차트를 812개 만들어도 지표의 79%는 화면에 없습니다 — 대시보드에 없는 질문
브랜드 6곳의 커스텀 대시보드를 뜯어봤습니다. 만든 차트는 11개에서 812개까지 73배 차이인데, 실제로 쓰인 측정값은 중앙 12.4%, 차원은 중앙 3.9%였습니다. 대시보드를 아무리 많이 만들어도 미리 만든 화
브랜드 6곳의 커스텀 대시보드를 뜯어봤습니다. 만든 차트는 11개에서 812개까지 73배 차이인데, 실제로 쓰인 측정값은 중앙 12.4%, 차원은 중앙 3.9%였습니다. 대시보드를 아무리 많이 만들어도 미리 만든 화면은 미리 예상한 질문만 답합니다.
커머스 브랜드 6개사 · 커스텀 대시보드 전수 · 업종 혼합. 각 장마다 라플라스에서 그 숫자를 보는 화면과 설정을 함께 적었습니다.
본 리포트의 수치는 실제 거래 데이터가 아니라, 라플라스 벤치마크 지표의 분포를 반영해 생성한 예시 값입니다. 특정 고객사의 실제 수치가 아니며 절대값이 아닌 경향 파악 목적으로 참고해 주세요.
PART 01 · 먼저 자가진단 — "대시보드가 부족한가"가 아닙니다
-
"이 숫자 궁금한데"라고 생각하고 실제 답을 보기까지 평균 얼마나 걸리는가? (즉시 / 몇 시간 / 다음날 이후)
-
지난달 회의에서 "그건 데이터 봐야 알 것 같아요"로 끝난 안건이 몇 개였는가?
-
대시보드에 없는 질문이 생기면 누가 답을 만드는가? 그 사람이 자리를 비우면?
-
분석 요청을 미루다가 결국 감으로 결정한 일이 최근에 있었는가?
핵심은 대시보드 개수가 아닙니다. 대시보드에 없는 질문이 생겼을 때의 처리 속도가 팀의 데이터 활용 수준을 결정합니다. 그리고 다음 장에서 보겠지만, "대시보드에 없는 질문"은 예외가 아니라 대다수입니다.
| 연구 | 확인된 숫자 |
|---|---|
| Anaconda · Crowdflower | 데이터 실무 시간의 45–80%가 수집·정제에 쓰임 |
| IBM | 데이터 리더의 85%가 낡은 데이터로 내린 결정이 비용 손실로 이어졌다고 응답 |
여기까지는 남의 숫자입니다
다음에 볼 화면 — 대시보드가 실제로 얼마를 덮는지 셉니다. ›
PART 02 · 1순위 — 차트를 많이 만들어도 커버리지는 안 오릅니다
본 리포트의 수치는 실제 거래 데이터가 아니라, 라플라스 벤치마크 지표의 분포를 반영해 생성한 예시 값입니다. 특정 고객사의 실제 수치가 아니며 절대값이 아닌 경향 파악 목적으로 참고해 주세요.
라플라스에서 보는 곳 — 커스텀 대시보드 › 문서 목록
| 만든 차트 수 (중앙값) | 쓰인 측정값 비율 (중앙값) | 쓰인 차원 비율 (중앙값) | 차트 최다 브랜드의 측정값 커버리지 |
|---|---|---|---|
| 146개 | 12.4% | 3.9% | 21.5% |
| 브랜드 | 업종 | 차트 수 | 쓰인 측정값 | 커버리지% | 쓰인 차원 | 커버리지% | 상위2 유형% |
|---|---|---|---|---|---|---|---|
| 브랜드 A | 스킨케어 | 178 | 84 | 12.1 | 94 | 6.1 | 52.4 |
| 브랜드 B | 뷰티 디바이스 | 812 | 149 | 21.5 | 108 | 7.0 | 69.3 |
| 브랜드 C | 스킨케어 | 131 | 88 | 12.7 | 51 | 3.3 | 58.1 |
| 브랜드 D | 건강기능식품 | 81 | 101 | 14.6 | 71 | 4.6 | 61.7 |
| 브랜드 E | 패션 | 162 | 49 | 7.1 | 38 | 2.5 | 46.2 |
| 브랜드 F | 반려동물용품 | 11 | 17 | 2.4 | 12 | 0.8 | 72.7 |
커버리지 = 대시보드에서 실제로 쓰인 측정값(차원) ÷ 쓸 수 있는 전체 측정값(차원). 전체는 측정값 694종 · 차원 1540종 기준.
