September 27, 2024
엑셀과 스프레드시트를 어느정도 다루시던 분들은 조건부 서식에 어느정도 익숙하실 겁니다.
조건부 서식은 데이터를 보다 효과적으로 표현하고 분석하는 강력한 기능입니다. 이는 특정 조건에 따라 셀의 모양(글자 색상, 셀 색상)을 자동으로 변경하여 중요한 정보를 시각적으로 돋보이게 만드는 기능입니다.
위의 이미지 예시를 보면 더 쉽게 이해할 수 있습니다. 왼쪽은 아무런 설정을 하지 않은 차트라면 오른쪽은 숫자의 백분위수를 기준으로 색상을 표현하였습니다. 오른쪽의 표가 일자별 노출수의 차이를 훨씬 쉽게 이해할 수 있습니다.
조건부 서식의 가장 큰 특징은 데이터에 기반한 동적인 시각화입니다. 사용자가 정의한 규칙에 따라 데이터가 변경될 때마다 서식도 자동으로 업데이트됩니다. 이는 단순히 정적인 색상이나 서식을 적용하는 것과는 다르게, 항상 최신 데이터를 반영한 시각적 표현을 제공합니다.
루커스튜디오와 같이 실시간으로 변하는 데이터 시각화 솔루션에서는 필수적으로 활용하면 좋을 기능입니다.
루커스튜디오에도 이러한 조건부 서식이 있으며 다른 엑셀과 Tableau와 같은 BI와 유사한 기능을 사용할 수 있습니다.
기본적으로 'Tablea' 차트와 'Score' 차트에서 활용가능합니다.
단색과 색상스케일에 따라 구분할 수 있습니다. KPI 달성이나 임계값 달성에 대한 강조를 원한다면 단색 유형이 유용합니다. 반면에 데이터의 양이 많고 데이터간 상대적 차이가 중요하다면 색상 스케일이 유용합니다.
규칙별로 하나의 조건만 가능하며 조건 형식은 셀 또는 전체 행에 적용할 수 있습니다.
September 24, 2024
대부분의 비즈니스 문제는 두 가지 이상의 데이터 소스들을 결합하여 바라봐야 의미 있는 인사이트를 도출 할 수 있습니다. 광고데이터와 성과데이터, 매출데이터와 쿠폰데이터, 사용자데이터와 행동데이터 등과 같은 여러 데이터 조합들이 존재합니다.
루커 스튜디오의 기능 중 하나인 데이터 혼합은 두 가지 이상의 데이터간 결합을 제공하는 기능으로 데이터 시각화 및 분석을 더욱 풍부하게 만들어줍니다.
이러한 데이터 혼합 방식은 루커 스튜디오만의 방식은 아닙니다. 이미 데이터를 처리하는 데이터베이스 분야에서는 널리 사용 되고 있습니다.
이번 시간에는 루커 스튜디오 데이터 혼합 기능에 대해 배워보고 루커 스튜디오의 대시보드를 더 깊이 있게 만들어봅시다.
데이터 혼합 방식을 처음 접한 분들은 개념이 생소할 수 있습니다. 뿐만 아니라 이미 SQL 등을 공부하면서 혼합 방식을 알고 계셨던 분들도 혼합은 헷갈리는 개념입니다. 먼저 루커 대시보드를 가지고 혼합에 대한 개념을 가볍게 살펴보도록 하겠습니다.
루커 스튜디오가 제공하는 5가지 조인방식을 동일한 데이터를 가지고 혼합하였을 경우 혼합된 최종 결과 데이터가 어떻게 구성되는지 시각적으로 본다면 이해가 좀 더 편할 것입니다. 아래의 이미지에 각 혼합 방식에 따른 결과 테이블을 살펴보실 수 있습니다.
먼저, 루커 스튜디오 데이터 혼합에 대한 기본적인 내용을 알아보겠습니다. 데이터 혼합은 최대 5개의 데이터 소스를 조합하여 차트를 생성하는 기능을 제공합니다. 이를 통해 서로 다른 데이터 소스 간 측정항목과 측정기준을 조합한 새로운 차트를 만들 수 있습니다. 데이터 혼합을 통해 다양한 데이터 소스의 구성을 효과적으로 활용할 수 있습니다.
1) 기본 : 리소스 → 혼합 소스 관리 클릭 후 데이터 혼합
2) 설정탭 이용 : 설정탭 내 데이터 소스 → 데이터 혼합 클릭
3) 차트 이용 : 두 개 이상의 차트를 선택하고 데이터 혼합 생성
혼합 데이터는 루커 스튜디오의 데이터 혼합 부분에서 새롭게 만들거나 업데이트를 합니다. 해당 화면과 데이터 혼합에 대한 기본적인 구성을 살펴봅시다.
왼쪽 조인 유형은 가장 기본적인 조인 유형입니다. 왼쪽 테이블을 기준으로 모든 행을 반환하고 오른쪽 테이블은 왼쪽 테이블 조인 키값과 일치하는 행만 반환합니다.
ㅤ
오른쪽 테이블에 존재하지 않거나 누락된 값은 최종 혼합 데이터에서 빈칸 혹은 null 값으로 표현됩니다.
라이트 아우터 조인 유형은 왼쪽 조인과 반대로 오른쪽 테이블을 기준으로 왼쪽 테이블을 모두 반환합니다. 테이블이 반대일 뿐 왼쪽 조인과 동일한 원리 입니다.
활용
2개의 보완적인 데이터 소스로 하나의 데이터 소스를 만드는 경우에 활용 가능합니다. 예를 들어 아래와 같이 매출 데이터 소스를 확장하기 위해 한쪽에는 유저 소스를 레프트 조인으로(키값은 유저 ID), 다른 한쪽에는 제품 정보 소스(키값은 판매 상품)를 넣어서 매출 데이터 분석을 더욱 풍부하게 만들 수 있습니다.
ㅤ
ㅤ
내부 조인은 두 테이블 조인 조건 모두에서 일치하는 행만 반환합니다. 각 데이터 세트의 다른 모든 행은 제거됩니다.
두 데이터 소스 간 중복에 관련한 분석을 하는 경우 많이 사용합니다. 또한 동적 데이터로 데이터 세트를 필터링하는 쉬운 방법입니다.
ㅤ
활용
ㅤ
ㅤ
외부 조인은 조인 조건이 충족되지 않더라도 두 테이블의 모든 행을 반환합니다.
활용
데이터베이스(1st party data)와 GA4(3rd party data)를 연결하며 데이터베이스에서 삭제된 데이터가 GA4에서 확인 가능하며 GA4에서 추적되지 않은 값이 데이터베이스에서 확인 가능합니다. 이처럼 양쪽의 환경을 모두 고려해야 하면서 서로의 데이터가 모두 필요한 경우 사용합니다.
