B2B SaaS MRR 계산하기

September 12, 2024

‍

MRR 이란?
Monthly Recurring Revenue로 월간 반복 매출 구독형 서비스의 경우 핵심 지표로 활용됩니다.

‍

요즘은 누구나 한 번 쯤은 구독형 서비스를 결제해본 경험이 있을텐데 구독 비즈니스는 사용자가 카드를 등록하면 자동으로 월마다 반복적으로 자동결제가 됩니다. (유튜브 프리미엄 구독, 넷플릭스 등)

‍

MRR 산출 공식은 다음과 같습니다.

Centered Boxed Text

MRR = 고객수 * 평균 청구 금액

‍

예를 들면, 유튜브 프리미엄 월 구독 비용이 10,000원이고 이용자가 10명이라면 MRR 은 100,000원이 되는 겁니다.

‍

그런데 MRR이 100,000원 입니다. 에서 끝나면 안되겠죠?

‍

MRR이 어떻게 변화했는지를 분석하는 것도 굉장히 중요합니다.

‍

MRR 지표를 쪼개보면 아래와 같습니다.

NEW MRR : 신규 고객의 MRR
Expansion MRR : 기존 고객의 구독 상품 업그레이드의 MRR
Contraction MRR : 기존 고객의 구독 상품 다운그레이드의 MRR
Churn MRR : 구독 취소
Reactivation MRR : 재활성화된 MRR

‍

그러면 이 지표를 가지고 우리는 New MRR을 구할 수 있습니다.

Text Color Change

Net MRR = New MRR + Upgrade MRR - Churned MRR - Downgrade MRR + Reactivation MRR

실무하면서 MRR calculation 하는데 고생 고생을 했는데 이 방법으로 도움을 받을 수 있는 누군가를 위해 공유합니다.

‍

우선 방법은 DB에 적재된 결제 데이터와 구글 스프레드 시트에서 세금계산서로 처리되는 고객 결제 내역을 바탕으로 Rawdata를 준비하고 파이썬을 활용해서 frequency(월결제, 연결제)를 flatten 해주고 이를 Looker Studio로 시각화해줍니다.

‍

1. DB에서 데이터 불러오기

2. 구글 스프레드시트에서 데이터 불러오기

3. 파이썬으로 데이터 클렌징하기

4. 클렌징한 DB, 스프레드시트 데이터 합치기

5. 클렌징 결과 시각화를 위해 구글 스프레드시트로 보내기

6. Looker Studio로 시각화 하기

‍

아래는 실제 활용했던 MRR 대시보드 입니다.

‍

첫 번째 대시보드는 월매출과, MRR 지표 현황을 살펴보고 고객사별 월간 구독 현황을 확인 해볼 수 있고 ARR, 이번달 예상 매출도 확인 할 수 있게 구성했었습니다.

두 번째 대시보드는 위에서 언급한 대로 MRR 지표를 쪼개서 모니터링하는 대시보드입니다.

이를 통해 MRR 상승하는데 어떤 지표 때문에 상승했는지 한눈에 볼 수 있습니다. 또한 MRR 성장추이도 함께 볼 수 있도록 구성되었습니다. 이제 이 대시보드를 통해서 전사가 우리 서비스의 MRR 현황을 볼 수 있고 이탈한 유저수가 특히 많았던 월에는 고객 인터뷰를 진행해보거나 해당 유저들의 특징을 파악해보면 어떤 지점에서 불편함을 느꼈는지 페인 포인트는 무엇이었는지 원인을 파악하고 제품 개선에 반영해볼 수 있겠죠?

‍

DB에서 결제 데이터를 위의 컬럼만 파이썬 SQLAlchemy 를 활용해서 데이터를 불러옵니다.

‍

SELECT  
            user_id,
            company_name,
            sales,
            pay_datetime_id,
            freq,
            user_status    
FROM
        (SELECT tmp2.user_id,
               tmp2.company_name,
               tmp2.id,
               tmp1.sales,
               date_format(tmp1.auth_date, '%Y-%m-01') auth_date,
               tmp1.subscription_id,
               tmp1.user_status,
               tmp1.card_updated_at
          FROM
                    (SELECT B.user_id,
                           A.sales,
                           A.auth_date,
                           A.subscription_id,
                           A.user_status,
                           A.card_updated_at
                    FROM
                    (SELECT st0.*,
                            st1.user_status,
                            st1.card_updated_at
                    FROM
                    -- billing_payment_history 테이블에서 조건에 맞는 데이터 가져오기
                    (SELECT billing_id,
                           subscription_id,
                           auth_date,
                           IF(cancelled_at IS NULL ,amount, IF (amount <= cancellation_cancel_amount,0,cancellation_remain_amt)) AS sales
                    FROM nicepay_billing_payment_history
                    ) st0
                    left join
                    	-- nicepay_card_info 테이블에서 가장 최근의 카드 정보(created_at이 최대인)를 가져오며, user_status를 is_deleted와 is_active 값에 따라 ‘churned_user’ 또는 ‘active_user’로 설정
                        (select t1.billing_id,
                                t1.created_at,
                                t1.is_deleted,
                                t1.is_active,
                                t1.created_at card_updated_at,
                                (case when t1.is_deleted = 1 and t1.is_active = 0 then 'churned_user' else 'active_user' END) user_status
                                from nicepay_card_info t1
                        inner join (select billing_id,
                                            max(created_at) max_date
                                    from nicepay_card_info
                                    group by 1) t2
                        on t1.billing_id = t2.billing_id and t1.created_at = t2.max_date) st1
                    ON (st0.billing_id = st1.billing_id)) A
                    LEFT OUTER JOIN
                                    (SELECT billing_id,
                                            user_id
                                     FROM nicepay_billing_info) B
                    ON (A.billing_id = B.billing_id)) tmp1
INNER JOIN (SELECT user_id,
                        company_name,
                        id
            FROM user
          ) tmp2
ON (tmp1.user_id = tmp2.user_id)) tmp3
inner join
                    (select seq,
                            freq,
                            date_format(plan_start_datetime_id, '%Y-%m-01') subscription_plan_start_datetime_id
                     from subscription) tmp4
ON (tmp3.subscription_id = tmp4.seq)
where sales > 0;

‍‍

먼저 계산을 위해 필요한 데이터를 DB에서 추출해주고 flatten을 해줄껍니다.

flatten이 뭐냐 뜻 그대로 평탄화한다는 의미입니다. 예를들어 고객이 연간 결제를 1,200,000원을 했다고 하면 월별 결제액은 12개월로 나눠서 월별로 데이터를 평탄화 해주는 과정이라고 보시면 됩니다.

#expand the yearly records
mrr_base = mrr_df.loc[np.repeat(mrr_df.index, mrr_df['freq'].map({"years":12,"months": 1}))]
mrr_base.loc[mrr_base["freq"] == "years", "sales"] /= 12
mrr_base.loc[mrr_base["freq"] == "years", "pay_datetime_id"] += \
mrr_base.groupby(["user_id", "freq"]).cumcount().loc[mrr_base["freq"] == "years"]\
.map(lambda i: pd.DateOffset(months=i))

‍

저의 경우 DB에 기록되지 않은 세금계산서 데이터를 가지고 있었는데

해당 데이터는 구글 스프레드시트에 기록하고 있으므로 구글 스프레드시트에서 데이터를 불러옵니다.

‍

#구글 스프레드시트에서 data load하기
scope = ['https://spreadsheets.google.com/feeds',
'https://www.googleapis.com/auth/drive']
credentials = ServiceAccountCredentials.from_json_keyfile_name(
'credential 파일 경로(json파일)', scope)
gc = gspread.authorize(credentials)
spreadsheet_url = "가져올 스프레드시트 주소"
gc1 = gc.open_by_url(spreadsheet_url).worksheet('시트 이름')

#기존에 기록된 데이터 가져와서 리스트 형태로 리턴
gc2 = gc1.get_all_values()

#데이터프레임으로 판다스로 가져오기
gc2 = pd.DataFrame(gc2, columns=gc2[0])
gc2 = gc2.reindex(gc2.index.drop(0))

#날짜 형식으로 변경
gc2['pay_datetime_id'] = pd.to_datetime(gc2['pay_datetime_id'])

#sales 컬럼 숫자로 변경
gc2['sales'] = gc2['sales'].astype(str).astype(int)

#expand the yearly records
gc2_base = gc2.loc[np.repeat(gc2.index, gc2['freq'].map({"years":12, "months": 1, "2years":24}))]

# compute monthly fee and join date
#years 12개월로 나누기
gc2_base.loc[gc2_base["freq"] == "years", "sales"] /= 12
gc2_base.loc[gc2_base["freq"] == "years", "pay_datetime_id"] += \
gc2_base.groupby(["user_id", "freq"]).cumcount().loc[gc2_base["freq"] == "years"] \
.map(lambda i: pd.DateOffset(months=i))

#2years 24개월로 나누기 / years 12개월로 나누기
gc2_base.loc[gc2_base["freq"] == "2years", "sales"] /= 24
gc2_base.loc[gc2_base["freq"] == "2years", "pay_datetime_id"] += \
gc2_base.groupby(["user_id", "freq"]).cumcount().loc[gc2_base["freq"] == "2years"] \
.map(lambda i: pd.DateOffset(months=i))

gc2_base_result = gc2_base[['user_id', 'company_name', 'sales', 'pay_datetime_id', 'freq']]
출처: https://botongsaram.tistory.com/entry/B2B-SaaS-MRR-계산하기 [알랭드보통사람:티스토리]

위의 과정에서 DB에서 불러온 데이터와 구글 스프레드시트의 데이터 형태를 통일 시켰습니다.

이제 Raw Data를 만들기 위해서 합쳐줍니다.

‍

#구글시트rawdata와 DB에서 불러온 데이터의 결합
df_union= pd.concat([mrr_result, gc2_base_result])

데이터를 통합한 다음에 데이터 시각화를 위해 데이터 시각화를 위해 스프레드시트에 최종 정리된 데이터를 다시 구글 스프레드시트로 전달합니다.

# union 된 결과를 다시 구글 스프레드시트로
scope = ['https://spreadsheets.google.com/feeds',
'https://www.googleapis.com/auth/drive']
credentials = ServiceAccountCredentials.from_json_keyfile_name(
'credential 파일 경로(json)', scope)
gc = gspread.authorize(credentials)
spreadsheet_url = '스프레드시트주소
gc_mrr = gc.open_by_url(spreadsheet_url).worksheet('새로 데이터를 업로드할 시트명')
#기존에 기록되어 있던 데이터 삭제(처음 업로드할 때는 필요 없음)
gc_mrr.clear()
# 오늘 가져온 데이터 업로드
gd.set_with_dataframe(gc_mrr,merge)

위의 결과는 MRR 대시보드 예시(1)에서 활용했던 과정입니다.

‍

Text Color Change

New MRR + Upgrade MRR - Churned MRR - Downgrade MRR + Reactivation MRR

다음으로 MRR detail view 에 사용될 지표를 만들 차례입니다.

# pay_datetime_id 열에서 월과 연도를 추출하여 새로운 열 생성
mrr_detail_result['month_year'] = mrr_detail_result['pay_datetime_id'].dt.to_period("M")

# max_date 컬럼 만들기
mrr_detail_result['max_date'] = pd.NaT

mrr_detail_result.head()

# user_id를 기준으로 그룹화
grouped = mrr_detail_result.groupby('user_id')

# 각 그룹에서 최대 결제일을 찾고 max_date 열에 할당
for name, group in grouped:
    max_date = group['pay_datetime_id'].max()
    max_index = group['pay_datetime_id'].idxmax()
    mrr_detail_result.loc[group.index, 'max_date'] = max_date

# 데이터프레임을 corporate_id와 pay_datetime_id 기준으로 정렬
transactions_ver2 = mrr_detail_result.sort_values(by=['corporate_id', 'pay_datetime_id'])

# 이전 거래 금액을 저장할 새로운 열 prev_amount 추가
transactions_ver2['prev_amount'] = transactions_ver2.groupby('corporate_id')['sales'].shift(1)

# 사용자 상태를 저장할 새로운 열 user_status 추가
transactions_ver2['mrr_status'] = 'new'

# 이전 거래 금액과 동일한 금액을 가진 사용자에게 'existing' 할당
transactions_ver2.loc[transactions_ver2['sales'] == transactions_ver2['prev_amount'], 'mrr_status'] = 'existing'

# 이전 거래 금액보다 높은 금액을 가진 사용자에게 'upgrade' 할당
transactions_ver2.loc[transactions_ver2['sales'] > transactions_ver2['prev_amount'], 'mrr_status'] = 'upgrade'

# 이전 거래 금액보다 낮은 금액을 가진 사용자에게 'downgrade' 할당
transactions_ver2.loc[transactions_ver2['sales'] < transactions_ver2['prev_amount'], 'mrr_status'] = 'downgrade'

# 이전에 'churned' 상태였고 이제 새로운 거래가 있는 사용자에게 'reactivation' 할당
# 모든 고유한 corporate_id 값을 포함하는 리스트 생성
corporate_ids = transactions_ver2['corporate_id'].unique()

# 각 corporate_id에 대해 루프를 돌며 각 거래의 상태를 업데이트
for corporate_id in corporate_ids:
    user_data = transactions_ver2[transactions_ver2['corporate_id'] == corporate_id]
    for i in range(1, len(user_data)):
        prev_month = user_data.iloc[i-1]['month_year']
        curr_month = user_data.iloc[i]['month_year']
        if (curr_month - prev_month).n > 1:
            transactions_ver2.loc[(transactions_ver2['corporate_id'] == corporate_id) & (transactions_ver2['month_year'] == curr_month), 'mrr_status'] = 'reactivation'

# user_status가 churn_user인 사용자의 마지막 결제일에 'churn' 상태 할당
transactions_ver2.loc[(transactions_ver2['user_status'] == 'churned_user') & (transactions_ver2['pay_datetime_id'] == transactions_ver2['max_date']), 'mrr_status'] = 'churned'
transactions_ver2.head()

‍

이제 MRR 대시보드 예시(2)에 활용된 데이터가 전처리되었고 구글 스프레드시트로 데이터를 적재해주면 됩니다.

이걸 매일 하기는 귀찮으니 Airflow DAG를 활용해서 자동화해주면 됩니다.

여기까지 MRR계산을 위해 SQL, 구글 스프레드시트, python을 활용한 과정을 소개해봤습니다.

누군가 B2B SaaS에서 MRR 계산을 위해 고군분투하고 계시다면 이 코드가 도움이 되시면 좋겠네요

추가로 초기에 대시보드 기획에 많은 참고가 되었던 Baremetrics라는 MRR 대시보드 외산 툴이 있는데 상당히 잘만들었다고 생각되는 서비스입니다.

SaaS 비즈니스를 운영하신다면 참고해보시면 좋을 서비스네요!

GROWTH

구글애널리틱스4 (GA4) 세그먼트 제대로 활용하기

September 9, 2024

GA 세그먼트란?

‍

분석 데이터의 하위 집합입니다.

사용자, 세션, 이벤트 데이터를 분리해서 세그먼트를 정의하면 분석하고자 하는 대상을 쉽게 정의할 수 있게 만드는 기능입니다.

세그먼트를 정의하게 되면 특정 유저의 그룹 vs 나머지 유저의 특징을 비교 분석해 볼 수 있습니다.

‍

활용 방법 및 예시

‍

GA4에서 세그먼트 기능을 통해 웬만한 유저들의 특징을 잡아낼 수 있습니다.

그런데 GA4가 어떻게 유저들의 행동 데이터를 수집하고 활용하는지 제대로 알지 못하면 활용하기 힘들겠죠?

이번 글에서는 큰 틀에서 GA4가 어떤 원리로 조건이 설정되는지 알아보려고 합니다.

‍

세그먼트 유형 선택하기

‍

세그먼트 생성화면을 들여다보면 꽤 많은 조건들을 설정할 수 있는 기능들이 많습니다.

일단 크게 3가지 유형의 세그먼트가 있습니다. (아래 유형에 대한 이해를 잘하셔야 합니다.)

‍

세그먼트 유형 선택은 세그먼트를 조건에 해당하는 결과와 관련이 있는 거라고 생각하시면 이해하시기 쉬울 겁니다.

‍

특히! 각 유형별로 소스 / 매체 선택할 때 주의할 점을 꼭! 숙지하시길 바랍니다!

‍

‍

Text with Indented Bullet Points

사용자 세그먼트 : 특정 기준을 충족하는 사용자의 모든 이벤트를 포함하게 만듦
- "방문자"와 관련된 분석을 한다면 사용자 세그먼트를 활용
- 아래 세그먼트 중에 가장 큰 범위
- 룩백 윈도우 (일반적으로 90일) 내에 사용자의 전체 구매 경로를 고려함
- 트래픽 소스를 정의할 때는 First User(첫 사용자) ~ 로 시작하는 접두사만 선택됩니다.

‍

사용자 세그먼트 내 트래픽 소스 정의할 때 범위가 사용자 범위로 되어 있는 첫 사용자 소스/매체 선택

‍

Text with Indented Bullet Points

세션 세그먼트 : 모든 이벤트가 포함되지만 기준과 일치하는 세션만 포함
- 방문자보다 "방문"에 초점을 맞추는 세그먼트
- 예를 들어 전환이 발생한 특정 세션과 그 순간 유저를 사이트로 유도한 트래픽 소스를 살펴볼 때!
- 트래픽 소스를 정의할 때 접두사에 Session 이 되어야 함

사용자 세그먼트 내 트래픽 소스 정의할 때 범위가 사용자 범위로 되어 있는 세션 소스/매체 선택 — 세션 세그먼트 내 트래픽 소스 정의할 때 범위가 세션 범위로 되어 있는 세션 소스/매체 선택

‍

Text with Indented Bullet Points

이벤트 세그먼트 : 기준을 충족하는 특정 이벤트만 포함
- 사용자, 세션 기반 세그먼트에 비해 더 구체적인 분석이 가능합니다.
- 트래픽 소스를 정의할 때 접두사가 없어야 함

이벤트 세그먼트내 트래픽 소스 정의할 때 측정기준이 기여로 되어 있는 소스/메체 선택

‍

이렇게 정의는 그럭저럭 이해는 할 수 있지만 역시 예시를 통해 어떻게 데이터가 선택되는지 알아보겠습니다.

‍

특정 유저가 2개의 세션 안에서 몇 가지 이벤트를 발생시켰다고 가정해 보겠습니다.

‍

‍

1. 사용자 세그먼트 예시

사용자 세그먼트 기준으로 구매한 유저를 세그먼트를 만들면 어떻게 데이터가 선택될까요?

총 7개의 이벤트가 모두 선택됩니다. 사용자 기준이니까 조회한 날짜에 있는 이벤트가 모두 포함되기 때문입니다.

‍

2. 세션 세그먼트 예시

최소 한 개의 구매 이벤트가 발생한 모든 세션의 데이터기 때문에 이 기준으로 충족되는 데이터는 purchase(구매) 이벤트가 발생한 session - 2 만 선택됩니다( session - 1 에는 구매 이벤트가 없음)

‍

3. 이벤트 세그먼트 예시

이벤트 기준이면 기준에 맞는 이벤트만 선택한다는 말이기 때문에 session - 2에서 발생한 purchase 이벤트만!! 선택됩니다. 다른 이벤트는 선택 안됩니다!

‍

조건 범위 설정하기

여기서는 어떤 조건의 유저를 선택할지 셋팅하는 옵션을 선택할 수 있습니다.

‍

여기서 AND, OR 조건을 선택할 수 있는데 회원가입과 구매 이벤트를 발생시킨 유저 선택해 보겠습니다.

‍

그런데 하단에 보면 포함할 조건 그룹 추가라는 버튼이 있습니다.

‍

동일한 방식으로 회원가입과 구매를 한 조건을 설정하면 이렇게 할 수 있죠

‍

즉 하나의 조건 그룹에 회원가입 이벤트와 구매 이벤트를 선택한 것이고 나머지 하나는 두 개의 조건 그룹에 회원가입 이벤트와 구매 이벤트가 각각 설정을 했습니다.

‍

첫 번째 방식과 차이점은 뭘까요? 동일한 결과가 나올까요? 결과는 동일합니다.

???

이게 무슨 말이냐면 그룹 간 영역에서 오른쪽 상단에 보면 사람모양의 드롭다운 버튼이 있습니다.

‍

‍

이걸 클릭하면 조건 범위를 지정할 수 있습니다.

‍

세그먼트 설정할 때랑 동일한 방식이죠? 사용자, 세션, 이벤트 단위로 조건설정이 가능합니다.

‍

모든 세션
- 이 조건일 때 동일한 조건 그룹에 여러 가지 조건이 있으면 조건 A가 session - 1에서 발생하고 조건 B가 session - 2에서 발생했다면 유저는 세그먼트에 포함됩니다.
- 이 조건일 때는 유저의 Life Time 동안 조건이 충족됩니다
동일 세션 내
- (세그먼트 생성 시 사용자 세그먼트를 선택했어도) 조건 A랑 조건 B가 동일한 세션(session - 1 or session - 2)내에서 발생하는 조건
동일 이벤트 내
- (세그먼트 생성시 사용자 세그먼트를 선택했어도)조건 그룹이 단일 이벤트에서 발생

세션 및 이벤트 세그먼트에는 조건 지정 범위에 대한 옵션이 더 적습니다. 아래 표는 사용할 수 있는 세그먼트 유형별 조건 범위 간 조합입니다.

‍

다시 예시를 들어볼게요

‍

GA4에서 첫 구매 유저를 따로 이벤트를 개발하지 않으면 특정하기 힘든데 회원가입 후 첫 구매 유저를 세그먼트로 한 번 만들어 보겠습니다.

해당 유저들을 특정하기 위한 필요한 이벤트는 first_visit(첫 방문)과 purchase 이벤트겠죠?

‍

첫 구매 유저를 특정한다고 해도 이를 어떻게 정의하느냐에 따라 결과는 달라집니다! (주의!!)

‍

유저의 행동은 정말 엄청나게 많은 경우의 수로 발생을 하죠.

‍

A유저 : 구매 의사 결정이 빠른 A유저는 동일한 세션 시간 내에서 구매

B유저 : 구매 의사 결정이 느린 B유저는 어제 상품을 처음 둘러보고 내일 구매

‍

이 예시처럼 첫 구매를 동일한 세션 시간내 첫 구매를 한 유저를 특정할 것인지, 세션에 상관없이 첫 구매 유저를 식별한 것인지 정의하기 나름입니다.

‍

첫 구매 유저 세그먼트를 만든다면 어떤 조건을 설정해야 될까요?

‍

사용자 세그먼트를 기준으로 세그먼트를 설정하면 유저의 조건에 해당하지 않는 방문데이터도 포함되게 됩니다.

그러니까 첫 방문 이후 첫 세션에 구매를 하지 않아도 구매를 특정시킨 뒤에 제외 조건을 구매 조건을 2번 이상으로 설정하여 첫 구매한 유저를 식별할 수 있습니다.

‍

구매를 특정시킨 뒤에 제외 조건을 구매 조건을 2번 이상으로 설정하여 첫 구매한 유저를 식별하는 이미지

그런데 first_visit, 첫 구매 사용자의 방문 데이터만 확인하고자 한다면 사용자 세그먼트가 아닌 세션 세그먼트를 기준으로 동일 세션 내의 조건 범위를 선택하여 세그먼트를 생성해야 합니다.

‍

세션 세그먼트 기준 동일 세션 내의 조건 범위 선택하여 세그먼트 생성하는 화면

‍

첫 구매 유저를 모든 세션 범위 조건으로 하여 세그먼트를 생성하고 재구매자(purchase 이벤트가 2번 이상)와 겹치는 부분이 없는지 세그먼트 중복 기능을 활용해 벤다이어그램으로 확인해 보겠습니다.

‍

중복 없이 잘 나뉘었습니다. 이런 식으로 내가 가진 유저의 특징을 세그먼트로 만들어서 비교해 보는 과정이 굉장히 중요한 것 같습니다.

이 개념을 토대로 한 번 만들어 보시면 좋을 것 같습니다.

‍

결론

‍

GA의 세그먼트는 생각보다 할 수 있는 게 많긴 합니다.

‍

하지만 제대로 활용하기 위해서는 위에 설명한 개념들이 잘 정리가 되어 있어야 됩니다.

‍

이번 글을 쓰면서 느낀 건 솔직히 GA4는 사실 Amplitude를 사용해 봤다면 이런게 다 있나 싶을 정도로 불편하고... 뭔가 찜찜한 느낌을 지울 수 없었습니다.

‍

이번 글에서 첫 구매 유저 세그먼트를 예시로 들었는데 GA4에서 First time purchases라는 측정항목이 존재하긴 하지만

‍

이를 세그먼트로 활용은 못합니다... 약간 독립적인 측정항목 같은 느낌입니다.

‍

Text Color and Background Change

GA4내 First time purchasers(처음 구매자 수)라는 측정항목의 정의를 진짜 유저의 히스토리컬 데이터를 기반으로 첫 구매 이벤트를 측정한다고 합니다. 이걸 그런데.. 세그먼트로 못쓴다니..

‍

Amplitude에서는 사실 아주 간단하게 첫 구매 유저를 특정할 수 있는 Historical Count 기능이 있어서.. 아쉬웠습니다.

‍

(물론 제약 조건은 있습니다. 날짜 범위가 시작되기 전 최대 1년까지 기간만 포함됩니다. 그래도 이건 혁명적인 기능!)

‍

‍

본질적으로 GA의 목적은 유저 획득에 초점을 맞춰져 있다면 Amplitude는 Product Analytics 툴로 사용자 행동 분석에 초점이 맞춰져 있긴 합니다. 그래서 목적에 맞지 않아서 해당 기능 개발을 하지 않은 건가 싶기도 합니다.

‍

당장 앰플리튜드를 도입하지 않을 거라면 속 편하게 GA4에서 First Purchase 이벤트 개발을 요청하거나 혹은 일단 소개드린 방식대로 우선 트렌드만 확인하는 용도로 세그먼트를 생성해서 데이터를 분석하시는 걸 권장드립니다.

GROWTH

GA4에선 세션 지표 이해하고 사용하셔야 합니다.

September 4, 2024

Google Analytics를 사용해 보셨다면 ‘세션’이라는 용어에 익숙하실 것입니다. Universal Analytics(GA3)에서는 세션 단위로 데이터를 수집하여 지표를 측정했지만, GA4에서는 데이터 수집 방식이 달라져 주의가 필요합니다. GA4의 세션 관련 지표는 혼란을 일으킬 수 있습니다.

‍

이번 글에서는 세션의 개념을 자세히 살펴보고, GA4에서의 세션이 어떻게 다른지 알아보겠습니다.

‍

세션이란?

‍

세션 관련해서 구글 가이드 문서에 따르면

‍

- 세션은 사용자가 웹사이트 또는 앱과 상호작용하는 기간입니다.
- 세션은 사용자가 앱을 포그라운드에서 열거나 페이지나 화면을 보고 현재 활성화된 세션이 없는 경우 시작됩니다.
- 세션 수 : 고유 세션 ID 수를 추정하여 사이트나 앱에서 발생하는 세션 수를 계산합니다.

‍

예를 들어 유저가 브라우저 탭에서 페이지를 열고 이메일을 확인하거나 다른 일을 하다가 2시간 뒤에 다시 돌아와서 브라우징을 할 수 있겠죠? GA4에서는 이를 페이지 뷰가 있는 세션으로 보고 2시간 뒤에 사용자 참여로 간주하고 새로운 세션으로 기록합니다.

‍

1. 첫 번째 세션:

사용자가 오전 9시에 웹사이트의 특정 페이지를 엽니다.
페이지 조회(page view) 이벤트가 발생하여 세션이 시작됩니다.

2. 두 번째 세션:

사용자가 같은 페이지를 오후 2시에 다시 돌아와 사이트를 탐색합니다

‍

이때 새로운 세션이 시작되지만 페이지 조회 이벤트는 기록되지 않습니다.→ 두 번째 세션이 사용자 참여로만 기록됩니다

‍

빅쿼리로 실제 어떤 케이스인지 특정 유저의 로그를 한 번 확인 해보겠습니다.

‍

‍

이렇게 페이지뷰 이벤트가 없는 두 번째 세션이 생기며, 이는 참여율(Engagement Rate) 지표로 나타납니다.

‍

참여율 = 참여 세션 수 / 총 세션 수

‍

Boxed Text

참여 세션의 정의

10초 이상 머문 경우 (GA4 설정 : 10~60초로 조정 가능)
페이지뷰가 2회 이상 발생한 경우
10초 이내로 머물러도 전환 이벤트를 발생시킨 경우

‍

‍

이런 유저가 많아지면 세션 기반의 지표(예: 세션당 페이지뷰, 세션당 평균 참여시간)가 낮아집니다.

‍

세션당 페이지뷰 수 계산 예시:

페이지뷰 수 / 세션 수 = 10 / 1 = 10

‍

위와 같은 유저의 행동이 늘어나면:

페이지뷰 수 / 세션 수 = 10 / 2 = 5

‍

페이지뷰 이벤트가 포함되지 않은 세션이 발생하니 지표가 감소하게 됩니다.(분모가 커지므로)

‍

따라서 GA3에서 사용하던 세션 기반의 지표는 주의해서 사용해야 하며, 이벤트나 참여 관련 지표(참여 세션)를 보는 것이 좋습니다.

(GA4와 GA3의 데이터 수집 방식도 다릅니다)

‍

자.. 그리고 또 있습니다.

‍

세션 데이터의 현실.. 빅쿼리를 열어보면 .. 더 조심해야겠구나 라는 생각이 들겁니다.

‍

일단 절대 세션수 ≠ session_start 이벤트의 수 가 아닙니다.

‍

왜그런지 직접 조회해보죠!

‍

session_start 이벤트가 없는 세션이 있다?

‍

아래 특정 유저의 세션을 특정해서 조회해봤습니다.

event_name 컬럼에 session_start 이벤트는 없고 다른 이벤트만 있죠?

‍

쿼리 결과 화면 - session_start 이벤트가 없는 세션 ID — session_start 이벤트가 없는 세션 ID

‍

하나의 세션에 session_start 이벤트가 2개?

‍

이런 상황은 빈번하지 않지만 발생할 수 있습니다. 하나의 세션에 두 개의 세션 이벤트가 발생했고, 심지어 사용자 아이디도 다릅니다.

GA4 인터페이스에서는 당연히 단일 세션으로 계산하지 않을 것 같지만 빅쿼리에서는 이런 케이스 때문에 user_pseudo_id와 ga_session_id를 조합해서 각 세션에 대한 고유 식별자를 만들어서 session 을 카운팅 해야됩니다.

‍

concat(user_pseudo_id, (select value.int_value from unnest(event_params) where key = 'ga_session_id')) as session_id,

‍

쿼리 결과 화면 - 하나의 세션에 session_start가 두개 — 하나의 세션에 session_start가 두개

하나의 세션에 2개 이상의 소스?

‍

GA3에서는 세션 윈도우(30분)가 지나면 완전히 새로운 세션이 시작되지만, GA4에서는 기존 세션이 계속 되기 때문에 이렇게 소스가 1개 이상 발생할 수 있습니다.

‍

쿼리 결과 화면 - 하나의 세션에 2개 이상의 소스 — 하나의 세션에 2개 이상의 소스

GA에서 세션은 어떻게 계산될까?

결론

구글 애널리틱스에서도 세션수를 집계할 때 추정값을 사용합니다.

실제로 빅쿼리에 count(distinct ga_sesssion_id) 를 집계하면 성능에 영향을 줍니다..

그런데 전 세계에서 이걸 조회하는데 이걸 진짜 집계를 ?? 불가능하죠

그래서 HyperLogLog ++ (가이드 링크)라는 알고리즘을 적용해서 추산한 값을 보여줍니다.

‍

실제로 성능을 눈으로 확인해보죠

ga_session_id를 고유하게 카운팅 해보는 쿼리로 비교를 해보겠습니다.

‍

COUNT(DISTINCT ga_session_id)

‍

‍

HLL_COUNT.EXTRACT(HLL_COUNT.INIT(ga_session_id, 14))

차이가 보이시나요? (참고로 데이터 하루치만 조회했고 쿼리 결과는 같습니다)

모든면에서 더 효율적인 처리를 하고 있음을 알 수 있습니다.

사실 GA4에서는 세션이라는 개념은 더 이상 의미가 없고 지금까지 위의 예시를 통해 확인할 수 있었습니다.

그럼에도 세션 지표를 무조건 써야된다면 참여 세션지표를 사용하는게 좋습니다.

이제 이걸 통해서 다음 글에서는 GA4의 꽃 세그먼트 분석에 대해서 알아보겠습니다.

(세그먼트 기능을 쓰려면 세션에 대한 이해가 꼭 필요하기 때문에 이번 글부터 시작하게 되었습니다.)

GROWTH

[코호트분석] 올바른 코호트 분석 방법

August 30, 2024

이 글을 읽고 계시다면 코호트 분석을 이미 하고 계실 건데 측정 기준에 대해서 의문이 생기신 분이 보실 것 같네요

구글에 '코호트 분석 SQL' 라고 검색하면 정말 많은 글들이 많습니다.

‍

글에서 소개하는 쿼리 예시는 대부분 datediff함수를 활용해서 Date Granularity를 계산합니다.

‍

이해하기 쉽게 예를 들어보겠습니다.

‍

유저 1 : 23:30 에 회원가입 후 다음날 다시 들어왔습니다.

유저 2 : 13:30에 회원가입 후 다음날 다시 들어왔습니다.

‍

day 단위로 계산을 하면 유저 1 은 우리 서비스를 30분 경험하고 다음날 재방문했다고 계산됩니다.

유저 2는 약 10시간 30분 서비스를 경험하고 재방문을 했다고 계산됩니다.

‍

동일한 조건일까요? 그렇지 않죠?

‍

만일 시간 단위로 계산을 하게 되면 특정 행동을 수행한 시간부터 다음 행동까지의 Time window를 24시간 뒤로 하면 이 유저는 다음날이 아닌 모레 재방문했다고 계산되겠죠?

‍

DATEDIFF( [first_event_dt], [second_event], DAY )

‍

DATEDIFF( [first_event_dt], [second_event], HOUR ) / 24 )

월단위로 계산할 때도 마찬가지입니다.

월별 일자수가 모두 다릅니다. 1월(31일), 2월(28일), 4월(30일)...

월 단위로 측정할 때도 30일로 모두 통일해줍니다.

‍

DATEDIFF( [first_event_dt], [second_event], HOUR ) / 24  * 30)

이렇게 계산되면 유저별로 경과 시간은 모두 통일 되었습니다!!

실제로 Amplitude(앰플리튜드)의 코호트 분석 기능에는 이런 기능들이 존재합니다. 만약 안 쓰고 계시다면 직접 쿼리를 날려서...

여기 가이드를 보시면 앰플리튜드가 24시간 단위로 경과 시간을 측청 하는 방식을 설명해 두었습니다.

Amplitude 24시간 단위 경과 시간 측정 방식 유저 가이드 북마크 이밎

‍

24시간 윈도우 기준, 캘린더 기준으로 경과 시간(t)을 측정하는 옵션이 있죠?

얼마나 차이를 보였는지 가상의 데이터로 확인을 해보았습니다.

(참고로 더미 데이터는 kaggle 이나 Mockaroo 에서 생성하실 수 있습니다)

참고로 해당 데이터 계산 기준은 월별 첫 구매 기준 재구매율입니다.

t = 1 지점부터 차이를 보이기 시작하는데 t = 0 이 100%라서 차이가 잘 안 보입니다. 로그 스케일을 통해 다시 확인해 보면

월별 첫 구매 기준 재구매율 기준 리텐션 비교, 로그 스케일로 확인한 그래프

확실히 달력 기준의 리텐션율이 조금 더 높아 보이네요

얼마나 차이 나는지 두 기준의 리텐션율을 나눠 보겠습니다 최대 1.27배까지 납니다. (아래 차트에서는 0은 무시합니다. t = 0 은 100%이기 때문에)

t = 1 : 1.15배

t = 22 : 1.27배

데이터에 따라서 차이가 달라지겠지만

코호트의 기준이 만일 회원가입일 기준의 재구매율이거나 회원가입일 기준 재방문율을 측정한다면 더 많은 차이를 보일 수 있을 걸로 예상됩니다.

제가 사용한 쿼리는 아래와 같습니다.

‍

WITH tb_pay_first AS (
        SELECT country
                ,user_id
                ,min(pay_datetime_id) first_pay_datetime_id
        FROM order
        GROUP BY 1,2

)

, tb_base_ AS (SELECT  st0.*
                    , FLOOR(TIMESTAMPDIFF(HOUR, st1.first_pay_datetime_id, st0.pay_datetime_id) / 24) AS days_since_first_pay
                    , FLOOR(TIMESTAMPDIFF(HOUR, st1.first_pay_datetime_id, st0.pay_datetime_id) / (24 * 30)) AS months_since_first_pay_period_24h
                    , (YEAR(pay_datetime_id) - YEAR(first_pay_datetime_id)) * 12 + (MONTH(pay_datetime_id) - MONTH(first_pay_datetime_id)) AS months_since_first_pay_period_day
                    , st1.first_pay_datetime_id
            FROM order st0
            LEFT JOIN tb_pay_first st1
                ON st0.user_id = st1.user_id
                AND st0.country = st1.country
            WHERE 1 = 1

)

, tb_base_24h AS (
                SELECT time_id_
                        , country
                        , since_time_period_24h
                        , CASE 
                            WHEN 'acc' = 'normal' THEN SUM(SUM(IF(since_time_period_24h = max_since_time_period_24h, repurchase_user_cnt, 0))) OVER 
                                (PARTITION BY time_id_, country ORDER BY since_time_period_24h DESC RANGE BETWEEN UNBOUNDED PRECEDING AND CURRENT ROW)
                            ELSE SUM(repurchase_user_cnt)
                            END AS repurchase_user_cnt
                        , count(1) pay_user_cnt
                        , sum(sales) AS sales

                FROM   (SELECT *
                                , CASE WHEN since_time_period_24h = 0 AND pay_cnt > 1 THEN 1
                                        WHEN since_time_period_24h = 0 AND pay_cnt <= 1 THEN 0
                                        ELSE 1 
                                    END AS repurchase_user_cnt
                                , MAX(since_time_period_24h) OVER (PARTITION BY country, user_id) as max_since_time_period_24h
                        FROM
                                (SELECT tmp0.time_id_
                                        , tmp0.country
                                        , tmp0.since_time_period_24h 
                                        , tmp0.user_id
                                        , SUM(tmp0.pay_cnt) AS pay_cnt
                                        , SUM(tmp0.sales) AS sales
                                FROM 
                                        (SELECT DATE_FORMAT(first_pay_datetime_id ,'%Y-%m-01') time_id_
                                                , country
                                                -- , months_since_first_pay_period_day AS since_time_period_day
                                                , months_since_first_pay_period_24h AS since_time_period_24h
                                                , user_id
                                                , COUNT(distinct order_id) AS pay_cnt
                                                , SUM(sales) as sales
                                        FROM tb_base_
                                        -- WHERE DATE_FORMAT(first_pay_datetime_id ,'%Y-%m-01') >= '2023-01-01'
                                        GROUP BY 1,2,3,4) tmp0
                                GROUP BY tmp0.time_id_
                                        , tmp0.country
                                        , tmp0.since_time_period_24h 
                                        , tmp0.user_id
                                ) tmp
                                    ) tmp1
                GROUP BY time_id_ 
                        , country
                        , since_time_period_24h
)

, tb_base_day AS (
                SELECT time_id_
                        , country
                        , since_time_period_day
                        , CASE 
                            WHEN 'acc' = 'normal'  THEN SUM(SUM(IF(since_time_period_day = max_since_time_period_day, repurchase_user_cnt, 0))) OVER 
                                (PARTITION BY time_id_, country ORDER BY since_time_period_day DESC RANGE BETWEEN UNBOUNDED PRECEDING AND CURRENT ROW)
                            ELSE SUM(repurchase_user_cnt)
                            END AS repurchase_user_cnt
                        , count(1) pay_user_cnt
                        , sum(sales) AS sales
                FROM   (SELECT *
                                , CASE WHEN since_time_period_day = 0 AND pay_cnt > 1 THEN 1
                                        WHEN since_time_period_day = 0 AND pay_cnt <= 1 THEN 0
                                        ELSE 1 
                                    END AS repurchase_user_cnt
                                , MAX(since_time_period_day) OVER (PARTITION BY country, user_id) as max_since_time_period_day
                        FROM
                                (SELECT tmp0.time_id_
                                        , tmp0.country
                                        , tmp0.since_time_period_day 
                                        , tmp0.user_id
                                        , SUM(tmp0.pay_cnt) AS pay_cnt
                                        , SUM(tmp0.sales) AS sales
                                FROM 
                                        (SELECT DATE_FORMAT(first_pay_datetime_id ,'%Y-%m-01') time_id_
                                                , country
                                                , months_since_first_pay_period_day AS since_time_period_day
                                                -- , months_since_first_pay_period_24h AS since_time_period_24h
                                                , user_id
                                                , COUNT(distinct order_id) AS pay_cnt
                                                , SUM(sales) as sales
                                        FROM tb_base_
                                        GROUP BY 1,2,3,4) tmp0
                                GROUP BY tmp0.time_id_
                                        , tmp0.country
                                        , tmp0.since_time_period_day 
                                        , tmp0.user_id
                                ) tmp
                                    ) tmp1
                GROUP BY time_id_ 
                        , country
                        , since_time_period_day
)


, cohort_base_24h AS 
                (SELECT time_id_
                    , country 
                    , since_time_period_24h
                    , repurchase_user_cnt
                    , pay_user_cnt
                    , sales
                    , SUM(sales) OVER w AS acc_sales
                    , FIRST_VALUE(pay_user_cnt) OVER w AS cohort_user_cnt
                    , COUNT(1) OVER (PARTITION BY country) AS cohort_cnt
                FROM tb_base_24h
                WINDOW w AS (PARTITION BY time_id_, country ORDER BY since_time_period_24h RANGE BETWEEN UNBOUNDED PRECEDING AND CURRENT ROW
                )
)

, cohort_base_day AS 
                (SELECT time_id_
                    , country 
                    , since_time_period_day
                    , repurchase_user_cnt
                    , pay_user_cnt
                    , sales
                    , SUM(sales) OVER w AS acc_sales
                    , FIRST_VALUE(pay_user_cnt) OVER w AS cohort_user_cnt
                    , COUNT(1) OVER (PARTITION BY country) AS cohort_cnt
                FROM tb_base_day
                WINDOW w AS (PARTITION BY time_id_, country ORDER BY since_time_period_day RANGE BETWEEN UNBOUNDED PRECEDING AND CURRENT ROW
                )
)


SELECT *
    , (pay_user_cnt * 100) / cohort_user_cnt AS retention_rate
FROM
            (SELECT 1 AS time_id
                    , country
                    , since_time_period_24h
                    , SUM(repurchase_user_cnt) AS repurchase_user_cnt
                    , SUM(pay_user_cnt) AS pay_user_cnt
                    , FIRST_VALUE(sum(cohort_user_cnt)) OVER(PARTITION BY country RANGE BETWEEN UNBOUNDED PRECEDING and CURRENT ROW) as cohort_user_cnt
            FROM cohort_base_24h
            GROUP BY 1
                    , country
                    , since_time_period_24h) tmp3

정리해 보면!

분석의 기준은 굉장히 중요합니다. 어떤 기준으로 분석하느냐에 따라서 의사결정 방향이 달라질 수 있겠죠?

코호트 분석은 시간을 계산해서 집계하는 분석인만큼 시간의 기준을 제대로 설정하는 게 중요합니다.

Text Color Change 달력 단위의 코호트 측정이 조금 더 실제로 과대 평가되기 때문에 유저별로 통일된 24시간 기준 으로 계산하여 코호트를 측정하는 것이 올바른 방법이라고 생각이 됩니다.

저도 실제로 분석해 보면서 분석 기준의 중요성을 다시 한번 깨달을 수 있었습니다.

혹시 지금 day 단위로 코호트 활용해 재구매율을 측정하고 계신다면 24시간 단위로 계산해 보시면 어떨까요?

Reference

https://medium.com/@paul.levchuk/how-to-build-user-cohort-properly-b70a74e5e1c8

FULL FUNNEL

Looker Studio에서 토글 스위치로 선형 및 막대 차트 전환하기

August 27, 2024

‍

최근 데이터 시각화 및 분석 도구들이 발전하면서 사용자 친화적인 인터페이스가 중요해지고 있습니다. Google Looker Studio는 이러한 요구에 맞춰 다양한 기능을 제공하며, 그 중 하나가 선형(Line) 차트와 막대(Bar) 차트를 전환할 수 있는 토글 스위치 기능입니다. 물론 기본적인 제공 기능 아니지만 루커스튜디오의 기능을 활용하면 간단하게 구현 가능합니다.

‍

토글 스위치 기능의 필요성

데이터를 분석하는 과정에서 서로 다른 유형의 차트를 사용하면 데이터를 다양한 각도에서 시각화할 수 있습니다. 예를 들어, 막대 차트는 특정 시점의 데이터를 비교하는 데 유용하며, 선형 차트는 시간에 따른 변화를 나타내는 데 적합합니다. 이러한 차트들을 손쉽게 전환할 수 있는 기능이 있으면, 사용자는 더 쉽게 다양한 인사이트를 얻을 수 있습니다.

‍

Looker Studio에서 토글 스위치 구현하기

차트 생성

Google Data Studio를 열고 새로운 보고서를 생성합니다.
데이터를 불러오고, 선형 차트와 막대 차트를 각각 생성합니다.

‍

토글 스위치 추가

보고서에 '매개변수'를 추가합니다.
매개변수 설정에서 토글 스위치를 만들고, '선형 차트 = 1'와 '막대 차트 = 2' 옵션을 추가합니다.

‍

💡스위치 필터 사용 시 매개변수는 숫자형만 반응. 따라서 텍스트가 아닌 데이터 유형을 숫자로 설정하여 매핑.

‍

슬라이더 컨트롤

컨트롤 필터 중 슬라이더를 선택하여 앞서 만든 차트 타입 매개변수를 세팅
스타일
- 테두리 둥글게
- 배경 밝은 색상
- 테두리 강한 색상

‍

차트 생성

차트 종류
- 콤보 차트
데이터 탭
- 측정기준 : 날짜
- 측정항목 : Bar, Line을 아래의 식을 활용하여 설정

‍

💡Bar
IF(차트 타입 = 1, Revenue, null)

💡Line
IF(차트 타입 = 2, Revenue, null)

‍

스타일 탭
- Bar는 막대 형태로 데이터 레이블을 표시합니다.
- Line은 선으로 표시되며 포인트를 표시합니다.
- 누락된 데이터에 대한 줄 바꿈

‍

마무리

이러한 토글 스위치 기능은 사용자에게 더 나은 데이터 시각화 경험을 제공합니다. 사용자는 필요에 따라 차트를 전환하며 데이터를 더 직관적으로 이해할 수 있습니다. 이는 데이터 분석의 효율성을 높이고, 더 나은 결정을 내리는 데 도움을 줍니다.

‍

Google looker Studio에서 선형 및 막대 차트를 전환하는 토글 스위치를 구현하는 방법을 알아보았습니다. 이러한 기능은 데이터 분석을 더욱 직관적이고 효율적으로 만들어 줄 것입니다. 이제 여러분도 데이터 시각화를 한 단계 업그레이드 해보세요.

‍

데모 보기

GROWTH

에어브릿지의 이벤트 구조 이해하기 (vs. GA4)

August 26, 2024

에어브릿지(Airbridge)는 데이터 수집부터 마케팅 성과 분석까지 하나의 대시보드에서 진행하는 마케팅 성과 분석 솔루션(MMP)으로, 라스트 터치 어트리뷰션, 멀티 터치 어트리뷰션, 마케팅 믹스 모델링 등 다양한 방법으로 앱과 웹사이트의 마케팅 성과를 함께 분석할 수 있는 통합 마테크 솔루션입니다.

‍

오늘날 MMP 솔루션은 광고주들에게 필수적으로 사용되고 있습니다. 에어브릿지 역시 그 중 하나로, 별도의 연동 없이 통합된 데이터 분석과 어트리뷰션이 가능한 것이 강점입니다.

‍

에어브릿지의 이벤트 구조는 타 플랫폼에 비해 비교적 복잡하기 때문에 이전에 GA4 및 타 분석 솔루션만을 사용하다 에어브릿지를 처음 접했다면 다소 혼란스러울 수 있습니다. 저 역시 꽤 헤맸던 것 같습니다.

‍

이러한 계기로 에어브릿지 택소노미를 설계할 당시 이벤트 구조를 이해하는 데 실제로 도움이 됐던 자료들과 GA4의 구조를 비교하여 전체적인 구조를 설명드리고자 합니다.

ㅡ

‍

에어브릿지 공식 가이드

‍

에어브릿지의 이벤트 및 어트리뷰트 호출 코드의 작성 방법은 아래 세 가지 경로를 통해 확인하실 수 있습니다.

‍

1. 에어브릿지 유저 가이드(Airbridge Help Center)

유저 가이드를 통해서도 코드를 작성하는 데에는 문제가 없지만 2번 자료의 코드 구조가 비교적 효율적이므로 가급적 2번 자료를 참고하시는 것을 권장드립니다.

에어브릿지 유저 가이드 - 이벤트 구성요소 | Airbridge Help Center

‍

2. AB180 깃허브(Github)

1번 유저 가이드의 코드 예시 보다 더욱 상세한 전체 코드를 확인하실 수 있습니다.

‍

3. 유저 가이드 및 에어브릿지 공식 문서(Data Spec)

에어브릿지에서 제공하는 Event와 Attribute의 목록과 상세 정보들을 확인하실 수 있습니다.

‍

에어브릿지 이벤트 구조 - 1

Text Example

카테고리(Category), 액션(Action), 라벨(Label)

‍

에어브릿지 이벤트 구성 요소에는 카테고리(Event Category), 액션(Event Action), 라벨(Event Label), 밸류(Event Value), 어트리뷰트(Attribute), 트리거(Trigger)가 있습니다.

‍

다소 복잡해 보이지만 조금만 들여다보면 이해하기 쉽습니다.

‍

‍

위 이벤트 구성 요소의 개념들이 조금 생소하신 분들은 GA4의 예시로 보면 이해하기 쉽습니다.

(GA4의 Metrics & Dimension에 대한 기본 개념이 궁금하신 분들은 관련 자료를 참고해 주세요)

‍

Text Example

GA4 vs. Airbridge

‍

- GA4 보고서

‍

- Airbridge 보고서

‍

GA4의 측정기준(Dimensions)이 에어브릿지의 카테고리, 액션, 라벨의 역할을 하고,

측정항목(Metrics)이 에어브릿지의 밸류의 역할을 한다고 비교해 볼 수 있습니다.

‍

Text with Underline

단, 액션과 라벨은 카테고리의 하위 속성으로서 리포트에서 확인 가능한 데이터로, 필요 시 선택적으로 세팅할 수 있습니다.

‍

‍

예를 들어, 의류를 판매하는 모 기업의 마케팅 담당자가 구매 이벤트 발생 시 아래와 같은 항목들의 데이터를 수집한다고 가정합니다.

‍

Purchase

{주문일자}

{브랜드명}

{제품명}

{색상}

{수량}

‍

모두 시맨틱 어트리뷰트로 수집 가능한 항목들이지만 어트리뷰트의 경우 에어브릿지 리포트에서 확인할 수 없기 때문에 CDP와 같은 고객DB에 접근하거나 별도의 솔루션으로 전처리하여 확인해야 합니다. 이런 경우 유용하게 쓰일 수 있는 항목이 액션과 라벨입니다.

‍

만일 자주 사용하는 어트리뷰트 항목을 에어브릿지의 리포트와 대시보드에서 활용하고자 한다면 어트리뷰트 항목을 액션과 라벨에 세팅하여 어트리뷰트에 대한 데이터를 리포트에서도 확인할 수 있습니다.

‍

다시 말해, 1개의 카테고리와 2개의 어트리뷰트(액션, 라벨)에 대한 통계를 에어브릿지의 리포트와 대시보드에서 쉽고 빠르게 확인할 수 있습니다.

‍

- Category: Purchase

- Action: {브랜드명}

- Label: {제품명}

‍

아래 이미지는 스탠다드 이벤트 중에서 일정 예약 이벤트(airbridge.subscribe)의 예시입니다. 일정을 예약한 지역은 액션 또는 라벨로 수집할 수 있으며, 시맨틱 어트리뷰트를 활용하면 예약한 ID(scheduleID)와 예약일시(datetime)를 수집할 수 있습니다.

‍

‍

에어브릿지 이벤트 구조 - 2

Text Example

밸류(Value)

‍

밸류는 에어브릿지 이벤트가 수집한 숫자를 계산에 이용하기 위해서 선택해야 하는 구성요소입니다. 에어브릿지 이벤트의 밸류로 수집된 숫자만 계산에 이용할 수 있습니다. 밸류로 소수점 9자리 이하 숫자까지 수집할 수 있습니다.

‍

예를 들어, 레비뉴 리포트(Revenue Report)에서 판매한 제품의 가격을 더해 전체 판매 가격을 계산하거나 디지털 서비스의 구독료를 전부 합해서 전체 구독료를 확인하기 위해서는 밸류를 반드시 이벤트 구성요소로 사용해야 합니다.

‍

또한, 밸류로 수집된 데이터는 밸류로 수집된 다른 데이터와 계산할 수 있습니다. 액션이나 라벨로 수집된 데이터는 계산에 활용할 수 없습니다. 그러나 이벤트 발생 횟수는 밸류 사용 여부와 상관없이 확인할 수 있습니다.

‍

예시) 구매 완료 이벤트

‍

위 예시와 같이 액션과 라벨, 밸류 모두 숫자로 수집한다고 하더라도 밸류로 수집한 데이터만 계산할 수 있으며, 액션과 라벨로 수집한 데이터는 계산할 수 없습니다. 예시에서는 구매 완료 이벤트의 밸류로 수집한 데이터를 더해서 30,000이라는 수치를 얻을 수 있습니다.

Text Color Change

단, 카테고리(이벤트)와 동일하게 이벤트가 발생한 횟수는 확인할 수 있습니다. 구매 완료 이벤트의 액션 중에서 1,000이라는 속성이 2번 발생한 것을 에어브릿지 리포트에서 확인할 수 있습니다.