나온 숫자를 읽는 법
다음에 볼 화면 — 안 덮인 영역이 얼마나 되는지 그림으로 봅니다. ›
PART 03 · 안 보고 있는 지표가 대부분입니다
나온 숫자를 읽는 법
질문의 모양까지 제한됩니다
다음에 볼 화면 — 그럼 무엇을 물어볼지입니다. ›
PART 04 · 바로 써먹는 질문 12개
이 블로그에서 다룬 분석들 — 순마진 · 공헌이익 · 확정 매출 갭 · 데드스톡 · 한계 ROAS — 이 전부 한 문장짜리 질문이 됩니다. 앞 장의 회색 칸에 있던 것들입니다.
| 영역 | 그대로 복사해 쓰는 질문 |
|---|---|
| 매출·채널 | 지난달 채널별 순매출과 마진율을 표로 비교해줘 이번 주 매출이 지난주 같은 요일 대비 어떻게 다른지 보여줘 최근 90일 매출 상위 10개 상품의 공헌이익 순위를 나란히 보여줘 |
| 고객·재구매 | 첫 구매 고객의 2번째 구매 전환율을 월별 추이로 보여줘 리뷰가 많은 상품과 없는 상품의 최근 90일 객단가를 비교해줘 상위 등급 고객의 매출 기여 비중이 어떻게 변하고 있어? |
| 광고·프로모션 | 캠페인별 ROAS와 POAS를 나란히 보여주고 순위가 바뀌는 캠페인을 짚어줘 지난 프로모션 기간의 당일 매출과 확정 매출 갭을 계산해줘 광고비 대비 매출이 꺾이기 시작한 상품이 있으면 알려줘 |
| 재고·운영 | 최근 90일 출고가 0인데 재고 금액이 큰 SKU 목록 뽑아줘 현재 판매 속도로 30일 안에 품절될 상품을 알려줘 채널별 반품률이 평소보다 튄 상품이 있는지 확인해줘 |
좋은 질문의 조건 세 가지
다음에 볼 화면 — 답을 받은 다음이 더 중요합니다. ›
PART 05 · 함정 — AI 답변을 다루는 원칙
함정 ① 기준이 맞는지부터 확인합니다
이 블로그에서 반복해서 나온 문제입니다 — "매출"이 주문 시점인지 확정인지, 부가세가 포함인지, 환불이 반영됐는지. AI 가 답을 주면 숫자보다 먼저 어떤 기준으로 계산했는지를 확인하세요. 기준이 다르면 답은 틀린 게 아니라 다른 질문에 대한 답입니다.
함정 ② 처음 보는 결론은 한 번 더 쪼개봅니다
합산 숫자가 개별 신호를 지운다는 것도 반복해서 확인됐습니다. AI 가 "전체적으로 이렇습니다"라고 답하면 "채널별로 나눠서 다시", "상품별로 나눠서 다시"를 한 번 더 물어보세요. 후속 질문 한 번이 결론을 뒤집는 경우가 드물지 않습니다.
함정 ③ 데이터가 없어서 못 나온 답과, 있는데 안 나온 답을 구분합니다
연동이 안 된 채널, 등록 안 된 원가, 미매칭 광고비 — 재료가 없으면 AI 도 못 만듭니다. 답이 이상하면 질문을 바꾸기 전에 그 지표의 재료가 갖춰져 있는지부터 보세요. 이 블로그의 리포트들이 매번 "선행 조건"을 먼저 적은 이유입니다.
| 점검 항목 | 확인 방법 | 안 하면 |
|---|---|---|
| 매출 기준 | 답변에 쓰인 지표 정의를 되물어보기 | 다른 질문에 대한 답을 받음 |
| 집계 축 | "채널별/상품별로 나눠서 다시" | 합산에 개별 신호가 묻힘 |
| 재료 상태 | 원가·광고 매칭률, 채널 연동 상태 | 빈 데이터로 계산된 답 |
| 기간 | 질문에 기간을 명시했는지 | AI 가 임의 기간을 고름 |
| 상시화 여부 | 반복해서 묻는 질문은 대시보드로 승격 | 매번 같은 질문을 다시 함 |
정리 · 네 문장
-
차트 수와 커버리지는 비례하지 않습니다. 차트 812개를 만든 브랜드도 측정값의 21.5%, 차원의 7.0%만 씁니다.
