점 용이하지 않다면 다른 자산에도 눈을 돌려야 할 것이다.

 치열한 경쟁 속 통신기업

기업혁신을 위해 통신기업이 눈여겨보아야 할 또 다른 주요 자산은 바로 풍부한 고객 데이터(Wealth of customer data)이다. 고객 데이터가 수익화 가능한 비즈니스 기회를 열어줄 것이라는 기대감이 일고 있다.
다양한 디바이스가 등장하면서 관련 데이터 축적과 수집, 이용도 가능해지면서 통신기업이 가진 구매 이력 정보와 로그(Log) 분석 결과, 그리고 GPS (Global Positioning System) 등 센서 데이터(Sensor data)와 SNS(Social Network Service) 등 소셜 데이터(Social data) 간 다양한 데이터 간 조합을 통해 소비자가 원하는 서비스를 적기에, 적절한 장소에서 제안할 수 있는 빅데이터 분석 기술 기반이 갖추어지고 있다. 게다가, 소프트웨어(Software: 이후 SW)도 분산병렬처리 기술, 클라우드 컴퓨팅(Cloud Computing) 등을 활용하게 되어 효율적인 시스템 구축도 가능해지고 있다.
컨설팅 기관인 오범(OVUM)에서 통신기업 혁신 보고서를 낸 오비오두(Obiodu, 2013.5)에 따르면, 기업혁신 방법은 새로운 상품 및 서비스 아이디어(Service idea)와 비즈니스 모델(Business model), 프로세스(Process), 그리고 마케팅 아이디어(Marketing idea)를 발굴해 수익을 창출하고 비용을 절감하며, 브랜드 마케팅을 통해 지속적 가치를 창출하고 경쟁우위를 유지하는 것이다.
이러한 혁신을 위해 빅데이터 분석 솔루션이 활용될 수 있다. 일례로 IBM이 제공하는 IBM SPSS 기반 분석은 고객분석(Customer analysis), 운영분석(Operational analysis), 위험 및 리스크 분석(Threat & Risk analysis)으로 나뉘어 제공되고 있음을 보게 된다. 분석 범위를 보면, 고객분석 범위는 상향판매 및 교차판매(Up-sell/cross-sell), 마켓 바스켓 분석(Market basket analysis), 고객세분화(Customer segmentation) 등이며, 운영분석 범위는 예측 유지(Predictive maintenance), 조건 모니터링(Condition monitoring), 할당 관리(Allocation management) 등이고, 위험 및 리스크(Risk) 분석 범위는 청구사기(Claims fraud), 신용카드 사기, 내부위험(Insider threat), 사이버 보안 등이다.
가트너(Gartner)가 2012~2013년 빅데이터 분석을 채택한 465개 기업들 대상으로 비즈니스 이슈(Issue)가 무엇이었는지를 묻는 설문조사 결과(Gartner, 2013. 9.12: 8~12쪽; 다중응답)를 보면, 이의 중요성이 부각되고 있다.
설문 결과에 따르면, 다양한 이슈 중에서 최우선 이슈는 고객경험 향상(55%)이고, 그 다음으로 프로세스 효율화(49%), 신규 상품 및 비즈니스 모델 창출(42%), 타겟 마케팅(Target marketing)(41%), 비용 절감(37%), 리스크 관리 향상(32%), 정보의 직접 수익화(23%), 규제에의 순응(17%), 보안기능 향상(16%) 순으로 나타났다. 그 외에, 빅데이터 소스(Source)를 묻는 설문에서, 통신기업들의 경우를 보면 거래 데이터(62%), 로그 데이터(57%), 소셜 데이터(52%), 이메일(email)/서류(43%), 센서 데이터(38%), 비디오(29%), 이미지 및 텍스트(24%), 오디오(19%), 지역 데이터(14%) 순으로 나타났다.
이 글에서는 통신기업의 오범의 맥캐시(McCarthy 2013.5.)가 구분한 빅데이터 분석 발달 과정인 다섯 가지 단계에 주목해 통신기업의 빅데이터 활용 사례들을 나누어 보고자 한다.
첫 번째 단계는 네트워크 분석 단계로, 주로 통신기업의 네트워크 용량 계획, 실시간 네트워크 용량의 최적화, 네트워크 보호 및 장애 검출 등에 빅데이터 분석이 활용된다. 두 번째 단계는 운영 분석 단계로, 주로 고객 경험을 개선하여 수익을 보장하고, 서비스 수준과 부정행위 등을 관리할 목적 빅데이터 분석이다. 세 번째 단계는 고객 분석 단계로, 고객 이탈을 예측하고 관리하며, 고객충성도 관리, 요금제의 최적화 등이 여기에 해당된다. 네 번째 단계는 개인고객 대상 마케팅(Marketing) 분석으로, 교차판매 및 상향 판매, 관심 상품 추천, 관심 콘텐츠 관리, 고객의 통신 경험의 향상 등이다. 마지막 단계는 기업고객 및 개인 대상 빅데이터 분석 서비스 단계로, 고객 데이터의 판매, 타겟 광고 등이다.
 
