참고: 이 내용은 2022. 2. 16에 게시된 컨텐츠(An Iterative, Outside-In Approach to Pricing Your Data)에서 번역되었습니다.
“내 데이터의 가치는 얼마인가요?”라는 질문을 받으면 저는 보통 “없습니다.”라고 도발적인 답변을 합니다. 그러나 데이터를 아무도 사용하고 있지 않다면 이는 사실입니다. 데이터를 정의하려는 용감한 노력에도 불구하고 데이터에는 본질적인 가치가 없습니다. 그렇지만 데이터에서 가치를 창출하는 방법은 말 그대로 100만 가지 또는 그 이상이며 이를 통해 우리는 데이터의 가치를 결정합니다. 데이터의 사용은 가치를 결정하며, 가치가 가격을 책정합니다.
예를 들어, 데이터 품질, 새로 고침 빈도 또는 데이터 세트의 독창성과 같은 데이터의 특성에 대해 알고 계실 수도 있습니다. 이러한 특성은 잠재적 가치를 제시합니다. 만약 데이터가 어디에나 있고 쉽게 대체할 수 있다면 가치가 그렇게 높지는 않을 것입니다. 그러나 데이터가 진정으로 고유하고 소수만이 액세스할 수 있는 통찰력을 제공할 수 있다면 가격은 훨씬 더 높아질 수 있습니다. 그래서 이 가격은 얼마일까요?
문제가 아직 남아 있습니다. 고유한 데이터 세트가 시장에 나왔을 때 상업적 가치를 알 수 없으며 가격도 모호합니다. 데이터 수익화를 시작한 대부분의 회사는 이러한 상황에 처합니다. 일부 회사는 추정 가치를 기반으로 가격을 책정한 다음 고객 관심에 따라 가격을 조정합니다. 긍정적인 반응이 빠르게 쏟아진다면 다음 구매자는 더 높은 가격을 지불하게 될 수도 있습니다. 잠재 고객이 망설인다면 협상을 통해 가격이 낮아질 수도 있습니다. 시행착오 프로세스 또는 타겟팅 연습을 통해 구매자의 기대 가치에 따라 ‘실제’ 가격에 가까워집니다. 시행착오 가격 책정을 사용할 수 있을지도 모르지만 특별히 효율적이지는 않으며 긍정적인 고객 참여 구축에도 효과적이지 않습니다.
미지수 해결
데이터 가격 책정을 위한 보다 계획적인 아웃사이드 인 접근 방식은 다음과 같은 세 가지 질문에서 시작합니다.
- 고객이 얼마나 지불할 용의가 있는가?
- 다른 회사는 비슷한 데이터의 가격을 어떻게 매겼는가?
- 고객이 데이터에서 창출할 수 있는 가치가 무엇인가?
애석하게도 이러한 질문에 대한 답변은 보통 알 수 없습니다. 그러나 수식의 다른 부분이 시작점을 제공할 수 있습니다. 수학 문제를 풀 때 우리는 보통 우리가 알고 있는 ‘주어진 값’(예: 삼각형의 한 면의 길이를 알고 있으며 다른 면과의 관계도 알고 있음)에서 시작합니다. 데이터 제품 또는 서비스 가격 책정에서 다음과 같은 방식으로 ‘주어진 값’을 찾아 미지수를 해결할 수 있습니다.
- 수익 생성 또는 비용 방지와 같은 내부 사용에서 시작. 관리하에 있는 엄청난 수의 기차로 인해 Siemens Mobility는 예정되어 있으며 계획된 유지 관리 비용이 예측하지 못한 고장에 대처하는 비용보다 낮다는 사실을 알게 되었습니다. 분석 모델은 높은 비용의 계획되지 않은 가동 중지 시간을 없애 유지 관리 요구 사항을 정확하게 예측할 수 있습니다. 계획되지 않은 가동 중지 시간의 비용은 통찰력 서비스 가격(및 가치)의 시작점이 됩니다. 낮아진 고장 빈도와 높아진 기차의 가용성으로 인해 향상된 고객 경험은 데이터 서비스의 추정 가치에 더해집니다. 고객이 내부적으로 채택한 것과 비슷한 사용 사례를 위해 데이터를 활용할 수 있을 때 생성된 내부 가치가 가격 책정 활동에서 ‘주어진 값’으로 사용될 수 있습니다.
- 개념 증명(POC) 또는 가치 증명(POV)을 통한 테스트 제품 오퍼링. GE Aviation은 회사가 만든 엔진을 더 잘 이해하기 위해 자체적인 데이터를 사용했습니다. 이 회사는 고객이 엔진 작동을 더 잘 이해하기 위해 이러한 데이터로부터 이점을 누릴 수 있다는 사실을 깨달았습니다. POC는 실질적인 이점을 테스트했으며 관심을 가진 고객과의 공동 창출로 오퍼링을 개선했습니다. GE Aviation은 이제 항공 효율성 서비스, 연료 관리 및 항공기 관리를 제공합니다. 궁극적으로 제품의 가격은 제품이 제공하는 가치를 기반으로 합니다.
