BigQuery Augmented Analytics란, SQL 하나로 원인 진단부터 인과 효과까지 자동화하는 법

AS-IS, 지표 변화 원인 찾기는 수작업 분석의 연속이었다

보통 마케팅 데이터 분석에서 특정 지표가 갑자기 튀거나 꺾이면, 분석가가 여러 차원을 하나씩 쪼개보면서 원인을 추정하는 과정을 거칩니다. 시계열에서 변화 시점을 찾고, 그 시점 전후로 어떤 세그먼트가 변화를 이끌었는지 파악하고, 마지막으로 그게 진짜 효과인지 우연인지 검증하는 작업은 각각 별도의 도구나 통계 지식을 요구했어요. Google Cloud는 이 세 단계를 BigQuery 안에서 SQL 함수 체이닝으로 연결할 수 있게 만들었습니다.

이번 내용, 6개 TVF로 변화 시점 탐지부터 인과 효과까지 체이닝

핵심은 ML.DETECT_CHANGE_POINTS, AI.KEY_DRIVERS, AI.CAUSAL_EFFECT 세 함수를 순서대로 연결하는 방식입니다. 한 함수의 출력, 예를 들어 탐지된 시간 구간을 다음 분석 단계의 파라미터로 바로 넣을 수 있어요. Google Cloud는 Austin Bikeshare 공개 데이터셋(bigquery-public-data.austin_bikeshare.bikeshare_trips)으로 이 흐름을 시연했습니다.

먼저 ML.DETECT_CHANGE_POINTS로 일별 이용 건수의 구조적 변화 시점을 찾았고, 2018년 2월 지점에서 큰 변화가 나타났어요. 이 시점을 AI.KEY_DRIVERS에 입력해 어떤 요인이 급증을 이끌었는지 분석한 결과, 변화 전후 구간에서 전체 이용 건수가 374.7%(4만159건) 증가했고, 그중 UT Student 멤버십이 7,167.1%, 21st & Speedway @PCL 정류장 도착 이용이 20,739.1% 늘어난 게 확인됐습니다. 이는 텍사스대학교 학생 대상 무료 연간 멤버십 프로모션과 맞물린 결과였어요. 마지막으로 AI.CAUSAL_EFFECT가 ARIMA_PLUS 반사실(counterfactual) 모델로 프로그램이 없었다면 어땠을지를 계산해, 조직 기준선 대비 358% 증가와 89,775건의 증분 이용을 99.9% 확률로 인과 효과라고 밝혀냈습니다.

원문에는 두 가지 추가 사례도 나옵니다. Chicago Taxi Trips 데이터셋에서는 ML.CORRELATION과 AI.KEY_DRIVERS를 조합해 신용카드 결제가 이동 거리 증가의 주 요인(+165만 마일)이고, 오헤어 공항 출발 이용이 +110만 마일을 더했으며, 현금 결제는 -65만2,960마일로 반대 방향 요인임을 찾아냈어요. Iowa liquor 데이터셋에서는 ML.TREND와 ML.SEASONALITY로 판매량이 2012년 130만-150만 병에서 최근 260만 병 수준으로 안정화됐고, 10월과 12월, 5월과 6월에 계절 성수기가 있으며 1-2월에 감소한다는 패턴을 확인했습니다.

실무 적용 포인트

이 함수들이 Conversational Analytics에 통합됐다는 점이 실무에서는 가장 중요합니다. 자연어 프롬프트 하나로 상관관계가 가장 높은 지표를 찾고, 이어서 어떤 카테고리 차원이 그 지표를 불균형하게 이끄는지까지 다단계 조사를 자동으로 오케스트레이션할 수 있어요.

• 캠페인이나 프로모션 직후 지표가 튀었을 때, ML.DETECT_CHANGE_POINTS로 변화 시점을 먼저 특정해보세요
• 그 시점을 AI.KEY_DRIVERS에 넣어 어떤 세그먼트(채널, 결제수단, 지역 등)가 변화를 견인했는지 확인합니다
• AI.CAUSAL_EFFECT로 반사실 대비 증분 효과를 계산하면 프로모션이 진짜 효과가 있었는지, 우연한 자연 증가인지 구분할 수 있습니다
• 이 TVF들은 데이터를 외부로 내보내지 않고 BigQuery 안에서 바로 실행되므로, 별도 BI 도구로 옮기는 단계를 줄일 수 있습니다
• 해당 스킬들은 Google Skills Github 저장소에서 확인할 수 있습니다

자주 묻는 질문

bigquery 란 무엇인가요

BigQuery는 Google Cloud의 서버리스 데이터 웨어하우스로, SQL로 대규모 데이터를 분석하는 서비스예요. 이번에 소개된 Augmented Analytics TVF는 여기에 AI와 통계 기반 자동 분석 함수를 추가한 기능입니다.

bigquery로 마케팅 자동화 사례를 만들 수 있나요

원문에 나온 사례는 Austin Bikeshare 프로모션의 효과를 변화 시점 탐지, 핵심 요인 분석, 인과 효과 측정 세 단계로 자동 진단한 것입니다. 마케팅 캠페인이나 프로모션의 ROI를 검증하는 방식으로 같은 흐름을 적용할 수 있어요.

AI.KEY_DRIVERS와 AI.CAUSAL_EFFECT의 차이는 무엇인가요

AI.KEY_DRIVERS는 지표 변화를 이끈 세부 세그먼트(예: 구독자 유형, 정류장)를 찾아내는 함수이고, AI.CAUSAL_EFFECT는 그 변화가 실제로 특정 시책 때문인지 반사실 모델로 검증해 증분 효과를 수치화하는 함수예요. 원문 사례에서는 두 함수를 순서대로 체이닝해서 사용했습니다.

Conversational Analytics와는 어떻게 연동되나요

새로 추가된 모든 BigQuery Augmented Analytics 함수는 Conversational Analytics에서 바로 사용할 수 있습니다. 자연어 프롬프트를 주면 이 TVF들을 조합해 다단계 조사 워크플로를 자동으로 실행해줍니다.