2020
1-2월호

데이터로 경쟁우위 창출하려면
줄리언 라이트(Julian Wright),안드레이 하지우(Andrei hagiu)

STRATEGY

로 경쟁우위 창출하려면... 7가지 조건

 

 

 

 

내용요약

막연한 생각

기업은 고객 데이터를 수집하고 분석해

승자독식의 입지를 구축할 수 있다. 고객이

많을수록 더 많은 데이터를 수집할 수 있으며, 그 결과 얻은 인사이트를 통해 더 좋은 제품을 개발해 보다 많은 고객을 유치할 수 있고, 그로 인해 다시 더 많은 데이터를 수집하게 된다.

 

현실에서는

고객 데이터가 경쟁우위를 제공하더라도 네트워크 효과는 거의 발생하지 않으며, 그 혜택은 오래 지속되지 않을 수 있다.

 

해결책

데이터 기반 학습으로 인한 경쟁우위를 이해하기 위해서 회사는 데이터의 가치를 평가하는 다음의 일곱 가지 질문에 답해봐야 한다. 한계가치가 얼마나 빨리 사라지는가, 얼마나 빨리 쓸모없어지는가, 독점적인가, 제품 개선이 쉽게 모방될 수 있는가, 현재 사용자 또는 다른 사용자, 아니면 둘 다를 위한 제품 개선이 가능한가, 인사이트가 얼마나 빨리 제품에 반영되는가.

 

 

 

 

많은 경영자 및 투자자들은 고객 데이터를 다루는 역량을 이용해 다른 이들이 따라잡을 수 없는 경쟁우위를 얻을 수 있다고 가정한다. 고객이 많을수록 더 많은 데이터를 수집할 수 있으며, 수집한 데이터를 머신러닝 툴로 분석하면 더 좋은 제품을 개발해 보다 많은 고객을 유치할 수 있다는 생각이다. 이를 통해 더 많은 데이터를 수집하게 돼 경쟁업체를 떨쳐내고, 큰 규모의 네트워크 효과를 통해 성공한 기업들처럼 될 수 있다는 전략이다. 그러나 많은 경우 이들의 생각은 잘못됐다. 사람들은 데이터가 가져오는 장점을 지나치게 과대평가하곤 한다.

 

이러한 데이터 기반 학습data-enabled learning으로 만들어지는 선순환은 소셜미디어 플랫폼과 같은 일반적 네트워크 효과의 선순환과 비슷해 보인다. 사용자가 많을수록 가치가 커지고 궁극적으로 어느 정도의 임계치를 넘어서면 경쟁자가 차단되는 식이다. 그러나 실제로는 일반적 네트워크 효과가 더 오래 지속되며 더 강력하게 나타난다. 가장 강력한 경쟁우위를 점하려면 일반적 네트워크 효과와 데이터 기반 학습이 모두 필요하다. 그러나 이 두 가지 모두를 이룰 수 있는 회사는 많지 않다. 조건이 올바르게 갖춰졌다면, 네트워크 효과가 없더라도 고객이 생성한 데이터가 경쟁우위를 구축하는 데 도움이 될 수 있다. 본 글에서는 어떠한 조건이 필요한지, 그리고 해당 조건이 여러분의 비즈니스에 잘 적용되고 있는지를 평가하는 방법에 대해 설명하고자 한다.

 

 

무엇이 바뀌었는가?

 

데이터에 기반한 회사들은 오래전부터 존재해 왔다. 예를 들면, 렉시스-넥시스Lexis-Nexis, 톰슨 로이터Thomson Reuters, 블룸버그Bloomberg와 같은 신용평가 기업이나 데이터리서치 기업 등이다. 이들은 방대한 양의 데이터를 수집하고 구조화해서 규모의 경제를 이뤘으며, 이를 통해 높은 진입장벽을 구축했다. 그러나 제품과 서비스 개선을 위한 고객 데이터 수집 및 분석이 이들 기업의 비즈니스 모델에 포함되지는 않는다.

 

고객 정보를 수집해 더 좋은 제품과 서비스를 만드는 데 활용하는 전략은 아주 오래전부터 존재했지만, 프로세스가 느리고 범위가 제한적이었으며 규모를 확장하기 어려웠다. 자동차 제조업체, 소비재 제조업체, 기타 여러 전통적 제조업체들은 판매 데이터를 분석하고 고객 설문조사를 수행하고 포커스그룹 인터뷰를 진행했다. 그러나 판매 데이터가 언제나 개별 고객과 연결되지는 않았으며, 설문조사와 포커스그룹 인터뷰는 시간과 비용이 많이 소요되기 때문에 상대적으로 적은 수의 고객 데이터만이 수집됐다.

