📖 읽는 시간: 약 28분

BATeam 임팩트 인터뷰
BAT(비에이티) 그로스 엔지니어링 그룹

왜 BAT냐고 묻는다면, 팩트로 이야기하는 BAT 팀 인터뷰 ‘BATeam 임팩트’가 답해드립니다.

광고 에이전시 BAT(비에이티)는 브랜드 전략 컨설팅부터 IMC 캠페인, 인플루언서 마케팅, 퍼포먼스 마케팅까지 통합 솔루션을 제공해 브랜드의 성장을 돕는 브랜드 스케일업 컴퍼니입니다. 크리에이티브부터 브랜딩, 마케팅, 그로스를 통합한 조직 구성으로 브랜드 성장을 위한 최적의 전략을 제안하죠. 많은 에이전시가 생겨나고 사라지는 시대에서, 기업들이 BAT를 선택하는 이유는 바로 이 차별성에 있습니다.

이번 BATeam 임팩트의 주인공은 BAT의 그로스 엔지니어링 그룹입니다.
이들은 탄탄한 데이터 인프라를 설계하고 자체 광고 관리 솔루션인 AEer를 직접 개발하며 고도화하고 있습니다. 마케터가 막연한 감이 아닌 객관적인 데이터로 일할 수 있는 시스템을 만드는 조직이죠. PO, 데이터 분석가, 개발자 등 각 직군의 핵심 기술 개발 인원들이 한 팀으로 움직이며 마케터가 직관을 넘어 데이터로 판단하고 실행할 수 있는 기반을 직접 설계합니다.

“일이 잘 되는 시스템을 만든다”는 한 문장으로 팀의 존재 이유를 말하는 이들. 그로스엔지니어링팀의 핵심 인재 8인을 직접 만나 팀이 탄생한 이유부터 AI 시대에 달라진 일하는 방식까지 직접 들었습니다.

Interviewee 그로스 엔지니어링 그룹(소재민 그룹장, 개발팀_탁이주 파트장, 이혜리 시니어 프론트 엔지니어, 마정연 시니어 백엔드 엔지니어, 데이터분석팀_조의환 팀장, 김회석 시니어 데이터 분석가, 박수철 시니어 데이터 분석가, 김이수 시니어 데이터 분석가, 윤정현 데이터 분석가)
Editor 류수현
Photographer 류수현

Q1. 먼저 그로스 엔지니어링 그룹 소개를 부탁드립니다. 어떤 일을 하는 팀인지 궁금해요.

재민: 그로스 엔지니어링 그룹은 한마디로 “마케터가 감이 아닌 데이터로 일할 수 있는 시스템을 만드는 조직”입니다. BAT의 모든 부서에 필요한 기술적인 지원과 데이터 분석을 제공하고 있죠. 목표 달성을 위해 저희 그룹은 크게 두 축으로 움직이는데요. AI 기반 자체 솔루션을 개발하는 ‘개발 파트’와 데이터에서 비즈니스 임팩트를 발굴하는 ‘데이터분석팀’이 유기적으로 협업하고 있습니다. 각 파트의 구체적인 이야기는 리더분들이 더 잘 설명해 주실 것 같네요.

이주: 네, 개발 파트는 BAT만의 자체 솔루션인 AEer를 고도화하고 내부 자동화 시스템을 직접 만들고 있어요. 기술을 통해 AE분들이 더 정밀하게 캠페인을 운영할 수 있도록 돕고 있고 시스템이 원활하게 작동할 수 있는 구조를 구축하는 시니어 엔지니어 두 분과 함께하고 있어요. 혜리님은 AEer의 프론트엔드 개발을 담당하고 있고 모두가 본연의 일에 집중할 수 있도록 일이 매끄럽게 돌아가는 시스템의 접점(화면)을 설계하고 있죠. 그리고 정연님은 광고 성과 데이터 자동화부터 보고서 시스템, 미디어믹스 예산 분배 도구 등 보이지 않는 백오피스 기능들을 튼튼하게 구축하고 있어요. 기술로 사람의 시간과 판단력을 더 가치 있는 곳에 쓸 수 있도록 하고 있죠.