‍

매출 관련 데이터는 속성으로 수집하는 것이 일반적이나, 에어브릿지의 경우에는 Attribute가 아닌 Value로 수집합니다. 즉 밸류에는 보통 구매액이 들어가고, 어트리뷰트에서는 기타 정보들을 수집합니다.

‍

‍

Semantic Attribute로 사용할 수도 있지만, Actuals Report나 Revenue Report에서는 이벤트 밸류에 Semantic Attribute의 isRevenue 값을 True로 설정한 카테고리(이벤트)로부터 발생한 매출액(Value 값)을 기준으로 확인하기 때문에 이는 적절하지 않습니다. (설정 가능한 Revenue 이벤트 수: 최대 5개)

‍

‍

Revenue 이벤트를 설정할 때 한 가지 유의할 점은 Revenue의 구조가 다양한 서비스일 경우(전환 포인트: 포인트 충전, 제품 결제, 광고 충전 포인트 등), Revenue Report에서 확인할 최종 전환 기준 한 가지를 선정하셔야 합니다.

‍

만일 아래와 같이 구매 완료 시 2개의 매출 관련 이벤트가 동시에 호출되고 2개의 이벤트 모두 Revenue 이벤트로 설정한 경우 중복집계가 될 수 있기 때문입니다.

‍

예시)

- 주문 완료 이벤트 발생 시 단위별 이벤트 동시 호출

airbridge.ecommerce.order.completed (주문서 단위 1건 로깅) > isRevenew(True)
confirm_item_order_completed (주문서 내 제품 단위 1건 로깅) > isRevenew(True)

Text Color Change

→ 1건의 매출(=1만원) 중복 발생(=2만원)

‍

매출액 집계 기준을 제품 단위로 볼지, 주문서 단위로 볼지 결정하고 결정된 하나의 카테고리(이벤트)에 isRevenue를 세팅해야 중복집계를 방지할 수 있습니다.

‍

따라서 Revenue로 집계할 이벤트와 기타 매출 관련 데이터를 집계해야 하는 이벤트를 별도로 관리하시는 것을 권장드립니다.

‍

에어브릿지 이벤트 구조 - 3

Text Example

어트리뷰트(Attribute)

‍

각 카테고리(이벤트)에는 다양한 속성 정보가 수집되는데, 플랫폼마다 정의하는 '속성명'이 상이합니다. GA의 경우 Parameter, 에어브릿지의 경우 Attribute로 정의합니다. 이벤트(카테고리)명 역시 GA4의 경우 Event, 에어브릿지의 경우 Standard Event라고 정의합니다. 각 플랫폼별로 기본적으로 제공되는 속성들이 있으며, 에어브릿지의 경우 Data Spec에서 확인이 가능합니다.

Text Color Change

단, 현재 버전의 SDK에서 제공되지 않는 일부 항목들도 포함되어 있으므로 명확한 확인이 필요합니다.

‍

Airbridge Event

스탠다드 이벤트: 에어브릿지는 주요 유저 행동 25개를 선정해 미리 정의한 이벤트
커스텀 이벤트: 앱 서비스에 맞는 광고 성과를 추적하기 위해 스탠다드 이벤트에 해당하지 않는 유저의 행동을 새로 정의한 이벤트

‍

Airbridge Attribute

시맨틱 어트리뷰트: 에어브릿지가 수집하는 데이터를 미리 정한 어트리뷰트
커스텀 어트리뷰트: 에어브릿지 사용자가 수집하기 위해서 새롭게 정의한 어트리뷰트

‍

Text Color Change 한 가지 유의사항이 있다면, 에어브릿지 커스텀의 경우 원본 데이터 추출에서 수집된 모든 속성 데이터가 같은 칼럼에 담긴 상태로 확인이 가능 합니다. 아래 실시간 로그에서 형태를 확인하실 수 있습니다.

‍

‍

따라서 데이터의 수집 구조를 충분히 고려하여 분석 환경을 구축해 놓는 것이 좋습니다.

FULL FUNNEL

CRM 캠페인 대시보드 | 루커스튜디오 템플릿

August 23, 2024

‍

디지털 시대의 급속한 발전과 함께 마케팅 환경이 빠르게 변화하고 있습니다. 다양한 채널을 통한 고객 접점이 증가하면서 기업들은 복잡해진 고객 관계 관리(CRM)에 직면하고 있습니다. 이러한 상황에서 CRM 대시보드의 중요성이 더욱 부각되고 있습니다.

‍

CRM 대시보드는 여러 채널에서 수집된 CRM 캠페인 데이터를 통합하여 분석하고, 현황을 한눈에 파악할 수 있게 해주는 강력한 방법입니다. 다양한 CRM 채널로 인해 단일 기준으로 분석하기 어려운 데이터들을 대시보드를 통해 효과적으로 통합하고 시각화함으로써, 마케터들은 보다 신속하고 정확한 CRM 마케팅 의사결정을 내릴 수 있게 됩니다.

‍

이러한 CRM 대시보드의 활용은 단순히 데이터를 보여주는 것에 그치지 않습니다. 실시간으로 캠페인 성과를 모니터링하고, 고객 행동 패턴을 분석하며, 각 채널별 효과를 비교할 수 있게 해줍니다. 이를 통해 기업은 더욱 효율적인 마케팅 전략을 수립하고, 고객 경험을 개선하며, 궁극적으로는 ROI를 향상시킬 수 있습니다.

‍

본 글에서는 범용적으로 활용가능한 CRM 대시보드를 템플릿을 제공합니다.

‍

템플릿 개요

Looker Studio CRM 캠페인 대시보드 템플릿은 마케팅 캠페인의 성과를 실시간으로 모니터링하고, 데이터를 시각화하여 분석할 수 있도록 돕는 강력한 도구입니다. 이 템플릿을 통해 효과적인 의사결정을 지원하고, 전략을 최적화할 수 있습니다.

‍

템플릿의 주요 기능

1. 필터 기능

날짜: 기간 선택
채널: 카카오톡, SMS, Push, IAM
캠페인 카테고리: 프로모션, 라플, 신상품, 타겟팅, 콘텐츠 소개
캠페인 디테일: 특정 캠페인 이름
캠페인 레벨: 정기 캠페인 vs 이벤트 캠페인

‍

2. 주요 지표 및 트렌드

발송 성공, 메시지 노출수, 구독 해지수, 매출, 비용 등의 주요 지표와 트렌드를 한눈에 볼 수 있습니다.

‍

3. 캘린더 차트

월별 주간 및 요일별 주요 지표 트렌드를 시각화하여 분석할 수 있습니다.

‍

4. 주요 지표 테이블

채널, 캠페인 레벨, 캠페인 이름에 따른 주요 지표를 테이블 형식으로 볼 수 있습니다.

‍

Overview Dashboard

‍

필터:

날짜: 기간 선택
채널: 카카오톡, SMS, Push, IAM
캠페인 카테고리: 프로모션, 라플, 신상품, 타겟팅, 콘텐츠 소개
캠페인 디테일: 특정 캠페인 이름
캠페인 레벨: 정기 캠페인 vs 이벤트 캠페인

‍

영역:

1번 영역: 주요 지표(발송 성공, 메시지 노출수, 구독 해지수, 매출, 비용)와 트렌드
2번 영역: 월별 주간 및 요일별 주요 지표 트렌드 (캘린더 차트)
3번 영역: 채널, 캠페인 레벨, 캠페인 이름에 따른 주요 지표 테이블

‍

Campaign Detail Dashboard

‍

필터:

주요 측정 항목: 클릭(Click), 매출(Sales), CTR(클릭률), 비용(Spends)

‍

채널별 성과:

각 채널별 세부적인 성과 지표를 시각화
주요 지표 비교: 노출수, 클릭수, 클릭률, 매출, 구독 해지율 등

‍

활용 목적

Looker Studio CRM 캠페인 대시보드 템플릿은 캠페인의 실시간 성과 모니터링, 데이터 시각화, 마케팅 전략 최적화를 목적으로 활용됩니다. 이를 통해 효과적인 의사결정과 전략적 개선이 가능합니다.

‍

실시간 대시보드를 통해 데이터를 업데이트하고, 다양한 필터 기능을 사용하여 원하는 데이터를 정확히 추출할 수 있습니다. 맞춤형 리포트를 생성하여 필요에 따라 커스터마이즈된 분석이 가능합니다.

‍

주요 사용자

마케팅 팀, 경영진, 데이터 분석가 등 다양한 사용자들이 이 템플릿을 활용하여 캠페인 성과를 모니터링하고 분석할 수 있습니다.

‍

활용 팁

1. 주기적인 업데이트

대시보드를 정기적으로 업데이트하여 최신 데이터를 반영합니다.

‍

2. 필터 활용

다양한 필터를 사용하여 원하는 데이터를 정확히 추출합니다.

‍

3. 성과 지표 설정

주요 성과 지표(KPI)를 명확히 설정하고 이를 중심으로 분석합니다.

‍

4. 데이터 비교

과거 데이터와 현재 데이터를 비교하여 트렌드와 변화를 파악합니다.

‍

5. 팀과 공유

대시보드를 팀원들과 공유하여 협업을 강화하고 통일된 전략을 수립합니다.

‍

템플릿은 마케팅 캠페인의 성과를 종합적으로 관리하고 분석하는 데 유용하며, 데이터를 기반으로 한 전략적 의사결정을 지원합니다.

‍

데모 보기

FULL FUNNEL

루커스튜디오로 퍼널 분석 차트 만들기

August 21, 2024

루커 스튜디오 인터렉티브 퍼널 분석 차트 만들기 표지 — ***루커 스튜디오 인터렉티브 퍼널 분석 차트 만들기 | Looker studio***

‍

1. 루커 스튜디오 소개

루커 스튜디오(Looker Studio)는 구글에서 제공하는 강력한 데이터 시각화 도구입니다. 다양한 데이터 소스를 연결하여 직관적인 대시보드를 만들 수 있으며, 이를 통해 복잡한 데이터를 쉽게 이해할 수 있습니다. 특히, 마케팅, 영업, 운영 등 다양한 분야에서 유용하게 활용될 수 있습니다. 루커스튜디오가 궁금한 분들은 해당 글을 참고해주세요.

‍

2. 인터랙티브 퍼널 차트?

인터랙티브 퍼널 차트는 사용자 행동을 단계별로 분석하여 시각적으로 표현하는 방식입니다. 특히, 마케팅 퍼널 분석에 유용하며, 고객이 제품이나 서비스를 구매하기까지의 과정을 시각화하여 각 단계에서의 전환율을 파악할 수 있습니다.

‍

퍼널 분석에는 두 가지 전환율 분석 방식이 존재합니다:

Step Drop Off Type: 단계별 전환율을 분석하는 방식입니다. 각 단계에서 다음 단계로 넘어가는 비율을 확인할 수 있습니다.
Funnel Drop Off Type: 전체단계 기준 전환율을 분석하는 방식입니다. 시작점에서 각 단계별로 전환되는 비율을 확인할 수 있습니다.

‍

이 두 가지 방식 모두 데이터의 절대값(absolute) 형태와 비율(rate) 형태로 나눠서 분석할 수 있습니다. 이를 통해 어떤 단계에 문제가 있는지 비교하면서 파악할 수 있습니다.

‍

퍼널 분석을 통해 마케팅 전략의 효과를 검토하고 개선할 수 있는 인사이트를 얻을 수 있습니다. 예를 들어, 특정 단계에서 이탈율이 높다면 해당 단계의 문제점을 찾아 해결하는 방식으로 퍼널의 전반적인 전환율을 개선할 수 있습니다.

‍

루커 스튜디오 인터렉티브 퍼널 분석 차트 만들기 | Looker studio

‍

3. 퍼널 차트 만들기

인터랙티브 퍼널 리포트를 작성하는 단계는 크게 데이터 준비, 바 차트 생성, 차트에 인터랙티브 기능 추가로 나눌 수 있습니다.

‍

3.1 데이터 소스 연결

먼저, 데이터 소스를 연결한 후 필요한 데이터를 정리합니다. 예시는 GA4 데모 데이터를 활용 하였습니다.

계산된 필드와 매개변수 설정이 필요합니다.

‍

3.2.1. 데이터 준비 - 매개변수

아래 이미지에 활용할 매개변수 2가지를 만들어봅시다.

Drop-off type : Funnel 전환 기준을 선택하는 매개변수
Value type : Funnel 전환 절대값 / 비율을 선택하는 매개변수

‍

‍

Drop-off type

‍

Value type

‍

데이터 혼합을 이후에 활용할 예정입니다. 데이터 혼합에서 매개변수 사용을 위해서는 매개변수를 측정기준으로 아래와 같이 변경하는 작업이 필요합니다.

‍

3.2.2. 데이터 준비 - 계산된필드

앞서 살펴봤던 매개변수의 계산된 필드 변환을 포함하여 3가지 측정기준을 만들어 줍니다.

‍

Drop-off type dim

‍

Value type dim

‍

Funnel step order #

‍

GA4의 전자상거래 5개 이벤트를 선택하고 해당 단계의 순서를 지정하는 이벤트를 만들어줍니다.

‍

Looker Studio 코드 1‍


CASE 
 WHEN 이벤트 이름 = "add_to_cart" THEN 1
 WHEN 이벤트 이름 = "add_shipping_info" THEN 2
 WHEN 이벤트 이름 = "begin_checkout" THEN 3
 WHEN 이벤트 이름 = "add_payment_info" THEN 4
 WHEN 이벤트 이름 = "purchase" THEN 5
 ELSE NULL
END

‍

‍

3.2.3. 데이터 준비 - 필터

‍

GA4 – Checkout steps

‍

앞서 정의한 5개 외 나머지 이벤트는 Null로 처리 되었습니다. 해당 이벤트는 분석에 활용하지 않을 예정이므로 필터를 이용하여 제외 처리를 해줍니다. 해당 필터는 이후 단계에서 활용하도록 하겠습니다.

리소스 > 필터관리 > 필터추가

‍

3.3 혼합 소스 만들기

‍

퍼널 분석을 위해선 직전단계와 다음 단계 사용자의 차이를 구해야합니다. 다만 루커스튜디오는 단일 소스로 해당 계산을 하기가 어렵기 때문에 데이터 혼합의 교차 조인을 활용하여 단계별 유저 차이를 구하는 식을 만들 수 있습니다.

‍

‍

혼합 소스 이름 : 자체 혼합
왼쪽 테이블
- 테이블 이름 : Displayed data
- 측정기준 : Funnel step order #, Drop-off type dim, Values type dim, 이벤트 이름
- 측정항목: 총 사용자
- 필터 : GA4 – Checkout steps
오른쪽 테이블
- 테이블 이름 : Reference data
- 측정기준: Funnel step order # -> 이름 변경 "참조 Funnel step order #"
- 측정항목 : 총 사용자 -> 이름 변경 "참조 총 사용자"
- 필터 : GA4 – Checkout steps
조인 방식
- 교차 조인

‍

3.4 차트 구성

‍

데이터 준비가 완료되면, '차트 추가' 메뉴에서 바 차트를 선택합니다. 바 차트를 생성한 후, X축과 Y축에 표시할 데이터를 설정합니다.

‍

3.4.1 설정 탭

데이터 소스 : 자체 혼합
측정기준
- 이벤트 이름

측정항목
- 아래 공식의 "Abs users" 차트 계산 필드, AVG 집계
- 아래 공식의"Abs exited users" 차트 계산 필드, AVG 집계
- 아래 공식의 “% active” 차트 계산 필드, AVG 집계
- 아래 공식의 "% drop off" 차트 계산 필드, AVG 집계

정렬
- Funnel step order #
차트 상호작용
- 모두 해제

‍

Abs users

Looker Studio 코드 2


IF(
 Values type dim = "Absolute values"
 ,
 Total users
 ,
 null
 )

‍

Abs exited users

Looker Studio 코드 3


IF(
 Values type dim = "Absolute values"
 ,
 IF
 (
  Drop-off type dim = 'Funnel drop-off'
  ,
  IF(Ref Funnel step order = 1 AND Funnel step order != 1, (Ref Total users - Total users),null)
  ,
  IF(Ref Funnel step order = Funnel step order - 1, (Ref Total users - Total users),null)
 )
 ,
 null
 )

‍‍

% active

Looker Studio 코드 4


IF(
 Values type dim != "Absolute values"
 ,
 IF
 (
  Drop-off type dim = 'Funnel drop-off'
  ,
  CASE
      WHEN Funnel step order = 1 THEN 1
      WHEN Ref Funnel step order = 1 AND Funnel step order != 1 THEN (Total users ) / Ref Total users
      ELSE NULL
  END
  ,
  CASE
      WHEN Funnel step order = 1 THEN 1
      WHEN Ref Funnel step order = Funnel step order - 1 THEN (Total users ) / Ref Total users
      ELSE NULL
  END
 )
 ,
 null
 )

‍

% drop off

Looker Studio 코드 5


IF(
 Values type dim != "Absolute values"
 ,
 IF
 (
  Drop-off type dim = 'Funnel drop-off'
  ,
  IF(Ref Funnel step order = 1 AND Funnel step order != 1, (Ref Total users - Total users)/Ref Total users,null)
  ,
  IF(Ref Funnel step order = Funnel step order - 1, (Ref Total users - Total users)/Ref Total users,null)
 )
 ,
 null
 )

‍

3.4.2 스타일 탭

수평형
누적 막대
데이터 라벨 표시
데이터 라벨
- 측정항목 값, 축약 번호, 소수점 정밀도 : 1
색상
- 1번 & 3번 과 2번 & 4번 동일한 색상으로 만들기

축
- 축 표시
차트 간격
- 그룹 막대 너비 : 100%
범례
- 선택안함
차트 헤더
- 표시 안 함

‍

4. 마무리

인터랙티브 퍼널 리포트는 다양한 마케팅 시나리오에서 유용하게 활용될 수 있습니다. 예를 들어, 고객의 구매 여정을 단계별로 분석하여 각 단계에서 발생하는 이탈율을 파악하고, 이를 개선하기 위한 전략을 세울 수 있습니다.

또한, 특정 마케팅 캠페인의 성과를 분석할 때도 퍼널 리포트를 사용하면 각 채널별로 고객의 반응을 비교할 수 있습니다. 이를 통해 어떤 채널이 가장 효과적인지 파악하고, 마케팅 예산을 효율적으로 분배할 수 있습니다.

‍

데모 보기

GROWTH

MMP(AppsFlyer), GA4, Braze 데이터를 활용해 시각화할 때 반드시 고려해야할 사항(2)

August 21, 2024

지난 편에서는 각 솔루션별 데이터 수집 방법(바로가기)에 대해서 알아보았습니다.

MMP(AppsFlyer), GA4, Braze 데이터를 활용해 시각화할 때 반드시 고려해야 할 사항 (1) 북마크 랜딩이미지

‍

1. Third Party 데이터 수집 자동화

2. 수집된 데이터 전처리하기

3. 시각화하기

‍

이번에는 수집된 데이터를 활용하여 어떻게 전처리 해야 되는지 알아보겠습니다.

‍

각 데이터 셋들은 분석하려는 차원(dimension)을 기준으로 집계(group by)를 통해서 동일한 형태로 전처리한 후 조인 연산을 통해 데이터를 통합하는 과정이라고 생각하시면 됩니다.

‍

마케팅 성과를 분석하기 위해서 필요한 데이터 다음과 같습니다.

Text Color Change

(필요에 따라서 Dimension 의 개수는 추가될 수 있습니다. ex)device_category, country, 등등)

‍

Dimension : 날짜(일별), 유입소스(GA4 = utm_source, Appsflyer = Media_source), 캠페인

Metric : 구매수, 매출, 인스톨 수

‍

구매 데이터(MMP, GA4) 통합하기

‍

GA4가 웹, 앱 모두 트래킹을 할 수 있지만 WEB은 GA4, APP은 MMP로 성과를 합쳐서 보실 겁니다.

GA4, Firebase는 앱과 웹 내 고객 행동 분석에 주로 쓰이는 툴이고 MMP 는 광고 성과를 측정하는 툴이니깐요

그러면 이렇게 됩니다.

‍

<GA4 데이터 집계> - WEB

Dimension : 날짜(일별), 세션 소스, 캠페인

Metric : 구매수, 매출

‍

<MMP 데이터 집계> - APP

Dimension : 날짜(일별), Media_source, 캠페인

Metric : 구매수, 매출, 인스톨 수

‍

집계된 두개의 테이블을 UNION 다시 한번 집계를 해줍니다.

이렇게 하면 집계된 웹앱 데이터 통합이 되었습니다. (MMP 데이터 전처리 과정은 생략)

Dimension : 날짜(일별), Media_source, 캠페인

Metric : 구매수, 매출, 인스톨 수

‍

브레이즈 커런츠 데이터와 구매 데이터(MMP, GA4) 연결하기

‍

브레이즈 커런츠(braze currents)데이터는 유저 인게이지먼트 데이터입니다.

‍

여기에는 유저별로 어떻게 우리 서비스로 참여를 하고있는지를 기록한 데이터들이 기록되어 있으니 메시지 발송 수단별로 노출, 클릭 성과들이 들어있습니다. 하지만 우리는 성과(구매) 판단은 MMP, GA4로 해야 하므로 서로 다른 데이터들을 어떻게 통합해서 볼지를 알아보겠습니다.

커런츠 데이터는 아래와 같이 구성이 되어있습니다.

‍

‍

Text Color Change

(차원 데이터 생성을 위한 함수는 태블로 함수입니다)

‍

유니크한 ID 차원 만들기

위와 같은 데이터를 일자, 메세지 발송 타입, 캠페인 or 캔버스별 발송수, 노출수, 클릭수 데이터를 집계를 하기 위해서는 유니크한 ID를 나타내는 차원 데이터를 만들어 줘야 합니다.

‍

동일한 유저라도 캠페인, 캔버스, 베리에이션 등 다양한 형태로 타겟이 될 수 있으므로, 아래와 같이 유니크한 차원 데이터를 만들기 위해 새로운 아이디를 생성합니다. (해당 아이디는 발송 타입별로 카운트하기 위해 활용됩니다.)

‍

차원의 이름은 원하시는대로 명명하시면 되고 저는 user_id_dispatch_id 이렇게 명명하였습니다.

‍

-- 태블로 계산식
IFNULL([User Id],'') + '-' +
IFNULL([Campaign Id],'') + '-' +
IFNULL([Message Variation Id],'') + '-' +
IFNULL([Canvas Id],'') + '-' +
IFNULL([Canvas Variation Id],'') + '-' +
IFNULL([Canvas Step Message Variation Id],'') + '-' +
IFNULL([Dispatch Id],'')

‍

캠페인 차원 만들기

다음으로 캠페인 단위로 성과를 집계할 예정이기 때문에 캠페인 차원을 만들어줘야 합니다.

왜냐하면 브레이즈에는 캠페인과 캠버스로 나뉘는데 campaign_name 값이 존재하면 canvas_name 이 빈값이고 거꾸로 canvas_name 값이 존재하면 campaign_name이 빈값이기 때문입니다.

‍

-- 태블로 계산식
IFNULL([Campaign Name],[Canvas Name])

‍

발송 타입별 유니크한 ID 차원 만들기

{send_type}_click 이런 식으로 차원 이름을 명명하고 아래와 같은 태블로 계산식으로 차원을 만들어줍니다.

이렇게 되면 email_click, push_click, in_app_message_click 이벤트별로 ID(user_id_dispatch_id)를 생성됩니다.

-- 태블로 계산식
{ FIXED [user_id_dispatch_id],[Event Type] : COUNTD(IF CONTAINS([Event Type], 'inappmessage_click') THEN [user_id_dispatch_id] END)}

‍

발송 타입 차원 만들기

최초에 S3에 적재된 currents 데이터(avro 파일)를 DW에 적재할 때 파일별 Event 구분을 위해 Event_Type 칼럼을 생성하였습니다. (이전 글을 참고해 주세요)

‍

['users.messages.email.Open.avro',
 'users.messages.email.Click.avro',
 'users.messages.pushnotification.Send.avro',
 'users.messages.inappmessage.Click.avro',
 'users.messages.email.Delivery.avro',
 'users.messages.pushnotification.Open.avro',
 'users.messages.inappmessage.Impression.avro']

‍

-- 태블로 계산식
IF CONTAINS([Event_Type], 'email') then 'email'
elseif CONTAINS([Event_Type], 'push') then 'push'
elseif CONTAINS([Event_Type], 'inappmessage') then 'iam' end

이제 집계를 위한 전처리는 완료되었습니다(세세한 전처리 과정은 생략됨)

이제 위에서 만들었던 차원을 가지고 집계를 합니다.

일자별, send_type, campaign/canvas, device_category 별 오픈, 클릭, 노출, delivery 데이터는 아래와 같이 집계되었습니다.

‍

Braze Currents 전처리 / 집계한 테이블 예시 화면 이미지 — Braze Currents 전처리 / 집계한 테이블 예시

통합된 GA4 / MMP 데이터와 커런츠 데이터를 통합해야 되는 과정이 또 남았습니다.

어떻게 이 두 데이터를 엮어야 될까요?

조인키를 위에서 집계한 차원 데이터로 잡고 Full Outer Join으로 데이터를 조인합니다.

이유는 특정 날짜에 브레이즈 커런츠 데이터는 존재하는데 성과 데이터(GA4, MMP) 데이터가 존재하지 않는다면 매칭될 수 없으니 누락이 되어버립니다. 거꾸로 성과 데이터(GA4, MMP) 데이터가 존재하는데 브레이즈 커런츠 데이터가 존재하지 않을 경우 누락이 되어버리기 때문입니다.

광고 성과 데이터 전처리하는 예시를 통해 Full Outer JOIN 이 어떻게 데이터를 처리되는지 예시를 통해 잠깐 확인해 보겠습니다

2024년 1월 1일 twitter 채널의 e 캠페인에서 비용이 1000원 소진했습니다. 그런데 GA4, MMP 데이터에는 해당 광고 채널의 캠페인에서 전환이 아예 일어나질 않았습니다. 하지만 비용이 발생했기 때문에 이 데이터를 버릴 수는 없겠죠? 무조건 살려야 됩니다.

거꾸로 광고 데이터에서 비용은 발생하지 않았는데 Attribution Window로 인해 전환이 발생했습니다. 이것도 버릴 수 없겠죠?

이 두 데이터에서 LEFT JOIN 또는 RIGHT JOIN을 수행하게 되면 조인키에 대응하지 않은 데이터는 매칭이 안되어 누락이 되어 버립니다. 이를 방지하기 위해서 INNER, LEFT OUTER, RIGHT OUTER 조인 집합을 생성하는 FULL OUTER JOIN을 수행합니다.

결과를 보면 각 테이블의 모든 데이터들이 출력이 되는 걸 알 수 있습니다.

Full Outer Join 예시 이미지 — Full Outer Join 예시

본론으로 돌아와서!

Full Outer Join을 수행하기 전에 앞서 GA4, MMP 데이터를 합친 후 우리는 CRM 데이터만 필요하기 때문에 CRM 데이터만 필터를 합니다.

이제 Braze Current 데이터와 성과 데이터(GA4, MMP)를 날짜, 유입소스명, 캠페인명을 조인키로 두고 Full Outer Join 을 수행합니다.(분석하고자 하는 차원데이터가 추가로 더 있다면 추가로 필요한 차원도 조인키로 활용하시면 됩니다.)

이와 같은 방식으로 Paid 성과 데이터를 전처리 할 때도 위와 같은 방법으로 수행하면 됩니다.

데이터를 전처리 할 때 중요한 건 분석하고자 하는 결과물을 먼저 그려본 뒤에 결과를 도출하기 위해서 각 테이블을 어떻게 만들어 갈 것인지 생각하면서 만들어가면 됩니다. 실제로 전처리하다 보면 자잘하게 처리해야 되는 부분이 상당히 많습니다.

특히 데이터를 통합하기 위해서는 무엇보다 네이밍 컨벤션이 가장 중요한 점은 강조하지 않을 수 없습니다.

데이터 수집까지 잘했는데 캠페인 네이밍 컨벤션이 서로 다르다?.. 데이터 통합은 불가능합니다..

네이밍 컨벤션은 말 그대로 명명 규칙입니다.

위에서 언급한 대로 우리가 데이터 통합을 위해 차원 데이터를 조인키로 활용한다고 했었는데 캠페인 차원이 MMP, GA4, Braze or 광고 데이터가 모두 다르면 안 되겠죠? 아래와 같이 통일을 시켜야만 데이터를 연결할 수 있습니다.

여기까지 마케팅 데이터 수집부터 전처리 과정까지 알아보았습니다.

다음 글에서는 이 데이터를 활용해서 시각화 하는 방법을 살펴보겠습니다.

EVENT

[종료] Martinee 2024 Recap 행사

August 6, 2024

2024 Maritnee Recap!

‍

행사명 : Maritnee 2024 Recap 행사

장소: 서울 서초구 서초대로38길 12 마제스타시티 타워2 12F

일시: 2024년 8월 20일 화요일 오후 3시

대상:

마케팅 인사이트를 얻고 싶으신 분
마티니만의 CRM & 그로스 마케팅 성공 사례가 궁금하신 분
MGS 2024에서의 Martinee & AB180 & Snowflake 세션을 다시 듣고 싶으신 분

‍

CRM과 그로스 마케팅 인사이트를 놓치지 마세요

‍

MGS 2024에서 진행했던 마티니 & AB180 & Snowflake의 세션을 한 번에 확인해보세요.

CRM과 그로스 마케팅을 바탕으로 마티니가 직접 경험하고 이끌었던 실제 성공 사례, AB180의 마케터를 위한 SKAN 활용법과 Snowflake의 마케팅 데이터 클라우드로 비즈니스 성장을 가속화하는 방법을 공유합니다.

‘CRM 마케팅에서의 고민과 문제들을 정리하고 마티니가 찾아낸 인사이트와 해결방안’
‘Amplitude를 가지고 BKR과 마티니가 만드는 데이터 혁신의 비밀’
‘iOS 마케터를 위한 SKAN 100% 활용하기’
‘'감'이 아닌 '데이터'로 : Snowflake로 데이터 기반 인사이트 발견하기’

MGS 2024 현장에서 공유해드린 마케팅 인사이트와 성공 사례에 대해 확인할 수 있는 기회를 놓치지 마세요!

‍

타임 테이블

‍

15:00 - 15:15 Martinee Marketing Intelligence 2024 | 이선규 Martinee CEO

15:15 - 15:45 버거킹도 Amplitude를 쓴다고? 어떻게 쓰는데? | 이재철 Martinee Growth Team Lead

15:45 - 16:15 "우리 잘하고 있는건가?": CRM 마케터들이 궁금해하는 고민과 해결방안 | 이건희 Martinee CRM Team Lead

16:15 - 16:25 Break Time

16:25 - 16:55 iOS 마케터를 위한 SKAN 100% 활용하기 | 한예선 Airbridge & AB180 Business Development Manager

16:55 - 17:25 감'이 아닌 '데이터'로 : Snowflake로 데이터 기반 인사이트 발견하기 | 이수현 Snowflake Tech Evangelist

17:25 - 18:00 Networking & QnA

‍

안내사항

‍

- 자리가 한정되어 있어 별도로 선정 안내를 드릴 예정입니다.

- 주차권 제공 가능하며 리셉션 데스크 문의바랍니다.

- 참석자분들에게 간단한 음식이 제공됩니다.

EVENT

Martinee | MGS 2024

August 2, 2024

Martinee x MGS 2024

‍

7월 31일, 코엑스 그랜드볼룸 & 아셈볼룸에서 AB180이 주최한 국내 최대 마케팅 컨퍼런스 MGS 2024가 개최되었습니다.

23년에 이어 마티니가 참여한 MGS 2024에서는 CRM 마케팅에서의 고민과 마티니가 경험하며 체득한 해결방안과 인사이트와 더불어 버거킹의 Amplitude 도입부터 세부적인 단계별 과정을 소개드리고 쏘카와 함께 Braze를 활용한 크로스 셀링 전략과 초개인화 CRM 마케팅 성공 사례를 3개의 발표 세션을 통해 공유하는 자리였습니다.

MGS 2024에서 진행했던 마티니 세션들을 살펴볼까요?

‍

"우리 잘하고 있는건가?": CRM 마케터들이 궁금해하는 고민과 해결방안

‍

마티니 CRM팀은 KFC, 이랜드 폴더, 콘텐츠웨이브, 뮤직카우, 레브잇, 발란, 딜라이트룸 알라미, 오늘의집, 버거킹 등 무수히 많은 국내 유명 기업과 함께 협업하며 Braze를 200% 활용하고 CRM 인사이트를 확장시켜 왔는데요.

지금까지 수많은 CRM 캠페인을 실행하고 경험하고 겪었던 CRM 마케팅에서의 고민들과 그에 따른 마티니만의 해결방안을 CRM팀 리더 건희님이 발표 세션에서 공유해드렸습니다.

‍

개인화

개인화로 어떤 걸 할 수 있어요?

➡️ 개인화의 3단계 Level과 함께 마티니가 실제 적용해본 CRM 사례를 바탕으로 개인화로 가능한 부분을 설명해드렸습니다.

‍

분석

CRM 성과 어떻게 분석하는 것이 좋을까요?

➡️ 증분 분석과 PA 솔루션 활용으로 오로지 마케팅 활동이 만들어준 ‘진짜’ 성과를 찾는 방법을 알려드렸습니다.

‍

연계활용

PA나 MMP랑 연계하면 뭘 할 수 있나요?

➡️ 각 솔루션의 역할과 CRM 솔루션과의 연동 케이스들을 기반으로 PA 및 MMP 솔루션과 연동 활용 시 가능한 점들을 설명드렸습니다.

‍

테스트

모수가 너무 적은데 의미 있을까요?

➡️ 모수 크기 계산과 카이 제곱 검정식을 바탕으로 적절한 모수와 전환율을 확인하는 방법을 공유해드렸습니다.

‍

도입

Braze 도입, 어느 정도 걸려요?

➡️ 도입 시작부터 첫 캠페인 런칭 기준 도입기간과 컨설팅 유무에 따른 비교을 통해 소요 기간을 알려드렸습니다.

‍

기술적 구현

개발 지원을 못 받아서 못 하는게 많아요.

➡️ 개발 의존도를 낮춰주는 Braze의 3가지 강력한 주요 기능을 소개해드리며 개발 지원없이 가능한 CRM을 사례를 통해 설명해드렸습니다.

‍

버거킹도 Amplitude를 쓴다고? 어떻게 쓰는데?

‍

마티니는 버거킹의 Amplitude 도입부터 사용, 그리고 Braze 연계 활용까지 함께 하였는데요.

온오프라인이 모두 중요한 버거킹의 경우 디지털 플랫폼 활용도가 높기에 Amplitude 도입을 5단계의 체계적인 절차를 바탕으로 진행하였고 그에 따른 각 단계별 키 포인트들을 공유해드렸습니다.

1. Planning

2. Taxonomy

3. Development

4. QA & Stabilization

5. Go-Live

‍

활용 단계에서는 구매 횟수별 고객 특성과 구매 시간대별 고객 특성 2가지로 나누어 쿠폰 사용 패턴을 분석한 과정과 AARRR 지표 설계에 따른 세부 기준, 유저 코호트와 같은 지표 분석 과정, 가설 도출부터 A/B 테스트 설계까지 버거킹과 함께한 상세한 내용들을 설명해드렸습니다.

‍고객 행동 중 구매 시간대에 따라 고객의 특징이 다르게 나타난다는 점을 확인할 수 있었고 얼마나 차이가 있는지 Amplitudfe 코호트 차트 기능을 활용하여 분석하였습니다.

분석한 내용을 바탕으로 Braze에서 약 48개의 코호트 그룹을 나누어 최적 시간대와 메시지 테스트를 진행하여 결과적으로 성과를 개선시킬 수 있었습니다.

‍

쏘카 CRM 마케터가 일하는 방법: Braze로 개발자 없이 캠페인 고도화하기

쏘카 CRM 마케터가 일하는 방법: Braze로 개발자 없이 캠페인 고도화하기 세션 모습

쏘카 CRM 마케터가 일하는 방법: Braze로 개발자 없이 캠페인 고도화하기 세션 연사자 마티니 CRM 이건희 팀장과 쏘카 김선민 매니저

‍

쏘카는 기존 카셰어링에서 작년부터 숙박 서비스까지 비즈니스를 확장시키며 마티니와 함께 Braze를 잘 활용하여 체계적인 캠페인 관리 시스템을 구축해왔습니다.

해당 세션에서는 우천 시 서비스 이용이 활발해지지 않는 서비스 특성을 고려한 쏘카만의 캠페인 사례와 숙박 서비스로 범위를 확장하며 각 타겟의 반응을 확인하며 메시지 발송 대비 전환률을 상승시킨 전략들을 확인할 수 있었습니다.

‍

CRM 마케팅에서 개발 지원없이 섬세한 캠페인 전략을 구사하기가 어려울 수 있는데요. 쏘카가 마티니와 함께 개발자 도움 없이 Braze Connected Content 기능을 활용하여 초개인화 메시지를 구현했던 과정도 상세하게 설명해드렸습니다. 기술 구현이 필요한 항목을 점검하고 오픈데이터와 Braze Liquid 및 Connected Content 기능을 활용한 케이스를 공유하며 어떻게 크로스셀링 전략을 성공적으로 이끌었는지 공유해드린 시간이었습니다.

‍

놓치면 후회하는 마티니와 쏘카의 CRM 협업 사례, 8월 13일 Recap 행사에서 확인하실 수 있습니다.

‍

마티니 부스에서는?

‍

이번 MGS 2024에서는 마티니가 부스를 운영하여 풀스택 마케팅 도입 컨설팅 서비스에 대해 상담 서비스를 제공해드리고 보다 자세하게 설명드릴 수 있도록 하였습니다.

캡슐 뽑기를 통해서 마티니 스티커와 에코백 굿즈를 나눠드렸습니다.

‍

퍼포먼스부터 그로스와 CRM까지 마티니와 함께, 한 번에

마티니는 세 가지 분야의 전문가들이 모여 유기적으로 협업하며 다양한 문제를 해결하고 있습니다.

버거킹과 쏘카 사례에서 보여드린 것처럼 데이터·프로덕트 분석, KPI 대시보드 설계와 제작, 데이터 파이프라인 활용, CRM 택소노미(Taxonomy) 및 프로모션 설계, MMP 설치와 점검, 퍼포먼스 마케팅 미디어 믹스까지, 각 분야의 전문가들이 모여있는 마티니와 함께 비즈니스 성공을 실현해보세요.

‍

GROWTH

2. 웍스아웃: 퍼포먼스 마케팅 광고성과 대시보드

July 29, 2024

1. 개념 설명

쿠키(Cookie)란 사용자가 웹사이트를 방문할 때마다 웹 브라우저를 통해 인터넷 사용자의 컴퓨터나 다른 기기에 설치되는 기록 정보 파일을 뜻합니다. 이는 퍼포먼스 마케팅의 필수도구로써 마케팅 활동의 세부적인 추적, 개인화 및 최적화를 가능하게 했습니다.

‍

퍼포먼스 마케팅에서 구체적인 쿠키의 기능은 다음과 같습니다.

1. 사용자 행동 추적

쿠키를 통해 사용자가 방문하는 페이지, 방문 시간, 조회한 페이지 순서를 추적하고,클릭, 구매 등의 액션을 기록하여 사용자 경험에 대한 통찰력을 제공할 수 있습니다.

2. 개인화

쿠키를 통해 사용자의 관심분야 및 과거 행동을 기반으로 개인화된 마케팅을 제공할 수 있습니다.

3. 리타겟팅

쿠키를 통해 이전에 방문한 고객 중 원하는 행동을 하지 않은 유저에게 재방문을 유도하여 다시 행동을 하도록 유도할 수 있습니다.

4. A/B 테스트 및 최적화

쿠키를 통해 유저를 분류하여 다양한 테스트 그룹에 할당하고, 유저의 행동을 추적하는데 사용합니다. 이를 통해 마케팅 담당자는 웹페이지 또는 광고의 여러 버전을 실험하고 이를 통해 효율을 최적화할 수 있습니다.

‍

하지만 데이터 보호 규정을 시작으로 데이터 보호를 강화하기 위한 전세계의 흐름이 있었고, 애플을 시작으로 구글 폭스 등 많은 웹 브라우저 회사들이 쿠키 제공 중단을 선언헀습니다.

쿠기 제공이 중단된다면, 기존의 쿠키를 이용해 진행하던 기능들을 더 이상 진행할 수 없게 됩니다. 그 결과 각 매체의 효율이 감소하고 신규 고객을 획득하는데 필요한 비용이 증가할 것으로 예상됩니다. 구글이 쿠키의 지원 중단 시점을 2025년으로 연기했다고는 하지만, 마케터들은 선택이 아닌 필수로 기존 광고 방식에 변화가 필요한 상황입니다.

‍

2. 진행배경

쿠키 리스 상황에서 발생하는 여러 문제들에 대비하기 위해 진행할 수 있는 여러 방법들이 있습니다. 그 중 고객사에서는 현 상황에서 다양한 매체를 활용하기보다 최고의 효율을 낼 수 있는 매체를 선별해서 효율이 좋은 매체에 집중하고자 합니다. 이를 위해 각 광고매체의 성과를 실시간으로 모니터링할 수 있는 대시보드가 필요했습니다.

‍

태블로를 통해 다양한 광고채널에 분산되어 모니터링이 어려웠던 지표들을 태블로를 통해 하나의 대시보드에서 관리함으로써 어느 채널의 어떤 광고가 효율이 좋은지를 빠르게 파악하고, 이를 통해 어떤 채널에 더 예산을 증가하거나 감소해야 할지에 대한 의사결정을 하는데 활용할 수 있습니다.

‍

3. 진행과정

대시보드를 제작하기 위한 과정은 크게 환경점검, 데이터 수집, 데이터 저장, 데이터 시각화의 4단계로 구분할 수 있습니다.

‍

1) 환경점검

첫 번째 환경 점검 단계는 대시보드 구축을 위한 대시보드 기획단계입니다. 이 단계에서는 데이터의 출처를 정의하고, 데이터 소스부터 시각화툴인 태블로까지 이어지는 데이터 파이프라인을 그립니다. 최종적으로 대시보드에서 어떤 데이터를 대시보드에 구현하고, 이를 어떤 방식으로 시각화할지에 대한 대시보드 기획단계라고 할 수 있습니다.

‍

해당 광고성과 대시보드를 구현하기 위해서는 광고채널로부터 나오는 광고데이터를 데이터 소스로 정의하고, 이를 통합하는 과정이 필요합니다. 이를 위한 첫 번째 단계로 Meta, Google Ads등 여러 광고 채널에서 나온 데이터를 ETL툴인 Funnel io에서 통합합니다. 이후 MMP인 에어브릿지의 데이터를 통합해 이를 하나의 구글 스프레드시트 적재합니다. 최종적으로 태블로를 통해 시각화하는 방식으로 데이터 파이프라인을 구현했습니다.

‍

*참고) ETL이란?
추출, 전환, 적재(ETL)는 다양한 소스의 데이터를 데이터 웨어하우스라고 부르는 대형 중앙 집중식 리포지토리에 결합하는 과정

‍

해당 스텝으로 데이터 파이프라인을 구현했을 때의 장점은 어디서부터 데이터가 들어오게 되고, 문제가 발생했을 때 문제 발생원인을 직관적으로 확인가능하다는 점입니다.

‍

2) 데이터수집

두 번째 데이터 수집 단계는 실질적으로 필요한 데이터를 정의하는 단계입니다.

UTM 및 parameter를 기반한 광고성과 추적을 위한 계층 구조인 네이밍 컨벤션(Naming Convention)을 정의하고 이를 통해 광고의 위계질서를 설정합니다. 해당 데이터를 통해 광고성과 데이터 정의하고 수집할 수 있습니다.

‍

‍

네이밍 컨벤션(Naming Convention) 정의를 완료했다면, 이를 토대로 데이터 스키마를 작성해야 합니다. 데이터 스키마란 데이터베이스의 구조와 제약조건에 관해 기술한 것을 뜻합니다. 데이터 이름 및 형태(ex. 숫자/문자)에 대해 정의함으로써 향후 데이터 스키마 하나만 확인해도 어떤 데이터 형태인지 파악할 수 있도록 합니다.

‍

테이블명	열순서	열이름	데이터형식	설명	예시값
user_property	1	event_time_KST	DATETIME	이벤트 타임 (한국시간)	2024-07-01 09:01:12
	2	user_id	STRING	유저아이디	"2920038”
	3	referral_domain	STRING	유입도메인	“@#$.com”
	4	utm_source	STRING	UTM 소스	“airbridge.websdk”
	5	utm_medium	STRING	UTM 매체	“fb”, “social”
	6	utm_campaign	STRING	UTM 캠페인	“파이널세일”

‍

3) 데이터저장

세 번째 데이터 저장 단계는 네이밍 컨벤션(Naming Convention)과 데이터 스키마를 통해 정의한 데이터를 저장하는 단계입니다.

‍

광고성과 확인 시, 데이터의 정확성을 확보하고, 다양한 광고채널의 기여도를 정확하게 측정하기 위해 미디어 데이터 뿐만 아니라 MMP 데이터를 함께 확인해야 합니다. 이를 위해 미디어(메타, 구글애즈,..)와 MMP의 소스를 조인하는 과정이 필요합니다. 이를 위해 키값을 정의하고, 해당 키값을 기준으로 데이터를 조인합니다.

‍

4) 데이터시각화

마지막 데이터 시각화 단계는 정의된 데이터를 바탕으로 대시보드를 구현하는 단계입니다.

<1> 대시보드 기획안

대시보드 구현에 앞서 퍼포먼스마케터들과 협의를 진행합니다. 실제 최종 대시보드를 사용할 퍼포먼스마케터들과의 논의를 통해 대시보드의 형태 및 기능을 구체화할 수 있습니다.

‍

<2> 최종 대시보드

마지막으로 확정된 기획안을 토대로 태블로를 통해 최종 대시보드를 구현하면 대시보드 제작과정이 마무리됩니다.

FULL FUNNEL

Basic KPI 대시보드 | 루커스튜디오 템플릿

July 19, 2024

루커스튜디오 Basic KPI 대시보드 메인 이미지 — ***BASIC KPI 대시보드 | 루커스튜디오 템플릿***

‍

‍

KPI 대시보드 템플릿을 활용하여 비즈니스 주요 지표를 확인하며 데이터 기반 의사결정에 활용할 수 있습니다. 매출, 이익, 구매수 등 특히 지역별 구매 관점의 분석을 통해 실행 가능한 인사이트를 제공합니다.

‍

KPI 대시보드 템플릿

‍

💡루커스튜디오 URL

‍

대시보드 데모 보기

‍

사용 방법

1. 스프레드시트 사본 만들기

‍

2. 루커스튜디오 사본 만들기 클릭

루커스튜디오 대시보드 사본 만들기 — ***BASIC KPI 대시보드 | 루커스튜디오 템플릿***

‍

새 데이터 소스의 경우 기존에 만든 스프레드시트가 대시보드에 사용되지 않았다면 리스트에 뜨지 않습니다. 그냥 아무 데이터나 선택하고 보고서 복사를 진행합니다.

‍

보고서 복사 화면 — ***BASIC KPI 대시보드 | 루커스튜디오 템플릿***

‍

3. 리소스 → 추가된 데이터 소스 관리 클릭

추가된 데이터 소스 관리 화면 — ***BASIC KPI 대시보드 | 루커스튜디오 템플릿***

‍

4. 작업 → 수정 클릭

작업 → 수정 클릭 화면 — ***BASIC KPI 대시보드 | 루커스튜디오 템플릿***

‍

5. 루커스튜디오와 스프레드시트 연동 승인 진행

스프레드 시트 소유 계정과 루커스튜디오 소유 계정이 일치해야 합니다.

루커스튜디오와 스프레드시트 연동 화면 — ***BASIC KPI 대시보드 | 루커스튜디오 템플릿***

‍

6. 앞서 사본을 만들었던 파일 찾아서 연결

소유한 문서함 → 스프레드시트(Sample KPI Superstore) → 워크시트(Order) → 다시연결

스프레드 시트 연결 화면 — ***BASIC KPI 대시보드 | 루커스튜디오 템플릿***

‍

7. 데이터 새로고침하면 데이터 확인이 됩니다.

이후 스프레드시트의 복사본의 형식에 맞춰서 가지고 계신 KPI 수치를 업데이트 하면 해당 대시보드에서 변경된 데이터로 활용 가능합니다.

데이터 새로고침 확인 화면 — ***BASIC KPI 대시보드 | 루커스튜디오 템플릿***

‍

활용 방법

지난달 대비 이번달 매출액은?
매출 대비 순이익은?
구매수와 상품총 구매수의 트렌드 차이는?
연도별 월별 매출 트렌드의 차이는?
지역별 매출액의 차이는?

‍

원본 포스팅 링크

Basic KPI 대시보드 | 루커스튜디오 템플릿

GROWTH

1. 웍스아웃: 프로모션 대시보드

July 18, 2024

0. 개념설명

‍

프로모션 분석이란?

프로모션 분석은 마케팅 캠페인의 일환으로 진행된 다양한 프로모션 활동들의 효과를 평가하고 측정하는 과정입니다. 이 과정을 통해 기업은 프로모션 활동이 소비자의 구매 결정, 브랜드 인식, 시장 점유율 등에 미치는 영향을 분석할 수 있습니다. 프로모션 분석을 위해 판매 데이터, 소비자 행동 데이터, 온라인 트래픽 데이터 등 다양한 데이터 소스를 활용할 수 있습니다.

‍

프로모션 분석의 필요성

프로모션 분석은 기업이 자원을 효율적으로 배분하고, 마케팅 목표를 달성하기 위해 필수적인 과정입니다. 이를 통해 기업은 다음과 같은 이점을 얻을 수 있습니다.

효과적인 프로모션 전략 수립: 어떤 프로모션이 고객의 구매를 유도하고, 브랜드 인지도를 높이는 데 효과적인지 파악할 수 있습니다.
ROI 최적화: 프로모션에 대한 투자 대비 수익률(ROI)을 측정하고, 마케팅 예산을 더 효과적인 프로모션에 집중할 수 있습니다.
시장 이해도 향상: 소비자 반응을 분석함으로써 시장의 현재 요구와 트렌드를 더 잘 이해할 수 있습니다.
경쟁력 강화: 경쟁사 대비 우위를 점할 수 있는 마케팅 전략을 개발하고 실행할 수 있습니다.

‍

개별 프로모션 분석 vs 통합 프로모션 분석

개별 프로모션 분석
- 특징
  - 한 번에 하나의 프로모션 활동만 평가합니다.
  - 구체적인 프로모션의 성공 여부와 직접적인 효과를 분석합니다.
- 장점
  - 간단하고 명확한 결과 제공
  - 특정 프로모션의 직접적인 효과를 빠르게 평가 가능
- 단점
  - 다른 마케팅 활동과의 상호작용을 고려하지 않음
  - 장기적인 효과나 전체적인 마케팅 전략과의 연계성 부족
통합 프로모션 분석
- 특징
  - 여러 프로모션 활동을 함께 분석하여 전체적인 마케팅 전략의 효과를 평가합니다.
  - 프로모션 간의 상호작용 및 시너지 효과를 고려합니다.
- 장점
  - 전략적인 의사결정 지원
  - 장기적인 브랜드 가치와 고객 관계를 고려한 분석
  - 장기적인 효과나 전체적인 마케팅 전략과의 상호작용 이해 가능

‍

개별 프로모션 분석과 통합 프로모션 분석을 함께 분석해야 하는 이유

개별 프로모션 분석과 통합 프로모션 분석을 함께 수행함으로써, 보다 정교하고 효과적인 마케팅 전략을 개발할 수 있으며, 이는 최종적으로 기업의 성장과 수익성 향상에 기여하게 됩니다.

‍

1. 전체적인 마케팅 전략의 효율성 평가

개별 프로모션 분석을 통해 특정 프로모션의 성공 여부를 파악할 수 있지만, 통합 프로모션 분석을 함께 수행하면 여러 프로모션 간의 상호작용과 그 영향을 이해할 수 있습니다. 이는 전체 마케팅 전략의 효율성을 평가하는 데 중요합니다.

2. 다채널 프로모션 전략의 최적화

현대 마케팅은 다양한 채널을 통해 이루어집니다. 개별 프로모션 분석과 통합 분석을 병행함으로써, 각 채널의 성과를 정확히 파악하고, 채널 간 시너지를 극대화하는 전략을 수립할 수 있습니다.

3. 고객 행동의 종합적 이해

고객은 다양한 프로모션에 노출되며, 이러한 노출이 고객의 구매 결정에 복합적으로 작용합니다. 개별 프로모션 분석과 통합 분석을 결합함으로써, 고객 행동의 더 깊은 이해를 도모할 수 있습니다.

4. 마케팅 자원의 효율적 배분

통합 프로모션 분석을 통해 얻은 인사이트는 마케팅 자원의 효율적인 배분을 가능하게 합니다. 각 프로모션의 효과를 개별적으로뿐만 아니라 전체적인 관점에서 평가함으로써, 예산을 더 효과적인 프로모션에 집중할 수 있습니다.

5. 장기적 마케팅 전략 수립

개별 프로모션의 성공은 단기적인 성과에 초점을 맞출 수 있지만, 통합 프로모션 분석은 장기적인 관점에서 마케팅 전략을 수립하는 데 도움을 줍니다. 다양한 프로모션의 장기적인 영향력과 지속 가능성을 평가할 수 있습니다.

6. 경쟁 우위 확보

통합 프로모션 분석을 통해 시장 내 경쟁 상황과 자사의 위치를 종합적으로 이해하고, 경쟁 우위를 확보할 수 있는 전략을 수립할 수 있습니다. 이는 경쟁사 대비 우위를 점하는 데 중요한 역할을 합니다.

‍

1. 진행배경

고객사 상황 및 해당 대시보드를 제작하게된 이유

고객사에서는 프로모션 분석 진행 시 앰플리튜드를 통한 단일 프로모션 위주의 분석만을 진행했었습니다.

‍

앞서 언급했듯이 단일 프로모션 분석만 진행하게 된다면 결과적으로 장기적인 효과나 전체적인 마케팅 전략과의 연계성이 부족해지는 문제가 있습니다.