 

이제는 클라우드와 새로운 기술의 출현으로 기업이 방대한 양의 데이터를 신속하게 처리하고 이해할 수 있게 되면서 상황이 완전히 바뀌었다. 세부적인 개인정보, 검색행위, 콘텐츠 선택, 커뮤니케이션, 소셜미디어 포스트, GPS 위치, 사용패턴 등 고객에 대한 정보를 인터넷에 연결된 제품 및 서비스를 통해 직접 수집할 수 있다. 머신러닝 알고리즘으로 이러한디지털 배출물digital exhaust을 분석할 수 있으며, 분석결과는 회사의 제품과 서비스에 자동으로 반영되고 조정되며 개인별로 맞춤화될 수도 있다.

 

기술발전 덕분에 데이터 기반 학습은 과거에 얻을 수 있었던 고객 인사이트보다 훨씬 강력해졌다. 그러나 데이터 기반 학습이 기업에 완벽한 보호장벽을 보장해 주는 것은 아니다.

 

 

데이터 기반 학습data-enabled learning을 통한 장벽 구축

 

데이터 기반 학습으로 인한 경쟁우위가 어느 정도까지 지속 가능한지 판단하기 위해서 회사는 다음의 일곱 가지 질문에 답해봐야 한다.

 

1 제품, 서비스의 독립적 가치에 비해 고객 데이터로 얼마나 많은 가치가 추가되는가? 더해지는 가치가 많을수록, 더 오랫동안 경쟁우위가 지속될 수 있다. 고객 데이터의 가치가 매우 큰 한 기업의 예를 살펴보자. 모바일아이Mobileye는 자동차 충돌 방지, 차선 이탈 경고 등 첨단 운전자보조 시스템(advanced driver-assistance systems·ADAS)의 선두기업이다. 모바일아이의 시스템은 주로 자동차 제조업체에 판매돼 자동차 시스템에 통합되기 전 광범위한 테스트를 거친다. ADAS에는 반드시 안전장치가 제대로 갖춰져야 하며, 테스트 결과 데이터는 정확도를 향상시키는 데 필수적이다. 모바일아이는 수십 개의 고객업체로부터 데이터를 수집해 ADAS의 정확도를 99.99%까지 높일 수 있었다.

 

반대로, 스마트TV 제조업체에 있어 고객 데이터의 학습가치는 상대적으로 낮다. 일부 제조사들은 개인의 시청습관, 그리고 여러 다른 사용자들 사이의 인기도 등에 기반해 TV 프로그램이나 영화를 개인 맞춤형으로 추천해 주는 소프트웨어가 포함된 TV를 선보인다. 지금까지 소비자들은 이런 추천 기능에 크게 관심을 가지지 않았다.(아마존, 넷플릭스 등의 스트리밍 서비스 제공업체들도 추천 기능을 제공한다.) 소비자들은 TV를 살 때 화면 크기, 화질, 사용 편의성, 내구성을 더 중요하게 고려한다. 만약 고객 데이터 학습이 TV 구매결정의 더 중요한 요인이었다면, 스마트TV 산업은 지금보다 경쟁이 덜 치열했을 것이다.

 

2 데이터 기반 학습의 한계가치marginal value가 얼마나 빨리 사라지는가?추가적인 고객 데이터가 더 이상 회사의 제품, 서비스 가치를 향상시키지 못하는 시점은 언제 도래하는가? 한계가치가 천천히 줄어들수록 진입장벽은 더 단단해진다. 이 질문에 대한 대답은 고객의 구매의사를 기반으로 판단해야 한다. 챗봇 쿼리의 응답 정확도나 추천 영화의 클릭 횟수 등 다른 지표를 가지고 판단해서는 안 된다.