의환: 개발 파트가 시스템이라는 튼튼한 도로를 깐다면, 저희 데이터분석팀은 그 위에서 어디로 가야 금광이 있는지 지도를 밝히는 일을 합니다. 데이터 분석에서 끝나지 않고 실제 성과를 바꿀 수 있는 구체적인 액션 플랜까지 이어지도록 설계하죠. 저희 팀에는 각기 다른 영역의 데이터를 깊숙하게 파고드는 뛰어난 분석가분들이 모여 있습니다. 이수님은 데이터 분석가로서 주로 VOC(고객의 소리) 데이터를 다뤄요. 수많은 리뷰 같은 비정형 데이터를 구조화해서 소비자 관점에서 마케팅 방향을 수립하는 데 필요한 근거를 팀에 제공하고 있습니다. 수철님은 퍼포먼스 마케팅 데이터 분석을 맡고 있고 광고 지표와 유저 행동 데이터를 분석해 전략 수립을 지원하고 있죠. 회석님은 GA(Google Analytics)와 BigQuery를 활용해 데이터 추적 환경을 정밀하게 설계합니다. 어떤 매체가 실제 우리의 수익으로 연결되는지 그 인과관계를 추적하고 분석하는 업무를 담당하고 있어요. 정현님 또한 데이터 분석가로서 브랜드의 빠른 성장을 이끄는 데 필요한 데이터 인사이트를 다각도로 발굴하고 지원하고 있고요.

조직의 탄생 — 에이전시 안에 데이터팀이 있는 이유

Q2. 마케팅 에이전시 안에 데이터팀이 있다는 건 흔한 구조가 아닌데요. 그로스 엔지니어링 그룹은 어떻게 만들어졌고 각자 BAT에서 이 팀에 합류하게 된 계기가 있으신가요?

재민: 에이전시에서 획득하는 데이터는 굉장히 휘발성이 높습니다. 캠페인이 끝나면 흩어지고 소멸되죠. 이 파편화된 데이터를 중앙화하고 우리의 자산으로 만들기 위해 조직이 출발했습니다. 초기에는 데이터 웨어하우스를 짓기 위해 개발자 위주로 세팅되었다가, 이제는 그 데이터를 마케팅에 직접적으로 활용하기 위해 데이터분석팀과 한 몸으로 움직이는 지금의 그룹 형태가 되었어요.

회석: 맞습니다. 보통 에이전시는 짧은 단위의 분석에서 끝나는 경우가 많은데, BAT는 롱텀으로 브랜드를 깊게 보며 데이터를 다룰 수 있는 흔치 않은 곳이에요. 분석 결과물이 실제 마케팅 액션으로 이어져 성과를 바꾸는 걸 두 눈으로 확인할 수 있죠. 방대한 데이터를 다루면서 제가 가진 분석 노하우를 실제 현장에서 검증하고 더 높은 수준으로 고도화할 수 있는 최적의 무대라고 생각했습니다.

혜리: 저는 개발자로서 마케터분들이 수동으로 관리하며 겪는 휴먼 에러나 시간 낭비를 기술로 해결하고 싶었어요. 직접 설계한 코드가 누군가의 업무 환경을 즉각적으로 개선하는 경험을 할 수 있다는 점이 매력적이어서 합류하게 되었어요.

AEer — BAT가 직접 만든 AI 광고 관리 솔루션

Q3. BAT는 AEer라는 자체 워크스페이스를 직접 만들어 사용하고 있는데요. 왜 기성 툴을 쓰지 않고 직접 만들게 되었나요? 그 배경이 궁금해요.

이주: 기성 툴들은 범용성을 위해 고정된 분석 프레임워크를 제공해요. 그러다 보니 우리가 정말 필요로 하는 ‘세부 카테고리별 성과’나 ‘소재 단위의 심층 데이터’를 유연하게 추출하기가 매우 어렵다는 단점이 있었어요. 그렇기에 저희는 기성복이 아닌, 우리 몸에 딱 맞는 맞춤 정장을 직접 만들기로 한 겁니다.

