비즈니스와 관련된 다양한 영역에 관심이 있다보니 괜찮다 싶은 곳이 보이면 일단 구독을 하는 편입니다.
항상 모든 정보를 읽는건 아니지만 그래도 가끔 보내주는 정보들을 보면서 업계의 소식과 요즘의 트렌드를 따라가려 합니다. 국내 자료들도 많이 구독하지만 비중은 외국 아티클과 뉴스가 많습니다.
오늘 아침 제 메일에 쌓여있는 메일들이 모두 영어로된 글로 화면을 꽉 차는걸 보고 너무 했나 싶은 생각도 잠깐 했습니다. 이 기회에 제가 구독하고 괜찮다 싶은 뉴스레터를 한번 소개 시켜 드리겠습니다.
한 때 인마이백 컨텐츠가 유행했는데 비슷하게 '인마이메일' 컨텐츠 입니다 😀
- 주기 : 매일
- 유무료 : 부분 유료
- 주제 : 저의 관심사 기반으로 Medium 플랫폼에 올라온 데일리 컨텐츠
- 특징 : Medium은 이미 너무 유명한 블로그 플랫폼입니다. 국내에서도 29cm, 네이버, 직방, 당근 등 다양한 기업들의 테크 블로그들의 글들이 올라오는 곳입니다. Medium이 저의 관심기반으로 컨텐츠들을 추천해주다 보니 저는 기술 기반의 내용들이 많이 보이는 편입니다. Medium 블로그를 최초에 가입하면 관심사를 선택하게 되고, 관련 관심사 기반으로 유명 인플루언서를 팔로우하게 됩니다. 다른 곳들보다 상대적으로 양질의 글들이 많이 올라오다 보니 거의 매일 보는 뉴스레터입니다.
컨텐츠 중 일부는 유료 컨텐츠인데 연간 멤버십을 하게 되면 모두 볼 수 있습니다. 저는 유료로 전환해서 보고 있는데 만족하는 편입니다.
- 주기 : 매일
- 유무료 : 무료
- 주제 : 스타트업, 성장 전략, 제품 관리 및 기술 등 다양한 비즈니스 및 기술 관련 주제
- 특징 : Reforge는 연간 멤버십이 200만원이 넘을 정도로 고가의 지식 정보 플랫폼입니다. 그 중 일부는 아티클로 발행되고 뉴스레터를 통해서도 받아볼 수 있습니다. Reforge의 창업자는 Hubspot Growth 리드이자 다양한 스타트업 창업 경험이 있는 Brian Balfour입니다. 네트워크가 넓은 만큼 업계 전문가들의 인사이트를 포함하여 인터뷰를 통한 깊이 있는 정보들도 공유를 하고 있습니다. 각 호에는 최신 트렌드와 실제 사례 연구가 포함되어 있어 실무자들에게 유용한 정보를 제공하고 있습니다.
- 주기 : 주간
- 유무료 : 무료
- 주제 : 인바운드 마케팅, 세일즈 전략, 고객 서비스, CRM 소프트웨어 사용법
- 특징 : Hubspot이 CRM과 세일즈, 마케팅 오토메이션에 특화되어 있다보니 관련된 기술 트렌드와 성공 사례들을 공유해주고 있습니다. 특히 이메일, SEO와 같이 B2B 관련된 기술들의 트렌드를 확인하기에 좋습니다.
특히나 Hubspot은 다른 곳보다 템플릿을 정리해서 공유해주는 편이어서 실무적 활용도도 높은 편입니다. 지금 컨설팅 회사에서 B2B 업무를 처음 시작하면서 초반에 많은 정보를 얻었던 것 같습니다.
- 주기 : 주 2회 (화,금)
- 유무료 : 유료 구독은 월 15$로 좀 더 다양한 정보를 받습니다.
- 주제 : 주요 주제는 제품 개발, 성장 전략, 인력 관리 등입니다. 특히 스타트업 환경에서 제품 관리와 성장에 대한 깊이 있는 조언을 제공
- 특징 : Lenny의 뉴스레터는 이미 너무 유명한 뉴스레터입니다. 전세계 스타트업과 제품 성장에 관심이 있는 70만 명이 구독하고 있습니다. 제품 관리와 성장에 대한 구체적이고 실질적인 조언을 제공합니다.
예를 들어, "성공적인 피벗 리스트"나 "B2B SaaS 회사의 GTM 모션"과 같은 주제를 다루며, 독자들에게 실질적인 인사이트를 제공합니다.레니 뉴스레터의 특징은 팟캐스트나 인터뷰 비율이 높다는 편입니다. 그리고 구독자들의 질문을 바탕으로 한 조언 형식으로 구성되어 있습니다.
Lenny는 독자들의 질문에 대한 답변을 통해 자신의 경험과 배운 점을 공유합니다.다른 어떤 뉴스레터보다 양과 질이 압도적입니다. 특히나 양이 상상이상으로 많기 때문에 날잡고 읽어야지 하다가 놓치는 경우가 많습니다. 이번 연휴에는 꼭 밀린 뉴스레터를 읽어봐야겠습니다.
- 주기 : 주 2회
- 유무료 여부 : 무료
- 주제 : 스타트업 성장 전략, 광고 캠페인, 제품 메시징, 마케팅 전략 등 입니다.
- 특징 : 주로 스타트업들이 사용할 수 있는 Growth 사례와 전략을 보내줍니다.
예를 들어, 광고 캠페인을 처음 시작하고 최적화하는 방법, 제품 메시징(LMF)을 개선하는 전략 등을 다룹니다.Growth 컨설팅을 비즈니스 모델로 하는 곳에서 발행하다 보니 실제로 그들의 컨설팅 경험들을 공유해줄 때가 많습니다. 허브스팟과 비슷하게 다양한 마케팅 주제에 대한 플레이북과 템플릿을 잘 공유해 줍니다.
-
🙋 쓰다보니 내용이 엄청 길어지네요. 원래는 한번에 알려드리고 싶었는데 욕심이었습니다.
다음에 다시 2탄으로 돌아오겠습니다!
소위 퍼포마 라고도 부르는 퍼포먼스마케팅에 대해서 얘기해보려고 합니다. 마케팅이라는 개념이 워낙 넓어서인지 다소 모호하게 느껴질 때가 많은데요.
현직 그로스마케터의 입장에서 퍼포먼스마케팅의 개요와 사례에 대해 최대한 구체적으로 소개해보겠습니다. 퍼포먼스마케터를 준비하시는 취준생 분들 혹은 이미 마케터로 일하는 분들께도 도움이 되었으면 합니다.
마케팅은 모든 곳에 있습니다. 출근 길, 지하철에서 본 스크린도어 광고도 마케팅이고요. 인스타그램 스토리를 넘기다보면 나오는 브랜드의 블랙프라이데이 할인 광고도 마케팅이죠.
거실 방에 틀어져있던 TV에서 본 TV CF도 마케팅, 핸드폰으로 뉴스를 볼 때 옆에따라다니는 이미지들도 마케팅입니다. 엊그제 무심코 온라인 커뮤니티 글에서 읽었던 글이 마케팅일 수도 있을겁니다.
Performance Marketing이란 '성과'에 초점을 맞춘 마케팅입니다. 위에 예시로 들었던 마케팅들 중에서 성과를 명확히 알 수 있는 마케팅은 무엇일까요?
1) 지하철 스크린도어
2) 인스타그램 스토리
3) TV CF
4) 온라인 뉴스 배너 광고
5) 온라인 커뮤니티 글
몇 명에게 보여졌을까요? 그리고 몇 명이 진짜로 '봤을까요?' 그리고 몇 명이 그냥 본 것 외에 (수동적 차원) 다음 행동을 했을까요? (적극적 차원)
1) 스크린도어, 3) TV CF, 5) 커뮤니티 글의 경우 광고 노출 = 광고 조회라고 보기 애매합니다.
1)의 경우는 지나쳤을 뿐 진짜 보지는 않았을 수 있으니까요.
3) 또한 마찬가지입니다. 광고가 틀어져있었을 뿐 시청자는 자리를 비웠을 수도 있고요.
5)의 경우는 글 내에 다음 행동을 유도하는 장치가 있냐 없냐에 따라 달라질 수 있겠네요.
2) 인스타그램 스토리, 4) 뉴스 배너 광고는 광고 노출수, 다음 행동을 유도하는 영역의 클릭수, 이후 전환수와 전환율 등 성과로 볼 수 있는 다양한 수치를 확인할 수 있습니다.
즉 여기서는 2) 인스타그램 스토리와 4) 뉴스 배너 광고를 퍼포먼스마케팅이라고 볼 수 있겠네요.
인스타그램 스토리나 뉴스 배너 광고의 경우 증명할 수 있습니다. 그 브랜드나 상품에 흥미가 생겼을 때, '클릭'하게 되니까요. CTA (Call To Action)이라고 하는 행동 유도 장치 버튼을 통해서요.
커머스를 예시로 들면 유입~가입~첫구매 혹은 유입~재구매를 위한 UA Marketing과 Retargeting Markteting이 있습니다.
1) 배너 광고는 불특정 다수에게 광고 콘텐츠를 노출시키는 것을 것입니다. 물론 대상의 타겟팅을 정교화할 수 있지만 (성별, 연령대 등의 인구통계학적 특징 외에 주요 관심사, 기타 행동) 최근에는 오픈 타겟이라고 하여 다른 조건 없이 광고의 모수로 삼는 경우가 많습니다. (광고 매체들의 머신 러닝이 정교화되어 알아서 타겟팅을 해주기 때문입니다.)
배너 광고 매체로는 페이스북/인스타그램(메타), 구글/유튜브, 네이버, 카카오 등이 있습니다. 페이스북 피드 광고, 인스타그램 스토리 광고, 구글/네이버/카카오의 배너 광고들이 그 예시입니다.
배너 광고는 목표에 따라 중요하게 여기는 지표 또한 달라지는데요. 목표에 따른 캠페인으로는 브랜드 인지도 향상, 유입(=트래픽) 증대를 위한 트래픽 캠페인과 가입/앱설치/매출 증대 등을 위한 전환 캠페인이 있습니다. 주요 지표로는 도달수, 노출수, 노출당비용, 클릭수, 클릭율, 클릭당비용, 전환수, 전환당비용, 전환율 등을 통해 성과를 측정할 수 있습니다.
2) 검색 광고는 배너 광고보다는 고관여자에게 광고 콘텐츠가 노출됩니다. 보통 배너 광고를 통해 상품을 인지하고 이후에 그 상품군이 필요할 때 키워드를 검색하여 구매하기 때문이죠.
즉 검색을 했을 때는 구매 직전일 가능성이 높습니다. 검색을 하는 것 자체가 이미 구매 의도가 있다는 것이니까요. 그러므로 검색 광고는 배너 광고보다 대상 모수는 적고 경쟁도가 치열하여 비용이 높지만, 상대적으로 구매로 이어지는 전환율이 높습니다.
제일 조심해야하는 점은 '숫자'입니다. 가장 중요한 만큼 가장 위험할 수 있는데요. 성과 측정에 초점을 맞추기 때문에 숫자에 현혹되기 쉽기 때문입니다. ROAS: Return On Ad Spend, 광고 수익률 - 가 주요 지표로 여겨지는 만큼 이 숫자'만을' 보게될 때를 주의해야합니다.
여기서 ROAS 1000%의 광고가 무조건 좋은 소재라고 판단할 수 없습니다. 기간과 비용 등 다른 수치들을 함께 봐야죠.
마케팅은 비용을 많이 쓸수록 난이도가 높아지므로 ROAS 수치만으로 판단할 수는 없습니다.
퍼포먼스마케팅과 그로스마케팅의 가장 큰 공통점은 '숫자'로 대변되는 데이터를 근거로 한다는 것입니다. 메타 광고의 매출 증대를 목표 전환 캠페인에서는 광고 비용과 ROAS 등의 수치를 중요시할 것이고요.
그로스마케팅의 경우 리텐션(재방문율/재구매율)을 개선하고자 했을 때는 재방문수, 재구매수의 절대적인 수치와 전체 방문 중 재방문수의 비중, 전체 구매 중 재구매수의 비중 등 상대적인 수치를 봐야할 것입니다.
마케팅을 하는 경우는 크게 인하우스와 대행사(에이전시)로 나뉩니다. 인하우스에서 퍼포먼스마케터로 광고 매체를 직접 운영하거나 (self-serving이라고 많이들 표현합니다.) 대행사와 논의하며 일하는 경우가 있고요. 대행사에서 퍼포마를 한다면 여러 고객사들을 맡아서 다양한 광고매체를 경험할 수 있습니다.
보통 전자(인하우스)에서 퍼포먼스마케터로 일하는 경우 그로스마케터처럼 일하는 상황도 자주 발생합니다. 매출 성장에 필요한 모든 마케팅들을 도맡아서 하다보면 꼭 유상 광고 매체만 운영하는 것이 아닌, 인스타그램도 관리하고, 제휴 마케팅도 진행하고, 프로모션도 관리하고, 자사몰 상세페이지를 기획할 수도 있기 때문이죠.
데이터를 기반으로 한 의사결정과 마케팅을 하기 위해서 데이터 환경이 구축되어 있어야 합니다. 퍼포먼스마케팅에서 주로 다루는 광고 매체들의 성과의 명확한 분석을 위해서는 기여(Attribution)와 접점(Touchpoints)에 대한 결정과 설정이 필요하기 때문입니다.
이를 위해 MMP(Mobile Measurement Partner)인 에어브릿지(Airbridge)나 앱스팔라이어(Appsflyer), 애드저스트(Ajdust)를 활용하는 것이고요. CRM 마케팅과의 연계 캠페인을 운영하기 위해서 브레이즈(Braze)와의 연동을 구현하기도 합니다.
그리고 결국 궁극적인 전환 성과를 판단하기 위해서 DB Data (User Data)를 연동하여 비교하기도 하죠. 데이터 분석의 깊이에 따라 사용자에 대한 이해도가 달라지는 만큼 데이터 파이프라인 구축은 중요합니다.
데이터파이프라인 구축을 지원하는
풀스택 마케팅 컨설팅펌 마티니아이오
정답은 둘 다입니다. 기업의 성장을 위해 어떠한 수단이든 동원한다는 해킹(Hacking)의 개념 하에 그로스 마케팅이 속하기 때문입니다. '성장'이라는 말이 모호하게 느껴지지만, 결국 성장은 기업의 수익을 올리는 것이라 볼 수 있습니다. (매출, MAU, 회원수, 앱설치수 등 대다수의 지표가 결국은 수익화를 위함이죠.)
전 지금이야 그로스마케터이지만 그전에는 그냥 마케터였고요. 매출을 올릴 수 있는 모든 활동이 마케팅이라고 생각했고요. 실제로 18년도 글을 보니 다양한 일을 한다고 써뒀네요.