ㅤ
ㅤ
교차 조인은 모든 테이블 행의 데카르트 곱(두 소스의 모든 구성요소의 순서 쌍)을 반환합니다.
즉, 왼쪽 데이터 세트의 모든 행은 반복을 통해 오른쪽 데이터 세트의 모든 행과 곱해져서 데이터를 반환합니다.
이는 조인 키가 필요하지 않은 유일한 조인 유형입니다.
ㅤ
활용
데이터의 각 행 별 조인이 필요한 경우에 사용합니다.
데이터 혼합의 조인 조건을 잘 활용한다면 분석을 더욱 풍부하게 만들어주는 게임 체인저가 될 수 있습니다.
이러한 기능을 활용하기 위해서는 처음에는 까다로울 수 있지만 연습해서 여러분들 것으로 만든다면 멋진 대시보드를 만드시는데 도움이 되실 겁니다.
September 5, 2024
데이터를 다루면서 고객의 업무 효율을 높이는 것을 도와드리고 있지만, 정작 저의 일에서는 데이터 정리와 효율화는 잘 못하고 있더라고요. 그래서 요즘은 Make와 Zapier를 통해 최대한 많은 일들을 자동화 하면서 좀 더 저의 자유(?) 시간을 만들어가고 있습니다.
👉 Make 자동화 : https://www.make.com/en
그런데 어느순간 Make 자동화가 많아지면서 제가 만들고 운영중인 자동화가 뭔지 헷갈리기 시작했습니다. Make 자동화로 업무효율화를 만들었지만 그럴수록 자동화 솔루션이 정리가 되지 않는 아이러니...
Make에서는 하나의 자동화 과정을 시나리오라고 해서 각 시나리오를 Json 형식으로 저장해서 관리할 수 있습니다. 이러한 Make의 특징을 활용해서 Make에서 시나리오가 새롭게 만들어지거나 업데이트가 되면 각각 구글 드라이브와 노션에 저장 & 업데이트 되는 자동화를 만들어봤습니다.
- 자동화 솔루션 : Make
- DB : Notion, Make DB
- 자료 정리 : 구글 드라이브
1️. Make 어드민의 다양한 시나리오들입니다. 카테고리를 만들 수 있긴하지만 그것만으로는 한번에 어떤게 있는지 확인이 쉽지 않습니다.
2️. Make 자동화 설계 화면 입니다.
3️. Notion에 저장된 최종적인 모습입니다.
👉 업무를 하다보면 고객 리드, 업무 파일, 데일리 보고 등 DB화 & 자료를 정리해야하는 업무들이 빈번하게 있습니다. 해당 시나리오처럼 매번 생산되는 자료를 구글 드라이브와 노션에 자동으로 기록한다면 생각보다 많은 업무를 효율화 할 수 있습니다.
August 30, 2024
B2B 비즈니스를 하다보면 고객 리드를 확보하는 마케팅을 많이합니다. 특히 블로그를 통해 자사 비즈니스의 관심과 이해를 높이면서 자연스럽게 리드를 확보하는 전략을 잘 활용합니다. 마티니도 마찬가지로 다양한 자료들을 블로그와 링크드인 등을 통해 공유 하면서 고객 리드를 자연스럽게 확보하고 있습니다.
처음에는 자료도 많지 않고 리드 인입도 드물어서 고객 리드에 대한 대응이 큰 문제가 없었습니다. 아마 대부분의 B2B 회사처럼 정보성 자료로 고객 리드를 확보하는 경우, 리드가 들어온 것을 확인(인지) 하고 리드의 정보를 확인하고(리드 확인) 고객 세일즈 메일(메일 발송)을 보내면서 자사의 서비스를 알리는 단계를 진행하였습니다.
문제는 리드 수집을 위한 정보성 자료의 수와 경로가 서서히 많아지면서 발생합니다. 어느 수준 이상이되면 고객 리드를 잘 확인하는 것도 쉽지 않습니다. Typeform이나 Googleform을 통해 수집하는 경우 스프레드시트와 Slack으로 리드 수집 현황을 보내주긴 하지만 담당자가 부재하거나 다른일을 하는 경우에는 리드 인지 자체를 놓치는 경우도 존재합니다.
실제로 저희도 리드가 많아지면서 리드 담당자의 업무 부하가 늘고 이에따라 리드 피드백이 늦어지면서 대응이 누락되는 경우가 종종 발생하였습니다.
현재는 해당 과정을 모두 자동화해서 리드 인입부터 리드 고객 정리, 리드 정보 요약, 메일 발송까지 모두 자동화 했습니다.
- 리드 수집 : Featpaper
- 리드 알람 : Slack
- 리드 정보 요약 : Chat GPT
- 리드 DB 정리 : Spreadsheet
- 리드 메일 보내기 : Gmail
- 업무 자동화 : Zapier
1️. 이미지는 B2B 리드 마케팅 프로세스로 마티니의 As-is / To-be 모습입니다. 빨간색 블럭이 자동화된 영역입니다.
2️. Zapier 자동화 설계 화면 입니다.
3️. 리드 획득 후 해당 회사의 정보를 찾아보고 정리하는 것도 생각보다 시간이 많이 듭니다. 해당 프로세스를 Chat GPT를 이용해서 일부 도움을 받을 수 있었습니다. 다만, GPT의 정보 최신정 문제와 정보 신뢰도 문제가 있습니다. 프롬프트 엔지니어링을 통해 정보를 못 찾는 경우 정보가 없다는 결과값을 뱉어낼 수 있게 하였습니다.
🙋♂️ 더 해볼 것 : GPT가 정보를 잘 못 찾는 문제는 Perplexity 같은 URL과 검색 기반으로 정보를 수집하는 AI 솔루션으로 대체하면 어느정도 해결이 가능합니다. 아쉽게도 zapier의 연동 app 목록에는 현재 없어서 추후 Make를 통해 구현할까 생각 중입니다. 더 써보면서 자동화 가능 영역을 찾아 업무 생산성을 높이는 고민을 계속 해보려고 합니다.
👉 자동화 너무 재밌네요. 여러분도 AI와 Automation 사용해서 업무 생산성 높여보세요!
August 27, 2024
최근 데이터 시각화 및 분석 도구들이 발전하면서 사용자 친화적인 인터페이스가 중요해지고 있습니다. Google Looker Studio는 이러한 요구에 맞춰 다양한 기능을 제공하며, 그 중 하나가 선형(Line) 차트와 막대(Bar) 차트를 전환할 수 있는 토글 스위치 기능입니다. 물론 기본적인 제공 기능 아니지만 루커스튜디오의 기능을 활용하면 간단하게 구현 가능합니다.
