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.
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.
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
마티니는 최근 버거킹 코리아와 함께 Amplitude를 활용한 그로스 프로젝트를 진행하고 있습니다.
고객의 참여를 유도하고 장기적으로 수익 증대를 실현하는 그로스 마케팅의 첫 단추인 AARRR 퍼널 구현 사례를 공유하고자 합니다.
이 글에서는 AARRR 프레임워크의 정의부터 해당 프레임워크를 적용하여 어떻게 대시보드 목차를 구성하고 직접 구현하는지에 대한 플로우를 설명하였습니다. 차트 예시는 Amplitude의 데모 계정의 데이터를 활용하여 구현하였습니다.
‘그로스 해킹’이라는 단어를 처음으로 만들어낸 션 앨리슨은 비즈니스가 성장하기 위해서는 ‘좋은 제품을 사람들이 어떻게 사용하게 만들지’를 고민하는 것이 매우 중요한 시작점이라고 했습니다. 그는 비즈니스가 최대한으로 성장할 수 있는 방법을 계속해서 실험하여 그로스 해킹의 프레임워크가 있다고 주장했습니다.
실제로 이러한 프레임워크를 활용해서 Dropbox는 10명의 직원에서부터 지금은 10억 달러 (한화 1조원)이 넘는 초 대기업이 되었습니다.
그로스 분석의 목적은 서비스별 지속 가능한 선순환의 비즈니스 사이클을 만드는 것입니다.
그럼, 이 사이클은 어떻게 찾아낼 수 있을까요? 지금까지 해왔던 대로의 ‘관습’은 새로운 소비자의 변화를 쫓아가기에 느리고, ‘감’은 불확실합니다. 이때 우리는 ‘데이터’를 활용하게 됩니다.
과학적으로 접근해서 이러한 사이클의 단서를 찾을 수 있습니다. 즉, 션 앨리스가 강조하는 ‘과학적 접근’의 ‘그로스 해킹 프레임워크’가 바로 ‘AARRR’입니다.
그로스 해킹 퍼널인 AARRR은 Acquisition(유입), Activation(활성화), Retention(리텐션), Revenue(매출), Referral(추천)의 5단계로 이루어져 있습니다.
버거킹 서비스에 대조해 보면 아래와 같은 질문들을 나열해 볼 수 있으며, 해당 질문들이 바로 각 단계별로 고려해야 하는 지표를 의미합니다.
📝 AARRR Funnel
(1) Acquisition (유입, 획득)
(2) Activation (활성화)
(3) Retention (리텐션)
(4) Revenue (매출)
(5) Referral (추천)
그럼 우리는 위 질문에 대한 답을 어떻게 찾을 수 있을까요? Amplitude라는 프로덕트 분석 툴을 활용하여 AARRR 대시보드를 구현하여 확인할 수 있습니다.
📝 AARRR Funnel에 따른 대시보드 목차 구성
(1) Acquisition (유입, 획득)
(2) Activation (활성화)
(3) Retention (리텐션)
(4) Revenue (매출)
(5) Referral (추천)
우선 서비스 특성에 맞춰 유저 코호트를 생성합니다. 예를 들면 앱 주문, 웹 주문과 같이 주문 채널, 주문 횟수, 연령대, 주문 금액대, 성별 등 특성을 기반하여 유저 코호트를 생성하고 코호트와 전체 유저별 차이를 확인합니다.
더불어 프로모션의 주기, 사용 주기를 바탕으로 각 차트의 기간을 정합니다. 최근 30일 자, 일자별 혹은 최근 90일, 월별 등의 날짜 옵션으로 정할 수 있습니다.
*Amplitude 차트는 목업 데이터를 활용하였습니다.
*각 항목별 주요 테이블 차트만 예시로 설명하였습니다.
1️. DAU (Daily Active User, 일별 활성 유저)
📌 체크 포인트
2️. 회원가입
3️. 설치
📌 체크 포인트
1️. 첫 구매 경로
View Item Details → Add to Cart → Checkout → Complete Purchase 순이라고 가정했을 때, 첫 구매 경로를 구하기 위해서는 기준이 되는 이벤트에 Historical Count = 1 조건을 걸어 확인할 수 있습니다.View Item Details에서 마지막 이벤트인 Complete Purchase까지 대부분의 유저가 5일 내에 전환을 완료했기 때문입니다. 이는 Time To Convert 측정을 통해 확인할 수 있습니다. 
📌 체크 포인트
1️. 리텐션 Engagement Matrix
App Push, In_App_Message Impression과 같은 분석과 관련도가 낮은 이벤트는 수동으로 체크박스 해지하여 필터링 적용할 수 있습니다.
📌 체크 포인트
1️. 주문 이벤트 Compass
2️. 건단가
Average of Property Value 대신 Sum of Property Value로 선택하여 확인이 가능합니다.
3️. 객단가
📌 체크 포인트
1️. 입소문 계수 (WOM, Word Of Mouth) (출처:Reforge)
Amplitude는 프로덕트를 이용하고 있는 고객을 이해할 수 있도록 도와주는 매우 유용한 분석 툴입니다. 하지만 동시에 처음 시작하기에 어려운 툴이기도 합니다. 어떠한 데이터 차트를 만들고 무슨 지표를 봐야 할지 결정하기란 쉽지 않기 때문입니다.
이때 그로스 해킹의 AARRR 프레임워크를 기반으로 질문들을 써 내려가다 보면 답을 얻기 위해 필요한 데이터와 지표가 눈에 보이기 시작할 것입니다. AARRR 대시보드를 통해 서비스의 성장을 확인하고 추가적으로 시도해 볼 만한 인사이트를 얻으시길 바랍니다.
- AARRR: Come Aboard the Pirate Metrics Framework
- Engagement Matrix: discover what your users love (and don't love) about your product
- How to Calculate The Word of Mouth Coefficient in Amplitude
웹 마케팅을 한 번이라도 접해본 사람이라면 SEO(Search Engine Optimization, 검색 엔진 최적화)라는 단어를 들어 본 적 있을 것이다.
내 웹 사이트가 검색 엔진에서 상위에 노출될 수 있도록 최적화하는 과정을 말한다. 앱도 마찬가지이다.
앱 스토어에서 내 앱의 이름 혹은 앱과 관련된 키워드를 입력하면
앱 순위를 올려 해당 키워드를 검색한 유저에게 내 앱을 잘 보이도록 최적화하는 과정을 앱스토어 최적화(App Store Optimization), ASO라고 한다.
앱 다운로드의 65% 이상이 앱 스토어 검색으로 발생하기 때문에
ASO는 최소한의 비용으로 최대의 오가닉 전환을 이끌어낼 수 있는 마케팅 전략이다.
ASO의 요소를 파악하고 꾸준히 개선하여 앱 설치 수를 증대시킬 수 있도록 해야 한다.
단, AOS의 구글 플레이 스토어와 iOS의 앱스토어는 알고리즘과 순위 요소를 결정하는 항목이 다르기 때문에 각각 분류하여 최적화를 진행해야 한다.
할인도 많이 하고 유니크한 브랜드가 많아서 요즘 옷 구경할 때 애용하고 있는 EQL를 예시로 들어보려고 한다.
여담이지만 룩북 콘텐츠 읽는 재미도 쏠쏠하다,, 잡지 읽는 기분ㅎㅎ 팬심을 담아서 간단하게 ASO를 진행해 보았다. (AOS 기준)
우선 AOS ASO를 하기 위해서 체크해야 하는 주요 요소는 제목, 간단한 설명, 긴 설명, 유저 리뷰 항목이 있다.
항목을 파악하고 난 뒤에는 경쟁사를 파악하여 경쟁사 ASO를 참고하는 것이 좋다.
