February 3, 2025
지난 수 년간 CRM 마케팅이 디지털 마케팅의 주요 패러다임으로 자리 잡으면서, 해외의 CRM 자동화 솔루션들이 한국 시장에 진출했다. 또, 국내의 여러 CRM 자동화 솔루션들이 등장하여 적극적인 마케팅 활동을 펼치고 있다.
CRM 자동화 솔루션은 마테크 시장에서 점점 포화 상태에 이르고 있으며, 그만큼 솔루션을 구매해야 하는 마케터나 의사결정권자들의 결정도 어려워지고 있다.
이번 글에서는 CRM 솔루션들을 비교해보고, 우리 회사에 가장 적합한 CRM 솔루션을 찾기 위한 고려사항들을 이야기하려 한다.
[참고]
이 글은 아래의 CRM 자동화 솔루션들을 대상으로 합니다.
- 브레이즈 (Braze)
- 원시그널 (OneSignal)
- 인사이더 (Insider)
- 아이쿠아 (AIQUA)
첫 번째 고려사항은 내가 일하고 있는 자사 서비스의 특성이다.
비슷해보이는 CRM 툴들 사이에서도 다른 특성들이 있으며, 각 특성들이 우리 서비스의 특성과 얼마나 어울리는지 살펴봐야 한다.
판매하는 프로덕트의 관여도, 타겟 유저의 특성, 상품의 수량, 수익 모델, 매출을 내는 유저의 비중, 재구매율을 비롯한 주요 지표들이 서비스 특성에 포함될 수 있다.
고관여 제품은 유저 설득에 시간이 오래 걸리고, 설득을 위해 보내야 하는 메시지도 많다.
반면 저관여 제품을 유저 설득에 시간이 상대적으로 적게 소요되지만, 그 짧은 시간안에 설득해내야 한다는 다른 유형의 챌린지가 있다.
• 정보성 메시지
가격이 비싼 만큼 유저들은 자신의 결정이 가질 리스크를 낮추려 한다. 정보성 메시지를 통해 이런 리스크를 낮추는 것 만으로도 구매전환율을 높일 수 있다.
• 높은 수준의 개인화
높은 수준의 개인화를 통해 본인이 고려하고 있는 제품을 반복적으로 노출시켜야 한다. 소셜프루프, 가격 변동 정보 등을 활용하여 유저로 하여금 "구매하는 것이 올바른 선택인 것 같은 느낌"을 주어야 한다.
• 긴 고객 여정에 적합한 단계별 메시지
구매에 오랜 시간이 걸리는 만큼, CRM으로 터치할 시간도 많이 주어진다. 다양한 채널과 메시지를 활용하여 유저에게 단계별 메시지를 발송하여 전환율을 높일 수 있다.
• 꾸준한 쿠폰 플레이, 할인 등 프로모션
값이 저렴한 저관여 제품일수록 유저들이 오히려 가격에 더 민감하게 반응한다. 가전은 비싸도 좋은 걸 사서 오래쓰고자 하지만, 물이나 휴지는 그렇지 않다. 가격 경쟁력을 갖추기 위한 쿠폰 플레이와 할인을 꾸준히 진행해야 한다.
•프로모션 참여 유도: 게이미피케이션
"꾸준한 프로모션"을 진행하다보니, 프로모션을 진행해도 유저들의 참여율이 낮아질 때가 있다. 이 경우 게이미피케이션이나 프로모션의 한정성을 강조하여 프로모션의 참여율을 높여야 한다.
• 크로스세일
저관여 제품은 상대적으로 크로스세일이 용이하다. 마트 계산대에 껌이나 캔디 같은 제품이 놓여 있는 이유이기도 하다. 짧은 구매여정 속에서도 크로스세일을 유도하여 구매당 단가를 높일 수 있다.
상품이 많을 수록, 고객의 수가 많을 수록 할 수 있는 CRM 시나리오의 종류도 다양해지는 편이다.
상품이 많다면 여러 상품별 구매 데이터를 활용한 AI 상품추천(Recommendation), 크로스세일이 더욱 힘을 받는다. 상품이 많으니 카테고리, 브랜드 등의 부가적인 데이터도 활용하기 용이하며, 데이터가 많으니 기능의 성능도 올라간다.
고객이 많다면 유저 세그멘테이션(User Segmentation)이나 유저 클러스터링(User Clustering)을 적극적으로 활용할 수 있다. 유저가 많은만큼 유저 집단별 특성을 명확하게 확인할 수 있다.