 

예를 들어, 모바일아이 ADAS의 정확도를 고객 사용량(, 자동차 제조사가 테스트한 총 주행거리)에 대한 함수로써 그래프로 나타내 보자. 단 몇 개의 제조사에 대해서 중간 수준의 테스트만을 시행해도 충분히 90%의 정확도를 달성할 수 있다고 치자. 그런데 정확도 99%(또는 99.99%)에 도달하는 데에는 더 많은 자동차 제조사에 대해 훨씬 더 많은 테스트가 필요하다고 하자. 이런 상황을 가지고 고객 데이터의 한계가치가 급격히 감소한다고 해석하는 것은 당연히 옳지 않다. ADAS의 정확도를 추가적으로 9%p(또는 0.99%p) 개선하는 것은 탑승자의 삶과 죽음을 가르는 문제이므로 그 가치가 대단히 높다고 할 수 있다. 아무리 대형 자동차 제조사라고 해도 필요한 만큼 충분한 양의 데이터를 직접 생성하기 어려울 것이다. 모바일아이의 잠재적 경쟁사들도 마찬가지로 이렇게 방대한 양의 데이터를 획득하기 쉽지 않다. 바로 이러한 사실이 모바일아이가 ADAS 시장에서 압도적 경쟁우위를 점할 수 있었던 이유이며, 2017년 인텔이 모바일아이를 150억 달러라는 높은 가격에 인수한 이유였다.

 

매우 큰 고객 기반을 확보한 이후에도 고객 데이터 학습의 한계가치가 여전히 높게 지속되는 경우, 제품 및 서비스는 상당한 경쟁우위를 갖게 된다. 의료기업인 RDMD의 희귀질환 예측 시스템이나 바이두, 구글과 같은 온라인 검색엔진이 바로 그 예다. 마이크로소프트가 자사 검색엔진 빙에 수년간 수십억 달러를 투자했음에도 검색엔진 시장에서 구글의 아성을 넘보지 못했다. 검색엔진과 질병예측시스템은 신뢰할 수 있을 만한 결과를 안정적으로 제공하기 위해 막대한 양의 사용자 데이터가 필요하다.

 

반대로, 사용자 데이터의 한계 가치가 빠르게 감소하는 비즈니스의 예는 스마트 온도조절기에서 찾아볼 수 있다. 스마트 온도조절기는 하룻동안 사용자의 온도 선호도가 어떻게 변하는지 학습하는 데 단 며칠이면 충분하다. 이런 상황에서는 데이터 기반 학습에 따른 경쟁우위가 크게 창출되지 못한다. 2014년 구글에 인수된 네스트Nest 2011년 고객 행동에 대한 학습에 기반한 스마트 온도조절기를 처음으로 출시했지만, 현재는 에코비Ecobee, 허니웰Honeywell등 많은 경쟁업체들과 치열한 경쟁을 벌이고 있다.

 

3 사용자 데이터의 적시성relevance이 얼마나 빨리 감가상각 되는가?다른 모든 요인이 동일할 때, 데이터가 금세 쓸모 없어진다면, 회사가 지난 수년간 누적해온 데이터 학습을 경쟁업체들이 따라올 필요가 없기 때문에 그만큼 시장 진입이 더 쉬울 것이다.

 

모바일아이가 여러 자동차 제조사들로부터 받아 지난 수년간 축적한 데이터는 현재 버전의 제품에서도 여전히 높은 가치를 지닌다. 구글이 수십 년간 수집한 검색엔진 사용자 데이터도 마찬가지다. 물론 시간이 지남에 따라 일부 검색어에 대한 검색이 줄어들고 새로운 검색어에 대한 검색이 늘어나겠지만, 수년간의 과거 검색 데이터 기록은 오늘날 사용자들에게 서비스를 제공하는 데 있어서도 분명한 가치를 지닌다. 낮은 데이터의 감가상각률은 모바일아이와 구글 검색의 비즈니스 회복력이 매우 높게 나타나는 이유를 설명해 준다.

 

그러나 컴퓨터나 모바일용 캐주얼 소셜 게임에서는 사용자 데이터의 학습가치가 빠르게 감소한다. 2009년 게임개발업체인 징가Zynga팜빌FarmVille이라는 게임을 대히트 시키면서 캐주얼 소셜 게임 시장은 크게 성장했다. 징가는 원래 게임 개발 시 사용자 데이터 분석에 크게 의존하는 것으로 유명했으나, 한 게임에서 얻은 인사이트가 다음 게임에는 잘 통하지 않는다는 사실을 깨달았다. 캐주얼 소셜 게임은 유행을 많이 타며 사용자 선호도가 시간에 따라 금방 변하기 때문에, 지속가능한 데이터 기반 경쟁우위를 구축하기 어려웠다. 팜빌2, 시티빌 등 몇 차례 더 게임을 히트시킨 이후에는 더 이상 성공적인 새로운 게임을 선보이지 못했으며, 2013년에는 사용자 기반이 거의 절반으로 감소했다. 결국클래시 오브 클랜Clash of Clans을 성공시킨 슈퍼셀Supercell, ‘포트나이트Fortnite’를 히트시킨 에픽게임스Epic Games등 경쟁사들에 뒤처졌다. 징가의 시가총액은 2012 134억 달러로 최고치에 도달했으나, 6년 뒤에는 40억 달러 이하로 감소했다.