지금 와서 보니 신생 브랜드의 브랜드 마케터라고 볼 수 있겠습니다.
크게는 MD와 콘텐츠 마케터, 그리고 광고 운영도 했으므로 퍼포먼스 마케터의 업무가 섞여있던 것으로...
즉 저는 경험적으로는 그로스마케팅이 성장을 위해 무엇이든 하는 마케팅이라고 생각하는데요! ( MD가 M:뭐든지 D:다한다로 해석된다는 것처럼요.) 신기하게도 그로스마케팅이 뭔지 몰랐어도 열심히 성장에 집착하며 살다 보니 진짜 그로스마케터가 되었습니다.
성장(Growth)과 해킹이 결합된 단어, 그로스 해킹에서 비롯된 마케팅 방법으로서 고객의 반응에 따라 제품 및 서비스를 수정해 나가는 방식으로 시장이 원하는 제품, 고객이 원하는 커뮤니케이션 채널을 찾아가는 것을 의미합니다. 이렇게 나오네요!
https://www.google.com/search?q=그로스마케팅
이외 광고 영역을 살펴보고 그 주체나 설명을 보면, 그로스마케팅과 퍼포먼스마케팅의 연관성도 엿볼 수 있네요.
그로스해킹이라는 개념은 Sean Ellis와 Andrew Chen에 의해 알려졌는데요. 전통적인 비즈니스(e.g. 제조업 등)에서 분리되어 있던 상품팀과 마케팅팀이 디지털 프로덕트(e.g. 페이스북과 같은 서비스)에서는 경계가 모호해졌고 프로덕트의 성장을 위해 이를 따로 구분하지 않은 그로스팀이 탄생합니다. (e.g. 2008년 페이스북의 그로스팀) 페이스북의 그로스팀이 이뤄낸 성과는 따로 다뤄 보도록 하겠습니다.
(참조) 페이스북 그로스팀의 탄생: 10억 명의 사용자를 확보하는 방법
https://gopractice.io/skills/growth_hacking/
위에서 '그로스'의 탄생이 전통적인 비즈니스에서 최근 디지털 프로덕트의 변화에 의한 것이라 언급했는데요. 그 부분을 비즈니스 프로세스로도 설명할 수 있겠습니다. 과거, 사업을 만드는 과정은 일방향에 가까웠습니다. 기획을 한 후, 그에 맞춰 생산을 하고, 판매를 했죠.
하지만 최근에는 선형이라고 보기 어렵습니다. 유통/판매 측면에서는 '크라우드펀딩'처럼 기획을 하고 판매를 한 뒤 수량에 맞춰 생산을 하는 경우도 있고요. 홈페이지에 썸네일을 여러 개 올려 클릭률을 확인한 후 반응이 제일 좋은 것으로 확정하는 것도 선형보다는 원형에 가깝다고 볼 수 있습니다.
예약구매, 클릭, 후기 등으로 소비자들의 피드백을 반영, 개선점을 보완하여 상품을 재생산하거나 서비스를 재배포하며 원형의 프로세스를 구성하죠.
애자일과 스프린트의 개념에 대해서 말하자면 또 하나의 글이 필요하겠지만, 실질적으로 그로스해킹/그로스마케팅 씬에서 해석되는 내용은 가볍고 빠르게 실험 하나 운영해 보자 - 에 가깝습니다. 이 그로스해킹 스프린트는 위의 원형 비즈니스 프로세스와도 매우 유사한데요.
문제를 정의하고 가설을 수립한 뒤 실험을 운영해서 결과를 도출하고 또 그 결과에서 문제를 정의하여... 계속해서 문제에서 개선점을 찾아 실험안을 운영하는 것이 그로스 스프린트입니다. 결국 모든 것은 맞닿아있죠!
개념만 얘기하면 모호하니 사례를 말씀드릴게요. 커머스 쿠폰 마케팅 관련 그로스 스프린트 제안 건인데요.
왼쪽의 앰플리튜드(Amplitude, Product Analytics)를 통해서 매출에 기여하고 있는 쿠폰 현황을 분석하고 오른쪽의 쿠폰을 통해 구매한 유저와 쿠폰 없이도 구매한 유저를 구분하여 재구매율을 확인해 보는 것입니다.
*하단의 예시 중에는 데이터 확인 부분에 속합니다.
제품의 기획-생산-판매 외에 우리에게 더 친숙하고 유명한 서비스들의 사례를 들어볼게요.
위의 그로스해킹의 대표적인 사례 중, 그로스마케팅에 가깝다고 할 수 있는 것이 바로 드롭박스의 '친구추천'입니다. 친구추천 꽤 자주 보고 계시지 않으신가요? '추천'이라는 기능을 활용하기 때문에 바이럴마케팅의 일환으로도 볼 수 있습니다. 마켓컬리에서도 무신사에서도 볼 수 있네요!
위에서 언급했던 스프린트 하나에도 필요한 직군이 5명이 필요합니다.
데이터를 보는 데이터 분석가, 서비스의 개선안을 기획하는 기획자, 이를 디자인해 주는 디자이너, 개발로 구현해 내는 개발자, 개선된 기능을 홍보해 주는 마케터까지... 최소 3개~5개의 직무가 협업하여하는 일이죠.
양승화 님의 그로스해킹 책에서는 그로스해킹을 이처럼 정의합니다.
크로스펑셔널한 직군의 팀원들이 모여서
핵심지표를 중심으로 실험(스프린트)을 통해 배우고
이를 빠르게 반복하며 제품/서비스를 성장(Growth!)시키는 것
그로스매니저/그로스컨설턴트로 재직하면서 양승화 님의 '그로스해킹'책을 정말 인상 깊게 읽었습니다. 이를 PPT 자료로 만들어 회사 내부적으로 공유회를 열기도 했고요. 앞으로 브런치에 책 내용에 회사(마티니)의 업무, 제 개인적인 경험을 녹여서 계속해서 글을 써보도록 할게요!
풀스택 마케팅 컨설팅펌 마티니아이오
데이터 분석 관련 강의를 하게 되면 항상 하는 질문 입니다. '분석이 뭔가요?'
아마 이 글을 보는 많은 분들은 각자의 경험으로 답변들을 생각 하셨을 겁니다. 분석은 딱 떨어지는 정의가 아닌 일 하기 방식과 관련이 있다 보니 다양한 답변이 등장할 수 있고 그 답변이 모두 정답이 됩니다.
그러다 보니 분석을 처음 시작하는 사람들 혹은 이제 분석을 한지 얼마 안 된 분들은 분석이 막막하고 거창해 보입니다. 저 역시도 분석을 시작하고 한참 동안이나 분석을 멋진 무언가로 생각했습니다.
물론 데이터 사이언스와 같이 어려운 지식들을 가지는 예측이나 고급 통계적 지식을 활용하는 분석도 있지만 우리 일상적 비즈니스의 분석은 생각보다 어렵지 않습니다.
분석은 나눌 (분)에 쪼갤 (석) 한자로 구성되어 있습니다.간단한 풀이는 나누고 쪼개는 걸 분석이라 정의하고 있습니다.좀 더 덧붙이자면, 복잡한 내용을 이해하기 위해 대상을 이루는 요소로 나누어서 생각하는 것을 '분석'이라고 합니다.
얼마전 패스트 푸드 서비스의 앱 구매 활성화를 목적으로 분석을 진행하였습니다. 먼저 특정 시간대 별 매출 차이가 있는지 확인했습니다. 앱 매출은 점심, 저녁 시간에 활발해지는 것을 확인했습니다.
앱의 어떤 주문이 활성화되는지 확인해보니,배달 주문과 원격 주문 모두에서 점심 저녁 시간대 활발해지는 것을 확인했습니다. 배달과 원격 주문은 지역과 연령에 따라 주문 형태가 달라질 수 있을 것 같았습니다. 지역별로 나누어서 분석을 해보니, 배달 주문은 직장인들이 모여있는 여의도, 강남, 구로, 종로 일대에서 주문이 더 많았고, 원격주문은 학생들이 많은 대학가 지역에서 높았습니다. 거기에 시간을 기준으로 다시 나누어 보니,배달 주문과 원격주문이 상승하는 시간대가 다른 것을 확인했습니다. 직장인들이 대상이 되는 배달 주문은 11시 주문이 높았고 원격주문은 12시가 높아졌습니다. 직장인과 대학생들이 주문 패턴이 높다면 주말 / 주중으로 나누어 보면 또 다른 패턴이 나올 것 같습니다.주말은 베드타운 위주에서 주문이 높아지는 것을 확인하였습니다. 이제 나누어진 조건을 조합하여 우리 고객의 특성을 분류하고 거기에 맞는 CRM 전략을 세울 수 있었습니다.
전체 고객
= 배달 주문 고객 + 원격 주문 고객
= 지열별 주문 고객
= 시간대별 주문 고객
= 요일별 주문 고객
+날씨별 고객, 쿠폰별 고객, 상품별 고객, 프로모션별 고객, 단품/세트 고객, 가격대별 고객, 주문횟수별 고객
앞서의 예시와 더해서 나누어서 분석해 볼 조건들은 무수히 많습니다.
특별히 대단한 분석을 진행한 건 아닙니다. 그저 전체 고객이라는 복잡한 내용을 적절한 기준으로 나누어서 생각해보니 고객 특성을 이해할 수 있었습니다.
왜 유니콘 스타트업에서는 앰플리튜드를 쓰는 그로스마케터를 구할까?
웹/앱 서비스 내에서 사용자들의 행동을 분석할 수 있는 프로덕트 애널리틱스(Product Analytics), 서비스 분석 툴입니다.
앰플리튜드는 프로덕트 애널리틱스(Product Analytics)입니다. 단어가 영어일 뿐, 직역하면 서비스 분석 솔루션/툴입니다. 온라인 비즈니스, 서비스, 프로덕트, 마케팅 서비스들을 도와주는 기능들을 솔루션(Solution)/툴(Tool)이라고 많이 지칭합니다. 특히, 마케팅 쪽에서는 마테크 솔루션(Mar-tech Solution), 마테크 툴(Mar-tech Tool)이라고도 하죠.
가장 유명한 마테크 솔루션으로는 구글 애널리틱스(Google Analytics)가 있습니다. 무료인 만큼 대중성이 높고 자사몰이 있는 웹 서비스를 하신다면 들어보셨을 것입니다. 이전에는 앱이 약하다는 단점이 있었지만, 최근 GA4는 앱까지 커버합니다.
GA4가 앱까지 커버한다 해도 아직 앱 분석의 디테일은 앰플리튜드가 강합니다. 즉 GA는 웹(Web)>앱(App), Amplitude는 앱(App)>웹(Web)의 순으로 장점이 있습니다.
또한 구글애널리틱스는 사용자를 서비스 웹/앱에 들어오게 하는 유입에 초점이 맞춰져있습니다. 사용자 획득이라고 하여, UA(User Acquisition)으로도 이야기하는데요. 모든 서비스의 첫 시작이라고 할 수 있습니다.
유튜브를 구독하기 위해서, 무신사에서 상품을 사기 위해서, 밀리의 서재에서 책을 읽기 위해서는 결국 유튜브, 무신사, 밀리의 서재에 유입되어야 하니까요. 즉 목표가 되는 전환을 위해서는 유입이 필수 요건입니다.
일례로 구글애널리틱스는 사용자의 유입을 만들어내는 채널(Organic, Paid, Refferal)의 데이터를 세부적으로 확인할 수 있습니다. (물론 앰플리튜드로도 확인할 수 있습니다.)
UA 관점 (User Acquisition) 이후로 언급되는 것은 리텐션 (Retention)인데요. 첫 방문, 첫구매로 사용자의 행동이 끝난다면 서비스가 장기적으로 살아남기는 어렵겠죠? 이에 따라 두 번, 세 번 방문하고 또 전환되는 재방문과 재구매가 중요합니다.
(*코호트: 동일 특성을 가진 사용자의 집단화) 충성 사용자들의 코호트를 분석하여 특성을 파악하고 다른 사용자들이 충성 사용자가 될 수 있도록 유도할 수 있습니다.
즉, 구글 애널리틱스가 UA에 강점이 있는 솔루션이라면 앰플리튜드는 리텐션에 강점이 있는 솔루션이라고도 이야기할 수 있겠습니다. (물론 GA도 Retention을 볼 수 있고, 앰플리튜드도 UA를 볼 수 있습니다.)
스타트업 쪽에서 데이터 분석 역량을 요하는 직군에게는 우대 사항 혹은 자격 요건이 됩니다. 오늘 기준 원티드에서 찾아본 채용 공고인데요.
채널톡의 마케팅 매니저 채용 공고 내에도 우대사항으로 세일즈포스(아마 태블로겠죠?), 앰플리튜드 등 데이터 솔루션을 통한 성과 측정이 언급됩니다.
왜 앱 데이터를 분석해야 할까요? 더 좋은 앱을 만들기 위해서겠죠. 앱 데이터는 무엇으로 구성될까요? 사용자들의 정보와 행동에 의해서 앱 데이터가 쌓입니다.
사용자들이 불편을 느끼는 지점이 사용자들이 이탈하는 지점일테고, 불편을 개선하면 이탈률이 낮아지고 잔존율이 높아지며, 잔존율이 높아지면 전환의 대상이 되는 모수가 많아지기 때문입니다. 즉 더 많은 전환을 유도할 수 있게되어 서비스가 목표하는 KPI - 매출이나 회원수 등 - 을 달성할 수 있게됩니다.
앰플리튜드를 사용하면
대시보드는 여러 차트의 구성으로 이루어져있는데요.
예를 들어 UA 대시보드라고 하면, 첫방문수 추이(차트1), 가입수 추이(차트2), 첫구매수 추이(차트3), 첫방문을 광고 매체 별로 쪼갠 것(차트1-1) 등으로 구성될 수 있겠습니다.
이외 데이터에 대한 접근성을 높여서 회사 구성원들의 데이터 기반 의사 결정 (data-driven) 의사결정을 돕습니다. 데이터를 sql, python으로만 추출하는 경우 이 데이터 스킬셋이 있는 사람들만 데이터를 추출할 수 있는데요. Amplitude는 한 번 도입해두면 차트를 그리는 것이 훨씬 쉬워, 원하는 것을 보기도 쉽습니다.
마지막으로 데이터의 연동이 빠르다는 것 또한 장점입니다. 어제의 매출 데이터도, 오늘 오전의 유입 데이터도 바로 확인할 수 있습니다.
마케터와 서비스기획자(PM/PO), 데이터 분석가(Data Analyst), UIUX 디자이너 등 여러 직군에서 활용할 수 있습니다.
전체 구성원들이 함께 확인할 수 있는 KPI 대시보드
마케터가 사용하는 마케팅 대시보드
서비스기획자(PM)이 사용하는 프로덕트 대시보드
디자이너가 사용하는 디자인 대시보드 등이 있습니다.