ASO를 할 때는 경쟁사 앱을 파악하고 모니터링하는 것이 굉장히 중요한데,
경쟁사의 앱 순위와 키워드를 파악하여 내 앱의 인스톨로 유도하고 내 앱이 속해 있는 앱 마켓에서 어떤 포인트가 유저들의 클릭을 유발할 수 있는지 미리 알 수 있기 때문이다.
즉, 내 앱 마켓 카테고리에서 효과가 있는 키워드 세트를 발굴할 시간을 단축할 수 있다.
EQL를 최적화해야 할 때 참고해야 할 경쟁사는 어디일까?
1) 주 이용 고객의 인구통계 정보가 비슷한 앱
e.g. 2030 여성
2) 앱 카테고리가 비슷하고 해당 카테고리에서 상위 랭킹인 앱
e.g. AOS / 쇼핑 : Temu, AliExpress, 올리브영, 쿠팡, Nike, 위메프, 무신사, SHEIN, SSG, KREAM, 에이블리, 포스티, 29cm 순
3) 서비스 지향점이 비슷한 서비스
e.g. EQL - MZ 세대 타깃, 엄선된 브랜드, 트렌디한 온라인 편집샵
29cm - 브랜드 철학과 제품의 가치를 소개하는 온라인 셀렉트샵
무신사 - 고객에게 최상의 쇼핑을 제공하고 입점 브랜드의 성장을 지원, 브랜드 패션 플랫폼
4) EQL 이탈 고객의 주 유입 서비스
위 4가지 항목을 고려했을 때 EQL의 경쟁사는 크게 무신사, 29cm, Posty로 추려볼 수 있었다.
나의 앱과 경쟁사 앱을 참고해서 키워드 리스트를 만든다.
Apptweak, App Radar과 같은 ASO 솔루션 툴을 활용하거나 구글 트렌드, 키워드 플래너, 네이버 키워드 검색 도구 등
키워드 인사이트 툴을 살펴보고 내 앱에 관심을 가질 만한 유저들이 쓸 키워드 리스트를 뽑는 것이다.
주로 Apptweak라는 툴을 사용해서 키워드 리스트를 추출한다.
Apptweak에 경쟁사를 추가하면 경쟁사를 포함한 관련 카테고리 앱들이 사용하고 있는 키워드가 나열된다. 해당 키워드를 클릭해서 내 목록에 추가하면 키워드들의 전환 지표를 확인할 수 있다.
[참고] Apptweak - 우리 앱 키워드 목록을 생성하기 위한 팁 10가지 (링크)
전환 지표들이 좋은 키워드, 혹은 그럴 가능성이 높아 보이는 키워드를 뽑아 리스트를 만들고 해당 키워드를 조합하여 키워드 세트를 만든다.
e.g.
이렇게 추출한 주요 키워드 세트를 참고하여 제목, 설명 영역에 반복하여 활용하도록 한다.
2~6주간 해당 키워드 세트의 전환율을 확인하고 효율이 좋지 않다면 다른 키워드 세트를 조합하여 최적화한다.
제목은 AOS ASO에서 가중치를 가장 많이 갖는 영역으로 앱 이름을 포함해 서비스를 설명할 수 있는 주요 키워드 위주로 작성하는 것이 좋다.
현재 EQL는 심플하게 제목을 EQL 세 글자를 써서 활용하고 있다.
다른 경쟁사들의 현황을 확인하면 패션 관련된 키워드를 활용하여 15~20자 위주로 구성하고 있는 것을 확인할 수 있다.
EQL의 뒷부분에 키워드 세트 A를 바탕으로 아래와 같이 키워드를 추가하고 글자 수를 늘려 볼 수 있다.
e.g. EQL - 한섬의 브랜드 패션 온라인 셀렉트샵
제목 다음으로 가중치를 가장 많이 갖는 영역으로
간단한 설명의 키워드는 검색 알고리즘에서 가중치가 높기 때문에 키워드를 추가하여 앱이 스토어 내에서 노출을 확장할 수 있도록 한다.
가능한 80자를 모두 사용하는 것이 좋다.
첫 문단인 처음 255자에 관심을 끌 수 있도록 작성해야 한다.
대부분의 사용자는 더보기를 눌러 전체 설명을 읽지 않을 확률이 크기 때문에 요점을 직접적으로 나타내는 것이 좋다.
현재 EQL는 EQL의 브랜딩 방향성을 설명하는 글로 첫 문단을 활용하고 있다.
[About EQL]
WE ARE ALL EQL!
EQL은 EQUAL의 철자를 축약한 신조어로, 어떠한 편견이나 선입견 없이 자유롭게 표현할 수 있는 패션을 지지하는 편집숍입니다.
나를 규정짓기보다는 각자의 개성을 중심으로 한 자신만의 고유한 스타일로 재해석하는 우리를 기대합니다.
무신사와 포스티에서는 첫 문단을 ‘할인 쿠폰’, ‘정품 인증’, ‘무료배송’과 같은 구매자가 관심을 가질 만한 키워드를 첫 문단에 배치하고 있다.
국내 최대 온라인 패션 스토어, 무신사(MUSINSA)
럭셔리 브랜드부터 컨템포러리, 영캐주얼, 스포츠 브랜드까지
다양한 브랜드 패션을 지금 무신사에서 만나보세요!
■ 매일 쏟아지는 할인 쿠폰 및 등급별 할인 혜택
■ 브랜드 패션 대표 플랫폼, 100% 정품 인증
■ 전 상품 무료배송, 패션 특화 쇼핑 서비스·기능
■ 국내·외 패션 트렌드와 믿을 수 있는 상품 후기 제공
백화점 브랜드 100% 정품! 매일 새로운 할인소식이 팡팡!
이제 백화점 가지말고 포스티로 편하게 쇼핑하세요.
1. 전 상품, 100% 정품 인증
정품일까? 걱정은 하지 마세요.
모든 브랜드 본사와 직접 계약하여 본사 상품만 판매해요.
2. 전 상품, 무료 배송
하나만 사도, 만 원짜리 제품을 사도 무조건 무료배송이에요.
작지만 부담되는 배송비 없이 마음껏 쇼핑할 수 있어요.
긴 설명 항목에서 두 번째로 고려해야 할 것은 키워드 밀도이다.
키워드 밀도는 키워드 빈도라고도 하는데 이 수치는 기본적으로 전체 단어 수와 비교하여 웹페이지 내에서 특정 키워드의 수를 표시하는 숫자이다.
즉 “긴 설명에서 주요 키워드가 몇 번이나 반복 등장하느냐”를 뜻한다.
위에서 추출한 주요 키워드 세트의 키워드를 계속해서 반복 활용하는 것이 중요하다.
앱 평점 및 리뷰는 유저가 구글 플레이 스토어에서 앱 상품 페이지에 남길 수 있는 별 1~5개와 개별 댓글을 뜻한다.
구글 플레이 스토어에서는 리뷰에 작성된 키워드 또한 키워드 랭킹에 영향을 주는 요소이다.
앱 서비스와 연관성이 높고 긍정적인 리뷰가 달릴 수 있도록 유도 하는 것이 좋다.
키워드 랭킹과는 별개로 메인 페이지에서 보이는 리뷰와 평점은 설치수에 큰 영향을 줄 수 있기 때문에 지속적으로 리뷰를 관리하는 것이 좋다.
무신사, 29cm, Posty와 비교했을 때 EQL의 평점 4~5점은 19%, 1~2점 76%로 부정적 리뷰가 절반 이상을 차지한다.
리뷰 및 평점이 낮은데, 이 때는 리뷰를 확인하고 부정적 키워드를 확인한다.
[참고] Apptweak 데이터 기준으로 현재 평점 및 평가 수와 다를 수 있음.
위와 같이 보통 앱 기능구현에 대한 부정적 리뷰가 많았다.
