JTBDJobs to be done는 하버드의 클레이튼 크리스텐슨 교수의 이론으로, 직역하자면 '완수해야 할 작업'이라는 의미다. 조금 더 깊숙히 들어가자면 '고객이 본인의 문제를 해결해야만 하는 핵심 과업'. 크리스텐슨 교수는 사람들이 본인이 처한 문제를 해결하기 위해서 제품을 고용한다고 말한다.
 
 
이는 '사람들은 0.25인치짜리 드릴을 원하는 게 아니라 0.25인치짜리 구멍을 원한다People don’t want a quarter-inch drill. They want a quarter-inch hole'는 테오도르 레빗 교수의 말과 일맥상통한다. 결국 비즈니스가 만들어야 할 것은 제품이 아니라 고객이 처한 문제에 대한 멋진 솔루션이라는 것이다. 
 
 

고객이 원하는 건 '맛있는' 밀크셰이크가 아니라 '끼니 때울 수 있는' 밀크셰이크

 
JTBD 프레임워크의 잘 알려진 예시로 '밀크셰이크' 사례가 있다. 맥도날드에서는 밀크셰이크 매출을 늘리고 싶었다. 그래서 핵심 소비자를 초청하고, 시장 조사도 하고, 제품에 대해 다각도의 질문을 수행하고, 과정에서 나온 피드백도 성실히 반영해 가면서 맛있는 밀크셰이크를 만들기 위해 노력했다. 다양한 맛도 내 보고, 더 달게도 만들어 보고, 가격 조정도 했다. 매출도 그대로였다. 별 짓을 다 해도 그대로 했던 매출을 상승시킨 건 결과적으로, '걸쭉하게 만든 밀크셰이크'였다. 왜 이런 결과가 나왔을까?
 
 
결과적으로 고객의 문제에 귀를 기울인 게 성공 요인이었다. 컨설턴트는 고객의 문제를 찾기 위해 열여덟 시간 동안 패스트푸드점 앞에서 데이터를 수집했다. 고객들은 '몇 시에 밀크셰이크를 사는가', '어떤 옷을 입고 있었나', '혼자 왔나, 아니면 누구랑 같이 왔나', '밀크셰이크만 샀나, 다른 거랑 같이 샀나', '밀크셰이크를 먹고 갔나, 가지고 갔나'
 
 
그리고 밀크셰이크 판매의 절반 정도가 아침 여덟 시 이전에 일어난다는 사실을 밝혀냈다. 이 구매군의 사람들은 혼자서 패스트푸드점에 와서, 밀크셰이크 말고는 아무것도 사지 않고, 사자마자 차에 타서 가던 길을 갔다. 컨설턴트가 이 고객군을 대상으로 인터뷰해 보니 고객들이 해소하고자 하는 문제는 거의 비슷했다. '출근길에 심심하지 않게 계속 먹을 수 있으면서, 밥도 되는 상품이 필요했음'.
 
 
그리고 이 관점에서 맥도날드의 밀크셰이크는 어떤 경쟁 업체의 것보다 훌륭했다. 또 중요한 부분 하나는 경쟁 상품이 버거킹의 밀크셰이크가 아니라 도넛, 베이글, 스니커즈 바, 커피였다. 이런 니즈를 파악한 맥도날드에서는 출근길에 오래 마실 수 있도록 밀크셰이크를 더 걸쭉하게 만들었고 식감이 재밌도록 과일을 첨가했다. JTBD의 개선 통해 판매량을 증대시킨 사례다.
 
 
 
 
 

또다른 JTBD을 놓치지 말자

 
맥도날드는 훌륭하게 고객 절반의 JTBD을 해소할 수 있는 제품을 만들어 냈지만, 아직 나머지 고객 절반의 JTBD은 해소되지 않은 채 남아 있었다. 이들의 또 다른 고객은 오후에 아이를 돌보는 아빠들이었다. 이들은 본인의 업무를 수행하면서도 아이를 즐겁게 해 주기 위해 오후에 맥도날드를 방문해 밀크셰이크를 주문했다.
 
