February 4, 2026
MCP(Model Context Protocol)는 AI가 외부 데이터를 활용할 수 있도록 연결해 주는 개방형 표준 프로토콜입니다. 쉽게 말해, AI 도구가 실시간으로 필요한 데이터를 가져와 활용할 수 있게 만드는 기술입니다.
앱스플라이어는 이 기술을 활용해 자연어만으로 마케팅 데이터에 바로 접근 가능한 MCP를 선보였습니다. Claude, ChatGPT 같은 AI 도구와 앱스플라이어를 연결하면, 캠페인 성과 분석부터 오디언스 관리, 딥링크 문제 해결까지 질문만으로 처리할 수 있습니다.
또한 앱스플라이어 MCP는 기술적 배경과 관계없이 누구나 필요한 데이터를 즉시 확인할 수 있도록 지원합니다. 사용자가 직접 질문하든, AI 에이전트에게 작업을 맡기든, 대기 시간 없이 명확한 정보와 실행 결과를 바로 받아볼 수 있습니다.
앱스플라이어 MCP는 Claude, ChatGPT, Gemini 같은 사용자가 선호하는 LLM(Large Language Model) 도구와 앱스플라이어를 연결합니다. 사용자가 질문을 입력하면 MCP가 자동으로 필요한 데이터를 찾아 이해하기 쉬운 형태로 보여줍니다. 어트리뷰션, 분석, 오디언스, OneLink(원링크) 등 앱스플라이어의 모든 기능을 자연어로 바로 활용할 수 있습니다.
또한 앱스플라이어는 7,000개 이상의 주요 브랜드가 신뢰하는 풍부하고 정확한 데이터를 제공하기 때문에 개인정보 보호를 철저히 준수하며 마케터가 필요한 인사이트를 즉시 확인하고 빠르게 의사결정을 내릴 수 있도록 돕습니다.
앱스플라이어 MCP는 개방형 구조로 설계되어 있어, 원하는 방식으로 커스터마이징할 수 있습니다. 미디어 믹스를 최적화하는 AI를 만들거나, 오디언스를 자동으로 관리하는 시스템을 구축하거나, 내부 도구에 MCP를 연결하는 등 복잡한 설정 없이도 필요한 기능을 유연하고 자유롭게 구현할 수 있습니다.
채널별 ROAS를 확인하고 싶거나, 어떤 캠페인이 가장 높은 LTV를 만드는지 알고 싶을 때 앱스플라이어 MCP를 활용해 보세요. 질문만 입력하면 필요한 데이터를 바로 확인할 수 있습니다.
앱스플라이어 MCP는 사람이 직접 질문하거나 AI 에이전트가 자동으로 작업하는 방식 모두 지원합니다. Growth, CRM, 제품, 마케팅 팀 등 어떤 팀이든 별도의 설정이나 개발 작업 없이 필요한 인사이트를 바로 확인할 수 있습니다.
앱스플라이어 MCP는 앱스플라이어의 어트리뷰션 기술을 기반으로 만들어졌습니다. 모든 데이터는 개인정보 보호 규정을 철저히 준수하며, 설계 단계부터 암호화와 보안을 적용했습니다.
캠페인 성과를 실시간으로 확인하고, ROI를 비교할 수 있습니다. 채팅창에서 직접 확인하거나, AI 에이전트를 활용해 성과 모니터링부터 최적화, 작업 실행까지 자동으로 처리하세요.
오디언스가 어떻게 나뉘고 활용되는지 한눈에 확인할 수 있습니다. 질문만으로 오디언스 현황을 조회하거나 실시간 성과를 분석할 수 있으며, 중복된 오디언스를 찾아내고 개선 방안을 제안하는 AI를 직접 만들 수도 있습니다. 필요하다면 여러 채널의 오디언스 정보를 자동으로 동기화하거나 작업을 실행할 수도 있습니다.
대화형 인터페이스로 OneLink 템플릿과 링크 동작을 간편하게 점검하거나, 에이전트를 활용해 링크 상태를 지속적으로 모니터링할 수 있습니다. 문제가 있는 링크를 자동으로 찾아내고, 모든 캠페인이 올바르게 운영되도록 관리할 수 있습니다.
앱 설정이나 구현 방법이 궁금할 때 질문만으로 바로 확인할 수 있습니다. AI 어시스턴트가 설정 오류를 찾아내 해결 방법을 알려주거나, 상황에 맞는 가이드 문서를 자동으로 보여줍니다.
앱스플라이어 MCP는 AI 기반 마케팅을 향한 중요한 첫걸음입니다. 사람의 창의성과 AI의 분석 능력이 결합되면, 마케터는 더 나은 의사결정을 내릴 수 있습니다.