반대의 경우엔 위와 같은 부가 기능들의 중요도가 상대적으로 떨어진다.
상품 추천 로직을 만들었는데, 추천하는 상품이 다 똑같은 상품들일 수 있고, 유저 세그멘테이션을 진행했는데 세그먼트 당 유저 모수가 몇 명 되지 않을 수도 있다.
상품의 수, 고객의 수가 많지 않다면 위와 같은 마케팅 전략들의 영향력이 줄어든다. 그리고 쿠폰, 혜택 등의 프로모션이 CRM 성과에 기여하는 비중이 커진다.
CRM 자동화 솔루션들이 프로모션을 짜주지는 않으니, 상대적으로 가벼운 솔루션을 찾는 것이 가성비를 높이는 것도 방법일 수 있다.
BM에 따라서도 취할 수 있는 전략이 달라진다.
여러 브랜드의 제품을 파는 이커머스 플랫폼의 경우, 플랫폼보다 내가 판매하는 '브랜드'의 충성도에 의해 서비스를 이용할 가능성이 크다.
극단적인 예시가 플랫폼과 나이키의 관계다. 대부분의 플랫폼에서 나이키 제품은 판매량 최상위권을 차지한다. 유저는 나이키를 살 건데, 여러 쇼핑몰을 찾아다니며 나이키를 제일 싸게 파는 곳을 찾을 뿐인 것이다.
(그래서 이런 브랜드들은 분석에서 제외하고 보기도 한다.)
이런 브랜드의 충성도를 활용하여, 메시지에 유저가 관심을 보인 브랜드를 개인화한다면 전환율을 높일 수 있다.
F&B의 경우 재구매가 용이하다. 가격이 저렴하기도하고, 업종 자체가 '먹는 것'이기 때문이다. 그러나 유저에겐 선택지가 너무 많다. 보편적인 재구매주기를 찾고, 재구매주기를 단축시키기 위한 메시지가 유효할 수 있다. 또, 주문 프로세스에서의 크로스세일 유도를 통해 판매액을 높일 수도 있다.
교육, 여행처럼 오랜 기간 지속되는 서비스를 제공하는 경우, 구매 이후의 유저 경험이 더욱 중요하다.
사실 이런 서비스는 고객이 니즈가 없으면 판매를 유도하기 어렵다. 유저는 영어를 배울 각오를 하고, 휴가를 내고 해외 여행을 갈 계획을 세워야지만 구매한다.
그래서 구매이후 이용/경험을 돕는 지속적인 메시지를 통해 유저에게 긍정적 구매 경험을 심어주어야 한다. 긍정적 경험을 통해 재구매 전환율을 높이는 것이다.
내가 처한 환경을 고려했으니, 이젠 각 솔루션별 특징을 확인해볼 차례다.
CRM 자동화 솔루션들은 CRM 메시지 자동화뿐만 아니라 성과를 높일 수 있는 다양한 기능들을 제공하고 있으며, 이런 기능들이 각 솔루션들에게 차이점을 준다.
브레이즈 (Braze)
Braze의 경우 강력한 개인화 기능을 가지고 있다. Liquid, Connected Content와 같은 높은 수준의 개인화를 사용할 수 있는 기능들이 있다. 그 밖에도 Canvas내 다양한 종류의 스텝들을 통해 유저와의 관계를 구축할 수 있으며, 범용적인 마테크 연동성, 다양한 AI 기능들도 장점으로 꼽을 수 있다.
기능들이 다양하고 파워풀한만큼, 실행할 수 있는 시나리오가 가장 많은 솔루션이 아닐까 싶다.
원시그널 (OneSignal)
OneSignal의 강점은 '가성비'라고 볼 수 있다. 기본 SDK설치에 10분이 채 걸리지 않는 가벼운 설치에 가격도 상대적으로 저렴한 편이며, 초심자가 사용하기에 난이도도 상대적으로 쉬운 편이다.
설치와 비용, 활용이 가볍다고 해서 기능이 부족한 것은 아니다. 개인화를 위한 Liquid를 제공하며, Braze의 Connected Content 기능과 유사한 Custom Data 기능도 있다.
CRM 마케팅이 익숙치 않거나, 서비스 특성상 진행할 수 있는 CRM 시나리오가 명확한 경우 적합하다.
인사이더 (Insider)
Insider는 웹 환경에서의 '높은 자유도'와 '상품추천'이 강점이다. 앱 내 웹뷰 영역도 포함이다.