데이터를 분석하는 과정에서 서로 다른 유형의 차트를 사용하면 데이터를 다양한 각도에서 시각화할 수 있습니다. 예를 들어, 막대 차트는 특정 시점의 데이터를 비교하는 데 유용하며, 선형 차트는 시간에 따른 변화를 나타내는 데 적합합니다. 이러한 차트들을 손쉽게 전환할 수 있는 기능이 있으면, 사용자는 더 쉽게 다양한 인사이트를 얻을 수 있습니다.
💡스위치 필터 사용 시 매개변수는 숫자형만 반응. 따라서 텍스트가 아닌 데이터 유형을 숫자로 설정하여 매핑.
💡BarIF(차트 타입 = 1, Revenue, null)
💡LineIF(차트 타입 = 2, Revenue, null)
이러한 토글 스위치 기능은 사용자에게 더 나은 데이터 시각화 경험을 제공합니다. 사용자는 필요에 따라 차트를 전환하며 데이터를 더 직관적으로 이해할 수 있습니다. 이는 데이터 분석의 효율성을 높이고, 더 나은 결정을 내리는 데 도움을 줍니다.
Google looker Studio에서 선형 및 막대 차트를 전환하는 토글 스위치를 구현하는 방법을 알아보았습니다. 이러한 기능은 데이터 분석을 더욱 직관적이고 효율적으로 만들어 줄 것입니다. 이제 여러분도 데이터 시각화를 한 단계 업그레이드 해보세요.
August 23, 2024
디지털 시대의 급속한 발전과 함께 마케팅 환경이 빠르게 변화하고 있습니다. 다양한 채널을 통한 고객 접점이 증가하면서 기업들은 복잡해진 고객 관계 관리(CRM)에 직면하고 있습니다. 이러한 상황에서 CRM 대시보드의 중요성이 더욱 부각되고 있습니다.
CRM 대시보드는 여러 채널에서 수집된 CRM 캠페인 데이터를 통합하여 분석하고, 현황을 한눈에 파악할 수 있게 해주는 강력한 방법입니다. 다양한 CRM 채널로 인해 단일 기준으로 분석하기 어려운 데이터들을 대시보드를 통해 효과적으로 통합하고 시각화함으로써, 마케터들은 보다 신속하고 정확한 CRM 마케팅 의사결정을 내릴 수 있게 됩니다.
이러한 CRM 대시보드의 활용은 단순히 데이터를 보여주는 것에 그치지 않습니다. 실시간으로 캠페인 성과를 모니터링하고, 고객 행동 패턴을 분석하며, 각 채널별 효과를 비교할 수 있게 해줍니다. 이를 통해 기업은 더욱 효율적인 마케팅 전략을 수립하고, 고객 경험을 개선하며, 궁극적으로는 ROI를 향상시킬 수 있습니다.
본 글에서는 범용적으로 활용가능한 CRM 대시보드를 템플릿을 제공합니다.
Looker Studio CRM 캠페인 대시보드 템플릿은 마케팅 캠페인의 성과를 실시간으로 모니터링하고, 데이터를 시각화하여 분석할 수 있도록 돕는 강력한 도구입니다. 이 템플릿을 통해 효과적인 의사결정을 지원하고, 전략을 최적화할 수 있습니다.
Looker Studio CRM 캠페인 대시보드 템플릿은 캠페인의 실시간 성과 모니터링, 데이터 시각화, 마케팅 전략 최적화를 목적으로 활용됩니다. 이를 통해 효과적인 의사결정과 전략적 개선이 가능합니다.
실시간 대시보드를 통해 데이터를 업데이트하고, 다양한 필터 기능을 사용하여 원하는 데이터를 정확히 추출할 수 있습니다. 맞춤형 리포트를 생성하여 필요에 따라 커스터마이즈된 분석이 가능합니다.
마케팅 팀, 경영진, 데이터 분석가 등 다양한 사용자들이 이 템플릿을 활용하여 캠페인 성과를 모니터링하고 분석할 수 있습니다.
1. 주기적인 업데이트
2. 필터 활용
3. 성과 지표 설정
4. 데이터 비교
5. 팀과 공유
템플릿은 마케팅 캠페인의 성과를 종합적으로 관리하고 분석하는 데 유용하며, 데이터를 기반으로 한 전략적 의사결정을 지원합니다.
August 21, 2024
루커 스튜디오(Looker Studio)는 구글에서 제공하는 강력한 데이터 시각화 도구입니다. 다양한 데이터 소스를 연결하여 직관적인 대시보드를 만들 수 있으며, 이를 통해 복잡한 데이터를 쉽게 이해할 수 있습니다. 특히, 마케팅, 영업, 운영 등 다양한 분야에서 유용하게 활용될 수 있습니다. 루커스튜디오가 궁금한 분들은 해당 글을 참고해주세요.
인터랙티브 퍼널 차트는 사용자 행동을 단계별로 분석하여 시각적으로 표현하는 방식입니다. 특히, 마케팅 퍼널 분석에 유용하며, 고객이 제품이나 서비스를 구매하기까지의 과정을 시각화하여 각 단계에서의 전환율을 파악할 수 있습니다.
퍼널 분석에는 두 가지 전환율 분석 방식이 존재합니다:
이 두 가지 방식 모두 데이터의 절대값(absolute) 형태와 비율(rate) 형태로 나눠서 분석할 수 있습니다. 이를 통해 어떤 단계에 문제가 있는지 비교하면서 파악할 수 있습니다.
퍼널 분석을 통해 마케팅 전략의 효과를 검토하고 개선할 수 있는 인사이트를 얻을 수 있습니다. 예를 들어, 특정 단계에서 이탈율이 높다면 해당 단계의 문제점을 찾아 해결하는 방식으로 퍼널의 전반적인 전환율을 개선할 수 있습니다.
루커 스튜디오 인터렉티브 퍼널 분석 차트 만들기 | Looker studio
인터랙티브 퍼널 리포트를 작성하는 단계는 크게 데이터 준비, 바 차트 생성, 차트에 인터랙티브 기능 추가로 나눌 수 있습니다.
먼저, 데이터 소스를 연결한 후 필요한 데이터를 정리합니다. 예시는 GA4 데모 데이터를 활용 하였습니다.
계산된 필드와 매개변수 설정이 필요합니다.
아래 이미지에 활용할 매개변수 2가지를 만들어봅시다.
Drop-off type
Value type
데이터 혼합을 이후에 활용할 예정입니다. 데이터 혼합에서 매개변수 사용을 위해서는 매개변수를 측정기준으로 아래와 같이 변경하는 작업이 필요합니다.
앞서 살펴봤던 매개변수의 계산된 필드 변환을 포함하여 3가지 측정기준을 만들어 줍니다.