무료 버전이나 구독 모델을 사용해볼 수 있습니다.
앰플리튜드 정규 도입은 한국 공식 리셀러인 AB180/CJ맥소노미를 통해 진행할 수 있습니다. 이후 기획자들의 택소노미 설계와 개발자들의 구현을 통해 도입이 완료됩니다.
앰플리튜드를 한 번 사용하면 없는 것을 상상하기 어렵습니다. 앰플리튜드의 효능을 체감하는 곳들은 많습니다. 29CM, 무신사, SSG, 올리브영 등 '앱'이 중요한 주요 커머스들은 많이들 사용합니다!
(참조) 29CM의 데이터 그로스팀의 데이터 분석가 분이 쓰신 글
앰플리튜드의 한국 공식 판권은 AB180과 CJMaxonomy(CJ맥소노미)가 가지고 있습니다. 제가 재직 중인 마티니아이오(martinee.io)는 컨설팅펌입니다.
마티니의 그로스팀은 Amplitude를 도입할 때 택소노미 설계를 도와주고 데이터 파이프라인을 구축을 지원하며, 대시보드의 기획과 제작을 돕습니다. 즉 앰플리튜드가 '참고서'라고 했을 때 이를 판매하는 서점은 AB180과 CJ맥소노라면, 마티니는 과외 선생님입니다. 어떤 식으로 과외가 진행되는지, 시연을 원하시는 분들은 연락주세요!
지표에 관해 경험한 여러 이야기를 가져와 봤습니다.
인간의 욕심은 끝이 없습니다. 돈은 많이 벌고 싶지만 여유로워지고 싶고, 좋은 지위와 명예도 가지길 원합니다. 하지만 이 모든 것들을 한 번에 이룰 수 없습니다. 차근차근 하나씩 달성 계획을 세워야 합니다. 하물며 개인의 관점에서도 한 번에 할 수 없는데 더 복잡한 비즈니스에서 어떻게 모든 지표가 좋아지길 바랄 수 있을까요. 분명 모든 지표가 중요한 건 맞지만 비즈니스가 처한 상황과 목표에 따라 적절한 지표를 정하는 것이 필요합니다.
'고객들에게 만족을 주는 서비스 만들기'는 좋은 목표이지만 데이터화 하기 어려운 목표입니다. 만족이라는 기준은 매출이 될 수도 회원 수가 될 수도 트래픽이 될 수도 있습니다.
앞의 단계에서 비즈니스의 상황과 목표가 정해졌다면 목표들을 지표화 할 수 있습니다.
지표를 나누는 방법은 많지만 주로 '집계'와 '비율'로 표현할 수 있습니다.추가로 광고 비용에 대한 효과 관점의 '비용' 지표와 지표의 구성 요소로 나누는 '파생' 지표로 구분할 수 있습니다.
예를 들어
- 오늘 방문한 유저 수 : 집계
- 방문 유저 대비 구매 수 : 비율
- 오늘 방문한 유저의 획득 단가 : 비용
- 방문한 유저는 광고 유저와 자연 방문 유저로 구분 : 파생
역시나 상황에 따라 어떤 형태의 지표를 세우고 바라볼지 정해야 합니다.
서비스를 사용하는 사람도 서비스가 있는 세상도 매일 변화하는데 서비스라고 고정적일 수가 없습니다. 그렇기 때문에 데이터 분석과 지표는 닭과 달걀의 관계입니다. 데이터 분석은 지표의 변화로부터 상황을 이해하는 것이고, 데이터 분석의 결과로 우리 서비스에 적절한 지표의 기준들이 다시 수립되어야 합니다.
메타도 구글도 모두 목표 지표가 있습니다. 그렇다면 해당 지표를 우리 서비스에 가져온다면 좋은 지표가 될 수 있을까요?좀 더 이해를 편하게 하기 위해 축구팀의 지표는 골, 슈팅 성공율, 패스 성공율, 점유율 등이 있습니다. 이를 우리 서비스에 가지고 오면 되나요?축구팀과 메타 처럼 다른 서비스의 좋아 보이는 지표도 우리 서비스에 맞지 않을 수 있습니다. 우리 서비스에 맞는 지표를 찾아야 합니다. 토스가 MAU로 비즈니스 성장을 기사에서 표현했다고 하더라도, 우리도 MAU를 쓴다면 [린 분석]에서 얘기하는 허상 지표가 될 뿐입니다.
좋은 소재 만드는 방법이 있어요?
“아니, 없어요.”
없었어요?
“없어요!!!”
아~ 있었는데?
“아니, 그냥 없어요!!!”
맞아요. 없어요.
아니, 좋은 소재 만드는 방법을 논하기 전에 근본적인 물음을 하나 던져 볼까요? 퍼포먼스 마케팅이 뭐죠?
저마다의 정의가 조금씩은 다를 수 있겠지만 ‘광고의 성과를 고도화하기 위한 끊임없는 테스트와 검증의 반복’이라 할 수 있을 것 같아요.
소재를 게재하고, 성과를 분석하고, 성과에 따라 즉각적으로 대응하고, 새로운 매체를 끊임없이 발굴하고, 타게팅을 변경하고, 예산을 다시 분배하는 등의 총체적인 업무의 반복이 퍼포먼스 마케팅이라고 할 수 있겠지요.
물론 요즘은 많은매체들이 머신 러닝으로 자동으로 최적화합니다. 하지만 데이터를 해석하고, 다음 방향성을 제시하고, 이슈에 대응하는 건 여전히 퍼포먼스 마케터와기획자의 몫입니다. 그렇기에 광고 소재의 성과는 마냥 머신이 열일 하기를 바라는 기도 메타가 아닌 사람, 즉 우리 광고쟁이들의 몫이죠.
그렇기에 우리는모든 방법을 동원해서 모객 단가를 낮추고, 더 많은 타겟에게 도달하고,더 많은 전환을 일으키고, 더 많은 매출을 올리기 위해 노력합니다. 바꿔 말해 KPI라는 데이터를 달성하기 위함이죠. 그렇다면 좋은 소재는 어떤 소재일까요? 당연히 좋은 성과, 즉 목표하는 데이터를 달성하는 소재겠죠?
그래서 우리는좋은 소재와 나쁜 소재를 성과, 즉 데이터에 기반을 두고 구분합니다.
정량적인 구분은 명확하지만, 정성적인 판단은 어려운 상황이죠. 과거 전통적인 마케팅이나 성과를 측정할 수 없는 브랜딩 목적의 광고 소재는 비교적 좋고 나쁨을 구분하기에 용이했다면 지금의 퍼포먼스 마케팅에서의 좋은 소재를 구분하는 건 참 어려운 일입니다.
자, A라는 소재가 있다고 가정해 봅시다. 미적으로 보기 좋고, 디자인이 세련되고, 브랜드의USP를 잘 담고 있는 소재가 있습니다. 광고주께서도 만족스러워합니다. 그런데 막상 이 소재의 데이터를 까봤더니 노출도, 단가도, ROAS도 아주 엉망이네요? 그렇다면 이 소재가 정말 좋은 소재가 맞을까요?
그럼, 반대의 경우,B 소재를 가정해 볼게요. 일정이 너무 촉박한 나머지 퀄리티도 떨어지고, 카피도 뭔가 애매하고, 브랜드 톤 앤 매너와도 어울리지 않는 소재를어쩔 수 없이 게재하게 됐습니다. (실제로 현업에서는 이런 일은 없습니다. ㅎㅎ 적어도 마티니 내에서는 말이죠) 그런데 이게 웬일인가요? 성과가 너무 잘 나오고 있는데요? 그럼 이건 좋은 소재일까요? 나쁜 소재일까요?
참 애매해 보여도 답은 간단합니다.
모로 가도 서울만 가면 된다는 말이 있듯이, 뭐가 됐든 좋은 성과를 기록한 B 소재가 더 좋은 소재가 되겠습니다. 물론 원론적인 말이기 때문에 정답이 명확합니다. 하지만, 이 정답을 달성할 수 있는 명확한 방법은 없는데요. 그렇기 때문에 우리는 ‘정답에 가까울 수 있도록’ 여러 조건을 갖춘 소재를 제작해야 합니다. 그 조건을 하나씩 파볼게요.
아무리 멋진 카피를 작성하더라도, 아무리 멋지고 예쁜 디자인을 하더라도 광고는 결코 예술이나 작품이 아닙니다. 철저히 상업이고 판매를 촉진하기 위한 수단이죠. 그렇기 때문에 우리는 ‘세일즈’라는 명확한 목적을 담아 광고 소재를 기획해야 합니다.
우리가 목적을 담지 않으면 고객의 입장에서는 “그래서 하고 싶은 말이 뭐야?”라는 느낌이 들겠죠? 쉽게 말해 고객이 우리의 제품이나 서비스를 구매해야만 하는 명분, 그 알맹이가 있어야만 온전히 광고의 기능을 할 수 있고, 나아가 구매까지 연결될 수 있습니다.
퍼포먼스 마케팅의 플랫폼은 디지털 채널이죠. 디지털 채널의 특성은 과거 전통 매체와는 다르게 휘발성이 강하고, 빠르게 지나가는 경우가 많습니다.
따라서 광고 소재에 집중할 시간적 여유도 적을 뿐더러 타겟 유저의 이목을 끌기도 쉽지 않죠. 그렇기 때문에 되도록 한눈에 잘 읽히도록 간결하게 커뮤니케이션하는 게 유리합니다. 내가 쓴 카피를 소리 내 읽어보고, 비율을 축소해서 작은 지면에서도 한 눈에 읽히는지 스스로 체크해보세요. 별거 아닌 것 같아도 꽤 도움이 된답니다.
고객은 생각보다 우리에게 관심이 많지 않습니다. 안타깝지만 사실이죠. 그렇기에 우리는 한 마디를 던지더라도 값지게, 알뜰하게 써야 합니다. 다행히 우리의 광고가 고객에게 도달했다고 생각해 봅시다. 그런데 의미가 불분명해요.
고객은 우리가 전하려는 의미를 탐구하고, 해석하고, 유추하지 않아요. 그냥 빠르게 지나갈 뿐이죠. 그렇기에 우리는 가급적 오인지의 요소 없이, 여러 방면으로 해석될 일 없이 분명하고 정확하게 커뮤니케이션하는 게 중요해요.
디지털 플랫폼 뿐만 아니라 어떤 미디어도 오직 ‘광고만을 위한’ 지면은 많지 않습니다. 브라우저 내에도, 옥외 광고판 주변에도, 우리집 거실에 놓인 TV에도 모두 시선을 분산시킬 수 있는 것들것 산재해 있죠.
그렇기에 광고 소재는 가독성과 가시성이 정말 중요합니다. 그래서 소재를 기획할 때도 되도록 노출 지면을 미리 확인하고 해당 지면에 잘 노출되기 위해서는 어떠한 컬러와 레이아웃, 어떤 컨셉으로 노출될지를 예측하고 기획해야 더 나은 성과를 기대할 수가 있습니다. 광고주의 가이드와 매체의 가이드를 해치지 않는 선에서 여러분의 기획력을 마음껏 펼쳐보세요.
잘 보이게, 간결하고 정확하게 커뮤니케이션 하더라도 고객의 입장에서는 광고는 그저 광고일 뿐입니다. 그렇기 때문에 그들의 이목을 끌 수 있는 방법은 그들이 듣고 싶어 하는 이야기를 해주는 것이죠.
게임 광고 소재를 예로 들어 볼게요.
‘새로 출시한 우리 게임이 엄청 재미있으니 다운받아보세요!’ 와 ‘우리의 신상 게임을 다운받으면 어마어마한 보상을 드려요!’ 중에 어떤 메시지가 더 높은 성과를 기록할까요?
당연히 팩트의 나열인 전자보다는 유저 입장에서 베네핏이 강조된 후자의 메시지가 더 반응률이 높겠죠? (물론, 이건 단적인 예시일 뿐 모든 상황에서 적용되는 건 아닌 점은 참고해 주세요)
사실 이건 퍼포먼스 마케팅뿐만 아니라 브랜딩 캠페인을 포함한 모든 광고 홍보에 적용이 되는 부분이지요. 하지만 우리는 이 부분을 놓치는 경우가 굉장히 많아서 여러 번 강조해도 지나침이 없답니다.
만들어진 광고 소재를 광고주께 제안하기 전에 한 번 더 체크해보세요. 내가 고객의 입장이라면, 이 광고가 과연 매력적으로 보일까를 말이죠.
물론 이 외에도 갖춰야 할 것들을 꼽자면 여러 가지가 있을 수 있겠지만 기본적으로는 위의 내용들에 충실하면 적어도 정답은 맞히진 못하더라도 실패할 확률은 많이 줄어들 수 있을 거예요.
광고 기획자든, 퍼포먼스 마케터든 누구도 감히 마케팅의 정답을 말할 수는 없을 겁니다. 항상 입버릇처럼 하는 말이지만 우리 광고쟁이들은 정답을 말하는 사람이 아닙니다. 정답이 아닌 것을 정답으로만들어가는 사람들이지요. 데이터를 해석하고, 테스트의 구조를 계획하고, 인사이트를 도출해서 끊임없이 캠페인의 성과를 개선하는 게 우리가 할 수 있는 최선의 노력이자 방법이 될 겁니다.
이 짧은 글이 여러분의 광고 여정에서 조금의 도움이 되길 바랄게요. 고맙습니다.
왜 다들 데이터드리븐을 이야기할까요?
데이터드리븐의 중요성을 논하기 전에, 어제 회의를 떠올려 보면... 회의 때 다들 어떤 이야기를 하고 계신가요?
눈치채셨나요?
같은 상황(가입 과정, UI, 상품 매출, 체류시간)에 대해서 이야기하고 있는데 숫자가 더해진 것만으로 내용이 구체적이 되었습니다.
As-is의 상황은 상황 설명과 추측으로만 이루어져 특정 팀을 탓하는 것처럼 들리기도 하네요. (마케팅팀, UIUX팀, 상품팀, 프로덕트팀...에게 잘못을 전가하는 느낌이 묘하게 들죠.) 이에 반해 To-be의 상황은 상황 설명에 숫자가 붙고 비교군이 명확해지면서 문제를 정확히 직시하게 해줍니다.
✅ 카카오로 간편 가입하면 핸드폰 인증은 필요 없으니, UI에서 카카오를 좀 더 강조한 A/B 테스트해보시죠!
✅ 개선안 내에서 어떤 영역의 클릭률이 가장 높고 어느 영역에서 이탈하는지 추가 분석해볼까요?
✅ 클릭률이 높은 상품들의 썸네일들을 모아서 다른 점이 있는지 인사이트 찾고, 이미지 A/B 테스트 운영해보죠!