정연: 플랫폼도 다양하고 클라이언트마다 보고 싶어 하는 지표나 형식이 다 달라서 범용 툴로는 결국 사람이 중간에서 손을 많이 탈 수밖에 없거든요. 자동화를 하고 싶어도 우리 업무 흐름에 딱 맞게 커스터마이징하는 데 한계가 있었던 거죠. 그래서 데이터 수집부터 성과 추적, 적재까지 우리 방식대로 파이프라인을 직접 설계할 수 있는 게 결국 더 낫겠다고 판단한 것 같아요. 직접 만들면 초기 비용은 들지만, 현장에서 “이게 불편해요”라는 말이 나왔을 때 바로 반영할 수 있다는 게 기성 툴이랑 가장 큰 차이입니다. 그리고 요즘은 AI를 활용한다고 해도 결국 AI에게 먹일 잘 정제된 데이터 웨어하우스가 먼저 있어야 하니까, 그 기반을 우리가 직접 쌓아두는 게 중요하다고 생각해요.

이수: AEer는 단순한 툴이 아니라 ‘지식의 아카이빙’ 공간이기도 해요. 과거의 성과 데이터가 체계적으로 쌓여 있어서 신규 캠페인을 기획할 때 매체와 소재에 따른 예상 성과 수치를 가이드라인 형태로 즉시 확인할 수 있어요. 일반적으로는 광고 매체, 전환, 내부 데이터가 각각 분리되어 있어 수집과 정제 과정이 까다롭고 전체적인 흐름을 한 번에 파악하기 어렵거든요. AEer는 이러한 데이터를 한 곳에 모으고 서로 연결될 수 있도록 구조를 설계하고 있다는 점에서, 기성 툴에서는 얻기 힘든 우리만의 강력한 무기가 되죠.

Q4. AEer가 지금 팀 안에서 실제로 어떻게 쓰이고 있는지 그리고 AI 에이전트와 어떻게 연결되는지 조금 더 구체적으로 들려주세요.

이주: 현재 매체별 API를 활용해 데이터를 자동으로 수집하고 맞춤 보고서를 구성하는 파이프라인은 아주 견고하게 구축되어 있습니다. 데이터베이스에 각 팀별로 아주 많은 데이터가 적재되어 있고 이 데이터를 토대로 팀별로 원하는 값을 추출하여 맞춤 보고서를 구성하고 제작할 수 있게 되었죠. 

정연: 지금 AEer는 AE분들이 광고 성과 데이터를 확인하거나 보고서를 뽑는 용도로 실제로 쓰이고 있어요. 거기에 더해서 지금 저희가 신경쓰고 있는 게 AI 에이전트와의 연결인데요. MCP 표준을 활용해서 AI 클라이언트(클로드, 코덱스, 제미나이 등)에 스킬을 등록해두면 AI가 AEer 안의 데이터를 직접 조회하고 활용할 수 있거든요. 예를 들면 AE가 “지난달 캠페인 성과 요약해줘”라고 하면 AI가 알아서 데이터를 꺼내 정리해주고 미디어믹스 예산 조정 같은 것도 데이터 기반으로 제안받을 수 있는 구조예요. 데이터 수집·적재 파이프라인은 이미 돌아가고 있고 AI 에이전트가 그 위에서 실제로 움직일 수 있는 환경을 구축하고 있어요.

혜리: AEer를 통해 데이터 인프라와 AI 솔루션 결합을 시도하고 있습니다. 현재 매체 데이터 수집부터 성과 리포트 구성, 미디어믹스 구현 같은 핵심 기능은 안정적인 시스템 로직으로 돌아 가고 있고 소재 제작 영역에서는 LLM을 적극 활용해 제작 효율을 극대화 하고 있습니다. 여기서 다음 단계로는 AEer의 에이전트화인데요. 클로드와 같은 고성능 LLM을 AEer의 데이터와 결합해 사용자가 묻기 전에 시스템이 먼저 최적의 해답을 제시하는 액션 가이드 기능을 구현하려 하고 있어요. 단순히 도구를 쓰는 단계를 넘어 데이터가 스스로 움직여 마케터의 의사결정을 돕는 에이전트 환경으로 만들고 싶어요.

