데이터 드리븐 마케팅에 대해서 고민할 때 일정 부분 확률이나 통계에 대한 이론적 지식이 없으면 창의력이 부족해질 수 밖에 없다. 유저가치를 계산할 때 단순 리텐션만 가지고 판단한다는 것이 꽤나 많은 단점을 가지고 있다는 것을 알게 된다. 그리고 리텐션이라는 것 자체의 근간이 확률이라는 것을 알고 있기 때문에 결국 우리가 어떤 확률 분포를 기반해서 유저의 이탈을 예측할 수 있을지 파악할 수 있다. 예를 들면 유저는 단순하게 생각하면 한번만 이탈한다. 그렇다면 이건 기하분포(geometric distribution)을 가정할 수 있다. 근데 기하분포의 파라미터는 계속 변화할 것이기 때문에 그 파라미터를 무엇으로 가정하냐의 이슈가 있다. 대충 베타 분포 정도로 가정을 할 수 있을 것이고 그러면 기하 베타 분포 이딴걸 추론할 수 있다. 유저가치는 그냥 평생동안 만들 가치의 합이다. 이건 생존분석하고 관련이 있다. 각 시점별 생존율을 예측할 수 있다면 유저가치를 구하기 쉬워진다. 유저가치 외에도 확률과 통계를 알면 도움이 된다. 예로 회사가 커져서 TV 광고, 유튜브, 페이스북/인스타그램 등등의 광고를 하고 메시지 채널도 다변화되었으며 쿠폰과 프로모션도 상시로 한다고 가정을 해보자. 이 때 보통 마케터들은 오가닉의 성장률이나 '브랜드' 캠페인을 시작한 시점과 그 시점을 비교하는 시도를 한다. 합리적인 방식이지만 다양한 변수를 고려할 수 없다. 이걸 통계학적인 입장에서 바라보면 선형모형이 된다. 단순선형 모형일 수 도 있고 베이지언적인 입장에서 모델링을 할 수도 있지만 어쨋든 통계학적인 입장에서 이를 바라볼 수 있다는 것이다. 또 다른 상황을 예로 들면 A/B Test를 진행할 때 단순 p-value를 비교할 일도 없어진다. 샘플이 작거나 불확실성을 측정하고 싶거나 혹은 단순 T 분포가 불만이 생기는 경우가 있다. 이것도 베이지안적인 방법으로 해석을 하면 많이 해결할 수 있는 문제다. 심지어는 multiple comparison 이슈도 많이 해결해준다. 데이터 드리븐 마케팅이란건 그 의지도 중요하지만 어쨋든 어느정도의 배경 지식이 있으면 도움이 되는건 사실이다.