이러한 문제를 해결하기위해 프로모션을 통합적으로 확인하는 것에 대한 필요성이 대두되었습니다. 먼저, 통합 프로모션 분석을 위해 1차적으로 앰플리튜드를 통해 얻은 개별 프로모션별 데이터를 스프레드시트에서 취합해 프로모션들끼리 비교하며 인사이트를 도출했습니다.

‍

하지만 시트를 통해 프로모션을 비교 분석하는 것에는 크게 2가지 정도의 한계가 있었습니다.첫째, 프로모션이 진행될 때마다 데이터를 확인하고, 직접 시트에 옮기는 작업을 해야 하기 때문에 자동화가 어렵다는 점입니다.둘째, 시트에 텍스트로만 적혀있다보니 해당 데이터가 무엇을 의미하는지 직관적으로 인지하기가 어렵다는 점입니다.이러한 한계를 극복하기 위해 고안한 것이 전체 프로모션을 한눈에 파악할 수 있는 대시보드를 구현하는 것이었습니다.

‍

2. 진행과정

대시보드는 태블로(Tableau)를 사용하여 구현했습니다.

‍

태블로는 데이터를 분석하고 시각적으로 표시할 수 있는 비즈니스 인텔리전스(BI)툴입니다. 태블로를 통해 대시보드를 제작했을 때의 장점은 다음과 같습니다.

‍

1. 여러 raw 데이터 통합: 태블로는 스프레드시트, 데이터베이스, 클라우드 서비스 및 빅데이터 플랫폼과 같은 다양한 데이터 원본들을 원활하게 통합됩니다. 이러한 통합을 통해 다양한 소스의 데이터를 연결 가능하게 하여 데이터 사일로를 해결하고 포괄적인 분석을 가능하게 합니다.데이터 사일로(Data Silo*)**란? 서로 분리되어 기업의 다른 부서에서 액세스할 수 없는 데이터 스토리지 및 관리 시스템을 의미하며, 이는 전사관점의 의사결정을 방해하고, 비효율성이 증가시킵니다.

예시: Excel 스프레드시트에 저장된 판매 데이터와 SQL 데이터베이스에 저장된 고객 데이터가 있다고 가정합니다. Tableau는 두 원본에 동시에 연결할 수 있으므로 데이터를 혼합하고 시각화하여 판매와 고객 인구 통계 간의 관계에 대한 인사이트를 얻을 수 있습니다.

2. 실시간 데이터 시각화: 태블로는 라이브 데이터베이스 및 스트리밍 데이터를 비롯한 다양한 데이터 원본에 연결하여 실시간으로 데이터 업데이트할 수 있습니다. 이 기능을 사용하면 변경되는 데이터를 빠르게 모니터링하고 분석하여 빠른 의사 결정을 위한 시기적절한 통찰력을 제공할 수 있습니다.

3. 다양한 시각화 옵션: 태블로는 막대 차트, 선 차트, 산점도, 지도 등을 포함하여 다양한 시각화 옵션을 제공합니다. 정보를 효과적으로 전달하기 위해 데이터에 가장 적합한 시각화 유형을 선택할 수 있습니다.

4. 대화형 대시보드: Tableau를 사용하면 사용자가 직접 데이터를 탐색하고 상호 작용할 수 있는 고도의 대화형 대시보드를 만들 수 있습니다. 사용자는 세부 정보를 드릴다운하고, 데이터를 필터링하고, 임시 분석을 수행하여 데이터 탐색의 깊이를 향상할 수 있습니다.

‍

2-1. 대시보드 스케치

통합 프로모션 분석을 위해 정의한 스케치입니다. 해당 스케치는 피그마(Figma)를 통해 작업했습니다. 스케치를 피그마로 제작한 이유는 여러가지가 있는데, 그 중 가장 중요한 이유는 피그마가 다양한 디자인 도구와 기능을 제공하기 때문에 원하는 디자인을 쉽고 효율적으로 제작할 수 있기 때문이었습니다.

‍

스케치 대시보드를 기준으로 필요한 데이터를 정리해보면 데이터는 크게 3가지로 분류할 수 있습니다.

1. 프로모션 데이터

2. 매출 데이터

3. CRM 데이터

프로모션명, 진행일자, 분류, 컨셉 등 프로모션 진행 관련 기본 정보 및 프로모션 관련 아이템 정보가 프로모션 데이터에 해당하며, 각 프로모션에 관련된 실제 결제 정보가 매출 데이터에 해당합니다. 마지막으로 유저들에게 발송된 메시지의 발송일 및 캠페인명, 발송수 등이 CRM 데이터에 해당합니다.

‍

2-2. 필요 데이터 정의 및 추출

‍

필요 데이터 정의

다음으로 앞서 정리한 데이터를 좀 더 구체적으로 정리합니다. 각 항목별 필요한 정보가 정확히 무엇인지, 해당 데이터는 형태로 관리되어야 하는지를 비롯해 각 데이터를 연결하기 위해 어떤 컬럼을 키값으로 사용해야 하는지 등을 파악하여 정리합니다.

‍

이때 테이블 색상에 차이를 두어 각 데이터가 어떤 소스에서 관리되는지 직관적으로 파악할 수 있도록 합니다.

‍

데이터 추출 요청 및 추출

필요 데이터 정의를 완료했다면, 데이터 추출을 위해 해당 데이터에 대해 알맞은 형태로 적재를 요청하는 단계가 필요합니다. 효율적인 작업을 위해 원하는 이벤트 및 세부 항목(*이벤트 프로퍼티, 유저 프로퍼티, 적재형식, 적재기준일, 요청사유 등) 관련 내용을 최대한 상세하게 기입합니다.

‍

원하는 이벤트 및 세부 항목을 작성한 다음에 해당 내용을 정확히 어떤 형태로 적재되기 원하는지를 보여주는 샘플을 함께 작성합니다.

‍

2-3. 데이터 연결

Amplitude → Bigquery → Tableau

이제 데이터 연결을 진행해야 합니다. 해당 프로젝트에는 구글 스프레드시트, 엑셀 파일, 구글 클라우드(빅쿼리)의 소스가 사용되었습니다. 저는 그 중 ‘구글 클라우드’에 초점을 맞추어 데이터 연결과정에 대해 설명하려고 합니다.

구글 클라우드를 사용한 이유는 무엇일까요? 그 이유는 앰플리튜드(Amplitude)에 있는 매출 데이터를 연결하기 위함입니다. 앰플리튜드는 그 자체로 사용성이 높이며, 매출 데이터를 비롯하여 많은 데이터를 손쉽게 확인할 수 있는 툴입니다.

하지만 지금과 같이 더 많은 내용을 확인하기 위해서는 다른 로데이터와 결합을 해서 데이터를 확인하는 과정이 필요합니다. 이 때, 앰플리튜드에서 태블로로 데이터를 바로 전달할 수는 없습니다.

‍

태블로로 데이터를 전송하기 위해서는 앰플리튜드의 로데이터를 가공하여 알맞은 형태로 테이블을 가공해주는 선행작업이 필요합니다. 앰플리튜드와 연동이 가능할 뿐만아니라 태블로와의 연동도 가능해야 하며 무엇보다 앰플리튜드로부터 전달받은 로데이터를 가공할 수 있는 플랫폼이여야합니다.

‍

이 작업을 수행할 수 있는 플랫폼은 무엇일까요? 저희는 이러한 요건을 모두 고려할 때 해당 작업을 수행하기에 가장 적합한 것이 Google BigQuery라고 판단했고, 이를 활용하기로 했습니다.

‍

앰플리튜드는 기본적으로 빅쿼리로 데이터를 바로 내보내는 기능을 제공합니다. 우선 해당 기능을 활용해 앰플리튜드 데이터를 빅쿼리에 내보내는 작업을 진행했습니다.

‍

해당 방법을 통해 데이터를 받아올 경우, 이벤트 프로퍼티가 분리된 표 형식으로 넘어오는게 아니라 json이라는 괄호 안에 키와 값형태로 구성돼 있는 포맷(*”{”~”}”)으로 데이터가 불러와지는 문제가 발생했습니다.

태블로는 표 형태의 데이터 프레임을 인식하므로, 태블로에 데이터를 연결하기 위해서는 앰플리튜드 로데이터를 전처리하는 과정이 필요했습니다.

‍

해당 데이터를 전처리하기 위해서는 로데이터의 형태를 파악해야 했습니다. 데이터를 확인한 결과, 텍소노미에 따라 로데이터의 구조가 다를 수 있음을 확인했습니다.

구매 이벤트의 경우 아이템 수량이 1개일 경우에는 값으로, 2개 이상일 경우에는 배열로 이벤트 프로퍼티 데이터가 들어오는 구조였습니다.

아이템 수량=1인 경우

{"item_brand":"A",
"item_category":"JAJL",
"item_id":"99999",
"item_name":"GARAGEJACKET",
"item_price":"198000",
"order_id":"20240310105120687",
"total_order_items_quantity":1
…}

아이템 수량=2 이상인 경우

{"item_brand":["B","C"],
"item_category":["LFOT","반팔 셔츠"],
"item_id":["88888","77777"],
"item_name":["TRAVEL COMB","CUSTOM SHIRT"],
"item_price":[18000,113000],
"total_order_items_quantity":2}

‍

따라서 데이터 전처리를 위해서는 각 케이스별로 다른 전처리과정을 거쳐야했습니다. 아이템 수량이 1개일경우는 JSON의 값을 파싱하는 처리를 하고, 2개 이상일 경우에는 JSON의 배열을 파싱하는 처리를 진행했습니다.

해당 내용을 처리하는 쿼리문 다음과 같습니다. 케이스별로 결과 테이블이 도출되면, 두 테이블을 유니온하여 한 테이블로 합치는 작업을 진행했습니다.

WITH single_item_orders AS (
  SELECT event_time, user_id,
    JSON_VALUE(event_properties, '$.order_id') AS order_id, 
    JSON_VALUE(event_properties, '$.item_category') AS item_category, 
    JSON_VALUE(event_properties, '$.item_brand') AS item_brand, 
    JSON_VALUE(event_properties, '$.item_name') AS item_name, 
    JSON_VALUE(event_properties, '$.item_id') AS item_id,
    JSON_VALUE(event_properties, '$.item_price') AS item_price
  FROM amplitude_test.EVENTS_353961
  WHERE event_type='total_items_order_completed'
    AND JSON_VALUE(event_properties,'$.total_order_items_quantity')='1'
),
multi_item_orders AS (
  SELECT event_time, user_id,
    JSON_VALUE(event_properties,'$.order_id') AS order_id,
    item.item_category, item.item_brand, item.item_name, item.item_id, item.item_price
  FROM amplitude_test.EVENTS_353961,
    UNNEST(
      ARRAY(
        SELECT AS STRUCT 
          item_category, item_name, item_id, item_price, item_brand
        FROM 
          UNNEST(JSON_VALUE_ARRAY(event_properties,'$.item_id')) AS item_id WITH OFFSET AS pos
          JOIN UNNEST(JSON_VALUE_ARRAY(event_properties,'$.item_category')) AS item_category WITH OFFSET AS pos_cat ON pos = pos_cat
          JOIN UNNEST(JSON_VALUE_ARRAY(event_properties,'$.item_brand')) AS item_brand WITH OFFSET AS pos_br ON pos = pos_br
          JOIN UNNEST(JSON_VALUE_ARRAY(event_properties,'$.item_name')) AS item_name WITH OFFSET AS pos_name ON pos = pos_name
          JOIN UNNEST(JSON_VALUE_ARRAY(event_properties,'$.item_price')) AS item_price WITH OFFSET AS pos_price ON pos = pos_price
      )
    ) AS item
  WHERE 
    JSON_VALUE(event_properties,'$.total_order_items_quantity')!='1'
)

-- 아이템 수량= 1인 경우의 결과와 아이템 수량= 2 이상인 경우의 결과를 합치기
SELECT *
FROM single_item_orders
UNION ALL
SELECT * 
FROM multi_item_orders;

‍

해당 작업을 완료한 결과는 다음과 같습니다.

‍

UNNEST()함수를 포함한 단계를 거쳐 데이터 전처리를 진행할 경우 JSON을 데이터 프레임 형태, 즉 테이블 형식으로 바꾸는 것은 가능했습니다.

좀 더 직관적으로 UNNEST()함수를 이해하기 위해 예시를 들어보겠습니다. name이라는 컬럼은 값이지만, preferred langauge는 배열일 경우 빅쿼리는 테이블을 왼쪽처럼 인식합니다. 즉 값으로 구성된 행에 배열로 구성된 행을 묶어두는 구조인데요, 이 묶어둔다라는 것을 nest된 상태라고 하고, 값을 배열에 맞춰서 풀어주는 행위를 unnest라고 합니다.

‍

하지만 UNNEST()함수를 사용할 경우 단점이 있었습니다.이 함수는 배열 내 각 요소를 별도의 행으로 확장하는 기능을 제공하기 때문에 비정규화된 데이터나 중첩된 데이터 구조를 다룰 때 필수적입니다. 그러나 비용관리의 관점에서 주의가 필요하다는 단점이 있습니다. UNNEST() 함수는 배열 내의 각 요소를 별도의 행으로 확장하기 때문에 배열에 많은 요소가 포함되어 있을 경우, 결과 데이터 세트의 크기가 급격히 증가할 수 있습니다. 이는 쿼리 처리 시간을 늘리고 처리해야 할 데이터 양이 증가함으로써 비용이 증가하는 원인이 될 수 있으며, 처리한 데이터 양에 따라 비용이 청구되는 빅쿼리에서는 쿼리 비용의 증가로 이어질 수 있습니다.

실제 프로젝트를 진행하면서 해당 쿼리문을 사용해 약 한달 간 매 시간마다 업데이트 되도록 쿼리를 돌려본 데이터 업데이트를 진행한 결과, 총 8GB를 사용해 월 40만원 가량의 비용이 소진되었습니다. 따라서 비용 효율성 측면을 고려해 전처리를 클라우드 SQL구문이 아닌 파이썬 코드로 처리하도록 우회했습니다.

앰플리튜드의 데이터를 빅쿼리로 바로 내보내는 것이 아니라 앰플리튜드 서버를 호출하여 데이터를 받아오는 방식으로, 빅쿼리에서 로우 데이터를 쌓은 후 이를 전처리하는 방식 대신 전처리를 완료한 후 가공된 데이터를 빅쿼리에 쌓는 방식으로 변경했습니다.

‍

Amplitude → Google Cloud Storage → Bigquery → Tableau

즉, 기존 Amplitude → Bigquery → Tableau의 단계에서 데이터 전처리를 위해 Google Cloud Storage를 추가한 Amplitude → Google Cloud Storage → Bigquery → Tableau 단계로 진행됩니다.

‍

이 작업을 위해서는 우선 앰플리튜드와 Google Cloude Storage를 연결하는 작업을 진행해주어야 합니다. 먼저 Cloud Storage에서 고객사 프로젝트 관련 Bucket을 생성합니다.

‍

다음으로 IAM 및 관리자 → 서비스 계정을 클릭하여 새로운 서비스 계정을 생성합니다.

‍

서비스 계정을 생성한 후, 해당 서비스 계정에 해당하는 이메일을 확인합니다.

‍

키 → 키 추가를 클릭하여 키를 생성합니다.

‍

IAM 및 관리자 → 역할을 클릭하여 새로운 역할을 생성합니다. Send Amplitude Event Data to Google Cloud Storage(문서링크)를 참고해서 역할에 다음 5개의 권한을 부여해줍니다.

storage.buckets.get
storage.objects.get
storage.objects.create
storage.objects.delete
storage.objects.list

‍

‍

앞서 생성한 버킷으로 돌아가서 권한을 클릭한 후 액세스 권한 부여를 클릭합니다.

‍

서비스 계정에서 추가한 새로운 계정에 해당하는 이메일을 입력한 후, 역할을 지정해줍니다.이때 역할은 1.저장소 기존 버킷 소유자와 2.역할 만들기를 통해 생성한 역할, 총 2개를 부여해줍니다.

‍

해당 작업까지 완료했으면 앰플리튜드에서 Google Cloude Storage를 연결하는 작업을 진행해주어야 합니다. 앰플리튜드 Data → Destination에서 Google Cloud Storage를 클한 후 GCS로 보낼 데이터를 선택합니다.

‍

서비스 계정 생성에서 생성한 JSON키 파일을 Service Account Key에 업로드 한 후, 하단의 Bucket Name에 구글 GCS에서 생성한 버킷 이름을 입력해줍니다.

‍

해당 과정을 성공적으로 마치면 Google Cloud Storage Bucket에 데이터가 들어옵니다.

‍

연동이 완료되면 다음과 같이 생성됩니다.

*merged ID 된 데이터 : -000000/ , raw 데이터: 000000/ → 우리가 사용하게될 데이터는 000000/ (raw 데이터)

압축된 아카이브 JSON 파일로 매 시간 내보내지고 시간 당 하나 이상의 파일로 시간별로 분할
- 파일명: projectID_yyyy-MM-dd_H#partitionInteger.json.gz

‍

앰플리튜드는 export API라는 서비스를 제공하므로 이 API를 호출하여 데이터를 불러올 수 있습니다. 파이썬의 request모듈로 API요청을 보내는 함수를 구현하고, 다음으로 데이터 전처리 모듈은 pandas모듈을 활용하여 JSON 포맷을 테이블 형식의 데이터 프레임으로 전처리했습니다. 1차 시도당시 빅쿼리로 진행했던 조건문을 프로그래밍 언어로 대체한 것입니다. 마지막으로 빅쿼리 클라이언트 라이브러리를 설치하여 전처리한 테이블을 빅쿼리로 업로드하는 함수를 구현했습니다.

내용을 요약하면 다음과 같습니다.

1. 앰플리튜드

앰플리튜드가 GCS 버킷에 접근하여 이벤트 데이터를 전송합니다.

2. GCS

앰플리튜드 이벤트 데이터는 GCS의 객체로 생성됩니다. 이때 객체 트리는 “버킷>폴더>시간대(yyyy-mm-dd_h)#순번’으로 네이밍되어 적재됩니다. (*e.g: 353961_353961_2023-06-25_1#0)

3. GCF

ㅤ: 버킷에 객체가 생성될 때마다 객체 데이터를 전처리한 후, 빅쿼리에 로드하는 함수 구현

3-1. 트리거

: GCS에 객체가 생성될때마다 호출합니다.

‘(Amplitude → Google Cloud Storage)’와 ‘(Google Cloud Storage) → Bigquery)’를 Google Cloud Functions로 연결하고자 트리거를 “Google Cloud Storage에 앰플리튜드 파일(객체)가 생성될 때”로 정의했습니다.

트리거 진입함수는 main()으로 설정합니다. 이때 트리거 대상 객체의 파일명을 확인하기 위해 data json 객체를 로드하여 메타 데이터를 확인합니다.

3-2. gcs_read()

: 트리거 수신 위치의 버킷 객체를 참조하여 읽어들입니다.

gcs_read()로 트리거 대상 객체의 파일을 읽어오고 빅쿼리의 index가 되어 줄 부분을 파싱합니다.
- index_prefix : projectID_yyyy-MM-dd_H#partitionInteger.json.gz 파일명에서 ‘yyyy-MM-dd_H#partitionInteger’을 가져와 정수형으로 변환한 뒤 값을 할당합니다.
json_objects : 버킷에 저장돼 있던 압축된 아카이브 JSON 파일을 압축해제한 뒤, 데이터프레임으로 변환하기 위해 줄바꿈되어 있는 부분을 기준 삼아 데이터를 분리합니다.

3-3. json_make_dataframe()

: json객체를 total_items_order_completed, item_order_completed 각각의 데이터프레임(df1, df2)으로 변환합니다.

3-4. join_dataframes()

: df1, df2를 index 컬럼 기준으로 조인하여 joined_df라는 데이터프레임을 생성합니다.

3-5. append_to_bigquery()

: joined_df 데이터프레임에 맞는 스키마를 정의하여 빅쿼리에 로드합니다.

‍

해당 작업을 완료하면, 최종적으로 빅쿼리에 데이터가 정상적으로 저장되며, 태블로에 연결해서 시각화할 수 있습니다.

‍

3. 대시보드 체크포인트

‍

3-1. 가장 중점적으로 고민한 부분

통합 프로모션 대시보드이므로 프로모션 간의 비교가 가능하도록 하는 것이 최우선순위 목표였습니다. 하지만 통합 프로모션 대시보드 내에서 개별 프로모션의 성과 및 관련 내용도 바로 파악이 가능하도록 대시보드를 구성하고자 했습니다.

프로모션 리스트 부분에서 프로모션 성과들을 직관적으로 비교해서 확인할 수 있도록 했으며, sales summary내의 각 KPI의 프로모션 평균값을 제공하여 프로모션의 평균값과의 비교가능하게함으로써 프로모션 간의 비교 분석이 가능하도록 대시보드를 구성했습니다. 또한 프로모션 리스트에서 개별 프로모션 클릭 시 해당 프로모션에 해당하는 내용으로 필터링이되어 표현되게함으로써 개별 프로모션의 성과 역시 파악할 수 있도록 대시보드를 구성했습니다.

‍

3-2. 대시보드 구현 시 발생했던 문제점 및 이를 해결하기 위한 과정

데이터를 태블로로 넘긴 후 ERP 기준 매출 데이터와 정합성을 확인하는 과정에서 매출액의 약 0.2%의 차이가 발생함을 확인했습니다. 이는 최종 매출액에서 반품 및 교환 비용을 고려하지 못했기 때문에 발생한 결과였습니다.

따라서 앰플리튜드의 반품 및 교환관련 이벤트인 return_completed의 return_paid_shipping(교환 및 환불금액)관련 항목을 추가하여 해당 금액을 반영해줌으로써 데이터 정합성을 맞췄습니다.

‍

3-3. 가장 어려웠던 부분

해당 대시보드를 사용하는 고객사는 프로모션의 분류를 크게 할인과 쿠폰 2가지로 구분하고 있습니다.

‍

즉, 1차적으로 가격을 낮춰 세일가에 제품을 구매하는 ‘할인’ 프로모션과 쿠폰을 소지하고 있는 고객이 쿠폰을 직접 사용해서 제품을 구매하는 ‘쿠폰’ 프로모션이 존재합니다. 이때 쿠폰 프로모션의 경우 총 매출 관련 항목과 쿠폰 매출 관련 항목으로 구분해서 성과를 확인할 수 있지만, 할인 프로모션의 경우 쿠폰 관련값이 존재하지 않으므로 쿠폰 매출 관련 성과는 확인이 불가능합니다. 따라서 성과를 확인함에 있어서 쿠폰 프로모션의 경우에는 쿠폰 매출 관련 항목을 확인해야 하고, 할인 프로모션의 경우에는 총 매출 관련 항목을 확인해야 합니다.

이를 적용했을 때 Sales Summary를 확인함에 있어서 결제상품수, 결제건수, 구매고객수의 경우 할인 프로모션의 경우에는 총 매출액 관련 항목으로, 쿠폰 프로모션의 경우에는 쿠폰 매출액 관련 항목으로 구분해서 표현해주어야 합니다.

이를 위해 케이스를 나누고, 쿠폰 아이디가 존재할 경우 쿠폰 프로모션으로 판단해서 쿠폰 매출 관련으로 카운트 하고, 쿠폰 아이디가 존재하지 않을 경우 할인 프로모션으로 판단해서 총 매출 관련항목으로 카운트할 수 있도록 계산된 필드를 생성합니다.

SQL
-- 결제상품수 예시
{FIXED [Promotion name1],[Classification],[Coupon Id]: 
    SUM(IF [Classification]='쿠폰' and ([# COUPON ID_1]= [Coupon Id] 
		    OR [# COUPON ID_2]= [Coupon Id] OR [# COUPON ID_3]= [Coupon Id]) 
        THEN 1
        ELSEIF [Classification]='할인' THEN 1
    END)}

‍

4. 대시보드 템플릿

최종적으로 제작된 통합 프로모션 대시보드는 다음과 같습니다.

‍

4-1. 대시보드 템플릿 설명

📊 통합프로모션 대시보드 설명

1. 분류(쿠폰/할인) 및 테마 필터

- 해당 필터를 클릭하여 1. 프로모션 리스트에서 프로모션을 확인할 수 있습니다.

- 필터가 동작함에 따라 2. 세일 요약 내의 프로모션 평균이 변동됩니다.

2. 3. 아이템 디테일 내 브랜드별, 카테고리별, 상품별 막대그래프를 클릭하여 상세 판매현황을 확인할 수 있습니다.

- 클릭했던 막대그래프를 재클릭하시면 클릭을 해제하실 수 있습니다.

3. 5. CRM 정보에 표기되는 CRM 리스트 기준은 다음과 같습니다.

1) 전송건수: 10,000건 이상
2) Campaign Category: RAF, NTC(라플 및 공지) 제외
3) App: WO (칼하트윕 제외)

‍

4-2. 해당 템플릿을 사용하는 방법

대시보드 우측 상단의 i표시를 클릭하면, 대시보드에 대한 설명을 확인할 수 있습니다. 프로모션의 분류가 할인일 경우, 1. Promotion List 에 쿠폰 판매건 및 쿠폰 판매액은 0건, 0원으로 표시됩니다. 2. Sales 의 결제 상품수, 결제 건수, 구매고객수의 경우, 프로모션 분류가 쿠폰일 경우에는 쿠폰 판매에 관련된 내용으로, 프로모션 분류가 할인일 경우에는 총 판매액에 관련된 내용으로 표시됩니다.

‍

대시보드 작동예시를 좀 더 자세히 살펴보면 다음과 같습니다.

1. Promotion List

2.sales, 3. Item detail, 4. Sale Trend, 5 CRM Info

‍

Promotion List 우측 분류 및 테마 필터를 클릭하여 해당하는 프로모션을 확인할 수 있습니다.

‍

2.Sales(sales summary)

해당 프로모션의 총 매출액, 쿠폰 매출액, 결제 상품수, 결제 건수, 구매고객수 및 각 항목에 해당하는 일평균 액수를 확인할 수 있습니다.

Promotion List 우측 분류 및 테마 필터 적용 시, 2.sales KPI의 프로모션 평균이 필터에 해당하는 프로모션의 평균으로 변경됩니다.

‍

3. Item datail

좌측의 브랜드별, 카테고리별, 상품별 차트를 클릭해 각 항목에 해당하는 상품의 일자별 판매 현황을 확인할 수 있습니다.

클릭한 항목을 재클릭하면 원본으로 돌아갈 수 있습니다.

‍

예시) 상품별 차트에서 Top1 상품 클릭

‍

우측 막대그래프에 마우스를 오버하면, 각 일자별 총 매출 및 쿠폰 매출, 총 매출 대비 쿠폰 매출 비율을 확인할 수 있습니다.

‍

4. Sale Trend & 5.CRM Info

4. Sale Trend에서 프로모션 기간 동안의 총 매출 및 쿠폰 매출, 해당 기간 동안 CRM이 발송된 날짜에 대한 정보를 확인할 수 있습니다.

‍

5.CRM Info에서 해당 CRM에 대한 세부 정보를 확인할 수 있습니다.

CRM 기준
1. 전송건수: 10,000건 이상
2. Campaign Category: RAF, NTC(라플 및 공지) 제외
3. App: WO (칼하트윕 제외)

GROWTH

MMP(AppsFlyer), GA4, Braze 데이터를 활용해 시각화할 때 반드시 고려해야 할 사항 (1)

July 17, 2024

업무 시간을 데이터 수집과 데이터 전처리에 시간을 쓰는 마케터와 데이터 수집 자동화된 환경에서 성과 분석과 기획에 더 많은 시간을 쓰는 마케터 누가 더 많이 성장할까요?

답은 알고 계실 거에요. 당연히 성과 분석과 기획에 더 많은 시간을 쏟는 마케터가 장기적으로 많은 성장을 하겠죠

회사 내에서 GA4, MMP(AppsFlyer), Braze를 사용하고 있는데 엑셀로 데이터 수집해서 가공하는 시간을 대부분을 사용하고 있다면.. 하루 빨리 마케팅 데이터 수집 자동화하고 BI 구축을 시도해보세요.

‍

관련 주제는 내용이 많기도 해서 3개로 나눠서 발행할 예정입니다.

Third Party 데이터 수집 자동화
수집된 데이터 전처리하기
시각화 하기

이번 편에서는 MMP(AppsFlyer), GA4, Braze 데이터 수집을 자동화 시키는 프로세스를 설명해보려고 합니다.

‍

데이터 적재하기

데이터를 적재하고 시각화까지의 프로세스를 간단하게 도식화하면 아래와 같습니다.

‍

브레이즈 currents 적재하기

브레이즈 currents 는 유저의 engagement 이벤트의 실시간 데이터 스트림입니다. 이 데이터를 Avro 파일로 제공해서 BI 및 분석 할 수 있게 지원을 해주는 장점이 있습니다. 단점은 가격이..

‍

브레이즈 어드민에서 아래처럼 어떤 데이터를 보낼지 선택해서 어디에 저장할지 S3, Cloud Storage, Azure Blob Storage 중 선택해서 적재를 시작합니다. (가이드 링크)

‍

예를 들어 Amazon S3 적재를 시작하게 되면 아래처럼 이벤트 별로 폴더가 생성되어 분리 적재됩니다.

브레이즈 Currents 는 At-least-once delivery 정책으로 1시간 단위로 데이터를 적재합니다.

그래서 중복된 이벤트가 가끔 스토리지 버킷에 저장될 수 있습니다. 그래서 DW에 적재할 때 고유 식별자 필드(id) 를 사용해 이벤트 중복을 제거할 수 있습니다.

‍

‍

각 폴더 안에는 Avro 파일(각 파일의 Schema는 동일한 형태)이 들어 있는데 이 파일 내에는 이벤트를 구분하는 필드가 없습니다.

일단 여기서 필요한 이벤트 데이터들을 지정해서 합쳐야 되는데 여기서 문제가 있습니다.

그래서 파일 안에 어떤 이벤트의 파일인지 지정해줘야 합니다.

아래와 같이 Avro 파일 명을 확인하여 event_type 필드의 key 값을 추가 필요합니다.

‍

#	파일명	event_type 필드의 key 값(예시)
1	users.messages.email.Open.avro	email_open
2	users.messages.email.Click.avro	email_click
3	users.messages.email.Delivery.avro	email_delivery
4	users.messages.pushnotification.Send.avro	push_send
5	users.messages.pushnotification.Open.avro	push_open
6	users.messages.inappmessage.Click.avro	inappmessage_click
7	users.messages.inappmessage.Impression.avro	inappmessage_impression

‍

추후에 전처리시 currents 데이터 필드에는 시간 관련된 필드가 Time 필드인데 UTC 기준이라 원하는 시간대로 전처리시 맞추면 됩니다.

‍

여기까지 브레이즈 데이터 적재까지는 완성 되었습니다.

‍

MMP(앱스플라이어)

💡 앱스플라이어 데이터는 내부에서 기준을 잡아주셔야 됩니다. 소개 드리는 방식은 skan 중복이 어느정도 발생할 수 있으나 현재까지는 이 방식이 최선입니다. 앱스플라이어측에서 개선을 해주신다고 들었기 때문에 기대가 됩니다.

‍

앱 데이터를 측정하는 앱스플라이어도 마찬가지로 데일리 리포트를 만드려면 OS별, UA, RT(리타겟팅)별로 csv 파일을 12번 클릭해서 받아 정리해야 되지만 API 를 활용하면 충분히 자동화 할 수 있습니다.

‍

다만 앱스플라이어 데이터를 어떻게 볼지 기준에 대한 합의를 유관 부서와 먼저 하시는 걸 권장드리고 대행사에게도 우리 기준으로 맞춰 달라고 요청을 해야 되겠죠?

이런 기준으로 데이터를 쌓고 있었는데 데이터를 집계하는 기준이 서로 차이가 있다면 .. 다시 작업해야 되는 불상사가 생길 수 있습니다.

이게 무슨 말이냐면 앱스플라이어 Media Source 중 SRN 매체들의 경우 개인정보 보호 이슈로 rawdata에 포함되지 않아서 집약형 데이터를 활용합니다.(가이드 링크)

그래서 SRN 매체를 사용 중이시라면 집약형 데이터를 활용해서 집계를 해야 하는데 집약형 데이터는 LTV 데이터라서 조회 시점마다 Total Revenue 값이 달라집니다. (관련글 보러가기 링크)

예시
- re-engagement window 컬럼에서 “lifetime”이라는 값은 평생 생애 가치를 의미하므로, 조회 시점마다 데이터가 달라질 수 있습니다.

‍

1/1 데이터를 1/7일에 조회했을 때랑 1/14일에 조회했을 때의 total revenue가 달라진다는 의미입니다. 이러게 되면 가장 최근에 조회한 일자일 수록 ROAS가 높게 나오겠죠?

또한 skan 리포트도 마찬가지로 SRN 매체 광고를 운영 중에 있다면 해당 리포트도 받아야겠죠? 이것도 마찬가지로 조회시점마다 성과 숫자가 달라질 수 있습니다

앱스플라이어 데이터 자동화 수집을 위해선 크게 3가지 api 가 필요하고 세부적으로는 인스톨과 인앱이벤트 데이터를 가져와야 합니다. (추후에 앱스플라이어 데이터를 전처리하는 방법에 대해서 포스팅 해보겠습니다.)

‍

Raw data Pull API
- organic
  - install
  - in-app events
- non-organic
  - install
  - in-app events
Aggregate Pull API
- User Acquisition
- Retargeting
SKAN AGGREGATED PERFORMANCE REPORT API

‍

GA4 데이터

GA4 빅쿼리는 실무에서 쓰고 있는 조직이 있나 싶을 정도로 .. 사용하기가 좀 꺼려집니다. 원시 데이터라서 데이터 가공의 자유도가 엄청나게 높지만.. 집계를 하는 입장에서는 굉장히 머리 아픕니다. 정합성을 어디다가 맞춰야 되는지..

‍

그래서 광고 데이터 성과를 집계할 때는 특별한 이유가 없다면 GA4 API 데이터를 소싱하는 게 정합성 의심의 여지가 없기 때문에 무조건 낫다고 봅니다.

GA4 데이터를 소싱할 때 진짜 진짜 주의해야 할 점이 바로 샘플링입니다.

샘플링 진짜 …. 데이터량이 많으면 더 심해집니다.

GA4 API 를 14일치만 호출해도 샘플링된 양이 상당합니다.

‍

GA4 Query Explorer 에서도 조회해도 어드민이랑 큰 차이가 있어서 구글 측에 문의를 해보니 여기도 데이터 조회 일자 범위가 넓으면 샘플링이 적용된다고 합니다. 추후에 해당 이슈 해소하겠다고 합니다.

‍

일단 우리는 샘플링 되지 않을 정도의 날짜 범위로 api 를 호출해서 적재를 하는 것이 좋습니다.

‍

이번 편은 마케팅 데이터 수집 자동화에 대해서 알아보았고 다음 편에서는 인사이트 도출을 위한 데이터 전처리 방법에 대해서 알아보겠습니다!

GROWTH

빅쿼리에서의 GA4 데이터 활용 현실: 기회와 간과된 문제점

July 16, 2024

GA4 데이터를 빅쿼리로 보내면 뭐든 다 해결될 것 같은 이야기들이 많지만 실상은 그렇지 못합니다. GA4 인터페이스와 차이가 많고 많은 데이터 용량으로 ETL 과정으로 생각보다 리소스가 많이 듭니다. 그럼에도 불구하고 빅쿼리를 쓰는 이유가 뭘까요?

‍

GA4 데이터를 빅쿼리로 활용하면 좋은점

데이터 샘플링(GA4 인터페이스에서의 데이터는 샘플링이 되어있습니다)
일부 측정항목과 측정기준은 시스템에서 허용하지 않아서 결합해서 보기 힘듬
데이터가 너무 많아서 상품 이름 같은 많은 측정 기준들이 (기타)라는 명칭으로 숨겨짐
유저 아이디별로 추출 할 수 없고 집계된 계산만 추출 가능
데이터 카디널리티
- GA4 보고서를 보면 분석 범위에 행이 많으면 데이터 카디널리티 발생
- 이로 인해서 동일한 차원을 사용하는 표준 보고서와 다른 값이 나올 수 있음

‍

데이터 카디널리티란?
카디널리티는 측정 기준 고유값의 개수.
하나의 측정기준에 얼마나 많은 고유값이 있는지를 의미함
예를 들어, 성별 측정기준은 남성, 여성으로 두 가지 값만 가지고 있으므로 카디널리티가 낮음, 반면 마케팅 데이터를 기준으로 캠페인차원(utm_campaign) 을 기준으로 측정기준을 가져가면 카디널리티가 높은 것

‍

GA4 데이터를 빅쿼리로 사용한다면 판도라의 상자를 여는것

[GA4] Compare Analytics reports and data exported to BigQuery (링크)

‍

‍

GA4 빅쿼리 데이터를 가공하다보면 어? 뭐지? 하는 현상들이 있는데 대표적인 하나의 케이스를 공유해볼까합니다. 바로! 빅쿼리에 저장되는 GA4 데이터에는 구글 관련 트래픽에 가장 큰 문제가 있다는 것입니다ㅜㅜ

‍

gclid 파라미터(구글 애즈 캠페인으로 들어온 트래픽이라는 의미)가 있는 세션이 시작 되었을 때 빅쿼리는 utm_medium, utm_campaign 파라미터를 (organic)으로 기록해버립니다

다시 말하면 구글 애즈로 들어왔다는 데이터라고 식별은 되지만 캠페인 명이 증발해버리는 현상입니다.

‍

소스 = google
매체 = Organic
캠페인 = (Organic)

‍

빅쿼리 RAWDATA에 구글 캠페인 명이 없는 모습 — 빅쿼리 RAWDATA에 구글 캠페인 명이 없음

‍

with events as (
      select
        cast(event_date as date format 'YYYYMMDD') as date,
        concat(user_pseudo_id, (select value.int_value from unnest(event_params) where key = 'ga_session_id')) as session_id,
        user_pseudo_id,
        (select value.int_value from unnest(event_params) where key = 'ga_session_id') as session_start,
        if(
              (select value.string_value from unnest(event_params) where key in ('campaign_id', 'campaign', 'source', 'medium', 'term', 'content', 'gclid', 'dclid', 'srsltid') and value.string_value is not null limit 1) is not null,
              (
                select as struct
                  (select value.string_value from unnest(event_params) where key = 'campaign_id') as manual_campaign_id,
                  (select value.string_value from unnest(event_params) where key = 'campaign') as manual_campaign_name,
                  (select value.string_value from unnest(event_params) where key = 'source') as manual_source,
                  (select value.string_value from unnest(event_params) where key = 'medium') as manual_medium,
                  (select value.string_value from unnest(event_params) where key = 'term') as manual_term,
                  (select value.string_value from unnest(event_params) where key = 'content') as manual_content,
                  (select value.string_value from unnest(event_params) where key = 'gclid') as gclid,
                  (select value.string_value from unnest(event_params) where key = 'dclid') as dclid,
                  (select value.string_value from unnest(event_params) where key = 'srsltid') as srsltid
              ),
              null
              ) as collected_traffic_source,
        event_timestamp,
        stream_id,
        (select value.string_value from unnest(event_params) where key = 'device_category') device_category,
        event_name,
        ecommerce.purchase_revenue_in_usd  as purchase_revenue_in_usd,
        case 
          when event_name = 'purchase'
          then 1 else 0 end AS purchase

      from
        `테이블명`
      where
         _TABLE_SUFFIX >= '20231001' AND _TABLE_SUFFIX <= '20231001'
        and (select value.string_value from unnest(event_params) where key = 'source') = 'google'
)

select * from events
order by session_id

‍

이 현상을 해결하려면 UTM 파라미터를 자동 태깅(gclid)를 대신해서 사용하거나 URL에 커스텀 파라미터를 붙여서 해결할 수 있긴 합니다.

Page Referrer 에 담긴 gclid 를 모아서 빅쿼리의 데이터를 수정해줘야 됩니다.
여기서 한가지 조건이 있는데
- 유저가 세션안에서 2개의 페이지 뷰 이벤트를 가지고 있어야 합니다.
- 왜냐하면 사용자가 광고 클릭 후 랜딩 페이지에 도착하고 이후 추가 페이지를 탐색할 경우, 첫 번째 페이지(랜딩 페이지)에서의 referrer에 gclid가 포함되어 기록될 가능성이 높기 때문입니다.
따라서 GA4 Custom Dimensions 을 통해서 ga_session_id, gclid 를 구글 태그매니저(GTM)로 잡는 방법을 사용하면 됩니다.
이렇게 셋팅을 했다면 GA4 API 를 통해서 sessionCampaignName, sessionSourceMedium, customEvent:ga_session_id, customEvent:gclid 를 구글 스프레드시트나 빅쿼리에 테이블을 만들거나 혹은 GCF(Google Cloud Function)을 활용해서 빅쿼리 테이블 만들어서 GA4 빅쿼리 테이블과 JOIN 을통해 이런 현상을 해결 해볼 수 있습니다.

‍

결론!

유저 레벨 분석이 아닌 마케팅 성과를 집계하기 위한 목적으로 GA4 데이터를 활용하고자 한다면 Bigquery Export 보다는 Google Analytics Data API 를 활용해서 일별로 내부 DataWarehouse에 저장하는 방식이 더 효율적일 것 같습니다.

‍

참고로 Google Analytics Data API 를 활용한다면 집계된 데이터를 받아오기 때문에 Total Users 와 같은 유니크한 집계값 (Count Distinct)를 해야되는 지표는 제외하고 이벤트 단위의 지표만 활용해야합니다. 이유는 아래와 같습니다.

‍

4명의 유저가 2024-01-01 ~ 2024-01-03 에 방문했습니다.(로우 데이터)

‍

일별 Total User 를 집계해보면

‍

전체 기간의 Total User 를 집계해보면

‍

일별, 기간별 집계 했을 때 유니크 사용자수는 완전히 다릅니다. (DAU, MAU 개념과 동일)일별 테이블을 다 더해서 집계를 해서 사용하시면 쓸모없는 지표가 되어버리기 때문입니다.

‍

그래도 유저레벨 단위로 혹은 GA4 인터페이스에서 처리 못하는 방식의 데이터 가공이 필요하다면 위의 케이스를 반드시 고려해서 빅쿼리를 사용하시는 걸 권장드립니다.

‍

Reference

Why your BigQuery results don't (exactly) match with Google Analytics reports (GA4)

Google 애널리틱스 4 Data API 개요

‍

원본 포스팅 링크

빅쿼리에서의 GA4 데이터 활용 현실: 기회와 간과된 문제점

FULL FUNNEL

구글서치콘솔 대시보드 | 루커스튜디오 템플릿

July 15, 2024

루커스튜디오 구글서치콘솔 대시보드 템플릿 메인 이미지 — ***구글서치콘솔 대시보드 | 루커스튜디오 템플릿***

‍

SEO 분석의 핵심 채널은 구글과 네이버 입니다. 그 중 구글에서는 사이트로 들어오는 유저의 검색 키워드를 분석 할 수 있게 도와주는 구글서치콘솔(GSC)을 제공하고 있습니다. 이를 통해 어떤 키워드가 더 노출과 클릭이 잘 되고 있는지 어떤 키워드가 문제인지를 확인할 수 있습니다.

‍

다만 구글서치콘솔의 기본 목적은 구글이 도메인의 정보를 수집해가는 사이트맵 관리용으로 출발하다 보니 키워드별 깊이있는 통계 분석을 하기는 어렵습니다.

‍

이로 인해 구글서치콘솔의 다소 부족한 통계를 보완하여 더 효과적인 구글 SEO 분석에 도움을 주기 위해 대시보드를 구성하였습니다. 총 4개의 영역으로 구성되어 있으며 각 대시보드의 활용 방식은 아래와 같습니다. SEO 관리를 위해 분석하면 좋을 지표와 방식들에 집중해서 같이 살펴보시면 좋을 것 같습니다.

‍

‍

Overview

‍

💡 구글서치콘솔 주표 지표 Overview

‍

노출, 클릭, CTR, 평균 순위와 같은 주요 키워드 지표를 확인할 수 있습니다.
각 지표별 상위 5개 키워드를 바로 확인할 수 있습니다.
서비스 노출 키워드 총 수(Unique Keywords)를 알 수 있습니다.
키워드에 따른 웹사이트 페이지(Landing Page) 수를 알 수 있습니다.
서비스의 성격에 따라 집중해야할 Device가 달라질 수 있습니다. Device 별 키워드(쿼리) 수를 알 수 있습니다.
노출, 클릭 등 주요 지표의 시계열 성과를 알 수 있습니다.

‍

루커스튜디오 구글서치콘솔 Overview 대시보드 — ***구글서치콘솔 대시보드 | Overview 대시보드***

‍

Page analysis

‍

💡 SEO의 2가지 핵심 분석 축은 키워드와 페이지 입니다. 하나의 페이지에 다양한 키워드가 노출 될 수 있으며, 반대로 하나의 키워드에 여러 페이지가 노출 될 수 있습니다.

‍

키워드와 페이지의 관계를 확인할 수 있습니다.
페이지 기준의 키워드 별 주요 지표의 변화를 확인할 수 있습니다.
페이지별 노출되는 키워드(쿼리)수를 확인할 수 있습니다.

‍

루커스튜디오 구글서치콘솔 페이지 분석 대시보드 — ***구글서치콘솔 대시보드 | Page analysis***

‍

Keyword analysis

‍

💡 SEO는 특히나 롱테일 키워드와 노출 순위 관리가 중요합니다. Top Ranking 구간을 두어서 구간 별 키워드 관리를 할 수 있습니다.

‍

노출 순위에 따른 키워드 그룹을 통해 주요 지표를 확인할 수 있습니다.
키워드별 CRT, 평균 노출 순위의 버블차트를 통해 관리 키워드와 우수 키워드를 한 번에 확인할 수 있습니다.
키워드(쿼리)별 세부 지표와 트렌드를 확인할 수 있습니다.

‍

루커스튜디오 구글서치콘솔 키워드 분석 대시보드 — ***구글서치콘솔 대시보드 | Keywords analysis***

‍

KPI Trend

‍

💡 SEO는 단기간 지표 변화 확인이 어려운 영역입니다. 긴 시간 간격(보통 주, 월 단위)을 두고 지표의 변화를 관찰하면서 관리합니다.

‍

노출, 클릭, CTR 주요 지표의 주차별 트렌드를 확인할 수 있습니다.

‍

대시보드 보기

‍

대시보드 데모 보기

‍

원본 포스팅 링크

구글서치콘솔 대시보드 | 루커스튜디오 템플릿

GROWTH

Wide Format vs Long Format

July 12, 2024

데이터를 구성하는 형식은 크게 Long format data와 Wide format data로 구분할 수 있습니다.
각 유형 별 특징 및 장단점에 대해 살펴보겠습니다.

‍

Wide Format Data

Wide Format Data는 각 주제 또는 관찰단위가 단일 행으로 표시되는 구조입니다.

‍

특징:

넓은 형식 데이터에서는 각 행이 하나의 관측 단위를 나타내고, 각 열이 다른 변수를 나타냅니다.
한 관측 단위에 대한 모든 정보가 하나의 행에 포함되어 있어 데이터의 구조가 직관적이고 이해하기 쉽습니다.

사용시 장점:

넓은 형식 데이터는 변수 간의 비교가 주된 목적일 때 유용합니다.
단일 변수 또는 몇 개의 변수를 이용한 간단한 시각화를 생성할 때, 또는 피벗 테이블과 같은 요약 통계를 제공할 때 넓은 형식이 유리합니다.

‍

Long Format Data

특징:

긴 형식 데이터에서는 각 행이 하나의 관측치에 대한 하나의 변수를 나타냅니다.
일반적으로 "키(key)"와 "값(value)"의 쌍으로 구성되며, 하나의 열은 "키"를 나타내고 다른 열은 해당 "키"의 "값"을 나타냅니다.

사용시 장점:

긴 형식 데이터는 다변량 분석, 시계열 데이터 분석, 혹은 여러 변수 간의 관계를 분석할 때 유용합니다.
Tableau와 같은 BI 도구에서 긴 형식 데이터를 사용하면, 다양한 변수를 하나의 차트에 동적으로 표시하고, 필터링하며, 그룹화하기가 쉽습니다.

‍

참고) Wide Format & Long Format In Tableau

Wide Format 데이터를 태블로에 입력하면 학생Id는 차원에, 점수관련 항목은 측정값으로 구분됩니다.
이를 활용해 하나의 테이블을 생성하기 위해서는 점수관련 항목을 모두 선택해주어야합니다.

‍

Wide Format & Long Format In Tableau 태블로

‍

반면 Long Format 데이터를 태블로에 입력하면 학생Id와 시험 항목은 차원에, 점수는 측정값으로 구분됩니다. 이를 활용해 하나의 테이블을 생성하기 위해서는 열에 시험 차원을, 행에 학생 Id차원을 올려놓은 후 점수 값을 표에 입력하면 됩니다.

‍

‍

다음은 해당 데이터들을 활용해 그래프를 생성해보겠습니다.
먼저 Wide Format 데이터의 경우 국어시험, 수학시험, 영어시험은 각각 다른 차원에 존재하는 데이터이므로 이를 하나로 합친 차트를 구현하는 것은 불가능합니다.

‍

‍

반면 Long Format 데이터의 경우, 시험이라는 하나의 차원을 기준으로 점수라는 측정값이 적재되어 있기때문에 해당 데이터를 이용해서는 하나의 차트 내에서 3가지 항목을 구분하여 구현할 수 있습니다.

‍

‍

→ 따라서 Tableau를 활용하여 시각화를 구현할 때에는 Long Format형식의 데이터를 사용하는 것이 더욱더 다양한 시각화가 가능합니다.

‍

GROWTH

리텐션(Retention)이란?

July 10, 2024

1. 리텐션(Retention)이란?

리텐션(Retention)은 고객이나 사용자가 특정 기간 동안 어떤 제품이나 서비스에 계속 관여하거나 이용하는 비율을 말합니다. 즉, 얼마나 많은 사용자가 시간이 지남에 따라 제품이나 서비스를 계속 사용하는지를 나타내는 지표입니다. 높은 리텐션율은 고객 충성도가 높고, 제품이나 서비스에 대한 만족도가 높음을 의미합니다.

‍

리텐션이 중요한 이유

리텐션을 지속적으로 측정하고 관리하는 것이 중요한 이유는 여러가지가 있습니다. 리텐션은 단순히 고객이 제품이나 서비스를 계속 사용하는 것을 넘어서 기업의 지속가능성과 직접적으로 연결되는 핵심 지표입니다. 리텐션이 중요한 이유를 좀 더 자세히 살펴보면 다음과 같습니다.

비용 효율성
: 신규 고객을 유치하는 것보다 기존 고객을 유지하는 것이 훨씬 더 적은 비용이 사용됩니다. Harvard Business Review에 따르면 신규 고객 한 명을 확보하는 것이 기존 고객 유지에 비해 5~25배의 비용이 든다고 합니다. 따라서 리텐션을 높이면, 마케팅 및 영업 비용을 절감하고, 장기적으로는 더 높은 수익성으로 이어질 수 있습니다.
수익성 증가
: 리텐션이 높은 고객은 브랜드에 대한 충성도가 높고, 시간이 지남에 따라 더 많은 제품을 구매하거나 서비스를 이용할 가능성이 높습니다. 이는 평균 거래 규모의 증가, 구매 빈도의 상승, 즉, 총 수익 증가로 이어집니다.

‍

2. 리텐션 측정기준

리텐션을 측정하는 기준에는 다양한 방법이 존재합니다. 그 중 Amplitude에서 확인할 수 있는 리텐션의 종류인 ‘N-day Retention’과 ‘Unbounded Retention’에 대해 좀 더 자세히 알아보려고 합니다.

‍

‘N-day Retention’과 ‘Unbounded Retention’

‍

2-1. N-day Retention

N-day Retention은 사용자가 처음 제품이나 서비스를 이용한 후 특정 일수(N일) 후에도 계속 이용하는지를 측정하는 방법입니다. 예를 들어, 7-day Retention은 사용자가 서비스를 처음 이용한 후 7일째 되는 날에도 서비스를 이용하는 비율을 의미합니다. 해당 리텐션은 초기 사용자 참여, 온보딩, 새로운 기능, 단기 마케팅 캠페인 분석을 위해 사용됩니다.

‍

2-2. Unbounded Retention

Unbounded Retention은 특정 기간 동안 사용자가 최소 한 번이라도 제품이나 서비스를 이용했는지를 측정하는 방법입니다. 이 방법은 시간이 지나도 사용자가 이탈하지 않고 계속해서 제품을 사용했는지의 여부만을 고려합니다. 해당 리텐션은 장기적인 참여, 고객 충성도, 반복 구매, 주기적인 콘텐츠 업데이트 분석을 위해 사용됩니다.

‍

3. 리텐션 차트&리텐션 커브

3-1. 리텐션 차트란?

‍

‍

리텐션 차트는 시간에 따른 사용자의 이탈 및 유지 패턴을 시각적으로 표현한 그래프입니다. 이 차트는 특정 기간 동안 사용자 그룹의 리텐션율 변화를 보여줍니다. 리텐션 차트를 통해 크게 행 기준 분석과 열 기준 분석을 수행할 수 있습니다.

‍

• 코호트 차트 열 기준 분석

단일 시점에서 코호트 그룹을 비교합니다. 이 방법은 서로 다른 코호트끼리의 비교를 가능하게하여 그룹간의 성과를 측정할 수 있습니다.

‍

• 코호트 차트 행 기준 분석

일정기간 동안 코호트 그룹을 추적하여 유지율이 어떻게 변하는지 관찰하는 작업으로 장기적인 관점에서 사용자 행동의 추세와 패턴을 이해하는데 도움이 됩니다.

‍

3-2. 리텐션 커브란?

‍

리텐션 커브는 시간에 따른 리텐션율의 변화를 나타낸 것입니다. 이 커브는 초기 사용자 참여 이후 리텐션율의 감소 패턴을 한눈에 파악할 수 있게 해줍니다.

‍

리텐션 커브는 감소형태에 따라 유형를 크게 3가지로 나눌 수 있습니다.

‍

‍

3-2-1. Declining Curves

시간이 지남에 따라 사용자 참여가 감소되는 패턴의 커브입니다. 이는 가장 흔히 보이는 커브의 형태로, 초기참여 이후 사용자의 관심이 감소됨을 의미합니다.