✅ 신규 캠페인에 의해서 유입 채널별 비중이 달라졌는지 확인해보고 사용자 특성 및 체류시간 점검해보죠.
구성원 별로 한 상황에 대해 여러 측면의 추측을 하는 것이 아닌, 동일한 시야를 가질 수 있게 되어 의견 교환이 훨씬 원활하고 빠르게 같은 결론에 도달할 수 있죠. 결국 데이터드리븐은 내 머릿속 드리븐이 아닌, 팀장님 머릿속 드리븐도 아닌, 사장님 머릿속 드리븐(....!)도 아닌
데이터드리븐의 중요성은 인지했다면 그 다음은 무엇일까요?
데이터드리븐 의사결정과 그것이 가능해지는 환경을 구축하는 것이겠죠.
보통은 엑셀, 구글 스프레드시트, PPT등으로 데이터를 봅니다. 엑셀/스프레드 시트의 단점은 숫자의 나열이기에 표를 해석하기가 쉽지 않다는 것이고 (물론 엑셀로 그래프를 구현할 수 있지만요!) 엑셀/시트를 raw data로 그래프를 그려 PPT에 얹으면 보기는 좋아지만 수작업이 필요하다는 것이 단점입니다.
특히 마케터들은 다수의 광고 매체와 MMP, 내부 DB의 데이터를 함께 봐야하므로 아무리 pivot을 돌린다고 해도 재가공해야하는 rawdata가 꽤나 많고 일간/주간 성과를 정리하는 것이 결국 시간을 왕창 잡아먹는 업무가 되죠.
결국 대시보드의 가장 좋은 점은 '자동화' 입니다. 직접 다운로드 받던 데이터들은 API로 호출해서 받아내고, 직접 정제하던 데이터들 또한 미리 정의해둔 데이터 스키마에 의해 분류되어 적재됩니다. 그래프, 필터, 전일/전주/전월 추이 등 형식을 미리 정해두면 데이터가 자동 업데이트되며 값은 채워집니다.
태블로 대시보드를 제작하기 위해는 4단계의 프로세스가 필요합니다.
환경 점검 > 데이터 수집 > 데이터 저장 > 데이터 시각화인데요.
자세한 내용은 다음 번 글에서 다뤄보도록 하겠습니다!
데이터 분석에 있어 좋은 지표를 수립하는 건 필수적입니다.
다만 문제는 봐야 할 지표가 많기 때문에 어떤 지표부터 봐야 할지 막막한 경우가 많습니다.상황에 적절한 지표를 세우기만 해도 비즈니스 분석 문제는 훨씬 간단해지고 쉬워집니다. 지표가 없다는 것은 고장 난 나침반으로 북쪽을 찾아간다는 것과 똑같습니다.
이러한 관점에서 AARRR 프레임워크는 하나의 가이드가 될 수 있습니다.AARRR은 서비스를 사용하는 유저의 행동 관점으로 나누어 비즈니스 상황을 점검할 수 있게 도와줍니다.
다만, AARRR에는 유입 관점의 광고 지표 단계가 없다 보니 Awareness(인지) 단계를 추가하여 A+AARRR 프레임워크로 각 단계별 주요하게 활용하는 지표, 그리고 지표들의 관계를 아래의 그림처럼 표현하였습니다.
페이드, 바이럴, 인플루언서 등 다양한 광고를 통해 유저는 서비스를 인지합니다. 고객은 인지에 대한 결과를 검색이나 클릭과 같은 행동으로 표현합니다.
- 광고비 + ROAS
- 노출 + CPM
- 클릭 + CTR, CPC, CVR
유저가 서비스에 들어오는 순간을 나타냅니다. 유저 획득 관점의 효과를 분석하기 위해 아래와 같은 지표들을 살펴볼 수 있습니다.
- 유저수 + DAU, MAU
- 앱 다운로드 + CPI
- 세션수 + 세션 시간
유저가 서비스를 탐색 하고 서비스를 이해하는 순간을 나타냅니다.
- 페이지뷰 + 이탈율, 종료율
- 회원가입 + 전환율
- 아이템뷰 + 전환율
비즈니스의 최종 목적인 매출을 달성하는 단계를 나타냅니다.구매에 영향을 주거나 비즈니스 건전성 지표들을 활용합니다.
- 거래수 + 거래유저
- 매출 + ARPU, LTV
유저가 서비스를 다시 사용하는 단계를 나타냅니다.상품의 가격이나 특성에 따라 방문이나 구매 주기가 달라질 수 있습니다.
- 리텐션율 + 방문리텐션, 구매리텐션
- 사용주기
서비스가 건강하게 성장하기 위해서는 바이럴을 통한 자연유저의 유입이 필수적입니다.바이럴이 잘 되고 있는지 혹은 친구 추천 등의 기능 성과를 판단할 수 있습니다.
- NPS
- WoM
- Viral coefficient
처음 코호트라는 용어를 들었을 때 생소한 용어만큼 개념도 그렇게 와닿지 않았습니다. '유사한 특성을 공유한 집단'이라는 개념이 언뜻 보면 명료해 보이지만 그래서 그걸로 '어떻게?' '왜?' 라는 물음은 쉽게 답을 얻기 어려웠습니다. 돌이켜보니 Cohort라는 분석을 새로운 개념으로 접근하다 보니 어려웠던 것 같습니다. 사실은 그냥 분석의 개념을 그대로 담고 있었는데 말이죠.
분석은 나눌(분) + 쪼갤(석)으로, 현상을 쪼개서 분석 가능하고 이해 가능한 수준으로 만들어 나가는 것을 의미합니다. 집단을 쪼개는 코호트와 유사하지 않나요?
예를 들어 전체 유저의 구매 전환율이 10%인 '재철 커머스'가 있다고 하겠습니다. 이를 신규 고객과 기존 고객으로 나누면 아래와 같이 전체 전환율로는 알 수 없었던 정보가 드러나게 됩니다.
✅ 전체 구매 전환율 : 10%
→ 신규고객 구매 전환율 : 5%
→ 기존고객 구매 전환율 : 15%
그럼 쪼개면 뭘 할 수 있을까요?
위의 예시를 이어서 보겠습니다.
'재철 커머스'에서 여름맞이 프로모션을 진행했습니다. 프로모션을 통해 매출이 늘어나고 구매 전환율이 10% -> 15% 증가하였습니다.
성공적인 프로모션으로 모두가 자축했습니다. 그러나 코호트 분석을 배웠던 마케터는 현상을 신규/기존 고객으로 쪼개보기로 했습니다.
✅ 기존 전환율
-> 프로모션 전환율
→ 신규고객 : 5% -> 6%
→ 기존고객 : 15% -> 22%
놀랍게도 신규고객과 기존고객에서 동일한 효과가 나타나지 않았습니다.
기존고객의 전환율과 매출이 훨씬 개선된 것을 알 수 있었습니다. 확인해 보니 이번에 준비한 프로모션 상품이 기존고객들에게는 매력적이었지만 신규 고객들은 해당 상품의 가격측면에 유인이 되지 않았습니다. 프로모션은 묶음 상품 위주의 객단가 플레이를 했기 때문입니다. 또한 신규고객 향 광고에서도 문제가 있었습니다. 프로모션 페이지로의 유입이 아닌 앞서 언급했던 묶음 상품으로 랜딩이 되다 보니 랜딩 후 이탈이 높아졌습니다.
다음에 동일한 프로모션을 준비했다면 아마 높은 확률로 유사한 매출을 만들지 못했을 겁니다. '재철 커머스'는 신규고객 향 상품과 광고를 통해서 이후의 프로모션 매출을 더 높여 나갈 수 있을 것입니다.
앞서 언급한 프로모션의 성과 쪼개기는 흔히 보는 Cohort 분석의 예시입니다. 코호트 분석은 고객을 나누는 분석 방법을 의미하는 것으로, 우리가 아는 리텐션분석, 세그먼트 분석, 퍼널분석 모두 코호트 분석으로 이해할 수 있습니다. 가장 대표적인 예시로 날짜별로 들어오는 고객들을 나누어서 보는 아래의 그래프를 많이 보셨을 겁니다!
코호트 분석을 한다는 건 거창하고 대단한 분석 방법을 하겠다는 것이 아닙니다. 그저 분석의 기초적 방법인 현상을 쪼개는 원리를 따르겠다는 것입니다. 사실 그렇다고 코호트 분석이 쉬운 건 아니지만, 코호트 분석을 잘하는 방법은 딱 하나 있습니다. 어떻게 쪼갤지 더 많이 고민하는 것입니다.
분석을 하다보면 분석을 위한 데이터가 없는 경우가 생각보다 많습니다. 데이터가 있다 하더라도 원하는 형태가 아닐수도 있습니다.이 때 우리가 해야할것은 데이터 수집을 위한 설계서를 만드는 것이고 이를 Log 설계 = Event 설계 = Taxonomy 설계라고 합니다.
.jpeg)
1️. Event는 유저가 하는 '행동'을 의미합니다. (Event = 행동)
2️. '행동'은 분석의 기준인 지표를 의미합니다. (행동 = 지표)
3️. Event는 '지표의 변화'를 측정하는데 활용합니다. (Event = 지표의 변화)
4️. 지표분석을 위해 '행동' & '유저' 속성을 확인합니다. (지표 분석 = 행동 + 유저 속성)
5️. '행동 속성'은 행동 하는 순간의 행동 정보를 의미합니다. - 구매 순간의 행동 정보는 '구매한 상품','구매 브랜드' 등이 있습니다.
6️. '유저 속성'은 행동 하는 순간의 유저 정보를 의미합니다. - 구매하는 순간 유저 정보는 '나이', '성별', '최근구매일' 등이 있습니다.
우리는 유저의 '행동' + '행동의 속성' + '유저의 속성'을 통해 대부분의 분석을 수행할 수 있습니다. 그리고 이 3가지 요소를 Taxonomy 3요소라고 합니다.
음악 스트리밍 서비스를 가정했을 때, 위 물음에 답하기 위한 Taxonomy 3요소는 아래와 같습니다.
원시 데이터에서 데이터 스토리텔링으로 이어지는 분석 여정은 5개의 단계로 구분할 수 있습니다. 성공적인 데이터 스토리텔링을 위해 각 단계를 이해하고 잘 수행할 필요가 있습니다.
분석의 단계별 특징들을 레고블록으로 비유해서 설명해보려고 합니다.
1) 데이터 수집 : 분석 목적에 맞는 데이터를 수집
2) 데이터 전처리 : 분석에 활용할 수 있도록 데이터를 정리, 변형
3) 데이터 시각화 : 서비스의 현황을 누구나 더 쉽게 모니터링하고 이해할 수 있도록 데이터를 시각화
4) 데이터 분석 : 분석 목표에 맞춰 인사이트를 찾기위해 데이터를 조사
5) 데이터 스토리텔링 : 내러티브와 시각적 자료로 발견한 인사이트 설명
오늘날 대부분 조직에서는 데이터를 수집하고 있습니다. LEGO 조각과 마찬가지로 데이터도 다양한 모양과 형태로 이루어져 있으며 데이터의 조합으로 다양한 결과(레고 조립 결과)를 만들 수 있습니다. 다만 데이터나 LEGO 조각을 원시 형태로 남겨두면 저장 공간을 차지하는 것 외에는 다른 목적으로 사용되지 않습니다. 그것들이 적절한 형태로 조합될 때만 의미 있고 유용한 것으로 바뀝니다.
비즈니스는 다양한 데이터 소스로부터 매일 데이터를 쌓고 있습니다. 물리적 서버나 데이터 웨어하우스에 집계되는 이러한 데이터는 시간이 지남에 따라 저장공간을 더 넓혀 갈 것입니다. 우리가 해야 할 것은 쌓여가는 데이터에서 유의미한 결과들을 만들어나가는 고민 일것입니다.
다양한 LEGO 조각을 무작위로 쌓아두는 것보다 색상, 모양, 크기 또는 기능별로 정리하는 것이 좋습니다. 이 과정에서 LEGO가 아닌 항목이나 부서진 LEGO 조각을 제거할 수 있습니다. 무엇을 만들려는 지에 따라 둘 이상의 LEGO 세트에서 LEGO 부품을 결합해야 할 수도 있습니다.
수집한 데이터를 사용하려면 먼저 유사한 정리, 결합 과정을 거쳐야 합니다. 데이터를 시각화하고, 분석하고, 데이터 스토리로 활용하기 위해 데이터를 사용할 수 있게 만드는 데 상당한 시간과 노력이 소요됩니다.
LEGO를 비슷한 색상 모양 크기로 분류하는 방식은 데이터 Mart를 그리는 것과 유사합니다. 데이터 Mart는 원시 데이터에서 분석 목적에 맞는 데이터들을 따로 분류해서 모아놓은 것으로 데이터 검색과 활용 속도를 높이는 분류 방식입니다. LEGO를 분류하면서 불량을 발견하는 것은 데이터의 전처리 과정에서 이상치, 누락데이터, 중복 데이터 등과 같은 데이터 문제점들을 발견하는 과정과 같습니다.
Garbage In, Gargabe Out 의 이야기처럼 깨끗하게 처리되지 않은 데이터를 가지고 분석을 하게 되면 오리려 분석이 더 어려워지고 적절한 인사이트 도출도 어렵습니다.
이제 여러분은 분류된 LEGO 더미를 뒤져 무언가를 만들 수 있습니다. 하지만 색상이나 기능별로 벽돌을 쌓아두었다고 해도 새롭게 무언가를 만드는데는 시간이 오래 걸립니다. 같은 레고 블록을 쥐여주어도 모든 사람이 같은 결과를 만들어 내지는 않습니다.
따라서 LEGO는 해당 블록들로 만들 수 있는 예시 설명서를 제공하고 있습니다. LEGO 블록 내의 특정 크기, 모양, 기능, 색상별로 어떤 상황에 어떻게 활용하면 좋은지 체계적으로 정리되어 있습니다. 설명서를 통해 무엇을 작업해야 할지 결정하기가 더 쉽고 완성물을 만드는 동안 필요한 블록을 빠르게 찾아낼 수 있습니다.
마찬가지로, 데이터 전처리를 통해 시각적 차트와 그래프가 포함된 대시보드를 구성한다면 비즈니스의 현상을 더 쉽게 이해할 수 있습니다. 데이터 시각화를 사용하면 데이터를 보다 명확하게 확인하고 정보를 쉽게 탐색하여 데이터에 숨어있는 단서를 더 쉽게 발견할 수 있습니다.
이러한 시각화는 데이터가 친숙하지 않은 구성원들에게 특히나 효과적일 것입니다. 데이터를 다루거나 시각화를 할 수 없더라도 이렇게 시각화가 구성된 환경하에서 간단하게 도메인 지식을 시각적 정보와 결합하여 인사이트를 도출하기는 훨씬 쉽기 때문입니다. 이러한 환경을 데이터 드리븐 환경이라고 합니다.