통신기업의 네트워크 분석

맥카시(2013.5)가 제시한 통신기업이 추진한 빅데이터 분석 진화과정에서 보듯이, 통신기업은 우선 핵심역량인 네트워크 개선에 주력하는 데서 빅데이터를 활용한다. 맥카시가 제시한 항목들인 네트워크 용량 계획, 실시간 네트워크 용량의 최적화, 네트워크 보호 및 장애 검출 등을 목표로 한 대표 사례로는 폭증하는 대용량 데이터에 대한 인프라(Infra) 효율성과 총소유비용(Total Cost of Ownership; 이후 TCO, 기업이 특정의 기술 구현 비용 결정을 위해 직접 및 간접 비용을 분석하는 데 사용될 수 있음) 절감을 동시에 가져온 KT의 하둡(Hadoop) 기반 빅데이터 플랫폼 구축이 있다.
2010년 넥스알(NexR)을 인수한 KT는 빅데이터의 수집과 저장, 분석, 검색, 변환 등 모든 처리를 원 솔루션 기반으로 수행하기 위해 ‘넥스알 데이터 분석 플랫폼(NexR Data Analytic Platform; 이후 NDAP)’이라는 빅데이터 분석 통합 플랫폼을 구축했다(IDG Korea 2013). 이전에도 고객 데이터가 있었지만 데이터베이스 라이선스가 비쌌고 저장 비용 부담이 컸으며 확장성 측면에서 부족한 점이 많아 이를 활용하지 못했던 KT는 넥스알의 기술력을 빌어 기존 데이터 중에서 그 동안 비용 과다 및 기술 부족 등으로 활용하지 못했던 데이터를 저장, 분석할 수 있는 플랫폼을 하둡 기반으로 구축하게 된다.
KT는 이러한 NDAP 구축을 통해 기존 데이터와 빅데이터 간 결합을 시도한다. 즉, KT는 기간계 시스템에서 나오는 정형 데이터는 그대로 ‘기업 데이터 웨어하우스(Enterprise Data Warehouse; 이후 EDW)’에 저장, 분석하고, 그 동안 저장 기술 및 성능 부족으로 분석하지 못했던 통화 기록이나 인터넷 등에서 생성되는 실시간 데이터에 대해 또 하나의 플랫폼으로 가져가게 한 것이다.
KT는 이 플랫폼을 우선 네트워크 운영 개선과 통화 품질 향상에 활용한다. 통화품질 관련 통화 데이터 기록(Call Detail Record; 이후 CDR)은 유무선 전화 통화에 대한 로그 데이터로 통신기업 교환 장비에서 생성되는데, 전화 사용자의 모든 통화마다 한 건씩 발생하므로 이의 하루 발생량은 수억 건이다. CDR은 고객의 통화 품질 불만에 대한 실시간 대처에 사용되거나 일, 월 단위의 통화 품질 통계를 통한 운영 및 경영전략의 기초 자료로 활용된다.
약 3천여 개 배치 쿼리와 200여 개 결과 테이블로 구성된 KT의 기존 CDR 시스템은 낮에는 고객 장애 대응을 위한 실시간 로그 검색을 수행하다가 밤에는 통화 품질 분석을 위한 데이터 집계 작업을 수행해 왔는데, 스마트폰 사용량 급증으로 CDR 데이터 수집과 배치 처리에 병목 현상이 발생하고 저장 공간 포화로 장기간 데이터를 저장할 수 없으며 시스템 성능 포화로 가입자 행태 분석 업무도 불가능해짐을 깨달은 KT 는 CDR이 향후 5년 이내에 약 1PB(Petabyte) 이상 데이터로 쌓일 것으로 예상했다.
KT는 이에 따라 CDR 시스템을 앞서 언급한 하둡 기반 NDAP으로 구축해 TCO를 획기적으로 줄일 수 있게 된다. 실제로 기존 방식 고성능 서버 및 스토리지, 관계형 데이터베이스 관리 시스템(Relational DataBase Management System; 이후 RDBMS) 기반 아키텍처와 새로 구축한 NDAP 기반 아키텍처의 비용 절감 효과를 비교한 결과, 향후 5년 후에 TCO 기준으로 최소 약 567억 원의 비용 절감 효과가 있을 것이라는 추정이다.
이 외에 선형적 배치 성능 개선은 1.5배로 향상되고, ETL(Extraction, Transformation, Load; ERP, CRM 등 데이터 추출 후 저장소 데이터로 변형 후 목표 저장소인 데이터웨어하우스에 보관) 병목현상은 6배 개선되며, BI 성능은 2.5배 개선되고, 실시간 검색 처리시간은 1초 미만으로 개선될 것으로 추정되었다(IDG Korea, 2013).

 무엇이 리스크인가?