Drop-off type dim
Value type dim
Funnel step order #
GA4의 전자상거래 5개 이벤트를 선택하고 해당 단계의 순서를 지정하는 이벤트를 만들어줍니다.
Looker Studio 코드 1
CASE
WHEN 이벤트 이름 = "add_to_cart" THEN 1
WHEN 이벤트 이름 = "add_shipping_info" THEN 2
WHEN 이벤트 이름 = "begin_checkout" THEN 3
WHEN 이벤트 이름 = "add_payment_info" THEN 4
WHEN 이벤트 이름 = "purchase" THEN 5
ELSE NULL
END
GA4 – Checkout steps
앞서 정의한 5개 외 나머지 이벤트는 Null로 처리 되었습니다. 해당 이벤트는 분석에 활용하지 않을 예정이므로 필터를 이용하여 제외 처리를 해줍니다. 해당 필터는 이후 단계에서 활용하도록 하겠습니다.
퍼널 분석을 위해선 직전단계와 다음 단계 사용자의 차이를 구해야합니다. 다만 루커스튜디오는 단일 소스로 해당 계산을 하기가 어렵기 때문에 데이터 혼합의 교차 조인을 활용하여 단계별 유저 차이를 구하는 식을 만들 수 있습니다.
데이터 준비가 완료되면, '차트 추가' 메뉴에서 바 차트를 선택합니다. 바 차트를 생성한 후, X축과 Y축에 표시할 데이터를 설정합니다.
3.4.1 설정 탭
Abs users
Looker Studio 코드 2
IF(
Values type dim = "Absolute values"
,
Total users
,
null
)
Abs exited users
Looker Studio 코드 3
IF(
Values type dim = "Absolute values"
,
IF
(
Drop-off type dim = 'Funnel drop-off'
,
IF(Ref Funnel step order = 1 AND Funnel step order != 1, (Ref Total users - Total users),null)
,
IF(Ref Funnel step order = Funnel step order - 1, (Ref Total users - Total users),null)
)
,
null
)
% active
Looker Studio 코드 4
IF(
Values type dim != "Absolute values"
,
IF
(
Drop-off type dim = 'Funnel drop-off'
,
CASE
WHEN Funnel step order = 1 THEN 1
WHEN Ref Funnel step order = 1 AND Funnel step order != 1 THEN (Total users ) / Ref Total users
ELSE NULL
END
,
CASE
WHEN Funnel step order = 1 THEN 1
WHEN Ref Funnel step order = Funnel step order - 1 THEN (Total users ) / Ref Total users
ELSE NULL
END
)
,
null
)
% drop off
Looker Studio 코드 5
IF(
Values type dim != "Absolute values"
,
IF
(
Drop-off type dim = 'Funnel drop-off'
,
IF(Ref Funnel step order = 1 AND Funnel step order != 1, (Ref Total users - Total users)/Ref Total users,null)
,
IF(Ref Funnel step order = Funnel step order - 1, (Ref Total users - Total users)/Ref Total users,null)
)
,
null
)
3.4.2 스타일 탭
인터랙티브 퍼널 리포트는 다양한 마케팅 시나리오에서 유용하게 활용될 수 있습니다. 예를 들어, 고객의 구매 여정을 단계별로 분석하여 각 단계에서 발생하는 이탈율을 파악하고, 이를 개선하기 위한 전략을 세울 수 있습니다.
또한, 특정 마케팅 캠페인의 성과를 분석할 때도 퍼널 리포트를 사용하면 각 채널별로 고객의 반응을 비교할 수 있습니다. 이를 통해 어떤 채널이 가장 효과적인지 파악하고, 마케팅 예산을 효율적으로 분배할 수 있습니다.
July 19, 2024
KPI 대시보드 템플릿을 활용하여 비즈니스 주요 지표를 확인하며 데이터 기반 의사결정에 활용할 수 있습니다. 매출, 이익, 구매수 등 특히 지역별 구매 관점의 분석을 통해 실행 가능한 인사이트를 제공합니다.
1. 스프레드시트 사본 만들기
2. 루커스튜디오 사본 만들기 클릭
3. 리소스 → 추가된 데이터 소스 관리 클릭
4. 작업 → 수정 클릭
5. 루커스튜디오와 스프레드시트 연동 승인 진행
6. 앞서 사본을 만들었던 파일 찾아서 연결
7. 데이터 새로고침하면 데이터 확인이 됩니다.
July 15, 2024
SEO 분석의 핵심 채널은 구글과 네이버 입니다. 그 중 구글에서는 사이트로 들어오는 유저의 검색 키워드를 분석 할 수 있게 도와주는 구글서치콘솔(GSC)을 제공하고 있습니다. 이를 통해 어떤 키워드가 더 노출과 클릭이 잘 되고 있는지 어떤 키워드가 문제인지를 확인할 수 있습니다.
다만 구글서치콘솔의 기본 목적은 구글이 도메인의 정보를 수집해가는 사이트맵 관리용으로 출발하다 보니 키워드별 깊이있는 통계 분석을 하기는 어렵습니다.
이로 인해 구글서치콘솔의 다소 부족한 통계를 보완하여 더 효과적인 구글 SEO 분석에 도움을 주기 위해 대시보드를 구성하였습니다. 총 4개의 영역으로 구성되어 있으며 각 대시보드의 활용 방식은 아래와 같습니다. SEO 관리를 위해 분석하면 좋을 지표와 방식들에 집중해서 같이 살펴보시면 좋을 것 같습니다.
July 10, 2024
이번 글에서는 Udemy교육 플랫폼에 대한 분석과 해당 분석을 바탕으로한 대시보드를 그려보려고 합니다. 교육관련 비즈니스나 지식 기반 서비스 운영하는 경우 해당 분석과 대시보드가 참고가 될 수 있을 것입니다.
Kaggle에 올라와 있는 Udemy 데이터를 활용하여 분석을 진행하였습니다. 혹시 데이터가 필요한 분들은 아래 링크를 참고해주세요.
Udemy는 글로벌 교육 커머스 플랫폼 입니다. 마케팅이나 데이터 분석 뿐 아니라 개발, 라이프스타일, 비즈니스 등 다양한 분야의 강의들이 판매되고 있습니다. 가격이 그렇게 부담되지 않기 때문에 기회가 되신 다면 한번 들어보시면 좋을듯합니다. 다양한 국가 언어를 제공해 주지만 한글 비율은 높은편은 압니다. 다만 대부분 자막을 제공해주기 때문에 어렵지 않게 양질의 자료들을 보실 수 있습니다.
국내에서 Udemy와 비슷한 비즈니스 모델로는 패스트캠퍼스, 클래스 101, 인프런 같은 서비스가 있습니다.