특징
- 사용자가 꾸준히 제품을 떠나고 있으며 이는 사용자 만족도나 참여도에 지속적인 문제가 있음을 나타냅니다.
- 제품이 장기간 사용자를 유지하지 못하고 지속적인 가치를 제공하지 못하는 문제가 있음을 시사합니다.

‍

3-2-2. Flattening Curves

초기 감소 후 리텐션율이 안정적으로 유지되는 패턴의 커브입니다. 이는 사용자들이 제품이나 서비스에 익숙해지고 일정수준의 참여를 계속해서 유지함을 나타냅니다.

특징
- 초기 감소 후 특정 시점부터 곡선이 평평해 지는데, 이는 나머지 사용자 사이에서 안정적인 유지율을 나타내는 것을 시사합니다.

‍

3-2-3. Smiling Curves

리텐션 감소 후 시간이 지남에 따라 다시 증가하는 패턴의 커브입니다. 이는 매우 긍정적인 상황으로, 사용자들이 초기 이탈후 일정시간이 지나 다시 제품이나 서비스에 관심을 가지기 시작함을 의미합니다.

특징
- 초기 감소 이후 특정 시점부터 곡선이 상승하기 시작하여 시간이 지남에 따라 사용자가 다시 돌아오거나 참여도가 향상됨을 나타냅니다.
  - 사용자는 처음에는 떠날 수 있지만 제품의 가치를 깨닫거나 업데이트나 재참여 캠페인과 같은 특정 개입으로 인해 다시 돌아올 수 있습니다.

‍

원본 포스팅 링크

리텐션(Retention)이란?

FULL FUNNEL

Udemy 분석 대시보드 | 루커스튜디오 템플릿

July 10, 2024

Udemy 루커스튜디오 분석 대시보드 메인 이미지 — ***Udemy 분석 대시보드 | 루커스튜디오***

‍

‍

Udemy 교육 커머스 분석 대시보드 템플릿

이번 글에서는 Udemy교육 플랫폼에 대한 분석과 해당 분석을 바탕으로한 대시보드를 그려보려고 합니다. 교육관련 비즈니스나 지식 기반 서비스 운영하는 경우 해당 분석과 대시보드가 참고가 될 수 있을 것입니다.

Kaggle에 올라와 있는 Udemy 데이터를 활용하여 분석을 진행하였습니다. 혹시 데이터가 필요한 분들은 아래 링크를 참고해주세요.

‍

1) 서비스 특성 확인

Udemy는 글로벌 교육 커머스 플랫폼 입니다. 마케팅이나 데이터 분석 뿐 아니라 개발, 라이프스타일, 비즈니스 등 다양한 분야의 강의들이 판매되고 있습니다. 가격이 그렇게 부담되지 않기 때문에 기회가 되신 다면 한번 들어보시면 좋을듯합니다. 다양한 국가 언어를 제공해 주지만 한글 비율은 높은편은 압니다. 다만 대부분 자막을 제공해주기 때문에 어렵지 않게 양질의 자료들을 보실 수 있습니다.

‍

국내에서 Udemy와 비슷한 비즈니스 모델로는 패스트캠퍼스, 클래스 101, 인프런 같은 서비스가 있습니다.

‍

클래스 101 / 인프런 / 패스트캠퍼스 웹사이트 페이지 — ***클래스 101 / 인프런 / 패스트캠퍼스***

‍

지식 기반 상품을 판매하는 이러한 비즈니스 모델의 특징은 커머스와 크게 다르지 않습니다. 다양한 주제(카테고리 & 브랜드)의 강의(상품)가 있고 고객이 원하는 강의가 있다면 개별 강의를 구매하는 방식으로 구매 여정이 이루어져 있습니다.

주제 = 브랜드
강의 = 상품

일반 상품과 다르게 무형의 상품이다보니 체험 형식의 무료 과정이 활발하게 활용되는 편입니다. 강좌 개설도 자유롭게 할 수 있으며, 강좌에 대한 홍보도 직접 진행할 수 있다보니 스마트스토어에 상품을 직접올려서 판매하는 오픈마켓의 방식과 거의 유사합니다.

해당 분석의 목표는 강좌를 만드는 강의자와 Udemy에서 강좌를 서포트하는 매니저가 사용 할 수 있는 분석과 대시보드 제작을 목적으로 진행하려고합니다. 이를 통해 주요 인기 카테고리와 상위 강좌로 올라가기 위한 조건이나 기준들을 살펴보도록 하겠습니다.

‍

대시보드 데모 보기

‍

2) 주요 분석 항목 정의

데이터 확인

데이터 세트는 총 12개 항목(컬럼)으로 이루어져 있습니다.

course_id : 강의 고유 번호
course_title : 강의 제목
url : 강의 세부 url
is_paid : 유료 / 무료 강의 유무
price : 강의 가격
num_subscribe : 강의 수강생(수강생을 subscribe로 표현)
num_review : 강의 후기수
num_lectures : 강의내 강좌 수
level : 강의 난이도
content_duration : 강의 수강 시간
published_timestamp : 강의 생성 시기
subject : 강의 카테고리

Udemy 데이터 세트 정리표 — ***Udemy 분석 대시보드 | 루커스튜디오***

‍

데이터 수는 3682개로 이루어져 있습니다.

EDA 과정

EDA를 통해 기본적으로 데이터의 모양을 살펴보고, 데이터 특징을 파악하며 데이터 퀄리티를 높이는 작업을 합니다.

EDA 진행 전 필수적으로 확인해야하는 단계가 데이터 퀄리티 확인 단계입니다. 이는 '데이터 클리닝' 이라고도 부르는 단계로 데이터 결측치, 데이터 중복, 이상치를 확인하는 단계 입니다. 실제로 해당 Raw 데이터는 결측치가 있는 데이터로 적절한 결측치 처리가 필요하였습니다. 이번 데이터는 결측치가 6개 row에서 발견되어 해당 row를 제거하는 방식으로 진행하였습니다. 만약 결측치가 많다면 보간 방식으로 데이터를 적절하게 채워 분석을 진행할 수 있습니다.

EDA를 통해 몇가지 특징을 확인할 수 있었습니다.

강의 구독과 리뷰는 특정 강의에 집중되는 경향

구독자수(구매수)나 리뷰 같은 주요 지표를 보면 강의 별 구독자수 편차가 큰것을 확인할 수 있었습니다. 구독자 평균은 3,200명 이지만 중앙값 912명에 히스토그램을 보더라도 특정 구간에 대부분의 강의가 모여있고(신규 개설은 하였지만 관리가 많이 되지 않았거나, 신규 강의 자체가 많은 상황) 구매수가 상위 강좌에 쏠려있는 특징을 보였습니다.

‍

💡 구독자에 따른 강의 코스 별 그룹을 임의로 나누면 분석이 편해질 것 같습니다. (ex. 파레토 법칙)

‍

구독 및 리뷰 수 측정 비교 — ***Udemy 분석 대시보드 | 루커스튜디오***

‍

강의수와 강의 시간의 관계

강의 레벨, 강의 시간은 강의를 새롭게 개설하는 강사가 조정할 수 있는 요소입니다. 구독(매출)지표에 대한 선행지표로 볼 수 있기에 다양한 선행지표와 후행 지표간의 관계성을 확인해보면 좋을 듯합니다. 기술 통계 확인 시 구독자 수 만큼은 아니지만 분포에서 특정 구간에 쏠려 있는것을 확인하였습니다. 해당 컬럼들은 단변량 분석보다 관계성 중심의 상관도 분석을 진행해야 할 것 같습니다.

‍

💡 선행 지표와 후행지표 간의 관계성을 찾아보면 좋을 것 같습니다. 선행지표 후보는 카테고리, 리뷰수, 강의시간, 강의수, 강의가격이 될 수 있습니다.

‍

강의 레벨 및 강의 시간의 관계 — ***Udemy 분석 대시보드 | 루커스튜디오***

‍

EDA를 통한 최종 분석 대시보드 구성

최종 목표 KPI : 구독자수, 매출
보조 목표 KPI : 리뷰수
분석 항목 : 구독자, 리뷰, 카테고리, 강좌
보조 분석 항목 : 강의수, 강의레벨, 강의시간

‍

3) 분석 및 대시보드 구성

앞서 진행한 EDA 과정을 통해 분석 대시보드는 주요 지표를 보여주는 Overview와 주요 지표를 드릴다운해서 볼 수 있는 개별 영역으로 나누어서 구성하였습니다.

Overview
Subscriber(구매자수) 드릴다운
Review 드릴다운
Category 드릴다운
Course(강좌) 드릴다운

‍

각 화면별 자세한 구성은 아래와 같습니다.

‍

Overview

개요 대시보드의 구성은 대부분 유사하게 구성합니다.

‍

주요 KPI와 해당 KPI의 시간별 퍼포먼스를 볼 수 있는 영역을 기본으로 구성합니다. 이외에 주요 지표 구성 요소를 배치하여 가볍게 드릴 다운 해서 볼 수 있는 구성을 합니다.

시간에따른 KPI 성과 영역은 선택 측정항목 기능을 활용하여 측정항목을 자유롭게 변경하며 분석하거나 기간 단위를 일 -> 주 -> 월 로 변경하면서 트렌드를 다양하게 확인할 수 있게 구성하였습니다.

‍

Subscriber Analysis

커머스로 비유하면 교육 산업에서 구독자는 구매자와 동일합니다. 다만 서비스하는 교육과정이 많다보니 적정한 기준으로 교육과정을 나누어 과정 별 특징을 확인하면 분석 편의성을 높일 수 있습니다.

가장 간단한 그룹화 방법 중 하나는 파레토 법칙을 이용하는 방식입니다. 아래 그림과 같이 가장 많은 교육과정 or 상위 10% 기준을 확인한다면 새롭게 강의를 런칭하는 신규 강사의 입장에서 바라봐야할 목표 지표를 세울 수 있습니다.

‍

루커스튜디오 Udemy 구독자 분석 대시보드 — ***Udemy 분석 대시보드-Subscriber | 루커스튜디오***

‍

교육 산업의 특징 중 하나는 무료 강의를 통해 플랫폼에 대한 인지를 높이는 전략을 가져가는 것입니다. Udemy 또한 평균 10% 내외의 무료 강의 비율을 보이고 있습니다. 강의 수는 10% 내 외이지만 실제 해당 무료 과정을 통해 플랫폼 경험을 하는 유저 수는 30% 이상 될 정도로 무료 과정은 중요한 역할을 하고 있습니다.

‍

루커스튜디오 Udemy 리뷰 분석 대시보드 — ***Udemy 분석 대시보드-Review | 루커스튜디오***

‍

상품을 구매하는데 있어 중요한 항목 중 하나는 누군가의 추천입니다. 공급자는 대부분 상품의 좋은 점을 강조하기 때문에 다른 유사 상품과의 차이가 두드러지지 않습니다. 특히나 비슷한 주제의 강의라면 커리큘럼과 실습방식 외 나머지 강의 요소를 상세페이지에 표현하기 어렵습니다. 강의 전달 방식이나 강의자의 톤, 발성, 논리정연한 강의력 등 실제 강의를 들은 수강생의 생생한 후기는 많은 경우 구매 전환에 매우 큰 영향을 줍니다. 실제로 리뷰와 수강생의 상관도가 높은 것으로 확인되며 상위 5% 강의의 리뷰율은 다른 하위 강의 대비 2배 가까이 높은것을 알 수 있습니다.

‍

카테고리 또는 레벨, 유무료 별 평균 리뷰율을 알았다면 특정 강의의 매출을 높이는 데 있어 하나의 기준이 될 수 있습니다. 평균 대비 리뷰율이 낮다면 단기적으로 리뷰를 높이는 이벤트를 열거나 리뷰가 낮은 부분을 피드백하며 강의 자체의 개선에 활용하는 방식을 가져갈 수 있습니다.

‍

Category Analysis

루커스튜디오 Udemy 카테고리 분석 대시보드 — ***Udemy 분석 대시보드-Category | 루커스튜디오***

‍

어떤 카테고리가 현재 인기 있는지 알 수 있습니다. 카테고리에 상관없이 Beginner or All level이 개설 과정수도 많고 매출 비율도 높습니다. 레벨이 올라갈수록 타겟 가능한 사람을 찾는 것도 어렵고 해당 타겟의 구매 전환도 낮은편입니다. 실제로 강사의 입장에서도 레벨이 높아질수록 강의 준비 과정 난이도가 높아지기 때문에 낮은 레벨을 더 선호하는 편입니다.

‍

카테고리 & 레벨 별로 현재 비어있는 과정을 보면서 전략적으로 강의를 개설할 수 있습니다.

‍

Course Analysis

루커스튜디오 Udemy 강의코스 분석 대시보드 — ***Udemy 분석 대시보드-Course | 루커스튜디오***

‍

앞서 파레토 법칙에 따라 구독자수 기준 상위 5%, 10%, 20%, 50%, 기타 그룹으로 계급을 나누었습니다. 그리고 상위 그룹과 리뷰의 상관도가 높은 것을 알 수 있었습니다. 즉, 상위 그룹에 올라가기 위해서는 필수적으로 수강생 리뷰가 쌓이고 구매 선순환이 이루어지는 시간이 필요합니다. 따라서 계급별 평균 개설 시간을 보면서 상위 계급에 올라가기 위해 얼마 만큼의 기간이 필요한지 대략적으로 가늠할 수 있습니다.

‍

또한 계급별 주요 지표간 상관도를 보면서 어떤 지표를 우선으로 해서 강의를 만들지 전략적으로 접근할 수 있습니다. 실제 계급 구독수와 강의수 & 강의시간의 상관도가 높은것을 알 수 있습니다.

‍

반대로 구독자수와 강의가격은 생각보다 높은 상관도를 보이지 않습니다. 충분히 유용한 강의수와 시간을 보유하고 있다면 강의 가격은 구매 결정에 상대적으로 낮은 영향력을 보입니다.

‍

4) 마무리

해당 글에서 예시로 활용한 데이터는 과거의 데이터다보니 앞서 도출한 인사이트가 현재 강의 환경과 맞지 않을 수 있습니다. 다만, 분석 과정과 주요 지표 표현 방식 등은 충분히 유효합니다. 앞서 서두에 설명 한 것 처럼 지식 기반 비즈니스가 아닌 일반 커머스 비지니스에서도 해당 분석 흐름과 대시보드 구성을 참고해서 활용해보시면 좋을 것 같습니다.

‍

대시보드 데모 보기

‍

원본 포스팅 링크

Udemy - 교육 커머스 분석 대시보드

FULL FUNNEL

풍선차트로 SEO 분석 하기

July 8, 2024

📊풍선차트로 SEO 분석 하기

블로그를 하다보니 SEO에 대한 키워드 최적화와 분석을 많이 하고 있습니다.

그 중 최근 많이 활용하는 분석 방법 중 하나는 풍선 차트를 활용한 키워드 분석입니다.

‍

풍선(버블) 차트는 여러개의 측정기준을 두고 분석할 수 있다보니, SEO 같이 단일 키워드 별로 다양한 측정기준 간 비교를 해야하는 경우 유용합니다.

‍

아래는 풍선차트로 분석하는 SEO 예시입니다.

‍

<풍선 차트 만들기>

‍

X축 : 클릭율(CTR)

Y축 : 노출 순위(Average position)

풍선크기 : 노출(Impression)

풍선색상 : 기기 카테고리(Device Category)

‍

1. 날짜 필터SEO는 즉각적인 효과 분석보단 장기간에 걸친 데이터 분석이 필요합니다. 기간별 키워드 지표의 변화를 확인할 수 있습니다.

2. 검색어(Query)관리해야하는 키워드가 수 백개를 넘어갑니다. 관리 할 키워드가 많은 경우 노출이나 클릭 기준으로 키워드 필터를 걸어서 관리하면 편합니다.

3. 기기서비스의 특성에 따라 PC, MO 중 검색 선호 기기가 다른 경우가 많습니다.

4. 국가글로벌 서비스의 경우 국가별로 반응하는 키워드와 키워드별 지표 트렌드가 달라질 수 있습니다.

5. 최소노출량롱테일 키워드는 노출량이 적지만 키워드의 양이 많습니다. 따라서 최소 노출량 필터를 두어서 분석 편의성을 높일 수 있습니다.

6. 축 평균값각 축의 평균값 선을 두어서 평균값 기준 키워드 그룹을 4분면으로 나누어 관리할 수 있습니다.

7. Y축 역방향Y축은 평균 게재순위 입니다. 기본적으로 1에 가까울 수록 좋은 키워드 그룹이기 때문에 Y축 방향을 반전 시켜 1이 위쪽으로 배치될 수 있게 하면 분석 편의성을 가질 수 있습니다.

8. 로그 스케일키워드간 지표의 차이가 크게 발생하는 경우 로그 스케일을 사용하면 차트에 분포되어 있는 검색어를 더 쉽게 파악할 수 있습니다.

‍

👉 관련 대시보드 : https://lnkd.in/gQQ9_8r7‍

‍

분석은 축 평균 기준으로 4개 분면으로 키워드 그룹을 나누어 전략을 다르게 가져갈 수 있습니다.

‍

1️사분면 : 노출순위가 높고, CTR도 우수한 유효 키워드 그룹

2️사분면 : 노출순위가 낮고, CTR은 높은 잠재 우수 키워드

3️사분면 : 노출순위도 낮고, CTR도 낮은 문제 키워드 그룹

4️사분면 : 노출순위가 높지만, CTR은 낮은 관리 필요 그룹

‍

👉 자세한 SEO 분석 전략 : https://lnkd.in/gJDbrBzp

‍

► 구글 서치콘솔 데이터를 통해 풍선 차트 생성과 분석을 간단하게 진행할 수 있습니다.

► 혹시나 블로그를 하고 계시다면 구글 서치콘솔 설정과 대시보드 구축을 해보세요.

‍

원본 포스팅 링크

📊풍선차트로 SEO 분석 하기

GROWTH

혼자서 GA4 연동하고 루커스튜디오 대시보드 만들기-3

July 4, 2024

태그 설치를 끝낸 후 GA4 대시보드에서 데이터가 잘 수집되는 것을 확인했다면 이제 데이터 시각화 기능인 루커 대시보드와 연동하여 나만의 대시보드를 만들 수 있다.

GA4의 유입 데이터와 내부 데이터를 연동하여 한 화면에서 비즈니스 데이터를 확인할 수 있기 때문에 데이터 기반 인사이트를 용이하게 확인할 수 있다. 내 웹사이트에 어떤 경로로 들어왔는지, 어느 페이지에서 이탈률이 높은지, *스크롤은 몇 % 내리는지, 어느 광고 매체에서 구매 전환 혹은 매출이 많이 일어나는지 한 화면에서 확인이 가능하다.

‍

💡 * 이커머스에서는 보통 상세페이지의 스크롤을 파악하여 어디 콘텐츠 소구점에서 유저의 이탈이 많이 일어나는지 확인할 수 있다. 스크롤(scroll) 이벤트는 구글 GTM에서 추적할 수 있도록 지원하고 있어 쉽게 확인이 가능하다. gtag를 (기본 GA4 태그)를 설치하면 자동 태그로 GA4 대시보드에서도 확인이 가능하나 정확하지 않아 가급적이면 GTM을 통해 스크롤 태그를 설치할 것을 권장한다.

‍

그리고 루커 대시보드는 gmail 계정만 있으면 관련 담당자와 쉽게 공유할 수 있으므로 타 부서와 긴밀하게 매출과 비즈니스 KPI를 관리할 수 있다는 장점이 있다.

‍

1. 루커 대시보드와 데이터 연동하기

루커 대시보드에서 차트를 구현할 때 연동하는 데이터 세트를 ‘데이터 소스’라고 한다. 데이터 소스는 루커 스튜디오의 커넥터를 클릭하여 쉽게 연동이 가능한데, 루커는 무려 1,000개 이상의 다양한 데이터 소스를 간편하게 연동할 수 있도록 지원하고 있다. (연동 가능한 데이터 소스 종류 확인하기)

만약 내가 기존에 적재하고 있던 구글 시트 보고서의 데이터와 GA4 데이터를 기반으로 대시보드를 만들고자 한다면 구글시트와 GA4 계정을 커넥터에 연결해서 확인할 수 있다.

‍

1-1. 우선, 루커 스튜디오 홈페이지에 접속하여 빈 보고서를 클릭한다. (링크)

‍

1-2. 나의 데이터를 확인한 후 커텍트를 클릭하여 루커 스튜디오와 연결한다.

구글 시트 보고서와 GA4 데이터를 연결해야 하기문에 커넥터에서 ‘Google 애널리틱스’와 Google Sheet를 클릭하여 연동을 시작한다. 구글 시트는 워크시트별로 연동이 가능하고 GA4는 해당 계정에 대해 권한이 있어야 연동이 가능하다. 다만 이때 각 열의 헤더(제목)이 있어야 하고 헤더는 중복되면 안된다.

‍

1-3. 루커 스튜디오 기본 화면 이해하기

루커 스튜디오는 ‘보기’모드와 ‘수정’모드가 있다. 보기 모드는 편집자 권한이 없는 사람이 대시보드가 보이는 형태를 확인할 수 있고 편집자 모드가 있을 경우 ‘수정’모드에서 각 차트와 대시보드 스타일에 대한 요소들을 생성 및 수정할 수 있다.

‍

수정 모드에서는 가장 우측 데이터, 속성, 필터 표시줄 이모티콘을 클릭함으로써 각 기능에 대한 툴바를 숨김 처리할 수 있다.

(상단 좌측부터 순서대로 설명)

데이터 추가
- 데이터 소스 추가

차트 추가

[✔︎ 가장 많이 쓰는 차트 예시]

(1) 막대그래프 및 열 차트 (링크)

(2) 선 차트 및 콤보 차트 (링크)

(3) 스코어카드 (링크)

1개의 측정항목에 대한 요약 수치를 표시할 수 있다. 전자상거래 대시보드에서는 총매출, 구매 수, 광고소진액, 신규 유저, MAU, DAU에 대한 수치를 증감률과 함께 확인할 수 있다.

(4) 시계열 (링크)

시간의 흐름에 따라 데이터가 어떻게 변화되는지 확인할 수 있다. 전자상거래 대시보드에서는 일별 구매수, 세션별 일별 구매자 수, 일별 광고비 등을 확인할 수 있다.

(5) 원형 차트 (링크)

값 비율 차이가 큰 데이터를 비교할 때 많이 쓰는 차트로 전자상거래 대시보드에서는 광고비 비중, 채널별 비중을 확인할 수 있다.

(6) 트리맵 차트 (링크)

값이 큰 데이터 항목일수록 색상이 진하고 크기가 크게 표시되는 차트로 계층별로 정리하여 비교할 수 있다는 장점이 있다.

(7) 피벗 테이블

컨트롤 추가
- 차트 필터 추가
  - 날짜, 검색, 드롭 다운, 체크박스 필터 기능 추가 가능

링크, 이미지, 도형 이모티콘
- 링크, 이미지, 도형 삽입 가능

‍

2. 루커 대시보드 내용 기획하기

루커 시보드에서 데이터를 연결하고 어떤 차트를 구현할 수 있는지 파악이 완료되었다면 실제로 내가 활용할 대시보드의 목차를 기획해야 한다. 대시보드를 이용하는 사용자가 누군지 파악해야 하고 가능하면 사용자 관점에서 보기 편리하도록 대시보드를 구성해야 한다. 즉, 사용자가 무엇을 알고 싶어 하는지를 파악해야 한다.

가장 좋은 방법은 파악한 사용자들과 함께 회의를 통해 목차를 구성하고 아웃라인을 작성하는 것이지만 그것이 어렵다면 목차라도 함께 작성해야 한다. 사용자가 대시보드를 보고 의미를 쉽게 파악하지 못하거나, 알고 싶은 데이터가 대시보드에 반영되어 있지 않다면 지금까지 노력을 기울여 만든 대시보드의 활용성을 떨어지기 때문에 이 부분을 가장 중점적으로 생각해야 한다.

이커머스 서비스에서 가장 기본적으로 파악해야 하는 그래프를 바탕으로 대시보드 목차를 생각해 보면 다음과 같다.

‍

💡 대시보드 목차 예시

Overview
- DAU
- WAU
- MAU
- 구매자 수, 구매 수, 구매 전환 금액
- 구매자 수 비교
- 광고 성과 요약
Advertisement
- 광고 예산
- 광고 성과
Channel Analysis
- 채널별 매출
- 채널별 매출 비중
- 채널별 매출 건수 비중
- 채널별 객단가
- 채널별 건단가
Creative Analysis
- 소재별 성과
Product Analysis
- 상품별 매출
- 장바구니 조회 대비 매출이 높은 상품
- 상세조회 대비 매출이 높은 상품
- 채널별 상위 상품
User Analysis (GA4)
- 인구통계학 정보

‍

3. 차트 구현하기

3-1. 측정기준, 측정항목 이해하기

GA4, 루커 스튜디오와 같이 구글 플랫폼을 활용할 때 많이 들어볼 수 있는 측정항목과 측정 기준의 개념을 이해하고 가는 것이 좋다.

Dimensions (측정기준)

값 (Value)

Metrics (측정항목)

숫자
계산된 필드(계산 수식) 적용이 가능하다.
- e.g. CPC (계산된 필드): SUM(지출금액)/SUM(클릭)

‍

3-2. 계산된 필드 생성하고 차트 만들기

예를 들어 위 그림처럼 매체별 광고 성과에 대한 피벗 테이블 차트를 구현하고 대시보드에 추가하려고 한다면 어떻게 해야 할까?

‍

피벗 테이블을 추가하고 수식을 걸지 않은 광고비, 노출, 클릭, 구매, 구매금액까지는 데이터 소스에서 추출하여 측정항목을 선택하여 그대로 차트에 넣으면 된다. 단, CPC, CTR, ROAS의 경우 수식 계산이 필요한데 계산된 필드로 만들어서 측정항목으로 추가할 수 있다.

‍

계산된 필드 생성을 클릭하면 필드 생성 창이 뜨는데, 원하는 측정항목 이름으로 필드 이름을 적은 후 수식에 루커 스튜디오 함수 목록을 참고하여 수식을 입력한다.

‍

[✔︎ 많이 쓰는 함수식]

(1) CPC

SUM(광고비) / SUM(클릭수)

(2) CTR

SUM(클릭) / SUM(노출)

(3) ROAS

SUM(구매금액) / SUM(광고비)

(4) CPI

SUM(광고비) / SUM(설치수)

(5) CPA (구매)

SUM(광고비) / SUM(구매이벤트수)

* 루커스튜디오 함수 목록 (링크)

‍

이렇게 맞춤으로 생성한 계산된 필드는 데이터 툴바에서 파란색으로 필드명이 보이게 된다. 대시보드 화면에 추가한 차트를 클릭하여 해당 차트의 측정항목에 필드명을 가져온다.

‍

4. 스타일 다듬기

‍

속성 툴바에서는 설정과 스타일 탭 두 가지가 있는데 설정 탭에서는 차트에 들어가는 측정항목에 대한 추가/삭제, 필터, 정렬을 설정할 수 있고 스타일 툴바에서는 차트 색, 소수점, 글꼴, 데이터 없음 표시 종류 등 디자인과 관련한 항목을 설정할 수 있다.

‍

(1) 소수점 변경하는 방법

소수점 정밀도를 클릭하여 구매 금액 데이터가 USD인 경우 소수점 2자리 또는 정수로 임의로 설정할 수 있다.

(2) 색상 변경하는 방법

측정항목 왼쪽에서부터 측정항목 1번에 해당하며 측정항목 1번 > 히트맵 설정 > 원하는 색상을 적용하면 테이블 내에서 색상이 지정된다.

‍

(3) 데이터 누락 서식 지정하는 방법

데이터가 없을 경우 0, - , 공백, null 등 어떻게 누락을 표현할 것인지에 대해 설정할 수 있다.

‍

📊 완성 예시 대시보드 (링크 클릭🔽)

💡 대시보드 참고사항

데이터는 목업 데이터와 GA4 데모 계정 데이터를 사용하였습니다.
목업 데이터는 카페24, 스마트 스토어 데이터로 KRW를 사용하고 GA4 데모 계정은 미국 통화 USD를 사용하고 있으므로 통화가 불일치합니다.
GA4 데모 계정의 데이터 용량의 문제로 24년 3월 혹은 4월의 데이터만 활용하여 대시보드를 구현하였습니다. 날짜 필터는 유효하지 않습니다.

‍

5. 결론

지금까지 루커 대시보드를 구현하는 방법에 대해 데이터 연결부터, 시각화 구성, 루커 대시보드 구현하는 방법까지 설명하였는데 루커 대시보드를 직접 구현해 보는 데 도움이 되었으면 좋겠다. 예시 대시보드를 참고하여 우리 서비스만의 대시보드를 만드는 것도 좋은 연습이 될 것 같다. 실제 우리 데이터를 연결해 보고 다양한 시각화를 시도해 보며 경험을 쌓는 데 좋은 시작이 될 것이라고 믿는다.

‍

참고문헌

루커스튜디오 공식 도움말

데이터스토리텔링

루커 스튜디오 함수 목록

‍

*궁금한 점이나 추가적인 도움이 필요하다면 언제든지 문의해 주세요! 여러분의 데이터 시각화 여정에 도움이 되기를 바랍니다. 감사합니다😊

GROWTH

패션 플랫폼의 그로스마케팅 (무신사/29CM/W컨셉)

July 3, 2024

본업이 그로스마케터이므로... '그로스마케팅'와 관련된 포스팅을 지속적으로 작성하고 있는데요. 관련 키워드로 '패션마케팅'이 검색량이 높아 무신사, 29CM, W컨셉을 사례로 준비해 보았습니다. (좀 더 알아보니 패션마케팅은 대학교 학과가 있어 입시생들의 검색량이 높은 키워드인 듯은 하네요.)

‍

그럼에도 불구하고 의류는 생활에 밀접하게 맞닿아있는 산업이라 이해가 한결 쉬울 것 같으니, 그로스마케팅의 개념을 패션 플랫폼의 사례로 소개 해 볼게요. 1. Acquisition과 2. Retention의 관점으로 접근해보겠습니다.

‍

1. Acquisition: 유입/가입 캠페인

무신사의 브랜드마케터 채용 공고를 먼저 보겠습니다.

브랜드 마케터에게 필요한 직무 요건 중 하나로 User Acquisition을 이끌어낼 수 있는 콘텐츠 기획 이 있네요. User Acquisition 즉 사용자 획득에서는 지난 글에서도 다뤘는데요. 대다수의 웹/앱 서비스는 사용자가 획득(=유입, 가입, 구매) 되어야 활성화될 수 있는 구조이기 때문에 비즈니스 초반에 마케팅에서 가장 중요한 요소 로 손 꼽힙니다.

‍

cf. https://brunch.co.kr/@marketer-emje/13

‍

User Acquisition을 이끌어내기 위해서 여러 마케팅 방법론이 존재하겠지만, 무신사의 브랜드마케터 채용 공고에 있는 '콘텐츠 기획'은 아마 퍼포먼스마케팅, 배너 광고의 소재 기획일 가능성 이 높아 보입니다.

‍

퍼포먼스마케팅에서 배너 광고를 운영할 때 그 소재로 브랜드가 강조될 수 있고, 프로모션이 강조될 수도 있고, 인플루언서가 강조될 수도 있고 메인 콘셉트를 무엇으로 하느냐에 따라서 소재 베리에이션은 다채로울 수 있는데요. 예시와 함께 보겠습니다.

‍

(1) 퍼포먼스마케팅: 배너 광고

‍

페이스북 광고 라이브러리에서 'WConcept'을 검색했을 때 결과 중 일부를 가져왔는데요.

� 여기서 두 광고의 차이점이 보이시나요?

‍

� 광고를 클릭하면 랜딩은 모두 Wconcpet 페이지로 연결되지만, 해당 광고를 게재한 '주체'가 다릅니다.

‍

W컨셉에서 W컨셉 페이지로 랜딩 시키는 것은 당연한데, W컨셉에 입점해있는 '브랜드'들이 광고의 랜딩을 랜딩을 W컨셉으로 보내네요!

‍

소규모 브랜드라면 개별 웹사이트를 관리, 운영하는 것보다 수수료를 감안하더라도 의류 플랫폼(W컨셉 등)에서의 매출을 높이는 것이 더 낫다고 판단했다고 추측할 수 있습니다.

‍

(2) 첫 구매 프로모션

‍

첫 구매 혜택 (=신규 가입 시 10% 할인 쿠폰, 앱 첫 구매 15% 할인 쿠폰)은 소재와 워딩에서 공통적으로 강조 되기도 합니다. 즉 메인 소재는 남성 카테고리의 시즌오프이지만, 전환율을 올리기 위해 혜택을 수치화할 수 있는 부분을 담기도 합니다.

‍

‍

신규 가입과 앱 첫 구매의 내용이 담겼다는 것은 해당 광고의 세팅이 '리타겟팅'이 아닐 것이라 추측할 수 있습니다. 아마 성별만 '남성'으로 지정하고 오픈 타겟으로 열지 않았을까 싶네요. 디타겟팅(=타겟에서 제외하는 것)으로 이미 회원인 분들과 앱이 있는 분들을 타겟에서 제외하고요.

‍

(3) 인플루언서 마케팅

‍

최근 인플루언서와 협업하는 마케팅 또한 빠질 수 없는 업무인데요. 플랫폼/브랜드의 아이덴티티와 정합성이 높은 인플루언서(주로 인스타그래머, 유투버)를 찾고 그분들과 혹은 그들의 소속사(MCN)와 컨택해서 브랜디드 콘텐츠(BDC) 혹은 PPL을 협의 합니다.

‍

해당 업무는 일반적인 퍼포먼스마케터/그로스마케터가 진행하기보다는 무신사의 예시처럼 '인플루언서 마케터'의 직무가 따로 있는 경우가 많습니다.

‍

인스타그래머라면 피드, 스토리의 이미지/워딩 그리고 유튜버라면 유튜브 구성안과 기획안을 검토하면서 논의를 이어가게 됩니다. 일정, 비용, 스토리라인, 강조되어야 하는 점, 해시태그 등을 이야기하고요.

‍

하단 예시처럼 유상 광고 소재(인스타그램 광고 소재)로 인플루언서의 이미지를 활용하는 경우 추가 협의가 필요합니다.

‍

2. Retention: 재방문/재구매 캠페인

새로운 회원들을 어느 정도 유치했다면, 그 회원들을 계속해서 유지하는 것이 관건이겠죠. 리텐션(=재방문율/재구매율)이 그 지표가 되는데요. 리텐션의 기본으로 여겨지는 것 중 하나가 멤버십입니다.

‍

(4) 멤버십

‍

커머스/플랫폼의 경우 누적 구매액에 따라 주는 혜택이 점점 더 커지고 그 효용을 체감한 사용자들은 해당 커머스/플랫폼을 지속적으로 사용하게 되는데요. 이것은 락인(lock-in)효과 라고도 합니다. 구매할수록 혜택이 커지니, 다른 플랫폼을 이용할 필요 없이 해당 플랫폼에 대한 충성도가 높아지는 것이죠.

‍

W컨셉은 5개의 멤버십 등급을 가지고 있고, 그 기준으로는 누적 구매액과 함께 구매'수량'을 같이 보고 있습니다. 해석해 보자면 딱 한 개의 상품만 샀는데 - 그 상품이 100만 원짜리였다 -라고 했을 때 한 번에 VIP로 가는 것을 방지하기 위함이라고 볼 수 있습니다. 한 번 들어와서 비싼 것 한 개 산 사람보다, 여러 번 들어와서 중고가를 여러 개 산 사람이 더 충성도가 높다고 판단하는 것이겠죠?

‍

29CM의 경우 동일한 워딩에 여러 브랜드X상품 이미지를 활용하기 위해 조금 포괄적인 내용을 광고 워딩으로 썼는데요. 29CM의 아이덴티티 + 매월 멤버십 쿠폰 ~15% 혜택을 강조합니다. 여기엔 신규 회원 가입이나 앱 설치 쿠폰이 없는 것을 보아 신규를 대상으로만 하는 광고가 아님을 알 수 있고요.

‍

(5) 프로모션

‍

마케팅과 뗄레야 뗄 수 없는 것이 '프로모션' 입니다. 위에서 Acquisition을 다룰 때도, 신규 가입/앱 설치 혜택이 존재했고, 인플루언서와 협업할 때도 최저가나 가격/쿠폰 할인은 거의 필수입니다. Retention에서도 마찬가지로, 멤버에서도 혜택이 강조됩니다. 여기서 혜택이란 주로 '상품 할인' 혹은 '할인 쿠폰'인데요.

‍

무신사스탠다드(무신사의 PB브랜드)의 마케팅 팀장 채용 공고에도 '중요 이벤트와 프로모션 지원을 통해' 라는 워딩을 통해 마케팅과 연계된 프로모션의 중요성을 인지할 수 있습니다.

‍

일반적으로 정가 대비 판가에 미리 적용되어 있는 것을 '상품 할인' 이라고 볼 수 있고, 이후 주문서에서 추가로 붇는 할인들은 '할인 쿠폰'입니다. 이 할인 쿠폰은 개별 상품/브랜드에만 적용될 때와 장바구니 전체에 적용되는 경우로 나눠볼 수 있고요.

‍

상품 할인과 쿠폰 할인(상품 쿠폰, 장바구니 쿠폰)의 구분은 커머스에서 혜택을 설계할 때나 손익을 계산할 떄 때 그리고 심지어 프로덕트 애널리틱스에서 이벤트/프로퍼티의 택소노미를 설계할 때도 아주 중요한 요소입니다.

‍

상품 할인과 쿠폰(상품 쿠폰, 장바구니 쿠폰)

‍

‍

(5-1) 프로모션: 정기(Always-on), 비정기(Ad-hoc)

‍

프로모션은 정기적으로 진행되고 있는 캠페인과 팝업으로 운영되는 캠페인으로 구분할 수 있는데요. 정기적으로 진행되는 캠페인은 올웨이즈온(Always-on) 캠페인, 특정 기간 동안만 일시적으로 진행되는 캠페인은 팝업/애드훅(pop-up, Ad-hoc)이라는 명칭을 자주 사용 합니다.

‍

앱 설치 쿠폰 및 가입 혜택 프로모션은 Always-on 올웨이즈온 캠페인에 속하고, 홀리데이 프로모션은 팝업/애드훅 캠페인으로 볼 수 있겠죠? (와 쉽다!)

‍

보통 앱 설치, 가입의 경우 장기적인 관점의 KPI 달성을 위해 진행되는 캠페인으로 일간/주간/월간 성과를 지속적으로 모니터링하고요. 팝업/애드훅 캠페인의 경우 정해진 기간 동안 최대 매출 등의 목표치를 달성하는 것이 중요합니다. (무신사의 무진장세일이 매년 역대급 매출을 갱신한다고 하죠...? 그렇지만 무진장 정도면 이제는 정규 캠페인이라고도 볼 수 있겠네요)

‍

(6) CRM 마케팅

‍

CRM 마케팅은 Customenr Relatinship Management의 약자로, 고객 관계 관리 마케팅인데요. 간단히는 문자/카톡/앱푸시/이메일 등으로 계속해서 사용자에게 메시지를 보내며 상호 작용을 꾀하는 것 입니다. (a.k.a 우리는 쿠폰을 보낼게 너는 들어와서 쿠폰을 써줘!)

‍

CRM 수단으로는 앱 중심의 서비스인 경우 앱푸시, 카카오톡을 위주로 사용하고 웹의 경우 배너/팝업 또한 CRM의 일환으로 볼 수 있겠습니다. 문자 및 이메일은 조금 더 전통적인 수단이겠죠?

‍

‍

CRM 마케팅은 CRM 마케터 직무로도 많이 채용하지만, 그로스마케터의 수행 업무에 수반되는 경우도 꽤 있습니다. 29CM의 그로스 마케터 채용 공고를 보면 '고객 커뮤니케이션 타겟 / 채널 / 메시지 테스트 및 운영' 이라는 워딩을 볼 수 있는데요. 하단처럼 쪼개서 생각할 수 있고, 결국 CRM 마케팅에 대한 내용이라는 것을 알 수 있습니다.

‍

고객 커뮤니케이션 > 고객 관계 관리를 위한 커뮤니케이션 (메시지를 보내는 것!)
타겟 > 누구에게 보낼 것인지?
채널 > 어떤 채널로 보낼 것인지? 앱푸시/카톡/문자/이메일/팝업 배너 등
메시지 > 어떤 워딩으로 보낼 것인지? 할인율을 강조할 것인지? 쿠폰의 유효기간을 강조할 것인지? 등

‍

CRM 마케팅이 최근 뜨는 이유는 개인 정보 보호 트렌드 때문인데요. 과거 퍼포먼스마케팅에서는 정교한 타겟팅을 위해 사용자가 웹 내에서 행동했던 것들을 추적하는 (cookie, 쿠키! 한 번쯤은 지워보셨죠?) 것이 중요했는데 이 쿠키 정보의 제공이 중단되면서 일반적인 퍼포먼스마케팅의 효율이 낮아지며 비용이 높아진 것도 일부 원인이 있고요.

‍

상대적으로 CRM은 이미 보유한 회원 모수를 대상으로 메시지를 보내기에, 신규 사용자를 획득하는 것보다 효율이 높고(=비용이 낮고) 운영에 필요한 실 비용이 메시지 발송 비용 정도로 상대적으로 비용이 낮기 때문도 있습니다. CRM마케팅은 기회가 된다면 다음에 좀 더 자세하게 풀어보도록 할게요!

‍

이렇게 패션 플랫폼의 그로스 마케팅 (ft. 무신사, 29CM, W컨셉)을 광고 소재와 채용 공고, 프로덕트를 통해서 Acquisition과 Retention 위주로 알아봤습니다.

‍

[다른 글 보러 가기]

그로스마케팅과 AARRR 퍼널 분석 (ft. 29CM)

https://brunch.co.kr/@marketer-emje/11

‍

그로스마케팅이란? 콘텐츠도 퍼포먼스도 UIUX개선도!

https://brunch.co.kr/@marketer-emje/10

‍

그로스마케팅과 AARRR:Acquisition 획득

https://brunch.co.kr/@marketer-emje/13

‍

풀스택 마케팅 컨설팅펌 마티니아이오

https://martinee.io/

‍

원본 포스팅 링크

패션 플랫폼의 그로스마케팅 (무신사/29CM/W컨셉)

FULL FUNNEL

GA4 마스터 대시보드 | 루커스튜디오 템플릿

July 1, 2024

루커스튜디오 GA4 마스터 대시보드 템플릿 메인 이미지 — ***GA4 마스터 대시보드 | 루커스튜디오 템플릿***

‍

GA4는 유저가 수행한 행동 기반의 분석을 할 수 있게 도와주는 솔루션입니다. 기존의 세션 기반으로 획득관점의 유저분석을 목표로 했던 UA의 단점을 보완하는 업데이트였습니다. 다만, 기본적으로 제공하는 대시보드가 UA 대비 친절하지 않다보니 GA4로 넘어가는 많은 마케터분들과 분석가분들이 어려워하는 경우가 많았습니다.

이러한 단점을 보완하기위해 GA4의 데이터 + UA의 UI를 합친 루커스튜디오 대시보드를 만들었습니다.

‍

루커스튜디오 GA4 마스터 대시보드 템플릿 — ***GA4 마스터 대시보드 템플릿***

‍

'2024년 7월 1일부터 Universal Analytics(UA)를 더 이상 사용할 수 없습니다.'

‍

1️. Google Analytics(UA)의 만남

퍼포먼스 마케팅을 처음 시작했을 때, Google Analytics(GA)는 제가 처음 접한 주요 도구 중 하나였습니다. 처음에는 기능이 많아 어색하고 어려웠지만, UA는 곧 필수적인 도구가 되었습니다. 잘 구성된 메뉴와 사용자 인터페이스(UI) 덕분에 쉽게 탐색하고 데이터를 분석할 수 있었습니다.

‍

UA는 사용자, 획득, 행동, 전환의 네 가지 주요 영역으로 주제가 나뉘어 있어 분석이 매우 간단했습니다. 이러한 구조 덕분에 메뉴 순서에 따라 데이터를 분석함으로써 비즈니스 현상을 이해하기가 쉬웠습니다.

‍

2️. Google Analytics 4(GA4)로의 전환

GA4는 UA의 획득 관점에 초점을 맞춘 세션 기반 분석에서 행동 기반 분석 방식으로 데이터 구조를 크게 변경하였습니다. 이러한 변화는 UA의 데이터 단점을 보완했습니다. 그러나 GA4의 메뉴가 UA처럼 주제별로 명확하게 구분되어 있지 않다는 점은 다소 아쉬웠습니다.

‍

✅ 해결책

‍

두 가지 장점을 결합한 대시보드이러한 문제를 극복하기 위해 UA의 분석 섹션과 GA4의 이벤트 수준 분석을 결합한 대시보드를 만들었습니다. 이 대시보드는 UA의 익숙한 UI를 유지하면서 GA4의 고급 분석 기능을 활용합니다.

‍

대시보드 데모 보기

‍

원본 포스팅 링크

📊 GA4 마스터 대시보드 | 루커스튜디오 템플릿

GROWTH

앰플리튜드(Amplitude) Segment Chart

June 28, 2024

프로덕트 분석/성과 분석 툴

‍그로스마케팅의 기본은 분석입니다. 분석 툴, 주로 Analytics라고 많이 이야기하죠. Google Analytics가 대표적이고요. 이외 Product Analytics라고 했을 때 Mixpanel(믹스패널), Amplitude(앰플리튜드) 등의 솔루션이 있습니다.

‍

Google Analytics(구글애널리틱스), Mixpanel(믹스패널), Amplitude(앰플리튜드) 로고

‍

프로덕트 분석이 뭔가요?

‍프로덕트 분석은 사용자들이 디지털 프로덕트를 쓰는 방식을 이해해보는 것입니다. 사용자의 행동 데이터를 분석하고, 전환 기회를 파악하고, 사용자의 평생 가치(LTV: Long Time Value)를 높이는 경험을 만들어 사용자를 비즈니스의 핵심으로 만듭니다.

‍

프로덕트 분석을 통해 사용자의 실시간 참여 및 행동 데이터를 추적, 시각화, 분석하여 전체 고객 여정(User Journey)을 최적화할 수 있습니다. 사용자의 라이프사이클 모든 단계를 데이터로 확인하여 디지털 경험을 개선하고, 충성도를 확보하고, 비즈니스 성과로 연결하도록 지원합니다.

‍

‍

(사용자 여정 예시) 광고를 클릭하고 ~ 계정을 생성하고(Onboarding Process라고 함) ~ 가입하고 ~ 기능 A를 경험하고 ~ 모바일로 로그인하고 ~ 첫구매를 하고 ~ 기능 B를 경험하고 ~ 기능 C를 경험하고 ~ 앱푸시를 받고 ~ 구독할 것 같은데 ~ A/B 테스트를 경험하고 ~ 파워 유저가 되고 ~ 남에게 추천하고...

‍

위와 같은 사용자 여정 중에서 하기 질문에 앰플리튜드를 통해서 답할 수 있습니다.

Why do users convert or dropoff? (사용자가 전환하거나 이탈하는 이유는 무엇일까요?)

‍

Which featurees predict likelihood to buy? 구매 가능성을 예측하는 기능은 무엇인가요?
*커머스라면 대개 상품/브랜드 찜하기, 장바구니에 상품 담기가 그 기능입니다.

‍

What is the cross-device user journey? 크로스 디바이스 유저의 여정은 무엇인가요?
보통 Web to App으로 Mobile/Web에서 프로덕트를 경험하다가 App을 설치하고 App으로 넘어갑니다.
*대개 여기서 데이터가 유실됩니다.

‍

How did our launch impact monetization? 출시가 수익 창출에 어떤 영향을 미쳤나요?

‍

Who are our highest value customers? 우리의 최고 가치 고객은 누구입니까?
*가치가 가장 높은 고객군의 특성을 알아야, 그 고객군과 유사한 고객들을 더 데려올 수 있고 혹은 기존 고객들이 그 고객과 유사한 행동을 하게끔 유도해야합니다.

‍

How likely is churn within user cohorts?사용자 집단 내에서 이탈할 가능성은 얼마나 되나요?
*이탈 지점과 시점을 알고 있어야 이를 방지하거나 개선할 수 있습니다.

‍

커머스의 필수 지표: 매출, 주문수, 건단가, 객단가

프로덕트 분석이라고 하면 거창해 보이지만 실전은 생각보다 단순합니다. 커머스에서 가장 중요한 지표가 무엇일까요? 바로 매출/주문수/객단가/건단가입니다.

‍

매출=주문수X건단가, 매출=주문자수X객단가 개념으로, 결국 '매출'이 가장 중요한데요.

동일한 매출을 기준으로 주문수가 많아지면 건단가가 낮아지고, 건단가가 높아지면 주문수가 적어집니다. 아주 당연한 얘기지만, 이 내용이 무엇과 연관이 있을까요? 바로 물류비입니다.

‍

건단가가 낮아서 주문수가 많아지면 택배 물량이 많아집니다. 물론 합배송이 가능하냐, 물류 체계가 자체 배송이냐 위탁 배송이냐, 물류 센터가 있느냐 등에 따라 상황은 다를 수 있겠지만 대개 커머스는 주문수와 건단가 중 굳이 택한다면, 건단가를 높이고 주문수를 줄이는 것이 좋습니다. (객단가는 유저수와 객단가를 둘 다 올리는 게 좋고요...ㅎㅎ)

‍

‍

앰플리튜드(Amplitude)의 Segment Chart 만들기: 매출, 주문수, 객단가, 건단가

*매출, 주문수, 객단가, 건단가 차트 모두 '주문 완료'/'구매 완료'/'결제 완료' 와 같은 이벤트와 '주문 금액'/'구매 금액'/'결제 금액'을 뜻하는 이벤트 프로퍼티가 필수입니다.

*여기서 이벤트와 프로퍼티는 모두 개별적으로 설정되는 것으로 통용되는 단어가 아님을 참조해주세요.

‍

1️. 매출 차트 그리기

1. Segmentation by 에서 주문 완료 이벤트를 설정해줍니다.

해당 택소노미에서는 total_items_order_completed 가 주문 완료/결제 완료 이벤트입니다.

그리고 by order_total 이라는 이벤트 프로퍼티를 사용하여 값을 표현해줍니다.

2. ...performed by Any Users는 따로 설정하지 않아도 됩니다. (전체 유저의 매출을 보는 것이고, 특정 유저의 행동을 보고자 하는 것이 아니니까요.)

3. ...measured as 에서 'Properties'를 선택하고 Sum of Property Value를 설정합니다.

4. 일자까지 설정해주면 그래프가 구현됩니다!

5. 그래프 하단에는 데이터 테이블이 표 형식으로도 나오고, 이는 CSV로 다운로드 받을 수 있습니다.

‍

‍

매출은 'order_total'이라는 이벤트 프로퍼티의 값(value)를 더한 것이기에

… measured as Sum of Property Value로 설정합니다.

‍

2️. 주문수 차트 그리기

주문수는 쉽습니다! ...measured as Sum of Property Value를 Event Property로 바꿔주면 됩니다.

매출이 구매 이벤트의 금액의 총합이었다면, 주문수는 이벤트가 발생한 수이기 때문입니다.

‍

앰플리튜드에서 구현한 주문수 차트 (+grouped by order_total)

‍

Event Totals로 바꿨는데 그래프가 조금 이상하죠? order_total이라는 주문금액값이 grouped by 필터로 걸려있어서 그렇습니다. 금액값 별로 어떻게 구성되어져있는지 보여주는 거죠. 해당 필터를 지워주면 됩니다.

‍

‍

3️. 객단가 차트 그리기

객단가는 매출/주문자수입니다. 그러므로 매출=주문완료 이벤트(+order_total 프로퍼티)의 PROPSUM (PropertySUM)/주문완료 이벤트의 유니크(사용자수)로 수식을 만들어서 적용하면 됩니다. 즉 객단가는 PROPSUM/UNIQUES입니다.

‍

객단가의 추이를 과거와 비교할 수도 있습니다. Comparing to date range ending _ 여기서 일자를 설정하여 두 개의 그래프로 구현되도록 할 수 있습니다. 과거 일자와 비교하면 그 시점의 유저가 **[Previous]**로 표시되고, 이후 시점의 유저가 All User로 표시됩니다.

‍

‍

4️. 건단가 차트 그리기

건단가는 매출/주문수입니다. 그러므로 주문완료 이벤트의 속성값, 주문액 평균을 확인하면 됩니다. ...measured as Average of Property Value로 설정해줍니다.

‍

‍

건단가는 주로 프로모션을 진행할 때 부차적으로 확인합니다. 평상시 대비 프로모션 진행 시에 카테고리/브랜드/상품/장바구니 할인 쿠폰이 발급되어 건단가가 낮아지는 경우가 많기 때문입니다.

‍

건단가/객단가는 대개 유사합니다. 다만 예외도 존재합니다. 리셀러가 커머스에 많은 경우, 상품을 대량하는 구매하므로 경우 주문수가 주문자수보다 월등히 많아 건단가는 낮고, 객단가는 높을 수 있습니다.

‍

건단가/객단가는 시즈널리티를 탑니다. 특히 의류 커머스의 경우 S/S에는 반팔 티셔츠가 주가 되기에 객단/건단이 낮아지고, F/W에는 아우터 상품이 메인이 되면서 객단/건단이 높아집니다.

‍

앰플리튜드 대시보드 예시

‍대시보드 한 판에 차트들을 모을 수 있습니다. 매출도, 구매전환율도, 상품수도 여러 필터로 쪼개보면서 프로덕트의 현황을 확인할 수 있습니다.

‍

‍

분석 내용 공유하기

앰플리튜드 차트로 확인한 데이터들은 구글 스프레드시트로 이전 성과들과 비교하거나, 노션으로 정리하거나, 간단하게는 슬랙으로 정리하여 공유합니다.

‍

‍

참 쉽죠...?

‍

‍

그로스마케터가프로모션/쿠폰 분석을 하는 과정 중에 앰플리튜드로 세그먼트 차트 (커머스에 꼭 필요한 매출, 주문수, 건단가, 객단가) 그리는 법을 알아보았습니다! 감사합니다.

