활성화 단계에서는 고객 유치를 통해 데려온 사용자가 우리 서비스의 핵심 가치를 경험하게 만드는 것이 중요한 포인트다. 따라서 활성화 단계의 핵심은 퍼널에 대한 분석이다.
퍼널의 세부 단계 정의하기
우리 서비스가 줄 수 있는 핵심 가치를 구체화하고 사용자들이 핵심 가치를 경험하는 정확한 순간을 정의하는 것
이때의 핵심 가치는 서비스 제공자가 아니라 사용자 입장에서 정의해야 한다는 점에서 주의
우리 서비스의 가치를 온전히 경험할 수 있는 순간을 찾아내는 것이 중요하다.
서비스에 진입하는 순간부터 핵심 가치를 경험하기까지의 경로를 크리티컬 패스라고 한다.
퍼널 분석의 핵심은 각 단계별 전환율을 측정하는 것
지표라는 건 정해진 답이 있는게 아니라 합의된 기준에 따라 사용되는 것이므로 정답이 있는 문제는 아니라고 할 수 있다.
트래픽을 기준으로 한 전환율을 살펴보는 것은 UX/UI 측면에서의 개선점을 찾는데 도움이 된다. 이에 반해 사용자를 기준으로 한 전환율은 UX/UI를 포함한 다양한 요소(상품의 매력도나 가격 등)의 영향력이 종합적으로 반영되는 지표라고 할 수 있다.
코호트(Cohort)별 전환율 쪼개보기
전환율 지표는 전체 사용자를 대상으로 확인할 때 보다 여러 그룹으로 쪼개서 볼 때 훨씬 더 강력한 의미를 지닌다.
이처럼 공통적인 특성에 따라 여러 집단으로 분류한 사용자 그룹을 코호트라고 한다.
퍼널 분석의 진정한 가치는 주요 퍼널에서의 단편적인 전환율을 계산하는데 있는 것이 아니라 전환율에 영향을 미치는 유의미한 선행지표를 발견하는데 있다.
코호트와 전환율에 대해 깊이 있게 데이터를 살펴보다 보면 결국 '전환된 사용자와 전환되지 않은 사용자는 무엇이 다른가?'라는 질문과 마주한다. 사실 이 질문이야말로 활성화 단계에서 가장 핵심이 되는 질문이다. 전환에 영향을 주고 있는 코호트를 발견할 수 있다면 전환율을 높이기 위한 구체적인 액션을 하기가 훨씬 수월해진다.
핵심 가치를 정의하고, 단계별 퍼널을 정의하고, 코호트 기반으로 쪼개서 보는 각 단계를 충실하게 진행하는 것 외에 쉽게 갈 수 있는 지름길은 없다는 점을 기억하자.
때로는 존재하는 퍼널을 개선하는 것이 아니라 아예 퍼널 자체를 재설계하는 것도 새로운 대안이 될 수 있다.
높은 활성화 지표는 이후 설명할 리텐션(Retention)의 든든한 바탕이 된다. 애초에 사용자가 우리 서비스의 핵심 가치를 제대로 경험하지 못했다면 이후에 그 어떤 수단을 쓰더라도 원하는 수준의 리텐션을 기대하기는 어렵기 때문이다. 활성화는 우리 서비스의 기본을 끊임없이 되새기게 만드는 단계이다.
2. 3장 'AARRR' - 리텐션(Retention) 및 수익화
리텐션 단계에서는 활성화 과정을 통해 경험한 핵심 가치를 꾸준히 경험하게 하고, 그 수준을 측정할 수 있는 지표를 정의하고 관리해야 한다.
리텐션은 대표적으로 잘하고 있을 때 일수록 더 세심하게 측정하고 관리해야하는 지표에 속한다.
리텐션의 기준이 되는 행동을 꼭 접속으로 한정할 필요는 없다. 일반적으로 접속이나 로그인을 기준으로 리텐션을 측정하는 이유는 사용자가 서비스에 진입하는 것이 유의미한 행동이며, 이러한 행동이 반복되는지 살펴보는 것이 중요하기 때문이다.
리텐션을 개선하려면 사용자 경험 전반에 걸친 세심한 분석과 개선이 필요하다.
리텐션은 대표적으로 복리효과를 가져오는 지표이기 때문이다
클래식 리텐션은 특정일에 접속했는지 여부는 고려하지만 그 때까지 꾸준히 반복적으로 들어왔는지 여부는 고려하지 않는다.
범위 리텐션은 측정일에 따른 노이즈는 크지 않지만 비교적 오랜 시간이 걸린다
롤링 리텐션은 유지율이 과대추정 되는 경향이 있다.