지식 기반 상품을 판매하는 이러한 비즈니스 모델의 특징은 커머스와 크게 다르지 않습니다. 다양한 주제(카테고리 & 브랜드)의 강의(상품)가 있고 고객이 원하는 강의가 있다면 개별 강의를 구매하는 방식으로 구매 여정이 이루어져 있습니다.
일반 상품과 다르게 무형의 상품이다보니 체험 형식의 무료 과정이 활발하게 활용되는 편입니다. 강좌 개설도 자유롭게 할 수 있으며, 강좌에 대한 홍보도 직접 진행할 수 있다보니 스마트스토어에 상품을 직접올려서 판매하는 오픈마켓의 방식과 거의 유사합니다.
해당 분석의 목표는 강좌를 만드는 강의자와 Udemy에서 강좌를 서포트하는 매니저가 사용 할 수 있는 분석과 대시보드 제작을 목적으로 진행하려고합니다. 이를 통해 주요 인기 카테고리와 상위 강좌로 올라가기 위한 조건이나 기준들을 살펴보도록 하겠습니다.
데이터 세트는 총 12개 항목(컬럼)으로 이루어져 있습니다.
데이터 수는 3682개로 이루어져 있습니다.
EDA를 통해 기본적으로 데이터의 모양을 살펴보고, 데이터 특징을 파악하며 데이터 퀄리티를 높이는 작업을 합니다.
EDA 진행 전 필수적으로 확인해야하는 단계가 데이터 퀄리티 확인 단계입니다. 이는 '데이터 클리닝' 이라고도 부르는 단계로 데이터 결측치, 데이터 중복, 이상치를 확인하는 단계 입니다. 실제로 해당 Raw 데이터는 결측치가 있는 데이터로 적절한 결측치 처리가 필요하였습니다. 이번 데이터는 결측치가 6개 row에서 발견되어 해당 row를 제거하는 방식으로 진행하였습니다. 만약 결측치가 많다면 보간 방식으로 데이터를 적절하게 채워 분석을 진행할 수 있습니다.
EDA를 통해 몇가지 특징을 확인할 수 있었습니다.
앞서 진행한 EDA 과정을 통해 분석 대시보드는 주요 지표를 보여주는 Overview와 주요 지표를 드릴다운해서 볼 수 있는 개별 영역으로 나누어서 구성하였습니다.
각 화면별 자세한 구성은 아래와 같습니다.
개요 대시보드의 구성은 대부분 유사하게 구성합니다.
주요 KPI와 해당 KPI의 시간별 퍼포먼스를 볼 수 있는 영역을 기본으로 구성합니다. 이외에 주요 지표 구성 요소를 배치하여 가볍게 드릴 다운 해서 볼 수 있는 구성을 합니다.
시간에따른 KPI 성과 영역은 선택 측정항목 기능을 활용하여 측정항목을 자유롭게 변경하며 분석하거나 기간 단위를 일 -> 주 -> 월 로 변경하면서 트렌드를 다양하게 확인할 수 있게 구성하였습니다.
커머스로 비유하면 교육 산업에서 구독자는 구매자와 동일합니다. 다만 서비스하는 교육과정이 많다보니 적정한 기준으로 교육과정을 나누어 과정 별 특징을 확인하면 분석 편의성을 높일 수 있습니다.
가장 간단한 그룹화 방법 중 하나는 파레토 법칙을 이용하는 방식입니다. 아래 그림과 같이 가장 많은 교육과정 or 상위 10% 기준을 확인한다면 새롭게 강의를 런칭하는 신규 강사의 입장에서 바라봐야할 목표 지표를 세울 수 있습니다.
교육 산업의 특징 중 하나는 무료 강의를 통해 플랫폼에 대한 인지를 높이는 전략을 가져가는 것입니다. Udemy 또한 평균 10% 내외의 무료 강의 비율을 보이고 있습니다. 강의 수는 10% 내 외이지만 실제 해당 무료 과정을 통해 플랫폼 경험을 하는 유저 수는 30% 이상 될 정도로 무료 과정은 중요한 역할을 하고 있습니다.
상품을 구매하는데 있어 중요한 항목 중 하나는 누군가의 추천입니다. 공급자는 대부분 상품의 좋은 점을 강조하기 때문에 다른 유사 상품과의 차이가 두드러지지 않습니다. 특히나 비슷한 주제의 강의라면 커리큘럼과 실습방식 외 나머지 강의 요소를 상세페이지에 표현하기 어렵습니다. 강의 전달 방식이나 강의자의 톤, 발성, 논리정연한 강의력 등 실제 강의를 들은 수강생의 생생한 후기는 많은 경우 구매 전환에 매우 큰 영향을 줍니다. 실제로 리뷰와 수강생의 상관도가 높은 것으로 확인되며 상위 5% 강의의 리뷰율은 다른 하위 강의 대비 2배 가까이 높은것을 알 수 있습니다.
카테고리 또는 레벨, 유무료 별 평균 리뷰율을 알았다면 특정 강의의 매출을 높이는 데 있어 하나의 기준이 될 수 있습니다. 평균 대비 리뷰율이 낮다면 단기적으로 리뷰를 높이는 이벤트를 열거나 리뷰가 낮은 부분을 피드백하며 강의 자체의 개선에 활용하는 방식을 가져갈 수 있습니다.
어떤 카테고리가 현재 인기 있는지 알 수 있습니다. 카테고리에 상관없이 Beginner or All level이 개설 과정수도 많고 매출 비율도 높습니다. 레벨이 올라갈수록 타겟 가능한 사람을 찾는 것도 어렵고 해당 타겟의 구매 전환도 낮은편입니다. 실제로 강사의 입장에서도 레벨이 높아질수록 강의 준비 과정 난이도가 높아지기 때문에 낮은 레벨을 더 선호하는 편입니다.
카테고리 & 레벨 별로 현재 비어있는 과정을 보면서 전략적으로 강의를 개설할 수 있습니다.
앞서 파레토 법칙에 따라 구독자수 기준 상위 5%, 10%, 20%, 50%, 기타 그룹으로 계급을 나누었습니다. 그리고 상위 그룹과 리뷰의 상관도가 높은 것을 알 수 있었습니다. 즉, 상위 그룹에 올라가기 위해서는 필수적으로 수강생 리뷰가 쌓이고 구매 선순환이 이루어지는 시간이 필요합니다. 따라서 계급별 평균 개설 시간을 보면서 상위 계급에 올라가기 위해 얼마 만큼의 기간이 필요한지 대략적으로 가늠할 수 있습니다.
또한 계급별 주요 지표간 상관도를 보면서 어떤 지표를 우선으로 해서 강의를 만들지 전략적으로 접근할 수 있습니다. 실제 계급 구독수와 강의수 & 강의시간의 상관도가 높은것을 알 수 있습니다.