웹 환경에서 다양한 배너, 소셜프루프, 게이미피케이션, 인브라우저 메시지 등을 사용할 수 있다. 템플릿도 굉장히 다양해서 노코드로 여러 CRM 시나리오를 구현할 수 있다.
자사 서비스에 웹 영역의 중요도가 높고, 커스터마이징의 자유도를 원한다면 좋은 선택지가 될 수 있다.
아이쿠아 (AIQUA)
AIQUA는 AI에 강점이 있다. AI를 개발한 애피어(Appier)는 자신들을 'AI 회사'라고 칭할 정도로 AI에 많은 투자를 하고 자신이 있다. AI를 활용한 카피라이팅, 상품추천, 이탈/구매 예측, 타겟팅뿐만 아니라, CRM 시나리오 제작까지 가능하다.
CRM 솔루션의 기본적인 기능들과 더불어, AI를 활용해 CRM 마케팅 효율을 강화하고 싶은 경우 적합하다.
그 밖에도 아래의 사항들을 함께 참고해보면 좋다.
• 타 솔루션과의 연동성
Product Analytics, MMP 등 다양한 마테크 솔루션과의 CRM 솔루션을 연계 활용하고자 한다면, 내가 사용하는 마테크 솔루션들과의 연동이 지원되는지 살펴보면 좋다.
• 고객지원 / 기술지원
처음부터 마테크 솔루션들의 기능을 100% 활용하기는 매우 어려운 일이다.
내가 원하는 수준의 고객지원 / 기술지원을 받을 수 있는지 체크해보아야 한다.
* 보통 마테크는 고객지원과 기술지원이 따로 구성되어 있다.
• 컨설팅, 대행 등의 도움을 받을 수 있는지
CRM 시나리오를 구현하고, 마케팅 목표를 달성하기엔 마테크 솔루션들의 지원 만으로는 부족할 수 있다. 솔루션 사용을 돕지만, 비즈니스 성장을 위한 마케팅을 지원하진 못하기 때문이다.
어떠한 형태든 마케팅에 어려움을 겪고 있다면, 비즈니스를 성공시키는 마케팅을 위한 컨설팅 / 대행 서비스를 통해 도움을 받는 것이 좋다.
마티니(Martinee)에서는 이 글에서 언급된 모든 솔루션들의 컨설팅 / 대행 서비스를 제공한다.
다들 알다시피 가성비는 가격대비 '성능'의 비율을 의미한다.
가격은 솔루션 가격을 의미할 것이고, '성능'은 무엇을 기준으로 판단해야할까?
앞서 설명한 솔루션별 기능과 장점들도 성능에 포함되지만, 솔루션을 사용하는 사용자의 영향이 더 크다고 본다.
결국 성능을 결정하는 가장 큰 요인은 파일럿인 것이다.
많은 회사들과의 미팅, 컨설팅을 통해 솔루션 없이도 높은 수준의 CRM을 실행하는 곳도 발견한 반면, 그냥 CRM 솔루션으로 무분별한 메시지만 발송하는, 소위 '앱푸시 발사대'로만 사용하는 경우도 많이 보았다.
자신의 도메인에 적합한 솔루션을 선택하고, CRM 마케팅을 꾸준히 개선시키고 학습하는 마케터가 CRM 마케팅 솔루션의 가성비를 결정하는 키를 쥐고 있다.
November 13, 2024
CRM 마케팅이 중요해지면서 많은 기업들이 Braze를 도입하고 있다.
대부분 앱 푸시 발송과 개인화 마케팅을 위해 Braze를 사용하지만, 다양한 기능을 활용해 마케팅을 고도화하는 경우는 많지 않다.
아직 Braze 관련 학습 자료나 강의가 부족해 공식 문서에만 의존해야 하다 보니, 많은 마케터들이 Braze의 기능을 제대로 활용하지 못하고 있다.
이 글에서는 Braze를 제대로 활용하고 있는지 점검하고, 놓치고 있는 유용한 기능들을 소개하려 한다.
아래 Braze 용어 중 내가 사용한 적이 있거나, 사용하지 않았더라도 들어본 용어가 있는지 확인해 보자.
(Braze 이용자라면 누구나 사용하는, 꼭 알아야 하는 기능은 빼두었다.)
3개 이상 사용해 봤다면 Braze를 잘 활용하고 있는 셈이다.
하나도 사용해 보지 않았더라도 걱정하지 말자. 지금부터 각 기능의 활용법을 자세히 설명할 예정이다.