정렬 풀림 문제는 최근 업데이트를 통해 해결한 것 같은데
이렇게 기능에 대한 부정적 리뷰는 ASO뿐만 아니라 오가닉 설치수에도 매우 부정적인 영향을 끼칠 수 있으므로 리뷰 API 등을 추가하여 리뷰를 독려하기보다 문제점을 파악한 뒤 해결책을 찾는 것이 우선이다.
반면에 유저들의 긍정적인 리뷰에 반복적으로 등장하는 입점 브랜드의 퀄리티는 패션 앱으로써 큰 장점이므로 위처럼 키워드 세트를 지속적으로 발굴하고 부정적인 리뷰를 참고하여 ASO 최적화 진행하면 오가닉 유저 수를 더 확충시킬 수 있을 것이다.
Improved app quality and discovery on Google Play
.png)
마티니 Growth 팀은 고객사의 마케팅 스택, 데이터 분석환경 및 채널 유입 경로를 점검하며, 데이터 분석을 통한 인사이트로 비즈니스 성장을 위한 전략을 수립합니다.
Growth 팀에는 블랭크코퍼레이션 그로스 리더와 핏펫 퍼포먼스 마케팅 팀장, 매드업 AE를 맡았던 이재철 리더를 포함, 한국 신용 데이터, 윙잇, 버즈빌 등에서 경험을 쌓은 Growth 전문 인재들이 함께하고 있는데요,
Growth 팀의 시작부터 팀 빌딩과 프로젝트를 이끌고 있는 이재철님께, 마티니만의 특별한 점과 그로스 마케터의 커리어, Growth 팀의 일하는 방식과 성장의 지점에 대해 들어보는 시간을 가졌습니다.
마티니 Growth 팀 리더 재철님과의 이야기를 시작해보겠습니다.
안녕하세요. 마티니 Growth 팀 이재철입니다. 마티니 Growth 팀의 리더를 맡아 팀을 리딩하며 고객사들과 비즈니스 성장을 함께하고 있습니다.
마티니에 함께하게 된 이유는 마티니 대표 선규님의 제안 때문이었는데요. 마티니에 오기 전 그로스 팀장으로 일하고 있었는데, 마티니의 비즈니스와 조직을 설계하는 단계에서 오너십을 가진 그로스 리더 자리를 제안받았습니다. 컨설팅사라면 그로스에 대한 전문적인 지식을 가지고 있는 상태에서 비즈니스가 처한 상황을 진단하고 솔루션을 제안해야 하기 때문에 스스로 부족한 점을 더 깊고 체계적으로 배우고 싶었는데, 선규님의 ‘공부를 할 수 있게 해 주겠다.’는 말에 합류를 결정했습니다. 그로스 업무를 하며 가장 필요한 건 많은 케이스를 보는 건데 마티니의 다양한 케이스와 데이터를 심도 있게 볼 수 있는 환경에서 고객사와 함께 성장할 수 있겠다고 생각했어요.
시장 상황과 마티니의 방향성이 잘 맞았다고 생각해요. 지금까지 시장에서 특히 스타트업 기업들의 주된 관심사는 유저 획득이었습니다. 퍼포먼스 마케팅 측면에 초점이 맞춰져 있었죠. 이제는 비즈니스의 가치를 측정하는 기준이 유저 볼륨과 시장의 파이를 넘어, 그 유저로 매출을 얼마나 내는 지로 화두가 바뀌었어요. 유저를 획득한 후 어떻게 우리 브랜드 안에 잘 머물게 할지, 어떻게 더 많은 매출을 낼 지에 대한 관점이 중요한데요. 프레임이 변화하고 있는 상황에서 마티니의 퍼포먼스마케팅, CRM, Growth 팀이 유기적으로 일하는 비즈니스 모델이 시장을 선도적으로 이끌고 있다고 생각해요.
마티니 그로스팀은 특별해야 한다는 생각이 있었어요. 처음 시작부터 남달랐으면 좋겠다는 생각에 합류하는 온보딩 과정에서 학습할 만한 것들을 많이 고민했어요. 두 달 동안 Growth 팀은 원맨 팀으로, 저 혼자 합류할 팀원들을 위해 온보딩 자료를 만드는데 온전히 고민했습니다. 보통 책 한 권 만들 때 10만 자 정도가 쓰인다는 데요, 제가 온보딩 자료에 15만 자를 썼더라고요. (웃음) 온보딩 프로세스는 총 day 1부터 day 10까지에요. 정말 교재처럼 이론도 있고, 실습 과제도 넣고, 지금도 계속 업데이트를 하고 있어요~~(처음 합류한 분들은 양이 너무 많아서 day 3때부터 힘들어하기 시작하시는데..).~~
Growth 팀은 공유회나 회고 등 함께 스터디 하고 성장하는 프로그램이 많은데요, 많을 때는 한 분이 하루에 4~5개 스터디를 했던 적도 있었어요. “수강신청 실패한 대학교 1학년이 된 것 같다.”는 말도 남겼는데요, (웃음) 이게 Growth 팀의 문화기도 해요. 데이터를 가지고 할 수 있는 모든 영역을 다뤄야 하는데, 다양한 영역들에 대한 기본 이해가 있다면 더 쉽게 그로스를 할 수 있어요. 그래서 혼자서는 할 수는 없고, 여러 영역들을 쪼개서 각자 공부한 것들을 나누고 있는데요. Growth 팀 내에 그로스 매니저, 데이터 분석가, 인테그레이션 엔지니어가 있는데 세 영역의 팀원들이 각자 배우고 있는 영역을 공부하고 나누면서 함께 성장하길 기대하고 있어요.
시작은 마케팅 대행사 경험을 거쳐 핏펫이라는 기업의 퍼포먼스 마케팅 담당을 맡았었던 때로 거슬러 올라가는데요. 당시 인원이 한 20명 정도 되는 곳이었는데, 비즈니스에서 전체 데이터에 대한 이해가 있는 곳이 퍼포먼스 마케팅 파트밖에 없었어요. 실제 광고를 집행하고 고객들에게 반응을 얻어서 얼마나 매출이 나오는지, 어떤 상품이 반응이 좋은 지 등 사업 전반의 흐름을 보여주는 게 퍼포먼스 마케팅으로부터 시작되다 보니 모든 비즈니스 구성원들이 저에게 미팅과 업무를 요청하러 왔었어요. 그러다 보니 담당은 퍼포먼스 마케팅이었지만 온/오프라인 유통, 커머스, MD, SCM, 상품기획 팀 등 모든 팀과 TF를 했고, 그 때는 당연히 저 밖에 전체 데이터를 모르다 보니 모든 팀과 업무를 진행하는게 맞다고 생각했는데, 돌이켜 보니 그 과정 자체가 지금 하고 있는 ‘그로스’더라고요. 그로스의 정의가 특별한 건 아니에요. 데이터를 가지고 비즈니스를 성장시킬 수 있는 모든 영역에서 모든 역량을 다 하는 거죠.
처음 퍼포먼스 마케팅을 했을 때에는 비즈니스의 앞 단에서 유저를 획득하는 것에만 관심을 가졌는데, 퍼포먼스 마케팅만으로는 비즈니스 성장이 안 되는 지점들이 있었어요. 왜 그런가 찾다 보니, 들어온 고객들에게 관심을 가지는 부분까지 고민해야겠다는 점을 깨달았어요. 어떤 유저인지에 따라서 그 이후 단계가 달라지니까요. 그렇게 영역을 넓히다 보니 모든 비즈니스 영역을 다루게 되었고, 스스로 ‘그로스가 재밌다.’ 깨닫는 순간이 있었어요. 획득된 유저가 우리 서비스에 무엇 때문에 진입하게 되었는지, 그게 상품인지, 브랜드인지, 배송 상태인지 등. 다양한 관점들을 아우르며 분석하는 것에 흥미를 느꼈고요.