반대로 구독자수와 강의가격은 생각보다 높은 상관도를 보이지 않습니다. 충분히 유용한 강의수와 시간을 보유하고 있다면 강의 가격은 구매 결정에 상대적으로 낮은 영향력을 보입니다.
해당 글에서 예시로 활용한 데이터는 과거의 데이터다보니 앞서 도출한 인사이트가 현재 강의 환경과 맞지 않을 수 있습니다. 다만, 분석 과정과 주요 지표 표현 방식 등은 충분히 유효합니다. 앞서 서두에 설명 한 것 처럼 지식 기반 비즈니스가 아닌 일반 커머스 비지니스에서도 해당 분석 흐름과 대시보드 구성을 참고해서 활용해보시면 좋을 것 같습니다.
July 8, 2024
블로그를 하다보니 SEO에 대한 키워드 최적화와 분석을 많이 하고 있습니다.
그 중 최근 많이 활용하는 분석 방법 중 하나는 풍선 차트를 활용한 키워드 분석입니다.
풍선(버블) 차트는 여러개의 측정기준을 두고 분석할 수 있다보니, SEO 같이 단일 키워드 별로 다양한 측정기준 간 비교를 해야하는 경우 유용합니다.
아래는 풍선차트로 분석하는 SEO 예시입니다.
X축 : 클릭율(CTR)
Y축 : 노출 순위(Average position)
풍선크기 : 노출(Impression)
풍선색상 : 기기 카테고리(Device Category)
1. 날짜 필터SEO는 즉각적인 효과 분석보단 장기간에 걸친 데이터 분석이 필요합니다. 기간별 키워드 지표의 변화를 확인할 수 있습니다.
2. 검색어(Query)관리해야하는 키워드가 수 백개를 넘어갑니다. 관리 할 키워드가 많은 경우 노출이나 클릭 기준으로 키워드 필터를 걸어서 관리하면 편합니다.
3. 기기서비스의 특성에 따라 PC, MO 중 검색 선호 기기가 다른 경우가 많습니다.
4. 국가글로벌 서비스의 경우 국가별로 반응하는 키워드와 키워드별 지표 트렌드가 달라질 수 있습니다.
5. 최소노출량롱테일 키워드는 노출량이 적지만 키워드의 양이 많습니다. 따라서 최소 노출량 필터를 두어서 분석 편의성을 높일 수 있습니다.
6. 축 평균값각 축의 평균값 선을 두어서 평균값 기준 키워드 그룹을 4분면으로 나누어 관리할 수 있습니다.
7. Y축 역방향Y축은 평균 게재순위 입니다. 기본적으로 1에 가까울 수록 좋은 키워드 그룹이기 때문에 Y축 방향을 반전 시켜 1이 위쪽으로 배치될 수 있게 하면 분석 편의성을 가질 수 있습니다.
8. 로그 스케일키워드간 지표의 차이가 크게 발생하는 경우 로그 스케일을 사용하면 차트에 분포되어 있는 검색어를 더 쉽게 파악할 수 있습니다.
👉 관련 대시보드 : https://lnkd.in/gQQ9_8r7
분석은 축 평균 기준으로 4개 분면으로 키워드 그룹을 나누어 전략을 다르게 가져갈 수 있습니다.
1️사분면 : 노출순위가 높고, CTR도 우수한 유효 키워드 그룹
2️사분면 : 노출순위가 낮고, CTR은 높은 잠재 우수 키워드
3️사분면 : 노출순위도 낮고, CTR도 낮은 문제 키워드 그룹
4️사분면 : 노출순위가 높지만, CTR은 낮은 관리 필요 그룹
👉 자세한 SEO 분석 전략 : https://lnkd.in/gJDbrBzp
July 2, 2024
블로그나 서비스를 운영하다 보면 내 게시물이나 제품이 자연스럽게 Google 또는 Naver 검색 결과에 노출되길 기대하게 됩니다.
이러한 관점에서 접근하는 방법이 Search Engine Optimization(SEO)입니다.
Google과 Naver 모두 자체 검색 엔진에서 노출되는 다양한 방법과 데이터를 제공합니다. 이는 각각 Google Search Console과 Naver Webmaster Tools입니다.
그 중 Google에서 제공하는 Google Search Console은 키워드 노출, 클릭 수, 순위 등 유용한 정보를 제공하지만, 여전히 복잡한 정보를 얻기에는 어려움이 있습니다.
저 또한 블로그를 운영하면서 Google Search Console을 자주 방문하고 관찰하지만, 이러한 점이 아쉬워 복잡한 데이터를 확인할 수 있는 대시보드를 만들었습니다.
1️. 좌측 하단의 구글서치콘솔 변경 시 내 데이터를 확인할 수 있습니다.
2️. 노출도에 따른 키워드 그룹을 두어서 그룹간 관리가 용이합니다.
3️. 새롭게 등장하는 키워드를 파악할 수 있습니다.
4️. 기간, 기기, 국가에 따라 다양한 지표 변화를 빠르게 확인할 수 있습니다.
July 1, 2024
GA4는 유저가 수행한 행동 기반의 분석을 할 수 있게 도와주는 솔루션입니다. 기존의 세션 기반으로 획득관점의 유저분석을 목표로 했던 UA의 단점을 보완하는 업데이트였습니다. 다만, 기본적으로 제공하는 대시보드가 UA 대비 친절하지 않다보니 GA4로 넘어가는 많은 마케터분들과 분석가분들이 어려워하는 경우가 많았습니다.
이러한 단점을 보완하기위해 GA4의 데이터 + UA의 UI를 합친 루커스튜디오 대시보드를 만들었습니다.
퍼포먼스 마케팅을 처음 시작했을 때, Google Analytics(GA)는 제가 처음 접한 주요 도구 중 하나였습니다. 처음에는 기능이 많아 어색하고 어려웠지만, UA는 곧 필수적인 도구가 되었습니다. 잘 구성된 메뉴와 사용자 인터페이스(UI) 덕분에 쉽게 탐색하고 데이터를 분석할 수 있었습니다.
UA는 사용자, 획득, 행동, 전환의 네 가지 주요 영역으로 주제가 나뉘어 있어 분석이 매우 간단했습니다. 이러한 구조 덕분에 메뉴 순서에 따라 데이터를 분석함으로써 비즈니스 현상을 이해하기가 쉬웠습니다.
GA4는 UA의 획득 관점에 초점을 맞춘 세션 기반 분석에서 행동 기반 분석 방식으로 데이터 구조를 크게 변경하였습니다. 이러한 변화는 UA의 데이터 단점을 보완했습니다. 그러나 GA4의 메뉴가 UA처럼 주제별로 명확하게 구분되어 있지 않다는 점은 다소 아쉬웠습니다.