Frequency Cappping이란 사용자가 받는 메시지 수를 제한해 피로감을 줄여주는 기능이다.
설정 예시
위와 같이 채널별로 기간과 수신 횟수를 설정할 수 있고, Campaign이나 Canvas에 Tag를 추가하면 특정 캠페인에만 제한을 걸 수도 있다.
예를 들어 이벤트 태그가 있는 캠페인은 하루 1개만 발송하는 식이다.
"푸시가 너무 많이 와요", "인앱메시지가 자주 떠서 불편해요" 같은 VOC를 자주 받는다면 Frequency Capping을 적극 활용해보자. 사용자 경험도 개선하고 고객 만족도도 높일 수 있다.
Braze에서 자주 쓰는 필터로 'X Custom Event Property In Y Days'와 'X Purchase Property In Y Days'가 있다. 실시간으로 반영된다는 장점이 있지만, 몇 가지 제한사항이 있다.
반면 Segment Extension은 아래와 같은 장점이 있다.
예를 들어 일반 필터로는 '지난 30일간 패딩 구매자'만 찾을 수 있지만, Extension으로는 '지난 1년간 패딩 구매자' 세그먼트를 만들 수 있다.
단, Extension은 실시간 업데이트가 아닌 정해진 주기로 업데이트된다. 기존에는 매일 오전 12시마다 업데이트 되었는데, 최근 Weekly, Monthly 옵션이 추가됐다.
Webhook으로 카카오톡, 문자 메시지를 보내는 것 뿐만 아니라 빈 웹훅인 Spacer를 발송하여 A/B Test를 진행하거나, 성과를 측정하는 것도 가능하다.
Spacer 활용 사례
또한 잘못 설정된 Conversion 지표를 보완할 때도 유용하다.
Connected Content는 API를 통해 외부 데이터를 실시간으로 가져와 메시지에 활용하는 기능이다.
활용 가능한 데이터:
이러한 데이터는 Braze에 저장되지 않아 보안성이 높고, 실시간 데이터로 더 정확한 개인화가 가능하다.
API Response 값을 메시지에 바로 사용하거나, Liquid 구문으로 메시지 발송 조건으로 활용할 수도 있다.
API 개발이 필요하지만, 활용하면 한층 더 다양한 개인화 메시지를 만들 수 있다.
Connected Content 사용 사례
1. Open API 활용 : 누구나 이용할 수 있는 Open API를 활용하여 다양한 캠페인을 진행할 수 있다.
2. 내부 API 활용 : 기개발된 API가 있다면 해당 API를 활용하여 다양한 캠페인 운영이 가능하다.
.png)
Query Builder는 SQL Query를 사용해 데이터를 출력하는 기능이다.
Campaign Analytics와 Engagement Report를 통해 캠페인 발송 수와 전환 수는 확인할 수 있지만, 유저가 어떤 상품을 구매했는지, 혹은 다른 이벤트가 발생했는지는 알 수 없다.
유저 행동을 더 자세히 분석하고 싶다면 쿼리빌더를 활용해보자. SQL에 익숙하다면 직접 쿼리를 작성할 수 있고, 그렇지 않다면 Query Template이나, AI Query Builder를 통해 쿼리를 생성하여 사용하면 된다.
Query Builder를 통해 N Day Retention과 같은 데이터도 확인할 수 있다.
N Day Retention 활용 사례 보러가기
어트리뷰트 데이터 테이블은 지원하지 않지만, 캠페인, 캔버스, 이벤트, 세션 정보 같은 유용한 데이터는 쉽게 추출할 수 있다. 다양한 분석을 원한다면 Query Builder를 적극 활용하자.
(단, Query Builder는 매월 사용할 수 있는 크레딧이 있으니, 쿼리 실행 시 크레딧이 줄어드는 점을 주의해야 한다!)
앞서 언급한 기능 외에도 Braze를 더 깊이 활용할 수 있는 방법은 많다.
실무로 바빠서 Braze를 자세히 살펴볼 시간이 없더라도, 틈틈이 다양한 기능을 활용해 보다 효율적이고 정교한 CRM 마케팅을 진행하길 바란다.
또한 기존 기능에 새로운 요소가 추가되거나 새로운 기능이 출시되니, 매월 업데이트되는 Braze Release Note를 확인하는 것을 추천한다.
*글의 원문은 최영아님의 브런치스토리 에서도 읽어보실 수 있습니다.
September 23, 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.
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.
--
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.