 
이들은 오전에 밀크셰이크를 먹기 위해 방문하는 고객군과 완전히 정반대의 니즈를 가지고 있었다. 이들은 아이가 좋아할 만큼 달달하면서도 건강에 나쁘지 않은 밀크셰이크를 원했다. 맥도날드는 이 고객들의 니즈 충족을 위해 부드럽고 설탕이 덜 들어간 밀크셰이크 역시 출시했다. 이처럼 JTBD은 경우에 따라 한 개가 아니라 여럿 존재할 수 있다. 이처럼 고객군이 하나가 아니라면 여러 고객군의 JTBD을 모두 파악하고 제품을 다각화하는 일도 중요하다. 오전의 밀크셰이크는 걸쭉했지만 오후의 밀크셰이크는 부드러웠던 것처럼.
 
 
 
 
 

고정관념을 벗겨 주는 JTBD

 
그릴을 판매하는 웨버weber라는 회사는 '더 고기가 잘 구워지는 그릴'을 만들기 위해 골몰하고 있었다. 그릴의 소재를 바꾸고 모양을 바꿨다. 하지만 어떻게 제품을 고도화하든 간에 매출은 늘지 않았다. 이 회사는 JTBD를 알게 된 후 비즈니스가 집중해야 할 목표가 더 나은 그릴better grill이 아닌 '더 나은 그릴러better griller'를 만드는 것임을 알게 됐다. 이들은 이제 캠핑장의 그릴 앞에서 우리 고객이 더 '인싸'가 될 수 있는 방향을 고민하기 시작했다. 
 
 
웨버는 그릴의 소재를 바꾸는 데에서 벗어나서 고기 잘 굽는 법 가이드, 성공하는 그릴 바베큐 레시피와 그릴 악세사리를 만들었다. 또 고객의 고기 굽기가 실패하지 않도록 그릴 어드바이스 서비스까지 런칭했다. 결과적으로 웨버는 세계 최고의 그릴 회사 자리에 오를 수 있었다. 이처럼 JTBD 프레임워크는 기존 제품 생산자로서 가지고 있던 고정관념을 멋지게 벗겨 주기도 한다. 돌아보자. 우리 회사의 제품은 충분히 고객의 JTBD를 고려하고 있는가. 한 번쯤 생각해 볼 문제다.
 
 
 
 
 

출처

01) https://acquiredentrepreneur.tistory.com/76
02) https://blog.naver.com/PostView.naver?blogId=pninsight&logNo=223039411540

<

AARRR 퍼널 분석 시리즈 몰아보기

AARRR (1): Acquisition 획득

AARRR (2): Activation 활성화

AARRR (3): Revenue 수익화

AARRR (4): Retention 리텐션

AARRR (5): Referral 추천

>

AARRR의 다른 단계에 비해 Referral추천이라는 단계는 다소 추상적으로 읽힌다. 이전 단계에 비해 측정이 쉽지 않아서 언뜻 보기엔 위계가 맞지 않아 보이기도 한다. 그런 특성에도 불구하고 AARRR에서 Referral은, 나아가서 유저 여정에서 바이럴 단계는 뺄 수 없는 단계다. 리텐션 단계에서 잠깐 언급했듯이 Paid로 돈을 지불해서 끌어올 수 있는 유저 풀은 한계가 있다. 돈을 지불하지 않고 오가닉 유입을 통해 고객을 끌어오는 단계가 필수적으로 내재돼 있어야 서비스가 건강하게 성장할 수 있다. <이 포스트의 내용 대다수는 패스트캠퍼스의 세계 3등에게 배우는 13개 데이터 분석 프로젝트 강의 기반으로 작성됐다.>

이러한 Referral의 대표적인 측정 지표로 바이럴 계수Viral coefficient, K-factor가 있다. 바이럴 계수를 사용하면 '(사용자 수 * 초대 비율 * 인당 초대한 친구 수 * 전환율) / 사용자 수'로 추천을 명확하게 계산할 수 있다. 다만 식에서 보이듯이 이 방식은 친구 초대를 측정할 수 있어야만 사용 가능한 방법이라 데이터 분석가 선에서 활용 가능한 측정 방법은 아니다.