데이터 분석 단계에서는 특정 비즈니스 질문에 대한 답을 찾기 위해 데이터 분석의 목적을 잘 정의해야 합니다.
LEGO로 무언가를 만들 때도 무엇을 만들 것인지에 대한 명확한 아이디어가 먼저 있어야 합니다. 자동차, 보트, 비행기를 만들고 싶다면 우선 해당 결과물을 만들 수 있는 데이터 인지 확인하고 하나씩 만들어 나가야 합니다. 자동차를 만들다가 보트를 만들면 이상한 결과물이 만들어질 수 있습니다. 한 번에 하나의 목적에 맞는 결과물에 집중해야 합니다.
대부분의 분석 작업의 결과물은 유의미한 인사이트가 발견되지 않을 수 있습니다. 마찬가지로 LEGO 조립 과정에서 원하지 않는 조립품을 폐기하거나 다른 방식으로 재구성하기는 경우는 흔합니다.
가지고 있는 모든 레고 블록을 활용해서 결과물을 만들지 않는 것처럼 데이터 일부만으로 인사이트를 만들 수 있습니다.
레고 블록 전체 로 만들 수 있는 가장 큰 구조물이 있다 하더라도 대부분은 일부 블록으로 부분적인 결과들을 만들어 냅니다. 이처럼 대부분의 분석은 일부 데이터를 활용하여 인사이트를 발견하며 이는 비즈니스의 모든 것을 설명하지는 않습니다. 우리가 하는 분석과 인사이트는 LEGO 구조물의 하위 조립품과 유사합니다.(레고로 집을 만든다고 한다면 지붕 조립물과 같은 중간 결과물이 분석의 결과물과 유사합니다)
LEGO를 사용하는 친구 혹은 부모 등 누군가를 위해 만들수도 있습니다. 이처럼 데이터 분석을 우리의 사용 목적 외에도 관리자, 팀, 부서, 회사 등 다른 사람에게 이익을 주기 위해 그들의 사용 목적에 맞춰 분석을 수해하는 경우가 많습니다. 주요 이해관계자의 관심 사항이나 요구 사항을 더 많이 알수록 분석의 목표가 더욱 명확해지고 인사이트의 가치도 높아집니다.
LEGO 블록을 통해 최종 결과물을 조립하더라도 그 자체로서 의미가 있지 않습니다. 다양한 조립물로 아이들이 이야기를 만들며 가지고 놀때 조립물은 그제야 매력적인 결과물이 되는 것입니다. 하나의 조립물보다 여러 조립물들이 합쳐졌을 때 이야기는 더욱 풍성해지고 놀이는 더욱 재밌어집니다.
마찬가지로 일련의 데이터 분석과 인사이트도 이들을 하나로 묶는 포괄적인 이야기 전개가 없으면 불완전할 것입니다. 숫자에 관련된 맥락과 의미를 이야기해야 비로소 청중은 인사이트의 진짜 의미를 깨달을 것입니다.
데이터스토리텔링은 레고를 만드는(데이터 분석 과정의) 마지막 단계입니다. 데이터 스토리의 가치는 각 단계에 따라 달라집니다. 데이터 스토리를 효과적으로 전달하지 못하면 이전 작업이 모두 물거품이 될 수 있습니다. 반대로 각 단계가 잘 수행되지 않는다면 마지막 데이터스토리텔링 단계도 매력적인 이야기를 만들 수 없습니다.
LEGO 구축과 데이터 스토리텔링 모두 계획, 창의성, 세부 사항에 대한 다양한 해결 기술을 요구합니다.
데이터 분석 과정을 레고에 비유한 다양한 자료들이 있습니다(출처 참고) 모두 각자의 방식으로 과정들을 설명하고 있으며 이를 참고하여 지금의 분석 환경에 맞는 예시들과 내용을 수정해 새롭게 정리하였습니다. 혹시나 관련한 내용이 궁금하신 분들은 출처에 있는 링크를 참고해주세요 😄
우리는 여러 이유들로 사용자 분석을 합니다!
- 퍼포먼스 마케터는 전환 최적화에 활용할 사용자 특징과 상품을 알기 위해
- CRM은 고객들이 다시 돌아오게 하기 위한 타이밍과 상품들을 알기 위해
- 서비스기획자,PM은 새로 런칭한 기능의 사용성을 측정하기 위해
서비스 분석, 사용자 분석, 프로덕트 분석 등의 용어로 직군이나 산업군마다 서로 다른 이름으로 분석을 수행합니다.
분석 방식이 조금씩 다를 순 있지만 분석 목적은 동일합니다. 결국 '유저'가 '서비스'를 사용하면서 서비스의 최종 목표(구매 or 사용)를 달성하는 이유를 알고 싶습니다.
사실 동일한 물음이지만 분석 방향이 조금 달라질 수 있기 때문에 구분하였습니다.
개념과 목적은 간단하지만 막상 '분석 해줘'라고 하면 어디서부터 시작해야 할지 어렵긴 합니다. 분석은 현상을 특정 기준으로 쪼개고 나누어서 보면 쉬워집니다.
크게 아래 3가지 방식으로 사용자를 나눠가면서 분석 하시면 좀 더 쉽게 사용자 분석을 접근할 수 있을 겁니다.
- 서비스 랜딩 to 최종 목표 지점까지 지점별 분석
- 홈 -> 회원가입 -> 상세페이지 -> 장바구니 -> 구매
- 사용자의 성별, 연령과 같은 데모
- 사용자의 행동 누적 특성 (지금까지 구매한 브랜드명, 총 누적 구매액, 최근 구매일)
- 회원가입 후 구매하지 않은 유저
- 상품을 3번 이상 본 유저
- 장바구니에 담고 30일 이내 구매하지 않은 유저
통계는 데이터 분석에 필수지만 항상 어려운 것 같습니다. 비즈니스에서 가장 많이 사용하는 통계와 간단한 예시로 비즈니스에서 통계를 활용하는 방법을 알아보겠습니다.
우리가 흔히 사용하는 평균값부터 가설 설정까지 사실 많은 것들이 통계적 지식을 필요로 하고 있습니다.
데이터 분석가에게 통계는 필수적인 역량입니다. 물론 데이터 분석가가 아니더라도 데이터를 다루는 많은 영역에서 통계는 데이터를 이해하는 중요한 무기가 됩니다.
우리가 비즈니스에서 사용하는 통계 영역은 응용통계(Applied Statistics) 분야입니다. 응용통계 하위 에는 추론통계와 기술통계로 나누어집니다.
- 수집한 데이터로부터 현상을 이해하기 위해 데이터의 발생원인을 추정하는 방법입니다.
- 관측된 형태나 효과의 재현성 평가. 유의성 검정, 신뢰구간 추정 등의 통계적 추론을 하는 분석 방법입니다.
- 일반적인 순서 : 가설 설정 -> 실험 -> 통계분석 -> 가설 검증(지표 확인)
- 여기서 말하는 기술은 테크니컬 기술을 의미하는 것이 아니라 무언가를 설명하고 서술하다의 기술을 의미합니다. 즉, 현상을 설명하고 이해하려는 데 사용합니다.
- 원 데이터(Raw data)를 가지고 데이터를 탐색하고, 데이터의 특징과 구조로부터 얻은 정보를 바탕으로 자료의 특성을 확인하는 분석입니다.
- 가설을 미리 세우지 않고 전체 데이터를 탐색적으로 해석하는 접근법입니다.
- 일반적인 순서 : 데이터 수집 -> 시각화 탐색 -> 패턴 도출 -> 인사이트 발견
✔️ 비즈니스를 성장시키기 위해서는 실험을 기반으로 한 다양한 분석이 이루어져야 합니다. 그리고 중요한 건 이러한 사이클을 지속적으로 반복하는 것입니다. 이러한 성장 방법론을 그로스 모델이라고 하며 여기에는 앞서 살펴봤던 '추론통계'와 '기술통계' 2가지가 녹여져 있습니다.
✔️ 실험의 가설설정을 위한 통계는 기술통계(탐색적 데이터 분석)를 활용합니다. 예를 들어 유저가 특정 화면에서 이탈을 많이 한다는 것을 다른 화면 '평균' 대비 낮다는 것으로 정의합니다. 또한 빈도수를 기반으로 한 '히스토그램(분포)'으로 특정 화면의 기능이 어떤 빈도로 활용되는지를 확인해서 해당 기능을 강조하는 실험을 위한 재료로 활용할 수 있습니다.
즉, (기술 통계) 분석을 통한 인사이트 도출과 이를 활용하여 서비스 개선을 위한 가설 설정을 하는 것을 의미합니다.
✔️실험은 A/B 테스트와 같이 서비스의 주요 지점을 개선하는 활동들을 의미합니다. 특정 화면의 UI를 변경하는 테스트를 한다고 했을 때 우리는 A화면이 B화면보다 좋다는 것을 가설 검정이나 P-value 등과 같은 추론통계(확증적 데이터 분석 방법론)로 실험의 통계적 유의미를 확인합니다.
--
🌟 생각보다 비즈니스 분석에서 예측을 제외하곤 깊이 있는 통계를 요구하지는 않습니다. 평균과 분포와 같은 기본적 기술 통계만으로도 우리는 데이터의 인사이트를 충분히 도출 할 수 있습니다.
멋진 통계 기술보다 기본적 통계를 활용한 분석부터 시작해 보시죠! 통계를 너무 어려워하지 마세요!
--
사람은,텍스트로부터 정보를 얻을 때 시선의 이동과 정보를 얻는 방식이 정해져 있습니다.
✔️왼쪽에서 오른쪽으로
✔️위에서 아래로
이와 달리, 차트로부터 정보를 얻을 때는 시선의 이동 경로가 사용자마다 모두 다릅니다.
다만 몇 가지 시선이 시작하는 지점이 있다면 아래와 같습니다.
우리의 눈은 시각 정보에서 의식적 경로가 아닌 시각적 자극이 더 높은 지점을 따라 무의식적으로 자연스럽게 시선이 이동하게 됩니다.
따라서 차트의 정보를 제공하는 관점에서 차트 제목과 설명하는 내용도 중요하지만 전달하려는 차트의 중요 인사이트가 시각적으로 눈에 띄게 하는 것도 매우 중요합니다.
이러한 시각적 정보를 획득하는 특징을 이용하면 차트를 이용해 사용자에게 메시지를 더욱 효과적으로 전달할 수 있습니다.
--
얼마 전 알고 지내는 마케팅 팀장님으로부터 고민이 있다고 해서 연락을 받았습니다.
그리고 물어보시던 질문은 '우리 서비스로 획득되는 고객이 얼마나 남아있는지 의사결정자분이 물어봐서 리텐션율을 포함한 다양한 지표들로 설명하였지만 제대로 설득이 되지 않아서 어떻게 해야 할지 고민이다' 라는 얘기였습니다.
막상 얘기를 들었을 때는 충분히 잘 설명하고 있는것 같은데 왜 설득이 되지 않을까 라는 궁금증을 가지게 되었습니다. 아마도 리텐션이라는 지표가 가지는 숨은 의미를 풀어서 다 설명하지 못했던 게 원인이라고 생각했습니다.
--
많은 기업에서 '서비스를 사용하는 고객이 얼마나 남아있는지' 를 수치로 나타내기 위해 리텐션이라는 지표로 표현합니다.
리텐션은 내 서비스로 들어온 고객이 특정 기간 이후 다시 돌아오는 비율을 나타낸 지표입니다.
📄 이번 달 100명이 들어왔고 다음 달 그 중 50명이 다시 왔다면 : M+1 리텐션 50%
리텐션은 서비스의 건전성을 측정하는 강력한 지표입니다. 다만 문제는 리텐션으로 우리 서비스의 고객이 얼마나 남아있는지는 알 수 있지만 '서비스가 명확히 성장합니다' 를 확정 짓기 위해서는 몇 가지 기준과 지표가 더해져야 합니다.
--
예를 들어 어떤 서비스의 리텐션을 구매 기준 한달 후 (M+1 리텐션)로 정했다고 하겠습니다. 그리고 해당 리텐션이 10% 라고 한다면 해당 리텐션은 좋은 건가요?
이 지표가 좋고 나쁨을 알기 위해서는 유저 획득 단가(CAC)와 유저로부터 얻게 되는 LTV 기준을 먼저 확인해야 합니다.
리텐션이 중요한 이유는 획득한 유저들이 지속적으로 우리 서비스를 이용하고 그 고객들로부터 얻게 되는 가치가 계속 더해진다는 것입니다.
📄 100명의 고객이 첫 달 만든 매출 100만원 + 100명중 10명이 다음 달 남아서 만든 매출 20만원 = 100명이 만든 누적 매출 120만원 = M+1 LTV = M+1 10% 리텐션의 가치
--
그러면 중요한 것은 최초에 유저를 획득하는데 들어간 비용이 회수되고 이를 상회하여 비즈니스를 건전하게 하는 지점이 어디인지를 아는 것입니다.
예를 들어 유저를 평균 10만 원에 데리고 왔다면, 해당 고객으로부터 이익이 나는 BEP 시점은 해당 유저가 반복 구매를 하면서 최소 10만원의 매출총이익이 발생하는 시점이 될 것입니다.
(여기서 BEP는 마케팅 비용으로만 계산하였지만 운영비와 쿠폰비 등 다양한 요소가 더해져야 합니다.)
만약 BEP 시점이 유저 획득 후 60일 이라면 이제 리텐션의 목표 지점은 M+1 이 아니라 M+2 or M+3을 기준으로 해당 지점의 리텐션율의 월별 트렌드를 확인하면서 그래프가 우상향하는지를 확인하면 됩니다.
그러면 이제 우리 고객의 획득단가를 넘어서는 지점이 개선되고 있고 이를 통해 비즈니스가 비로소 안정적으로 성장하고 있다고 얘기할 수 있습니다.
📄 이를 투자회수기간 Payback Period라고 부릅니다.
--
이제 앞서 구한 CAC, LTV, Payback Period를 더해서 리텐션을 말한다면 의사결정자의 입장에서 좀 더 이해 가능한 지표가 완성될 것입니다.
아래 2가지 예시를 보면 비교가 더 쉬워집니다.
1️. "우리 서비스의 M+3 리텐션은 10% 입니다"
2. "우리 서비스의 유저 획득 단가는 3만 원입니다.
해당 유저를 통한 매출 총이익이 3만원이 되는 시점은 유저 획득 이후 평균 90일이 소요됩니다. 따라서 우리 서비스의 M+3 리텐션 10%는 BEP가 만들어지는 최소 기준이며 최근 6개월 기준 M+3 리텐션이 지속 우상향하면서 서비스가 안정적으로 성장하고 있습니다. 앞으로 M+3 리텐션에 긍정적인 영향을 주는 마케팅 요인을 찾고 개선하는 활동을 하도록 하겠습니다."