데이터가 폭발하고 네트워크 환경이 점차 개방되면서 보안 위협도 일상화된다. 대표적 경우는 악성코드, 사이버범죄, 산업스파이, APT (Advanced Persistent Threat) 등이다. 보안 솔루션은 외부 위협들을 데이터 기준으로 정의하고 위협 데이터가 자산에 접근하지 못하게 하는 역할을 한다. 데이터베이스뿐 아니라 네트워크 보안 영역의 침입방지시스템(IPS: Intrusion Prevention System)과 침입탐지시스템(IDS: Intrusion Detection System)도 데이터를 기반으로 한다.
기업이 좀더 안정되고 효율적으로 보안을 운영하고 강화하기 위해서는 ‘통합 보안 관리’가 필요하다(백민경, 2013.10; IDG Korea, 2013.10). 그 동안 기종이 다른 보안 솔루션들이 많은 로그 데이터를 쏟아내는 상황에서 이들을 모아 다른 형식의 로그 데이터로 상관관계 분석을 하는 것이 어려웠지만, 빅데이터 분석이 가능해지면서 통합 보안 관리도 가능해진다. 하둡 기반 빅데이터 플랫폼은 정형, 비정형, 반(反) 정형 데이터를 통합 수집, 저장하고 수백 테라바이트(Terabyte) 이상의 로그 데이터를 빠르게 분석할 수 있다.
맥카시가 제시한 통신기업의 빅데이터 분석 진화 과정 2단계는 부정행위 관리이다. 앞서 언급했듯이, KT는 네트워크 효율화 및 TCO 절감을 최우선 목표로 NDAP을 구축했고, 이를 기반으로 다양한 빅데이터 분석 범위를 확장해나간다. 이를 토대로 대내·외 보안 강화를 도모하는 ‘보안용 NDAP(NDAP for Security)’을 구축한 KT는 기업 내 존재하는 보안 솔루션의 로그 데이터를 NDAP에 통합, 수집, 저장, 분석해 공격 위협에 대응하고 있다.
이를 통해 데이터 중심 보안정책 및 프로세스 수립이 가능하다. ‘보안용 NDAP’은 내부관제와 외부관제를 위한 통합로그분석 시스템으로, 내부관제 영역에서 빅데이터 플랫폼은 시스템 로그, 기본 시스템 정보(인사정보, IP, 출력물 관리 등) 등 기업 내부에서 사용 중인 데이터를 통합적으로 수집, 저장, 분석한다.
한편, 외부관제 기능을 제공하는 빅데이터 플랫폼은 네트워크 보안 솔루션(웹 방화벽, IPS 및 IDS, 안티 스팸메일, 바이러스 월, 좀비PC 탐지 등) 로그 데이터와 엔드 포인트 관리 및 보호 솔루션(자산 관리, 패치 관리, 안티바이러스) 로그 데이터를 수집하고 분석해 새로운 유형의 보안 위협에 대처하게 한다(IDG Korea, 2013.10).
 

비용 절감이 절실하다면

▲‌빅데이터를 어떻게 활용하느냐가 통신기업의 화두로 부각되고 있다.

이미 통신시장이 극도로 포화인 상황에서, 통신기업도 가입자 증대라는 양적 성장에만 머무를 수가 어렵게 되었다. 통신기업에게 기존 고객 이탈을 방지하는 것이 단순한 매출 증대나 신규 고객 증가보다 더 중요한 전략목표가 된 것이다. 미국마케팅협회(American Marketing Association)의 고객 만족 매뉴얼(Customer Satisfaction Manual)에 따르면, 고객 한 명을 유지하는 비용은 신규 고객 한 명을 획득하는 데 드는 비용의 20% 수준이라고 한다(박현수, 2013. 7: 3쪽).
맥카시가 제시한 통신기업의 빅데이터 분석 진화과정 3단계인 비용 절감 영역에서도 고객 이탈 예측 및 관리가 중요한 분석이다. 도이치텔레콤(Deutsche Telekom; 이후 DT)이 미국에서 사업 중인 ‘티모바일 미국(T-Mobile USA)’은 미국 내 1, 2위권 통신기업인 버라이존 및 AT&T로 가입자가 빠져나가는 것에 대한 우려를 가지고 있어서 보다 정확한 데이터 소스를 찾다가 소셜미디어 데이터에 눈을 돌리게 된다.
‘티모바일 미국’은 소셜 데이터를 자사 IT 시스템에 통합, 3,300만 고객 데이터 기록 분석을 실시간 실행하게 된다. 3천만 가입자로부터 매일 170억 건 통화 및 송수신 내역을 담은 데이터가 발생한다. ‘티모바일 미국’은 자사 고객의 이러한 이용 데이터를 소셜 데이터에 결합하고, 거래 데이터와의 상관관계 분석을 통해 이탈 고객의 사전 이탈 특징을 추출했다. 이를 위해 ‘티모바일 미국’은 전문 빅데이터 분석업체인 인포마티카(Infomatica)와 협력했다(zdnet.com/blog/hinchcliffe).
‘티모바일 미국’은 빅데이터 분석을 통해 다른 통신기업으로 회선을 옮긴 고객이 사전에 보였던 특유의 이용 패턴을 발견했고 이를 실시간으로 포착하는 시스템을 구축했으며, 고객 간 소셜네트워크를 함께 분석하여 영향력이 큰 고객을 따라 지인들이 동반 이탈하는 현상을 발견하고, 이탈 징후를 보이는 고객에게 맞춤형 추가 혜택을 제공하기 시작했다.
그 결과, ‘티모바일 미국’은 시작한 지 1분기도 안되어 고객 이탈률을 절반이나 줄이는 성과를 경험한다. 이 기업은 좀 더 정확하게 2011년 1분기 이탈률을 예측했고, 미국 시장 내에서의 실제 이탈를을 50% 이하(10만 명에서 5만 명으로 이탈 고객 수가 절감)로 줄였다(Financial Times, 2011; Big data StartUP 2011.6; 박현수, 2013.7).