두 가지 장점을 결합한 대시보드이러한 문제를 극복하기 위해 UA의 분석 섹션과 GA4의 이벤트 수준 분석을 결합한 대시보드를 만들었습니다. 이 대시보드는 UA의 익숙한 UI를 유지하면서 GA4의 고급 분석 기능을 활용합니다.
June 24, 2024
데이터를 다루다보니 링크드인 컨텐츠도 데이터로 관리하고 싶은 마음이 컸습니다.
링크드인에서 가장 많이 들어가는 항목이 통계 부분인데 들어갈때마다 아쉬운건 제공 되는 데이터가 너무 제한적이라는 것이었습니다.
링크드인이 제공해주지 않아서 직접만들어 봤습니다.
1️. 평균/누적 컨텐츠 노출, 참여도(좋아요, 댓글), 팔로워에 대해서 알 수 있습니다.
2️. 노출, 참여도, 팔로워에 긍정적인 컨텐츠 종류를 확인할 수 있습니다.
3️. 컨텐츠 개별 누적 지표와 계정 지표를 분리해서 볼 수 있습니다.
링크드인이 제공하는 API가 페이지 데이터다 보니 개인용 컨텐츠에 대한 통계를 자동화 하지 못한 게 아쉽긴 하지만 주기적으로 데이터를 다운받아서 스프레드시트에 올리기만 하면 자동으로 시각화에 업데이트가 되게 했습니다.
+ Social Selling Index (SSI)와 같은 지표를 추가하면 좋을 것 같아 점진적으로 추가할 계획입니다.
+ 각 콘텐츠 유형에 대한 레이블을 추가하여 분석을 다양화하려고 합니다.
+ 링크에서 썸네일 이미지 자동으로 가져올 수 있게 하는 방법 없을까요?! 고민중입니다.
June 20, 2024
최근 새롭게 시작하는 IT 기반의 기업들 혹은 일반 제품들도 PMF 찾는 것을 중요 단계로 생각합니다.
PMF는 제품 - 시장 적합성으로 제품이 시장에서 매력적인 상품인지 찾는 단계를 의미합니다. 매력이라는 모호한 단어만큼 PMF는 명확한 순간을 정의하는 것은 쉽지는 않습니다. 많은 경우 유저들과 인터뷰를 통해서 단계의 달성을 가늠합니다. 충분한 PMF를 찾았다면 그 때부터 비즈니스 스케일업을 본격적으로 하게됩니다. 이렇게 하면 제품 개발과 제작에 들이는 리소스를 줄여서 제품 출시에 따른 위험성을 최소화할 수 있다는 장점을 가지고 있어 특히나 스타트업에서 각광받는 방식입니다.
우리가 흔히 아는 Canva, Notion, Figma 의 기업들의 인터뷰로 PMF 달성 소요기간을 확인해보니 대부분 1년~2년 이상의 시간이 걸렸다는 것을 알 수 있었습니다.
평소 PMF는 빠르게 시장을 찾는게 중요하다라고 생각했는데 유수의 기업들도 PMF를 찾는데 오랜기간이 걸렸다는게 너무나 놀라웠습니다. PMF의 기준이 높았을 수도 있고 기술 기반의 기업이다보니 더 많은 시간이 주어졌을 수 도 있습니다. 그럼에도 불구하고 좋은 제품으로 성장하기 위해서는 분명히 고객이 제품을 사랑하게 만들고, 지속적으로 제품을 사용하도록 유도하는데 충분한 시간과 고민이 필요하다는 것을 다시 생각하게 되었습니다.
얼마전부터 집으로 가는 길에 작은 건물이 지어 지고 있었습니다. 처음엔 공사를 하는 것 같은데도 한참동안이나 건물은 올라갈 기미가 보이지 않았습니다. 아마도 지반공사와 기초 공사만 이루어졌던것 같습니다. 그리고 기초공사가 마무리되니 체감은 하루에 한 층 씩 빠르게 집이 올라가면서 공사가 마무리 되었습니다. 건물을 만들때 가장 많은 시간을 투자하는 것은 외형적 모습이아닌 기초 공사 기간입니다.
제품의 기초공사가 PMF를 찾는 과정이라면 PMF를 찾는데 충분한 시간과 고민이 필요하지 않을까요? 그리고 그 시간이 결국 안정적 비즈니스를 찾는데 중요한 기준이 되지 않을까요?
빠르게 문제를 찾는 것과 견고한 기초를 만드는 것, 정답이 있기보다 상황에 따라 선택을 하는 문제라고 생각합니다. 다만, '빠름' 이라는게 언제나 정답처럼 생각한 저에게 좀 더 새로운 시각을 준 것 같습니다.
June 19, 2024
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!
June 18, 2024
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.
June 17, 2024
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.
June 14, 2024
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
June 13, 2024
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.
June 13, 2024
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.
.jpg)
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.
June 12, 2024
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 😄
June 12, 2024
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
June 11, 2024
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!
June 11, 2024
--
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.
--
June 10, 2024
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."
--
June 10, 2024
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.
June 6, 2024
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.
June 5, 2024
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.
June 4, 2024
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
June 3, 2024
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
August 31, 2023
지난 7년은 ‘퍼포먼스 마케팅 전성기’였다. 경제 호불황에 관계없이 ‘효율을 위한 경쟁이 가장 치열했던 시기’로 표현할 수 있다. ‘멈추지 않는 산업’이라 불리는 마케팅 업계. 트렌드 변화에 매우 밀접한 만큼 수많은 변곡점을 거치며 고객, 경쟁사, 기술 그리고 산업 지형까지 많은 요소들이 빠르게 변화된다.
필자는 퍼포먼스 마케팅의 시작부터 지금까지 트렌드를 선도하기 위해 수많은 변곡점을 마주하고 뛰어넘으며 새로운 패러다임을 제시해 왔다. 디지털 네이티브 비즈니스 웹/앱 서비스의 폭발적인 성장과 함께 트렌드를 이끄는 전문가로 변화 중심에서 시대를 이끌 패러다임을 톺아봤다고 자부할 수 있다.
하지만 끊임없는 변화를 거듭하며 성숙 단계에 들어섰음에도 마케팅 산업엔 여전히 개선해야 할 고질적 문제들이 여전히 존재한다. 이에 필자는 고질적 문제들의 임계점을 타파할 해결책으로 ‘마케팅 인텔리전스(Intelligence)’를 제시하려고 한다.
최근 마케팅 시장은 자본경색으로 더욱 빠르게 변화하고 있다. 이전의 마케팅이 신규 유저 모객이나 회원 수 증가에 초점을 뒀다면, 현재는 재구매율 향상, 트래픽 퀄리티 분석에 대한 중요성이 심화됐다. 많은 대행사들이 유저획득의 중요성을 강조해 왔으나 이제는 구매 희망 유저의 취향을 바탕으로 한 ‘매체 최적화’ ‘퍼포먼스 마케팅’이 점점 더 무의미해지고 있음을 인지해야 할 때다.