--
서비스를 사용하는 사용자의 여정을 이해하는 것은 매우 중요합니다. 서비스의 목표를 향해 유저는 다양한 경로로 서비스를 탐색하고 이동합니다.
대부분의 서비스 목표는 구매입니다. 다만, 서비스 내 기능이라는 관점에서 목표는 더 세분화 될 수 있습니다. 회원가입 단계, 검색 단계, 이벤트 페이지 단계 등 다양한 단계가 있습니다.
각 단계는 사용하는 고객으로부터 기대하는 최종적인 목표가 있다는 공통점이 있습니다.
회원가입을 예를 들면 회원가입 완료가 최종적인 목표이고, 해당 단계를 완료하기 위해 회원 & 로그인 페이지 진입 > 회원가입 페이지 도달 > 회원가입 정보 기입 등의 단계가 있습니다.
이제 단계를 정의했다면, 해당 단계의 최종 목적인 회원 가입 완료율을 올리기 위해 단계를 개선하는 다양한 방법을 고민하고 분석해야 합니다. 이때 가장 기본이 되는 분석 방법 중 하나는 퍼널 분석입니다.
각 단계를 진입하는 사용자 대비 다음 단계로 얼마 만큼의 유저가 이동하였는가를 보고 어떤 단계가 사용자의 이동에 문제가 있는지를 '단계별 전환율'이라는 지표로 확인을 하는 방법입니다.
퍼널 분석의 기초가 되는 5가지 고려 요소는 아래와 같습니다.
↳ 개선을 위한 퍼널 단계와 단계의 주요 KPI 정의
서비스의 어떤 지점을 분석항지 정의 후 각 퍼널 별 주요 이벤트를 정의합니다.
e.g. 상품보기>장바구니>구매시작>구매
↳ 절대량, 비교, 트렌드
주요 지표를 평가하기 위해 측정 기간의 지표 집계 & 이전 기간대비 지표 증분, 집계 기간의 데이터 트렌드를 보면서 KPI를 평가합니다.
↳ 단순 숫자보다 시각화는 더 극적인 효과를 보여줍니다
주요 퍼널의 전환 수치를 시각화하여 서비스 개선과 집중이 필요한 단계를 직관적으로 확안합니다.
↳ 퍼널 단계 / 퍼널 전 단계
직전 퍼널 단계 대비 다음 단계의 이탈율을 점검합니다. 동일 기준으로 단계별 실질 이탈율을 비교하여 문제 지점을 명확하게 정의합니다.
↳ 퍼널 단계 / 퍼널 최초 진입 단계
퍼널 시작점 대비 단계별 이탈율을 점검하고 최종 진입 대비 이탈은 퍼널에 대한 전체 전환율을 의미합니다. 퍼널 단계별 유저수를 함께 보면서 비율과 절대량을 동시에 확인합니다.
그로스 마케팅은 데이터를 활용하여 비즈니스 & 서비스를 개선시키는 마케팅 활동을 의미합니다.
그로스 마케팅에는 중요한 관점들이 많이 있지만 결국 서비스를 사용하는 유저의 여정과 그로부터 획득하는 데이터 2가지 관점으로 나눌 수 있습니다.
데이터는 획득과 저장 활용 관점에서 다양하게 도움을 주는 Solution들이 있으며 이를 Marketing + Tech = Mar-tech solution 이라고 부릅니다.
이러한 구분과 분석은 이후에 마케팅 액션과 전략에 대한 효과적 접근 방법이 됩니다.
↳ AARRR 프레임워크를 활용하여 유저를 서비스 인지와 획득, 활성화, 매출, 재방문, 추천 단계로 구분할 수 있습니다. 이외에도 다양한 프레임워크로 유저 단계를 구분할 수 잇습니다.
↳ 각 단계별로 중요하게 획득하는 유저의 행동들이 있습니다. 이를 각 단계별 주요 KPI로 볼 수 있습니다. 그리고 각 KPI를 기반으로한 분석과 액션을 진행할 수 있습니다.
↳ 각 단계별로 맞춤화하여 효과를 높일 수 있는 마케팅 방법론들이 다양하게 있습니다.
1. Data Source
↳ 데이터를 최초에 수집하는 단계로 데이터 소유와 활용 관점에서 1st, 2nd, 3rd party solution으로 나눌 수 있습니다. 흔히 알고 있는 GA, MMP, CRM 솔루션은 3rd party solution으로 분류되며 각 단계별로 수집과 활용에 최적화되는 솔루션들이 달라집니다.
↳ 앞서 수집된 데이터를 저장하는 단계입니다. 각 데이터는 여러 데이터 소스로부터 취합되기 때문에 적절한 처리를 통한 데이터 통합과 연결이 필요합니다. 이를 위해 Data Warehouse를 활용하여 데이터 ETL 과정을 진행합니다.
↳ 이제 준비된 데이터를 가지고 Python, R, Excel 등과 같은 분석 solution으로 데이터를 탐색하고 인사이트를 도출합니다. 앞서 우리는 여러 단계로 수집되는 데이터를 통합하였기 때문에 통합 마케팅 관점의 분석이 가능해집니다.
↳ 데이터 분석을 통해 유의미한 인사이트가 발굴되었거나 각 단계별로 주요 KPI의 흐름을 직관적이고 빠르게 확인하기 위한 시각화 작업을 합니다. 이를 통해 구성원 누구나 데이터에 접근하고 데이터를 바라볼 수 있습니다.
↳ 최종적으로 모든 단계를 마치면 조직에 데이터 기반의 의사결정을 할 수 있는 환경이 만들어집니다. 이를 Data-driven 환경이라고 합니다.
커머스의 경우 다양한 브랜드나 카테고리, 상품을 서비스 하는 경우가 많습니다.
만약 그 중 우리가 서비스하는 브랜드 가지수가 소수면 브랜드 관리에 큰 문제가 없지만 100개 혹은 1000개 이상 많은 브랜드를 가지고 있다면 모든 브랜드를 동일하게 관리하는 것은 어렵습니다.
이 때 집중해야 하는 브랜드와 아닌 브랜드를 통계적으로 나누는 방법을 쓴다면 좀 더 효과적으로 매출을 관리할 수 있습니다.
🔤 ABC 분석은 통계적 방법으로 전체 집단을 A,B,C 그룹으로 나누어 관리효율을 높여 매출 효과를 높이는 분석 방법입니다.
ABC 분석에서 그룹을 나누는데 활용하는 방법은 파레토 법칙 입니다. 때문에 파레토 분석이라고 부르기도 합니다.
파레토 법칙은 20% 소수가 80% 다수에 영향을 준다는 법칙입니다. 해당 법칙을 활용하여 80% 매출을 발생시키는 소수의 브랜드를 최우선 관리그룹으로 분류하고 나머지 그룹을 95% 기준으로 구분하는 방식입니다.
이렇게 브랜드를 매출기준으로 세분화하여 A 그룹에 집중한 매출 전략을 구현한다면 B그룹이나 C그룹에 대한 동일 관리 대비 높은 매출을 기대할 수 있습니다.
👉 예시는 브랜드 하나만 활용하였습니다. 이를 카테고리나 상품 혹은 고객 분류에도 활용해 볼 수 있습니다.
👉 파레토 분석을 활용하여 여러분의 서비스에 맞는 최적화 방식을 고민해보세요.
시각화는 루커스튜디오를 통해 만들어봤습니다. 추후에 필터나 대화형 시각화를 위한 추가적인 기능들이 좀 더 더해질 것 같습니다.
프로모션 시작날짜, 종료날짜, 프로모션 이름만 있다면 간단하게 구현가능 합니다.
커머스 뿐 아니라 프로모션이 빈번한 서비스에서는 다양한 프로모션이 진행되기도 하고 심지어 겹쳐서 진행되기도 합니다.
프로모션은 매출에 직접적인 영향을 주는 중요한 요소이기 때문에 프로모션에 대한 매출 영향도를 잘 분석해서 프로모션 효과를 지속적으로 높여나가야 합니다.
다만, 앞서 말한 것처럼 여러 개가 동시에 진행되는 프로모션의 매출과 영향도를 구별해서 보는 것은 쉽지 않습니다.
아래의 루커스튜디오 차트를 활용하면 프로모션에 대한 타임라인을 간단하게 시각화할 뿐 아니라 각 프로모션 주요 지표도 동시에 확인 가능합니다.
차트 내 필터 클릭 시 발생하는 기능 오류가 있긴 하지만 추후 차트에 대한 완성도가 높아진다면 날짜별 액션에 대한 성과분석이 중요한 프로모션 & CRM 마케터 분들에게 유용한 방식이 될 것 같습니다.
원본 포스팅 링크
비즈니스의 주요 지표를 파악하고 데이터 기반 의사결정을 하는 것은 매우 중요합니다.
다양한 기업들을 대상으로 데이터 드리븐 환경 구축을 목적으로 데이터 대시보드를 만들고 있습니다.
그 중 무엇보다 우선적으로 구축하는 것은 비즈니스 주요 지표를 한판에 보면서 전반적인 흐름을 살펴보는 KPI 대시보드 입니다.
KPI 대시보드를 구축하는 방법은 다양하지만 중요한 기준 중 하나는 지표의 표현 방식입니다.
비즈니스 주요 지표는 집계된 숫자로는 그 의미를 한눈에 알 수 없습니다.
(e.g.오늘의 매출 100만원)지표가 데이터로서 충분한 의미를 가지기 위해서는 비교와 비율이 필요합니다.
만약 해당 지표가 시계열 데이터라면 트렌드까지 더해주면 더욱 완벽한 지표 기준이 될 수 있습니다.
예를 들어 아래와 같이 해석할 수 있게 분석과 대시보드가 구성되어야 합니다.
"오늘 매출 100만원은 전일대비 30% 상승한 수치입니다. 다만 최근 1주일 트렌드 기준 하락추세이기 때문에 추가적인 매출 상승 전략이 필요합니다."
해당 내용을 담은 대시보드가 궁금하신 분들은 아래 링크를 확인해주세요.
원본 포스팅 링크
이벤트 택소노미 초기 설계 시, 어디에서부터, 무엇을, 어떻게 시작해야 할지 막막한 어려움을 조금이나마 해소해 드리고자, 밀리의 서재 · 버거킹 · 무신사 · 한샘 · 웍스아웃 · 발란 · KFC · 두나무 · 오늘의 집 등의 고객사들과 실제 프로젝트를 진행하며 얻은 인사이트를 공유드립니다.
2편에서는 <비용 최적화된 이벤트 택소노미를 설계하는 방법>을 상세히 다룹니다.
지난 글에서는 앞선 세 가지 단계를 통해 이벤트 택소노미의 정의와 설계 전 필독 유의사항을 살펴보았습니다.
.png)
본 글에서는 비용 최적화된 이벤트 택소노미를 설계하는 방법과 담당자 간 커뮤니케이션 단계를 다룰 예정입니다. 이벤트와 프로퍼티를 설계하는 단계부터는 단순히 내용과 방법을 나열하기보다, 실제 설계 사례를 중심으로 풀어보려 합니다.
.png)
ㅤ 많은 분들이 이벤트를 설계하고 난 다음 프로퍼티를 설계하는 순서로 이해하고 계시지만, 실제로 이벤트와 프로퍼티를 동시에 고려해야 하는 경우가 많습니다. 그러므로 본 글에서는 이벤트와 프로퍼티를 구분하지 않고 실제 현업에서 발생할 만한 택소노미 설계상 주요 이슈를 주제화하여 소개합니다.
이벤트 택소노미 설계 전 반드시 고려해야 할 필수 요소, 네이밍 컨벤션
.png)
ㅤ이벤트 택소노미 설계 시 네이밍 컨벤셔닝은 선택이 아닌 필수입니다. 이벤트와 각 프로퍼티를 정의할 때는 명확하고 일관된 명명법을 사용해야 하며, 사용자 행동을 명확하고 구체적으로 표현해야 합니다. '어느 누가 보아도 유추할 수 있는' 규칙을 지정해야 추후 개발과 분석에 혼동이 없습니다. 네이밍 컨벤션의 정의와 종류를 참고하여 담당자 간 규칙을 합의할 수 있습니다. 다양한 방법이 있지만 저는 주로 스네이크 표기법을 통해 소문자와 언더바(_)를 조합하여 이벤트와 프로퍼티명을 정의합니다.
.png)
좌측의 네이밍 컨벤션을 적용하지 않은 경우 'first_login'이 '로그인 페이지 조회'인지, 페이지 내의 '로그인 버튼 클릭'인지 구별이 어렵습니다. 반면 우측의 네이밍 컨벤션을 적용한 경우 가장 앞단에 행동 조건(trigger)과 이벤트명, 그리고 추가 정보까지 규칙적으로 정의되어 있어 비교적 구별하기가 수월합니다.
본격적인 설계 과정을 정독하기 전 아래의 '구매 퍼널'에 본인만의 네이밍 컨벤션을 적용한 이벤트와 각 프로퍼티를 직접 정의해 보시길 바랍니다.
ㅤ이벤트 택소노미를 설계하는 과정에서 중요한 것은 '생각하는 방법'과 '반복된 경험'입니다. 다양한 설계 방안들을 반복하여 구상하다 보면 향후 좋은 방안들만 솎아낼 수 있는 경험치가 쌓여 나만의 노하우를 형성할 수 있습니다. 이미 설계된 택소노미를 먼저 접하게 되면 추후 스스로 생각을 떠올리기가 어렵습니다. 누군가의 '완성된 결과물' 보다, '완성하는 과정'을 함께하셨으면 합니다.
1-2-3 퍼널에서 2 퍼널이 필요한가? Critical Path에 따른 필수 이벤트 설계하기
ㅤ네이밍 컨벤션을 정의하고 나면 전체 이벤트와 프로퍼티들을 설계해야 합니다. 이전에 정의했던 주요 이벤트를 기반으로 사용자의 여정을 그려봅니다. 이때 모든 이벤트는 중대한 경로(critical path)로 설계되어야 합니다. 즉 최종 전환 이벤트에 도달하는 퍼널이 반드시 필요한 이벤트로만 구성되어야 함을 의미합니다. 택소노미가 복잡해질수록 가독성이 떨어지고 이에 따라 보완 및 개선 작업이 까다로워질 수 있기 때문에 카테고리를 적절히 분류하는 것이 좋습니다. 아래 이미지는 '결제 완료' 카테고리를 기준으로 사용자가 자사 홈페이지에 진입하는 시점부터 결제를 완료하는 시점까지의 퍼널을 그린 예시입니다.