‍

풀스택 마케팅 컨설팅펌 마티니아이오

https://martinee.io/

‍

원본 포스팅 링크

앰플리튜드(Amplitude) Segment Chart

EVENT

[그로스 캠프] Ep.2 Amplitude by Martinee (24.6)

June 28, 2024

Amplitude, 아직도 어렵다면?

행사명 : [그로스 캠프] Ep.2 - Amplitude by Martinee

장소: 서울 서초구 서초대로38길 12 마제스타시티 타워2 12F

일시: 2024년 6월 5일 ~ 6월 26일 매주 수 오후 7시

대상

Amplitude의 주요 기능들을 포함하여 기초 개념부터 실무 활용까지 배우고 싶은 분
Amplitude 기반 그로스 마케팅에 관심이 있으신 분

‍

어떻게 진행하였나요?

그로스 캠프 2기 세션 시작 전 현장 모습

‍

‍

그로스 캠프 2기는 웨비나 없이 LV. 1, LV. 2, LV. 3, LV. Expert 총 4번의 세션으로 진행되었고, 레벨이 올라갈수록 실무에 활용가능한 앰플리튜드의 고급 기능까지 배웠습니다.

‍

실습 세션의 경우, 실무에 바로 적용 가능하도록 데모 계정을 통해 직접 앰플리튜드의 차트와 기능을 살펴보았습니다.

세부적으로 확인하고 싶은 유저 데이터를 직접 세팅해보고 집계 기간에 따른 차이를 살펴보며 앰플리튜드 차트 활용 시 주의할 점들까지 알아보았습니다.

‍

[그로스 캠프] Ep.2 Amplitude by Martinee 퀴즈 화면 — LV. 2 세션 퀴즈 시작 화면

‍

각 세션 이후에는 간단한 퀴즈를 통해 배웠던 내용을 쉽게 잊지 않을 수 있었습니다.

‍

마티니 앰플리튜드 유저 가이드북 표지 — 마티니 앰플리튜드 가이드북 표지

‍

후기 포스팅을 포함하여 적극적으로 참여해주신 분들께는 마티니가 직접 만든 108장 분량 앰플리튜드 가이드북까지 전달드려서 캠프 종료 후에도 앰플리튜드 기능들을 하나씩 적용해보실 수 있습니다.

이렇게 아낌없이 전수해드리는 그로스 캠프, 다음 번엔 놓치면 안되겠죠?

‍

어떤 것들을 배웠나요?

앰플리튜드 필수 차트 살펴보기

LV.1 세션 실습 모습

‍

[그로스 캠프] Ep.2 Amplitude by Martinee 강사 이재철

‍

LV.1 ‘탐색적 데이터 분석(EDA)과 가설 발견을 위한 분석 기초’ 세션에서는 앰플리튜드를 다루기 전에 알아야 할 사항과 앰플리튜드의 활용 목적, 구조, 데이터 택소노미 (Data Taxonomy) 설계에 대해 알아보았고 앰플리튜드의 필수 차트인 세그멘테이션 (Segmentation)과 퍼널 (Funnel), 리텐션 (Retention) 차트를 활용하여 분석 기초를 진행해보았습니다.

‍

차트 기능들을 활용할 때는 앰플리튜드에서 정의한 모듈과 필터의 역할을 명확하게 이해해야 하는데요. 이벤트, 유저, 메트릭 모듈 등 그룹을 쪼개고 측정 기준을 정의할 때 Uniques, Active %, Average, User & Event Property 등이 각각 어떤 의미를 가지고 있는지와 라인, 영역, 바 차트들을 어떤 상황에서 활용하는지 배웠습니다.

‍

세부적으로 예시 사례를 기반으로 한 예제 문제 실습을 통해 각 차트별 적합한 활용법을 익혀보는 시간이었습니다.

‍

Segmentation

구매가 많이 발생하는 날의 브랜드별 매출 비중 차이를 확인
프로모션 진행 전후 매출 차이 확인
푸쉬 메시지 타입별 구매 영향도 확인

Funnel

유저별 구매 전환까지 걸리는 시간을 확인
전환까지의 유저 여정 분석
이벤트가 가장 많이 일어나는 파트 확인

Retention

주요 이벤트 및 서비스 사용 간격 및 빈도 점검
핵심 이벤트(Critical Event) 유효성 점검
측정 기준을 통한 시계열 트렌드 확인

‍

내 유저 살펴보기

그로스팀 리드 재철님의 LV.2 세션 강의

‍

LV.2 세션 실습 모습

‍

LV.2 ‘Cohort / LTV / Lifecycle 분석을 활용한 제품 분석 & 유저 분석 심화’ 세션에서는 DAU & MAU와 LifeCycle, Revenue와 LTV, Sign up과 Engagement를 살펴보고 코호트 (Cohort) 분석 정의와 활용에 대해 알아보았습니다.

‍

MAU를 확인할 때는 실질적으로 성장하고 있는지 잘 확인해야 하는데 Formula 기능을 사용하여 서비스의 MAU가 성장하고 있는지를 세그먼트 차트(Segment Chart)를 직접 활용해보며 확인해보았습니다. 라이프사이클 차트(Lifecycle Chart)를 통해서 휴면, 이탈, 유입 사용자의 비중을 살펴보며 실질적으로 MAU가 성장하고 있는지 점검할 수 있었습니다.

하지만 유저 라이프사이클은 매출을 보장해주지 못하기에 LTV까지 꼭! 확인해야 한다는 사실을 잊지 마세요!

‍

코호트 차트 기능을 통해서는 유저의 시계열 데이터를 확인하고 인사이트를 도출할 수 있는데요.

음악 스트리밍앱에서 7일차에 3곡을 즐겨찾기한 사용자
온보딩 중 푸시 알림을 활성화한 사용자
커머스 웹사이트에서 가입 후 7일 내 구매한 사용자

위 예시와 같이 유저 별 행동들을 상세하게 쪼개서 살펴볼 수 있습니다.

‍

지난 한 달 동안 장바구니에 상품을 담았지만 구매는 하지 않은 유저 분석, 회원가입 이후 7일 이내 구매를 하는 유저와 아닌 유저를 비교해보는 예제를 통해 코호트 차트를 활용해보았습니다.

코호트를 메타나 CRM툴로 보내주기까지 한다면 매우 잘 활용할 수 있게 되겠죠!

‍

내 서비스 성장시키기

그로스팀 리드 재철님의 LV.3 세션 강의

‍

LV.3 세션 실습 모습

‍

LV.3 ‘비즈니스 성장을 위한 유저 여정 분석(AARRR)과 그로스 모델링’ 세션에서는 앰플리튜드에서 대시보드를 구축하는 과정과 AARRR 프레임 워크(Framework)의 각 단계인 획득 (Acquisition) , 활성화 (Activation), 수익 (Revenue), 재방문 (Retention), 추천 (Referral)의 유저 여정 분석과 그로스 모델링에 대해 배우는 시간을 가졌습니다.

‍

Acquisition

LTV/CAC 확인

Activation

DAU/MAU 확인
퍼널 별 전환율 확인 후 개선
아하 모먼트(Aha moment) 찾기

Revenue

ARPU & ARPPU 확인

Retention

내 서비스 주요 이벤트 찾기
제품 사용 간격 찾기

Referral

입소문 효과 계수 측정

‍

환경 구축하기

그로스팀 리드 재철님의 LV.Expert 세션 강의

‍

LV.Expert 세션 실습 모습

‍

LV. Expert 'Performance & CRM & Growth 분석에 대한 실행을 위한 마케팅 분석 & 자동화 Case Study' 세션에서는 MMP & PA & CRM 솔루션의 연동을 통한 통합 마케팅 환경을 구축하는 이유와 방법에 대해 그 중요성과 과정을 세부적으로 실제 기업 사례를 통해 알아보았습니다.

‍

제품을 많이, 잘 판매하기 위해서 프로모션을 진행하는데 발생하는 매출에 대해 정말 프로모션의 영향인지 확인하기 위해 증분 분석을 진행합니다. Amplitude 퍼널 차트를 통해 실험 집단을 분리해서 A/B 테스트를 진행하여 프로모션의 유효성을 검증하는 과정 공유해드렸습니다.

이외에도 클러스터링 기능을 통한 라플 유저와 일반 유저의 여정 분석 및 비교 방법과 연관 규칙 분석을 통한 카테고리 내 상품별 연관성을 파악하는 방법에 대해서도 배웠습니다.

‍

‍

궁금한 것이 있다면?

‍

살펴본 데이터가 비즈니스에 따라 상이하거나 세션 중 어려운 부분이 있어도 QnA를 통해 상세하게 답변드리고 함께 살펴보며 자신의 비즈니스에 적합한 최적의 활용법을 익힐 수 있는 시간이었습니다.

‍

참여자 후기를 확인해보세요!

[그로스 캠프] Ep.2 Amplitude by Martinee 종료 후 단체사진

‍

그로스 캠프가 1기에 이어 2기까지 1달 동안 많은 분들의 적극적인 참여 속에 마무리 되었습니다.

‍

LV. 1 세션부터 마지막까지 많은 분들깨서 남겨주신 후기를 확인해보세요!

‍

[그로스 캠프] Ep.2 Amplitude by Martinee 만족도 결과 — 최종 만족도 조사 결과

‍

마티니가 여러분의 비즈니스 성공을 위해 언제나 함께 합니다.

‍

마티니가 진행한 다른 세미나들이 궁금하다면?

마티니 이벤트 확인하러 가기!

‍

GROWTH

그로스마케팅과 AARRR : Acquisition 획득

June 26, 2024

그로스해킹과 그로스마케팅

그로스해킹은 Growth와 Hacking의 조합, 그로스마케팅은 Growth와 Marketing의 조합으로 두 개념 다 '성장'을 위함이지만 해킹은 어떤 수단을 동원할지 한정짓지 않는 것이고 마케팅은 마케팅 측면에 집중한 것입니다.

‍

그로스마케팅과 AARRR

AARRR 프레임워크가 왜 중요할까요? 그로스마케팅의 범위가 모든 마케팅을 포괄하는 만큼, 업무의 우선순위를 정해야 하기 때문입니다. 비즈니스의 특성, 규모, 성숙도에 따라 AARRR 중 현재 집중해야하는 단계를 파악하고 그 부분을 활성화하기 위한 마케팅 캠페인을 운영해야 합니다.

‍

(1) A: Acquisition 획득

(2) A: Activation 활성화

(3) R: Retention 유지(리텐션)

(4) R: Revenue 수익화(매출)

(5) R: Referral 추천

‍

▶️ AARRR 프레임워크 관련된 더 자세한 글은 여기서 확인해주세요.

https://brunch.co.kr/@marketer-emje/11

‍

AARRR의 1단계: Acquisition 획득

AARRR 프레임워크의 첫번째 약자인 Acquisition(획득)을 알아보겠습니다. 사용자 획득을 위한 마케팅을 UA 마케팅 (User Acquisition Marketing)이라고 자주 부르는데요. UA마케팅에서 사용하는 광고 매체, 성과 분석 툴, KPI(유입, 가입, 앱설치, 첫구매 등)에 따라 봐야하는 지표, 실제 사례 등을 공유해보겠습니다.

‍

UA 마케팅 (User Acquisition Marketing) - 넷마블, 브랜디, 야나두, 컬리 표지

‍

UA 마케팅이란? 사용자 획득 마케팅!

‍

잡코리아에 'UA마케팅'을 검색했을 때의 결과페이지입니다. 넷마블, 크래프톤 등 유명 게임 회사가 좀 보이고, 이외 앱 중심의 커머스 회사인 브랜디도 있네요. UA 마케팅이란 단어를 게임 업계에서 많이 쓴다고는 하는데요, UA 마케터라는 포지션명은 잘 쓰지 않기 때문에 UA 마케팅을 하는 퍼포먼스마케터로 생각할 수 있겠습니다.

‍

‍

UA 마케팅이란, User Acquisition: 사용자 획득

AARRR의 첫 단어인 만큼 '획득'은 마케팅 초기 단계로, 유저(사용자)가 서비스에 '획득'되게 만드는 것입니다. 여기서 획득은 서비스 내에서 정의하기 나름이지만 단순히 유입(Traffic, 트래픽)이 될 수도 있고 유입 이후의 가입(Signup, 등록/계정 생성) 혹은 앱 설치 (App Install) 혹은 첫구매 (1st Purchase)일 수도 있습니다. KPI가 무엇이냐에 따라 주의 깊게 봐야하는 지표 또한 달라집니다.

‍

‍

주요 광고 매체와 성과 분석 툴/솔루션

사용자를 획득하고자 하는 UA 마케팅에서는 주로 어떤 광고 매체를 활용할까요? 힌트는 UA마케팅을 검색했을 시 나오는 퍼포먼스마케터의 채용 공고에 있습니다!

‍

1. 넷마블의 UA마케팅 담당자 채용 공고

‍

· 글로벌 UA 매체 Self-serve: Google, Meta 등

Self-serve: 광고 대행사를 통한 운영이 아닌 직접 운영을 말합니다.

‍

· 마케팅 성과 분석 툴 활용 역량 (Singular, Appsflyer, Firebase, Gamesight, GA 등)

MMP(Mobile Measurement Partners)인 싱귤러와 앱스플라이어가 등장하네요.

‍

· 1st Party Data 활용을 통한 광고 <> 내부 성과 분석

1st Party Data란 우리 서비스에 쌓이는 데이터를 기반으로, 자사 내부 데이터라고 할 수 있습니다. 이에 반대되는 개념이 3rd Party Data로 외부 데이터로, 광고 매체들의 데이터들을 예시로 들 수 있습니다.

‍

2️. 브랜디의 퍼포먼스마케터 채용 공고

‍

· 광고 매체: 메타, 구글, 네이버 SA/DA, 카카오 등

DA는 Display Advertisement(Ads)로 배너 광고, SA는 Search Advertisement(Ads)로 검색 광고를 뜻합니다.

‍

· 분석 트래킹 툴 활용 통한 데이터 분석 (Appsflyer, GA 등)

MMP(Mobile Measurement Partners)인 앱스플라이어가 등장하네요.

‍

· User Acquisition - Activation 퍼널 단계에서 KPI 달성

그로스마케팅은 그로스(Growth)를 위해 무엇이든 하기에 AARRR 프레임워크의 모든 단계와 관련된 업무를 하지만 주로 퍼포먼스마케팅은 AARRR 중의 초기 단계인 Acquisition과 Activation 위주의 업무를 합니다.

‍

3️. 야나두(야핏)의 퍼포먼스 마케터 채용 공고

‍

· 주요 매체 (Google, NAver, Meta, Kakao) Self-Serve

(*Self-serve: 광고 대행사를 통한 운영이 아닌 직접 운영을 말합니다.)

‍

· 3rd + 1st Party 데이터 분석을 통한 UA 성과 관리

‍

보통의 광고 매체(3rd Party)에서는 자신의 매체를 기준으로 성과를 측정하기 때문에 내부 데이터(1st Party)와 수치가 맞지 않는 경우가 많습니다.

ex. 사용자가 3일 전 인스타 배너 광고를 보고 클릭해서 유입되었다가 이탈된 후 다시 네이버 검색 광고를 통해 오늘 유입되어 가입한 경우를 생각해봅시다. 기여기간이 7일이라고 할 때, 인스타그램 및 네이버 매체의 광고 관리자에서 해당 가입이 모두 각자의 성과라고 계수할 수 있습니다. 이렇게 되면 광고 관리자에서 확인된(3rd Party) 가입자 수치는 2명이고, 실제 내부 데이터(1st Party)에서는 1명이겠죠?

‍

광고 매체로의 메타(Meta), 네이버(Naver), 구글(Google), 카카오 (Kakao)

‍

메타(Meta)

인스타그램/페이스북 광고로 배너 광고의 가장 대표적인 매체입니다.
페이스북 광고 관리자에서 캠페인 - 광고 세트 - 광고 소재 의 위계로 이미지/영상 광고를 세팅하여 운영할 수 있습니다.
페이스북 광고 라이브러리에서는 키워드를 검색하여 유관 광고 소재를 참조할 수 있습니다.

‍

네이버 배너 광고 (GFA) 및 검색 광고 (파워링크, 쇼핑 검색)

네이버는 배너 광고와 검색 광고를 모두 가지고 있습니다.
배너 광고는 네이버 메인이나 웹툰, 기사 등을 볼 때 주로 뜨는 광고이고요.
검색 광고는 특정 키워드 검색 시 상위에 노출되는 '파워링크' 영역과 '쇼핑검색' 영역 등에 노출됩니다.

‍

네이버의 배너광고와 검색광고 노출 화면

‍

네이버 검색광고/디스플레이 광고(배너광고) 관리자

‍

카카오비즈니스 (카카오 광고 관리자) 페이지 — 카카오비즈니스 (카카오 광고 관리자)

‍

KPI와 지표

'지표'는 특정 현상을 나타내는 수치입니다. 쉽게 말하면 클릭률(CTR:Click-Through Rate)), 클릭당비용(CPC:Cost Per Click), CPM(노출당비용), CPI(설치당비용), PV(페이지뷰), CAC(가입당비용).. 이런 것들 인데요. 배너 광고 및 검색 광고의 효율을 판단할 때 지표들을 기준으로 성과가 좋다/나쁘다를 이야기할 수 있습니다.

‍

‍

지표를 AARRR 프레임워크에 맞추어 구분하고 확인할 수도 있습니다.

Acquisition 관련 대표 지표들

CTR: Click-Through Rate, 클릭률
CPM : Cost per mille 노출 1,000회당 비용
CPC: Cost per Click 클릭당 비용
CPI: Cost per Install 설치당 비용
CPE: Cost per Engagement 실행당 비용
CPA 액션당 비용

액션을 무엇으로 설정해두었느냐에 따라 달라집니다.

‍

CPS: Cost Per Sales 구매 전환당 비용
PV
Page View 페이지뷰 (=조회수)
세션당 단가
한 명의 세션을 만들어내는 데에 드는 비용 (유입당 비용, CPC와 다르게 보는 이유는 클릭하고 유입되기 전에 이탈할 수 있기 때문입니다.)
세션 시간
오래 체류할수록 좋겠죠?
세션당 페이지뷰
한 번 들어와서(=유입되어서) 여러 페이지를 볼 수록 좋겠죠?
CAC 가입당 비용 (Customer Acquisition Cost)
DAU/WAU/MAU
Daily/Weekly/Monthly Active User 일간/주간/월간 활성 사용자수
New/Return 새로 들어온 사용자/다시 돌아온 사용자

‍

‍

UA 마케팅 사례: 유입/가입/첫구매/앱설치 캠페인

보통 유입/트래픽 캠페인은 일회성 모수인 경우가 많아 (즉 사용자가 서비스를 장기적으로 사용하지 않고 유입만 되었다가 이탈하는 경우) 커머스에서는 가입 및 첫구매를 독려하고, 앱의 중요도가 큰 경우는 앱설치까지 유도하는 경우가 많습니다.

컬리, 무신사, 지그재그 모두 신규 고객이라면/가입하면/처음이라면 > 1만원 할인, 990원 상품 등으로 혜택을 제공하고 있으며
29CM의 경우 앱에서만 사용할 수 있는 쿠폰을 제공하여 앱 설치를 유도합니다.

‍

그로스해킹과 그로스마케팅 그리고 그로스마케팅에서의 AARRR 프레임워크 개념을 넘어서 이제는 조금 더 구체적으로 Acquisition 단계의 UA마케팅에 대해서 다뤄봤습니다. 광고 매체나 성과 분석 툴의 경우는 다른 단계에서도 크게 달라지지 않지만 그만큼 중요한 내용이기에 계속 이야기하겠습니다!

‍

풀스택 마케팅 컨설팅펌 마티니아이오

https://martinee.io/

‍

원본 포스팅 링크

그로스마케팅과 AARRR:Acquisition 획득

GROWTH

그로스마케팅 앰플리튜드(Amplitude) 부트캠프

June 24, 2024

그로스마케팅이란?

그로스마케팅은 그로스해킹(Growth Hacking) 기법을 기반으로 Growth, 성장을 위해 마케팅하는 것입니다.

‍

성장을 위해 가장 필요한 정보는 무엇일까요? 사용자에 관한 것입니다. 누가 어떻게 사용했는지 알아야, 그 사람과 유사한 사람들을 더 불러올 것이고 (=유입) 어떻게 사용했는지 알아야 어디서 이탈했는지를 찾아 그 지점을 개선시킬 수 있을테니까요.

‍

즉 그로스해킹과 그로스마케팅의 근간은 사용자와 데이터입니다.

사용자 행동을 데이터로 남기고, 이를 분석하여 서비스 개선의 근거로 삼는 것이죠. 사용자의 행동을 이벤트(Event) 혹은 로그데이터 (Log data)라고 이야기하는데요. 이 로그데이터를 분석할 수 있는 툴/솔루션 중 하나가 앰플리튜드(Amplitude)입니다.

앰플리튜드 누가 쓰냐구요? 오늘의집도, 올리브영도, 무신사도 씁니다.

‍

‍

오늘의집에 모바일 버전으로 유입되어 제가 한 행동들 (프로모션 Viewed > 콘텐츠 Viewed > 프로모션 Viewed )이 수집되는 것을 확인할 수 있습니다.

이렇게 PC/Web이든 Mobile/Web이든 App이든, 어떤 플랫폼에서든 사용자가 한 행동을 수집하여 분석할 수 있습니다. 사용자 행동 분석은 그로스해킹, 그로스마케팅의 기본이니까요.

‍

그로스마케팅 툴, 앰플리튜드(Amplitude)를 배우고자

그로스마케터, 개발자, 서비스기획자, 퍼포먼스마케터, CRM마케터 등 다양한 직무의 실무자들이 모입니다.

앰플리튜드를 더 잘 사용하기 위해 마티니에서 개최한 앰플리튜드 부트캠프 1기에는 김과외, 당근마켓, 사람인, 잡코리아, 현대홈쇼핑, 비소나이, 타이어픽, CJ올리브영 등의 재직자 분들이 오셨었습니다. 마케터를 지망하는 취준생도, 이제 막 취업한 신입도 아닌 유니콘 스타트업의 연차가 있는 실무자들이 앰플리튜드를 배우기 위해서 모입니다.

‍

사용자를 이해하고 분석하여 그로스(Growth)를 도모합니다.

앰플리튜드(Amplitude)를 학습하고, 도입하고, 활용하고자 하는 이유는 대다수 유저 분석을 위함입니다. 그렇다면 유저 분석은 어떻게 할 수 있는 것일까요?

앰플리튜드 부트캠프 1기 응답 시트 내 유저 분석 검색 결과 — 유저 분석의 필요성을 모두가 알고 있습니다.

‍

이벤트(Event)와 프로퍼티(Property)를 수집하여 현황을 분석합니다.

(1) 사용자의 행동(Event)만 수집하면 구매수가 늘어난 현상에 대해 발견할 수 있습니다. '구매'를 Event로 수집했을 때입니다.

‍

(2) 사용자의 행동(Event)에 행동과 관련된 추가 속성값(Property)를 수집하면

좀 더 자세한 정황을 파악할 수 있습니다. '구매'라는 Event에 Event Property로 Brand_name이 추가로 수집되었을 때입니다. 구매수가 실제 증가한 브랜드는 'Nike'이고 'Vans'는 감소했다는 것을 알 수 있습니다. Nike의 반응도가 높으니 재고를 미리 확인해두면 좋겠죠? 현상을 분석하여 이후 상황에 적절한 대응을 취할 수 있습니다.

‍

(3) 사용자의 행동(Event)에 행동과 관련된 추가 속성값(Property) 그리고 사용자와 관련된 속성값(User Property)를 수집하면 가장 자세하게 현황을 분석할 수 있습니다.

‍

17일에서 18일의 구매수 증가에 기여한 구매 내역은 meta로 유입된 신규 유저의 Nike 구매입니다. (30건에서 70건으로, 200%이상 증가) organic으로 유입된 기존 유저의 Nike 구매는 이틀 간 동일했고, organic으로 유입된 기존 유저의 Vans 구매는 60건에서 40건으로 감소했네요.

즉 Nike의 구매수가 늘었다라는 분석이, meta 광고에 의해 유입된 신규 유저들의 Nike의 구매수가 늘었다. 라고 훨씬 자세해졌습니다.

‍

구매수 100 > 120, 20%의 증가가 있었다라는 표면적인 확인에서 Nike 브랜드 증가가 일어났다는 조금 더 깊이있는 확인으로 어떤 경로에 의해 어떤 특성을 가진 유저에 의한 구매수 증가였는지까지 분석이 가능해진 것이죠.

‍

분석이 깊이있을수록 전략과 실행방안도 구체성을 가집니다. 메타 광고에 의해 유입된 신규 유저들의 증가세가 확인되었으니, 해당 광고 매체를 활성화시키는 것이 좋겠죠. 어떤 광고 소재가 좋은 효율을 가져왔는지 분석하고 그 소재를 베리에이션하여 (다양한 버젼으로 만들어보는 것) 예산을 증액하여 광고를 운영해자는 실행 방안이 나오기 쉬워집니다.

‍

서비스 내 주요 이벤트(유입, 조회, 가입, 구매 등) 분석하고 마케팅하기

이벤트와 이벤트 프로퍼티, 유저 프로퍼티 등의 설계가 완료되면 (이를 총칭하여 택소노미, taxonomy를 설계한다고 합니다.) 차트를 구성하여 주요 지표들의 수치를 확인할 수 있습니다.

‍

회원가입수_연령별

가입완료(Event:sign_up_completed)수를 나이(User Property:user_age)로 나눠볼 수도 있고요.

‍

(예시) 데이터 분석을 기반한 퍼포먼스마케팅

가입 관련 데이터 분석을 했을 때, 서비스 내의 유입 대비 가입 전환율이 30대가 가장 높다면 퍼포먼스마케팅 광고의 타겟 대상을 30대로 집중해준다면 동일 비용 대비 좀 더 광고 효율이 높아지겠죠?

‍

회원가입수_연령별 주문수_신규/기존유저

주문완료(Event:order_completed)수를 유저 상태(User Status: New or not)로 나눠볼 수도 있습니다.

‍

(예시) 데이터 분석을 기반한 CRM마케팅

주문수의 유저 비중을 확인했을 때 절대적으로 기존 유저의 비중이 높기 때문에 두 가지 방안을 생각할 수 있겠는데요.

‍

(1) 비중이 낮은 신규 유저의 구매 활성화를 위해서 신규 유저 타겟으로 추가 쿠폰을 발급하는 프로모션을 운영하고 이를 홍보하는 CRM 마케팅을 진행할 수 있겠습니다.

‍

혹은 (2) 비중이 높은 기존 유저의 구매수를 더 장려하기 위해서 기존 유저들이 선호하는 브랜드의 신상품 런칭 소식을 알려주는 CRM 마케팅을 진행할 수도 있겠고요.

‍

‍

앰플리튜드가 그로스마케팅의 정답일 수는 없습니다.

‍

그로스해킹과 그로스마케팅에 쓰여지는 수많은 마테크 솔루션 중 하나일 뿐입니다. 앰플리튜드(Amplitude)는 프로덕트 애널리틱스로 (행동 분석 솔루션) 유용한 것인지, 만능인 것은 아닙니다. 솔루션의 사용이 성장을 보장해주지는 않습니다. 그러나 사용자를 더 잘 이해하는 것은 서비스의 개선 그리고 성장과 직결될 것입니다.

‍

앰플리튜드 부트캠프는 현재 2회차까지 진행되었으며 (1회차 격주 2시간씩 2회 운영) 다음 일자는 24년 1월 정도로 예정되어 있습니다. 마티니의 링크드인이나 인스타그램을 통해 소식을 공유받으실 수 있습니다.

링크드인 https://www.linkedin.com/feed/update/urn:li:activity:7103207584077139968

인스타그램 https://www.instagram.com/martinee_official/

홈페이지 https://martinee.io/

풀스택 마케팅 컨설팅펌 마티니아이오

https://martinee.io/

‍

원본 포스팅 링크

그로스마케팅 앰플리튜드(Amplitude) 부트캠프

FULL FUNNEL

링크드인 통계 분석 대시보드 만들기

June 24, 2024

📊 링크드인 통계 분석 대시보드 만들기

‍

데이터를 다루다보니 링크드인 컨텐츠도 데이터로 관리하고 싶은 마음이 컸습니다.

링크드인에서 가장 많이 들어가는 항목이 통계 부분인데 들어갈때마다 아쉬운건 제공 되는 데이터가 너무 제한적이라는 것이었습니다.

‍

링크드인이 제공해주지 않아서 직접만들어 봤습니다.

‍

1️. 평균/누적 컨텐츠 노출, 참여도(좋아요, 댓글), 팔로워에 대해서 알 수 있습니다.

‍

2️. 노출, 참여도, 팔로워에 긍정적인 컨텐츠 종류를 확인할 수 있습니다.

‍

3️. 컨텐츠 개별 누적 지표와 계정 지표를 분리해서 볼 수 있습니다.

‍

링크드인이 제공하는 API가 페이지 데이터다 보니 개인용 컨텐츠에 대한 통계를 자동화 하지 못한 게 아쉽긴 하지만 주기적으로 데이터를 다운받아서 스프레드시트에 올리기만 하면 자동으로 시각화에 업데이트가 되게 했습니다.

‍

<추가할 것들>

+ Social Selling Index (SSI)와 같은 지표를 추가하면 좋을 것 같아 점진적으로 추가할 계획입니다.

+ 각 콘텐츠 유형에 대한 레이블을 추가하여 분석을 다양화하려고 합니다.

+ 링크에서 썸네일 이미지 자동으로 가져올 수 있게 하는 방법 없을까요?! 고민중입니다.

‍

👉 혹시나 더 보면 좋을 지표와 내용들이 있을까요?

👉 대시보드 링크 : https://lnkd.in/gRGdQE2i

‍

원본 포스팅 링크

📊 링크드인 통계 분석 대시보드 만들기

GROWTH

그로스마케팅과 AARRR 퍼널 분석 (ft. 29CM)

June 21, 2024

그로스마케팅이란?

그로스해킹(Growth Hacking)에서 파생된 마케팅 방법론입니다.

그로스해킹은 말 그대로 성장(Growth)을 위해서 어떤 수단(Hacking)이든 동원하여 문제를 해결한다는 뜻입니다.

‍

즉 그로스마케팅 또한 성장을 위해 하는 모든 마케팅이라 해석할 수 있습니다. 그로스마케팅의 세부 방법으로는 유입을 증가시키는 노출/트래픽 캠페인(퍼포먼스마케팅)이 될 수도 있고, 메인페이지의 배너 클릭률을 높이는 콘텐츠 제안이 될 수도 있고, 장바구니에서 결제 전환율을 높이는 UIUX 개선이 될 수도 있습니다. 이를 위해서는 사용자의 반응을 확인할 수 있는 데이터가 중요합니다.

최근 그로스마케팅의 중요성은 원티드의 채용 직무만 봐도 알 수 있습니다. '그로스'를 검색해보세요!

채용 플랫폼 원티드 내 '그로스' 검색 결과 페이지 — https://www.wanted.co.kr/search?query=그로스&tab=position

‍

그로스마케팅이랑 AARRR 프레임워크가 무슨 상관인가요?

업무의 우선 순위를 파악하기 위해 프레임워크가 필요합니다.

그로스마케팅을 한다고 할 때, 성장을 위해 어떤 일을 먼저 해야할까요?

‍

AARRR 프레임워크가 필요한 순간

‍

대다수의 스타트업에서는 개발팀 인력이 소중합니다. 소위, 개발팀의 인풋이 부족하다고 많이들 이야기합니다. 마케팅팀에서도, 서비스기획팀에서, 디자인팀에서도, 상품팀에서도 개발팀에게 요청을 하기 때문이죠. 그렇다면 개발팀은 이들의 요청 중 누구의 업무를 먼저 해야 할까요?

‍

나랑 친한 팀 사람의 업무 요청
매출에 기여를 많이할 것 같은 기획 구현 요청
사용자에게 영향을 줄 것 같은 기능 개선 요청
개발팀 상반기 KPI와 맞물려있는 요청

‍

정답은... 알 수 없습니다. 이 회사의 최우선순위 목표(OKR: Objective and Key Results)를 모르기 때문입니다. 목표를 정하기 위해서 AARRR Framework를 사용할 수 있습니다. AARRR의 단계 중 어느 단계를 목표로 해야할지 대략적으로 정해보는 것이죠. 우리 회사의 OKR이 '매출'이라면 2.의 업무가 우선이 되겠습니다.

‍

AARRR 퍼널이란?

마케팅에서 사용자의 여정을 단계별로 구분한 것입니다.

마케팅을 할 때에도 이 단계에 맞춰 업무의 우선순위를 정해 일할 수 있습니다. 퍼널(Funnel)이라고도 부르는 이유는 깔대기 형태이기 때문입니다. 초반 사용자들은 많으나 단계를 거치며 사용자들의 이탈이 반복되어 마지막 지점에 남는 사용자는 급격히 적어집니다.

‍

Acquisition: 획득
Activation: 활성화
Retention: 유지 (재방문, 재구매)
Revenue: 매출 (혹은 전환)
Referral: 추천

‍

‍

29CM를 예시로 AARRR 퍼널을 적용해보겠습니다.

‍

‍

(Acquitision) 29CM에 들어갑니다. 가입도 합니다.
(Activation) 이굿위크 기획전도 구경하고 상품 상세페이지도 봅니다. 마음에 드는 브랜드를 찾아서 좋아요도 합니다. 그리고 안 사고 나옵니다. (이탈)
(Retention) 다시 29CM에 들어갑니다. 할인하는 상품들도 더 찾아보고 상품 좋아요도 누르고 이번엔 장바구니에 상품을 담습니다.
(Revenue) 구매합니다.
(Referral) 29CM가 마음에 들어서 친구한테도 추천하고, 상품 후기도 작성합니다.

‍

위와 같은 AARRR 단계 사이 사이에 마케팅들이 있습니다.

‍

1. Acquisition: 획득 (ex. 트래픽 캠페인)

획득은 말 그대로 사용자를 서비스로 데려오는 것을 말합니다.

그냥 데려오기만 하는 (=유입시키는, 트래픽을 발생시키는) 것이 있고 데려와서 가입을 시키는 것 (=계정을 생성하는 것)을 포함하기도 합니다.

‍

토스에서 진행하는 머니알림이 '트래픽'을 위한 경우가 많습니다. 토스의 앱푸시를 누르면 토스로 트래픽이 발생하고 (10원) 토스가 유도하는 외부 페이지로 랜딩되면 트래픽이 발생하니까요. (10원!) 이렇게 토스는 한 명의 사용자를 유입시키는 데에 20원이라는 가격을 책정하고 있는 것입니다. (물론 업체에게는 더 많이 받죠!)

‍

2. Activation 활성화 (콘텐츠, CRM 캠페인)

활성화는 사용자가 서비스 내에서 보다 적극적으로 활동할 수 있도록 유도하는 것 입니다.

29CM에 핸드폰으로 (앱을 깔지 않고) 들어가면 앱설치를 하라는 팝업이 뜹니다. 앱설치를 유도하여 이후 29CM를 더 자주 들어오기를 장려하는 것이죠.

‍

이외 29LIVE 라는 기능을 콘텐츠로 소개하는데요. 이 때 혜택을 위해 '알림 신청'을 하게끔 합니다. 알림 신청을 해두면 앱푸시나 카카오 플러스친구로 메시지를 받게 되어 또 들어오게 되겠죠!

‍

3. Retention 유지 (CRM 캠페인, 리타겟팅 캠페인)

유지는 사용자가 서비스를 계속! 이용할 수 있도록 하는 것입니다.

CRM으로 높은 할인율의 프로모션을 홍보하면서 다시 방문해달라고 유도합니다. 토스의 경우 만보기 같은 기능을 통해 사용자가 매일 매일 들어오게끔 하구요.

‍

CRM 외에도 리타겟팅 캠페인은 퍼포먼스마케팅으로도 많이 활용됩니다. 그래서 한 번이라도 들어갔던 웹사이트의 광고가 나에게 계속 계속~~~ 뜨는 것이죠!

‍

4. Revenue 수익화(매출, 전환)

수익화는 사용자로 하여금 서비스의 목표 행동을 하게끔 만드는 것입니다.

커머스라면 구매 전환이겠죠. 최종 목표인 만큼 이전 단계와도 밀접하게 연관되어 있습니다. 활성화(Activation)나 유지(Retention)에서도 방문으로 그치는 것이 아닌 구매 전환까지 일어날 수 있도록 혜택을 촘촘히 설계하는 것이죠.

‍

보유한 쿠폰의 만료일이 얼마 안 남았다고 카카오톡으로 알림을 주는 CRM 캠페인도, 블랙프라이데이라고 인스타 스토리에도 광고가 엄청 뜨는데요. 이런 것이 바로 전환 캠페인이라고 할 수 있겠습니다.

‍

5. Referral 추천

AARRR 프레임워크 활용하기

마케터의 입장에서 AARRR 퍼널 업무에 적용하기

‍

위는 사용자 측면에서의 AARRR 프레임워크가 적용되는 상황이었다면, 마케터의 측면에서는 AARRR 관점에서 어떻게 업무해야할까요? 간단하게는 문제 정의와 현황 분석, 측정 지표 이해, 목표 수준 설정 및 개선안 실행으로 AARRR 프레임워크를 활용할 수 있습니다.

‍

단계별 문제를 확인합니다.

e.g. 최근 7일 가입자수가 전주 대비 줄었네?

‍

핵심 주요 지표를 선정하고 현황을 확인합니다.

e.g. 광고 매체 별 가입수와 가입당 비용을 확인해보자.

‍

측정 지표의 의미를 이해합니다.

e.g. 가입자수는 GA 기준으로 측정하고, 가입당 비용용은 광고관리자에 들어간 예산으로 적용하자.

‍

목표 수준을 정하고 실험을 통해 개선합니다.

e.g. 가입당 비용(CAC)를 GA 기준으로 20,000원 이하가 되게끔 목표를 정하자. 현재 운영 중인 광고 매체 중 카카오는 CAC가 40,000원이라 너무 높고, 유튜브가 30,000원이네. 카카오는 끄자. 상대적으로 효율이 괜찮은 유튜브 광고 소재와 세팅에 변화를 줘서 가입당 비용을 낮춰보자!

‍

AARRR 퍼널은 단계일 뿐, 순서는 아닙니다.

사용자는 AARRR을 단계별로 거치지 않습니다.

추천을 받고 유입된다면 Referral이 먼저, Acquisition이 후자가 되는 것이고요. 가입하지 않고 비회원으로 상품을 구매한 후에 상품이 마음에 들어 가입을 하고 다른 상품도 차차 둘러본다면, Revenue > Acquisition > Activation의 단계를 밟은 것으로 볼 수도 있습니다.

‍

AARRR 프레임워크를 발표한 Dave McClure도 활성화(Activation)와 유지(Retention) 이후 고객 유치(Acquisition)과 추천(Referral) 마지막으로 수익화(Revenue)의 순서를 추천하기도 했습니다. 회사의 상황에 따라 더 중요한 AARRR 단계가 있을 수 있습니다.

‍

Customer Lifecycle / Conversion Behavior

‍

우리 회사는 어떤 단계의 AARRR이 가장 중요할까요? 리텐션은 나날이 감소하는데 획득에만 치중하고 있는 것은 아닐까요?

‍

풀스택 마케팅 컨설팅펌 마티니아이오

https://martinee.io/

‍

원본 포스팅 링크

그로스마케팅과 AARRR 퍼널 분석 (ft. 29CM)

EVENT

2024 마티니 데이터 캠프 RFM 기반 고객 세그멘테이션과 멤버십 전략

June 20, 2024

마티니와 함께 RFM 분석해보기

2024 마티니 데이터 캠프 RFM 기반 고객 세그멘테이션과 멤버십 전략 메인 썸네일

‍

행사명 : 2024 마티니 데이터 캠프 RFM 기반 고객 세그멘테이션과 멤버십 전략

장소: 서울 서초구 서초대로38길 12 마제스타시티 타워2 12F

일시: 2024년 6월 18일 화요일

주제

1차 온라인 웨비나 : RFM 기반 고객 세그멘테이션과 멤버십 전략

2차 오프라인 세미나 : RFM 실습 및 분석

‍

웨비나로 이론을 배워보자!

2024 마티니 데이터 캠프 RFM 기반 고객 세그멘테이션과 멤버십 전략 웨비나 화면 1

2024 마티니 데이터 캠프 RFM 기반 고객 세그멘테이션과 멤버십 전략 웨비나 화면 2

‍

오프라인 세미나에서 RFM 분석 실습을 진행하기 전 웨비나에서 RFM 기반 고객 세그멘테이션과 멤버십 전략에 대한 이론과 사례들을 살펴보았습니다.

고객 세분화 분석방법 RFM은 개념과 특징을 간단한 예시를 통해 쉽게 이해하실 수 있도록 설명해드렸고, 본격적으로 설계하는 단계에서 RFM 점수 및 모델 활용법과 집계 기간 등 유용한 꿀팁들을 공유해드렸습니다.

마지막으로 RFM 분석을 기반으로 멤버십의 혜택과 구간 기준, 구간별 유저 특징을 확인하는 과정 등 멤버십 전략을 설계하는 방법과 단계에 대해서도 알아보는 시간을 가졌습니다.

‍

어떻게 진행하였나요?

2024 마티니 데이터 캠프 RFM 기반 고객 세그멘테이션과 멤버십 전략 현장 사진

2024 마티니 데이터 캠프 RFM 기반 고객 세그멘테이션과 멤버십 전략 수강생 모습

‍

오프라인 세미나는 실습 위주 세션으로 직접 RFM 분석을 진행하고 실무에 적용해보실 수 있도록 공유해드린 RFM 템플릿을 통해 실습을 진행하였으며 각 자리에 모니터를 배치하여 충분히 따라오실 수 있게 했습니다.

웨비나에서 설명해드린 이론과 내용을 직접 적용해볼 수 있는 시간도 충분히 가지며 RFM 분석을 완전히 이해하는 시간을 가졌습니다.

‍

어떤 것들을 배웠나요?

RFM 항복 별 기준 정의해보기

2024 마티니 데이터 캠프 RFM 기반 고객 세그멘테이션과 멤버십 실습 모습

2024 마티니 데이터 캠프 RFM 기반 고객 세그멘테이션과 멤버십 전략 강사 이재철

‍

RFM 고객 세분화를 통해 고객 등급을 정하기 전에 기준을 정의하고 데이터를 수집해야 합니다.

고객 ID별 최근 구매일, 구매금액 등이 포함된 로데이터 (Raw Data)를 준비하고 나서 데이터의 모양을 학인하는 과정을 알아보았습니다. 구매가 일어나지 않는 커뮤니티와 같이 비즈니스별로 데이터 모양이 다를 수 있기 때문에 자신의 서비스 데이터 모양을 확인하고 등급 구간의 갯수를 정해야 합니다. 등급을 너무 많이 쪼개거나 적게 쪼갠다면 고객들을 명확하게 관찰하기 어려워지겠죠?

‍

‍

RFM 가중치 부여하기

2024 마티니 데이터 캠프 RFM 기반 고객 세그멘테이션과 멤버십 전략 전체 현장모습

2024 마티니 데이터 캠프 RFM 기반 고객 세그멘테이션과 멤버십 전략 강사 이재철 2

‍

등급 구간을 얼마나 쪼갤 것인지 정했다면 이후에는 비율을 정하는 단계입니다. 이때 가중치를 부여하고 계산하여 등급별 비중과 등급 누적 %를 정하게 됩니다. 모든 멤버십의 등급이 가중치를 적용하지 않고 일정하게 설정한다면 멤버십 설계의 의미가 없어지겠죠?

따라서 가장 중요하다고 할 수 있는 단계가 RFM 가중치를 부여하는 것입니다. 이 단계도 RFM 기준을 정의하는 것과 마찬가지로 각 비즈니스별로 상이할 수 있기 때문에 자신의 서비스에 가장 알맞게 설계하는 것이 중요합니다.

‍

마티니 교육 세션, 왜 들어야 할까요?

마티니는 이론만 공유해드리는 것이 아니라 참여하신 분이 실제 각자의 실무에 바로 적용해보실 수 있도록 실습 위주 세션으로 구성합니다. 배웠던 이론들을 직접 적용해보고 분석하며 참여자분들이 자신의 서비스에 가장 알맞는 분석 및 적용 방법을 체화하는 것에 집중하고 있습니다.

이번 RFM 기반 고객 세그멘테이션과 멤버십 전략 세션에서는 혼자서도 천천히 복습하며 적용하실 수 있도록 RFM 분석 엑셀 템플릿과 루커 스튜디오 RFM 시각화 대시보드 템플릿을 공유해드렸습니다.

‍

여러 번 듣지 않아도 충분히 가능합니다.

RFM 기반 세밀한 고객 분석을 통해 비즈니스를 성공시키고 싶으시다면 마티니와 함께 하세요!

마티니 데이터 캠프 RFM 기반 고객 세그멘테이션 및 멤버십전략 (24.6.18)

GROWTH

그로스마케팅이란? 콘텐츠도 퍼포먼스도 UIUX 개선도!

June 20, 2024

그로스마케팅이란? 비즈니스의 성장을 위한 마케팅

Growth Marketing이란 '성장'에 초점을 맞춘 마케팅입니다.

성장을 위해서 모든 수단을 총 동원하는 그로스 해킹에서 유래된 마케팅 방법론입니다. 성장의 목표는 매출, 앱설치수, 회원수, 리드 확보(B2B) 등이 될 수 있겠죠.

‍

그로스마케팅의 수단은 다양합니다. 전환율 개선을 위해서는 UIUX 개선이 필요할 수도 있고, 사용자의 획득 및 유입을 위해서는 퍼포먼스마케팅이 그로스마케팅의 수단이 될 수도 있습니다.

‍

그로스마케팅의 목표와 수단의 예시

예시 1. 브랜드 인지도 향상을 위한 콘텐츠 마케팅

목표: 브랜드 인지도 향상
수단: 브랜드/콘텐츠 마케팅

‍

세부 업무 1. 자사 SNS 관리

인스타그램 피드 기획 및 제작
유튜브 콘텐츠 기획 및 촬영, 편집
블로그 콘텐츠 기획 및 작성

‍

마티니 인스타그램 피드 기획 및 제작 예시 — 인스타그램 피드 기획 및 제작 예시

‍

예시 2. 장바구니 담기 > 결제 페이지 전환율 개선

목표: 결제 전환율 개선
수단: UIUX 개선

‍

세부 업무 2. 장바구니 페이지 UIUX 요소 변경

장바구니 할인율 표기
최대 할인 혜택 표기 방식 변경

‍

‍

예시 3. 트래픽 캠페인

목표: 유입수 증대
수단: 퍼포먼스마케팅

‍

세부 업무 3. 인스타그램 광고용 소재 기획 및 제작, 세팅 및 효율 관리

페이스북/인스타그램 광고 소재 기획
소재 제작
세팅 및 효율 관리

‍

퍼포먼스 광고 소재 기획안 예시

‍

‍

‍

퍼포먼스마케팅에 대해 더 알고 싶다면?

https://brunch.co.kr/@marketer-emje/9

‍

그로스마케팅의 퍼널 분석과 A/B 테스트

Growth Marketing은 목표한 '성장'을 판단할 수 있는 지표를 정확히 설정하고 효과를 검증하는 것이 필요합니다.

‍

즉 정성적 감에 의존하기 보다는 내부 데이터를 분석하여 정량적인 근거를 기반으로 합니다. 일례로 퍼널(Funnel) 분석을 통해 사용자들이 이탈하는 구간을 찾아내고 A/B 테스트를 통해 개선안을 운영하여 수치를 개선시키고 성장을 만들어냅니다.

‍

앰플리튜드(Amplitude)의 퍼널(Funnel) 차트 예시 — 앰플리튜드(Amplitude)의 퍼널(Funnel) 차트

‍

‍

A/B 테스트 운영

그로스 스프린트의 일환으로 UIUX 개선안을 적용할 시, 기존 UI와 성과를 비교할 수 있도록 A/B Test를 진행하는 것이 좋습니다. 마티니에서는 세 가지의 방안을 고객사에게 제안했습니다.

‍

방안 1. 전후 비교하기: 1주씩 기존안/개선안 반복하며 2개월 간 운영

기존 장바구니>구매 전환율의 변동 폭이 주간/월간 기준으로도 큰 편임을 감안하였을 시, 기간을 길게 잡고 진행하는 것이 다른 변인을 감안할 수 있을 것으로 예상됩니다. 개발적 공수가 제일 적을 수 있습니다.

‍

방안 2. 내부 개발

동일한 페이지(장바구니페이지/결제페이지)를 분기하여 기존안과 개선안, 두 개로 운영하는 것입니다. (cart_page vs. cart_page_test 및 order_page vs. order_page_test)

‍

방안 3. 외부 tool 사용

Heckle (핵클) 링크

자체 개발보다는 개발 인풋이 적게 들어갈 것이라고 판단되나 SDK 연동은 필요합니다. 노출될 페이지를 개별 제작해야합니다. 핵클은 A/B 테스트 운영 시 필요한 개발 인풋과 분석 환경 인풋을 줄여주는 툴입니다.

‍

그로스마케팅과 퍼포먼스마케팅

두 마케팅 방법론의 가장 큰 공통점은 '숫자'로 대변되는 데이터를 근거로 한다는 것입니다.

‍

메타 광고를 예시로 한다면 매출 증대를 목표로 하는 전환 캠페인에서는 광고 비용과 ROAS 등의 수치를 중요시할 것이고요. 그로스마케팅의 경우 리텐션(재방문율/재구매율)을 개선하고자 했을 때는 재방문수, 재구매수의 절대적인 수치와 전체 방문 중 재방문수의 비중, 전체 구매 중 재구매수의 비중 등 상대적인 수치를 봐야할 것입니다.

‍

진짜 그로스마케팅은 어려운 것이 당연합니다.

그로스마케팅은 여러 직무와 업무 범위가 겹칩니다.

‍

Growth Marketing이 '성장'을 위한 마케팅인 만큼 그리고 그 수단으로 여러 업무들과 범위가 겹치는 만큼 혼자서는 하기 어려운 것이 당연합니다.

‍

UIUX 개선의 경우 서비스기획 부문과 겹치고, 퍼포마의 효율화를 위해서는 그 많은 광고 매체들을 커버해야하며, 콘텐츠 마케팅을 위해서 주요 키워드를 찾고 크리에이티브를 짜고, CRM 마케팅을 한다면 메세지를 수신할 타겟 대상을 세분화하고 메시지 구성을 짜고 보내는 시점을 정하고 혜택을 구성하는 등 해야할 일이 끝이 없겠죠.

‍

그로스마케팅 부문에 컨설팅 회사가 존재하는 이유라고 생각합니다. 그로스를 경험한 인력들에게 레버리지를 시킬 수 있으니까요.

‍

풀스택 마케팅 컨설팅펌 마티니아이오

https://martinee.io/

‍

원본 포스팅 링크

그로스마케팅이란? 콘텐츠도 퍼포먼스도 UIUX 개선도!

GROWTH

퍼포먼스마케팅이란? 성과 측정이 가능한 것!

June 19, 2024

소위 퍼포마 라고도 부르는 퍼포먼스마케팅에 대해서 얘기해보려고 합니다. 마케팅이라는 개념이 워낙 넓어서인지 다소 모호하게 느껴질 때가 많은데요.

현직 그로스마케터의 입장에서 퍼포먼스마케팅의 개요와 사례에 대해 최대한 구체적으로 소개해보겠습니다. 퍼포먼스마케터를 준비하시는 취준생 분들 혹은 이미 마케터로 일하는 분들께도 도움이 되었으면 합니다.

‍

일상에서 쉽게 만나볼 수 있는 마케팅

마케팅은 모든 곳에 있습니다. 출근 길, 지하철에서 본 스크린도어 광고도 마케팅이고요. 인스타그램 스토리를 넘기다보면 나오는 브랜드의 블랙프라이데이 할인 광고도 마케팅이죠.

‍

거실 방에 틀어져있던 TV에서 본 TV CF도 마케팅, 핸드폰으로 뉴스를 볼 때 옆에따라다니는 이미지들도 마케팅입니다. 엊그제 무심코 온라인 커뮤니티 글에서 읽었던 글이 마케팅일 수도 있을겁니다.

‍

퍼포먼스마케팅이란? 성과 측정이 가능한 마케팅!

Performance Marketing이란 '성과'에 초점을 맞춘 마케팅입니다. 위에 예시로 들었던 마케팅들 중에서 성과를 명확히 알 수 있는 마케팅은 무엇일까요?

‍

1) 지하철 스크린도어

2) 인스타그램 스토리

3) TV CF

4) 온라인 뉴스 배너 광고

5) 온라인 커뮤니티 글

‍

몇 명에게 보여졌을까요? 그리고 몇 명이 진짜로 '봤을까요?' 그리고 몇 명이 그냥 본 것 외에 (수동적 차원) 다음 행동을 했을까요? (적극적 차원)

‍

1) 스크린도어, 3) TV CF, 5) 커뮤니티 글의 경우 광고 노출 = 광고 조회라고 보기 애매합니다.

1)의 경우는 지나쳤을 뿐 진짜 보지는 않았을 수 있으니까요.

3) 또한 마찬가지입니다. 광고가 틀어져있었을 뿐 시청자는 자리를 비웠을 수도 있고요.

5)의 경우는 글 내에 다음 행동을 유도하는 장치가 있냐 없냐에 따라 달라질 수 있겠네요.

‍

2) 인스타그램 스토리, 4) 뉴스 배너 광고는 광고 노출수, 다음 행동을 유도하는 영역의 클릭수, 이후 전환수와 전환율 등 성과로 볼 수 있는 다양한 수치를 확인할 수 있습니다.

‍

즉 여기서는 2) 인스타그램 스토리와 4) 뉴스 배너 광고를 퍼포먼스마케팅이라고 볼 수 있겠네요.

‍

‍

포인트는 광고를 봤다는 것을 증명할 수 있는가?입니다.

‍

인스타그램 스토리나 뉴스 배너 광고의 경우 증명할 수 있습니다. 그 브랜드나 상품에 흥미가 생겼을 때, '클릭'하게 되니까요. CTA (Call To Action)이라고 하는 행동 유도 장치 버튼을 통해서요.