AI, 감을 데이터로 바꾸다

Q5. AI가 팀에 본격적으로 들어오기 전과 후, 일하는 방식에서 가장 크게 달라진 게 있다면 무엇인가요?

이주: 기존에는 “이 기능을 개발하려면 개발자 모두 투입해서 3개월은 걸립니다”였다면, 지금은 “일단 프로토타입으로 만들어보고 개발 일정을 산정해보겠습니다”로 변했어요. 그만큼 프로토타입으로 빠르게 구현해보고 확인할 수 있는 부분이 달라진 거예요. 그리하여 현재 저희 팀은 각자가 맡은 개별 프로젝트가 하나씩 있을 정도로 바쁘게 움직이고 있습니다. 다만 워낙 빠르게 발전하고 있는 AI 산업의 특성상, 모든 팀원이 함께 같은 AI 맥락을 이해하는 부분이 더 중요해진 것 같아요.

회석: 맞아요. 예를 들어, 포털 검색어의 ‘자동완성 키워드’를 분석할 때 예전엔 일일이 확인했다면 이제는 파생되는 2차 키워드까지 자동으로 싹 수집하고 AI가 바로 인사이트를 도출하게끔 세팅해 두었습니다. 사람이 눈으로 보며 고민해야 했던 지난한 시간을 AI가 단숨에 해결해 준 거죠.

의환: 데이터를 바라보는 시선 자체가 입체적으로 변한 것 같아요. 이전에는 데이터가 매체별, 채널별로 조각조각 흩어져 있었다면 이제는 AI를 통해 수만 개의 리뷰와 수십 가지 채널의 광고 성과를 실시간으로 연결해 인과관계를 찾아낼 수 있게 됐거든요. “이 리뷰 반응 때문에 해당 매체의 광고 효율이 올랐다”는 식의 분석이 가능해진 거죠. AI 등장으로 “내가 이것도 할 수 있을까?”라는 질문은 사라졌습니다. 구현하고자 하는 방향이 모호하다면 AI와 함께 구체화해나갈 수 있고 구체화된 계획은 실제로 구현되기도 하니까요.

수철: 직군의 허물도 옅어졌어요. 예전엔 파이프라인을 구축하려면 무조건 개발자에게 의존해야 했는데, 이제는 AI의 도움을 받아 분석가인 저도 직접 시스템 구축을 시도해 볼 수 있게 되었어요. AE도 충분히 AI를 활용해 어떻게 구현할지 직접 고민하고 시스템을 시도해 볼 수 있게 된 거죠. 무거운 데이터 적재는 AI와 시스템이 해주고 사람은 전략을 고민할 수 있는 환경을 구축할 수 있게 되었어요. 덕분에 저희 같은 엔지니어들도 단순 구현을 넘어 마케터가 고민한 파이프라인 설계를 더 단단하게 만들어 주고 함께 비즈니스 문제를 푸는 데 훨씬 더 많은 시간을 쏟을 수 있게 되었죠.

Q6. 마케터가 AI를 잘 활용할 수 있도록 그로스 엔지니어링 그룹이 어떤 방식으로 지원하고 있는지 궁금합니다. ‘AI 리터러시’라는 단어를 쓰셨는데, 실제로는 어떤 의미인가요?

정연: 질문해주신 AI 리터러시에 대해 먼저 정의를 내리자면, 단순히 툴을 잘 다루는 기술이 아니라고 생각해요. 저희가 생각하는 AI 리터러시는 AI가 할 수 있는 일과 없는 일을 명확히 구분하는 힘, 그리고 내 업무 중 어디까지 AI에게 맡길지 아는 감각입니다. AI가 광고 성과에 대한 초안을 훌륭하게 잡아줄 순 있어도 그 숫자의 이면을 읽고 다음 캠페인 방향을 제안하며 최종 책임을 지는 건 결국 사람의 판단이거든요. 그 경계를 아는 것이 핵심이에요. 