다양한 것에 관심과 호기심을 가지는 것이 가장 중요한 부분이라 생각해요. 그로스 마케터가 해야 할 일은 현재 상황을 진단하고 가설을 세우는 것인데요. ‘이 상황이 왜 나왔을지?’ Why에 대한 물음을 가장 많이 던져야 해요. 비즈니스와 서비스가 안정적인 상황에서도 호기심을 가지고 상황을 다르게 해석하려고 뒤집어 보는 것 자체가 능력이라고 할 수 있어요.
마티니 Growth 팀에서 제일 중요한 건 회고와 공부, 공유하는 문화에요. 매일 슬랙에서 오후 6시에 ‘데일리 회고 봇’이 메시지를 보내와요. ‘오늘은 어땠는지, 오늘을 점수로 표현하면 몇 점인지’ 등을 묻는 간단한 질문들인데요, 데이터를 노션으로 연동해 놔서 모든 팀원들이 모두의 ‘데일리 회고’를 볼 수 있어요. 저 같은 경우에는 팀원들과 1on1을 하기 전에 단서를 얻을 수 있고, 팀원들의 경우에는 각자 부족했던 것을 확인하고 소통이 원활해지기도 하고요.
매주 한 번씩 공유회도 하는데, 한 명씩 돌아가면서 그 주에 배웠던 것들이나 책, 아티클을 읽고 공유하는 시간이에요. 어떤 주제든 상관없이 30분~1시간 정도 진행하고, 각자의 방식으로 조금 덜 딱딱하게 운영하기 위해 카훗 등 퀴즈 방식으로 진행을 하기도 해요. 자기 순서가 몇 주 지나야 돌아오니까 부담이 덜하기도 하고, 개인과 Growth 팀의 성장을 위해 필요한 문화라는 점에 대해 모두가 공감하고 있어요.
-2.png)
-2.png)
.png)
기본적인 역량이나 경험을 안 볼 수는 없지만 우선순위는 오히려 낮았고요, 그로스는 배워야 할 영역이 너무도 많다 보니 러닝 커브가 있는지를 조금 더 봤어요. 다른 영역에 대해 열린 마음이 있는지, 호기심이 있는지요. 기존에 본인이 가지고 있던 건 사실 금방 고갈되거든요. 새로운 것을 더 빨리 받아들일 수 있는 사람이 필요했어요.
Growth 팀의 역할 차원에서 보면, 크게 세 가지의 직군의 팀원들이 필요하다고 생각했는데요. 데이터 파이프라인을 구축하고 마케팅 솔루션을 도입하는 데 필요한 엔지니어적 역량, 데이터 분석과 시각화에 특화된 분석가적 역량, 그리고 인사이트를 도출하고 전체적인 프로젝트를 담당하는 PM의 역량이에요. 각각 Integration Engineer, Data Analyst, Growth Manager라는 직무로 Growth 팀을 이루고 있어요.
가장 큰 장점은 다양한 산업군의 고객사 데이터를 볼 수 있는 점이에요. 인하우스 마케터라면 본인이 맡은 회사의 데이터만 볼 수 있고, 퍼포먼스 마케팅 대행사면 서드파티로 들어오는 일부 데이터만 볼 수 있는데요, 마티니 Growth 팀은 고객사 전체의 데이터를 함께 보고 다양한 관점에서 다양한 영역에 있는 분들과 고민하고 있어요. 의사의 역량 중 가장 중요한 것이 임상 경험이라고 하잖아요? 그로스 마케터도 마찬가지에요. 그로스 마케터로 성장하려면 실제 회사의 데이터를 많이 보는 게 중요한데 마티니 Growth 팀은 다양한 케이스들을 접할 수 있어서 특별하다고 생각해요.
저는 Growth 팀 팀원들 모두 업계에서 찾는 마케터로 성장하면 좋겠고, 팀은 오래도록 건강함을 갖춘 ‘좋은 팀’이 되었으면 해요. 사실 ‘좋은 팀’은 하나의 정량/정성적 지표로 판단할 수 없다 보니 애매한 표현일 수 있는데요, ‘좋은 팀’이라 할 수 있는 신호 중 하나가 ‘누구든 자유롭게 의견 교환을 할 수 있는 분위기인가?’라고 생각해요. 의견을 자유롭게 내고, 건강한 피드백을 주고받는 관계가 형성되는 게 좋은 팀이라고 보는데, 건강한 피드백이 되려면 일단 배경 지식도 있어야 하고 서로의 분야에 대해 충분히 공감해야 하죠. 많은 케이스를 가지고 있으면서 서로를 배려하고 의견 교환이 자유로운 팀을 만들고 싶어요.
어제의 회고봇에 어떤 내용을 쓰셨냐는 질문에, 재철님은 스스로에게 3.5점을 주며, ‘업무가 바쁘다 보니 Growth 팀이 가져야 할 뚜렷한 방향성을 잊고 있었던 것 같다며, 잊고 있었던 점들을 다시 돌아보는 계기가 되는 하루였다.’는 말을 남기셨는데요.
다양한 분야에 대한 호기심과 성장하고 싶은 니즈를 가진, 마티니 Growth 팀의 문화에 공감하는 분들을 기다립니다.
비즈니스 환경에서 데이터 활용은 필수다. 전략적으로 활용해야 할 이유 역시 분명하다. 더 나은 의사결정, 인사이트 획득, 업무 효율 제고, 예측 가능성 향상 등 비즈니스 전 영역에서 데이터가 활용돼서다. 기업은 방대한 데이터를 수집한 후 분석한다. 분석된 데이터는 시장 동향, 트렌드, 고객 요구 등 경쟁력 강화를 위해 전략적으로 활용된다.
데이터는 의사결정 속도를 높이고, 결과에 가장 근접한 예측 값을 도출한다. 잠재적 가치를 이끌어 내고, 경쟁력을 한층 더 높이기 위한 핵심이다. 즉, 마케터에게 ‘데이터 활용’과 ‘데이터 분류 체계 정립’은 필수 불가결한 요소다.
데이터 분류 체계는 세 단계를 거친다. 먼저 데이터를 수집한다. 수집된 데이터를 체계적으로 정리 후 분류한다. 마지막으로 분류된 데이터의 규칙을 정의한다. ‘수집 – 분류(정리) – 정의’로 이어지는 것이 일반적이다.
이해를 돕기 위한 예를 들면 다음과 같다. 상품 혹은 브랜드를 분석한다. 이때 상품 옵션과 고객 구매 이력이 반드시 고려돼야 한다. 구매 분석 시엔 연속적인 고객 행동을 파악하기 위한 흐름의 이해가 필요하고, 기민한 분석을 위한 데이터 분류 체계가 정립돼 있어야 한다. 잘못된 데이터가 기반이라면, 나쁜 결과가 초래된다(Trash In Trash out).
데이터는 일종의 외현적 표상이다. 단순 수집만으로는 정확한 정보를 도출할 수 없다. 인사이트는 반드시 분석으로 표출된다. 분석된 데이터의 체계적인 분류도 필수다. 빅데이터 대홍수에 휩쓸리지 않고, 적절한 데이터를 선별해 정확하게 이해한 후 활용하기 위함이다. 전략적 활용을 위해선 방대한 양의 데이터를 체계적으로 정리하고 분류해야 하는 이유이기도 하다.
체계적으로 정의된 데이터는 효과적인 마케팅 전략으로 이어진다. 연령, 성별, 구매 이력 등으로 세분화된 데이터는 고객 별 최적화, 고객 별 맞춤형 캠페인 설계와 진행이 가능해서다.
데이터 정확성과 분석 결과 신뢰성은 비례한다. 많은 데이터를 보유하고 있다고 해서 문제가 쉽게 해결되지 않는다. 정확한 데이터만이 신뢰할 수 있는 결과를 도출한다. 전문가를 고용하거나 고가의 분석 솔루션을 도입할지라도 데이터 분류 체계가 체계적이지 않으면 결코 좋은 결과를 얻을 수 없다. 전문가의 실력이 발휘될 수도 없고, 솔루션 효과를 입증할 수도 없다. 체계적인 데이터를 전략적으로 활용할 수 있는 전문가가 결국 더 큰 가치를 창출한다.