 

 

4 데이터가 독점적proprietary인가?, 다른 곳에서 구매하거나, 쉽게 복제 또는 리버스-엔지니어링(역설계)할 수 없는가? 대체재가 거의 없거나 전혀 없는 고유한 고객 데이터를 보유하는 것은 강력한 방어장벽을 만드는 데 중요하다. 미국 보스턴에 위치한 아다비브Adaviv는 우리가 투자한 스타트업으로 농부들이 식물 하나 하나를 지속적으로 모니터링할 수 있게 해주는 농작물 관리 시스템을 선보였다. 이 시스템은 AI, 컴퓨터 시각 소프트웨어, 그리고 독점 기술인 데이터 어노테이션data-annotation기술을 사용해 병충해 조기 징후, 영양 부족 등 사람의 눈에는 보이지 않는 식물 생체정보를 추적한다. 그리고 데이터를 해석해 농부들이 병충해 발생을 예방하고 수확량을 개선할 수 있도록 도와준다. 고객 수가 늘어날수록, 더욱 다양한 식물종, 재배조건, 기타 변수에 대해 시스템이 학습할 수 있으며, 따라서 신규 및 기존 고객에게 보다 예측정확도가 높은 정보를 제공할 수 있다. 사용자 데이터를 비교적 저렴하게 획득할 수 있는 스팸메일 필터링 서비스를 제공하는 기업의 상황은 이와 반대다. 이는 스팸메일 필터링 서비스를 제공하는 업체가 왜 그렇게 많은지를 설명해 준다.

 

, 기술 진보로 인해 고유한 독점 데이터가 가져다 주는 경쟁우위가 저해될 수 있다는 사실을 잊지 말아야 한다. 음성인식 소프트웨어가 한 예다. 과거에는 사용자가 자신의 목소리와 말하는 패턴을 소프트웨어가 이해할 수 있도록 학습시켜야 했다. 따라서 어느 한 사용자가 사용을 많이 할수록 소프트웨어 정확도가 높아졌다. 음성인식 소프트웨어 기업인 뉴앙스Nuance의 드래곤Dragon이라는 솔루션이 수년간 시장에서 지배적 입지를 차지했다. 그러나 지난 10년 동안 사용자가 특정될 필요 없는 음성인식 기술이 급속도로 발전했으며, 공개적으로 사용 가능한 음성 데이터 세트를 이용한 학습이 가능해졌다. 새로운 사용자의 목소리를 이해하는 데 학습이 전혀 필요하지 않거나 학습시간이 거의 걸리지 않게 됐다. 기술 발전으로 많은 회사들이 전화 자동응답으로 이뤄지는 고객 서비스, 회의 내용을 자동으로 기록해 주는 서비스, 가상 도우미 등의 새로운 음성인식 애플리케이션을 제공하게 됐으며, 뉴앙스는 자신의 핵심시장에서 점차 많은 경쟁압력을 받게 됐다.

 

5 고객 데이터에 기반한 제품 개선 요인을 모방하기 얼마나 어려운가?데이터가 고유하거나 독점이며 중요한 인사이트를 주는 경우라도 하더라도, 경쟁사가 유사한 데이터 없이도 그러한 제품 개선 요인을 모방할 수 있다면 경쟁우위를 지속하기 어렵다.