‍

인스타그램 스토리 광고

‍

결론적으로 퍼포먼스 마케팅은 성과를 측정할 수 있는 마케팅을 말하며, 외부에 있는 사용자를 내부의 서비스로 유입시킬 때 주로 사용됩니다.

커머스를 예시로 들면 유입~가입~첫구매 혹은 유입~재구매를 위한 UA Marketing과 Retargeting Markteting이 있습니다.

User Acquisition은 사용자 획득으로 외부에 존재하는 유저들을 서비스 내부로 데려오는 것이고,
Retargeting은 유입된적 있지만 다시 떠나있는 이들을 다시 한 번 타겟팅하여 서비스 내부로 또 데려오는 것입니다.

‍

퍼포먼스마케팅의 배너 광고와 검색 광고

퍼포마에서 활용하는 광고는 크게 1) 배너 광고와 2) 검색 광고로 나눌 수 있습니다.

‍

1) 배너 광고는 불특정 다수에게 광고 콘텐츠를 노출시키는 것을 것입니다. 물론 대상의 타겟팅을 정교화할 수 있지만 (성별, 연령대 등의 인구통계학적 특징 외에 주요 관심사, 기타 행동) 최근에는 오픈 타겟이라고 하여 다른 조건 없이 광고의 모수로 삼는 경우가 많습니다. (광고 매체들의 머신 러닝이 정교화되어 알아서 타겟팅을 해주기 때문입니다.)

‍

배너 광고 매체로는 페이스북/인스타그램(메타), 구글/유튜브, 네이버, 카카오 등이 있습니다. 페이스북 피드 광고, 인스타그램 스토리 광고, 구글/네이버/카카오의 배너 광고들이 그 예시입니다.

카카오와 네이버의 배너 광고

‍

퍼포먼스마케팅의 주요 지표

배너 광고는 목표에 따라 중요하게 여기는 지표 또한 달라지는데요. 목표에 따른 캠페인으로는 브랜드 인지도 향상, 유입(=트래픽) 증대를 위한 트래픽 캠페인과 가입/앱설치/매출 증대 등을 위한 전환 캠페인이 있습니다. 주요 지표로는 도달수, 노출수, 노출당비용, 클릭수, 클릭율, 클릭당비용, 전환수, 전환당비용, 전환율 등을 통해 성과를 측정할 수 있습니다.

‍

목표 (1) 브랜드 인지도 향상
세부 목표: 최대한 많은 사람들에게 보여지게 하기
주요 지표: 도달수, 노출수

‍

목표 (2) 웹사이트의 유입 증대
세부 목표: 최대한 많은 사람들이 들어오게 하기
주요 지표: 클릭수, 유입수 트래픽 캠페인

‍

목표 (3) 커머스 매출 증대
세부 목표: 최대한 많은 주문 발생시키기
주요 지표: 결제수

‍

‍

2) 검색 광고는 배너 광고보다는 고관여자에게 광고 콘텐츠가 노출됩니다. 보통 배너 광고를 통해 상품을 인지하고 이후에 그 상품군이 필요할 때 키워드를 검색하여 구매하기 때문이죠.

즉 검색을 했을 때는 구매 직전일 가능성이 높습니다. 검색을 하는 것 자체가 이미 구매 의도가 있다는 것이니까요. 그러므로 검색 광고는 배너 광고보다 대상 모수는 적고 경쟁도가 치열하여 비용이 높지만, 상대적으로 구매로 이어지는 전환율이 높습니다.

‍

네이버 검색 광고: 파워링크, 쇼핑검색 등
구글 검색 광고

‍

퍼포먼스마케팅에서 주의할 점!

제일 조심해야하는 점은 '숫자'입니다. 가장 중요한 만큼 가장 위험할 수 있는데요. 성과 측정에 초점을 맞추기 때문에 숫자에 현혹되기 쉽기 때문입니다. ROAS: Return On Ad Spend, 광고 수익률 - 가 주요 지표로 여겨지는 만큼 이 숫자'만을' 보게될 때를 주의해야합니다.

‍

‍

ROAS 200% vs ROAS 1000%

‍

여기서 ROAS 1000%의 광고가 무조건 좋은 소재라고 판단할 수 없습니다. 기간과 비용 등 다른 수치들을 함께 봐야죠.

최근 7일 간 100만원의 마케팅 비용을 집행하여 ROAS 1000%가 나왔다면 매출은 1,000만원일 것입니다.
어제 1일 간 1,000만원의 비용을 써서 ROAS 200%가 나왔다면 매출은 2,000만원일 것입니다.

마케팅은 비용을 많이 쓸수록 난이도가 높아지므로 ROAS 수치만으로 판단할 수는 없습니다.

‍

퍼포먼스마케팅도 그로스마케팅도 중요한 것은 데이터

퍼포먼스마케팅과 그로스마케팅의 가장 큰 공통점은 '숫자'로 대변되는 데이터를 근거로 한다는 것입니다. 메타 광고의 매출 증대를 목표 전환 캠페인에서는 광고 비용과 ROAS 등의 수치를 중요시할 것이고요.

‍

그로스마케팅의 경우 리텐션(재방문율/재구매율)을 개선하고자 했을 때는 재방문수, 재구매수의 절대적인 수치와 전체 방문 중 재방문수의 비중, 전체 구매 중 재구매수의 비중 등 상대적인 수치를 봐야할 것입니다.

‍

마케팅을 하는 경우는 크게 인하우스와 대행사(에이전시)로 나뉩니다. 인하우스에서 퍼포먼스마케터로 광고 매체를 직접 운영하거나 (self-serving이라고 많이들 표현합니다.) 대행사와 논의하며 일하는 경우가 있고요. 대행사에서 퍼포마를 한다면 여러 고객사들을 맡아서 다양한 광고매체를 경험할 수 있습니다.

‍

보통 전자(인하우스)에서 퍼포먼스마케터로 일하는 경우 그로스마케터처럼 일하는 상황도 자주 발생합니다. 매출 성장에 필요한 모든 마케팅들을 도맡아서 하다보면 꼭 유상 광고 매체만 운영하는 것이 아닌, 인스타그램도 관리하고, 제휴 마케팅도 진행하고, 프로모션도 관리하고, 자사몰 상세페이지를 기획할 수도 있기 때문이죠.

‍

Data-driven Marketing

데이터를 기반으로 한 의사결정과 마케팅을 하기 위해서 데이터 환경이 구축되어 있어야 합니다. 퍼포먼스마케팅에서 주로 다루는 광고 매체들의 성과의 명확한 분석을 위해서는 기여(Attribution)와 접점(Touchpoints)에 대한 결정과 설정이 필요하기 때문입니다.

‍

이를 위해 MMP(Mobile Measurement Partner)인 에어브릿지(Airbridge)나 앱스팔라이어(Appsflyer), 애드저스트(Ajdust)를 활용하는 것이고요. CRM 마케팅과의 연계 캠페인을 운영하기 위해서 브레이즈(Braze)와의 연동을 구현하기도 합니다.

‍

그리고 결국 궁극적인 전환 성과를 판단하기 위해서 DB Data (User Data)를 연동하여 비교하기도 하죠. 데이터 분석의 깊이에 따라 사용자에 대한 이해도가 달라지는 만큼 데이터 파이프라인 구축은 중요합니다.

‍

데이터파이프라인 구축을 지원하는

풀스택 마케팅 컨설팅펌 마티니아이오

https://martinee.io/

‍

원본 포스팅 링크

퍼포먼스마케팅이란? 성과 측정이 가능한 것!

FULL FUNNEL

인마이메일 What is in my email

June 19, 2024

📨 인마이메일 (What is in my email)

비즈니스와 관련된 다양한 영역에 관심이 있다보니 괜찮다 싶은 곳이 보이면 일단 구독을 하는 편입니다.

‍

항상 모든 정보를 읽는건 아니지만 그래도 가끔 보내주는 정보들을 보면서 업계의 소식과 요즘의 트렌드를 따라가려 합니다. 국내 자료들도 많이 구독하지만 비중은 외국 아티클과 뉴스가 많습니다.

‍

오늘 아침 제 메일에 쌓여있는 메일들이 모두 영어로된 글로 화면을 꽉 차는걸 보고 너무 했나 싶은 생각도 잠깐 했습니다. 이 기회에 제가 구독하고 괜찮다 싶은 뉴스레터를 한번 소개 시켜 드리겠습니다.

한 때 인마이백 컨텐츠가 유행했는데 비슷하게 '인마이메일' 컨텐츠 입니다 😀

‍

1️. Medium Daily Digest

- 주기 : 매일

- 유무료 : 부분 유료

- 주제 : 저의 관심사 기반으로 Medium 플랫폼에 올라온 데일리 컨텐츠

- 특징 : Medium은 이미 너무 유명한 블로그 플랫폼입니다. 국내에서도 29cm, 네이버, 직방, 당근 등 다양한 기업들의 테크 블로그들의 글들이 올라오는 곳입니다. Medium이 저의 관심기반으로 컨텐츠들을 추천해주다 보니 저는 기술 기반의 내용들이 많이 보이는 편입니다. Medium 블로그를 최초에 가입하면 관심사를 선택하게 되고, 관련 관심사 기반으로 유명 인플루언서를 팔로우하게 됩니다. 다른 곳들보다 상대적으로 양질의 글들이 많이 올라오다 보니 거의 매일 보는 뉴스레터입니다.

컨텐츠 중 일부는 유료 컨텐츠인데 연간 멤버십을 하게 되면 모두 볼 수 있습니다. 저는 유료로 전환해서 보고 있는데 만족하는 편입니다.

‍

2️. Reforge

- 주기 : 매일

- 유무료 : 무료

- 주제 : 스타트업, 성장 전략, 제품 관리 및 기술 등 다양한 비즈니스 및 기술 관련 주제

- 특징 : Reforge는 연간 멤버십이 200만원이 넘을 정도로 고가의 지식 정보 플랫폼입니다. 그 중 일부는 아티클로 발행되고 뉴스레터를 통해서도 받아볼 수 있습니다. Reforge의 창업자는 Hubspot Growth 리드이자 다양한 스타트업 창업 경험이 있는 Brian Balfour입니다. 네트워크가 넓은 만큼 업계 전문가들의 인사이트를 포함하여 인터뷰를 통한 깊이 있는 정보들도 공유를 하고 있습니다. 각 호에는 최신 트렌드와 실제 사례 연구가 포함되어 있어 실무자들에게 유용한 정보를 제공하고 있습니다.

‍

3️. Hubspot blog

- 주기 : 주간

- 유무료 : 무료

- 주제 : 인바운드 마케팅, 세일즈 전략, 고객 서비스, CRM 소프트웨어 사용법

- 특징 : Hubspot이 CRM과 세일즈, 마케팅 오토메이션에 특화되어 있다보니 관련된 기술 트렌드와 성공 사례들을 공유해주고 있습니다. 특히 이메일, SEO와 같이 B2B 관련된 기술들의 트렌드를 확인하기에 좋습니다.

특히나 Hubspot은 다른 곳보다 템플릿을 정리해서 공유해주는 편이어서 실무적 활용도도 높은 편입니다. 지금 컨설팅 회사에서 B2B 업무를 처음 시작하면서 초반에 많은 정보를 얻었던 것 같습니다.

‍

4️. Lenny's Newsletter

- 주기 : 주 2회 (화,금)

- 유무료 : 유료 구독은 월 15$로 좀 더 다양한 정보를 받습니다.

- 주제 : 주요 주제는 제품 개발, 성장 전략, 인력 관리 등입니다. 특히 스타트업 환경에서 제품 관리와 성장에 대한 깊이 있는 조언을 제공

- 특징 : Lenny의 뉴스레터는 이미 너무 유명한 뉴스레터입니다. 전세계 스타트업과 제품 성장에 관심이 있는 70만 명이 구독하고 있습니다. 제품 관리와 성장에 대한 구체적이고 실질적인 조언을 제공합니다.

예를 들어, "성공적인 피벗 리스트"나 "B2B SaaS 회사의 GTM 모션"과 같은 주제를 다루며, 독자들에게 실질적인 인사이트를 제공합니다.레니 뉴스레터의 특징은 팟캐스트나 인터뷰 비율이 높다는 편입니다. 그리고 구독자들의 질문을 바탕으로 한 조언 형식으로 구성되어 있습니다.

Lenny는 독자들의 질문에 대한 답변을 통해 자신의 경험과 배운 점을 공유합니다.다른 어떤 뉴스레터보다 양과 질이 압도적입니다. 특히나 양이 상상이상으로 많기 때문에 날잡고 읽어야지 하다가 놓치는 경우가 많습니다. 이번 연휴에는 꼭 밀린 뉴스레터를 읽어봐야겠습니다.

‍

5️. Demand Curve

- 주기 : 주 2회

- 유무료 여부 : 무료

- 주제 : 스타트업 성장 전략, 광고 캠페인, 제품 메시징, 마케팅 전략 등 입니다.

- 특징 : 주로 스타트업들이 사용할 수 있는 Growth 사례와 전략을 보내줍니다.

예를 들어, 광고 캠페인을 처음 시작하고 최적화하는 방법, 제품 메시징(LMF)을 개선하는 전략 등을 다룹니다.Growth 컨설팅을 비즈니스 모델로 하는 곳에서 발행하다 보니 실제로 그들의 컨설팅 경험들을 공유해줄 때가 많습니다. 허브스팟과 비슷하게 다양한 마케팅 주제에 대한 플레이북과 템플릿을 잘 공유해 줍니다.

‍

🙋 쓰다보니 내용이 엄청 길어지네요. 원래는 한번에 알려드리고 싶었는데 욕심이었습니다.

다음에 다시 2탄으로 돌아오겠습니다!

‍

👉 여러분들의 뉴스레터 중 보석같은 친구들이 있으면 함께 공유해주세요 :)

‍

원본 포스팅 링크

📨 인마이메일 (What is in my email)

FULL FUNNEL

'지표' 대화를 위한 넓고 얕은 지식

June 17, 2024

📊 '지표' 대화를 위한 넓고 얕은 지식 (지대넓얕)

‍

지표에 관해 경험한 여러 이야기를 가져와 봤습니다.

‍

1️. 지표를 많이 본다는 생각을 버리자

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.

‍

2️. 지표는 측정가능해야 한다

'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.

‍

3️. 집계, 비율, 비용, 파생

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.

‍

4️. 지표는 고정되지 않는다

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.

‍

5️. 우리에게 맞는 지표를 찾기

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.

‍

👉지표는 도달하고자 하는 목표를 가리키는 수단입니다. 절대적 기준이 아닙니다.

‍

원본 포스팅 링크

📊 '지표' 대화를 위한 넓고 얕은 지식

GROWTH

앰플리튜드(Amplitude), 왜 쓰는 걸까?

June 17, 2024

왜 유니콘 스타트업에서는 앰플리튜드를 쓰는 그로스마케터를 구할까?

‍

앰플리튜드란?

웹/앱 서비스 내에서 사용자들의 행동을 분석할 수 있는 프로덕트 애널리틱스(Product Analytics), 서비스 분석 툴입니다.

‍

마테크 솔루션 중에 프로덕트 애널리틱스, 그 중에 앰플리튜드

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.

‍

2022 마테크 솔루션 Landscape — 마테크 툴은 엄청나게 많다....

‍

주요 마테크 솔루션 소개 이미지 — 주요 툴들은 또 이렇게 나눌 수 있습니다.

‍

구글 애널리틱스보다 '앱'에 좀 더 특화된 솔루션!

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.)

오가닉 채널(Organic)은 자연적인 방식으로, 네이버나 구글에 키워드를 직접 검색해서 들어온 경우
페이드 채널(Paid)는 퍼포먼스마케팅와 연계된 방식으로, 페이스북/인스타그램 광고나 네이버 검색 광고를 클릭해서 들어온 경우
추천(Referral)은 링크를 타고 들어오는 경우 등

‍

앰플리튜드 (Amplitude)와 구글애널리틱스(Google Analytics4) 비교표

앰플리튜드가 왜 필요한가요? 앱 분석을 위해 필요합니다.

‍

앰플리튜드는 유입 이후 웹/앱 서비스 내에서의 사용자 여정(User Journey)을 행동(Event)을 기반으로 세부적으로 확인할 수 있습니다.

‍

Q1. 사용자가 우리 서비스에 유입된 이후에 직후에 가장 많이 한 행동은 무엇일까?
A1. SALE을 눌러볼까, 상품을 검색해볼까, 가입을 할까, 혜택을 볼까?
Q2. A 브랜드에서 구매 완료 행동을 N개월에 걸쳐 X회 이상 한 유저들의 특성은 무엇일까?

‍

‍

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.

‍

앰플리튜드는 전환된 사용자들의 행동을 세부적으로 분석하여, 여러 번 방문/전환한 충성 사용자들을 코호트화 할 수 있습니다.

‍‍(*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.)

‍

앰플리튜드(Amplitude), 개인에게는 왜 필요한가요?

스타트업 쪽에서 데이터 분석 역량을 요하는 직군에게는 우대 사항 혹은 자격 요건이 됩니다. 오늘 기준 원티드에서 찾아본 채용 공고인데요.

‍

여기어때에서 Growth Marketer(그로스 마케터)를 채용하는 공고에 주요 업무로 데이터 분석과 그로스 전략 수립이, 자격 요건에 마케팅 툴 [MMP(Appsflyer, Adjust), Amplitude, Braze, GA 등]에 대한 내용이 기재된 것을 확인할 수 있습니다.

‍

채널톡의 마케팅 매니저 채용 공고 내에도 우대사항으로 세일즈포스(아마 태블로겠죠?), 앰플리튜드 등 데이터 솔루션을 통한 성과 측정이 언급됩니다.

‍

결국 더 좋은 앱을 만들어 (수익을 높이고자) 쓰는 솔루션입니다.

‍

왜 앱 데이터를 분석해야 할까요? 더 좋은 앱을 만들기 위해서겠죠. 앱 데이터는 무엇으로 구성될까요? 사용자들의 정보와 행동에 의해서 앱 데이터가 쌓입니다.

즉 사용자의 행동을 분석할수록 더 나은 프로덕트/서비스를 만들 가능성이 높아집니다.

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.

‍

앰플리튜드(Amplitude), 회사에게는 왜 필요한가요?

앰플리튜드를 사용하면

여러 종류의 데이터를 한 번에 보여주는 대시보드의 형태를 쉽게 쓸 수 있게 됩니다.

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.

‍

앰플리튜드 누가 쓰나요?

마케터와 서비스기획자(PM/PO), 데이터 분석가(Data Analyst), UIUX 디자이너 등 여러 직군에서 활용할 수 있습니다.

‍

언제, 어디에 쓰나요?

전체 구성원들이 함께 확인할 수 있는 KPI 대시보드

마케터가 사용하는 마케팅 대시보드

서비스기획자(PM)이 사용하는 프로덕트 대시보드

디자이너가 사용하는 디자인 대시보드 등이 있습니다.

‍

앰플리튜드 어떻게 쓰나요?

무료 버전이나 구독 모델을 사용해볼 수 있습니다.

https://amplitude.com/pricing

앰플리튜드 정규 도입은 한국 공식 리셀러인 AB180/CJ맥소노미를 통해 진행할 수 있습니다. 이후 기획자들의 택소노미 설계와 개발자들의 구현을 통해 도입이 완료됩니다.

‍

앰플리튜드의 존재가 당연해집니다.

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

목적 조직에서의 DA가 하는 일

‍

앰플리튜드 본사? 리셀러? 컨설팅펌?

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!

‍

원본 포스팅 링크

앰플리튜드(Amplitude), 왜 쓰는 걸까?

GROWTH

태블로 대시보드, 왜 구축하는 걸까?

June 14, 2024

01. 데이터드리븐이 도대체 뭐길래

왜 다들 데이터드리븐을 이야기할까요?

데이터드리븐의 중요성을 논하기 전에, 어제 회의를 떠올려 보면... 회의 때 다들 어떤 이야기를 하고 계신가요?

‍

(As-is) 모호한, 정성적인 이야기들

가입 과정이 복잡해서 회원 수가 정체된 것 같아요.
이번에 리뉴얼한 UI가 사용성이 좀 떨어지는 것 같아요.
새로 나온 상품이 별로라서 매출이 떨어진 것 같아요.
평균 체류시간이 지난주 대비 낮아진 것 같아요.

‍

(To-be) 구체적인, 정량적인 이야기들

가입 과정 중 핸드폰 번호 인증에서 이탈률이 다른 영역 대비 10%p 높아요.
UI 개선을 위해 A/B 테스트를 7일 간 운영했는데 개선안의 구매 전환율이 1% p 높았어요.
새로 나온 상품의 클릭률이 기존 상품보다 5%p 낮네요.
평균 체류시간이 지난주 대비 3%p 전월 대비 13%p 감소했네요.

‍

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.

‍

(To-be) 구체적인, 정량적인 이야기들 > 바로 적용해볼 수 있는 실행방안 도출하기

가입 과정 중 핸드폰 번호 인증에서 이탈률이 다른 영역 대비 10%p 높아요.

✅ 카카오로 간편 가입하면 핸드폰 인증은 필요 없으니, UI에서 카카오를 좀 더 강조한 A/B 테스트해보시죠!

UI 개선을 위해 A/B 테스트를 7일 간 운영했는데 개선안의 구매 전환율이 1% p 높았어요.

✅ 개선안 내에서 어떤 영역의 클릭률이 가장 높고 어느 영역에서 이탈하는지 추가 분석해볼까요?

새로 나온 상품의 클릭률이 기존 상품보다 5%p 낮네요.

✅ 클릭률이 높은 상품들의 썸네일들을 모아서 다른 점이 있는지 인사이트 찾고, 이미지 A/B 테스트 운영해보죠!

평균 체류시간이 지난주 대비 3%p 전월 대비 13%p 감소했네요.

✅ 신규 캠페인에 의해서 유입 채널별 비중이 달라졌는지 확인해보고 사용자 특성 및 체류시간 점검해보죠.

CRM 마케터와 PM의 분석 — 상황을 데이터로 분석하면 어떤 행동을 해야할지 명확해져요!

‍

숫자와 비교군이 더해졌을때 데이터드리븐이 가능해집니다!

‍

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

우리 모두가 합의할 수 있는 '데이터'를 기반으로 의사결정을 한다는 데에 그 핵심이 있습니다.

‍

데이터드리븐의 중요성은 인지했다면 그 다음은 무엇일까요?

데이터드리븐 의사결정과 그것이 가능해지는 환경을 구축하는 것이겠죠.

‍

02. 데이터를 잘 보기 위해서는?

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.

엑셀/스프레드 시트 피봇 테이블 예시 — 돌려 돌려 pivot table~!~!~!

‍

그래서 태블로로 대시보드를 구축합니다.

‍

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.

Marketing Dashboard 예시 — Data pipeline 예시

‍

03. 대시보드를 구축하는 4단계

태블로 대시보드를 제작하기 위해는 4단계의 프로세스가 필요합니다.

환경 점검 > 데이터 수집 > 데이터 저장 > 데이터 시각화인데요.

자세한 내용은 다음 번 글에서 다뤄보도록 하겠습니다!

‍

원본 포스팅 링크

태블로 대시보드, 왜 구축하는 걸까?

FULL FUNNEL

고객관리 분석 | 파레토 분석 | ABC 분석

June 5, 2024

📈 고객관리 분석 | 파레토 분석 | ABC 분석

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 ABC 분석 - Target % 0.8 — *Target % 0.8

‍

파레토 ABC 분석 - Target % 0.5 — *Target % 0.5

‍

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.

‍

🔵 A 그룹 : 매출 누적기준 80% 발생시키는 상위 브랜드 그룹 A

파레토 ABC 분석 - 매출 누적기준 80% 발생시키는 상위 브랜드 그룹 A — *그룹 A

‍

🟡 B 그룹 : 매출 누적기준 80% 이상 95% 미만 발생시키는 일반 브랜드 그룹 B

‍

🟠 C 그룹 : 매출 누적기준 95% 이상 발생시키는 하위 브랜드 그룹 C

파레토 ABC 분석 - 매출 누적기준 95% 이상 발생시키는 하위 브랜드 그룹 C — *그룹 C

‍

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.

‍

📊 BI : 루커스튜디오 / Lookerstudio

‍

원본 포스팅 링크

📈 고객관리 분석 | 파레토 분석 | ABC 분석

FULL FUNNEL

루커스튜디오 신규 릴리스 : 📅 타임라인 차트

June 4, 2024

루커스튜디오 신규 릴리스 : 📅 타임라인 차트

👉 구현방법

프로모션 시작날짜, 종료날짜, 프로모션 이름만 있다면 간단하게 구현가능 합니다.

‍

🙋 활용 방법

커머스 뿐 아니라 프로모션이 빈번한 서비스에서는 다양한 프로모션이 진행되기도 하고 심지어 겹쳐서 진행되기도 합니다.

프로모션은 매출에 직접적인 영향을 주는 중요한 요소이기 때문에 프로모션에 대한 매출 영향도를 잘 분석해서 프로모션 효과를 지속적으로 높여나가야 합니다.

다만, 앞서 말한 것처럼 여러 개가 동시에 진행되는 프로모션의 매출과 영향도를 구별해서 보는 것은 쉽지 않습니다.

아래의 루커스튜디오 차트를 활용하면 프로모션에 대한 타임라인을 간단하게 시각화할 뿐 아니라 각 프로모션 주요 지표도 동시에 확인 가능합니다.

차트 내 필터 클릭 시 발생하는 기능 오류가 있긴 하지만 추후 차트에 대한 완성도가 높아진다면 날짜별 액션에 대한 성과분석이 중요한 프로모션 & CRM 마케터 분들에게 유용한 방식이 될 것 같습니다.

‍

원본 포스팅 링크‍

루커스튜디오 신규 릴리스 : 📅 타임라인 차트

‍

GROWTH

이벤트 택소노미 완벽 설계하기(2) (ft.네이버 시리즈)

May 31, 2024

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.

*보안상의 이유로 자료는 <네이버 시리즈>로 대체하였으며, 실제 데이터와는 무관한 자료임을 참고 부탁드립니다.

‍

지난 글에서는 앞선 세 가지 단계를 통해 이벤트 택소노미의 정의와 설계 전 필독 유의사항을 살펴보았습니다.

‍

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.

‍

비용 최적화된 이벤트 택소노미 설계하기

"이벤트 택소노미 설계 전 반드시 고려해야 할 필수 요소, 네이밍 컨벤션"

"1-2-3 퍼널에서 2 퍼널이 필요한가? Critical Path에 따른 필수 이벤트 설계하기"

"View 이벤트와 Click 이벤트를 동시에 추적해야 하는 경우"

"'구매(purchase)' 이벤트가 '무료'와 '유료'로 나뉘는 경우"

"개발자가 한 번에 알아보는 '이벤트 택소노미 시트'"

"전략에 녹일 수 없는 방대한 데이터는 묶음 처리"

‍

4. 이벤트 & 프로퍼티 설계

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

네이밍 컨벤션(Naming Convention)이란? 하나 이상의 영어 단어로 구성된 식별자를 만들 때 가독성이 좋도록 한눈에 구분하기 위해 규정한 명명 규칙

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.

‍

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.

‍

** 스크롤 내리기 전 준비사항 **

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.

끊임없이 질문하고 끊임없이 생각하며 끊임없는 연결 고리를 찾아야 합니다.

- 어떻게 해야 분석에 특화된 택소노미를 설계할 수 있을까?

- 어떻게 해야 개발 편의적인 택소노미를 설계할 수 있을까?

- 어떻게 해야 지속적이고 확장 가능한 택소노미를 설계할 수 있을까?

- 어떻게 해야 모든 요구사항을 충족하되 깔끔한 택소노미를 설계할 수 있을까?

- 각 주요 퍼널들을 어떻게 분류하고 조합해야 비즈니스 KPI에 적합한 택소노미를 설계할 수 있을까?

‍

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.

‍

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.

‍

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.

무료 회차를 열람하는 경우
유료 회차를 열람하는 경우
무료 회차를 열람한 후 유료 회차로 넘어가는 경우
유료 회차를 열람한 후 상세 페이지에서 이전 페이지로 넘어가는 경우
유료 회차를 열람한 후 상세 페이지에서 다음 페이지로 넘어가는 경우
무료 회차를 열람한 후 다시 다른 무료 회차를 열람하는 경우

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.

'구매(purchase)' 이벤트가 '무료'와 '유료'로 나뉘는 경우 설명 이미지

이처럼 프로퍼티를 잘 활용하면 택소노미의 설계를 간소화할 수 있습니다.

‍

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.

*빠른 이해를 돕기 위해 최소한의 단계로 표현한 점 참고 부탁드립니다.

‍

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.

(e.g. value 외 array 혹은 float 등 다양한 형태의 프로퍼티가 존재하는 경우)

‍

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.

Event Property란? 이벤트가 수집되는 시점의 이벤트에 대한 자세한 속성 정보

User Property란? 유저의 속성 정보로 서비스를 사용하는 각 개인의 특성을 반영하여 보다 세분화된 수준에서 유저 분석에 도움을 주는 정보

e.g. "'2024-01-01' 일자에 '홍길동' 사용자가 '회원가입'을 완료했습니다."

- Event: '회원가입'

- Event Property: '2024-01-01'

- User Property: '홍길동'

‍

각 시트 내에는 아래와 같은 항목들이 포함됩니다. 필수 항목은 아니며, 자사의 서비스 특성을 고려하여 필요한 항목으로 구성할 수 있습니다.

‍

[Columns of Event Propery Sheet]

No: 행 번호
Label: 이벤트 카테고리
Event Name: 이벤트 이름
Trigger: 이벤트 조건(행동 조건)
Required: 필수 개발 여부
Importance: 우선 순위(중요도)
GA4 Event: GA4 전자상거래 이벤트
Event Property: 이벤트 프로퍼티 이름
Description: 프로퍼티 설명
Data Type: 데이터 유형
Value Type: 데이터 형태
Value Example: 데이터 예시
Analysis: 분석 방안
Note: 비고(기타 특이사항)

‍

[Columns of User Propery Sheet]

No: 행 번호
Event Property: 이벤트 프로퍼티 이름
Value Type: 데이터 형태
Value Example: 데이터 예시
Analysis: 분석 방안
Note: 비고(기타 특이사항)

‍

*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.

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.

‍

e.g.) 변경 전 택소노미

- 연재 1회차당 1번 기록하는 경우

연재본 100화의 이벤트 발생 수: 100회
연재본 100화의 프로퍼티 적재 수: 150회
연재 100화분의 총 데이터 적재 수: 250회

‍

e.g.) 변경 후 택소노미

- 연재 10회차당 1번 기록하는 경우

연재본 100화분의 이벤트 발생 수: 10회
연재본 100화분의 프로퍼티 적재 수: 15회
연재 100화분의 총 데이터 적재 수: 25회

‍

5. 마케터 협의

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.

‍

6. 개발자 협의

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]

피그마(Figma)
구글 스프레드시트(Google Spreadsheet)

다음 글에서는 QA를 통해 발생 가능한 개발상의 이슈와 이를 통해 얻을 수 있는 인사이트를 공유드릴 예정입니다.

‍

원본 포스팅 링크

https://brunch.co.kr/@soxxun/8

GROWTH

이벤트 택소노미 완벽 설계하기(1) (ft.네이버 시리즈)

May 30, 2024

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.

*보안상의 이유로 자료는 <네이버 시리즈>로 대체하였으며, 실제 데이터와는 무관한 자료임을 참고 부탁드립니다.

이벤트 택소노미란?

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.

‍

이벤트 유형(Event Category)

'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(Event)

‘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.

속성(Property)

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.

이벤트(Event) vs. 속성(Property)

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.

‍

‍

이벤트 택소노미 구축 프로세스 개요

‍

1. 택소노미의 목적 및 방향성 수립

이벤트 택소노미를 설계하기 위해서는 먼저 이벤트의 목적과 방향성을 분명히 해야 합니다. 단순히 데이터 분석을 위해 택소노미를 설계한다는 것보다는 보다 명확하고 구체적인 목적이어야 합니다.

‍

2. 주요 지표(이벤트 카테고리) 설정

다음으로 첫 미팅 시 담당자와 진행될 질의사항을 사전에 작성하여 공유합니다. 첫 협업인 만큼 질문자의 의도가 명확히 전달되지 않거나 답변자의 답변 내용이 충분히 공유되기 어려울 수 있습니다.

‍

3. 사용자 여정(User flow) 스케치

서비스의 주요 지표를 설정하고 나면 주요 지표로 도달하기까지의 대략적인 유저 플로우를 그립니다. 실제 사용자 입장으로 퍼널에 진입하여 최종 전환까지의 최소한의 경로를 그립니다.

‍

4. 이벤트 & 프로퍼티 설계

유입부터 최종 전환까지 이어지는 단일 퍼널을 그렸다면, 각 단계별로 노드를 추가해 줍니다. 특히 반드시 선택해야 하는 옵션이 있는 단계일 경우 필수로 추가해 주어야 퍼널상의 누락을 방지할 수 있습니다.

‍

5. 마케터 협의

5-6번 프로세스의 경우 수차례 반복될 수 있습니다. 모든 담당자들과의 합의점이 반영된 택소노미를 설계하기까지란 많은 소통과 협의가 필요한 데다, 마케터의 요구사항을 운 좋게 완벽히 반영했다고 하더라도 기능상 점검과 동작 검증이 불가피하기 때문입니다.

‍

6. 개발자 협의

마케터와 협의 하에 설계된 1차 택소노미를 바탕으로 개발자와 검토하는 단계입니다. 개발자에게 택소노미의 전반적인 프로세스를 설명하면 개발자는 애널리틱스를 토대로 구현 가능성을 판단합니다. 일반적으로 마케터와 함께 미팅에 참석해 개발상의 이슈를 파악하고 개선점을 논의합니다.

‍

7. QA 테스트

QA 테스트는 서비스 론칭 전 전반적인 개발 프로세스를 점검하고 개발상의 이슈를 조기 발견하여 조치하는 단계로, 담당자와 최종 협의된 논리적 설계에 따라 데이터 로그가 올바르게 적재되는지 확인합니다. 이 단계에서 잔존된 오류 및 결함을 발견하게 되거나, 더욱 효율적인 방안을 제안할 수도 있기 때문에 놓치는 부분이 없는지 특히 유의하여야 서비스 론칭 이후의 이슈를 최소화할 수 있습니다.

‍

*QA(Quality Assurance)란?

사전적 의미로 '품질보증'을 의미하며, 일정 기간을 두고 프로덕트의 기능 검증 및 품질 테스트를 의미합니다. 단순한 기능 동작 통합 테스트뿐만 아니라 프로덕트의 시작과 마무리까지 모든 과정을 함께 기획하고 품질을 저하시키는 결함 요소들을 찾아 전체적인 품질을 향상하는 데 주목적이 있습니다

‍

8. 최종 수정

모든 설계 과정과 QA까지 마무리되었다면, 전반적으로 개선해야 할 작업이 있을지 최종적으로 점검합니다. 이후 광고를 운영할 수도 있고 신규 기능을 출시할 수도 있으며, 신규 서비스가 론칭할 수도 있습니다. 최종 수정을 마친 후의 액션에 따라 위 단계를 반복하거나 건너뛸 수도 있습니다.‍

‍

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

‍

이벤트 택소노미 설계 전 필독 유의사항

1. 이벤트 택소노미의 목적 및 방향성 수립

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.

‍

마케팅 관점

*편의상 '마케팅'으로 총칭했으나, 실제로는 다양한 영역이 있을 수 있습니다. (e.g. 기획, 분석, 상품 개발 등)

마케터는 엔지니어가 택소노미를 설계하기 위해 필요한 정보가 무엇인지 알 수 없습니다.엔지니어 역시 마케터가 광고 운영 성과를 개선하기 위해 필요한 분석 항목이 무엇인지 알 수 없습니다.

‍

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.

‍

설계자 관점의 최종 퍼널 )

‍

마케터 관점의 최종 퍼널 )

‍

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.

‍

*도서 구독 플랫폼의 경우 도서를‘대여(혹은 소장)’하는 특정 횟수를 기준으로 출판사와 일정 비율 배분하여 정산하는 수익 구조라 다소 복잡한 부분이 있습니다. 만약 도서를 15회 대여 시 네이버 시리즈 측에서 80%의 수익을 창출할 수 있는 구조라고 가정했을 때, 충전을 하더라도 실제로 도서를 구매하고 열람하지 않으면 출판사 측과의 정산 기준을 충족하지 않기 때문에 충전 자체만으로는 의미가 없게 됩니다. 또한 구매 횟수를 기준으로 카운트되기 때문에, 한 사용자가 각종 도서를 15회 다운로드 하더라도 실제로 열람하지 않으면 출판사(혹은 작가) 입장에서의 판매 관점에서는 이 역시 의미가 없습니다.

‍

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.

‍

개발 관점

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."

- 개발자: "택소노미상의 로직은 구현이 불가합니다."

‍

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.

‍

2. 주요 지표(이벤트 카테고리) 설정

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]

Case.1 ) 모두 각각의 퍼널로 분류

‍

Case.2 ) 장바구니와 구매 퍼널 병합

‍

Case.3 ) 충전과 구매 퍼널 병합

‍

Case.4 ) 장바구니, 충전, 구매 퍼널 병합

‍

Case.5 ) 모든 퍼널 병합

‍

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]

유형 1 ) 자사 내부의 주요 지표
유형 2 ) 지표별 데이터의 집계 기준
유형 3 ) 데이터 분석의 성공/실패 사례
유형 4) 기존(혹은 현재)의 최종 KPI
유형 5) 서비스 특성
유형 6 ) 서비스 기능
유형 7 ) UI/UX상 주요한 부분
유형 8 ) 사용자 분류 기준
유형 9 ) 택소노미로부터 얻고 싶은 분석 데이터
유형 10 ) 서비스 기능상의 추가 개발 계획 여부

‍

‍

3. 사용자 여정(User flow) 스케치

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.

‍

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]

"이벤트 택소노미 설계 전 반드시 고려해야 할 필수 요소, 네이밍 컨벤션"

"1-2-3 퍼널에서 2 퍼널이 필요한가? Critical Path에 따른 필수 이벤트 설계하기"

"View와 Click 이벤트가 동시에 추적해야 하는 경우"

"'구매(purchase)' 이벤트가 '무료'와 '유료'로 나뉘는 경우"

"개발자가 한 번에 알아보는 '이벤트 택소노미 시트'"

"전략에 녹일 수 없는 방대한 데이터는 묶음 처리"

‍

‍
원본 포스팅 링크

https://brunch.co.kr/@soxxun/7

‍

EVENT

브레이즈 개인화 마스터 클래스 Review (24.5.29)

May 29, 2024

마티니와 함께 Braze 개인화 기능 정복하기

행사명 : Braze Personalization Master Class 세미나

장소: 서울 서초구 서초대로38길 12 마제스타시티 타워2 12F

일시: 2024년 5월 29일 수요일 오후 7시

초청 대상:

Braze 도입 후 실무 활용법을 배우고 싶으신 분
Braze 개인화 기능을 전문적으로 활용하고 싶으신 분
유저 개개인에게 최적화된 개인화 메시지를 발송하고 싶으신 분

‍

어떻게 진행하였나요?

이번 세미나의 경우, 직접 Braze 개인화 기능을 활용하고 실무에 적용해보실 수 있도록 직접 실습을 진행하였으며 각 자리에 모니터를 배치하여 충분히 따라오실 수 있게 했습니다.

수강자분들이 배우신 내용을 복습하실 수 있도록 강의자료를 현장에서 공유해드렸고, 해석본까지 세션 종료 후에 추가 공유해드렸습니다.

‍

어떤 것들을 배웠나요?

‍

Braze 개인화 기능에 첫 걸음 내딛기

첫 번째 Step인 개인화 태그는 Braze에 유저별로 다르게 수집된 데이터를 메시지에 적용하여 개인화된 메시지를 보낼 수 있게 해주는 역할을 합니다.

개인화 태그 적용 가능 영역은 문구 입력부분과 이미지 영역, 랜딩 영역, 키값 영억(Key-Value Pair) 4가지로 구분되어 있으며, 데이터 타입 (Data Type)별로 Braze에서 가지는 특성이 다릅니다.

String/Number/Date/Boolean - 일반적인 데이터들이 하나의 값을 가짐.
Array - 복수의 값을 나열형 형태로 가짐.
Object - 한 가지 속성에 대한 상세 정보를 속성 하위의 속성으로 저장함.
Array of Object - 하위 속성을 가진 복수의 데이터를 나열형으로 수집함.

이처럼 데이터 타입에 따른 특성이 다르기 때문에 잘 숙지해야 합니다.

‍

Braze 개인화 기능의 심화, Liquid에 익숙해지기

브레이즈 개인화 마스터 클래스 Level 2 리퀴드(Liquid) 강의 모습

개인화 태그의 역할과 기능을 이해하고 나서 본격적인 개인화 기능을 학습하기 위해 Liquid 구문에 대해 배워보았으며 Braze에서 다양한 조건별 메시지 설정이 가능합니다.

원하는 Depth에 따라 제품 카테고리를 구분해서 발송하거나, 쿠폰 만료 하루 전 안내 메시지를 발송하거나, Braze 카탈로그를 활용한 추천 기능을 구현하는 등 설정한 메시지 내 변수를 지정하고 호출하는 과정에서 실제로 어떻게 출력되는지 이해하실 수 있도록 다양한 Liquid 활용 사례를 통해 설명해드렸습니다.

‍

Braze Connected Content 익히기

브레이즈 개인화 마스터 클래스 Level 3 커넥티드 콘텐츠 (Connected Content)

브레이즈 개인화 마스터 클래스 Level 3 커넥티드 콘텐츠 (Connected Content) 실습 사진

마지막으로 Braze 커넥티드 콘텐츠 (Connected Contents)의 개념과 활용방법, 사례에 대해 배워보았습니다.

커넥티드 콘텐츠는 API를 호출(request)하고 그에 대한 응답값(response)을 받아와 메시지에 활용할 수 있는 Braze의 강력한 개인화 기능입니다.

데이터 베이스로부터 요청한 Data값을 받아온 API를 호출하는 방식이기에 커넥티드 콘텐츠의 기본 문법을 정확하고 올바르게 숙지해서 입력해주어야 합니다.

커넥티드 콘텐츠 기능 사용에 적절한 상황들도 Liquid 세션과 마찬가지로 다양한 사례들과 함께 살펴보았습니다.

‍

CRM 커뮤니티에서 CRM 스킬 UP하기

Braze와 Martinee가 야심차게 준비한 CRM 커뮤니티는 Braze 뿐만 아니라 다양한 CRM 툴에 관련된 내용이나 CRM 마케팅을 하면서 생기는 궁금증과 인사이트를 원활하게 공유하고 소통하기 위한 공간을 마련하고자 소개드렸습니다.

소통 및 공유에 있어 불편함이 없도록 참여자 ‘익명’으로 운영될 예정입니다.

CRM 커뮤티니 신청 링크는 세션에 참여해주신 분들께 공유드렸고 추가로 참석하지 못하신 분들께서는 아래 링크를 통해 신청하실 수 있습니다 😊

👉지금 바로 신청하기!

‍

마티니가 Braze를 활용하는 방법을 아낌없이 공유해드리는 세션에서 CRM 스킬을 업그레이드 하고 싶으시다면 7월에 진행 예정인 Braze Personalization Master Class Advanced 세미나에 신청하세요!

(자리가 한정되어 있습니다!)

‍

마티니가 여러분의 비즈니스 성공을 위해 언제나 함께 합니다.

‍

CRM

앱 행동 데이터가 말해주는 것

May 20, 2024

*본 게시물은 원시그널 OneSignal의 기능을 중심으로 작성되었습니다.

‍

모바일 앱의 성공을 단순히 매출로만 측정하는 경우가 많아요. 하지만 지속 가능한 비즈니스의 진정한 지표는 사용자가 돈을 어떻게 쓰는지보다 시간을 어떻게 쓰는지에 달려 있어요. 사용자는 앱을 사용할 때마다 소중한 데이터를 제공하죠. 이를 통해 문제점과 성공 요인을 발견할 수 있어요. 사용자 행동를 분석하면 매출 보고서보다 더 정확하게 앱의 상태를 진단할 수 있답니다.

‍

앱 행동 분석: 무엇을 추적해야 할까요?

사용자 행동을 추적하는 것은 단순히 참여율을 측정하는 것보다 더 복잡해요. 단기 유지율, 네비게이션 패턴, 오류 보고서 등을 포함해야 하죠.

주요 사용자 행동 지표

유지율(Retention): 특정 기간 동안 앱을 계속 사용하는 사용자 비율을 측정해요.
클릭률 (CTR): 메시지 내 링크나 버튼을 클릭하는 사용자 비율을 추적해요.
전환율(CVR): 메시지와 상호작용한 후 원하는 행동을 완료한 사용자 수를 측정해요.

모바일 메시지 캠페인은 사용자와 소통하는 주요 방법이자 효과를 측정하는 명확한 지표예요. 대부분의 모바일 분석 도구에서 전환율 추적 기능을 제공하지만, 클릭률은 추적하기 어려울 수 있어요.

OneSignal 같은 모바일 메시지 분석 도구를 사용하면 Confirmed Delivery 기능을 통해 실제로 알림을 받은 기기만을 추적해요. 더 정확한 클릭률 측정을 통해 앱 내 광고 배치를 최적화하고, 사용자가 어디서 이탈하는지 파악할 수 있어요.

‍

사용자 상호작용 추적

기능 모니터링: 사용자가 가장 많이 사용하는 기능을 모니터링해요.
세션 길이, 빈도, 이탈: 사용자가 로그인하고 머무르는 시간과 빈도를 추적해요.
네비게이션 패턴: 사용자가 앱에서 어떻게 상품/기능을 탐색하는지 확인해요.

주요 기능에 대한 이벤트 추적을 구현하고, 각 기능과 관련된 다양한 행동을 구분하기 위해 고유한 이벤트 이름을 사용해야 해요. 또한 모바일 히트맵 도구를 사용해 스와이프와 탭 같은 제스처를 시각화할 수 있어요.

앱 성능 및 기술 지표

앱 로딩 시간: 앱 로딩 시간을 측정해요. 로딩 시간이 길어지면 이탈율이 증가해요.
오류 보고서: 앱 오류와 충돌 사례를 모니터링해요.
기기 및 운영체제 버전: 사용자가 사용하는 기기와 운영체제를 파악해요.

퍼포먼스 모니터링 SDK를 통합해 앱 로딩 시간을 데이터로 확인하고, Android Profiler와 iOS의 Xcode Instruments 같은 도구를 활용해요. 느린 로딩 요소를 최적화하면 앱 실행 시간이 빨라지고 사용자 만족도와 참여도가 높아져요.

기타 주목해야 할 사용자 행동 지표

오픈율: 특정 푸시나 SMS 알림을 연 사용자 비율을 측정해요.
가입/장바구니 이탈율: 가입 과정이나 장바구니에 상품을 넣고 완료하지 않은 사용자 비율을 확인해요.
최고 사용 시간: 사용자 활동이 가장 높은 시간대를 파악해 리소스 할당과 콘텐츠 제공을 최적화해요.
사용자당 평균 매출 (ARPU): 사용자 한 명당 평균 매출을 측정해요.
이탈율: 특정 기간 내 앱 사용을 중단한 사용자 비율을 파악해요.
사용자 추천율: 앱을 다른 사람에게 추천하는 사용자 비율을 확인해요.

‍

사용자 행동 지표 해결하기

1. 5일 리텐션이 낮아요

5일 리텐션이 낮다는 것은 앱을 처음 설치하거나 초기 단계에서 사용한 많은 사용자가 첫 주 내에 이탈하고 있다는 것을 의미해요. 이 문제는 온보딩 과정에서의 혼란, 가치 부족, 과도한 커뮤니케이션, 성능 문제 등이 원인일 수 있어요.

이를 해결하기 위해서는 문제점을 파악하는 것이 중요해요. 사용자 피드백을 수집하고, A/B 테스트를 통해 개선할 부분을 찾아보세요.

새로운 사용자가 온보딩 절차의 절반만 진행하는 경우, 환영 흐름을 재구성할 필요가 있을 수 있어요. 템플릿 기반의 인앱 캐러셀은 참여를 유도하는 좋은 방법이에요.

또한, 푸시 알림을 최적화하고, 개인화된 재참여 캠페인을 시행하며, 사용자에게 교육 콘텐츠를 제공해보세요. 사용자 친화적인 경험은 장기적인 리텐션을 높여 지속적인 수익을 가져와요.

‍

2. 단기 리텐션은 높지만 장기 리텐션은 낮아요

이 경우는 반대의 문제를 나타내요. 단기 리텐션이 높지만 장기 유지율이 낮다면, 사용자가 초기에는 앱에 참여하지만 장기적으로 관심을 유지하는 데 어려움을 겪고 있다는 뜻이에요.

이는 지속적인 가치 부족, 사용자 기대에 못 미치는 기능, 기능 관련성 문제 등이 원인일 수 있어요. 또는 초기 목표를 달성하고 나서 정기적으로 사용할 이유가 없기 때문일 수도 있어요.

예를 들어, 피트니스 앱이 운동 루틴과 진행 상황을 추적하는 기능을 제공한다면, 처음에는 사용자가 흥미를 느낄 수 있어요. 하지만 새로운 도전 과제나 명확한 지침이 없다면 사용자는 초기 목표를 달성한 후 앱을 계속 사용할 이유를 찾지 못할 수 있어요.

이럴 때는 충성도 프로그램이나 지속적인 인센티브가 도움이 돼요. 잘 설계된 충성도 프로그램은 사용자에게 독점 혜택, 할인, 프리미엄 기능 접근 등을 제공해 장기적인 참여를 유도해요.

사용자에게 앱을 계속 사용할 가치를 제공하는 것이 중요해요. 푸시 알림, 인앱 메시지, 이메일 캠페인을 통해 앱의 장기적인 혜택을 효과적으로 전달하세요.

예를 들어, 피트니스 앱에서 상위 충성도 프로그램을 통해 고급 운동 계획, 영양 가이드, 라이브 트레이닝 세션 등의 독점 콘텐츠를 제공할 수 있어요. 또한, 연속 보너스나 월간 성실도 보상 등을 통해 사용자에게 장기적인 습관을 형성하도록 유도해보세요.

‍

3. 월간 활성 사용자(MAU)가 안정적이에요

월간 활성 사용자(MAU)가 안정적이라는 것은 여러분의 앱이 충성도 높은 사용자 기반을 유지하고 있다는 뜻이에요! 이는 기능 업데이트나 적극적인 크로스 채널 메시징 전략을 통해 사용자가 개인적으로 보상을 느끼도록 하고 있다는 의미일 거예요.

하지만 참여 유도에 대한 노력을 완전히 멈추면 안 돼요. 이제는 앱 UX를 최적화하고 지속적인 성장을 촉진하는 데 집중할 수 있어요.

이 시기에 모바일 A/B 테스트를 진행해 인앱 인터페이스와 메시징을 세밀하게 조정하고, 새로운 사용자를 유치하면서 기존 사용자를 유지할 혁신적인 방법을 모색해보세요. 어떤 이미지, 이모지, 언어가 사용자의 반응을 끌어내는지 테스트하면 유용한 인사이트를 얻을 수 있어요.

안정적인 MAU 기간은 사용자 커뮤니티와 소통하고 피드백을 받아 앱을 개선하는 데 좋은 기회예요. 커뮤니티 이벤트를 통해 공동 참여를 보상하거나, 추천 프로그램을 통해 새로운 사용자를 유치하고 입소문을 통해 성장을 촉진할 수 있어요.

‍

4. 사용자들이 푸시나 이메일 구독을 하지 않아요

사용자들이 푸시 알림이나 이메일 구독을 거부하는 경우, 이는 가치 제안이 명확하지 않거나, 개인정보 보호에 대한 우려, 과도한 커뮤니케이션 때문일 수 있어요. 사용자 피드백을 분석하고, 구독 요청 시점과 맥락을 재평가해보세요. 사용자가 매일 여러 개의 푸시 알림을 받으며 정보 과부하를 느끼고 있지는 않은가요?

사용자는 자신의 인구통계, 선호도, 앱 내 행동에 맞춘 알림에 더 많이 반응해요. OneSignal의 보고서에 따르면, 개인화된 메시지는 일반적인 콘텐츠보다 참여율이 259% 증가한 것으로 나타났어요.

비활성 사용자에게는 더 많은 알림을 보내고, 이미 적극적으로 참여하는 사용자에게는 덜 보내고 있나요? 사용자의 관심사에 따라 메시지 캠페인을 맞춤화하고 있나요? 사용자의 구매 이력이나 앱 내 과거 행동을 활용해 예측 가능한 참여 패턴을 공략하고 있나요? 푸시와 이메일 캠페인을 개인화할 때 이런 점들을 고려해야 해요.

또한, 푸시 알림 요청 시 단순히 권한을 요청하는 것보다 구독의 가치를 설명하는 인앱 메시지를 활용해보세요.

‍

5. 결제나 가입 도중 이탈율이 높아요

결제나 가입 도중 이탈율이 높다는 것은 많은 사용자가 과정을 시작하지만 완료하지 못하고 있다는 뜻이에요. 이를 해결하려면 결제나 가입 흐름에서 마찰 지점을 파악하고, 길고 복잡한 양식, 불명확한 지침, 예상치 못한 요구사항 등을 해결해야 해요. 복잡한 가입 과정이나 결제 과정이 사용자를 혼란스럽게 하여 앱을 삭제하게 만들 수 있어요.

이를 해결하려면 가입이나 결제 과정을 간소화하고 양식 필드를 최소화하세요. 사용자가 완료하면 받을 가치를 명확히 전달하고, 데이터 보안을 보장해야 해요. 진행 표시기, 안내 도구, 게스트 체크아웃 옵션 등을 통해 사용자의 부담을 줄일 수 있어요.

장바구니를 자주 포기하는 앱의 경우, 장바구니 구매 유도 캠페인을 실행해보세요. 개인화된 메시지를 통해 사용자가 놓칠 수 있는 상품을 상기시키고, 몇 시간 내에 메시지를 보내고 다음 날 추가 팔로우업을 하세요. 긴급감을 조성해 즉각적인 행동을 유도하는 것도 중요해요. 카운트다운, 독점 제안, 재고 업데이트 등으로 사용자에게 FOMO(놓칠까 봐 두려운 마음)를 유발하세요!