데이터 분류 체계는 전략적 의사결정으로 이어진다. 산업군을 막론하고 데이터 분류 체계가 중요한 이유다. 초기 비즈니스와 스케일업을 앞둔 시점이 중요한 것처럼 데이터 분류 체계 시 ‘데이터 수집을 시작할 때’ 그리고 ‘더 큰 규모의 데이터를 수집해야 할 때’ 더욱 세심한 주의가 요구된다.
수집, 분류, 관리 모두 데이터 분류 체계에 속한다. 어떤 데이터를 어떻게 수집할지 정확한 계획을 세우는 것이 데이터 분류 체계를 만드는 첫 단계다. 온라인 쇼핑몰에 관한 데이터로 가정했을 때 고객의 클릭 패턴, 구매 이력, 검색 행동 등이 이에 해당한다. 고객 선호도와 행동 분석에 관한 정보가 핵심이다.
수집 후 체계적으로 분류된 데이터는 퍼포먼스 마케팅, CRM, 제품 개발 등 비즈니스 전 영역에서 활용된다. 고객 선호도를 통해 행동을 예측하는 등 효과적인 전략 수립이 가능하다. 데이터 분류 체계는 전략적 의사결정을 가능하게 하는 중요 요소다.
분류와 더불어 체계적인 관리도 필요하다. 정확성과 보안 유지는 필수다. 정보 보호는 고객들의 신뢰로 직결된다. 데이터 분석 도구와 숙련된 기술은 인사이트의 가치를 높인다. 데이터 시각화 도구는 이해도를 높여 보다 나은 의사결정을 할 수 있도록 돕는다.
데이터를 기반으로 한 의사결정 문화를 조직 내에 정착시키는 것도 매우 중요하다. 직원 개개인의 이해도를 높인 후 데이터를 기반으로 한 의사결정은 조직의 데이터 활용 능력으로 연결돼 기업 경쟁력을 높이는 자원이 된다. 다시 정리하면 기업에서 데이터 기반 의사소통이 필요한 이유는 직감에 의존한 결정을 피할 수 있고, 시장 트렌드를 미리 예측할 수 있어서다.
풍요의 시대다. 새로운 물건은 교체품이나 대체제로 필요한 경우가 대부분이다. 마케팅 시장도 마찬가지다. 새롭고 창의적인 캠페인이 넘쳐난다. 이러한 세상에서 데이터의 가치는 더욱 빛을 발한다. 틈새 시장을 공략하고, 새로운 땅을 개척하기 위해 ‘데이터 활용’은 필수다. 숫자와 그래프로 빼곡한 엑셀시트를 꼼꼼하게 살피며 정확한 이해가 필요한 이유다.
석유는 중요한 에너지원이지만 적절하게 활용하지 않으면 가치를 얻을 수 없다. 석유를 에너지로 전환하기 위한 과정을 거쳐야만 효용가치가 발휘된다. 석유가 전환 과정을 거쳐 에너지가 되듯 데이터는 체계적인 분류와 분석을 통해 인사이트로 전환된다. 즉, 데이터 분류 체계는 비즈니스 성공을 위한 기반인 셈이다.
멤버십 시스템은 고객 충성도를 높이고, 장기적인 고객관계를 구축하는데 중요한 역할을 합니다.
멤버십 프로그램은 고객에게 해당 사이트(/브랜드)의 충성도를 높이는 데 도움을 주며, 고객들은 이를 바탕으로 특별한 혜택과 서비스를 받게 됩니다.
(e.g: 할인, 포인트 적립, 프로모션 대상선정 등)
그 중 특히 패션 e커머스의 경우 멤버십 시스템은 고객 충성도와 장기적인 관계 구축에 핵심적인 역할을 합니다. 패션 e커머스에서 멤버십 시스템은 다음과 같은 중요성을 지닙니다.
RFM 분석이란, 고객을 최근 구매 시점(Recency), 구매 빈도(Frequency), 구매 금액(Monetary)을 기반으로 세분화하는 방법입니다.
RFM 분석은 고객이 얼마나 가치 있는 고객인지를 평가하는데 사용됩니다.
RFM 분석을 통해 고객을 다양한 그룹으로 그룹화하고, 각 그룹에 맞는 맞춤형 전략을 수립할 수 있습니다.
(e.g: 최근에 자주 높은 금액을 지출하는 고객 : 보상 제공, 오랫동안 구매를 하지 않은 고객: 재방문/재구매 프로모션 제공)
이러한 고객 세분화는 마케팅의 효율성을 높이고 고객 만족도를 증가시키는데 도움을 줄 수 있습니다.
멤버십과 RFM 모두 고객의 행동과 고객의 가치를 이해하는데 중요한 분석 방법입니다.
그렇기 때문에 이 두 방법론을 함께 사용한다면, 보다 정밀한 고객 세분화가 가능하며 이를 통해 더욱 효과적인 고객 관리 및 맞춤형 마케팅 전략을 수립할 수 있습니다.
등급 점수 계산 방법: 최근 5년간 누적 구매 금액 + 포인트
등급 점수 계산 방법: 최근 6개월간 누적 구매 금액
등급 점수 계산 방법: 최근 6개월간 누적 구매 상품건수 및 금액
저희 회사에서 분석하고 있는 e커머스 패션 플랫폼은 현재 멤버십 설계가 되어있지 않습니다.
멤버십 설계 없이 필요에 따라 프로모션을 진행하며 고객들에게 동일하게 혜택을 제공하고 있습니다.
이렇게 계속해서 멤버십 설계없이 사이트를 운영할 경우 발생할 수 있는 문제점은 다음과 같습니다.
데이터가 고객사의 DB에 존재하기 때문에 자유로운 접근이 어려웠습니다.
따라서 RFM 분석을 시작하기 앞서, 필요한 데이터를 정의하고 해당 데이터를 고객사에 요청했습니다.
그 후, 전달받은 데이터를 Amplitude(PA Tool)의 데이터와 비교하여 데이터의 정합성을 확인했습니다.
❓ PA Tool(Product Analytics tool)이란?
: 제품 분석 도구를 말하며, 제품이나 서비스의 사용자 행동 데이터를 수집, 분석하여 제품 개선,
사용자 경험 최적화, 전략 수립 등에 도움을 주는 소프트웨어를 말합니다.
정합성 확인을 진행한 최종 DB 데이터(주문 데이터)를 바탕으로 데이터 형식 변환을 진행했습니다.
RFM분석을 위해서는 고객 기준 데이터가 필요하기 때문에 user_id 기준으로 유저별 ‘Recency(최근 구매일자)’, ‘Frequency(주문빈도)’, ‘Monetary(누적 주문액)’을 계산했습니다.
그 후, 적절한 RFM scoring 기준을 확인하기 위해 유저 분포를 확인했습니다. 유저를 10%, 5%, 1% 기준으로 구분하고 항목별 분포를 확인했습니다.
EDA에서 확인한 유저별 분포를 바탕으로 이상치를 제거했습니다.
전체 유저의 40%정도가 구매 이후 5개월 이상이 경과하였고, 70%정도가 구매횟수가 1회였기 때문에 Recency(최근 구매일자)와 Frequency(주문빈도)를 이상치 제거 기준으로
설정할 수 없다고 판단하였습니다. 따라서 최종 이상치 제거의 기준은 Monetary(누적 주문액)로 설정했습니다.
RFM 분석 초기에는 일반적인 이상치 제거 기준은 IQR(4분위수), 표준편차 등의 기준으로 이상치를 제거하고자 시도했으나,
해당 분석의 목적이 멤버십 설계를 고려한 RFM 분석이기 때문에 상위 유저가 중요하다는 점을 고려하여 이상치 제거의 기준을 ‘N만원 이상 유저’로 설정했습니다.