실제 ‘개인정보보호법 강화’와 ‘ios14’는 시장 변화를 더욱 촉진했다. 소비자 ‘개개인의 취향 분석’에 난항을 초래했고, 사용자들의 로데이터(Raw data) 접근, 미디어들이 수신한 수 있는 포스트백(Postback)에 제동이 걸렸다. 시장이 성숙해짐에 따라 유저획득 단가 또한 함께 상승하였고, 데이터 환경 변화를 거치며 살 것 같은 유저를 정확하게 타기팅하던 핀셋 마케팅은 비효율적인 방법으로 전락하게 했다. 이로 인해 유저획득 만능시대의 저변이 무너진 것이다.
이는 단순히 유저에게 보여지는 것을 넘어 구매율을 높이기 위한 기술 ‘CRM(customer relationship management)’과 개인의 취향이 반영된 제품을 노출시키는 ‘자사 데이터(1st data)’ 인사이트가 점점 더 중요해짐을 의미한다. 유저 취향을 고려하기 위해 ‘어떤 데이터를 어떻게 수집하고 분석해야 하는지’, 미성숙한 구조적 문제점을 타파하기 위해 ‘어떻게 마케팅 인텔리전스를 활용할 것인지’에 대해 정확하게 판단할 수 있는 통합적 사고가 마케터의 필수 역량이 된 것이다.
즉, 마케터라면 마케팅 인텔리전스에 대해 반드시 정확하게 이해하고 분석할 수 있어야 한다. 그리고 이를 위해 필요한 건 ‘데이터 분석력’ ‘통합적 사고’ 그리고 ‘실행 역량’이다.
‘가치 없는 데이터는 무의미한 결과를 초래한다(Garbage in, garbage out)’는 표현처럼 마케터는 의미 있는 데이터를 수집하고 정확하게 분석할 수 있는 역량이 필수다. 데이터는 넘쳐나지만 옥석을 가릴 수 있어야 한다. 이를 위해서는 올바른 데이터를 기록(로깅)하고 판별할 수 있는 환경 구축이 선행되어야 한다.
이렇게 쌓인 데이터를 바탕으로 업셀(Upsell, 평소보다 비싼 상품, 서비스를 구매하도록 유도하는 것), 크로스셀(Cross-sell, 구매 상품과 연관된 상품을 추가 구매하도록 유도하는 것), 할인, 타깃층을 정확하게 분석·분리·그룹화 해야만 숨어있는 잠재력을 발굴할 수 있다. 이후 정확한 데이터를 토대로 다시 한번 가설과 목적을 세우기 위한 세밀한 분석이 시행돼야 한다.
여기서 분석은 ‘나누고 풀어냄’의 사전적 의미만이 아니다. 사람과 사람, 사람과 기술, 기술과 기술 간의 관계까지 파악해야 함도 내포하고 있다. 단순히 프로그램을 다룰 줄 아는 사람이 아닌 결국 우리의 환경에 적합한 SaaS, 이를 적재적소에 사용할 수 있는 능숙한 전문인력의 필요성이 점점 더 커지고 있음을 의미한다.
소수정예로 문제를 해결할 때 빛을 발하는 SaaS, 세상의 어려움을 해결할 수 있도록 돕는 기술이자 도구다. 소수 인원이 다수를 대신할 수 있어 서비스 도입 자체를 ‘문제 해결’로 보는 경우가 많다. 하지만 SaaS의 활용률을 높이기 위해선 경험과 시간이 필요하다. 사용자의 역량에 따라 가치가 달라지는 만큼 기술 도입과 더불어 잘 활용할 수 있는 전문가 필요하다.
최근 10년 간 많은 마테크(marketing tech solution) 기업이 생겨나고 사라짐을 반복하며, 누적 ‘1만 개’를 넘어섰다. 이미 시장에 필요한 기술이 충분히 공급되고 있는 것이다. 하지만 SaaS 사용자 중 기능 전체를 활용할 수 있는 전문가는 턱없이 부족하다. 이는 좋은 기술의 도입 자체가 결코 전문 인력을 대신할 수 없다는 걸 방증한다. 그렇기에 풍부한 경험을 토대로 역량을 실행할 수 있는 전문 인력, 인재 양성의 필요성이 강조되는 것이다.
SaaS는 크게 두 가지 방식으로 나뉜다. 단일 공급기업의 번들링(bundling, 두 개 이상 서비스를 하나로 묶은 방식)과 전문 서비스를 영역별로 세분화해서 받는 전략(BOB, Best of breed)이다.
대다수 디지털 네이티브 기업들은 후자를 택하고 있는데 주의해야 할 점이 있다. 세분화된 SaaS를 잘 조합·연결·구축할 수 있는 전문조직과 함께 해야 한다는 것이다. 하지만 분석과 데이터를 활용한 마케팅이 중요시된 건 불과 최근 1-2년 밖엔 되지 않았다. 아직은 인프라, 자본력, 기술력을 서로 연결해 역량을 키워온 조직이 드물다.
마케팅, CRM, 그로스 해킹(Growth hacking) 모두 파편화 된 시각으로는 올바른 방향 설정도 통합된 결과를 창출하기 위한 실행도 매우 어렵다. 단순히 사용 여부 자체가 ‘구축’이나 ‘연결’ 경험과 이어지지 않기 때문이다. 퍼포먼스 마케팅 전문 대행사의 경우 단기간 내 다수 캠페인을 운영하며 양적인 성장에 집중하는 경우가 대부분이다. 인하우스는 대행사에 비해 다양한 환경에서의 시행착오 경험이 물리적으로 적을 수밖에 없다. 경험과 경력을 성장시켜 역량 강화에 힘쓴 전문가가 드물 수밖에 없는 구조다.
그렇기에 정확한 분석에 따른 의사결정 능력, 적절한 분야에 적정 기술을 활용할 수 있는 역량, 이 모든 것을 갖춘 마케팅 인텔리전스, 화합과 유대를 바탕으로 탄탄한 파트너십을 갖춘 전문조직이 필요하다. 다분야에서의 자체적인 서비스 구축 경험과 수많은 시행착오 경험들이 쌓이고 쌓여 서로 연결되고, 유기적인 협업을 토대로 유연하게 묶여야만 비로소 전문조직으로 거듭날 수 있다. 파트너십을 갖춘 전문조직을 찾아 낼 수 있는 눈을 갖추는 것, 그리고 그 전문조직과 함께 하는 것이 바로 마케팅 효율의 성패를 좌우한다.