고객경험 향상

▲‌빅데이터를 활용한 B2B, B2C, B2B2C 등 다양한 비즈니스 모델이 개발되고 있다.

통신기업들이 빅데이터를 내부 통신시스템 및 고객을 관리하는 수단으로 활용하기 시작하면서 단순히 고객 이탈을 예측하고 관리하는 차원에서 한 발 더 나아가, 고객경험 향상에도 활용하기 시작한다. 이는 최근에 일반 기업들이 빅데이터 분석을 하는 첫 번째 이슈이자 목적이 되고 있다(Gartner 2013; IBM 2012). 고객 데이터 분석을 통해 경쟁사보다 더 나은 서비스를 추천하거나, 장기 및 우수 고객을 대상으로 하는 특별 프로모션 등으로 고객 충성도 유지가 가능하다. 이는 맥카시가 제시한 통신기업 빅데이터 분석 진화과정 4단계인 B2C 마케팅에 해당된다. 맥카시는 이의 주요 행위로 관심 상품 추천이나 관심 콘텐츠 관리, 상향 판매 및 교차 판매를 제시했다.   
맥킨지(McKinsey, 2012; 박현수 2013.7: 4)에 의하면, 통신기업이 상향 및 교차 판매를 위해 내부 마케팅 기능을 제고하기 위해서는 다양한 고객 데이터를 활용해야 하며 주요 데이터로는 고객 프로파일 데이터(Profile data)(성별, 연령, 주소, 이용중인 디바이스 등), 청구 데이터(월별 청구서, 서비스를 공유하는 사람들, 획득 비용 등), 마케팅 데이터(연락 기록, 캠페인, 제공한 상품들, 고객 관리 기록 등), 고객 회선 및 제품 데이터(회선 이용 기록, 상품, 계약 등), 전화 이용 데이터[통화시간 및 기간, SMS(Short message service), MMS(Multi message service), 데이터 다운로드(Data download) 기록 등], 그리고 방문한 웹사이트 기록, 검색 기록, [IPTV(Internet protocol TV) 등을 통한] 동영상 콘텐츠 다운로드(Content download) 기록 등의 디지털(Digital) 이용 데이터 등이 있다.
맥킨지는 통신기업들이 자주 활용하는 알고리즘으로 ‘NPTB (Next Product To Buy)’를 소개한다. 이는 고객 데이터를 분석하여 고객이 가장 관심 가질 만한 제품을 확률적으로 선별하여 보여주는 방식으로 일종의 추천 시스템이다.
여기에 알맞은 사례가 스페인의 텔레포니카(Telefonica)가 영국에 세운 ‘오투 영국(O2 UK)’이다. 이 기업은 고객의 실시간 위치정보를 활용해 인근 레스토랑이나 커피숍 등과 관련한 추천 및 특별 할인 서비스로 브랜드화한 ‘로열티 할인(Loyalty discount)’ 서비스를 제공한다. 고객이 관심 가질만한 서비스에 대해 할인 혜택을 주는 것이다. 또한, ‘오투 영국’은 장기 이용 고객의 휴대폰 교체 시에는 보조금도 지급해 고객만족도와 충성도를 높이는 데도 활용하고 있으며, 고객이 행태분석을 통해 스타벅스(Starbucks) 등 서비스업체 근처에 있는 고객에게 맞춤 쿠폰(Coupon)뿐 아니라 광고서비스인 ‘오투모어(O2 more)’도 제공해 개인 편익을 극대화하고 있다(박현수 2013.7).
‘오투 영국’이 행동분석을 통한 고객경험 제고에 노력했다면, 상향판매 및 교차판매를 통한 고객경험 제고에 노력한 사례는 AT&T의 추천 서비스이다. AT&T는 특정 고객 대상의 ‘넥스트베스트오퍼(Next best offer)’ 추천 서비스를 제공한다. 이는 고객 데이터 분석 결과 의사결정 트리(Tree)에 기반한다.
AT&T 무선망을 통해 수집된 데이터는 AT&T랩(Labs)에서 분석되어 데이터 계산기(Data Calculator) 등을 통해 다양한 추천 형태로 고객에게 제공되며, 분석 결과가 고객 마케팅에 활용된다. 헤비 네트워크 이용자 대상의 단순 알람 기능에서부터 시작해 이보다 진일보한 위치기반 타깃 마케팅 광고인 ‘숍얼랏(ShopAlerts)’은 이용자 동의를 전제로 위치 데이터를 활용해 해당 매장 근처의 이용자에게 쿠폰을 발생해준다. 이 서비스는 구매로도 이어져, 숍얼랏 이용자 대상 설문조사 결과, SMS를 수령한 후에 매장을 방문한 비율이 79%, 쿠폰을 구매한 비율은 65%로 나타났다(CNET, 2011. 2.28).
또 다른 예로는 일본의 NTT도코모가 있다. 이 기업은 자사의 전국 4천여 곳 기지국에 설치한 환경 센서 네트워크로 수집한 데이터와 가입자 개인 프로파일 데이터와 위치 데이터를 결합해 다양한 차별화 서비스를 제공한다(KT경제경영연구소, 2013). 또한, NTT도코모와 마케팅 조사업체인 인티지(Intage)의 합작사인 ‘도코모 인사이트 마케팅(Docomo Insight Marketing)’은 스마트폰을 통해 이용자 개인을 대상으로 매스미디어 이용 결과인 실제 로그 데이터와 구매 데이터를 추적해 소비자 경험 가치와 상품 가치를 공동으로 만들어내는 ‘싱글 소스 패널(Single Source Panel)’ 플랫폼을 개발했다.
이 플랫폼을 활용해 예전에 출시된 상품을 재조사하고 현 상황에서 히트한 상품 사례를 접목하여 순환적 마케팅 프레임이 도입되었다. 이는 다양한 고객 정보를 분석해 차별화된 서비스 제공을 통해 수익 증대를 도모하고 고객충성도를 함께 제고하기 위함이다. 이를 통해 고객의 연령, 성별, 사용내역 등 데이터를 토대로 하여 개별화된 상품 추천이 가능하다.