그래서 우리가 이번 파트에서 중점 두고 설명할 지표는 입소문 효과 계수Word of mouth coefficient, WOM Coefficient다. 입소문 효과 계수를 활용하면 우리 친구 추천 서비스에 측정을 도입하지 않고도 해당 서비스의 정상 동작 여부를 측정할 수 있다. 입소문 효과 계수는 '오가닉 신규 유저 / (복귀 유저 + 논오가닉 신규 유저)'의 형태로 측정할 수 있다. 우리 서비스가 얼마나 입소문 타고 있는지는 오가닉과 논오가닉 유저의 비율을 측정하는 식으로 논리적으로, 또 간접적으로 증빙될 수 있다는 거다. 

입소문 효과 계수를 활용하면 앰플리튜드에서 간단하게 Referral 퍼널을 측정해볼 수 있다. 우선 분자인 New Organic Users를 UTM 소스가 (none) 값인 유입 유저로 구하고,

분모인 Returning Users + Non-Organic New Users를 Any Active Event - New Organic Users (위에서 구한 오가닉 유입 유저 값)로 구하면 식이 완성된다.

이렇게 측정된 입소문 효과 계수의 변화 추이를 통해 우리 친구 추천 서비스 혹은 이벤트의 성과를 시각화해 볼 수 있다.

<

AARRR 퍼널 분석 시리즈 몰아보기

AARRR (1): Acquisition 획득

AARRR (2): Activation 활성화

AARRR (3): Revenue 수익화

AARRR (4): Retention 리텐션

AARRR (5): Referral 추천

>

AARRR의 모든 퍼널 중 가장 중요한 단계를 하나만 꼽아야 한다면 나는 리텐션Retention을 뽑을 것이다. 리텐션은 유저를 획득하고, 활성화하고, 구매하게 만드는 세 가지 퍼널을 단계를 '다시 한 번' 반복하게 하는 퍼널이다. 서비스는 신규 유저의 구매만으로는 성장하기 어렵다. 기존 유저가 지속해서 서비스를 사용하고 구매해 줘야 장기적인 관점에서 서비스가 유지될 수 있다. <이 포스트의 내용 대다수는 패스트캠퍼스의 세계 3등에게 배우는 13개 데이터 분석 프로젝트 강의 기반으로 작성됐다.>

CAC유저 획득 비용는 시장 파이 관점에서 봤을 때 상승할 수밖에 없다. 어떤 서비스든간에 LTV유저 평생 가치 대비해 손해 없이 투여할 수 있는 CAC의 마지노선은 반드시 온다. 그 시기를 넘어가면 신규 유저 획득은 점점 어려워진다. 서비스가 성장할수록 기존 유저의 매출에 기대는 비중이 점점 높아진다는 소리다.

결국 기존 유저의 리텐션 비율이 올라간다는 것은 CAC의 투자 효율이 올라간다는 뜻이기도 하다. 그래서 리텐션 퍼널을 개선하는 과정에서 우리는 이전 세 단계의 전체 퍼널을 개선하는 것과 유사한 결과값을 얻을 수 있다.

리텐션Retention의 정의

리텐션은 '고객이 방문이나 구매를 반복하는 행동을 측정하는 지표', 즉 우리 고객들이 '얼마나 다시 많이 돌아오는가'를 측정하는 지표다. 때문에 이는 정방향으로 보면 고객 유지를 측정하는 지표가, 역방향으로 보면 고객 이탈을 측정하는 지표가 된다. 재방문율, 이탈률, 이탈페이지가 리텐션의 주요 지표다.

리텐션으로 우리는 '우리 유저가 일정한 주기로 서비스를 사용하는 이유', '우리 서비스가 타 서비스 대비해 가지고 있는 경쟁력 혹은 가치'를 파악할 수 있을 뿐 아니라 '신규 사용자들을 첫 한 주 동안 유지할 구체적인 액션에 대한 답'도 얻을 수 있다.