 

이 문제를 극복하기 위한 회사의 역량에는 몇 가지 요인이 영향을 미친다. 한 가지는 제품 개선이 복잡한 생산공정에 숨겨져 있거나 깊숙이 내재돼 있어, 다른 기업들이 이를 복제하기 어려운가의 여부다. 음악 스트리밍 서비스인 판도라Pandora는 이를 통해 진입장벽을 구축했다. 판도라는 약 450개의 속성에 기반해 수백만 곡의 노래를 분류하는 고유 기술뮤직 게놈 프로젝트를 이용해 개인 청취자의 선호에 따라 라디오 스테이션을 맞춰준다. 사용자가 라디오를 많이 들을 수록, 그리고 특정 노래에 대해좋아요또는싫어요라고 평가를 많이 할수록, 판도라는 해당 사용자에게 딱 맞는 음악을 선곡해줄 수 있다. 이런 식의 맞춤화 서비스는 회사의 뮤직 게놈 프로젝트에 밀접하게 연결돼 있기 때문에 다른 경쟁사들이 쉽게 모방할 수 없다. 반대로, 캘린더 일정 연동을 위한 캘린들리Calendly, 회의시간 조율을 위한 두들Doodle과 같은 사무용 소프트웨어의 경우, 고객의 사용패턴을 학습해서 이뤄내는 제품 개선을 경쟁사들도 쉽게 관찰하고 따라 할 수 있다. 그래서 유사한 소프트웨어를 제공하는 기업이 수십 개에 달한다.

 

두 번째 요인은 고객 데이터에서 나온 인사이트가 얼마나 빨리 변하는가다. 빨리 변할수록 다른 이들이 모방하기 어렵다. 예를 들어, 구글지도 인터페이스의 여러 기능은 모방하기 쉽다. 실제로 애플지도 등 여러 경쟁사들이 구글지도를 모방했다. 그러나 구글지도의 핵심 가치는 교통상황을 예측하고 최적의 경로를 추천해 주는 역량이다. 이를 위해서는 실시간 사용자 데이터를 이용해야 하며, 실시간 데이터는 수분이 지나면 의미가 없어진다. 따라서 경쟁사들이 이를 모방하기는 훨씬 어렵다. 구글 정도로 방대한 사용자 기반을 보유한 회사만이 모방을 시도할 수 있다. 애플지도의 경우 미국에서는 구글지도와의 격차를 좁히고 있지만, 사용자 기반이 상대적으로 적은 다른 국가들에서는 구글지도를 따라가지 못하고 있다.

 

6 한 사용자의 데이터가 해당 사용자를 위한 제품 개선,또는 다른 사용자들을 위한 제품 개선에 도움이 되는가? 이상적으로는 두 가지 모두가 가능해야 하지만, 둘 사이의 차이점이 중요하다. 한 사용자의 데이터가 해당 사용자를 위한 제품 개선에 도움이 될 때, 회사는 개별 사용자를 위한 맞춤화 서비스를 제공할 수 있으며 전환 비용이 발생한다. 한 사용자의 데이터가 다른 사용자들을 위한 제품 개선에 도움이 될 때에는 네트워크 효과가 발생할 수 있다.(발생하지 않을 수도 있다.) 두 가지 경우 모두는 진입장벽 구축에 도움을 주지만 차이점이 있다. 전자는 기존 고객을 탄탄하게 유지하는 데 도움이 되는 반면, 후자는 신규 고객을 유치하는 데 경쟁우위를 제공한다.

 

예를 들어, 판도라는 디지털 음악 스트리밍 시장의 선두주자였지만, 스포티파이Spotify와 애플뮤직의 성장세에 뒤처지고 말았다. 앞서 언급했듯, 판도라의 주요 강점은 각 사용자의 취향에 따라 방송 스테이션을 맞춤화 해준다는 점이다. 그러나 여러 다양한 사용자들에 대한 학습은 매우 제한적이다. 판도라는 어느 한 사용자의 좋아요 또는 싫어요 평가에 기반해 해당 사용자의 선호에 대한 음악 속성을 찾아내고, 비슷한 속성을 지닌 다른 음악을 해당 사용자에게 들려준다. 반면, 스포티파이는 다른 사람들의 스테이션을 검색하고 들을 수 있는 공유 및 검색 기능을 제공해, 직접 네트워크 효과를 창출하고 새로운 고객을 유인하는 데 더욱 집중했다. 판도라는 미국에서만 서비스를 제공하며, 충성도가 높은 고객 기반을 보유하고 있다. 반면 스포티파이와 애플 뮤직은 글로벌 서비스로 발전했다. 판도라는 2019 2 35억 달러에 시리우스Sirius XM에 인수됐다. 반면, 스포티파이는 2018 4월 상장됐으며 2019 11월 초 현재 시가총액이 260억 달러에 달한다. 개별 사용자의 데이터 학습에 기반한 맞춤화는 기존 고객에 대한 록인lock in 효과를 가져오지만, 네트워크 효과에 따른 기하 급수적 성장으로 이어지지는 못한다.