 신규 비즈니스 모델을 구축하라

통신기업은 빅데이터를 활용해 프로세스를 효율화하고, 비용을 절감하며, 고객 충성도를 제고시키는 마케팅전략(B2C) 외에 개인고객과 기업고객을 대상으로 하는 신규 비즈니스 모델 창출로도 확장할 수 있다. 맥카시가 제시한 통신기업의 빅데이터 분석 진화과정의 마지막 단계인 기업고객 대상(B2B2C) 마케팅 내지 비즈니스가 여기에 해당되며, 주요 내용은 타 기업 대상 데이터 판매와 타깃 광고 마케팅 등이 있다.
글로벌 통신기업들은 개인정보에 대한 규제 수위가 완화될 가능성을 포착하기 시작한 2012년 말부터 B2B 비즈니스에 관심 갖기 시작했다. 2010년 미국 ‘대통령과학기술자문위원회’가 연방정부에 빅데이터전략 마련을 권고했고, 대통령 직속기관 ‘과학기술정책실’이 <빅데이터 연구개발 이니셔티브>를 발표한 이후, 타 국가에서도 국가 차원의 계획들이 나왔으며, 영국, 일본 등이 적극적이다.
미국에서는 이미 기업들의 사용자 정보 활용을 기본적으로 허용하는 옵트아웃(Opt-out) 방식이 적용되고 있어서 빅데이터를 비즈니스화 하는데 유리한 환경에 있다. 하지만, 미국 정부도 추적 금지법안(“Do not track” bill)의 입법화 추진과 개인정보 수집을 차단하는 ‘원클릭(One click)’ 시행 등의 보호조치 마련에 주력하고 있다.
한편, 옵트인(Opt-in) 방식을 채택하고 있는 유럽에서의 개인정보 보호는 미국보다 강한 편이다. 영국은 개인정보 보호와 비즈니스 및 산업 활성화를 동시에 추구하는 방법을 찾으려고 노력 중이며, 2012년 11월에 영국의 정보감독위원회가 ‘데이터 보호규약(Data Protection Principles)’을 발의했다. 이의 주 내용은 데이터 익명화(Data Anonymity)이며, 이는 온라인 정보를 사전에 변환해 특정 개인을 원천적으로 식별할 수 없게 하는 것이다.
박현수(2013.7: 9)에 의하면, 텔레포니카나 보다폰 같은 글로벌 통신기업들이 이러한 완화 움직임을 틈타 영국에서의 B2B 빅데이터 비즈니스에 적극적이기 시작했으며, 텔레포니카는 강력한 개인정보 보호를 유지 중인 독일 내에서의 사업 계획을 완전 백지화(2012.11)했다.
미국 통신기업들도 2012년부터 자신들이 보유한 다양한 소스의 이용자 데이터를 제3자 사업자에게 판매할 수 있도록 관련 정책을 수정하거나 데이터를 판매하기 시작한다. 한국방송통신전파진흥원(2013.10: 24~26쪽)에 따르면, 버라이존이 2012년 10월 출시한 ‘프리시젼 마켓 인사이트(Precision Market Insights)’는 자사 모바일폰 가입자의 인구통계 데이터나 위치정보, 앱 이용 행태 등 정보를 타 기업들에게 제공한다.
이들 정보는 타 업계가 고객 집단을 이해하고 접점을 모색하며 타깃 마케팅 하는 데 유용하다. 이는 특히 시장조사업체, 리서치기관 설문조사 결과에 비해 훨씬 광범위하고 정확한 소비자 통찰력을 제시한다는 점에서 큰 가치를 지니고 있는 것으로 평가된다.
서비스 개시 후부터 버라이존은 다양한 성공사례들을 ‘프리시젼 마켓 인사이트’ 사이트에 올리고 있는데 스포츠 예를 보면, 미국 미식축구 (NFL)인 슈퍼볼(Super Bowl) 2013년 경기 관련 데이터 분석 결과 멀티모더 레이븐즈(Baltimore Ravens)와 샌프란시스코 포티나이너스(San Francisco 49ers)가 맞붙은 NFL 결승전에서 실제로 경기장까지 가서 자기 팀을 응원한 관중 비율이 벌티모어 출신 16%로 샌프란시스코 출신 6%보다 훨씬 능가했다. 이 결과로 향후 미식축구 팬 대상 타겟 마케팅을 벌일 때 지역별 소비자 행태 차이가 주요 고려사항이 될 것이다. 버라이존은 구체적으로 미디어 사업자, 광고주, 경기장 및 공연장, 스폰서, 매장 사업자 등을 주요 고객으로 설정하고 이들이 이용자 데이터를 통해 취할 수 있는 이점과 활용 방안에 대해 홍보하고 있다.