정현: 맞습니다. 그래서 저희 팀의 지원도 이 리터러시를 키우는 데 초점이 맞춰져 있어요. 크게 두 방향인데요. 첫째는 AE분들이 당장 편하게 쓸 수 있는 도구를 제공하는 겁니다. 예를 들어 VOC 데이터를 기반으로 광고 카피를 자동 생성하는 파이프라인을 만들어 입력값만 넣으면 결과물이 나오도록 진입 장벽을 낮추는 것. 둘째는 이 도구와 함께 사고방식을 공유하는 겁니다. 도구만 던져주면 AI가 그냥 블랙박스가 되어버리니까요. “이 부분은 AI가 알아서 정리해주는 영역이고 여기서부터는 직접 맥락을 보고 판단하셔야 합니다”라고 꼭 가이드하며 스스로 생각할 수 있는 근육을 길러주는 데 집중하고 있습니다.

재민: 결국 무조건 다 만들어주는 게 능사가 아닙니다. 광고 데이터와 검색 플랫폼의 키워드, SNS 포스트, 고객 리뷰, 커뮤니티, 경쟁사 기획전, 최저가 등 다양한 채널의 정보를 혼합해서 대시보드를 만들어가는 과정을 직접 보여드리면 대부분 “이게 이렇게 쉽게 되는 거였어?”라고 놀라며 빠르게 학습해서 직접 사용하시거든요. 마케터 스스로 시스템의 원리를 이해하고 데이터 기반 위에서 온전히 크리에이티브와 전략에 집중할 수 있도록 돕는 것. 그것이 저희가 지향하는 진짜 지원입니다.

Q7. 실제 프로젝트에서 AI를 활용해 성과가 달라진 사례가 있다면 하나 들려주실 수 있을까요?

이수: 뷰티 도메인 사례가 기억에 남아요. 특히 뷰티 브랜드에서는 소비자 리뷰가 중요한 원천 데이터인데요. 다만 기존에는 AE분들이 리뷰를 수작업으로 확인하며 시간과 정확성 측면에서 한계가 있었어요. 이를 개선하기 위해 제품 특성에 맞는 핵심 키워드(USP)를 정의하고 AI 프롬프트를 설계해 비정형 리뷰를 정형 데이터로 변환하는 구조를 구축했죠. 또한 장점, 단점, 구매 목적 등 항목별로 어떤 키워드가 주로 언급되었는지뿐만 아니라 소비자들이 이를 실제로 어떤 표현으로 사용하는지, 피부 타입별로 의견이 어떻게 다른지까지 함께 확인할 수 있는 대시보드를 구축했습니다. 이 데이터를 바탕으로 광고 소재에 인사이트를 반영한 결과 ROAS가 개선되었고 데이터 기반으로 제안의 신뢰도와 설득력이 높아졌어요. 최근에는 AI를 활용해 리뷰 원문에서 브랜드간 포지셔닝 비교 (제품 핵심 USP 기준)와 브랜드 이동 패턴 및 이유까지 분석하고 있어, 경쟁 대응 전략과 소구 포인트를 더 구체적으로 도출할 수 있습니다.

정연: 매체 운영 측면에서도 변화가 커요. 단순 반복적인 세팅이나 리포팅 업무를 AI와 자동화 시스템으로 덜어내니, 운영 담당자들이 캠페인의 본질적인 전략과 크리에이티브에 훨씬 더 많은 시간을 투자해 성과를 끌어올리고 있거든요.

회석: 저는 BigQuery에 축적된 유저 행동 데이터를 활용한 사례를 꼽고 싶습니다. 단순 클릭이 아니라 구매로 전환된 고객들 특유의 행동 패턴을 추출해 유사 잠재 고객을 찾아 타겟팅했습니다. 외부 툴로는 이런 깊이 있는 교차 분석이 어려운데 내부 데이터 팀이 원스톱으로 처리하니 훨씬 정교한 캠페인이 가능해졌어요.

마케팅과 한몸으로 움직이는 데이터팀

Q8. 마케팅 에이전시 안에 데이터팀이 있는 구조가 실제로 어떤 차이를 만들어내는지 설명해 주실 수 있나요?