 

7 사용자 데이터로부터의 인사이트가 제품에 얼마나 빨리 반영되는가?학습 주기가 빠르면 경쟁업체가 따라잡기 어렵다. 특히 고객의 평균 계약기간 동안 제품 개선주기가 여러 번 발생하는 경우에는 더욱 그렇다. 그러나 데이터에 기반한 제품 개선에 수년이 걸리거나 여러 세대를 거쳐야 하는 경우에는, 경쟁사가 중간에 혁신을 이루고 자체적으로 사용자 데이터를 수집할 수 있는 기회가 더 많다. 따라서 현재의 고객에게 나오는 데이터가 바로 그 현재의 고객을 위한 제품 개선으로 이어질 수 있어야지, 미래의 고객을 위한 제품 개선에만 쓸 수 있다면 경쟁우위가 약해진다. 앞서 언급한 지도, 검색엔진, AI 기반 작물관리 시스템 등이 그 예로, 현재 고객에 대한 학습 결과가 빠르게 업데이트된다.

 

반대 사례는 렌드업LendUp, 렌딩포인트LendingPoint와 같은 다이렉트 온라인 대부 서비스다. 이들 서비스는 사용자의 부채상환 기록을 검토하고 사용자 프로파일과 행동의 다양한 측면 간 상관관계를 연구해 더 좋은 채무 의사결정이 내려지도록 학습한다. 이때, 현재 대출자에게 의미 있는 학습은 과거 대출자들에 대한 데이터 학습밖에 없는데, 이는 이미 현재 대출자의 채무계약 조건 및 이자율에 반영돼 있다. 대출자들은 자신의 현재 대출 계약이 변경되지 않기 때문에, 대부업체에게 도움이 될 만한 미래 학습 내용에 관심을 가질 이유가 없다. 따라서 고객이 특정 대부업체로부터의 대출 여부를 결정할 때, 앞으로 얼마나 많은 사람들이 해당 대부업체로부터 대출을 받게 될 것인가는 고려하지 않는다. 기존 대출자는 자신에 대해서 이미 잘 알고 있는 기존 대부업체를 계속 이용하는 것을 선호할 것이다. 반면, 신규 대출자를 유인하기 위한 시장은 경쟁이 매우 치열하다.

 

 

데이터가 네트워크 효과를 가져오는가?

 

6번과 7번 질문에 대한 답은 데이터 기반 학습이 진정한 네트워크 효과를 창출할지 알려준다. 한 고객으로부터의 학습이 다른 고객들에게 더 나은 경험을 선사할 때, 그리고 이러한 학습이 신속하게 제품에 반영돼 기존 사용자들에게 혜택을 줄 때, 고객은 얼마나 많은 다른 사람들이 해당 제품을 이용할 것인가에 관심을 가질 것이다. 여기에 작동하는 메커니즘은 온라인 플랫폼의 기반이 되는 네트워크 효과와 매우 비슷하다. 온라인 플랫폼 사용자는 제품 개선을 위한 인사이트 생성 목적이 아니라, 다른 여러 다른 사람들과 상호 작용하고 싶어서 대규모 네트워크를 이용한다는 점이 차이점이다.

 

구글지도의 사례를 다시 살펴보자. 자동차 운전자들은 다른 많은 사람들도 구글지도를 사용할 것이라고 생각하고, 소프트웨어가 여러 사용자들로부터 교통 데이터를 수집할수록 도로상황 및 도착시간의 예측 정확도가 향상될 것이라고 기대하기 때문에 구글지도를 이용한다. 구글검색과 아다비브의 AI 기반 작물관리 시스템도 데이터 기반 네트워크 효과를 누린다.

 

일반적 네트워크 효과와 마찬가지로 데이터에 기반한 네트워크 효과도 진입장벽을 만들 수 있다. 이 두 가지 효과가 시작되게 만드는 것은 쉽지 않으며, 닭이 먼저냐 계란이 먼저냐의 문제다. 일반적 네트워크 효과를 구축하려는 기업은 네트워크 효과가 시작되도록 어느 정도 최소한의 사용자를 유치해야 하며, 데이터 기반 네트워크 효과를 달성하려는 기업도 학습의 선순환이 시작되려면 어느 정도 양의 초기 데이터가 필요하다.