이상치 제거의 기준을 1) M기준 M1만원 이상, 2) M기준 M2만원 이상, 3) M기준 M3만원 이상으로 설정하고, 이상치의 갯수 및 비율을 확인했습니다.
option1. M이 M1만원 이상 유저수 n1명 (누적비율 0.17%)
option2. M이 M2만원 이상 유저수 n2명 (누적비율 0.09%)
option3. M이 M3만원 이상 유저수 n3명 (누적비율 0.05%)
해당 과정을 통해 최종적으로 이상치의 기준을 “option3”로 설정했습니다.
다음으로 각 R,F,M 항목별로 점수를 구해주었습니다. 점수를 산출하는 방식은 다양합니다. 해
당 분석에서는 작업시간 및 편의성 등의 여러 요건을 고려하여 엑셀을 통해 분석을 진행했습니다. 엑셀을 통한 RFM 산출 과정은 해당 블로그를 참고했습니다.
(출처: 엑셀을 활용한 RFM 고객가치 분석방법 (링크))
R과 M는 “비율(%)”을 기준으로, F는 전체 구매회원 중 약 80%가 1회 구매인 것을 고려하여 “구매횟수”를 기준으로 설정했습니다.
R Score, M Score을 계산하기 위한 비율(%)기준은 다음과 같습니다. 전체를 1~5까지로 구분한 후, 분모를 1~5까지 더한 값으로, 분자를 점수별 내림차순 기준 값(ex. 1일때 5, 2일때 4)으로 설정했습니다. 해당 방식으로 점수별 비율을 계산하면 다음과 같습니다.
F Score를 계산하기 위한 구매횟수 기준은 다음과 같습니다. 1,2,3,4,5회 이상으로 구분했습니다.
예를 한 번 들어보겠습니다. 주문 데이터에 10명의 유저가 구매한 이력이 있다고 가정해봅시다.
앞서 이야기한 RFM scoring을 적용해보면 다음과 같이 계산됩니다.
RFM 점수가 산출되었다면, 각 점수별로 유저들을 세분화(User Segmenation)하는 과정이 필요합니다. RFM 분석 시 유저들을 세분화하는 여러가지 이유가 존재합니다.
먼저 유저를 세분화하므로써 각 그룹별 맞춤형 마케팅 전략을 개발하여 고객 만족도와 충성도를 향상시킬 수 있습니다.
또한 이탈 위험 고객들을 파악하고 이들에게 재활성화 캠페인을 진행하므로써 적절한 위험 관리를 할 수 있습니다.
유저 세분화 그룹은 해당 사이트를 참고했습니다. (출처: RFM Segmentation (링크))
최종적으로 도출된 점수별 유저 세분화 그룹 및 각 그룹에 대한 특징은 아래와 같습니다.
RFM score를 멤버십 구간 설정에 활용하기 위해 R,F,M 각 요소별 가중치를 계산했습니다. 가중치를 계산하는 이유는 고객의 가치를 보다 정확하게 평가하기 위해서입니다.
RFM의 각 요소는 고객의 충성도 및 구매 가능성을 반영합니다. 그러나 모든 요소가 모든 비즈니스에 동일한 중요도를 나타내지 않습니다.
예를 들어, 패션 커머스의 경우 트렌드가 빠르게 변함에 따라 고객의 최신 패션 트렌드에 대한 관심과 구매 의사를 파악하는 것이 중요하므로 R(최근 구매일자)이 상대적으로 높은
중요도를 갖습니다. 반면 럭셔리 상품을 취급하는 커머스의 경우 고객의 구매 금액이 매우 중요하므로 M(누적 주문액)이 상대적으로 높은 중요도를 갖습니다.
엑셀을 통해 가중치를 구하는 방법으로는 크게 2가지가 있습니다.
첫째, 매출 기여효과의 합계를 통한 가중치 구하기와 둘째, 매출 기여효과와 매출액의 상관관계를 통한 가중치 구하기가 이에 해당합니다.
1. 가중치1: 매출 기여효과의 합계를 통한 가중치를 구하는 방식은 구매 금액이 높을수록 더 높은 점수를 받는 방식으로, 매출액이 높을 경우, 즉 M의 점수가 높을경우 RFM 지수가 높게 나타납니다. 해당 방식은 업종 특성상 구매주기가 길거나, 구매 금액이 미치는 영향도가 큰 업종에서 유의미한 방식입니다.
2. 가중치2: 매출 기여효과와 매출액의 상관관계를 통한 가중치를 구하는 방식은 각 R/F/M Class별 기여효과 수치와 매출액의 상관계수를 구하여 그 값의 비중대로 가중치를 정하는 방식으로, 1번 방식과 달리 M 이외의 R과 F의 요소도 어느 정도 고려된다고 볼 수 있습니다.
해당 방식은 업종 특성상 반복 구매가 자주 일어나거나, 고객의 활동, 구매 스펙트럼이 넓은 업종에서 유의미한 방식입니다.
가중치1과 가중치2 기준 RFM 항목별 가중치를 확인한 후, 최종적으로 M(누적 구매액)의 비중이 높은 가중치1을 선택했습니다.
그 후, 가중치를 통해 도출된 최종 스코어를 기준으로 최종 스코어별 비율 및 R,F,M 분포(평균,최대,최소)를 확인했습니다.
1차적으로 스코어별 분포를 확인하고, R보다는 F, R/F보다는 M의 중요도를 반영하는 방향으로 새로운 가중치를 생성했습니다.
그 후, 이를 바탕으로 도출된 스코어별 비율 및 R,F,M 분포를 재확인하는 과정을 거쳤습니다.
이러한 과정을 거쳐 최종적으로 RFM의 가중치를 0.1:0.2:0.7으로 확정하였습니다.
멤버십은 RFM의 score을 기준으로 구간을 설정한 후, M(누적구매액)으로 기준을 변경해주었습니다.
RFM score를 반영한 최종적은 멤버십 기준은 다음과 같습니다.
🪜 멤버십 기준 (*최근 6개월 1회 이상 구매 유저의 누적 구매액 기준)
· 이상치: M4만원 이상 (0.035%)
· VVIP: M3만원 이상 M4만원 미만 (1%)
· VIP: M2만원 이상 M3만원 미만 (7.4%)
· CREW: M1만원 이상 M2만원 미만 (29.3%)
· WOK: M1만원 미만 (62%)
· NEW/CHURN: 미구매
매출을 증가시키기 위해서는 크게 두 가지 방법이 존재하는데, 주문수를 올리거나 즉, 주문빈도를 높이거나, 건단가를 높이는 방식이 이에 해당됩니다.
매출을 증가시키기 위해 각 멤버십별 유저들의 주문빈도 및 객단가를 높일 수 있도록 멤버십 설계를 바탕으로 구간별 특징을 파악하고, 멤버십 혜택을 설계했습니다.
먼저 Amplitude를 사용하여 각 구간 평균 주문수, 주문상품수, 객단가 및 건단가를 확인한 후, 이를 바탕으로 멤버십 구간별 특징을 파악했습니다.
이를 바탕으로 기존에 진행한 쿠폰 프로모션의 성과를 바탕으로 쿠폰의 효율을 예측한 후,
쿠폰 할인율에 따른 매출 증분율과 마진율을 확인하고 멤버십 구간별 쿠폰 혜택을 설계했습니다.
태블로(Tableau)를 통해 멤버십과 RFM 세분화를 바탕으로 대시보드를 구현했습니다.
해당 대시보드를 통해 멤버십 관련 정보(1. 멤버십 분포, 2. 월별 멤버십 비율, 3. R(최근 주문일자), 4.F(주문빈도) 5.M(누적주문액)) 및
RFM 관련 정보(6.RFM Segment 분포, 7.월별 RFM 비율)을 확인할 수 있습니다.