리텐션을 분석할 때도 코호트에 따른 차이를 확인하고 그 원인이 되는 요소를 규명하는 것이 대단히 중요하다. 리텐션은 쪼개서 볼 때 의미있는 지표라는 점을 기억하자.
리텐션을 개선하기 위한 활동들을 할 때 주의해야할 점은 단순히 리텐션 지표만 보지 말고 전반적인 사용자 경험을 고려해야 한다는 점이다.
리텐션은 장기적으로 꾸준히 진행하는 활동을 통해 점진적으로 개선되는 지표다. 리텐션을 잘 관리하면 복리효과로 돌아오지만, 반대로 안 좋은 상태로 장기간 누적되면 그에 따른 마이너스 효과도 복리로 누적된다.
수익화 관리를 위해서는 서비스가 어떤 비즈니스 모델을 가지고 있는지를 명확히 이해하고, 그 비즈니스 모델이 잘 동작하는지, 비용 대비 수익이 안정적인지를 데이터로 확인할 수 있어야 한다.
매출을 책임지는 것이 특정 부서의 역할이 아니라 서비스를 만들고 운영하는 모든 사람들의 역할이라는 점을 명심
단일 지표를 살펴보는 것도 중요하지만, 여러 지표의 관계를 통해 인사이트를 얻는 경우도 많다.
매출을 퍼널에 따라 쪼개보면 매출이 증가하거나 감소하는 패턴을 훨씬 더 세부적으로 파악할 수 있게 된다.
요약된 수익화 지표 하나만 보고 의사결정을 내리기보다는 사용자를 다양한 방식으로 그루핑하고 각 그룹에 맞는 운영 및 수익화 전략을 세우는 것이 중요하다.
3. 3장 'AARRR' - 추천(Referral)
추천은 '서비스 내에 입소문을 통한 선순환 구조를 어떻게 구축할 것인가'라는 구조적인 문제에 더 가깝다
추천에서 가장 핵심이 되는 지표는 바이럴 계수(Viral Coefficient)
바이럴 계수는 타깃 시장에 대한 포화 정도와 전혀 상관없이 계산되는 수치이기 때문에 시장의 크기나 서비스가 이미 확보한 사요자 규모 등을 종합적으로 고려해야 한다.
추천 엔진이 밑 빠진 독이 되지 않으려면 추천을 통해 유입된 사용자의 전체 활동 주기에 대한 장기적인 관점이 필요하다는 점을 기억하자.
그로스 해킹은 앞서 언급한 AARRR에 해당하는 모든 활동들을 통합적으로 지칭하는 용어이지 단순한 바이럴 마케팅 활동을 지칭하는 용어가 아니다.
4. 4장 '지표'
그로스 해킹은 결과적으로 '지표'에 관한 일이다. 그로스 해킹이라는게 결국 목표 지표를 선정하고 그 지표를 개선하기 위해 진행하는 일련의 활동
스톡은 특정 시점의 스냅숏에 해당하는 지표로 누적된 값들이 해당되며, 플로는 시작과 끝에 대한 시간 범위가 존재하며, 일정한 시간 동안의 변화량을 나타내는 지표다.
일반적으로 플로 형태의 지표가 스톡 지표에 비해 더 많은 정보를 가지고 있다. 플로는 특정 기간의 변화에 초점을 맞추고 있으므로 지표의 변화 방향이나 변화 추이, 속도에 대해 더 많은 세부적인 정보를 줄 수 있기 때문이다.
핵심 지표를 선정하거나 그로스 실험의 성과를 측정할 때는 목표로 하는 지표가 스톡인지 플로인지를 명확히 구분해서 활용해야 한다. 지표의 속성에 따라 지표를 모니터링하는 방식이나 대시보드 설계 등이 전혀 달라질 수 있기 때문이다.
지표를 명확하게 정의하기
데이터 분석 팀에서 일하면서 가장 난감했던 경우는 '모호한' 지표를 확인해 달라는 요청을 받는 것이었다.
실제로 MAU를 측정하는 구체적인 조작정 저의가 명확하지 않다면 어떤 기준으로 MAU라는 숫자를 구현해야하는지가 불분명하기 때문이다.
실제로 데이터 분석가들이 데이터 추출 요청 업무를 진행할 때 가장 많은 시간을 사용하는 부분은 데이터를 추출하기에 앞서 요청 사항을 구체화하는 과정이다.