ㅤ 위 간소화 전 퍼널을 살펴보면 메인 페이지 내에 도서 상세 페이지까지 진입할 수 있는 경로가 다양합니다. 메인 페이지에서 개별 도서를 클릭하여 도서 상세 페이지로 곧바로 이동할 수도 있고, 'ㅇㅇ님이 좋아할 만한 작품', 혹은 '이번주 베스트셀러'와 같은 특정 카테고리 경로를 거친 후에 상세 페이지로 이동할 수도 있습니다. 그러나 이처럼 다양한 경우의 수를 각각의 이벤트로 설계하게 되면 효율성이 떨어지게 됩니다. 사용자가 메인 홈페이지에서 곧바로 개별 도서 클릭 시 'click_item_list'와 'click_item'의 클릭 이벤트가 동시 발생하게 되며, 이때 ‘click_item_list' 이벤트는 'null' 값으로만 채워지기 때문입니다.
ㅤ또한 도서 클릭 시 'click_item'과 'view_item'이 동시 발생하는 것을 볼 수 있는데, 마케터가 클릭 관련 성과를 분석하고자 하는 특정 페이지가 도서의 상세 페이지라면 그 외 페이지, 즉 메인 홈페이지에서 모든 클릭을 추적할 필요는 없습니다. 만일 모든 페이지의 이벤트를 조회와 클릭 이벤트로 동시 설계한다면 이벤트 발생 시마다 유사 이벤트가 중복 발생하므로 이 또한 매우 비효율적이게 됩니다. 모든 경로를 이벤트로 설계하기보다 프로퍼티를 이용하여 경로를 간소화하는 것이 비교적 효율적입니다. 아래 이미지는 '도서 카테고리(item_list)'와 '개별 도서(item)' 프로퍼티를 구분하여 이벤트를 간소화한 예시입니다.
위 간소화된 퍼널을 기반으로, '메인 홈페이지' 진입 > '베스트랭킹' 카테고리 클릭 > '특정 상품' 클릭의 상황을 가정한다면, 아래 이미지와 같이 'click_item_list', 'click_item' 이벤트 없이도 프로퍼티를 통해 중간 경로값을 얻을 수 있습니다.
.png)
View와 Click 이벤트가 동시에 추적해야 하는 경우
ㅤ특정 프로모션 페이지 내에 '신작 첫 화 무료보기' 혹은 유료 광고의 '더 알아보기 버튼 클릭' 등 다양한 유입이 있을 수 있습니다. 이러한 경우 페이지 상의 유입 경로를 분석해야 하기 때문에 '조회'를 기준으로 추적합니다. 한편 클릭 혹은 스크롤 뎁스와 같이 특정 페이지에 한정하여 분석이 필요한 경우에는 페이지 내의 ‘액션‘을 기준으로 추적합니다.
.png)
ㅤ 네이버 시리즈의 도서 상세 페이지의 경우 view와 click이 동시에 필요합니다. 예를 들어 특정 도서의 상세 페이지 내에 '무료로 첫화보기' 혹은 '다음화 이어보기' 등의 버튼과 같이 결정적인 클릭 요소가 있는 동시에 신작 홍보 이벤트나 기간 한정 프로모션을 통한 유입 경로가 다양할 수 있습니다. 이러한 경우가 '조회'와 '클릭'을 동시 추적해야 하는 경우라고 볼 수 있습니다.
'구매(purchase)' 이벤트가 '무료'와 '유료'로 나뉘는 경우
ㅤ 지금까지 도서의 상세 페이지로 진입하여 충전과 구매가 이루어지는 단일 퍼널에 대해 살펴보았습니다. 그러나 일반적으로 단일 퍼널만으로 구성되는 경우는 드물며, 전환의 기준 또한 다양합니다. 도서 플랫폼의 경우 1화, 2화, 3화, ...로 이어지는 연재본이 있는 반면, 연재본의 묶음 단위인 단행본이 있습니다. 각각의 도서 유형 모두 '무료(혹은 미리보기)'의 개념이 있으며, 마케터는 무료와 유료 구매의 모든 경우를 분석하길 희망한다고 가정합니다. 이때 매우 다양한 경우의 수를 고려해 볼 수 있습니다.
아래는 특정 도서의 상세 페이지에서 '무료' 전환과 '유료' 전환을 프로퍼티로 나눈 예시입니다. 사용자가 'click_episode'를 발생시킬 시 'item_preview'가 True(무료 회차)인 경우 즉시 도서 열람 페이지로, False(유료 회차)인 경우 구매 결정(click_purchase) 페이지로 이동하게 됩니다. 단, 유료 회차이지만 해당 회차를 이미 구매한 경우 무료 회차와 동일하게 즉시 열람 페이지로 이동합니다.
.png)
이처럼 프로퍼티를 잘 활용하면 택소노미의 설계를 간소화할 수 있습니다.
.png)
개발자가 한 번에 알아보는 '이벤트 택소노미 시트'
ㅤ마케터와 마찬가지로 개발자 역시 마케터와 설계자의 관점을 알지 못하기 때문에 개발자 편의적인 택소노미(Dev. Sheet)를 별도로 작성하여 전달하여야 하며, 이러한 세부 자료를 전달함과 동시에 충분한 구두 설명이 뒷받침되어야 합니다. 네이버 시리즈 웹/앱 내에서 사용자가 상호작용을 일으키면 개발자는 설계자가 요청한 정보(미리 정의해 둔 이벤트나 프로퍼티)들을 데이터 레이어 형태로 푸시해 줍니다. 그러면 우리는 디버깅을 통해 요청한 데이터가 올바르게 푸시되는지 실시간 로그로 확인할 수 있습니다. 데이터 레이어란 웹사이트에서 정보를 담고 있는 자바스크립트 배열입니다. 쉽게 말해, '데이터 송수신을 하기 위한 매개체'로, 백단에서 특정 이벤트 데이터를 푸시(push)하면 디버깅 시 프론트에서 확인 가능한 형태로 전달받는 식입니다. 일반적으로 속성(key)과 속성값(value)이 아래와 같은 형태로 구성되어 전달됩니다.
이때, 클릭(click) 또는 조회(page_view)와 같은 일반적인 이벤트 외에 모든 In-web/app 이벤트의 하위 속성으로 호출되는 사용자 속성(user property)이나, 특정 데이터 타입(data type), 혹은 자료 구조(data structure hierarchy)가 통일되지 않고 다양할 경우 택소노미 설계 시 별도로 명시해 주는 것이 좋습니다.
ㅤ 이전 글에서 언급했듯 이벤트 택소노미를 설계할 때는 마케팅 관점과 개발 관점을 별도로 이해하고 적용해야 합니다. 예를 들어, 마케터에게는 유저 플로우를 이해하는 데 초점을 맞춘 시각화된 자료(피그마 등)를 제공하되, 개발자에게는 데이터 로그를 이해하는 데 도움될 만한 정리된 자료를 제공합니다. 이때 시트의 유형은 이벤트 프로퍼티(Event Property)와 유저 프로퍼티(User Property) 두 가지로 분류됩니다.
.png)
.png)
각 시트 내에는 아래와 같은 항목들이 포함됩니다. 필수 항목은 아니며, 자사의 서비스 특성을 고려하여 필요한 항목으로 구성할 수 있습니다.
[Columns of Event Propery Sheet]
[Columns of User Propery Sheet]
*제가 사용했던 택소노미 템플릿 양식은 아래 링크를 통해 다운받으실 수 있습니다. 이외에도 웹사이트 내에 다양한 템플릿이 존재하니 용도에 맞는 템플릿을 적절히 커스텀하여 사용하시길 바랍니다.
▶︎ Event Taxonomy Template (soyun)
ㅤ개발 지식이 부족하더라도, GA4 기반의 이벤트와 파라미터를 잘 정리해 놓은 자료를 참고하여 약간의 시간만 투자하면 주니어 마케터(혹은 엔지니어 등) 분들께서도 충분히 이와 같은 설계가 가능합니다. 또한 GA를 이용하는 경우가 아니라 하더라도 보편적으로 쓰이는 이벤트와 프로퍼티 (해당 페이지에서는 파라미터로 구분됩니다)의 예시를 살펴볼 수 있습니다.
전략에 녹일 수 없는 방대한 데이터는 묶음 처리
ㅤ택소노미 설계에 참여하는 담당자가 마케터와 개발자, 그리고 설계자 외에도 기획자나 상품 개발팀이 참여한다면 택소노미의 방향성이 현재와는 완전히 달라질 수 있습니다. 마케터가 아닌 기획자나 MD의 입장에서는 UI/UX상의 노출이나 클릭과 같은 단순 행동 추적을 넘어 특정 회차의 반응 정도가 중요할 수 있습니다. 그러나 연재본의 모든 회차를 추적하기란 비용상의 어려움이 있습니다. 아래 이미지와 같이 결정적인 지표의 경우 하나의 페이지를 추적하기 위한 다양한 프로퍼티가 존재하는데, 100화가 넘는 연재본이 무수히 존재하기 때문에 회차를 기준으로 실시간 추적하는 경우 서버 과부하로 비용이 과다하게 발생하여 관리상의 어려움이 있을 수 있습니다.
.png)
위 예시에서 수시로 발생하는 이벤트 중 'click_charge_cookie_tried'와 'charge_cookie_completed'와 같이 프로퍼티 데이터의 양이 상당한 경우를 예로 들 수 있습니다. 퍼널을 간소화하거나 프로퍼티를 줄일 수도 없는 상황이라면 최소한 이벤트 발생 횟수를 감소시키는 방안이 있을 수 있습니다. 예를 들어, 연재본을 10화씩 그룹으로 묶어 이벤트 발생횟수를 단축시킴으로써 서버상의 관리가 비교적 원활하게 이루어질 수 있도록 강제하는 방법이 있습니다.
- 연재 1회차당 1번 기록하는 경우
- 연재 10회차당 1번 기록하는 경우
ㅤ택소노미를 지속 수정 및 개선하기 위해 마케터와 정기적인 미팅을 진행합니다. 택소노미상의 모든 이벤트를 실제로 조합하고 분석하며 직접적으로 개입하는 당사자이자 결정권자이기 때문에, 설계의 전/중/후 모든 단계에서 끊임없는 QnA를 진행하게 됩니다. 설계 전 초기에 진행한 사전 인터뷰를 통해 이미 많은 정보를 얻었다고 생각할 수 있지만 더는 구체적일 수 없을 정도로 자세한 정보를 얻어야 합니다. 마케터의 관점을 정확히 파악해야 설계상의 번거로운 수정 작업을 최소화할 수 있습니다. 앞서 언급했듯 담당자 간 의견 차이는 매우 주관적이므로 지속적인 꼬리 질문을 통해 애매한 기준을 제거하는 것이 최선의 방법입니다.
ㅤ한 가지 좋은 예로, 담당자에게 Daily Check List를 실시간으로 공유하는 방법이 있습니다. 클라이언트 측에서는 택소노미상의 진행 상황과 상세 내용을 실시간으로 확인할 수 있고, 설계자 입장에서는 커뮤니케이션에 소요되는 시간을 절약할 수 있어 효율적입니다.
ㅤ1차 설계안에 대한 협의가 완료되었다면 백엔드에서 데이터 작업을 해 줄 개발팀과 협의를 해야 합니다. 이때 1차 설계안은 '대략적으로 설계'하여 이후 개발팀과의 미팅을 통해 택소노미를 구체화하는 것이 좋습니다. 개발자와의 협의 없이 마케터의 모든 요구사항을 즉시 반영하기 위해 한 번에 많은 에너지를 쏟게 되면, 이후 택소노미를 전면 수정하는 참사가 일어날 수 있기 때문입니다.
ㅤ 서비스마다 사용하는 분석 도구(analytics tool)와 데이터 구조가 저마다 상이하기 때문에 이를 먼저 파악해야 합니다. 일반적으로 타사(구글 애널리틱스, MMP 등) 애널리틱스를 사용하거나, 자사 자체 구축 애널리틱스를 사용하는 경우로 나뉘는데, 두 가지를 병용하는 경우도 다분합니다. 예를 들어, 자사 애널리틱스의 로그 이용 시 경로 추적에 한계가 있기 때문에 이에 최적화되어 있는 GA4와 병용하는 경우를 흔히 볼 수 있습니다. *GA4와 GTM을 사용한다면 [구글 애널리틱스] 데이터 레이어 (Data Layer) 총 정리 (1) 내용을 참고 바랍니다.
자사 자체 애널리틱스의 경우에는 개발상에 제약이 거의 없기 때문에 내부 개발 리소스만 충분하다면 설계와 분석이 매우 수월합니다. 단, 개발자에게 보다 명료한 자료를 제공해야 개발자와의 커뮤니케이션 오류를 최소화할 수 있습니다.
[택소노미 설계 시 사용 플랫폼]
다음 글에서는 QA를 통해 발생 가능한 개발상의 이슈와 이를 통해 얻을 수 있는 인사이트를 공유드릴 예정입니다.
원본 포스팅 링크
이벤트 택소노미 초기 설계 시, 어디에서부터, 무엇을, 어떻게 시작해야 할지 막막한 어려움을 조금이나마 해소해 드리고자, 밀리의 서재 · 버거킹 · 무신사 · 한샘 · 웍스아웃 · 발란 · KFC · 두나무 · 오늘의 집 등의 고객사들과 실제 프로젝트를 진행하며 얻은 인사이트를 공유드리게 되었습니다.
본 1편에서는 <이벤트 택소노미의 정의와 설계 전 필독 유의사항>에 대해 다룹니다.
ㅤ이벤트 택소노미는 크게 '이벤트 유형(Event Category)', '이벤트(Event)', '이벤트 속성(Property)'의 세 가지 항목으로 구성됩니다. '이벤트 카테고리'는 유저의 최종 행동 목적이며, '이벤트'는 이러한 목적을 달성하기 위한 주요 액션들의 묶음입니다. 그리고 각 이벤트 내에는 이벤트 발생 시 ‘추가적으로 수집하고 싶은 정보‘의 '속성'들로 구성됩니다. 이러한 이벤트와 프로퍼티를 특정 규칙에 따라 분류한 데이터 분류 체계를 ‘택소노미(Taxonomy)'라고 부릅니다. 즉, ‘이벤트 택소노미 설계'한다는 것은 자사 서비스 분석에 필요한 이벤트를 식별하고, 이벤트별로 어떤 속성이 들어가야 하는지 고민하여 데이터를 설계하는 작업을 의미합니다. 이를 통해 우리는 사용자의 행동 패턴을 이해하고, 그에 따른 마케팅 전략을 수립할 수 있습니다.
.png)
'이벤트 카테고리'란 이벤트의 유형을 정하기 위한 단위로, 유사한 이벤트를 하나로 묶어 관리할 때 유용한 요소입니다.