좌측 상단의 멤버십 버튼 클릭시 각 멤버십 단계에 해당하는 유저들이 필터링되어 표출됩니다.
이를 통해 멤버십별 분포 및 해당 멤버십에 해당하는 유저들의 RFM 세그먼트를 손쉽게 확인할 수 있습니다.
또한 좌측 상단의 필터를 통해 각 멤버십 및 RFM 세그먼트별 회원 수 및 매출액을 파악하고 이를 비교함으로써 종합적인 비즈니스 성과를 파악할 수 있습니다.
.png)
마지막 단계, '퍼널 완성하기'에서는 실제로 퍼널을 만드는 데 필요한 도구를 제공하며,
퍼널을 지속적으로 실험하고 개선해야 하는 필요성을 일러준다.
한 페이지의 헤드라인을 바꾸는 '작은 수정' 하나로 31.7%의 수익률을 얻는다면 믿겠는가?
"적절하게 활용된 하나의 퍼널이 있다면, 그 퍼널은 평생 노력한 것의 열 배보다도 더 가치가 있다."
'적절하게 활용된 하나의 퍼널'을 구축하는 과정이 결코 단조롭지 않을 것임을 명심해야 한다.
반드시 실패를 겪는다는 것을 염두에 두어라.
.
.
.
⌜마케팅 설계자⌟
퍼널을 선택하기 전 판매하고자 하는 상품(혹은 서비스)의 값을 매기고 적절한 가치 사다리 단계에 배치하라.
그리고 선택한 퍼널을 시각화해 보아라. 그다음은 간단하다.
클릭퍼널스로 ‘후크, 스토리, 제안’이 깃든 맞춤형 퍼널을 만들고 연속극 시퀀스가 가능한 후속 퍼널을 기획하라.
이제 시장에서 실험하면 된다.
[Step.1]
당신의 퍼널을 스케치하라.
"돌출 주문서를 사용할까?"
"상향 판매를 몇 번이나 넣을까?"
"하향판매를 굳이 넣어야 할까?"
"각 페이지의 후크는 무엇일까?"
"스토리는 무엇일까?"
"제안은 무엇일까?"
"각각에 넣을 제안에 매길 가격은 얼마일까?"
해당 퍼널에 각 페이지와 단계를 스케치하여
당신이 가장 먼저 '무엇'을 하려고 하는지 시각적으로 인지해야 한다.
[Step.2]
클릭퍼널스로 당신만의 세일즈 퍼널을 만들어보아라.
클릭퍼널스는 기업가나 CEO가 직접 사용할 수 있을 정도로 사용자 편의적이다.
'퍼널 마법사(Funnel Wizard)'가 당신을 친절히 안내해 줄 것이다.
[Step.3]
'페이지 에디터'로 맞춤형 퍼널을 만들어보아라.
'페이지 에디터'의 기본적인 작동 원리와 페이지 구성의 원리만 파악하면
비전문가인 당신도 언제든 맞춤형 페이지를 꾸밀 수 있다.
[Step.4]
후크, 스토리, 제안을 퍼널에 심어보아라.
당신이 떠올린 아이디어를 또 다른 누군가도 떠올린다.
그럴듯한 브랜딩과 화려한 디자인에 힘을 쏟기 전에,
방문자와의 연결성을 강화할 수 있는 진정성을 보여라.
[Step.5]
후속 퍼널을 만들어보아라.
퍼널을 스케치 하는 동시에 후속 퍼널의 계획도 포함해야 한다.
초기 퍼널이 후속 퍼널의 가치 사다리로 이어지는 매개체 역할을 하는 데 중요하다.
"잠재고객에게 이메일을 보낼 때 이 캐릭터에 어떤 매력적인 요소를 덧붙여야 할까?"
"'연속극 시퀀스'에서는 무슨 말을 해야 할까?"
"'사인필드 이메일'에서는 어떤 유형의 메시지를 담아서 보내야 할까?"
[Step.6]
이제 당신의 퍼널을 시장에서 실행하라.
몇 년 전만 해도 '적절한 퍼널' 하나를 구축하려면 전문가들로 구성된 팀이 두세 달 동안 매달려야 했다.
고민은 실행을 늦출 뿐이다. 당신의 퍼널을 시장에서 실험해 보고, 수정을 거쳐 '적절한 퍼널'을 완성하라.
연속적인 퍼널 사이에 후속 퍼널을 ‘다음 단계’로 포개라.
고객이 겪고 있는 문제를 ‘지금 바로’ 해결할 수 있는 매력적인 대안을 끊임없이 제시해야 한다.
다음 이미지는 '퍼널 포개기'의 예시이다.
첫 퍼널에 실패했다고 낙심하지 마라.
성공적인 실험을 위해 다만 악퍼널에서 구해진 것뿐이다.
초반 목표는 퍼널 내의 제품 가격 총액의 손익분기점으로 설정하고 손해를 본다 한들 개의치 말아라.
테스트가 끝나면 퍼널 평가 지표의 수치로 퍼널의 건전성을 평가하라.
당신의 퍼널이 손익분기점을 넘지 못했다면 반드시 문제는 후크나 스토리나 제안에 있다.
[퍼널 평가 지표]
퍼널의 총 매출액을 고객의 수로 나누면 ACV를 구할 수 있다.
(예를 들어 100명이 기록한 총매출액이 2,500달러이면 AVC는 25달러이다)
CPA > ACV : 퍼널이 잘못되었다.
CPA < ACV : 퍼널이 제대로 작동한다.
[당신의 점수]
ACV = 25.00달러
CPA = 20.00달러
[점수 결과]
수익: 5달러
당신의 퍼널이 제대로 작동한다.
[확장 전략]
수익성을 유지하는 한 최대한 많은 돈을 광고비로 지출해야 한다.
[1단계] '방문자의 온도'를 판정한다
당신이 세일즈 퍼널 속으로 맞아들이는 방문자가 뜨거운가, 따듯한가, 혹은 차가운가?
(오픈채널=뜨거움, 자사몰=따듯함, 차가움)
[2단계] '사전 프레임 브리지'를 설정한다
이 방문자의 유형을 기준으로 각각의 유형을 위해 어떤 사전 프레임 브리지를 만들어야 할까?
(내 브랜드의 이미지)
[3단계] '가입자를 추려낸다'
방문자들 가운데서 당신이 제안하는 무료 정보를 제공받는 대가로
자기 이메일 주소를 기꺼이 알려주는 사람은 누구인가?
[4단계] '구매자를 추려낸다'
사이트의 가입자 가운데서 당신이 제시하는 첫 번째 제안을 기꺼이 받아들여 신용카드를 꺼내는 사람은 누구인가?
[5단계] '적극적인 구매자를 추려낸다'
자기가 안고 있는 문제를 해결하기 위해서 기꺼이 더 많은 돈을 쓰겠다는 사람은 누구인가?
[6단계] '더 깊은 관계로 나아간다'
고객의 연락처 정보를 확보한 뒤 어떻게 하면 '매력적인 캐릭터'로 그들과 인간관계를 쌓아갈 수 있을까?
(관계 강화 + 추가 구매)
[7단계] '판매 환경을 바꾼다'
고객을 오프라인으로 유도해서 가치사다리의 높은 곳으로 올라가게 만들려면 어떻게 해야 할까? (판매채널 확장)
.
.
.
글을 마치며,
모든 변수를 관통했다고 자만하지 말 것.
나의 의견에 대한 지나친 긍정은 피해야 한다는 점을 기억하자.
“이 정도면 괜찮은 것 아닌가?” - 아니다.
MECE 기법을 통해 퍼널의 실패 요인을 줄여보는 것도 하나의 방법이다.
늘 마케팅엔 ‘정답’이 없다고 생각했다. 각자에게 맞는 퍼널핏이 있고
그것은 범용적이지 않은 각 개인의 것이라 여겨왔다.
그런데 이 책에서는 모든 마케팅에 적용 가능한 프레임 워크를 설명하고 있다.