‍

사용자 행동을 이해하는 모바일 메시징 플랫폼

OneSignal을 사용하면 원활한 옴니채널 솔루션으로 사용자 생애 가치를 높일 수 있어요.

앱을 손쉽게 통합할 수 있는 SDK, 자동화된 캠페인을 추적할 수 있는 강력한 메시지 분석 도구, 수집한 사용자 행동을 최대한 활용할 수 있는 세분화 도구를 제공해요.

마티니와 상담하시면 OneSignal에 대해서 더 자세히 안내받으실 수 있어요.

‍‍

마티니와 상담하기

‍

*원문 출처 : https://onesignal.com/blog/app-user-behavior-analysis/

*본 게시물은 Onesignal이 작성한 글을 참고하여, Onesignal의 공식 파트너인 마티니가 한국어로 편집 및 재구성하였습니다.

CRM

사용자 여정 지도로 CRM 마케팅 전략을 기획하는 방법

May 20, 2024

*본 게시물은 원시그널 OneSignal의 기능을 중심으로 작성되었습니다.

‍

모바일 사용자 여정에 대해 많이 들어보셨을텐데요, 현재의 참여 전략에 얼마나 적용되고 있는지 궁금하실 겁니다. 전체 사용자 여정에 대한 개요 대신, 최대한의 효과를 위해 참여 캠페인을 우선해야 하는 중요한 순간들을 짚어볼게요.

‍

어떤 행동 지표가 참여 기회를 나타낼까요?

‍사용자 행동 분석은 사용자 여정에서 중요한 순간을 포착하는 데 강력한 도구입니다. 모바일 사용자 분석 플랫폼을 통해 사용자 상호작용, 세션 시간, 클릭률, 전환 퍼널 등의 지표를 추적하세요. 패턴과 트렌드가 나타나면, 중요한 참여 지점을 발견할 수 있을 거예요.

각 사용자 여정 단계를 분석하기 전에, 다음 세 가지 사용자 참여 지표를 통해 가장 강력한 참여 기회를 찾아보세요.

‍

신호 #1:
모바일 앱 리텐션

리텐션이 낮다는 것은 사용자 경험, 콘텐츠나 기능 부족, 비효율적인 온보딩 프로세스에 문제가 있음을 의미해요. 이 문제를 찾아내어 사용자 재참여를 유도하고 앱의 가치를 재정립하는 캠페인을 진행해야 해요.

앱 내 메시징은 유지율을 27% 개선할 수 있어요. 이 메시징 채널을 사용하여 사전 권한 요청, 새로운 기능 발표, 실시간 사용자 설문조사를 할 수 있습니다.

‍

신호 #2:
전환율

‍전환율은 또 다른 중요한 참여 기회입니다. 전환율은 사용자가 앱 내에서 원하는 행동을 완료하는 비율을 측정해요. 예를 들어, 많은 사용자가 무료 플랜을 고수하고 프리미엄 구독으로 업그레이드하지 않는다면, 이를 해결하기 위해 앱 내 알림, 이메일 마케팅 캠페인, 푸시 알림을 활용할 수 있어요.

특정 세션 수를 완료한 무료 사용자에게는 할인된 구독 업그레이드 제안을 할 수 있어요. 이러한 제안은 비용 걱정이나 프리미엄 기능의 가치에 대한 불확실성을 해소하는 데 중점을 둡니다.

‍

신호 #3:
사용자 이탈률

‍마지막으로, 사용자 이탈 패턴을 분석하면 효과적인 참여 전략을 개발하는 데 중요한 통찰을 제공합니다. 이탈률은 사용자가 플랫폼을 떠나는 비율을 나타내요.

사용자 이탈 이유와 패턴을 분석하면, 사용자 기반의 특정 문제점을 파악하고 재참여 기회를 찾을 수 있어요.예를 들어, 사용자가 일정 기간 비활성화 후 이탈한다면, 자동 재참여 이메일이나 푸시 알림을 통해 제품의 가치를 상기시키고 돌아오도록 유도할 수 있어요.

사용자 세분화를 통해 다양한 사용자 그룹의 선호에 맞춘 재참여 콘텐츠를 제공하세요. 앱의 최신 기능, 산업의 새로운 트렌드, 이전 사용자 활동 기반의 맞춤형 추천 등을 공유할 수 있어요.

‍

사용자 여정 단계에 맞춘 맞춤형 참여 전략

모바일 메시징 전략은 사용자 여정의 각 단계에 맞춰 사용자의 필요와 기대에 부응해야 해요. 이러한 요소는 항상 변화하므로, 캠페인도 유연하게 운영해야 최대한의 참여를 이끌어낼 수 있습니다.아래는 모바일 사용자 여정의 각 단계와 단계별로 적용해야 할 세 가지 참여 전략입니다.

‍

1. 발견 및 인식 단계 참여 전략

소셜 미디어를 통해 앱 홍보하기

타겟 소셜 미디어 광고 캠페인을 통해 잠재 사용자들에게 앱을 알리세요. 예를 들어, 새로운 피트니스 앱은 인스타그램이나 페이스북에서 건강과 운동에 관심 있는 사용자들에게 독특한 기능과 혜택을 홍보할 수 있어요.이 단계에서는 리타게팅 광고를 활용하여 이전에 앱과 상호작용했지만 원하는 행동을 완료하지 않은 사용자들을 다시 참여시키세요.

예를 들어, 사용자가 앱의 웹사이트를 방문했지만 앱을 다운로드하지 않았다면, 앱의 주요 기능을 강조하거나 한정된 시간 동안 프로모션을 제공하는 광고를 통해 재참여를 유도하세요.

‍

앱 스토어 최적화 (ASO)

앱 스토어에서 앱의 가시성과 검색 가능성을 높이기 위해 관련 키워드, 매력적인 비주얼, 상세한 앱 설명을 사용하여 앱 목록을 최적화하세요. 키워드 연구와 A/B 테스트와 같은 도구를 사용하여 앱 스토어 최적화 전략을 개선하고, 사용자가 앱을 검색할 때 더 쉽게 찾을 수 있도록 하세요.

Myfitnesspal의 앱은 하이라이트부터 후기까지 다양한 목록으로 구성되어있습니다.

레퍼럴 마케팅

‍기존 사용자에게 친구나 지인에게 앱을 추천하도록 유도하세요. 성공적인 추천에 대해 할인, 크레딧, 독점 보상을 제공하여 참여를 촉진할 수 있어요.

예를 들어, 여행 예약 앱은 추천 링크를 통해 신규 사용자가 가입하면 추천인과 신규 사용자 모두에게 다음 예약 시 할인 혜택을 제공할 수 있습니다.

‍

2. 획득 단계 참여 전략

프리미엄 구독 - 짧은 기간 동안의 혜택 제공사용자가 앱을 다운로드하도록 유도하기 위해 한정된 시간 동안 할인이나 무료 체험을 제공하세요.

예를 들어, 30일 무료 체험을 제공하여 사용자가 프리미엄 기능을 경험하고 앱의 가치를 직접 느낄 수 있도록 하세요.

임신출산 앱 Peanut의 실시간 카운트다운 포함 구독 플랜 제시 화면 — 이 결제 화면(paywall)은 임신과 출산 앱인 Peanut에서 제공하는 것으로, 구독 플랜을 명확하게 제시하면서 상단에 '실시간 카운트다운' 타이머를 포함해 업그레이드 할인의 한정된 시간 특성을 강조하고 있어요.

‍

소셜프루프 강조

잠재 사용자와의 신뢰를 구축하기 위해 앱의 랜딩 페이지나 마케팅 자료에 긍정적인 후기나 사용자 리뷰를 보여주세요. 실제 성공 사례나 만족한 사용자의 추천을 강조하면 사용자의 걱정을 덜어주고 앱을 다운로드하거나 가입하도록 유도할 수 있습니다.

‍

타겟 재참여 이메일

앱에 관심을 보였지만 아직 행동을 취하지 않은 잠재 사용자에게 이메일 마케팅을 통해 연락하세요. 개인화된 메시지, 제안, 또는 리마인더를 보내어 앱을 다운로드하거나 가입하도록 유도하세요.

예를 들어, 여행 앱은 웹사이트를 방문했지만 아직 여행을 예약하지 않은 사용자에게 독점 할인이나 여행 팁을 제공하는 이메일을 보낼 수 있어요.

‍

The Outbound Collective의 이메일은 깔끔한 야외 이미지로 모바일 경험을 돋보이게 하고 있어요.

‍

3. 온보딩 및 탐색 단계 참여 전략

개인화된 온보딩 제공

사용자가 앱의 기능과 사용법을 잘 이해할 수 있도록 개인화된 온보딩 경험을 제공하세요.사용자의 행동에 따라 트리거되는 컨텍스트 기반 온보딩 메시지를 활용하세요. 모든 정보를 처음부터 제공하는 대신, 사용자가 필요할 때 적시에 관련 팁, 설명, 또는 안내 메시지를 제공하세요.

예를 들어, 사용자가 특정 기능을 처음 사용할 때 해당 기능의 목적과 사용 방법을 설명하는 짧은 툴팁이나 메시지를 표시하세요. 이렇게 하면 사용자가 필요한 순간에 안내를 받아 주요 기능을 잘 이해하고 기억할 수 있어요.

한 번에 하나의 앱 영역만 강조한 암호화폐 거래 앱 Binance의 점진적인 온보딩 시퀀스 — 암호화폐 거래 앱인 Binance는 점진적인 온보딩 시퀀스를 사용하여 신규 사용자가 부담을 느끼지 않도록 한 번에 하나의 앱 영역만 강조해 안내해요.

‍

사용자를 천천히 앱에 적응시키기

점진적 프로파일링 기법을 사용하여 초기 등록 과정에서 사용자를 압도하지 않고 시간이 지나면서 사용자 정보와 선호도를 수집하세요. 온보딩 중에는 기본 정보만 요청하고, 사용자가 앱을 더 많이 사용할수록 추가 정보를 요청하세요.

예를 들어, 피트니스 앱은 처음에 나이, 성별, 운동 목표 등의 기본 정보를 요청하고, 사용자가 앱을 더 많이 사용할수록 운동 선호도나 식이 제한과 같은 세부 정보를 입력하도록 할 수 있어요.

‍

신규 사용자에게 다양한 지원 제공

앱을 탐색하는 동안 사용자에게 지원과 안내를 제공하기 위해 앱 내 메시징과 지원 옵션을 제공하세요. 라이브 채팅 지원, FAQ, 또는 도움말 기사를 앱 내에서 직접 접근할 수 있도록 하여 사용자가 온보딩 및 탐색 중에 자주 겪는 질문이나 문제를 해결할 수 있게 하세요. 이렇게 하면 사용자가 지원받는다는 느낌을 받고 앱의 기능을 탐색하는 데 있어 부담을 덜 수 있어요.

‍

4. 재사용 단계 참여 전략

계속해서 돌아오도록 유도하기사용자에게 푸시 알림이나 이메일을 보내 앱을 다시 방문하고 새로운 콘텐츠나 기능을 탐색하도록 유도하세요.

예를 들어, Adobe Photoshop은 새로운 생성 AI 기능을 강조하는 이메일을 보내 사용자가 새로운 사진 편집 방법을 발견하도록 유도합니다.

참여를 재미있게 만들기

도전 과제, 배지, 보상 등의 게임 요소를 도입하여 지속적인 참여와 상호작용을 유도하세요. 특정 작업을 완료하거나, 목표를 달성하거나, 앱 내 커뮤니티 활동에 참여하도록 하는 성취 기반 시스템을 만드세요.

모두가 좋아하는 미스터리 박스예상치 못한 보상, 선물, 또는 개인화된 메시지로 사용자를 놀라게 하고 앱에 대한 긍정적인 경험을 강화하세요. 랜덤 할인, 무료 혜택, 또는 특별 제안을 제공하는 깜짝 캠페인을 통해 사용자의 지속적인 충성도와 참여를 감사하는 표시로 활용하세요.

‍

5. 수익화 단계 참여 전략

체계적인 유지 전략

충성도 프로그램을 도입하거나 프리미엄 기능에 대한 독점 할인 혜택을 제공하여 사용자가 인앱 구매를 하도록 유도하세요. 예를 들어, 게임 앱은 특정 레벨을 완료하거나 이벤트에 참여한 사용자에게 가상 화폐나 특별 아이템을 보상으로 제공하여 추가 구매를 유도할 수 있어요.

‍

투명성 유지

사용자의 돈과 관련된 문제에서는 명확성과 정직함이 중요해요. 구독 관리 프로세스를 간소화하고 구독 플랜, 청구 주기, 갱신 날짜에 대한 투명한 정보를 제공하세요. 다가오는 구독 갱신, 가격 변경, 또는 체험 기간 만료에 대해 사용자에게 미리 알림을 보내 사용자가 구독 상태에 대한 결정을 준비할 수 있도록 하세요.

재정 계획 앱 Monarch의 무료 체험 페이지는 사용자가 제한된 접근이 어떻게 작동하는지 정확히 안내해 주어 매우 효과적이에요. 모호함 없이 명확하게 설명해 주죠!

‍

플랜 간의 가치 강조

업셀링과 크로스셀링 기법을 도입하여 사용자가 프리미엄 또는 상위 티어 구독 플랜으로 업그레이드하거나 앱 내 추가 제품이나 서비스를 구매하도록 유도하세요. 프리미엄 기능이나 추가 기능의 혜택과 가치를 강조하고, 사용자가 구매하도록 특별 프로모션이나 할인을 제공하세요.예를 들어, 생산성 앱은 무제한 저장소나 협업 도구와 같은 고급 기능이 포함된 프리미엄 플랜을 할인된 가격으로 제공하여 사용자가 추가 기능을 잠금 해제하고 경험을 향상시키도록 유도할 수 있어요.

‍

6. 재구매 단계 참여 전략

사용자 이해하기

사용자의 과거 구매 기록을 바탕으로 개인화된 추천을 제공하여 재구매를 유도하세요. 예를 들어, 패션 앱은 사용자의 이전 구매 기록과 선호도를 기반으로 큐레이션된 컬렉션이나 제품 추천을 포함한 개인화된 이메일이나 푸시 알림을 보내어 재구매를 유도할 수 있어요.

Ray-Ban의 이메일은 사용자의 마지막 쇼핑 기록을 기반으로 개인화되어 있으며, 무료 배송과 간편한 반품과 같은 인센티브를 강조하여 쉬운 쇼핑 경험을 제안합니다.

‍

“지금 당장!”

재구매 고객을 위해 한정된 시간 동안 제공되는 할인이나 플래시 세일을 도입하여 긴급함과 흥분을 유발하세요. 시간 제한 할인, 번들, 또는 단기간 동안만 제공되는 특별 프로모션을 통해 사용자가 제안을 이용하도록 유도하세요. 예를 들어, 모바일 게임 앱은 한정된 시간 동안 인게임 화폐나 특별 아이템을 할인된 가격에 판매하는 플래시 세일 이벤트를 개최하여 재구매 고객의 참여와 수익을 창출할 수 있어요.

‍

미리보기와 티저로 기대감 유지

재구매 고객에게 다가올 제품, 기능, 또는 프로모션의 독점 미리보기나 예고를 제공하여 충성도를 보상하고 브랜드에 대한 참여를 유지하세요. 신규 출시, 베타 버전, 또는 아직 일반에게 공개되지 않은 비하인드 콘텐츠에 대한 조기 접근을 제공하여 재구매 고객에게 독점적이고 내부적인 접근 권한을 제공하세요.

‍

7. 충성도 및 유지 단계 참여 전략

사용자들을 하나로 모으기

사용자 포럼, 소셜 미디어 그룹, 또는 독점 콘텐츠를 통해 커뮤니티 감각과 지속적인 참여를 촉진하세요. 예를 들어,명상 앱은 사용자가 경험을 공유하고, 비슷한 생각을 가진 사람들과 연결하며, 가이드 명상 세션이나 전문가와의 라이브 Q&A 세션에 참여할 수 있는 전용 커뮤니티 공간을 만들 수 있어요. 이를 통해 소속감을 느끼게 하고 장기적인 참여와 유지를 유도할 수 있어요.

또는 독립 전기 자전거 회사가 새로운 유명인 파트너십을 지역 커뮤니티 이벤트를 통해 홍보할 수도 있어요.이 전략의 목표는 커뮤니티를 하나로 모으고, 참여하는 사람들을 교육하고 보상하면서 즐겁게 하는 것입니다. 가족처럼 느끼는 사용자 기반은 단지 익명의 고객으로 느끼는 사용자보다 이탈할 가능성이 훨씬 적습니다.

‍

VIP 사용자에게 보상하기

VIP 프로그램이나 충성도 등급을 만들어 가장 충성도가 높고 참여도가 높은 사용자에게 독점 혜택, 특전, 또는 보상을 제공하세요. 조기 세일 접근, VIP 고객 지원, 또는 멤버 전용 이벤트와 같은 특별 권한을 제공하여 지속적인 참여를 유도하고 충성도를 보상하세요.

‍

기념일 축하하기

사용자의 기념일, 이정표, 또는 업적을 축하하여 지속적인 충성도와 참여를 보상하세요. 사용자의 회원 기념일, 생일, 또는 일정 구매 횟수나 포인트 도달 등의 이정표를 기념하는 개인화된 메시지, 가상 배지, 또는 특별 제안을 보내세요.

‍

OneSignal로 사용자 참여 극대화

앱 내 온보딩 시퀀스를 설계하든, 이메일 재참여 캠페인을 자동화하든, 크로스채널 메시징 여정을 시도하든, OneSignal에선 모두 가능합니다.

사용자 여정의 어디에 있든, 강력한 옴니채널 메시징은 장기적으로 개인화된 콘텐츠를 제공하는 데 중요한 역할을 합니다.

‍

마티니와 상담하시면 Onsignal에 대해서 더 자세히 안내받으실 수 있어요.

‍

‍마티니와 상담하기

‍

*원문 출처 : https://onesignal.com/blog/how-your-user-journey-should-inform-your-engagement-strategy/

*본 게시물은 Onesignal이 작성한 글을 참고하여, Onesignal의 공식 파트너인 마티니가 한국어로 편집 및 재구성하였습니다.

‍

EVENT

[종료] 브레이즈 개인화 마스터 클래스 모집!

May 16, 2024

‍

[MartineeXBraze] Braze Personalization Master Class는 Braze 도입을 고민하고 계시거나 도입 후 잘 활용하고 싶으신 고객사를 대상으로 Braze 개인화 기능인 Personalization 활용 노하우를 공유하는 교육 세미나입니다.

‍

브레이즈 개인화 기능, 여러분도 잘 활용할 수 있습니다.

‍

“Braze 도입은 했는데.. 어디서부터 어떻게 해야 하지?”

“Braze 개인화, 더 깊고 세부적으로 사용하려면 개발이 필요하지는 않을까?”

‍

Braze 개인화 기능, 여러분도 개발없이 전문가처럼 매우 세부적으로 활용할 수 있습니다.

이번 세션에서는 참여자들이 충분히 실무에 활용할 수 있도록 실습에 포커싱하여 구성하였으며, 성공적인 CRM 캠페인을 위한 브레이즈 개인화 기능 활용 비법을 공유해드립니다.

‍

마티니와 함께한 고객사

마티니는 버거킹, 오늘의집, 무신사, KFC, 쏘카, 알라미(딜라이트룸), 발란, 칼하트, LG전자, 넷마블, 크래프톤, 머스트잇, 동원F&B, 이랜드폴더, 네오위즈, IBK기업은행, 밀리의서재 이외에도 다양한 고객사와 여정을 함께하고 있습니다.

실무에 바로 적용할 수 있는 활용 노하우, 마티니와 함께한 고객사들이 만족하는 이유입니다.

‍

참여했던 고객사들의 생생한 후기

지난 브레이즈 부트캠프에 참여해주신 분들의 생생한 후기를 확인해보세요.

“ 실제 사용 사례에 대해 많이 들을 수 있어서 좋았고 브레이즈 시현 과정을 볼 수 있어서 좋았습니다. “

“ 라이브 데모를 통해 어떻게 활용하는지 상세하게 알 수 있었습니다. “

“CRM 고도화에 Braze가 어떻게 기여할 수 있을지에 대한 궁금증을 해소할 수 있었습니다. “

“Braze 개인화를 위한 Liquid의 개념과 구조 설명이 있어서 이해하기 좋았습니다. “

‍

이런 분이 오시면 좋아요

Braze 도입 후 실무 활용법을 배우고 싶으신 분
개발없이 Braze 개인화 기능을 전문적으로 활용하고 싶으신 분
Event Taxonomy를 효율적으로 설계하여 비용을 줄이고 싶으신 분
유저 개개인에게 최적화된 개인화 메시지를 발송하고 싶으신 분

‍

브레이즈를 잘 활용하면?

이런 것들이 가능해요

고객 특성에 따른 개인화 메시지를 구성하고 최적의 시점에 발송할 수 있습니다.
웹과 앱에서의 고객 여정 경우의 수를 확인하고 그에 따른 맞춤 캠페인 기획이 가능합니다.
유저의 이탈 시점과 경로를 확인하여 재방문 시킬 수 있는 캠페인 기획이 가능합니다.
다양한 API를 활용하여 트리거 기반으로 알림 및 메시지 자동화를 구축할 수 있습니다.

‍

세션 커리큘럼

Braze Personalization Use Cases | 배민지 연사, Braze Head of Account Management

브레이즈 개인화 기능을 활용한 후 비포/애프터를 살펴봅니다.
브레이즈 개인화 기능을 활용한 Creative한 해외 Usecase들을 살펴봅니다.

Braze Personalization Master Class | 이건희 연사, Martinee CRM Team Lead

Personalization Master Intermediate
- 개인화태그부터 Liquid, Connected Content까지 기본 문법을 배웁니다.
- 배운 문법을 바탕으로 과제를 수행하고, 캠페인에 응용하는 다양한 케이스를 살펴봅니다.

‍

추후 진행예정

7월

Braze Personalization Master Class | 이건희 연사, Martinee CRM Team Lead

Personalization Master Advanced
- Liquid, Connected Content를 활용한 심화된 캠페인 사례를 배웁니다.
- 개인화가 적용된 다양한 캠페인 사례를 확인합니다.

9월

Braze Automation Master Class | 이건희 연사, Martinee CRM Team Lead

Automation Planning Deep Dive
- 캠페인/캔버스 기획에서 중요한 포인트들을 점검합니다.
- 목적별로 다양한 캠페인 기획 사례를 살펴봅니다.

11월

Braze Data Analytics Master Class | 이건희 연사, Martinee CRM Team Lead

Data Analytics / Utilization
- CRM 캠페인의 다양한 분석 방법을 확인합니다.
- Braze의 데이터 활용을 극대화하는 방법들을 살펴봅니다.

‍

When

2024년 5월 29일 수요일 오후 7시 - 9시‍

‍

Where

서초구 서초대로 38길 12 마제스타시티 타워2, 12층 마티니 오피스

서초역 4번 출구 도보 5분 소요

네이버 지도로 확인하기

‍

참여자 혜택

📢 혜택 1. Martinee CRM 커뮤니티 초대

📢 혜택 2. 마티니 CRM POC 추첨 무료 1회 제공

📢 혜택 3. Braze Bootcamp Advanced 초청권 제공

‍

안내사항

참가 인원이 한정되어 있어 별도 참석 확정 연락을 드릴 예정입니다.
실습이 포함된 교육으로 개인 노트북 지참이 필요합니다.
주차권 제공 가능하며 리셉션 데스크로 문의 부탁드립니다.
신청시 기입한 이메일이 회사 이메일이 아닐 경우 선정이 불가할 수 있습니다.
참석자분들에게 간단한 음식이 제공될 예정입니다.
CRM POC의 경우 추첨을 통해 선정되신 분께 별도로 안내드릴 예정입니다.

‍

Contact

mkt@martinee.io

‍

이번 세미나에 꼭 참석하셔서 CRM 캠페인의 성과와 비즈니스 개선을 마티니와 함께 이뤄보세요!

‍

‍

GROWTH

AARRR 프레임워크로 앰플리튜드 대시보드 만드는 방법

May 10, 2024

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.

‍

1. AARRR은 무엇인가요🧐? 중요하게 생각해야 하나요?

‘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)

고객들이 얼마나 버거킹 앱에 접속(설치, 방문, 가입) 하나요?
어떤 고객들이 버거킹 앱에 접속하나요?
어떻게 고객들이 버거킹 앱을 알게 되었을까요?
고객들이 어떤 프로모션을 보고 앱에 접속하나요?

(2) Activation (활성화)

고객들은 버거킹에서 첫 주문을 할 때 좋은 경험을 했나요?
- 첫 주문 시 어떤 아이템을 구매하나요?
- 첫 주문 시 어떤 쿠폰을 쓰나요?
- 첫 주문 시 어떤 플랫폼을 많이 이용하나요?
- 첫 주문 시 어디서 이탈을 많이 하나요?

(3) Retention (리텐션)

우리 고객들의 리텐션은 어떻게 되나요? 급격하게 감소하나요? 완만한 평행선을 이루고 있나요?
재구매 리텐션은 어떻게 되나요?
재구매 주기는 어떻게 되나요?
서비스 별로 리텐션이 다른가요?
리텐션이 높은 고객들이 많이 하는 특정 행동이 있나요?

(4) Revenue (매출)

앱 주문 고객과 일반 고객들의 매출은 어떻게 되나요?
앱 주문 고객들이 어떤 상품 종류를 많이 구매하나요?
매장별로 매출이 어떻게 다른가요?
어떤 쿠폰을 구매할 때 가장 많이 쓰나요?
주문을 많이 하는 고객들이 많이 하는 특정 행동이 있나요?
앱 주문의 건단가는 어떻게 되나요?
앱 주문의 객단가는 어떻게 되나요?
주문자 당 구매 평균금액(ARPPU)는 어떻게 되나요?

(5) Referral (추천)

바이럴 마케팅의 효과가 있나요? 유입이 있었나요?

‍

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)

DAU (Daily Active User, 일별 활성 유저)
MAU (Monthly Active User, 월별 활성 유저)
회원가입
설치

(2) Activation (활성화)

첫 주문
- 상품 항목(아이템)
- 쿠폰, 프로모션
- 플랫폼
첫 주문 경로 (퍼널)

(3) Retention (리텐션)

방문 리텐션
구매 리텐션
코호트별 리텐션 Engagement Matrix

(4) Revenue (매출)

주문
- 주문 건수
- 신규 유저, 기존 유저의 주문 건수 비중
- 주문 이벤트 Engagement Matrix
- 주문 이벤트 Compass
매출
- 일별 매출
- 상품 항목별 매출
- 쿠폰별 매출
- 플랫폼별 매출
주문 수
고객 수
건단가
객단가
ARPPU (주문자의 주문 평균 금액)

(5) Referral (추천)

입소문 계수 (WOM, Word of Mouth)

‍

2. Amplitude를 활용하여 AARRR 대시보드 구현하기

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.

(1) Acquisition (유입, 획득)

1️. DAU (Daily Active User, 일별 활성 유저)

Segmentation 차트를 활용하여 DAU, WAU, MAU 차트를 만들 수 있습니다.
Start Session, 메인 페이지 뷰 등 유입으로 인정하는 이벤트를 기준으로 잡습니다.
대시보드에 내가 만든 DAU 차트를 추가하고 … > Show summary matrics 를 클릭하면 현재 활성 유저 수, 증감률을 차트와 함께 대시보드에서 즉시 확인할 수 있습니다.

앰플리튜드(Amplitude) Show summary matrics 화면

📌 체크 포인트

DAU, MAU 평균, 최고치, 최저치
프로모션 전후 증감률
유저 코호트와 전체 유저 차이

‍

2️. 회원가입

회원가입률

‍

3️. 설치

AppsFlyer, Airbridge와 같은 MMP와 Amplitude를 연동하면 Amplitude 대시보드에서 인스톨과 미디어 소스 값을 확인할 수 있습니다.

‍

📌 체크 포인트

설치 평균, 최고치, 최저치
프로모션 전후 증감률
utm 소스 별 설치 수

‍

(2) Activation (활성화)

1️. 첫 구매 경로

만약 구매 경로가 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.
- Historical Count란 (링크): 특정 이벤트를 N번 수행한 횟수를 기준으로 고객을 식별할 수 있는 필터링 조건입니다.

Measured as 조건으로 Completed within 5 days으로 확인하였습니다.
시작 이벤트인 View Item Details에서 마지막 이벤트인 Complete Purchase까지 대부분의 유저가 5일 내에 전환을 완료했기 때문입니다. 이는 Time To Convert 측정을 통해 확인할 수 있습니다.
만약 더 보수적으로 경로 전환율과 이탈률을 확인하고 싶을 경우 Measured as 조건을 1일 이내 등 제한을 걸어 확인이 가능합니다. 보수적인 조건, 전환 완료 시간 조건 등 두 가지의 조건을 각각 비교하여 확인할 수도 있습니다.

앰플리튜드(Amplitude) 활성화(Activation) 구매 과정 확인 차트

‍

📌 체크 포인트

각 퍼널 단계의 전환율과 이탈률
- 유저 코호트별 비교 가능
전환 소요 시간

‍

(3) Retention (리텐션)

1️. 리텐션 Engagement Matrix

방문 이벤트와 관련된 이벤트의 수와 빈도에 있어서 연관성을 가진 다른 행동(이벤트)를 확인할 수 있는 차트입니다.
A > B > C > D 순으로 사분면을 확인하여 방문과 관련된 중요 이벤트들을 확인할 수 있습니다.
x축은 빈도(얼마나 더 자주 한 행동인지)를 나타내며, y축은 수(얼마나 더 많은 유저가 한 행동인지)를 나타냅니다. 따라서 A면에 있는 이벤트는 평균보다 더 많은 유저가, 더 높은 빈도로 수행한 이벤트라는 것을 의미합니다.
App Push, In_App_Message Impression과 같은 분석과 관련도가 낮은 이벤트는 수동으로 체크박스 해지하여 필터링 적용할 수 있습니다.

‍

📌 체크 포인트

리텐션 주기 (방문/주문)
코호트별 리텐션
코호트별 자주 방문하는 요소(이벤트) 찾기

‍

(4) Revenue (매출)

1️. 주문 이벤트 Compass

7일 이내 어떤 특정 이벤트가 선택한 코호트 그룹(위 그래프 내 ❷번, Users who complete purchase ≥ 1x)과 상관관계를 가지고 있는지 히트맵 형태로 확인할 수 있는 차트입니다.

상관관계 지수에 따른 해석
- Highly Predictive(예측성 높음): correlation ≥ 0.4
- Moderately Predictive(중간 예측성): correlation ≥ 0.3
- Slightly Predictive(약간 예측 가능): 0.3 > correlation ≥ 0.2
- Not Predictive(예측되지 않음): correlation ≤ 0.2

‍

2️. 건단가

매출이 발생하는 이벤트 (구매, 주문완료)의 매출 이벤트 프로퍼티($revenue: 주문금액)를 기준으로 건단가를 계산합니다. Measured as 에서 주문 금액의 평균값을 구해 건단가를 구할 수 있습니다.
만약 총매출 추이에 대해서 확인하고 싶을 경우, Measured as에서 Average of Property Value 대신 Sum of Property Value로 선택하여 확인이 가능합니다.
- Property Value는 상단 Event 영역에서 선택한 이벤트의 프로퍼티의 값을 뜻합니다.

‍

3️. 객단가

객단가는 고객 1명의 평균 구매 금액을 의미합니다.
일반적으로 객단가는 매출액 / 주문자수로 나누어 계산합니다. Amplitude에서는 주문 완료(구매) 이벤트를 통해 구할 수 있습니다.
수식을 적용해야 하므로 Measured as 하단의 Formula를 클릭하여 수식을 적용해야 합니다.

적용 수식

A: Complete Purchase, B: Complete Purchase로 선택합니다. (주문 금액을 확인할 수 있는 주문 완료 이벤트를 클릭합니다.)
매출액 = 주문 완료 이벤트의 주문 금액의 총합 = PROPSUM(A)
주문자수 = 주문 완료 이벤트를 발생한 유니크(사용자) 수 = UNIQUES(B)
Formula = PROPSUM(A) / UNIQUES (B)

‍

📌 체크 포인트

매출
카테고리별 매출
주문 건수
주문 고객 수
객단가
건단가
LTV
주문 완료 이벤트에 영향을 끼치는 요소(이벤트) 찾기

‍

(5) Referral (추천)

1️. 입소문 계수 (WOM, Word Of Mouth) (출처:Reforge)

Amplitude에서 쉽게 구현할 수 있는 바이럴 지표로 아래와 같이 계산할 수 있습니다.

New Organic Users, Non-Organic New Users 구하는 방법
- MMP를 연동하여 UTM 값으로 앰플리튜드에서 확인이 쉽게 가능합니다.
- Organic User: 주로 (none), direct, search domain 값으로 확인할 수 있습니다.
- Non-Organic User: 광고 채널 값으로 확인할 수 있습니다.

WOM 구하는 방법

Events 설정 영역에서 A: New User (utm_source: (none), Direct), B: Any Active Event를 선택합니다.
Measured as에서 Formula를 클릭하고 아래 수식을 입력합니다.
- UNIQUES(A) / (UNIQUES(B)-UNIQUES(A))
UNIQUES(A)
- A는 utm_source가 (none), Direct로 들어온 신규 오가닉 유저라고 할 수 있습니다.
UNIQUES(B)
- B는 앱 또는 플랫폼 내에서 일정 기간 동안 Active Event를 발동 시킨 유저의 유니크(사용자) 수를 뜻하므로 신규 유저(오가닉+논 오가닉)+복귀 유저의 합산 수를 의미합니다.
(UNIQUES(B)-UNIQUES(A))
- (신규 유저(오가닉+논 오가닉)+복귀 유저)-(신규 오가닉 유저) = 신규 논 오가닉 유저+복귀 유저

‍

3. 끝으로

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.

‍

4. 참고 자료

- AARRR: Come Aboard the Pirate Metrics Framework

- Engagement Matrix: discover what your users love (and don't love) about your product

- Reforge

- How to Calculate The Word of Mouth Coefficient in Amplitude

‍

EVENT

그로스 캠프 1기 Amplitude by Martinee (24.3.27)

April 30, 2024

마티니와 함께 Amplitude 정복하기

행사명 : [그로스 캠프] Ep.1 - Amplitude by Martinee

장소: 서울 서초구 서초대로38길 12 마제스타시티 타워2 12F

일시: 2024년 4월 3일 ~ 4월 24일 매주 수요일 오후 7시부터 9시

초청 대상: Amplitude 기초 개념부터 실무 활용을 위한 주요 기능들을 배우고 싶은 마케팅에 관심이 있으신 분

‍

웨비나로 워밍업!

본격적으로 오프라인 세션을 시작하기전 전반적인 과정에서의 핵심 내용들과 흐름을 설명하는 시간을 가졌습니다.

웨비나에서는 마티니의 워크플로우와 마티니가 바라보는 그로스 마케팅의 개념을 설명해드렸습니다. 이어서 데이터 (Data) & 프로덕트 (Product) 분석(Analysis)과 마티니의 제품 분석을 통한 개선 사례와 방법을 Amplitude 사례를 기반으로 소개해드렸습니다.

‍

어떻게 진행하였나요?

그로스 캠프 1기 Amplitude by Martinee 현장 준비 사진

그로스 캠프 1기 Amplitude by Martinee 세션 현장 모습

오프라인 강의 세션은 LV. 1 세션부터 LV. Expert 세션까지 네 단계 레벨로 나누어 진행되었습니다. 자신에게 필요한 강의만 수강하거나 각 난이도에 알맞는 강의를 선택해서 자유롭게 수강할 수 있었습니다.

오신 분들은 제공해드린 명찰을 가지고 원하는 자리에서 강의를 들을 수 있었고 저녁 시간 때인 만큼 간단한 샌드위치와 음료를 제공해드려 강의에 집중하며 수강하실 수 있게 했습니다.

실습 세션의 경우, 직접 앰플리튜드의 기능을 활용하고 실무에 적용해보실 수 있도록 데모 계정을 통해 실습을 진행하였으며 각 자리에 모니터를 배치하여 충분히 따라오실 수 있게 했습니다.

중간 중간 들었던 이론과 내용을 직접 적용해볼 수 있는 시간도 충분히 가지며 앰플리튜드의 기능을 완전히 이해하는 시간을 가졌습니다.

각 세션 이후에는 수강자분들이 배우신 내용을 잊지 않도록 과제 제도를 통해 복습하실 수 있게 하였으며 성적이 우수하신 분들께는 매주 다섯 분씩 스타벅스 쿠폰을 제공해드렸습니다.과제 덕분에 복습이 잘 되어 좋았다는 후기들을 많이 보내주셨습니다.

과제를 잘 해주신 분과 후기 포스팅을 남겨주신 수강생분들께는 그로스 캠프의 핵심이라고 할 수 있는 마티니만의 108장 분량 앰플리튜드 가이드북까지 제공해드려서 이후에도 스스로 앰플리튜드 솔루션에 대해 학습할 수 있도록 구성했습니다.

‍

어떤 것들을 배웠나요?

앰플리튜드에 첫 걸음 내딛기

그로스 캠프 1기 Amplitude by Martinee LV .1 강사 이재철

그로스 캠프 1기 Amplitude by Martinee LV .1 수강모습

첫 번째 LV. 1 탐색적 데이터 분석(EDA)과 가설 발견을 위한 분석 기초 세션에서는 앰플리튜드를 다루기 전에 알아야 할 한 가지와 앰플리튜드의 활용 목적, 구조, 데이터 택소노미 (Data Taxonomy) 설계에 대해 알아보았고 앰플리튜드의 필수 차트인 세그멘테이션 (Segmentation)과 퍼널 (Funnel), 리텐션 (Retention) 차트를 활용하여 분석 기초를 진행해보았습니다.

‍

앰플리튜드와 친해지기

그로스 캠프 1기 Amplitude by Martinee LV .2 수강생과 강사 이재철님 모습

그로스 캠프 1기 Amplitude by Martinee LV .2 세션 모습

두 번째 LV. 2 Cohort / LTV / Lifecycle 분석을 활용한 제품 분석 & 유저 분석 심화 세션에서는 DAU & MAU와 LifeCycle, Revenue와 LTV, Sign up과 Engagement를 살펴보고 코호트 (Cohort) 분석 정의와 활용에 대해 알아보았습니다.

‍

앰플리튜드로 비즈니스 성장시키기

그로스 캠프 1기 Amplitude by Martinee LV .3 강사 이재철

그로스 캠프 1기 Amplitude by Martinee LV .3 수강생 모습

세 번째 LV. 3 비즈니스 성장을 위한 유저 여정 분석(AARRR)과 그로스 모델링 세션에서는 앰플리튜드에서 대시보드를 만드는 방법과 AARRR의 각 단계인 획득 (Acquisition) , 활성화 (Activation), 구매 (Revenue), 재방문 (Retention), 추천 (Referral)의 유저 여정 분석과 그로스 모델링에 대해 배우는 시간을 가졌습니다.

‍

앰플리튜드로 마케팅 정복하기

그로스 캠프 1기 Amplitude by Martinee LV .Expert 세션 시작 모습

그로스 캠프 1기 Amplitude by Martinee LV .Expert 강사 이재철

마지막 LV. Expert Performance & CRM & Growth 분석에 대한 실행을 위한 마케팅 분석 & 자동화 Case Study 세션에서는 통합 마케팅 환경을 구축하는 방법에 대해 알아보았으며 브레이즈와 앰플리튜드, 에어브릿지 연동과 각 역할 및 기능에 대해 설명했습니다.

‍

앰플리튜드 활용법과 비즈니스 성공 노하우를 배우고 싶으시다면 5월에 진행 예정인 마티니 그로스 캠프 2기에 신청하세요!

마티니가 여러분의 비즈니스 성공을 위해 언제나 함께 합니다.

‍

EVENT

Braze를 활용한 A/B Testing과 프로덕트 개선 - 2024 Get Real with Braze (24.4.16)

April 16, 2024

2024 Get Real with Braze!

4월 16일, 콘래드 호텔 서울에서 열린 2024 Get Real with Braze, GRB 행사가 개최되었습니다.

2024 GRB 행사는 Braze 솔루션 도입을 통해 비즈니스를 성공시킨 사례와 인사이트들을 Fireside Chat과 발표 세션을 통해 공유하는 자리였습니다.

‍

마티니와 브레이즈

Martinee는 12개 이상의 공식 파트너사와 40개가 넘는 고객사 레퍼런스를 보유하고 있는 풀스택 마케팅 컨설팅 회사로서 이번 2024 GRB 행사를 주최한 Braze와 함께 Braze 활용법을 다루는 국내 유일의 Braze Bootcamp를 진행하고 있습니다.

‍

마티니와 딜라이트룸

Martinee는 CRM팀 소정님과 모닝 웰니스앱 알라미(Alarmy)의 개발사인 DelightRoom Head of Squad 승환님이 직접 협업 프로젝트 사례를 발표하였습니다.

Delightrooom과는 10개월 동안 45가지 가설을 검토하고, 77번의 실험을 진행하면서 Braze를 통한 그로스 루프를 그려왔습니다.

‍

빠른 이터레이션을 통한 그로스

모든 개발사들이 그렇듯, 앱 내부의 자체적인 그로스는 개발 디펜던시와 제한된 리소스로 루프의 속도를 원하는 만큼 빠르게 가져가기는 어렵다는 한계점이 있습니다.

Braze에서는 개발 디펜던시에서 벗어나 빠른 이터레이션을 통해 Delightroom의 가설을 귀납적으로 개선해나갈 수 있었습니다.

2024 Get Real with Braze 마티니 성공사례 딜라이트룸 알라미

Martinee와 Delightroom의 첫 협업에서의 그로스 사례는 7일 이탈 유저를 대상으로 여러가지 변수를 빠르게 검증한 것이었습니다.

이탈 유저 복귀의 극대화를 위해 푸시 메시지 실험 전략을 세우고, 결과적으로 2주 간의 기간 동안 메시지 컨셉, 발송 시점, 그리고 메시지 넛지 효과가 있는 세부 조건에 대한 검증을 완료했습니다.
7일 이탈 유저에게 가장 효과 있는 소구점, OS별로 다른 발송 시점, 푸시 넛지 효과가 있는 특정 조건을 찾으며 최적의 메시지 캠페인을 자동화하고 복귀를 유도할 수 있게 됩니다.

‍

정교한 타겟팅을 쉽고 간단하게

푸시 메시지를 정교하게 타겟팅하고 적시에 발송하는 것을 직접 구현하는 것은 개발 리소스가 적지 않게 드는 일입니다.
Braze에서는 Taxonomy를 제대로 설계하고 이를 잘 컨트롤한다면 원하는 타겟팅과 트리거를 쉽고 빠르게 구현할 수 있습니다.

다소 복잡할 수 있는 타겟과 로직을 Braze의 캔버스로 구현한 사례로, 아침에 힘들게 일어나는 유저를 Ring Alarm 이벤트 3회 이상, Ring Alarm to Dismiss Alarm 120초 이상로 정의하고 이 유저들에게 메시지를 발송하는 기획을 진행했습니다. 아침에 힘들게 일어나는 유저들이 미션을 변경하여 확실히 기상해보라는 메시지를 받고 알라미(Alarmy)를 더 오래 쓰도록 유도하는 것이었는데요.

해당 타겟과 로직을 캔버스의 Entry Action, Action Path, Delay 기능을 활용하여 구현해냈습니다. 개선이 필요한 타겟에게 메시지를 적시에 발송하게 되어 Primary Conversion 전환율과 Retention D+7 비율을 개선시키고 해당 캠페인의 자동화를 구축하게 됩니다.

‍

선행 테스트로 내부 우선순위 조율

CRM을 통한 그로스 중 Braze를 통해 가설에 대한 선행 테스트를 진행하고 내재화 개발에서의 성공 타율을 높이는 방식으로도 접근해볼 수도 있습니다.

알라미(Alarmy) 서비스 내 수면 기능 활성화를 목표로, 앞단 퍼널에서 유저에게 수면 모드 사용에 대한 넛지를 했을 때 임팩트가 충분할지에 대해 고민이 있었습니다.

Braze에서 푸시(Push)와 인 앱 메시지(IAM) 두 채널을 각각 적용한 수면 기능 넛지 캠페인에서 모두 Confidence 99%의 높은 결과로 위닝했기 때문에 기능 개발에 대한 확신을 가질 수 있었고, 실제로 제품에서 넛지 기능을 반영했을 때 수면 기능 활성화 효과를 확인할 수 있었습니다.
더 나아가 수면 기능의 활성화가 구독 전환에까지도 긍정적인 영향을 미치게 됩니다.

‍

글로벌 자동화 적용

2024 Get Real with Braze 마티니 성공사례 CRM 팀 매니저 편소정

Braze를 통한 CRM이 프로덕트 개선에 기여한 또다른 방식은 글로벌 자동화 적용입니다. Braze 내 User’s Local Time Zone 기능을 활용하여 각국의 현지 시간에 맞춰 유저가 캔버스(Canvas)로 유입될 수 있도록 하였고 Audience Path에서 유저의 언어 설정에 따라 각국 언어별 타겟으로 설정하였습니다.

알라미(Alarmy)에서는 서비스 주요 국가를 대상으로 유효성을 확인하기 위해 선행 테스트를 진행하고 5개 언어로 메시지를 번역 및 자동화하게 됩니다. 자동화 적용 후 모니터링에 대한 리소스가 부족한 고객사를 대신하여 Martinee에서 성과를 모니터링 하고 세부적인 추가 조정을 통해 개선 방안을 제공해드립니다.

‍

리텐션 지표까지 살피기

기존에는 리텐션(Retention) 지표를 실험의 가드레일 지표로서 확인했다면, 더 나아가 성과 지표로서 판단해 자동화를 적용했습니다.

마티니에서는 Braze의 대시보드에서 제공하는 Rolling Retention과 Range Retention, Query Builder를 활용해 조회한 N Day Retention까지 다양한 리텐션(Retention) 지표를 살피며 실험의 결과를 판단합니다. 리텐션(Retention) 지표를 중요한 지표로 고려하며, CRM 메시지가 고객 제품 여정에 있어 장기적으로 긍정적인 효과를 불러오도록 합니다.

‍

CRM은 마티니와 함께

이번 세션에서는 Delightroom과의 프로젝트에서 Braze를 활용한 최적의 A/B 테스팅과 CRM 캠페인 사례를 설명드렸습니다.

‍

Martinee는 세 가지 분야의 전문가들이 모여 유기적으로 협업하며 다양한 문제를 해결하고 있습니다. Delightroom의 알라미(Alarmy) 사례는 제품 그로스에 있어서 Braze를 전략적, 기술적으로 잘 활용한 성공적인 CRM 협업 사례였습니다.

‍

데이터·프로덕트 분석, KPI 대시보드 설계와 제작, 데이터 파이프라인 활용, CRM 택소노미(Taxonomy) 및 프로모션 설계, MMP 설치와 점검, 퍼포먼스 마케팅 미디어 믹스까지, 각 분야의 전문가들이 모여있는 Martinee와 함께 비즈니스 성공을 실현해보세요.

‍

GROWTH

패션 커머스 앱 앱스토어최적화(ASO) 해보기

April 9, 2024

ASO가 뭐예요?🧐

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.

AOS: App name, Short description, Long description, Reviews 등
iOS: Title, Subtitle, Keyword Field, In-App Purchases, In-App Events, Reviews 등

‍

✓ App Store, Play Store의 ASO TOP 3 Factor

App name
Short Description
Long Description

Title
Subtitle
Keyword Field

‍

EQL 앱 ASO 해보기 👚

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)

‍

1. 경쟁사 앱 파악하기

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

(참고 기사1, 기사2, 기사3, 기사4, 인터뷰)

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.

‍

2. 키워드 추출하기

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.

키워드 리스트 추출: EQL, 패션, 한섬 (한섬 > 더한섬닷컴 > 더한섬 순으로 설치 전환율이 좋음.), 패션, 쇼핑, 온라인 패션, 패션 브랜드, 할인, 셀렉트샵
키워드 세트 A: EQL, 한섬, 브랜드 패션 할인, 셀렉트샵

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.

‍

3. 제목

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.

EQL (EQL)
온라인 패션 스토어 무신사 (무신사)
29CM - 감도 깊은 취향 셀렉트샵 (29CM)
포스티 - 브랜드 패션 할인 쇼핑 (포스티)

EQL의 뒷부분에 키워드 세트 A를 바탕으로 아래와 같이 키워드를 추가하고 글자 수를 늘려 볼 수 있다.

e.g. EQL - 한섬의 브랜드 패션 온라인 셀렉트샵

‍

4. 간단한 설명

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.

한섬이 선보이는 신진 디자이너 편집샵 [20자] (EQL)
브랜드 패션 쇼핑은 다 무신사랑 해! [20자] (무신사)
Guide to better choice 감도 깊은 취향 셀렉트샵 29CM [41자] (29CM)
놀라운 가격, 하나만 사도 무료배송 [19자] (포스티)

‍

5. 긴 설명

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.

‍

6. 유저 리뷰 항목

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.

앱 명	EQL	무신사	29CM	Posty
평균 평점	1.88	4.63	4.39	4.72
평가 수	258	64,671	3,487	5,009

‍

부정적 리뷰의 반복 키워드
- 느리고
  - 로딩 시간이 오래
  - 앱이 느려요
- 로그인
  - 로그인이 풀려요
  - 로그인이 안되고
- 필터
  - 뒤로가기 후 정렬 풀림
  - 상세 검색 풀림

‍

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.

‍

참고문서

Improved app quality and discovery on Google Play

프로답게 ASO하기: 앱 스토어 최적화 가이드

‍
원본 포스팅 링크

https://salmonkiller.tistory.com/5

GROWTH

그로스 마케터가 데이터를 분류하고 활용하는 법

February 28, 2024

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.

체계적인 데이터 분류가 필요한 이유

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.

‍

데이터를 전략적으로 활용하는 방법

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.

‍

원본 포스팅 링크

그로스 마케터가 데이터를 분류하고 활용하는 법

GROWTH

[프로젝트 후기] 멤버십 및 RFM 분석

February 26, 2024

‍

1. Membership 및 RFM 개념

1-1) Membership 개념 및 중요성

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.

등급별 혜택 제공: 멤버십 등급에 따라 다양한 혜택을 제공함으로써 고객의 충성도를 높이고, 장기적인 관계를 유지합니다. 이를 통해 고객의 재방문과 재구매를 유도하여 매출 증대에 기여합니다.
고객 데이터 수집: 고객의 구매 이력, 선호도, 행동 패턴등의 데이터를 수집하고 분석하여 맞춤형 마케팅 전략을 수립하여 매출 증대에 기여합니다.

‍

1-2) RFM 개념 및 중요성

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.

‍

Recency (최근성): 고객이 마지막으로 구매한 시점이 언제인지?
→ 최근 구매한 고객일수록 다시 구매할 가능성이 높습니다.
Frequency (빈도): 특정 기간 동안 고객이 얼마나 자주 구매하는지?
→ 빈번한 구매는 고객 충성도의 지표가 될 수 있습니다.
Monetary (금액): 고객이 소비한 총 금액이 얼마인지?
→ 구매 금액은 고객의 가치를 나타내는 지표가 될 수 있습니다.

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.

‍

1-3) Membership 및 RFM을 함께 확인하는 이유

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.

‍

2. 진행배경

2-1) 경쟁사 레퍼런스

분석하고자 하는 커머스가 패션 e커머스임을 감안하여 패션 e커머스 대표 브랜드인 ‘무신사’, ‘29CM’, ‘W컨셉’을 경쟁사로 두고 레퍼런스를 서치했습니다.

‍

1. 무신사(링크)

등급 점수 계산 방법: 최근 5년간 누적 구매 금액 + 포인트

누적 구매 금액
- ‘상품 판매가-등급 할인-쿠폰 할인+결제 수수료’
포인트
- 오늘의 미션 수행 및 커뮤니티 활동을 통해 획득
  - 포인트를 적립금으로 전환해서 사용 가능하며, 적립금 전환 시 회원 등급이 낮아질 수 있음
    - 참고) 오늘의 미션
    - 참고) 무신사 커뮤니티 (링크)

‍

등급(8개)별 구간 및 혜택

‍

2. 29cm (링크)

등급 점수 계산 방법: 최근 6개월간 누적 구매 금액

누적 구매 금액
- 구매 확정된 상품 판매가의 합 (배송비 금액 제외)
등급(4개)별 구간 및 혜택

3. W컨셉 (링크)

등급 점수 계산 방법: 최근 6개월간 누적 구매 상품건수 및 금액

등급(6개)별 구간 및 혜택

2-2) 고객사 현 상황

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.

경쟁력 악화
- 현재 무신사, 29CM, W컨셉으로 대표되는 많은 패션 플랫폼에서 다양한 멤버십 혜택을 제공하고 있습니다. 멤버십 프로그램이 없는 경우, 경쟁사 대비 경쟁력이 떨어질 수 있으며, 고객이 해당 플랫폼에 애착을 느끼지 못하고 이탈할 가능성이 증가합니다.
고객 충성도 감소
- 멤버십 프로그램은 고객에게 특별한 혜택과 보상을 제공하여 충성도를 높여 고객과의 장기적인 관계를 구축하는 역할을 합니다. 멤버십이 없으면 고객이 플랫폼에 충성도를 느끼기 어려워 재방문율과 재구매율이 감소할 수 있으며, 이는 장기적인 비즈니스 성장에 부정적인 영향을 미칠 수 있습니다.

‍

3. 진행과정

3-1) 주문 데이터 요청 및 검증

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.`

`‍`

1차 정합성 검증 1차 정합성 검증 기준 DB데이터와 Amplitude 데이터의 유사성은 약 80%수준

‍

최종 정합성 검증 : 최종 정합성 검증 기준 DB데이터와 Amplitude 데이터의 유사성은 약 93%수준

‍

3-2) 데이터 형식 변경: 주문 데이터 → 유저 데이터

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.

‍

3-3) EDA (유저분포 확인)

그 후, 적절한 RFM scoring 기준을 확인하기 위해 유저 분포를 확인했습니다. 유저를 10%, 5%, 1% 기준으로 구분하고 항목별 분포를 확인했습니다.

‍

3-4) 이상치 제거

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.