MCP는 캠페인 분석, 오디언스 확인, 딥링크 관리 같은 마케터들의 핵심 업무를 지원하고 있으며, 추후 예측 분석과 에이전트 기반 자동화까지 확대 될 예정입니다. 데이터 기반으로 더 빠르고 정확한 의사결정을 내리고 싶다면, 지금 바로 앱스플라이어 MCP를 경험해 보세요.
|
앱스플라이어 도입을 고민중이라면?마티니는 앱스플라이어 도입부터 실무 활용까지 전 과정을 지원하는 풀퍼널 마케팅 에이전시입니다. 지금 아래 버튼을 눌러, 마티니와 만나보세요. |
January 9, 2026
브레이즈 캔버스(Canvas)는 고객의 행동과 속성을 기준으로 개인화된 메시지 흐름을 설계하는 고객 여정 오케스트레이션 도구입니다. 단일 캠페인이 하나의 캠페인을 특정 조건에 따라 발송하는 데 초점을 맞춘다면, 캔버스는 고객의 행동에 따라 여러 메시지와 채널을 유기적으로 연결합니다.
예를 들어, 회원가입 후 7일까지의 유저 저니 설계, 첫 구매까지의 지속적인 구매 유도 메시지 발송 등 단일 순간에 그치지 않고 지속되는 기간 동안 유저 저니에 따라 메시지를 보낼 수 있습니다.
캔버스를 활용하면, CRM 마케팅을 ‘단발성 메시지 발송’에서, 지속적인 고객 경험 관리로 확장할 수 있습니다.
특히 고객 행동이 빠르게 변화하는 환경에서는, 잘 설계된 캔버스가 마케터의 반복적인 운영 부담을 크게 줄여줍니다.
브레이즈 캔버스는 크게 진입 조건(Entry), 액션(Step), 분기(Split)으로 이루어져 있습니다.
해당 속성을 잘 활용하면, CRM 마케터는 하나의 캔버스 안에서 다양한 시나리오를 운영할 수 있습니다. 그뿐만 아니라 고객의 입장에서도 ‘자연스러운 경험’이 가능해져 더 높은 전환 성과를 기대할 수도 있습니다.
브레이즈 캔버스는 강력한 도구이지만, 설계 목적이 명확하지 않으면 오히려 캠페인 운영이 복잡해질 수 있습니다. 하나의 캔버스에는 하나의 목표를 두고, 온보딩•전환•리텐션 등 목적별로 캔버스를 분리해 설계하는 것이 효과적입니다.
또한, 지나치게 많은 분기와 조건은 운영 중 오류나 누락을 유발할 수 있습니다. 초기에는 단순한 구조로 시작하고, 성과와 데이터를 기반으로 점진적으로 고도화하는 방법이 안정적입니다.
마지막으로 데이터 반영 시점을 고려하여 적절한 대기 시간과 조건을 설정해야 합니다.
캔버스는 한 번 만들고 끝나는 것이 아니라, 운영 후 지속적으로 점검하고 개선해야 성과로 이어집니다.
|
|
브레이즈, 믿을 수 있는
|
January 6, 2026
CRM 마케팅의 중요성이 높아지면서, 많은 기업에서 브레이즈(Braze)를 활용해 CRM 마케팅을 진행하고 있습니다. 간단하게는 푸시 메시지 발송부터, 깊게는 캠페인 자동화까지. 브레이즈는 많은 CRM 마케터들에게 익숙한 도구가 되었습니다. 하지만 실제로 현장에서 듣는 이야기는 조금 다릅니다.
“기능은 많은데, 어디까지 쓰고 있는지 모르겠다”
”이 정도면 잘 쓰고 있는 건지 감이 안 온다”
브레이즈를 사용하는 것과 잘 ‘활용’하는 것은 다른 문제이기 때문입니다.
마티니는 이러한 고민에서 출발해, 브레이즈 활용도를 자가진단 해볼 수 있는 질문을 마련했습니다. 자가진단의 목적은 단순히 점수를 매기는 것이 아니라, 현재 우리 팀의 CRM 운영이 어느 단계에 와 있는지, 그리고 다음 단계로 나아가기 위해 무엇이 필요한지를 스스로 인식할 수 있도록 돕는 데 있습니다.
실제로 자가진단에 참여한 기업들을 살펴보면, 캠페인과 자동화는 잘 운영되고 있지만, 데이터 활용, AI 기능, 신규 채널(RCS 등)은 아직 충분히 활용되지 못하고 있는 경우가 많았습니다.
브레이즈를 사용하고 있다면, 이제는 ‘얼마나 잘 활용하고 있는지’를 점검해야 할 시점입니다. 지금 바로 우리 팀의 브레이즈 활용도를 진단해 보세요.
자가진단 점수 구간에 따라 현재 브레이즈 활용도가 어느 수준인지 쉽게 확인해볼 수 있습니다. 결과 페이지에서는 현재 활용 단계에 따른 제안도 함께 확인해볼 수 있습니다.