- 타사 연구 의뢰. 의료 서비스 제공자를 위한 수익 관리 소프트웨어 공급자는 고객이 주요 성과 지표를 미국의 메디케어(Medicare) 및 메디케이드(Medicaid)와 같은 업계 기준과 비교할 수 있도록 합니다. 시작점을 결정하기 위해 이 회사는 타사에 ROI 연구를 요청했습니다. 방법론은 가치를 추정하기 위해 고객 의견을 사용하고 이 회사의 전반적인 가치를 결정하기 위해 제품 활용에 대해 가정을 설정했습니다.
- 파트너 생태계 활용. 파트너가 이미 여러분의 데이터를 활용하여 운영을 개선하거나 고객을 더 잘 이해한다면 파트너의 추정 가치를 활용하여 가치 예측 모델을 강화할 수 있습니다. 소매업체는 CPG와 판매를 공유하여 수요 예측을 개선합니다. CPG는 어떤 예측 개선을 봤을까요? 없어진 폐기물? 빈도가 낮아진 가격 인하?
- 불확실한 결과를 위한 조정. 첫 번째 상황에서 절약 또는 생성된 수익과 같은 결과가 나올 가능성이 있기에 이를 조정해야 합니다. 간단히 말하자면 비용 절약이 100달러지만 결과 가능성이 80%라면 예측 가치는 80달러입니다. 데이터를 사용하는 고객 그룹이 있다면 특정한 사용 사례에서 가치를 예측하는 모델이 더욱 강력해질 것입니다. 평균 절약을 확인하거나 이러한 절약을 하는 가능성을 예측할 수 있습니다.
시작을 위해 두 가지 옵션 수용
다음 단계는 가격이 제공된 가치를 반영한다는 것을 선보이기 위한 것입니다. 탐색을 가능케 하는 몇 가지 옵션이 있습니다.
- 선보이고 말하기. 잠재 구매자가 사용 사례에 익숙하지 않거나 이것이 제공할 수 있는 잠재적 비즈니스 가치를 모른다면 데모가 필요할 수 있습니다. POC는 데이터를 사용하고 데이터에서 가치를 창출하는 방법을 보여줍니다. GE Aviation은 데이터 팀이 기존 고객과 협업하도록 하여 자체적인 예측 가능한 유지 관리 솔루션 가격 책정을 개발했습니다. 이러한 참여 유형은 클라이언트와의 제품 공동 개발로 이어질 수 있습니다. 비슷하게 Amadeus는 날씨의 영향 또는 운영 중단을 완화하기 위한 중단 관리 솔루션을 개발하고 제공하기 위해 Qantas Airlines와 협업했습니다.
- 시도하고 구매하기. 선보이고 말하기 모델의 변형은 통찰력의 가치를 선보이기 위한 간단한 체험판 옵션을 제공합니다. 이 시도하고 구매하기 모델은 잠재 구매자가 데이터 수집을 위해 비즈니스 사례를 구축할 기회를 제공합니다. 현재 비공개 미리 보기에서 제공하는 Snowflake 데이터 마켓플레이스의 시도하고 구매하기 기능은 잠재 고객이 Crunchbase, Knoema, SafeGraph 등에서 가져온 데이터 세트의 영향을 테스트할 수 있도록 합니다.
가격 책정에 대화형 반복 사용자 중심 접근 방식 채택
잘못 정의된 데이터 속성에 대한 긴 가정 목록이 필요한 이론적인 평가 모델에 집착할 이유는 없습니다. Savvy 경영진은 이러한 헛된 활동을 그만두고 대신 최고의 데이터 사용 방법을 찾고 데이터에서 도출할 수 있는 통찰력에 집중할 것입니다. 여러분의 사용 사례와 파트너 및 고객의 사용 사례는 가치를 결정할 것이며, 궁극적으로 데이터 제품 또는 서비스의 가격을 결정할 것입니다.
가격 책정 수식의 ‘주어진 값’이 여러분의 비용 절약 또는 생성된 수익으로 시작하든 POC를 기반으로 하든 프로세스는 대화형이며 반복적입니다. 이는 사용자 중심적인 가격 책정에 대한 애자일 접근 방식입니다. 시장에서 가격을 테스트하고 검토한 다음, 이를 수정하고 반복합니다. 데이터를 사용하는 고객 그룹을 확보했다면 특정 사용 사례의 가치를 추정하기 위한 모델이 더욱더 강력해지고 가격이 보다 정확해질 것입니다.
*제공된 예는 정보 제공만을 목적으로 합니다. 어떠한 Snowflake의 제품 또는 서비스의 보증을 제공하거나 암시하기 위한 목적이 아닙니다.