재민: 보통 외부 데이터 컨설팅이나 솔루션 업체에 일을 맡기면 데이터 추출이나 분석 결과만 툭 던져주고 끝나는 경우가 많습니다. 하지만 우리는 인프라를 설계하는 엔지니어, 데이터를 파고드는 분석가, 그리고 실제 광고를 집행하는 마케터(AE)가 한 공간에서 같은 목표를 보며 호흡합니다. 실무자들과 함께 경험한 페인포인트, 그리고 이를 해결해나간 경험은 휘발되지 않고 티의 지식창고에 쌓이게 됩니다. 대형 식품 커머스 플랫폼을 위해 개발된 최저가 크롤링 솔루션이 다양한 커머스 프로젝트로 퍼져나가면서, 결국 여러 브랜드의 프로모션과 최저가를 시계열별로 정리한 우리만의 데이터 아카이브가 됐어요. 이제 이 정보는 신제품 출시나 프로모션 가격 전략이 필요한 여러 프로젝트에 전파되어 사용되고 있습니다. 부서 간의 막힌 데이터를 뚫고 연결해주는 역할, 그게 저희가 하는 일이죠.

정현: 부서 간의 장벽 없이 하나의 자체 툴(AEer) 안에서 모두가 동일한 지표를 보며 이야기할 수 있다는 것 자체가 정말 강력한 시너지라 생각해요. 예전에는 기준을 맞추는 데만 며칠이 걸렸다면 이제는 커뮤니케이션 비용이 확연히 줄어들었고 곧바로 어떻게 성과를 낼 것인가라는 본질적인 논의로 직행할 수 있어요.

수철: 최근 퍼포먼스 마케팅 제안 단계에서 단순 광고 성과 지표뿐만 아니라 앱 로그 기반의 유저 행동 데이터를 엔지니어링 파트와 분석 파트가 함께 딥다이브해서 제안 전략에 녹여냈어요. 광고 성과만 보는 시각이 아니라, 유저가 실제로 어떻게 움직이는지를 분석해서 제안 전략에 반영한 거죠. 이게 가능했던 건 마케터분들과 짧지 않은 기간 동안 같은 맥락을 공유하고 있었기 때문이에요. 캠페인 배경도 알고, 클라이언트의 니즈도 아는 상태에서 데이터를 보니까 전략적으로 의미 있는 포인트를 짚어낼 수 있었고, 결과적으로 수주까지 이어졌어요. 인프라-분석-마케팅이 한 몸처럼 움직여야만 진짜 임팩트가 나온다고 생각합니다.

Q9. 각자의 파트가 어떻게 연결되어 하나의 그룹으로 움직이는지 궁금해요. 그룹 안에서 유기적으로 협업했던 순간이 있다면 함께 들려주시면 좋겠습니다.

의환: 저희는 한 몸처럼 유기적인 구조로 일하고 있습니다. 먼저 개발 파트와 제가 인프라 단에서 AEer라는 튼튼한 레일을 깔고 데이터를 적재할 환경을 만듭니다. 그 기반이 없으면 분석 자체가 불가능하니까요. 100여 명의 실무자가 수십 개의 프로젝트를 운영하는 환경에서, 저희는 다양한 형태로 이들과 협업하며 문제 해결을 돕고 있어요. 그러다 보니 서로 다른 팀들이 각자 어떤 문제를 겪는지 보게 되고 그 정보를 취합해서 더 나은 방법을 찾거나 우리만의 지식창고를 만들어내게 됩니다.

수철: 그렇게 튼튼한 인프라가 구축되면 그 위에서 데이터를 딥다이브합니다. 최근 퍼포먼스 마케팅 제안 단계가 딱 그랬는데요. 단순 광고 성과 지표뿐만 아니라 앱 로그 기반의 유저 행동 데이터를 엔지니어링 파트와 분석 파트가 함께 파고들어서 제안 전략에 녹여냈어요. 감이 아닌 명확한 데이터를 근거로 제시하니 성공적인 수주로 이어졌죠. 저희 팀이 잘 움직이는 순간이 결국 그런 거라고 생각해요. 엔지니어와 마케터가 각자 따로 일하는 게 아니라, 같은 목표를 보고 함께 붙어서 작업할 때 진짜 시너지가 나오는 거죠.