-
안 보고 있는 지표가 대부분입니다. 측정값 커버리지 중앙 12.4%, 차원 커버리지 중앙 3.9% — "대시보드에 없는 질문"이 예외가 아니라 기본값입니다.
-
질문의 모양까지 제한됩니다. 표와 막대가 57.6% — 만들기 번거로운 형태의 분석은 애초에 화면이 되지 않습니다.
-
해법은 화면을 더 만드는 게 아니라 화면 없이 답을 만드는 것입니다. 그리고 반복해서 묻게 되는 질문만 대시보드로 승격하면 됩니다.
재현 설정 · 우리 브랜드 커버리지를 재는 법
| 항목 | 값 | 왜 |
|---|---|---|
| 분자 | 대시보드에서 실제로 쓰인 고유 측정값·차원 수 | 같은 지표를 여러 차트에 써도 1로 셈 |
| 분모 | 분석 화면에서 고를 수 있는 전체 측정값·차원 수 | 브랜드 연동 상태에 따라 달라짐 |
| 차트 유형 | 유형별 개수 비중 | 질문의 모양이 제한되는지 확인 |
| 같이 볼 것 | 최근 30일 실제로 열어본 대시보드 수 | 만든 것과 보는 것은 또 다름 |
| 해석 | 커버리지가 낮은 게 문제가 아님 | 미리 만드는 방식의 구조적 한계를 재는 것 |
FAQ · 자주 묻는 질문
Q. 커버리지가 낮으면 대시보드를 더 만들어야 하나요?
아닙니다. 이 표본에서 차트를 812개 만든 브랜드조차 커버리지가 21.5%였습니다. 더 만들어서 해결되는 문제가 아닙니다. 필요한 건 화면 없이 답을 얻는 경로이고, 반복되는 질문만 화면으로 승격하는 순서입니다.
Q. 차원 커버리지가 특히 낮은 이유는?
측정값은 바꾸기 쉬운데 쪼개는 축은 습관이 굳기 때문입니다. 채널·상품·기간으로 고정되고, 결제수단·유입경로·고객등급 같은 축은 시도조차 안 됩니다. 질문할 때 "어떤 축으로 나눌지"를 명시하는 것만으로 새 발견이 나오는 이유입니다.
Q. AI 답변을 어디까지 믿어도 되나요?
숫자보다 기준을 확인하세요. 어떤 지표 정의로, 어떤 기간을, 어떤 축으로 계산했는지. 그리고 처음 보는 결론은 한 번 더 쪼개서 확인하세요 — 합산이 개별 신호를 지우는 문제는 이 블로그에서 반복해서 확인됐습니다.
Q. 답이 이상하게 나오면 질문을 바꿔야 하나요?
질문보다 재료를 먼저 보세요. 원가 미등록, 광고 미매칭, 채널 미연동이면 어떻게 물어봐도 답이 안 나옵니다. 각 리포트의 "선행 조건"이 그 목록입니다.
참고 자료: Anaconda · Crowdflower 데이터 실무 시간 조사 · IBM 데이터 리더 서베이
본 리포트의 수치는 실제 거래 데이터가 아니라, 라플라스 벤치마크 지표의 분포를 반영해 생성한 예시 값입니다. 특정 고객사의 실제 수치가 아니며 절대값이 아닌 경향 파악 목적으로 참고해 주세요. 공개 연구 수치는 각 항목에 출처를 표기했습니다. 화면 이름과 설정 항목 이름은 릴리스에 따라 조금 다를 수 있습니다.