‍

3-5) RFM

1. RFM Scoring

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.

‍

R Score (비율(%) 기준)

‍

F Score (구매횟수 기준)

‍

M Score (비율(%) 기준)

‍

2. RFM Seg 매칭

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.

‍

3-6) Membership

1. 가중치 계산

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.

‍

‍

2. 멤버십 기준 설계

멤버십은 RFM의 score을 기준으로 구간을 설정한 후, M(누적구매액)으로 기준을 변경해주었습니다.

RFM score 기준 구간설명

M(누적구매액) 기준 구간설명

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`

‍

4. 결과

4.1) 멤버십 혜택 설계

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.

‍

‍

4.2) Membership/ RFM Dashboard

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.

‍

멤버십 VVIP 클릭

‍

또한 좌측 상단의 필터를 통해 각 멤버십 및 RFM 세그먼트별 회원 수 및 매출액을 파악하고 이를 비교함으로써 종합적인 비즈니스 성과를 파악할 수 있습니다.

‍

‍

원본 포스팅 링크

[프로젝트 후기] 멤버십 및 RFM 분석

EVENT

Braze x Mixpanel 활용으로 성공하는 초고도 개인화 CRM 마케팅 네트워킹 세미나 (24.1.30)

January 30, 2024

브레이즈와 믹스패널로 고도화하는 CRM

Braze x Mixpanel 활용으로 성공하는 초고도 개인화 CRM 마케팅 네트워킹 세미나 현장 입구

행사명 : Braze x Mixpanel 활용으로 성공하는 초고도 개인화 CRM 마케팅 네트워킹 세미나

장소: 서울 서초구 서초대로38길 12 마제스타시티 타워2 12F

일시: 2024년 1월 30일 화요일 오후 6시 30분

초청 대상: 브레이즈 또는 믹스패널 사용 중인 고객사와 도입 예정인 고객사

‍

어떤 순서로 진행되었나요?

Braze x Mixpanel 활용으로 성공하는 초고도 개인화 CRM 마케팅 네트워킹 세미나 타임테이블

Braze x Mixpanel 활용으로 성공하는 초고도 개인화 CRM 마케팅 네트워킹 세미나 타임테이블 POP

Braze x Mixpanel 활용으로 성공하는 초고도 개인화 CRM 마케팅 네트워킹 세미나 굿즈 텀블러

행사 전 출석 확인 후 참석하신 분께 기념품인 텀블러와 가방을 나누어 드렸습니다!

‍

18:30 식사 및 네트워킹

Braze x Mixpanel 활용으로 성공하는 초고도 개인화 CRM 마케팅 네트워킹 세미나 네트워킹 모습

Braze x Mixpanel 활용으로 성공하는 초고도 개인화 CRM 마케팅 네트워킹 세미나 음식 사진

이번 행사는 저녁 시간인 만큼 식사와 네트워킹을 먼저 진행했습니다.
참석자분들끼리 식사하며 브레이즈와 믹스패널 등 마케팅 솔루션에 관한 이야기를 편하게 나누며 공감대를 형성하도록 하였습니다.

‍

19:10 브레이즈 세션

Braze x Mixpanel 활용으로 성공하는 초고도 개인화 CRM 마케팅 네트워킹 세미나 브레이즈 세션

Braze x Mixpanel 활용으로 성공하는 초고도 개인화 CRM 마케팅 네트워킹 세미나 브레이즈 최준호 연사

최준호 파트너십 리더의 ‘K-CRM Braze’를 주제로 진행된 세션이었습니다.
Braze의 회사 개요를 설명하며 국내외 고객사 레퍼런스들을 소개하며 국내 시장과 사용자들을 위한 여러가지 투자와 개발 및 AI 기능에 대해서 설명하였고,
특히 한국어 대시보드 서비스 및 한국어 홈페이지와 더불어 카카오 네이티브 연동 개발에 대해 강조하였습니다.

‍

19:20 믹스패널 세션

Braze x Mixpanel 활용으로 성공하는 초고도 개인화 CRM 마케팅 네트워킹 세미나 믹스패널 세션

Braze x Mixpanel 활용으로 성공하는 초고도 개인화 CRM 마케팅 네트워킹 세미나 믹스패널 JAY 연사

믹스패널(Mixpanel) 세션에서는 Account 리더 Jay Jirundorn이 믹스패널의 국내 시장 진입전략과 함께 이벤트 데이터(Event Data) 트래킹(Tracking)이 어떻게 성장을 이끄는지 설명하였습니다.

또한, 믹스패널이 클릭 기반 직관적인 UI로 높은 사용성을 가지고 있고 심층적인 행동 데이터 분석이 가능하다는 점을 내세우며 다른 PA 솔루션이 갖지 못한 Mixpanel의 신규 기능들을 강조하였습니다.

‍

19:30 마티니 세션

Braze x Mixpanel 활용으로 성공하는 초고도 개인화 CRM 마케팅 네트워킹 세미나 마티니 세션

Braze x Mixpanel 활용으로 성공하는 초고도 개인화 CRM 마케팅 네트워킹 세미나 마티니 CRM 팀 리더 이건희 연사

Braze x Mixpanel 활용으로 성공하는 초고도 개인화 CRM 마케팅 네트워킹 세미나 마티니 세션 2

마티니 세션에서는 이건희 CRM 리더가 브레이즈 믹스패널 연동 CRM 사례를 발표하였습니다.
마테크 솔루션(Mar-tech solution)현황을 바탕으로 마티니의 워크플로우(Workflow)를 소개하며 세션을 시작하였습니다.
이후 본격적인 브레이즈와 믹스패널 연동 CRM 사례를 발표하였습니다.
첫 번째로 코호트 싱크(Cohort Sync)를 통한 세그멘테이션 분석(Segmentation)법을 설명하며 다양하고 복잡한 케이스들의 세그멘테이션이 가능해지는 점을 강조하였습니다.

두 번째는 고도화된 CRM 성과 분석이 가능한 점입니다. CRM 캠페인의 성과를 판단하고 해당 CRM 캠페인이 비즈니스에 미친 영향과 유효성을 판단할 수 있다는 점을 설명하였습니다.

세 번째는 가설 수립과 결과 분석의 가속화로 빠른 가설 도출과 결과 분석을 통해 민첩한(애자일 Agile) 마케팅 프로세스를 구축할 수 있다는 점입니다.

마지막으로는 보완적 데이터 수집이 가능하여 개발 업무를 비개발 업무로 대체 가능하다는 점을 언급하였습니다.

‍

20:00 마켓핏랩 세션

Braze x Mixpanel 활용으로 성공하는 초고도 개인화 CRM 마케팅 네트워킹 세미나 마켓핏랩 세션

Braze x Mixpanel 활용으로 성공하는 초고도 개인화 CRM 마케팅 네트워킹 세미나 마켓핏랩 전민철 연사

마지막 마켓핏랩 세션에서는 전민철 세일즈 디렉터의 믹스패널 활용 발표가 있었습니다.
구글 생태계 변화에 따른 툴 변화 트렌드를 시작으로 마케터라면 반드시 알아야 하는 믹스패널의 마케팅 분석 기능을 현장 라이브 데모를 통해 믹스패널 활용법을 시연하였습니다.
특히 마케팅 트렌드 변화에 따라 믹스패널과 브레이즈의 연동을 강조하며 두 솔루션의 연동 사례까지 라이브 데모를 통해 시연하였습니다.

‍

20:20 Q&A 및 경품 추첨

Braze x Mixpanel 활용으로 성공하는 초고도 개인화 CRM 마케팅 네트워킹 세미나 QnA

Braze x Mixpanel 활용으로 성공하는 초고도 개인화 CRM 마케팅 네트워킹 세미나 경품 지급 모습

Braze x Mixpanel 활용으로 성공하는 초고도 개인화 CRM 마케팅 네트워킹 세미나 단체사진

4개의 세션이 종료 후 궁금한 점에 답변을 드리기 위핸 Q&A 세션이 진행되었습니다.
Q&A세션에서는 약 25개의 질문을 남겨주실 만큼 굉장히 적극적으로 참여해주셨습니다. 🙂 그 중 가장 좋아요 수를 많이 받는 질문 한 가지를 소개해드리고자 합니다.

‍

Question. 브레이즈에서 카카오 개발 연동이 되면 현재와 다른 점이 무엇인가요? 🤔

→ 국내에서 카카오 사용 유저가 많고, 그에 따른 디테일한 캠페인 구성과 성과 측정이 가능하다는 점에서 이전과 큰 차이점이 있습니다.
‍

추가로 특별히 이번 행사에서는 참석해주신 분 중에 추첨을 통해 두 분께 에어팟 맥스 프로를 제공하였습니다!

‍

이번 세마나 행사에서는 브레이즈와 믹스패널의 연동 사례를 통해 두 솔루션을 잘 활용는 방법들을 소개해드렸습니다.

앞으로 마티니가 주최하는 행사와 세미나에 참석하신다면 여러가지 유용한 정보들을 확인하실 수 있습니다.

GROWTH

앱스플라이어(AppsFlyer) MMP 제대로 사용하고 있는걸까? 데이터 사각지대 대응 솔루션 ft. 데이터 락커

January 26, 2024

앱 마케팅의 성과 측정을 위한 방식과 데이터의 해석은 쉽지 않습니다.아마 경험이 있으시다면 내가 성과를 제대로 측정하고 있는지 다른 데서도 이렇게 하는지 앱 성과 측정을 잘하는 곳은 어떻게 하는지 많이 궁금해하실 겁니다.

‍

특히 개인정보보호 이슈로인해 앱 마케터들이 필요한 성과 측정 지표에 구멍이 뚫리기 시작했었죠.

‍

이를 위해 MMP들은 이를 보정하기 위해 굉장히 많은 기술로 앱 성과를 측정할 수 있도록 보완해주고 있습니다.하지만 이를 제대로 사용해야만 데이터 사각지대를 피할 수 있습니다.

‍

데이터 사각지대란?

데이터 사각지대는 마치 안개가 짙은 도로에서 운전하는 것에 비유할 수 있을 것 같습니다.안개가 짙으면 운전자는 도로의 일부만 볼 수 있으며, 나머지는 안개에 가려져 보이지 않습니다.

마찬가지로, AppsFlyer의 로우데이터 리포트에서는 일부 데이터가 제한되거나 가려져 있어 전체적인 상황을 완전히 파악하기 어려운데 이를 데이터 사각지대라고 표현합니다.

‍

어떤 현상이 발생하는가

모바일 앱 성과를 측정할 때는 플랫폼 및 매체사의 개인 정보 보호 및 그에 따른 데이터 공유 정책에 기반한 로데이터 리포트 제한으로 인해 데이터를 제공받지 못하는 현상이 발생합니다.

‍

로데이터 리포트 제한이란?

전환(설치 및 재참여) 및 제한 광고 네트워크가 기여한 관련 인앱 이벤트가 제한되어 앱스플라이어에서 데이터를 내려받으면Media Source 필드는 restricted 로 채워지고 어트리뷰션 필드는 비어 있거나 null로 채워집니다.

‍

또한 데이터 보존 및 삭제 정책에 따라 유저 레벨의 데이터는 AppsFlyer에 의해 제한된 기간 동안 보존되고 보존 기간이 끝나면 사용자 이벤트는 원래 미디어 소스 대신 유기적(organic) 소스로 변경됩니다.

‍

이외에도 여러 제약 조건이 있어서 공식문서를 살펴보시길 권장드립니다.

‍

리타겟팅 어트리뷰션과 UA 어트리뷰션 데이터를 통합할 때인앱 이벤트 성과 중복이 생길 수 있는 점

‍

캠페인의 re-engagement window 동안 퍼포먼스를 평가하기 위해서 인앱이벤트와 세션은 UA(user acquisition) 과 retargeting의 media source에 중복 집계됩니다.

이를 고려해서 리포트를 csv로 내려받은 후 마케터는 데이터를 가공해줘야합니다.
(데이터를 내려받는데 시간이 약간 소요됩니다.. 리포트를 가공하는데 앱 마케터들은 매일 반복된 작업으로 오전시간을 소비합니다. 이를 자동화하고 마케터가 분석에 좀 더 몰입할 수 있게 마티니는 마케팅 데이터 파이프라인 구축에 도움을 드리고 있습니다)

‍

인앱 이벤트 성과 중복이 된다는 개념을 살펴보자면

‍

아래 이미지 처럼 리타겟팅 캠페인으로 유입된 유저의 데이터는 UA, RT(retargeting) 리포트에 중복으로 기록됩니다.

‍

‍

데이터를 다운 받으시면 아래 이미지와 같은 컬럼을 확인할 수 있습니다.

‍

‍

위와 같은 현상을 보완할 수 있는 앱스플라이어의 기능으로는 무료로 사용 가능한 데이터 락커의 코호트 애널리틱스 입니다.

‍

‍

데이터 락커 구독(유료) 없이도 제공되는 리포트 항목 중 하나(추가 비용 없이 리포트 사용 가능)

이 데이터를 활용하려면 약간의 개발 지식이 필요합니다.

UA, 인스톨, 리타게팅, 리어트리뷰션, 리인게이지먼트와 관련 인앱이벤트 데이터가 포함됩니다.

앱스플라이어 어드민에서 데이터락커 기능을 활성화하여 Cloud Stroage(Google Cloud Storage or AWS S3)에 데이터 보내는 설정을 하고 이를 DW(Data Warehouse)에 저장을 하여 분석에 사용하셔야 합니다.

‍

‍

이 데이터는 최근 1년 동안 기여된 사용자 데이터를 담고 있고 위에서 설명드린 로데이터 리포트 제한이슈로 발생하는 데이터 사각지대를 보완하여 로데이터의 대안으로 사용할 수 있습니다.

저장을 한 뒤에 성과를 올바르게 집계하기 위해 전처리를 하여 BI 툴을 활용하여 자동화된 대시보드를 구축할 수 있습니다.
- Unify 의 경우 is_primary_attribution 필드를 TRUE 혹은 NULL 로 사용
- UA 의 경우 conversion_type = install 로 사용
- RT(retargeting)의 경우 conversion_type = re-engagement 또는 re-attribution으로 사용

‍

하지만 단점도 물론 존재합니다.

‍

iOS의 경우(마케터를 힘들게 하는 주범), 앱스플라이어 어트리뷰션과 SKAN 어트리뷰션 데이터를 통합할 때 중복이 생길 수 있는 점

SSOT가 적용이 안되는 점
- SSOT는 앱스플라이어 Overview 대시보드에서만 확인 가능합니다..ㅜㅜ
- 하지만 앱스플라이어가 유저의 니즈를 모를리 없죠. 앱스플라이어에서 이 기능을 고려한 리포트를 준비중이라고 들었네요.

👉 Single Source of Truth

앱스플라이어가 측정한 어트리뷰션 데이터와 SKAN을 통해 측정한 어트리뷰션 데이터를 통합할 때 중복을 제거할 수 있는 솔루션이 SSOT 입니다.

‍

이번 글은 앱스플라이어를 사용하면서 데이터 사각지대에 빠지지 않기 위한 방법으로 데이터 락커 코호트 분석 기능을 소개해드렸습니다.

‍

다음번에도 앱스플라이어를 제대로 사용할 수 있게 도움을 드릴 수 있는 글을 작성해보려 합니다.

‍

원본 포스팅 링크

앱스플라이어(AppsFlyer) MMP 제대로 사용하고 있는걸까? 데이터 사각지대 대응 솔루션 ft. 데이터 락커

‍

풀스택 마케팅 컨설팅펌 마티니아이오

‍https://martinee.io/

‍

마티니 링크드인

‍https://www.linkedin.com/company/martinee

‍

GROWTH

혼자서 GA4 연동하고 루커스튜디오 대시보드 만들기-2

January 13, 2024

GTM은 Google Tag Manager의 약자로 구글이 쉽게 웹 사이트에 구글의 태그(코드)를 설치할 수 있도록 도와주는 솔루션이다.

‍

여기서 잠깐... 그럼 태그(Tag)는 무엇일까?

태그는 뭐고 픽셀은 뭔가요? 다른 걸까요?

‍

디지털 마케팅을 접해본 사람이라면 픽셀, 태그라는 용어를 정말 많이 들었겠지만 저렇게 질문을 했을 때 명확하게 답하는 사람은 많지 않다.

정답은 태그(Tag)와 픽셀(Pixel) 모두 같은 말이다(!).

‍GA4과 같은 제삼자에게(메타일 수도, 구글애즈일 수도, 앰플리튜드일 수도 있다.) 정보를 전송하는 자바스크립트(전송 컴퓨터 언어 종류) 코드 조각을 '태그'라고 부른다.

메타, 카카오에서는 '픽셀'이라 말하고 구글에서는 '태그'라고 지칭한다.

‍

‍

태그 스니펫(=코드 조각)은 이렇게 생겼다.

‍

위 코드 스니펫은 유저가 로그인 성공했을 때 gtag(구글태그)라고 하는 해당 코드를 발동시켜 user_id를 포함한 login 이벤트를 구글 매체에게 전송하는 역할을 가지고 있다.

즉, 유저가 내가 추적하고자 하는 행동(이벤트)을 했을 때 코드가 작동하면서 유저 행동 정보를 매체에게 전송하고 매체들은 본인들의 집계 기준을 통해서 필터링하여 대시보드에 적재하게 된다.

만약 대시보드 내에 확인되는 수치들이 이상하다면 태그가 정상 발동되는지 가장 먼저 의심해보아야 한다.

‍

자 그렇다면 GA4를 설치하기 위해서는, 당신의 사이트에 1) GTM의 코드와 2) GTM 안에 GA4코드를 설치해야 한다. 그래야 GTM이 작동하면서 GTM 내부에 있는 GA4 코드를 실행시켜 유저 액션 데이터를 GA4 대시보드에 보여주니까!

‍

1. GTM 설치하기

우선 GTM 사이트(링크)에 들어가서 GTM의 계정과 컨테이너를 생성한다.

‍

1개의 계정 안에는 복수 개의 컨테이너를 추가 생성할 수 있다.

‍

컨테이너를 생성하면 GTM id가 부여되고 GTM id를 클릭하면 GTM 코드를 확인할 수 있다. <head> 영역의 코드를 복사한다.

‍

<head> 코드에 부여된 GTM id가 내가 생성한 id와 동일한지 확인을 하고 맞다면 웹 페이지의 HTML <head> 영역의 가장 최상단 영역에 코드를 넣는다.
(가능하면 최! 상단에 넣도록 한다. GTM 코드가 가장 우선적으로 실행되어야 하기 때문에..)

만약 내부 개발자가 자체적으로 구축한 사이트라면 개발자에게 부탁하여 디자인 소스 <head> 영역에 넣어달라고 요청해야 하고 카페24, 아임웹, 고도몰과 같은 호스팅사를 이용해 구축했다면 관리자에 들어가서 쉽게 코드를 추가할 수 있다.

‍

📝 호스팅사 별 GTM 삽입하는 방법

(1) 카페24: 쇼핑몰 설정 > 기본설정 > 검색 엔진 최적화 > 고급 설정 > 코드 직접입력

(2) 고도몰: 기본 설정 > 기본 정책 > 외부스크립트 관리

(3) 아임웹 (링크)

(4) 식스샵 (링크)

카페24 내 GTM 코드 삽입 과정 — 카페24는 PC 쇼핑몰, 모바일 쇼핑몰 head 영역 두 곳에 GTM 코드를 붙여 넣기 해야 한다.

‍

단, GTM은 내 사이트 영역에만 삽입되어 작동하는 코드이므로 내 사이트 내에 열리는 다른 소유의 사이트에 대해서는 추적이 불가능하다.

가장 대표적인 예로는 Npay 버튼을 클릭했을 때 넘어가는 Npay 결제 화면으로, 해당 페이지는 네이버 페이 권한이기 때문에 GTM으로는 정확하게 결제 완료까지 추적이 불가능하다.

대신 Npay 버튼 클릭 값으로 수치를 추측할 수 있다.

예외적으로 카페24처럼 매체와 네이버 간 API로 직접 연동이 되어 있는 호스팅사라면 매체 대시보드에서 API로 받아오는 구매 건수와 결제금액을 확인할 수 있다.
(카페24 <> 메타의 경우)

‍

2. GA4 코드를 GTM에 삽입한다.

커머스 사이트라면 기본적을 아래 이벤트를 가장 많이 활용할 것이다.

pageview (페이지뷰)

전자상거래 이벤트의 경우 GA4 매뉴얼 문서에 이벤트 명을 명시해 두었으므로 문서를 참고해서 내 사이트에 필요한 이벤트를 선별 하면된다. (링크)

GTM으로 삽입하는 방식은 크게 (1)페이지 URL과 (2)버튼 클릭 조건으로 삽입할 수 있다.

‍

(1) 페이지 URL 조건으로 삽입하기

‍

마티니 아이오 페이지를 예시로 들어보자.

마티니 아이오 홈페이지에 들어가면 상단 바에 'Our Workflow', 'Success Stories', 'Meet Martinee' 탭이 보인다.

만약 방문 유저가 'Meet Martinee' 페이지에 랜딩 했을 때 view_item(상세페이지 조회) 이벤트를 추적하고 싶다면 가장 쉬운 방법으로는 페이지 URL이 변경될 때를 조건으로 설정하는 것이다.

Meet Martinee 랜딩 페이지 URL: https://martinee.io/meet-martinee

‍

GTM에서 '트리거'는 발생 조건을 의미한다.

우리는 특정 페이지 주소를 조건으로 잡아야 하기 때문에 GTM > 트리거에서 새로 만들기를 클릭한다. 트리거 유형은 'DOM 사용 가능'으로, 특정 페이지 URL이 랜딩 됐을 때만 이벤트가 발동해야 하므로 '일부 DOM 사용 가능 이벤트'로 설정한 후 page path 조건을 걸어둔다.

‍

(2) 버튼 클릭 조건으로 삽입하기

‍

만약 유저가 'Meet Martinee' 페이지에 랜딩 했을 때가 아닌, 'Meet Martinee' 버튼을 클릭했을 때 view_item(상세페이지 조회) 이벤트를 발동하고 싶다면 트리거를 클릭요소로 바꾸면 된다.

우선은 웹 사이트 상에서 개발자 도구를 연다. 그 후 내가 추적하고 싶은 아이콘(버튼)에 마우스 커서를 갖다 대면 해당 버튼의 html 코드가 같이 표시된다.

‍

개발자 도구에서 보면 해당 버튼의 클래스 이름은 "font-poppins-bold text-base text-white"이고 버튼 텍스트는 "Meet Martinee"임을 알 수 있다. 그럼 우리는 Click Classes와 Click Text를 가지고 GTM에서 트리거 조건을 걸 수 있다.

‍

자, 이제 이벤트 발동 조건을 모두 설정하였으니 이벤트만 설정하면 된다. 이벤트는 GTM의 태그에서 생성할 수 있다. 트리거와 마찬가지로 태그에서 '새로 생성하기'를 클릭하고 이벤트 명을 설정해 준다. 이벤트 명은 내가 대시보드에서 확인할 수 있는 이벤트명과 매체를 명시하는 것이 추후 수정/관리가 용이하다.

‍

‍

GTM은 구글 마케팅 플랫폼으로 GA4와 연동이 되어 있어 어려운 코드가 필요하지 않다.

이벤트 이름과 내가 설정한 meet_martinee_landing_page 트리거를 설정한 후 '저장'을 클릭하면 Meet Martinee 페이지에 랜딩 할 때마다 GA4의 view_item 이벤트가 발동하게 되는 것이다.

트래킹이 필요한 이벤트의 태그 삽입을 완료하면 GTM 컨테이너 상단의 '미리 보기'를 통해 이벤트가 잘 발동되고 있는지 체크를 해보고, 문제가 없다면 '배포'를 클릭하여 실제 사이트에 코드를 배포하면 된다.

‍

원본 포스팅 링크

혼자서 GA4 연동하고 루커스튜디오 대시보드 만들기-2

GROWTH

혼자서 GA4 연동하고 루커스튜디오 대시보드 만들기-1

January 12, 2024

태그(Tag 혹은 Pixel)는 디지털 마케팅을 하기 위해 데이터를 전송하는 역할을 하는 코드 조각으로 디지털 마케팅의 첫 단추라고 생각하면 된다.

약간의 컴퓨팅 지식(예를 들면 javascript, 웹/앱 구조 등등)이 필요할뿐더러 매체마다 메뉴얼이 다르고 업데이트가 빨라 한 번에 지식을 터득하기가 매우 어려웠다. 국내외 블로그, 매뉴얼 문서, 오프라인 강의 등 닥치는 대로 찾아보면서 공부했었다.

그렇게 한 땀 한 땀 구슬 꿰듯이 터득하고 보니 결국 하나의 매체 혹은 마테크(MartTech, Marketing + Technology) 툴을 활용하기 위한 순서가 크게 다르지 않다는 것을 깨달았다.

‍

보통은 아래와 같은 일련의 순서를 따르게 된다.

‍

📝 연동 플로우

1. 내 사이트/앱 컨디션 점검

2. (웹) GTM 태그 설치 / (앱) SDK 설치

3. QA 및 배포

4. 대시보드 설정

5. 활용하기

5-1. 데이터 분석

5-2. 데이터 시각화

5-3. 다른 마테크 툴 또는 매체와 연동

‍

1. 내 사이트 컨디션 점검

개발자 도구, 익스텐션 앱, 디자인 소스에서 코드 찾아보기 등의 방법을 활용한 사이트 점검 모습 — 개발자 도구, 익스텐션 앱, 디자인 소스에서 코드 찾아보기 등의 방법을 활용해서 점검한다.

‍

우선은 내가 분석해 보고 싶은 사이트/앱의 (접근 권한을 가지고 있어야 하므로 보통은 내 서비스의 사이트 혹은 앱)의 현황을 체크해야 한다. 어떻게 사이트를 구축했는지, 개발자의 지원은 받을 수 있는지, 이전에 사이트에 설치해 놓은 다른 분석 툴이나 매체 코드가 있는지 등을 주로 확인한다.

‍

2. (웹) GTM 태그 설치 / (앱) SDK 설치

‍

GTM(Google Tag Manager)은 구글에서 2012년에 웹 사이트 추적 코드를 빠르게 삽입하기 위해 론칭한 솔루션으로, 추적 코드를 매우 빠르게 설치하고 쉽게 수정할 수 있다.

웹 사이트는 주로 GTM을, 앱은 SDK를 활용하여 필요한 태그를 설치하면 된다. 단, 어떤 데이터를 추적하고 싶은지 목적을 잘 설정해야 하고 해당 목적에 따라 세부적으로 어떤 유저 행동을 각각 봐야 하는지('이벤트'라고 부른다.) 잘 설계해야 한다.

이렇게 체계적으로 추적할 이벤트를 설계하는 것을 '택소노미'(Taxonomy)라고 한다.

‍

3. QA 및 배포

QA(Quality Assurance)는 새로운 코드나 기능을 배포하기 전 해당 코드를 실제처럼 구현해 보고 문제가 있는지 여러 번 확인하거나 모니터링하는 단계라고 보면 된다.

QA 단계가 끝나면 실제 웹/앱 서비스에 신규 코드를 배포하여 반영될 수 있도록 한다. QA 단계에서 테스트를 여러 번 진행했더라도 실제 서버에서 에러가 나는 경우도 많으므로 배포 직후에도 테스트를 해보는 것이 중요하다.

‍

4. 대시보드 설정

GA4에서 제공하는 기본 대시보드 기능 예시 화면 — GA4에서 제공하는 기본 대시보드 기능

‍

실제 사이트에서 매체나 마테크 툴 연동 코드를 배포하고 나면 해당 매체나 마테크 대시보드에 수치가 찍히게 된다.

이때 각 대시보드에서 설정해야 하는 기본적인 사항들이 있으므로 잘 숙지를 하고 미리 세팅을 해놓아야 한다. 그렇지 않으면 대시보드에 수치가 반영되지 않기도 한다.

‍

5. 활용하기

루커스튜디오, 태블로를 활용한 대시보드 예시 — 루커스튜디오, 태블로를 활용한 대시보드

‍

기본적으로 제공해 주는 툴을 사용하다 보면 내가 가지고 있는 추가적인 데이터와 연결하여 분석하고 싶거나 다른 부서의 사람들과 함께 활용하거나 보고용으로 시각화하는 작업이 필요하기도 하다.

이때는 빅쿼리, 스노우 플레이크, AWS와 같은 클라우드 서비스와 연동해서 데이터를 추가하고 정제하는 작업을 하거나 태블로, 루커 스튜디오와 같은 데이터 시각화 툴과 연동해서 추가 작업을 한다.

‍

끝으로,

세상에는 많은 마테크 툴이 있지만 사업 규모나 예산에 상관없이 한 개만 선택해야 한다면, GA4(Google Analytics)를 추천하고 싶다.

일단은 무료인 데다가 다른 구글 마케팅 플랫폼과 연동이 쉬워 진입 장벽이 낮기 때문이다. 그리고 GA3에서 GA4로 업데이트 되면서 대시보드 업로드 속도도 개선되었고, 데이터 분석에 익숙하지 않은 사용자들이 비교적 쉽게 이해할 수 있도록 직관적인 시각화 기능도 추가되어서 초기 도입 툴로 좋다. (실제로도 많은 기업들이 초기 도입 툴로 GA4를 많이 활용하고 있다.)

‍

위에 나열한 것과 같이 많은 단계를 거쳐야 하지만 내 사이트를 방문하는 고객들을 분석하고 기본적인 대시보드(리포트)를 만드는 것, 디지털 마케팅의 필수 단계이다. 다만, 관련된 도메인이 많아서 흩어진 자료를 취합하고 이해하는 과정에서 굉장히 시간이 많이 소요될 것이다.

‍

소규모 기업부터 대기업까지 여러 규모의 담당자들을 만나면서 느낀 점은 치열한 경쟁 속에 비즈니스를 성장시키는 것은, 그야말로 전쟁터 같았다. 그 망망대해 같은 전쟁터에서 누군가의 직관적인 '감'으로만 고객을, 그리고 팀원을 설득한다는 것은 매우 불안한 일이다. 그 말을 하고 있는 나 조차도 흔들리기 때문이다.

데이터는 그때마다 등대와 같은 역할을 해주는 것을 많이 보았다. 어디로 나아갈지 확신을, 방향을 가르쳐줬다. 그래서 누구나 데이터를 활용할 수 있고 볼 수 있어야 한다.

어렵지만 어려운 것으로만 남아서는 안되므로, 혼자라도 GA4를 연동하고 루커 스튜디오를 활용해 기본적인 대시보드를 만들 수 있도록 필요한 개념과 과정들을 이 시리즈로 한 번에 끝낼 수 있도록 소개하려고 한다.

‍

원본 포스팅 링크

혼자서 GA4 연동하고 루커스튜디오 대시보드 만들기-1

GROWTH

모바일 게임 마케터 야근 시간 줄여주는 마법같은 대시보드 구축기(무료) feat. python

January 2, 2024

전쟁 같은 모바일 게임 마케팅의 현실

게임 런칭 후, 규모가 큰 예산을 다양한 매체에 투입하여 빠른 최적화를 위해
MMP(Mobile Measurement Platform)와 광고비 데이터를 매칭하는 일은 게임 마케터들에게는 매일이 도전이다.

성과를 리포팅하기 위해 매일 오전에 엑셀로 기계적으로 해야만 하는 매칭 작업은 정말 번거롭다.

엑셀에서의 작업은 단순하지 않다.

굉장히 많은 시트를 참조하는 수식과 표들이 엄청나게 많다.

아래처럼 데이터가 정리되어 있다면 보는 사람도 힘들다.

‍

매일 핑퐁되는 성과 집계 엑셀 파일 — 일 핑퐁되는 성과 집계 엑셀 파일

이 엑셀에 있는 수 많은 테이블들을 깔끔하게 시각화 대시보드를 만들어서 성과를 볼 수 있는 방법에 대해서 소개하려고 한다.
(다만 약간의 파이썬으로 데이터를 약간 다룰 수 있다면 가능한 수준)

‍

대시보드의 필요성과 구축 방법

대시보드는 만드는게 왜 중요할까?

시각화해서 보면 데이터 분석이 용이해져서? 편해서?

대시보드가 마케터에게 필요한 이유는 전체적인 상황을 빠르게 파악해서 문제 발생 시 빠르게 대응하는데 도움을 준다.

엑셀로 시각화 해서 볼 수 있겠지만..
아무래도 BI툴(Business Intelligence Tool)은 데이터가 많아졌을 때와 지표를 복합적으로 다양한 분석 단위와 엮어서 볼 때 힘을 발휘한다고 생각한다.

‍

마케터도 직접 구축 가능한 대시보드

Looker Studio(구) Data Studio와 빅쿼리(BigQuery)를 활용하여 속도와 효율성을 높일 수 있다.

특히 BI engine이 빅쿼리를 사용하면 빠른 속도로 대시보드를 사용 수 있다.
(대시보드도 데이터 양이 많거나 수식 등이 많아지면 당연히 느려지긴 하지만 엑셀처럼 '응답 없음' 이런 에러는 발생하지 않음)

‍

👉 BI engine 이란?

BigQuery BI Engine은 가장 자주 사용하는 데이터를 지능적으로 캐시하여 BigQuery의 여러 SQL 쿼리를 가속화하는 빠른 메모리 내 분석 서비스입니다.

‍

루커스튜디오에서 BI 엔진이 작동하는지 어떻게 알 수 있는지는 아래 이미지 캡쳐의 번개모양이 표시되고 있다면 지금 BI 엔진이 동작한다는 뜻이다.

루커 스튜디오 테이블 예시(출처: google 공식 문서) — 루커 스튜디오 테이블 예시
(출: google 공식 문서)

‍

빅쿼리는 뭐냐? 데이터 웨어하우스 종류의 하나다. 쉽게 말해 데이터 저장소이다.

우리는 이걸 활용해서 엑셀에 데이터만 모아서 구글 저장소에 던져주면 우리는 데이터 해석만 하면 된다!

광고 데이터 분석에 시간을 더 투입할 수 있다.

‍

모바일 게임 성과에 중요한 지표

게임 성과에 중요한 지표는 ROAS, CPA, NRU, CPI, ROAS D+1, ROAS D+7 , LTV 등이 있다.

이해를 위해 쉽게 설명하면 내가 우리 게임을 위해 10억을 광고비에 투자했을 때, 이 돈이 한 명의 잠재 고객을 데려오기 위해 얼마나 효율적으로 쓰였는지?

신규 유저를 효율적인 단가에 잘 데려와서 우리 게임을 얼마나 오랫동안 즐기고 있는지를 파악하기 위해 숫자로 분석하는 지표다.

이 지표들은 트렌드들을 한눈에 볼 수 있어야 되고 특정 지표가 상승하거나 하락했을 때 원인을 분석 단위(광고 매체, 광고 캠페인, 광고 소재) 등에서 빠르게 찾아낼 수 있어야 한다.

‍

마케팅 데이터 대시보드 구축과정

여기 소개드리는 마케팅 대시보드 구축을 위한 데이터 파이프라인은 아래와 같다.

‍

게임 회사들은 대부분 모든 회사들이 MMP(AppsFlyer, Adjust, Airbridge 등)를 쓸 것이다.
(보통 대행사들은 광고주 측과 엑셀 파일에 성과를 정리하여 핑퐁 한다)

1. 엑셀 파일에 Raw Data를 수집한다. (MMP, 광고 채널별 데이터) - API를 활용해서 자동으로 데이터를 수집할 수 있지만, 개발자 없이 마케터 혼자 할 수 없다.
‍

2. 데이터 전처리 : 여러 데이터를 네이밍 컨벤션을 기준으로 엮어서(JOIN) 해서 MMP 데이터를 통한 지표와, 광고비, 클릭수와 같은 광고 성과 데이터를 하나의 테이블로 만들어낸다.
‍

3. 전처리한 데이터들을 구글 클라우드 스토리지(GCS)에 파일을 업로드한다.
(여기서 바로 그냥 스프레드시트와 데이터 혼합해서 사용해도 되지 않냐고 할 수 있지만 한 번 해보면 너무 느려서 대시보드를 사용할 수 없을 정도..)
‍

4. 파일을 업로드하면 자동으로 Google Cloud Functions 에서 GCS파일이 업데이트될 때마다 읽어서 빅쿼리에 기존 데이터를 업데이트한다.

‍

‍

5. Looker Studio로 데이터 원본을 만들고 대시보드 구축을 시작한다.

엑셀에서도 물론 구현할 수 있지만 데이터의 양이 많아지고 분석 단위 차원이 많아지면 가시성이 떨어진다.. BI툴에서는 엑셀파일 없이 어디서든 열어볼 수 있다. — 엑셀에서도 물론 구현할 수 있지만 데이터의 양이 많아지고 분석 단위 차원이 많아지면 가시성이 떨어진다..
BI 툴에서는 엑셀 파일 없이 어디서든 열어볼 수 있다.

‍

Conclusion

마케터들이 직접 수행 가능한 대시보드 구축 프로세스를 통해 모바일 게임 마케팅에서의 복잡한 데이터 작업을 효율적으로 해결할 수 있다.

Looker Sudio와 BigQuery를 활용해서 빠르게 인사이트를 얻을 수 있을 것이다.

원래는 광고 데이터까지 API를 활용해서 자동으로 데이터를 소싱해서 전처리까지 자동화시킬 수 있으나 개발자와의 소통과 개발 리소스를 실무에서 획득하기가 쉽지 않을 것이다.

하지만 오늘 소개한 방법은 실제 퍼포먼스 마케터들도 충분히 활용 가능한 방법이고 엑셀 내 수많은 시트와 장표 지옥에서 해방되고 싶다면 무조건 시도를 해보면 많은 도움을 받을 수 있지 않을까 생각된다.

‍

원본 포스팅 링크

모바일 게임 마케터 야근 시간 줄여주는 마법같은 대시보드 구축기(무료) feat. python

GROWTH

[Amplitude] DAU, MAU를 Amplitude에서 확인하는 방법

December 29, 2023

DAU 및 MAU란?

DAU (Daily Active Users, 일일 활성 사용자): 하루 동안 서비스를 이용한 고유 사용자 수

이 지표는 서비스의 일일 사용량과 참여도를 측정하는 데 유용합니다.

MAU (Monthly Active Users, 월간 활성 사용자): 한 달 동안 서비스를 이용한 고유 사용자 수

이 지표는 장기적인 사용자 참여와 서비스의 월간 성장을 파악하는 데 도움이 됩니다.

‍

DAU와 MAU는 서비스의 성공과 성장을 측정하고, 전략적 의사결정을 내리는 데 중요한 역할을 합니다.

‍

DAU와 MAU를 확인해야 하는 이유

1. 사용자 참여도 파악

- DAU와 MAU를 통해 사용자들이 얼마나 자주 서비스를 이용하는지 파악할 수 있습니다.

‍

- DAU의 중요성

높은 DAU는 많은 사용자들이 매일 서비스를 이용하고 있다는 것을 의미합니다.
- 이는 일(Day) 기반으로 높은 사용자 참여도를 나타내며, 사용자들이 서비스에 꾸준히 관심을 가지고 있음을 나타냅니다.

- MAU의 중요성

높은 MAU는 장기적인 사용자 관심과 충성도를 나타냅니다.
- 한달동안 서비스를 사용하는 고유 사용자 수가 많다는 것은 사용자들이 일정 기간 동안 서비스에 꾸준히 참여하고 있음을 나타내며,
  이는 장기적인 관점에서 성공적으로 사용자를 유지하고 있음을 나타냅니다.

- 참고) DAU & MAU

DAU와 MAU는 상호 보완적인 지표로서 작용할 수 있습니다.
- 높은 DAU는 단기적인 사용자 참여도를 나타내는 반면, 높은 MAU는 사용자들이 장기간에 걸쳐 서비스를 계속해서 사용하고 있다는 것을 의미합니다.
- 이 두 지표를 함께 분석함으로써, 서비스의 전반적인 사용자 참여 패턴을 더 정확하게 이해할 수 있습니다.

2. 성장 추세 분석

- DAU와 MAU를 시간에 따라 추적함으로써, 서비스의 성장 추세의 변화를 분석할 수 있습니다.

시간 경과에 따른 변화 파악
- 일정 기간 동안 DAU와 MAU를 추적함으로써, 사용자 기반의 성장이나 감소 추세를 파악할 수 있습니다.
- 연속적인 기간 동안 DAU와 MAU가 증가한다면, 이는 서비스가 점점 더 많은 사용자를 유치하고 유지하고 있음을 나타냅니다.
시즌별 변동성 이해
- 특정 시즌이나 이벤트 기간 동안 사용자 참여도가 어떻게 변하는지 관찰할 수 있습니다.
마케팅 및 프로모션의 영향 평가
- DAU와 MAU를 통해 새로운 마케팅 캠페인이나 프로모션이 실행된 후에 이 지표들이 어떻게 변하는지를 분석하고, 이러한 활동들의 효과를 평가할 수 있습니다.
장기적인 성장 전략 수립
- 장기간에 걸친 데이터를 분석함으로써, 어떤 전략이 효과적이었는지를 이해하고, 향후 성장 전략을 수립할 수 있습니다.

‍

Amplitude에서 DAU 및 MAU를 확인하는 방법

‍

DAU

‍

1. Amplitude에서 New Chart > Segmentation을 클릭합니다.

‍

2. 이벤트 모듈에서 Amplitude 자동생성 이벤트인 Start Session를 선택합니다.

‍

"Start Session" Event 정의
A marker indicating the start of a user session.
A session is a period of time that a user has your app in the foreground.
By default, events within 5 minutes of each other are combined into a single session on a mobile app.
On web, events within 30 minutes of each other are combined into a single session.

‍

유저수를 확인하는 것이 목적이므로 Measure 기준을 Uniques로 선택합니다.

‍

3. 해당 방식을 통해 Amplitude에서 DAU를 확인할 수 있습니다. 추가로 메트릭 모듈에서 날짜 설정을 통해 원하는 기간을 설정하여 확인할 수 있습니다.

‍

MAU

1. Amplitude에서 New Chart > Segmentation을 클릭합니다.

‍

2. 이벤트 모듈에서 Amplitude 자동생성 이벤트인 Start Session를 선택합니다.

‍

3. 우측의 Advanced 버튼을 클릭해 Rolling Window를 클릭해줍니다.

‍

월 기준 확인을 위해 기준 day를 30일로 설정해줍니다.

‍

4. 해당 방식을 통해 Amplitude에서 MAU를 확인할 수 있습니다. 추가로 메트릭 모듈에서 날짜 설정을 통해 원하는 기간을 설정하여 확인할 수 있습니다.

‍

원본 포스팅 링크

[Amplitude] DAU, MAU를 Amplitude에서 확인하는 방법

EVENT

[마티니X브레이즈] 브레이즈 부트캠프 (23.12.6)

December 6, 2023

첫 번째 브레이즈 부트캠프!

장소: 서초구 서초대로 38길 12 마제스타시티타워2, 12F

일시: 2023년 12월 6일 수요일, 저녁 7시

이런 분이 오면 좋아요!

- 우린 Braze잘 쓰고 있는 걸까? Braze의 사용 수준 점검이 필요한 분

- Braze를 활용한 CRM을 한 단계 레벨업하고 싶으신 분

- 깊이 있는 개인화 캠페인을 구축하고 싶으신 분

- CRM 성과 분석의 다양한 방법을 익히고 싶으신 분

- 사례/실습 기반의 실용적인 Braze 세션을 듣고 싶으신 분

‍

브레이즈 트렌드 인사이트

인트로 세션으로 브레이즈 연사자 민지님과 대환님의 세션이 진행되었습니다.

브레이즈의 2023년 트렌드 인사이트를 공유하는 민지님의 Braze Trend Insight 세션에서는 고객 참여(Customer Engagement) 트렌드를 발표하였습니다.

브랜드들이 점점 리텐션(Retention)에 집중하고 있고 결국 의미있는 메시지와 개인화가 중요하다는 내용과 효율적인 데이터 수집과 관리가 필요하다는 점이었습니다.

마지막으로 크로스 팀간의 긴밀한 협업을 강조하였는데요. 25% 정도가 고객 참여(Customer Engagement)에서 비마케팅팀이 관리한다고 설명하였습니다.

‍

브레이즈 로드맵

다음으로 대환님의 브레이즈 최신 업데이트를 소개 및 설명하는 Braze Roadmap 세션입니다.

랜딩 페이지(Landing Pages)와 기능 플래그(Feature Flags) 업데이트와 더불어 인-프로덕트(in-product) 메시지 템플릿을 사용할 수 있다는 점을 소개하였습니다.

또, 새롭게 추가된 AI 추천 기능과 개인화 최적 경로, 외부 데이터 연동, SQL 세그멘테이션(Segmentation) 업데이트까지 브레이즈의 다양한 기능들을 소개하는 시간이었습니다.

‍

마티니 세션

[마티니X브레이즈] 브레이즈 부트캠프 마티니 CRM 팀 리더 이건희 연사

브레이즈의 활용도를 높여줄 마티니 CRM Lead 건희님의 세션에서는 브레이즈의 주요 기능 3가지인 자동화(Automation), 개인화(Personalization), 데이터 분석(Data Analytics)에 대한 설명을 진행하였습니다.

자동화 세션에서는 자동화 캠페인 구축을 위한 기반을 준비하는 방법 및 과정을 설명하고 Braze 언어로 직접 독해해보는 시간을 가졌습니다.

두 번째 개인화 세션에서는 개인화 메시지를 보내기 전 개인화의 3가지 레벨에 대해 설명하였습니다. 또, 각 단계에 해당하는 활용 사례를 공유하였습니다.

마지막 데이터 분석에서는 CRM 캠페인의 성과를 분석하는 방법으로 브레이즈가 제공하는 리포트를 알맞게 활용할 수 있는 Case들을 살펴보고 나아가 증분 분석(Incremental Analysis)에 대해서도 설명하였습니다.

‍

마티니와 함께 브레이즈의 각 기능들을 활용하여 나의 서비스에 최적화된 자동화, 개인화 CRM 캠페인을 구축해보세요.

EVENT

[마티니X앰플리튜드] 앰플리튜드 부트캠프 (2023.8, 2023.10)

October 12, 2023

Amplitude는 무엇일까요?

웹(Web)이나 앱(App) 서비스 내에서 사용자들의 행동을 분석할 수 있는 프로덕트 애널리틱스(Product Analytics) 서비스 분석 툴입니다.

앰플리튜드는 웹과 서비스 내에서 유저들의 행동 데이터를 세부적으로 확인하고 분석할 수 있는 마테크 솔루션입니다.

‍

어떤 내용들로 진행되었나요?

1회차는 Amplitude의 구조와 사용 목적에 대해 알아보는 세션을 가졌습니다. 첫 번째로 제품 분석과 데이터 드리븐 문화를 위한 환경을 구축하는 방법을 함께 살펴보았습니다. Amplitude를 시작하기 전 알아야 할 것들과 Amplitude를 활용하는 목적과 구조를 알아보았고 데이터 택소노미(Data Taxonomy) 템플릿과 사례들을 공유했습니다.

본격적으로 Amplitude의 기능 3가지에 대해서 알아보았습니다.

세그멘테이션(Segmentation), 퍼널(Funnel), 리텐션(Retention) 3가지 기능이고 세그멘테이션(Segmentation)을 통해서는 비즈니스 KPI 수립을 위한 지표를 설정하는 방법, 퍼널(Funnel)을 통해서는 프로덕트 개선을 위한 유저의 이탈과 전환 지점을 분석하는 방법, 마지막으로 리텐션(Retention)으로는 성장 핵심 지표 ‘리텐션’을 정의하고 비즈니스 현황을 점검하는 시간을 가졌습니다.

2회차는 1회차에 알아보았던 Amplitude 기능에서 나아가 Amplitude로 직접 마케팅 성과를 개선하는 시간을 가졌습니다. 먼저 UTM과 Amplitude Analytics 기반으로 마케팅 분석을 진행했고 UTM 추적에 대해 알아보았습니다. UTM 추적은 추적 파라미터를 수집하고 추적 항목과 추적 방식에 대해 배워보는 시간이었습니다. 애드 네트워크 통합(Ad-Network Integrations)과 획득 채널(Acquisition Channel)뿐만 아니라 유저 여정에서 발생한 각각의 터치포인트들에 대해 가치를 부여하는 모델인 멀티 터치(Multi-touch) 즉, 싱글 터치 어트리뷰션 모델처럼 한 개의 터치 포인트에만 모든 기여를 부여하는 것이 아닌, 최종 결과에 영향을 미친 많은 다양한 터치 포인트들에게 기여를 부여하는 모델에 관해서도 알아보았습니다.

마지막으로 Amplitude 대시보드(Dashboard)를 지표와 분석, 프레임워크 기반으로 직접 기획하고 제작하는 실습을 진행했습니다.

‍

누가 참여하면 좋을까요?

GA4와 Amplitude의 차이점이 궁금하신 분들!

마케팅팀과 프로덕트팀, MD팀과의 협업이 필요하신 분들!

Amplitude로 코호트를 생성해서 유저를 분석하고 싶으신 분들!

Amplitude로 KPI, 매출, 마케팅 대시보드를 만들고 싶으신 분들! 등 Amplitude 활용법을 배우고 싶은 사람이라면 누구나 참여할 수 있습니다.

마티니의 앰플리튜드 부트캠프에는 김과외, 당근마켓, 맘시터, 사람인, 잡코리아, 현대홈쇼핑, 비소나이, 타이어픽, 티빙, CJ올리브영, CJ ENM 등의 회사에서 브랜드마케터, 그로스마케터, 개발자, 서비스기획자, 퍼포먼스마케터, CRM마케터 등 다채로운 직무의 실무자들과 함께 했습니다.

‍

참여자 후기!

1회차

"상급 난이도는 비용을 지불하고라도 듣고 싶습니다."
"기능 전반 설명과 구체적인 케이스가 좋았습니다."
"실제 데이터 분석 예시를 볼 수 있었습니다."
"현업에서 분석 시 적용해볼 수 있는 기능 및 방식을 소개해주셨습니다."

2회차

"지표와 분석이 다르다는 부분이 인상 깊었고 서비스 기획자로서 지표를 수립하는 데 게을러질 수 없겠다고 생각했습니다."
"다양한 활용법과 앰플리튜드 실제 화면을 보여주셔서 직접 못해보는 환경에서도 이해가 잘 됐어요."
"리텐션 및 바이럴 계수 로직 설명이 인상적이었습니다." "데이터 설계가 어려운데 설계의 기준을 알려주시고 성과 지표를 어떻게 고민해야 하는지 알 수 있었습니다.”

‍

‍

개요

장소 서울시 서초구 서초대로 38길 12, 12층(서초동, 마제스타시티, 힐스테이트 서리풀)

진행 일자

1기

2023년 8월 17일, 2023년 8월 31일

2기

2023년 10월 11일, 2023년 10월 25일

‍

네임드 기업에서도 참여하는 마티니의 Amplitude 부트캠프, 24년 4월에 진행하는 마티니 그로스 캠프에서 더욱 세부적으로 배울 수 있습니다!

그로스 캠프 1기 상세보기 👉 https://lnkd.in/g2TC6HCj

지금 바로 마티니와 함께 Amplitude를 정복해보세요.

‍

인사이트 - DATA

2024 마티니 데이터 캠프 RFM 기반 고객 세그멘테이션과 멤버십 전략

2024 Data Camp RFM Segmentation & Membership

B2B SaaS MRR 계산하기

구글애널리틱스4 (GA4) 세그먼트 제대로 활용하기

GA 세그먼트란?

활용 방법 및 예시

세그먼트 유형 선택하기

조건 범위 설정하기

결론

GA4에선 세션 지표 이해하고 사용하셔야 합니다.

세션이란?

session_start 이벤트가 없는 세션이 있다?

하나의 세션에 session_start 이벤트가 2개?

하나의 세션에 2개 이상의 소스?

GA에서 세션은 어떻게 계산될까?

결론

[코호트분석] 올바른 코호트 분석 방법

정리해 보면!

Looker Studio에서 토글 스위치로 선형 및 막대 차트 전환하기

토글 스위치 기능의 필요성

Looker Studio에서 토글 스위치 구현하기

차트 생성

토글 스위치 추가

슬라이더 컨트롤

차트 생성

마무리

에어브릿지의 이벤트 구조 이해하기 (vs. GA4)

에어브릿지 공식 가이드

에어브릿지 이벤트 구조 - 1

카테고리(Category), 액션(Action), 라벨(Label)

GA4 vs. Airbridge

에어브릿지 이벤트 구조 - 2

밸류(Value)

에어브릿지 이벤트 구조 - 3

어트리뷰트(Attribute)

CRM 캠페인 대시보드 | 루커스튜디오 템플릿

템플릿 개요

템플릿의 주요 기능

1. 필터 기능

2. 주요 지표 및 트렌드

3. 캘린더 차트

4. 주요 지표 테이블

Overview Dashboard

필터:

영역:

Campaign Detail Dashboard

필터:

채널별 성과:

활용 목적

주요 사용자

활용 팁

루커스튜디오로 퍼널 분석 차트 만들기

1. 루커 스튜디오 소개

2. 인터랙티브 퍼널 차트?

3. 퍼널 차트 만들기

3.1 데이터 소스 연결

3.2.1. 데이터 준비 - 매개변수

3.2.2. 데이터 준비 - 계산된필드

3.2.3. 데이터 준비 - 필터

3.3 혼합 소스 만들기

3.4 차트 구성

4. 마무리

MMP(AppsFlyer), GA4, Braze 데이터를 활용해 시각화할 때 반드시 고려해야할 사항(2)

구매 데이터(MMP, GA4) 통합하기

브레이즈 커런츠 데이터와 구매 데이터(MMP, GA4) 연결하기

유니크한 ID 차원 만들기

캠페인 차원 만들기

발송 타입별 유니크한 ID 차원 만들기

발송 타입 차원 만들기

[종료] Martinee 2024 Recap 행사

2024 Maritnee Recap!

CRM과 그로스 마케팅 인사이트를 놓치지 마세요

타임 테이블

안내사항

Martinee | MGS 2024

Martinee x MGS 2024

"우리 잘하고 있는건가?": CRM 마케터들이 궁금해하는 고민과 해결방안

버거킹도 Amplitude를 쓴다고? 어떻게 쓰는데?

쏘카 CRM 마케터가 일하는 방법: Braze로 개발자 없이 캠페인 고도화하기