정연: 그리고 이렇게 분석된 데이터와 인사이트가 실제 마케터들의 운영에 바로 적용될 수 있도록, 다시 시스템 단에서 자동화 보고서나 예산 분배 도구 등으로 구현해 내죠.

이수: 결국 ‘인프라 구축 ➔ 심층 데이터 분석 ➔ 시스템 적용 및 운영 최적화’라는 일련의 과정이 물 흐르듯 이어지는 거예요. 엔지니어와 분석가, 마케터가 각자의 섬에 있는 게 아니라 한 몸처럼 움직여야만 진짜 비즈니스 임팩트가 나오는 거라 생각해요.

그로스 엔지니어링 그룹의 일하는 원칙

Q10. 그로스 엔지니어링 그룹이 공통으로 가지고 있는 일하는 원칙이나 기준이 있다면 무엇인가요?

재민: 저희 그을 관통하는 가장 큰 원칙은 의외로 심플해요. “각자의 전문성을 믿고, 주도적으로 최선을 다하자”는 것이죠. 규칙으로 행동을 제약하기보다 공유된 목적 아래에서 각자가 가진 역량을 최대한으로 발휘하는 문화를 지향합니다. 

이주·정연: 그 위에 개발 파트 기준으로는 성능, 안정성, 최적화라는 기본 베이스를 항상 마음속에 지니며 설계해나가요. 서로를 믿고 각자의 미션에 집중하되, 그 기본기 위에서 자기 전문성에 책임을 지는 거예요.

정현: 각자가 맡은 영역에서 책임감 있게 결과를 내고 있다는 신뢰에 대한 전제가 있어야 해요. 저희 팀은 다들 자기의 역할에 대해서 누가 시키지 않아도 알아서 필요한 걸 찾아서 하는 것 같아요. 그러니까 굳이 세세하게 관리하거나 확인할 필요가 없는 거예요. 결과로 보여줘야 하니까, 오히려 더 책임감을 갖게 되는 구조인 것 같습니다.

Q11. 마지막 질문입니다. 앞으로 BAT 안에서, 더 넓게는 마케팅 업계에서 만들어가고 싶은 변화가 있다면 무엇인가요?

회석: 마케팅 현장에서는 가끔 데이터보다 개인의 경험이나 관성적인 판단에 의존해야 할 때가 생기곤 합니다. 하지만 시장이 빠르게 변하는 만큼, 저희 팀은 조금 더 객관적인 근거를 찾아서 의사결정의 불확실성을 줄이고 싶어요. 업계의 고민들을 데이터를 활용하여 근거 있는 전략으로 업계의 고질적인 문제들을 하나씩 해결하고자 합니다.

혜리: 지금까지 마케팅 업계가 노동 집약적인 구조였다면  저희는 이를 지능 집약적인 구조로 바꾸고 싶습니다. AEer의 서비스를 AI가 전략을 제안하고 실행까지 돕는 마케팅 툴로 발전시킬 계획이에요. BAT 안에서는 마케터들이 단순 반복 업무에서 완전히 해방되어 오직 본질에만 집중하게 만들고 더 넓게는 “에이전시도 이만큼의 기술력을 가질 수 있다”는 것을 증명하며 업계의 새로운 표준을 세우고 싶습니다.

수철: “데이터 분석가는 여기까지”라는 경계가 점점 사라지고 있다는 걸 직접 체감하고 있어요. 지금도 분석을 넘어서 시스템을 기획하고 구축하는 것까지 시도하고 있고 AI 덕분에 그게 현실이 되고 있거든요. 팀 차원에서는 BAT 안에서 데이터가 더 자연스럽게 흐르는 구조를 완성하고 싶어요. 마케터 옆에서 지원하는 것을 넘어 사람이 일일이 움직이지 않아도 데이터가 알아서 흘러가는 시스템. 그게 결국 “일이 잘 되는 시스템”의 완성형이라고 생각합니다.