 해외의 대응전략을 주시하라

미국의 스프린트(Sprint)도 버라이존과 같은 시기인 2012년 10월 가입자 데이터를 근간으로 모바일 타깃 광고 및 데이터 분석 서비스 ‘핀사이트 미디어플러스(Pinsight Media+)’를 개시했고, 글로벌 시장 진출을 위해 2013년 텔레포니카와 제휴했다.
스프린트는 웹사이트 방문 기록, 모바일 앱 이용 행태, 기지국을 통해 수집한 모바일폰 위치정보 등을 기반으로 가입자 관심사나 위치 기반 모바일 광고만을 선택적으로 제공하는 타깃 광고 서비스를 제공한다. 스프린트는 버라이존과 유사한 데이터 분석 서비스 ‘텔레포니카 다이나믹 인사이트(Telefonica Dynamic Insights)’를 제공하고 있는 텔레포티카와의 제휴로 자사 데이터 기반 타깃 광고 사업 범위를 텔레포니카가 진출한 시장까지 넓힐 수 있게 되었다. 이 둘의 총 가입자 수는 3억7천만여 명이다.
한편, AT&T은 버라이존이나 스프린트보다 늦었지만, 2013년 6월 사생활 보호 정책을 변경하면서 와이파이(WiFi)망에 기반한 위치 데이터와 모바일 인터넷 이용 행태 데이터를 수익화할 수 있는 틀을 마련, 7월에 이용자 데이터를 주로 고객사 대상으로 분석 리포트를 제공하거나, 타겟 광고 서비스 등을 제공하는 등의 비즈니스 출시 계획을 발표했고, 이용자 데이터 활용 계획에 대한 가입자 반발을 최소화하고자 홍보에 주력하고 있다.
AT&T는 2013년 7월 3일 외신 보도를 통해 해당 데이터가 모두 익명화되어 수집되며 다수 데이터를 묶어서 판매하므로 개인정보가 별도로 유출될 일은 없으며, 이동통신 사용내역을 분석한 사용자 패턴 정보를 광고주, 마케터(Marketer) 등에 판매하기로 결정했다고 밝혔다.
이를 위해 변경된 가입자 프라이버시(Privacy) 정책에 따라, 새로운 약관은 고객의 유무선통신 서비스 사용정보를 익명으로 가공해 마케팅회사, 광고주, 기타 조직에 판매할 수 있다는 계획을 반영했다. AT&T는 이미 구글(Google)이나 페이스북(Facebook), 버라이즌와이어리스(Verizon Wireless) 등의 회사들이 이미 사용하고 있는 일반적인 데이터 판매 사업이라고 설명했다.
박현수(2013.7)에 의하면, AT&T는 소매업자, 제조사, 미디어 및 TV 채널 사업자 대상으로 서비스 범위를 확대할 계획이다. 특히 AT&T는 소매업자를 위해 소매점 인근에 위치한 이용자 그룹의 연령, 성별 등의 정보 등을 제공할 예정이며, 제조사를 위해서는 이용자 정보와 연관된 보유 기기 정보를 통해 특정 고객 그룹에 대한 기기의 인기도 등을 지역 정보와 결합하여 제공할 예정이고, TV 채널 및 미디어 사업자를 위해서는 언제, 얼마나 자주, 무엇을 시청하는지 등의 유버스(U-verse)TV 시청 양식을 다른 정보들과 결합하여 제공할 예정이다.
글로벌 통신기업인 텔레포니카도 2012년 11월 고객 관련 빅데이터 플랫폼 ‘텔레포니카 다이나믹 인사이트’를 구축하여 글로벌 진출을 시도 중이다. 그 첫 사례로 ‘오투 영국’이 ‘스마트 스텝(Smart Step)’서비스를 시작했다(박현수, 2013.7). 이의 목적은 이용자 데이터를 수집, 분석하여 광고주들을 포함한 제 3시장에 판매하는 것이다. ‘오투 영국’은 익명화된 데이터 형태로 활용하기 때문에 개인정보 유출, 이용 및 개별 추적이 불가능하게 했고, 소비자의 기대되는 행동이 아닌 실제 행동정보를 제공한다고 주장한다.
이 외에, 영국 내에서 텔레포니카의 자회사 ‘오투 영국’과 보다폰, EE (Everything, Everywhere, Ltd.) 간 합작사인 위브(Weve)가 2013년 2월 설립되었다. 이는 통합된 핵심 데이터(미디어, 인센티브, 로열티, 거래 등) 분석을 기반으로 모든 요소가 결합된 모바일 경험을 개인이나 기업에게 제공한다는 계획을 가지며, 구글, 페이스북과 동등한 지위로 발전시킬 계획을 내놓았다(박현수 2013.7: 7).