똑같은 지표라고 해도 회사나 서비스마다 중요하게 생각하는 부분이 다를 수 있고, 그에 따라 더 적합한 측정 기준이 있을 수 있다. 이 단계에서 필요한 것은 원칙을 세우는 일이다.
지표를 기반으로 성장 실험할 때는 해당 지표를 어떻게 정의하고 측정할 것인가를 반드시 짚고 넘어가야 한다. 모호한 지표는 모호한 액션을 이끌 수 밖에 없기 때문이다.
허무 지표에 빠지지 않기
좋은 지표가 가져야 할 조건 중 하나는 그 지표를 바탕으로 행동할 수 있어야 한다 (actionable) 는 것이다. 지표가 주는 정보를 기반으로 다음 행동을 계획할 수 있고, 계획에 따라 실험을 진행한 이후에 그 결과를 돌아보며 배움을 얻을 수 있다면 굉장히 의미있는 지표라고 할 수 있다.
허무지표는 쉽게 변화시킬 수 있는 경우가 대부분이고 겉으로는 많은 일을 한 것처럼 포장할 수 있다는 특성이 있다.
지표를 개선하기 위한 행동이 부분 최적화가 아닌 전체 관점에서의 최적화에 초점을 맞춰야 한다는 점이다.
심슨 패러독스(Simpson's Paradox)
코호트 분석, A/B 테스트, 퍼널 분석 등 데이터를 통해 유의미한 인사이트를 찾아내는 방법에는 공통점이 있다.
바로 데이터를 쪼개서 살펴본다는 점이다. 전체 데이터를 놓고 보면 잘 드러나지 않는 특성들이 쪼개신 상태에서는 명확하게 드러나는 경우가 많은데, 이처럼 로 데이터를 분석 과정에 어떤 식으로 가공하느냐에 따라 데이터에서 얻는 인사이트가 완전히 달라질 수 있다.
심슨 패러독스란 쪼개진 데이터에서 성립하는 관계가 합쳐진 데이터에서는 반대로 나타나는 현상을 말한다.
전체 결과의 경향성이 부분 결과의 경향성과 일치하지 않을 수 있다.
데이터의 대푯값을 정하기에 앞서 그 분포를 확인하는 것은 굉장히 중요하다. 실제 데이터 시각화는 분석을 막 시작하는 시점에 해당 데이터셋이 어떻게 구성돼 있는지를 확인하는 탐색적 분석 과정에서 훨씬 더 유용하게 활용된다.
분석 목표에 맞는 데이터를 신중하게 수집하고 가공하는 단계가 잘 진행되지 않으면 그 다음에 진행하는 어떤 고도화된 알고리즘이나 분석 방법도 의미가 없다는 점을 반드시 기억하자.
OMTM(One Metric That MAtters) : 지금 가장 중요한 지표 -> 지표를 가장 잘 활용하기 위해 가장 우선적으로 고려해야하는 것
지표 간 우선순위가 명확하지 않으면 서비스의 방향성을 정할 수 없다.
OMTM은 지금 우리 서비스에서 가장 중요한 지표는 무엇인가? 전사적으로 역량을 결집해서 개선해야하느 지표가 무엇인가?라는 질문의 답
OMTM의 가치는 구성원들이 바라보는 방향성을 일치시키고 자원을 집중하는 데서 나온다.
OMTM은 의사결정을 하고 행동할 수 있는 지표로 정의해야 한다.
5. 마무리
인상 깊은 구절 몇개만 남기려고 했는데, 너무 길어졌다. 그만큼 이번에 읽었던 부분에서 공감가는 부분이 많았다는 뜻.
특히, 지표에 대한 파트가 가장 인상적이었다. 지금도 그렇지만 특히 업무 초반에 어떤 기준으로 지표를 정해서 분석을 시작해야할지 정말 고민이 많았다. 나는 이게 나만의 고민인가, 내가 부족해서 겪는 부분이가 라는 생각을 많이 했는데 커피챗도 하고 이런 책도 읽으면서 당연한 고민이라는걸 깨달으면서 더 열심히 고민해야겠다라고 생각했다. 특히 데이터 분석가가 추출 요청을 받았을 때 어떤 기준으로 전달해야할지 가장 많이 고민을 한다라는 구절에서 생각의 전구가 번쩍이는 느낌이었다.
데이터를 쪼개서 보기! 한달 전 쯤 내 개인 업무 회고록에 써둔 말과 일치해서 내가 비록 느리게 깨달았지만, 틀린 깨달음은 아니었구나라는 안도감이 들었다.
아, 이 책을 올해 상반기 안에 읽었더라면 더 좋았을텐데! 올해가 가기전에라도 읽은게 다행이다.