'정답'은 아니지만 문제에 대한 개중 하나의 명확한 ‘해답’이 될 수 있는 가이드라고 생각한다.
도서 정보
고객과 관련된 헤드라인 쓰기에 통달하라. 당신이 진행하는 모든 과정에는 후킹한 헤드라인이 포함되어 있어야 할 것이다.
그 헤드라인이 당신의 잠재고객과의 구매 대화(buying conversation)가 되고 이것이 곧 당신의 매출 상향 프로젝트가 될 것이다.
”마케팅 그만하세요.”
“언제까지 2010년식 마케팅으로 2024년 시장을 장악할 수 있다고 믿으시겠어요? 마티니와 함께 2024년 마케팅 시작하세요.”
(‘그로스 해킹’이란 용어가 등장한 때가 2010년입니다.)
당신이 얼마나 매력적인 사람인지, 왜 매력적인 사람인지, 무엇을 매력적으로 이룬 사람인지,
어떻게 매력적으로 차별화된 서비스를 제공할 수 있는지를 하나의 강력한 스토리로 긴급히 제안하라.
[who]
“저는 마티니의 전문화된 일원이자, ㅇㅇ 프로젝트의 PM입니다.”
[what]
”1년이라는 마티니의 역사 속에서 함께한 단 3개월 만에 온라인 광고 시스템을 통달했으며, 그 덕에 그 누구도 풀지 못한 문제를 수없이 풀어왔습니다.
한 가지 재미있는 사실은! 모두 같은 고민 속에서 경쟁 중입니다만, ‘마티니 효과’를 얻고 나면 늘 다른 결과로 만족하더군요.”
[why]
”여러분의 제품이나 서비스가 훌륭함에도 불구하고, 또 이미 높은 판매량을 기록했음에도 비즈니스를 개선하거나 추가하는 일에는 여전히 미숙하다는 것을 잘 압니다. 쇠퇴기(혹은 적응기)에 접어들 시기가 예고 없이 다가올 때면 경쟁사에 대응할 만한 신규 전략을 늘 고민해야 하니까요. 그래서 문제가 뭐던가요? 소재? 카피? 광고비 지출액?
아니요. 장담컨대 여러분의 모든 예상이 빗나갈 만한 이유입니다.”
[how]
일명 ‘마티니 효과(Triple Effect)’라고도 하죠.
단 한 번의 결정으로 당신의 사업이 정체기에 머물지, 성장기로 나아갈지를 결정합니다.
마침 저희가 그 비밀을 오늘 참석하신 분들께만 몰래 공유드리려고 하거든요. 비밀은 지켜주셔야 합니다. 지금 당장 문의하세요!
마티니와의 여정을 간접 체험할 기회를 제공합니다.”
'마티니 효과(Martinee Effect)'란?
: Performance + Growth + CRM 통합 솔루션의 시너지 효과를 의미
[catch]
“마티니 설립 이래로 전례 없던 무료 상담 기회를 제공해 드리는 이유가 궁금하실 겁니다.
물론 앞으로도 있을지 모를 기회지만요. 마티니를 엿볼 기회를 드리고 나면 저희로서는 설득하는 과정이 한결 수월해집니다.
마티니의 풀퍼널 마케팅, 마티니의 5단계 전략, 마티니의 그로스 마케팅…
저희의 수많은 베스트 상품들을 한 데 진열하여 모든 분들께 설명드리기에는 너무나 많은 시간을 들여야 하기 때문입니다.
무료 체험을 진행하신 후 가려운 부분이 어디인지 적극적으로 일러주신다면 저희로서는 더욱 최적의 서비스를 제공해 드릴 수가 있습니다.”
[urgency]
"오늘 무료 상담 서비스를 신청하시는 분들께는 서비스의 버전을 업그레이드 할 수 있는 기회를 드립니다.
이 업그레이드 버전은 유료로 판매되고 있으며 장단하건대 실제 가격보다 훨씬 높은 가치가 있습니다. 현재 기준으로 여덟 분만 사전 신청 가능합니다.
기억하세요! 오늘 자정이 지나면 이 기회는 사라집니다."
[guarantee]
마티니는 당신에게 소중한 시간을 선물할 것을 보장합니다.
모든 과정 즉시 취소 가능하며 일정 조율은 최대 2회까지 가능합니다.
사전 신청 후 일정 조율, 혹은 취소 시 그 어떠한 페널티도 없으니 부담 없이 신청해 주세요!
[recap]
아래 링크를 클릭하여 마니티의 무료 상담 서비스를 신청해 주세요!
자정 이전에 신청하신 분들 한하여 강의 무료 초청권도 드린다는 사실, 잊지 마세요!
나만의 스타성을 뽐내고, 고객이 안고 있는 문제와 유사한 연속극 시퀀스를 풀어내어, 고객도 나만의 스토리의 주인공 될 수 있다는(혹은 더 나은) 미래를 꿈꾸게 하라.
이미 구매한 고객에게 ‘열린 순환고리(open loop)’를 유지하여 재구매를 유도하라.
재구매에 대한 보장과 명확한 근거가 핵심이다.
⌜Martinee knows ‘HOW’ (Series. 1)⌟
“당신에게만 제공하는 또 다른 ‘무료 상품’이 있습니다.
마티니의 노하우가 담긴 ⌜Secrets of Matinee⌟ 핵심 요약편 1권을 제공해 드립니다. 돈으로 환산할 수 없는 가치를 무료로 추가하세요.
수많은 고객사를 컨설팅하며 얻었던 알맹이만 담겨 있습니다.”
비밀의 5분의 1만을 풀고 호기심을 참지 못해 마티니에 문의를 할 수밖에 없는 보조품을 판매하자는 전략
[도입부]
도입부에서 90분 동안의 시선을 집중시킬 필살기를 내보인 후
[내용]
필살기의 전략과 전술을 제공한다.
[스택과 판매종결]
그리고 ‘앵커링 효과(anchoring)’를 염두에 둔 스택 슬라이드를 사용하여
고객이 얻을 수 있는 장점에 대해 연속 필살기를 날려라.
도입부: 17/100(%)
내용: 50/100(%)
스택과 판매종결: 33/100(%)
고객이 당신의 앞에 서기까지 겪었을 수많은 고난을 해결할 수 있는 완전한 신규 전략을 제시하라.
그리고 당신이 내세운 전략의 전술이 ‘무엇’인지 어깨너머 코칭하며 제안을 암시하라.
마지막으로 제안을 수락했을 때, 고객이 얻을 가치에 대한 희소성과 긴급성을 강조하며 가상의 소유 경험을 전달하라.
전문가로서 던지는 한 가지 후크와 세 가지 후속 질문으로 상대방의 답변을 이끌어내라.
먼저 전문가의 자질을 내비칠 수 있는 간략한 소개를 한다. 그리고 후속 질문을 이어가면 된다.
내/외부 목표를 이끌어내고 [1],
목표에 대한 장애물을 찾는 후속 질문을 하여 [2],
극복할 수 있는 가능성에 대해 묻는다 [3].
그리고 당신이 전문가이기 때문에 ‘당연히’ 해결해 줄 수 있다는 믿음을 심어주고 구매 의향을 묻는다.
(단, 마지막 질문을 던진 뒤 고객이 대답하기 전까지 절대 추가적인 말을 덧대지 말아야 한다)
[1차]
판매 설정자가 고객이 처한 상황을 파악하고 제안의 맛보기를 제공하는 동시에 ‘이 제안’이 고객의 ‘맞춤 솔루션’일 수밖에 없는 질문을 하라.
[2차]
판매 종결자는 판매 설정자가 이끌어냈던 답변을 더욱 강화해야 한다.
그리고 이 제안을 고객이 단지 ‘수락’하는 것이 아니라, 꿈의 고객을 자처하고 ‘요청’하도록 해야 한다.