 국내의 경우

국내에서는 2011년에 SK텔레콤이 소셜 네트워크에서의 여론 분석을 위한 “스마트 인사이트(Smart Insight)” 시스템과 B2B 신규 사업인 GIS (Global Information System) 기반의 기업 활동 지원 플랫폼인 “지오비전(Giovision)”을 출시했다. 이 두 사업은 모두 내부, 외부 데이터를 기반으로 한 사업이면서 플랫폼 성격을 띤 데이터 판매 비즈니스에 속한다. SK텔레콤은 내부, 외부 데이터 간의 통합을 통해 새로운 가치를 기업고객에게 제공한다는 취지를 가지고 있다.
SK텔레콤은 자사의 빅데이터 기반 플랫폼 비즈니스에 머물지 않고, 자사 플랫폼을 개방 생태계화하는 계획을 추진하기 시작했다. 2013년 10월30일 자사 보유의 모바일 서비스 개발 도구와 데이터 등을 “티디벨로퍼스(T developers)”와  “빅데이터 허브(Big data hub)”를 통해 개방한다고 발표했다. 전자는 개발자들에게 필요한 솔루션을 클라우드와 개방형 API (Application Program Interface) 형태로 한 곳에 모아 원스톱(One stop) 제공하는 서비스이다.
이를 통해 앱 개발자들은 혁신적 서비스를 손쉽게 개발하고 시간과 비용을 절약할 수 있다. 2013년 11월, 이 플랫폼은 개발자 포럼을 통해 모집된 90여 개 업체 및 개발자가 제한적으로 참여하는 클로즈드 베타(Closed Beta) 형태로 개방되며 각종 테스트 및 체험단 활동 등을 통해 문제점을 개선해 2014년 상용화했다.
후자인 빅데이터 허브는 축적된 활용도 높은 자사 데이터와 공공 데이터를 함께 제공하는 개방 플랫폼이다. 2013년 11월, 플랫폼에는 “소상공인 Biz Call 분석 리포트” “피자업체 이용 트렌드(2013.9)” “패밀리 레스토랑 이용 트렌드(2013.9)” “영화관 이용 트렌드(2013.9)” 그리고 중소 자영업자를 위한 중국집, 치킨집 등 배달 업종 이용 분석 보고서, 베이커리(Bakery) 등 멤버십 이용 분석 보고서 등 약 10여 종의 통계자료가 담겨 있다.
SK텔레콤은 이를 기반으로 32종의 각종 공공 데이터와 제3자와 협력한 교통 여행 게임 미디어 등 32종의 데이터를 제공할 것이며, 통신기업 장점을 바탕으로 자사 M2M 플랫폼과의 연동 기능, 파일 저장/공유/관리를 위한 클라우드 스토리지 기능, 모바일 위치 측위 기반 지오펜스(Geo-fense) 기능, 이용자에게 통신 과금으로 결제를 받고 개발자에게 정산하는 과금, 결제 기능 등 다양한 서비스들을 2014년에 구현해 제공하게 된다.
한편, KT는 기간통신기업이라는 이미지를 유지하기 위해 공공서비스 제공에서 접근을 시도하고 있다. 즉, KT는 2013년 상반기에 서울시와 함께 휴대전화 이력 데이터에서 유동인구 통계 정보를 얻을 수 있는 채널을 제공한다. 그 동안 KT는 휴대전화 이력 데이터를 프라이버시 이슈 때문에 활용하지 못하고 있었지만, 공익 차원에서 서울시와 협력해 분석하고, 통계정보(프라이버시를 침해하지 않는 수준)를 제공함으로써 데이터 활용 가치를 높일 수 있는 계기를 갖게 된다.
KT와 서울시가 협력한 빅데이터 분석 과정을 보면, 먼저 유동인구 밀집도가 분석되었다. 서울시를 1km 반경의 1,250개 헥사 셀(Hexa cell) 단위로 구분하고 1개월 KT 휴대전화 이력 데이터로 심야시간(0시~5시) 통화량을 분석해 구역별 유동인구 밀집도를 분석하고 이를 헥사 셀 단위로 시각화한 것이다.
이를 토대로 유동인구 기반의 노선이 최적화된다. 즉, 기존 노선의 시간/요일별 패턴을 분석하고, 노선 부근의 유동인구 통계로 가중치를 계산하여, 노선이 최적화된다. 실행 단계에서 유동인구 기반 버스 배차간격을 조정했다. 정류장 단위로 통행량을 추정하고, 통행량을 선의 굵기로 표현하여 헥사 셀로 구분된 맵(Map)에 시각화함으로써 최종적으로 요일별 배차 간격 조정을 결정하게 된 것이다.