'이벤트 카테고리'는 주로 최종 전환 이벤트로 정의되어 전환까지의 하나의 퍼널을 총칭합니다.
예를 들어 이벤트 카테고리가 ‘회원가입’인 경우, 이벤트 카테고리 내에는 홈페이지에 접속하여 특정 서비스를 이용하고자 회원가입 버튼을 클릭하여 회원가입 완료 페이지까지 이어지는 퍼널이 포함됩니다.
즉 ’이벤트 카테고리‘ = ‘최종 전환 이벤트의 퍼널’이라고 생각하시면 이해가 수월합니다.
‘이벤트’란 사용자가 프로덕트를 사용하는 과정에서의 행동이나 그 결과로 발생하는 사건을 가리킵니다.
예를 들어, '로그인 버튼 클릭', ‘관심상품 추가', ‘장바구니 담기', ‘구매 완료' 등과 같은 일련의 사용자 행동이 이에 해당하며, 그 외에 ‘주문서 로딩 시간’, ‘서버 API 처리 시간’ 등도 이벤트로 볼 수 있습니다.
프로퍼티란, 웹 문서의 동적인 객체 속성을 의미합니다.
쉽게 말해, 사용자나 이벤트가 가진 동적인 특성을 의미하며 사용자 행동에 대한 세부 분석을 위해 이벤트와 함께 수집됩니다.
예를 들어, '회원가입일자', '회원가입 방법', '회원가입 페이지 유입 경로' 등의 속성값이 이에 해당합니다.
아래의 그림은 오프라인에서 우리의 행동을 온라인에서 발생하는 이벤트로 전환하여 표현했을 때 어떻게 정리할 수 있는지 보여주는 표입니다. 이를 통해 우리는 이벤트와 속성 간의 차이를 확인할 수 있습니다.
.png)
.png)
1. 택소노미의 목적 및 방향성 수립
2. 주요 지표(이벤트 카테고리) 설정
3. 사용자 여정(User flow) 스케치
.png)
4. 이벤트 & 프로퍼티 설계
.png)
5. 마케터 협의
6. 개발자 협의
7. QA 테스트
8. 최종 수정
본 글에서는 1번(이벤트 택소노미의 목적 및 방향성 수립)부터 3번(사용자 여정(User flow) 스케치)까지의 프로세스를 다룹니다.
4번(이벤트&프로퍼티 설계)부터의 프로세스가 궁금하시다면 아래 다음 글을 참고해 주세요.
▶︎ 다음 글 : 비용 최적화된 이벤트 택소노미 설계하기
ㅤ사실 이벤트 택소노미는 본격적으로 설계하는 당시보다, 설계하기 전 목적과 방향성을 분명히 하는 데 더 중점을 두어야 합니다. 목적과 방향성이 불분명한 상태로 설계를 시작하면 추후 수정이 잦아지고 설계가 복잡해지면서 혼동이 잦을 수 있기 때문입니다. 또한 복잡해진 설계를 해결하기 위해 수정을 지속 거치다 보면 택소노미 자체에 의미를 두게 되면서 정작 본연의 목적이 흐려질 수도 있습니다. 이벤트 택소노미는 데이터 분석을 위한 하나의 도구일 뿐이며, 택소노미를 설계하는 것 자체가 목적이 되어서는 안 됩니다. 마케팅 관점에서 분석이 용이해야 하고, 개발 관점에서 구현이 가능해야 하는 점을 기억해야 합니다.
ㅤ그러므로 최종 대시보드에서 데이터를 마주하게 될 관련 담당자들과 충분한 논의가 이루어져야 합니다. 네이버 시리즈의 경우 사용자가 회원가입 → 쿠키 충전 → 도서 구매 → 도서 열람의 퍼널이 매끄럽게 이어지도록 하는 것이 최종 목표라고 가정합니다. 여기에서 주요 이벤트는 각각 sign_up, charge_cookie, purchase_completed, view_episode가 될 수 있습니다. 이를 파악하기 위해서는 먼저 서비스에 대한 이해가 선행되어야 합니다. 핵심은 양 당사자(사용자와 플랫폼)의 입장을 모두 고려하여 서비스를 이해해야 한다는 점입니다.
첫 미팅 전 웹사이트를 점검하며 어떤 애널리틱스를 사용하고 있는지 확인하고 해당 애널리틱스 구조에 맞게 주요 지표들을 스케치해야 합니다.
ㅤ통상적으로 '구매(purchase)'하는 행위를 최종 전환 기준으로 보기 마련이지만, 전환의 기준은 서비스마다 천차만별입니다. 네이버 시리즈의 경우 실제로 카드에서 결제 내역이 기록되는 시점은 도서를 구매하기 위해 쿠키를 '충전(charge_cookie)'하는 시점이기 때문에 설계자 입장에서는 '결제'를 중점으로 퍼널을 설계할 가능성이 다분합니다. 그러나 마케터 입장에서는 도서 플랫폼 특성상 충전을 하더라도 실제로 도서를 소비하는 행위, 즉 도서를 '구매'하고 '열람'하지 않는다면 의미가 없을 수 있습니다.
.png)
.png)
ㅤ네이버 시리즈의 경우 ‘쿠키 충전, ‘도서 결제’ 후에도 실제로 전자책을 읽는 ‘소비’의 기준까지 있기 때문에 설계자는 어느 지점이 최종 전환의 기준인지, 2개 이상의 전환 기준이 있다면 우선순위는 어떻게 되는지 파악해야 합니다. 예를 들어, 네이버 시리즈의 사용자 입장에서는 '구매 완료(purchase_completed)' 이벤트가 중요할 수 있습니다. 결제가 완료되고 다운로드를 완료한 시점부터 서비스를 이용하고 있다는 인지를 하기 때문입니다. 반면 플랫폼 입장에서는 '도서 열람(view_episode)' 이벤트가 중요할 수 있습니다. 구매(purchase_completed)를 하더라도 실제로 상품(도서)을 소비(열람) 하지 않으면 ‘도서를 읽은 사람’이 아니라 단순히 ‘도서를 구매만 한 사람’이기 때문입니다. 그러나 이 두 경우 모두 동일하게 최종 구매 완료(purchase_completed) 이벤트로 카운트되기 때문에 플랫폼 입장에서는 purchase_completed 뿐만 아니라, 실제로 도서를 열람하는 view_episode까지의 퍼널이 필요합니다.
ㅤ이렇듯 데이터를 바라보는 관점은 직무에 따라, 혹은 서비스 행태에 따라 모두 상이합니다. 따라서 가급적 제품이나 서비스에 대한 이해가 최우선 되어야 하고, 꼬리 질문을 통해 담당자 측으로부터 분석하고자 하는 지표에 대한 정보를 이끌어내어 이러한 간극을 좁혀나가는 것이 중요합니다.
ㅤ마케터와 충분한 논의가 되었다면 개발 관점에서는 실제로 추적 가능한 데이터인지, 혹은 표현 가능한 데이터 형태인지를 판단해야 합니다. (*개발 관점에서의 택소노미 설계 방안은 다음 글에서 상세히 다룰 예정입니다) 만일 마케터의 관점만을 중점으로 택소노미를 설계한다면 추후 설계안 전체를 뒤엎어야 할 수도 있습니다.
- 마케터: "A 데이터와 B 데이터가 필요합니다."
- 엔지니어: "A, B 데이터 기반으로 택소노미 설계 완료되었습니다."
이례적인 경우이긴 하나, 위와 같은 상황이 닥치면 완전히 다른 형태의 택소노미를 처음부터 다시 설계해야 할 수도 있습니다. 따라서 택소노미를 설계하기 전 어떠한 분석 툴을 사용하고 있으며, 어떠한 지표들을 추적할 수 있는지에 대한 개발팀과의 커뮤니케이션 역시 매우 중요합니다.
ㅤ이벤트 카테고리를 설정하기 위해 서비스의 유저 플로우를 상상하며 아이데이션을 진행합니다. 서비스에 대한 시장 조사를 통해 이용자의 특성을 고려하여 실제 사용자 관점에서 퍼널에 유입되어 보기도 합니다. 일반적인 주요 지표로는 '회원가입(sign_up)', 장바구니 담기(add_to_cart)', '구매(purchase)'가 있으며, 이는 서비스마다 매우 다양하게 분류될 수 있습니다. 네이버 시리즈의 경우 '쿠키 충전(charge_cookie), '도서 다운로드(download_book)', '도서 열람(view_book)'의 추가적인 주요 지표가 있을 수 있습니다. 각각의 주요 지표들은 2-3가지를 하나의 카테고리로 묶을 수도 있고, 각각의 퍼널로 분류할 수도 있습니다.
[이벤트 카테고리 분류 예시]
.png)
.png)
.png)
.png)
.png)
이외에도 매우 다양한 경우의 수가 존재합니다. 다만 다섯 번째 케이스와 같이 하나의 퍼널에 모든 주요 카테고리를 연결하여 설계하게 되면 택소노미의 가독성이 현저히 떨어질 수 있어 권장하지는 않습니다.
ㅤ첫 미팅 전 인터뷰 질문을 사전 공유하여 답변을 미리 생각할 수 있도록 하는 것도 좋은 방법입니다. 특히 이미 론칭된 기존 서비스의 경우 접속에 제한이 없기 때문에 정보를 습득하기 수월하지만, 론칭 전 신규 서비스의 경우 내부 보안 문제로 접속이 불가하여 미팅 전 사전 자료 조사가 어려운 경우 사전 인터뷰지를 작성하는 것은 더욱 유용합니다. 인터뷰 질문의 경우 앞서 미팅 전 가정했던 주요 지표들을 기반으로 작성한다거나, 홈페이지의 UI/UX상으로는 명확히 파악하기 어려운 사항들을 리스트업 하고, 론칭 전 서비스의 경우 자사의 기존(과거) 서비스를 참고하거나, 경쟁사의 레퍼런스를 참고하여 설문지를 작성하는 것도 하나의 방법입니다.
이때 각 질문들은 가능한 구체적으로 풀어 작성하는 것이 중요합니다.
[인터뷰 질문 유형 예시]
.png)
ㅤ마케팅과 개발 모두의 관점에서 택소노미의 목적과 방향성을 분명히 하고 사전 자료 조사에 따라 인터뷰를 원활히 진행하여 택소노미의 뼈대를 완성했다면, 이제 설계에 돌입하여 주요 지표 사이 사이에 살을 붙여야 합니다. 예를 들어 '회원가입 완료(sign_up)'를 위해서는 회원가입 페이지에 진입하여 회원가입 시작을 클릭하고, 사용자 정보를 입력하여 최종적으로 회원가입 완료하기 버튼을 클릭하면 회원가입의 퍼널이 완성됩니다. 이러한 유저 플로우의 간략한 아키텍처를 스케치해 두면 추후 택소노미를 구체화하기가 훨씬 수월합니다.
.png)
--
다음 글에서는 본격적으로 이벤트 택소노미를 설계하는 방법과 실제 플랫폼 서비스의 택소노미 설계 사례를 자세히 다루어 볼 예정입니다.
▶︎ 다음 글 : 비용 최적화된 이벤트 택소노미 설계하기
[비용 최적화된 이벤트 택소노미 설계하기]
원본 포스팅 링크
https://brunch.co.kr/@soxxun/7
행사명 : Braze Personalization Master Class 세미나
장소: 서울 서초구 서초대로38길 12 마제스타시티 타워2 12F
일시: 2024년 5월 29일 수요일 오후 7시
초청 대상:
이번 세미나의 경우, 직접 Braze 개인화 기능을 활용하고 실무에 적용해보실 수 있도록 직접 실습을 진행하였으며 각 자리에 모니터를 배치하여 충분히 따라오실 수 있게 했습니다.
수강자분들이 배우신 내용을 복습하실 수 있도록 강의자료를 현장에서 공유해드렸고, 해석본까지 세션 종료 후에 추가 공유해드렸습니다.
첫 번째 Step인 개인화 태그는 Braze에 유저별로 다르게 수집된 데이터를 메시지에 적용하여 개인화된 메시지를 보낼 수 있게 해주는 역할을 합니다.
개인화 태그 적용 가능 영역은 문구 입력부분과 이미지 영역, 랜딩 영역, 키값 영억(Key-Value Pair) 4가지로 구분되어 있으며, 데이터 타입 (Data Type)별로 Braze에서 가지는 특성이 다릅니다.
이처럼 데이터 타입에 따른 특성이 다르기 때문에 잘 숙지해야 합니다.
개인화 태그의 역할과 기능을 이해하고 나서 본격적인 개인화 기능을 학습하기 위해 Liquid 구문에 대해 배워보았으며 Braze에서 다양한 조건별 메시지 설정이 가능합니다.
원하는 Depth에 따라 제품 카테고리를 구분해서 발송하거나, 쿠폰 만료 하루 전 안내 메시지를 발송하거나, Braze 카탈로그를 활용한 추천 기능을 구현하는 등 설정한 메시지 내 변수를 지정하고 호출하는 과정에서 실제로 어떻게 출력되는지 이해하실 수 있도록 다양한 Liquid 활용 사례를 통해 설명해드렸습니다.
마지막으로 Braze 커넥티드 콘텐츠 (Connected Contents)의 개념과 활용방법, 사례에 대해 배워보았습니다.
커넥티드 콘텐츠는 API를 호출(request)하고 그에 대한 응답값(response)을 받아와 메시지에 활용할 수 있는 Braze의 강력한 개인화 기능입니다.
데이터 베이스로부터 요청한 Data값을 받아온 API를 호출하는 방식이기에 커넥티드 콘텐츠의 기본 문법을 정확하고 올바르게 숙지해서 입력해주어야 합니다.
커넥티드 콘텐츠 기능 사용에 적절한 상황들도 Liquid 세션과 마찬가지로 다양한 사례들과 함께 살펴보았습니다.
Braze와 Martinee가 야심차게 준비한 CRM 커뮤니티는 Braze 뿐만 아니라 다양한 CRM 툴에 관련된 내용이나 CRM 마케팅을 하면서 생기는 궁금증과 인사이트를 원활하게 공유하고 소통하기 위한 공간을 마련하고자 소개드렸습니다.
소통 및 공유에 있어 불편함이 없도록 참여자 ‘익명’으로 운영될 예정입니다.
CRM 커뮤티니 신청 링크는 세션에 참여해주신 분들께 공유드렸고 추가로 참석하지 못하신 분들께서는 아래 링크를 통해 신청하실 수 있습니다 😊
마티니가 Braze를 활용하는 방법을 아낌없이 공유해드리는 세션에서 CRM 스킬을 업그레이드 하고 싶으시다면 7월에 진행 예정인 Braze Personalization Master Class Advanced 세미나에 신청하세요!
(자리가 한정되어 있습니다!)
마티니가 여러분의 비즈니스 성공을 위해 언제나 함께 합니다.