 

이러한 유사성에도 불구하고 일반적 네트워크 효과와 데이터 기반 네트워크 효과에는 주요 차이점이 있으며, 이 차이점으로 인해 일반적 네트워크 효과가 주로 더 강력한 이점을 가져온다. 첫째, 데이터를 구매하는 것이 고객을 유치하는 것보다 쉬우므로 일반적으로 시작의 어려움은 데이터 기반 네트워크 효과가 덜하다. 완벽하지 않더라도 데이터를 획득할 수 있는 다른 대안이 있다면, 대규모 고객 기반을 구축할 필요가 없어지며 따라서 진입장벽이 크게 낮아진다.

 

둘째, 데이터 기반 네트워크의 효과를 유지시키려면 회사는 고객 데이터로부터 지속적으로 학습해야 한다. 반면, 금융 소프트웨어 기업인 인튜이트Intuit의 공동 창업자인 스콧 쿡Scott Cook “(일반적) 네트워크 효과를 지니는 제품은 내가 잠을 자는 동안에도 개선된다고 말했듯, 일반적 네트워크 효과에서는 고객들간, 그리고 제3자 판매자들의 참여에 따른 상호작용으로 플랫폼 자체의 혁신이 이뤄지지 않더라도 새로운 가치가 생성된다. 만약 어떤 새로운 소셜미디어가 페이스북보다 더 강력한 개인정보 보호 등 객관적으로 더 좋은 기능을 제공한다고 하더라도, 강력한 네트워크 효과를 누리는 페이스북과의 경쟁에서 이기기가 쉽지는 않을 것이다. 사용자들은 많은 사람들이 이용하는 소셜미디어 플랫폼을 자신도 이용하고 싶어하기 때문이다.

 

셋째, 고객 데이터를 통한 학습의 이점을 비교적 적은 수의 고객으로도 거의 모두 달성할 수 있는 경우가 많다. 또한 음성인식과 같은 일부 애플리케이션에서는, AI의 급격한 발전이 고객 데이터의 필요성을 감소시켜, 데이터 기반 학습의 가치가 완전히 사라지는 수준까지 도달하게 될 것이다. 반면에 일반적 네트워크 효과는 보다 널리 확장되며 회복력도 크다. 기존 고객 수가 이미 많다고 하더라도, 일반적으로 한 명의 추가 고객은 그와 상호작용할 수 있는 기존 고객들에 대한 가치를 증가시킨다.

 

일상적 소비재조차 스마트해지고 연결성이 높아짐에 따라 (예를 들면, 날씨에 반응하고 이동거리 및 심박수를 측정해 주는 새로운 종류의 의복), 데이터 기반 학습은 점점 더 많은 제품 및 서비스를 개선하고 맞춤화하는 데 사용될 것이다. 그러나 고객 데이터에 의한 부가가치가 크고 오랫동안 지속되거나, 데이터가 독점적이며 복제하기 어려운 제품 개선으로 이어지거나, 데이터 기반 학습으로 네트워크 효과가 발생하지 않는 한, 그러한 제품 및 서비스를 제공하는 기업은 강력한 경쟁우위를 점하지 못할 것이다.

 

앞으로 수십 년간 고객 데이터를 이용한 제품 및 서비스 개선은 기업이 시장에서 살아남기 위한 필요조건이 될 것이며, 기존 기업에는 시장에 새로 진입하는 경쟁사 대비 경쟁우위를 주는 요인이 될 것이다. 그러나 대부분의 경우 승자독식의 경쟁이 되지는 않을 것이다. 그 대신, 알리바바와 아마존의 전자상거래, 애플의 앱스토어, 페이스북 등과 같이 일반적 네트워크 효과를 기반으로 구축되고 데이터 기반 학습으로 강화되는 비즈니스가 가까운 미래에 가장 가치 있고 강력한 비즈니스가 될 것이다.

 

안드레이 하지우(Andrei Hagiu)는 보스턴대 퀘스트롬경영대학원의 정보시스템 부교수다. 트위터: @theplatformguy.

줄리언 라이트(Julian Wright)는 싱가포르국립대 경제학 교수다.

 

 

번역 한지은 에디팅 김성모

  • 아티클 다운로드
    (PDF)
    5,000원

    담기바로구매

  • 디지털서비스
    1년 150,000원

    디지털서비스란

    신청하기

전략 다른 아티클

무료 열람 가능 아티클 수 0/1 회원가입 | 서비스상품안내