 기업혁신 위한 빅데이터

맥카시가 제시한 통신기업의 빅데이터 분석 진화과정을 사례를 통해 살펴보았다. 그 동안 프라이버시(Privacy) 이슈 때문에 기간통신기업(Common carrier) 이미지를 가지고 있는 KT, NTT도코모, AT&T 등이 빅데이터의 비즈니스화에 머뭇거리는 동안, DT와 텔레포니카는 글로벌 진출로 빅데이터 진화과정 3, 4단계를 실현하는 모습을 보이고 있으며, 모바일 통신기업으로 출발한 버라이존이나 SK텔레콤 등은 처음부터 빅데이터 분석 진화과정 5단계에서 매우 강한 드라이브를 걸고 있음을 보게 된다. 국내 사례만 보아도, KT와 SK텔레콤의 빅데이터 활용 간 차이를 발견하게 된다.
사례들을 살펴본 결과에서 보여지는 시사점은 명료하다. 먼저, 통신기업들은 빅데이터 분석 기술을 활용해 프로세스 효율성 개선이나 리스크 관리에만 머물지 않고 고객에게 보다 나은 가치를 제공하고 신시장 기회를 포착하는 등의 기업혁신을 위해 빅데이터가 활용될 수 있음을 간과하지 않고 있다는 점이다.
또 다른 시사점은 통신기업의 장점을 활용해 데이터 트래픽이 몰리는 곳을 발견하는 등의 분석을 통해 타깃 마케팅이 가능하다는 점이다.
이는 ‘오투 영국’의 “로열티 할인” 서비스나, KT와 서울시 간의 심야버스 배차시간 조정 결과에서 나타난다. 하지만, KT의 경우에는 심야에 몰리는 곳에서 고객 가치를 제공할 수 있는 새로운 비즈니스 모델로까지는 아직 실행하지 못하고 있다.
예컨대, 고객의 실시간 위치정보를 활용한다면, 인근의 24시간 편의점이나 식당, 커피숍 등과 제휴하여 ‘오투 영국’ 같이 특별 할인 서비스를 개발할 수 있을 것이다. 맥카시도 네트워크 데이터와 가입자 데이터에서 특정한 이점을 도출할 수 있다고 강조했다.
특히 통신기업은 이 네트워크 데이터를 활용해 고객이 어떤 앱을 주로 이용하고, 어떤 웹사이트를 방문하는지를 파악할 수 있으며 클릭스트림(Clickstream) 분석을 할 수 있다고 주장했다(McCarthy, 2013: 5쪽).
결론적으로 보면, 이제 자사 데이터만으로 비즈니스 인사이트를 도출하는 시대가 지났다는 점에 주목해야 할 것이다. 데이터에 대한 생태계적 시각과 협력이 데이터 확장을 위해 필요하다. 사례에서는 통신기업들 간 합작사를 통한 데이터 통합이나 소셜분석(Social Analytics) 업체와의 제휴 등이 제시되었다.
향후에는 다양한 업종 간 협력이 더욱 활발해야 할 것으로 예측된다. 통신, 미디어, 기기제조사 간 협력모델 외에도, 전통산업인 의료, 자동차 등과의 협력도 필요하다. 통신기업과 공공기관 간 협력도 더욱 활발해져야 한다. 그 외에 다양한 데이터 소스 간 통합이 더욱 가능하게 되려면 공공 데이터 개방도 동시에 진행되어야 할 것으로 보인다.
가트너(2011)는 데이터경제의 발전 단계를 조직의 독자적 데이터 생성에만 머물러 있는 사일로(Silo) 단계에서 외부 기관과 1:1로 공유, 연계하기 시작하는 교환(Exchange) 단계, 표준화된 풀(Pools) 단계 형성, 그리고 개방형 플랫폼을 통한 데이터 공유(Commons) 단계 등 네 단계로 진화한다고 언급한 바 있다. 아직은 통신기업들의 빅데이터 활용 사례들이 많지 않으나, 가트너가 말하는 데이터경제의 발전단계를 밟다 보면, 지금보다 더 많은 통신기업들이 빅데이터를 적극 활용하여 기업혁신에 매진하게 될 것으로 전망된다.  

송민정  교수 (성균관대학교, 휴먼ICT융합학과)