마티니가 정리한 브레이즈 활용 인사이트와 실제 사례를 통해, CRM을 한 단계 더 고도화하는 방법을 확인해 보세요.
June 14, 2024
좋은 소재 만드는 방법이 있어요?
“아니, 없어요.”
없었어요?
“없어요!!!”
아~ 있었는데?
“아니, 그냥 없어요!!!”
맞아요. 없어요.
아니, 좋은 소재 만드는 방법을 논하기 전에 근본적인 물음을 하나 던져 볼까요? 퍼포먼스 마케팅이 뭐죠?
저마다의 정의가 조금씩은 다를 수 있겠지만 ‘광고의 성과를 고도화하기 위한 끊임없는 테스트와 검증의 반복’이라 할 수 있을 것 같아요.
소재를 게재하고, 성과를 분석하고, 성과에 따라 즉각적으로 대응하고, 새로운 매체를 끊임없이 발굴하고, 타게팅을 변경하고, 예산을 다시 분배하는 등의 총체적인 업무의 반복이 퍼포먼스 마케팅이라고 할 수 있겠지요.
물론 요즘은 많은매체들이 머신 러닝으로 자동으로 최적화합니다. 하지만 데이터를 해석하고, 다음 방향성을 제시하고, 이슈에 대응하는 건 여전히 퍼포먼스 마케터와기획자의 몫입니다. 그렇기에 광고 소재의 성과는 마냥 머신이 열일 하기를 바라는 기도 메타가 아닌 사람, 즉 우리 광고쟁이들의 몫이죠.
그렇기에 우리는모든 방법을 동원해서 모객 단가를 낮추고, 더 많은 타겟에게 도달하고,더 많은 전환을 일으키고, 더 많은 매출을 올리기 위해 노력합니다. 바꿔 말해 KPI라는 데이터를 달성하기 위함이죠. 그렇다면 좋은 소재는 어떤 소재일까요? 당연히 좋은 성과, 즉 목표하는 데이터를 달성하는 소재겠죠?
그래서 우리는좋은 소재와 나쁜 소재를 성과, 즉 데이터에 기반을 두고 구분합니다.
정량적인 구분은 명확하지만, 정성적인 판단은 어려운 상황이죠. 과거 전통적인 마케팅이나 성과를 측정할 수 없는 브랜딩 목적의 광고 소재는 비교적 좋고 나쁨을 구분하기에 용이했다면 지금의 퍼포먼스 마케팅에서의 좋은 소재를 구분하는 건 참 어려운 일입니다.
자, A라는 소재가 있다고 가정해 봅시다. 미적으로 보기 좋고, 디자인이 세련되고, 브랜드의USP를 잘 담고 있는 소재가 있습니다. 광고주께서도 만족스러워합니다. 그런데 막상 이 소재의 데이터를 까봤더니 노출도, 단가도, ROAS도 아주 엉망이네요? 그렇다면 이 소재가 정말 좋은 소재가 맞을까요?
그럼, 반대의 경우,B 소재를 가정해 볼게요. 일정이 너무 촉박한 나머지 퀄리티도 떨어지고, 카피도 뭔가 애매하고, 브랜드 톤 앤 매너와도 어울리지 않는 소재를어쩔 수 없이 게재하게 됐습니다. (실제로 현업에서는 이런 일은 없습니다. ㅎㅎ 적어도 마티니 내에서는 말이죠) 그런데 이게 웬일인가요? 성과가 너무 잘 나오고 있는데요? 그럼 이건 좋은 소재일까요? 나쁜 소재일까요?
참 애매해 보여도 답은 간단합니다.
모로 가도 서울만 가면 된다는 말이 있듯이, 뭐가 됐든 좋은 성과를 기록한 B 소재가 더 좋은 소재가 되겠습니다. 물론 원론적인 말이기 때문에 정답이 명확합니다. 하지만, 이 정답을 달성할 수 있는 명확한 방법은 없는데요. 그렇기 때문에 우리는 ‘정답에 가까울 수 있도록’ 여러 조건을 갖춘 소재를 제작해야 합니다. 그 조건을 하나씩 파볼게요.
아무리 멋진 카피를 작성하더라도, 아무리 멋지고 예쁜 디자인을 하더라도 광고는 결코 예술이나 작품이 아닙니다. 철저히 상업이고 판매를 촉진하기 위한 수단이죠. 그렇기 때문에 우리는 ‘세일즈’라는 명확한 목적을 담아 광고 소재를 기획해야 합니다.
우리가 목적을 담지 않으면 고객의 입장에서는 “그래서 하고 싶은 말이 뭐야?”라는 느낌이 들겠죠? 쉽게 말해 고객이 우리의 제품이나 서비스를 구매해야만 하는 명분, 그 알맹이가 있어야만 온전히 광고의 기능을 할 수 있고, 나아가 구매까지 연결될 수 있습니다.
퍼포먼스 마케팅의 플랫폼은 디지털 채널이죠. 디지털 채널의 특성은 과거 전통 매체와는 다르게 휘발성이 강하고, 빠르게 지나가는 경우가 많습니다.
따라서 광고 소재에 집중할 시간적 여유도 적을 뿐더러 타겟 유저의 이목을 끌기도 쉽지 않죠. 그렇기 때문에 되도록 한눈에 잘 읽히도록 간결하게 커뮤니케이션하는 게 유리합니다. 내가 쓴 카피를 소리 내 읽어보고, 비율을 축소해서 작은 지면에서도 한 눈에 읽히는지 스스로 체크해보세요. 별거 아닌 것 같아도 꽤 도움이 된답니다.
고객은 생각보다 우리에게 관심이 많지 않습니다. 안타깝지만 사실이죠. 그렇기에 우리는 한 마디를 던지더라도 값지게, 알뜰하게 써야 합니다. 다행히 우리의 광고가 고객에게 도달했다고 생각해 봅시다. 그런데 의미가 불분명해요.
고객은 우리가 전하려는 의미를 탐구하고, 해석하고, 유추하지 않아요. 그냥 빠르게 지나갈 뿐이죠. 그렇기에 우리는 가급적 오인지의 요소 없이, 여러 방면으로 해석될 일 없이 분명하고 정확하게 커뮤니케이션하는 게 중요해요.
디지털 플랫폼 뿐만 아니라 어떤 미디어도 오직 ‘광고만을 위한’ 지면은 많지 않습니다. 브라우저 내에도, 옥외 광고판 주변에도, 우리집 거실에 놓인 TV에도 모두 시선을 분산시킬 수 있는 것들것 산재해 있죠.
그렇기에 광고 소재는 가독성과 가시성이 정말 중요합니다. 그래서 소재를 기획할 때도 되도록 노출 지면을 미리 확인하고 해당 지면에 잘 노출되기 위해서는 어떠한 컬러와 레이아웃, 어떤 컨셉으로 노출될지를 예측하고 기획해야 더 나은 성과를 기대할 수가 있습니다. 광고주의 가이드와 매체의 가이드를 해치지 않는 선에서 여러분의 기획력을 마음껏 펼쳐보세요.
잘 보이게, 간결하고 정확하게 커뮤니케이션 하더라도 고객의 입장에서는 광고는 그저 광고일 뿐입니다. 그렇기 때문에 그들의 이목을 끌 수 있는 방법은 그들이 듣고 싶어 하는 이야기를 해주는 것이죠.
게임 광고 소재를 예로 들어 볼게요.
‘새로 출시한 우리 게임이 엄청 재미있으니 다운받아보세요!’ 와 ‘우리의 신상 게임을 다운받으면 어마어마한 보상을 드려요!’ 중에 어떤 메시지가 더 높은 성과를 기록할까요?
당연히 팩트의 나열인 전자보다는 유저 입장에서 베네핏이 강조된 후자의 메시지가 더 반응률이 높겠죠? (물론, 이건 단적인 예시일 뿐 모든 상황에서 적용되는 건 아닌 점은 참고해 주세요)
사실 이건 퍼포먼스 마케팅뿐만 아니라 브랜딩 캠페인을 포함한 모든 광고 홍보에 적용이 되는 부분이지요. 하지만 우리는 이 부분을 놓치는 경우가 굉장히 많아서 여러 번 강조해도 지나침이 없답니다.
만들어진 광고 소재를 광고주께 제안하기 전에 한 번 더 체크해보세요. 내가 고객의 입장이라면, 이 광고가 과연 매력적으로 보일까를 말이죠.
물론 이 외에도 갖춰야 할 것들을 꼽자면 여러 가지가 있을 수 있겠지만 기본적으로는 위의 내용들에 충실하면 적어도 정답은 맞히진 못하더라도 실패할 확률은 많이 줄어들 수 있을 거예요.
광고 기획자든, 퍼포먼스 마케터든 누구도 감히 마케팅의 정답을 말할 수는 없을 겁니다. 항상 입버릇처럼 하는 말이지만 우리 광고쟁이들은 정답을 말하는 사람이 아닙니다. 정답이 아닌 것을 정답으로만들어가는 사람들이지요. 데이터를 해석하고, 테스트의 구조를 계획하고, 인사이트를 도출해서 끊임없이 캠페인의 성과를 개선하는 게 우리가 할 수 있는 최선의 노력이자 방법이 될 겁니다.
이 짧은 글이 여러분의 광고 여정에서 조금의 도움이 되길 바랄게요. 고맙습니다.
June 14, 2024
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!
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.
.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.
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.
--