혹시 눈치챘는가. 리텐션 퍼널에서 얻고자 하는 것의 대부분은 Activation활성화 퍼널과 겹친다. Activation이 신규 유저에게 우리의 아하 모먼트Aha moment, 즉 서비스의 핵심 기능을 인지시켜서 서비스의 목적인 구매까지 신규 고객을 자연스럽게 인도하는 과정이었다면 리텐션은 동일한 과정을 기존 유저한테 다시 하는 과정이다. 신규 유저에게 구매를 촉진시키는 퍼널이 Activation이라면 기존 유저에게 구매를 촉진시키는 퍼널은 리텐션이다.

우리 서비스에 맞는 리텐션 설정하기

그러면 우리 서비스에 맞는 리텐션은 어떻게 설정할 수 있을까. 주요 이벤트Critical Event, 서비스 사용 간격Product Usage Interval, 측정 기준Measurement basis 세 측면에서 고려한다면 빈틈 없는 리텐션 지표를 만들 수 있다.

우리 서비스의 주요 이벤트Critical Event 찾기

리텐션을 설정하면서 가장 먼저 고려해야 할 부분은 측정할 지표를 찾는 것이다. 리텐션 퍼널에서 측정할 지표는 명확하게 정해져 있지 않기 때문에 서비스의 특성에 맞춰 비교적 자유롭게 설정된다. 요점은 액션의 형태가 아니라 서비스의 성장을 담보하는 액션을 찾는 것이다.

감이 잡히지 않는 분이 있을 수 있으니 조금 더 구체적으로 예를 들어 보겠다. 에어비앤비에서 목록 화면을 조회하는 행위는 리텐션으로 볼 수 있을까. 물론 유저가 서비스를 사용하고 있으니 사용자 유지 측면에서는 리텐션이 맞다. 하지만 비즈니스 관점에서 이는 리텐션으로 보기 어렵다. 

에어비앤비가 플랫폼 비즈니스로써 존속하기 위해 필요한 것은 결국 '호스트'와 '소비자' 양 측의 유의미한 활동, '숙소를 올린다'와 '숙소를 예약한다'다. 그 중에서 특히 중점을 둬야 할 곳은 직접적인 매출로 이어지는 소비자 방향, '숙소를 예약한다'다. 맞는 숙소를 찾기 위해 몇 시간에 걸쳐 에어비앤비를 서치하는 고객이 늘어나더라도 이 고객을 구매로 이어지게 만들지 못 한다면 장기적으로 에어비앤비라는 서비스는 유지되기 힘들 것이다.

즉 '목록을 조회하는 행위의 반복'은 사용자 유지 측면에서는 유의미하지만 비즈니스 측면에서는 무의미한 지표다. 주요 이벤트는 이 두 가지 측면을 모두 만족하는 액션 혹은 이벤트로 지정돼야 한다. 그런 부분에서 에어비앤비의 주요 이벤트는 '예약하기'로, 넷플릭스의 주요 이벤트는 '구독하기'로 볼 수 있을 것이다. 캔디크러시 같은 게임의 경우 '플레이하기' 겠고.

우리 서비스의 제품 사용 간격 설정하기

주요 이벤트를 찾았다면 그 다음으로는 제품의 사용 간격을 설정해야 한다. 캔디크러시 같은 게임이나 트위터/ 인스타그램 같은 SNS는 주요 이벤트가 '매일' 일어날 수 있겠으나 넷플릭스의 구독이나 에어비앤비의 예약하기 같은 경우는 매일 진행하기 어렵다. 이런 서비스의 경우 고객의 액션 주기에 맞춰 제품 사용 간격을 설정해 줘야 한다. 에어비앤비의 예약하기 평균 간격은 12개월에서 18개월로 알려져 있으며 (우리 모두가 알고 있듯이) 넷플릭스는 매월 갱신된다.

우리 서비스의 측정 기준 적용하기

마지막으로 설정해야 할 것은 측정 기준이다. 리텐션을 설정하는 방법은 하나가 아니다. 주요 이벤트의 측정 방식에 따라 클래식 리텐션Classic retention, 롤링 리텐션Rolling retention, 레인지 리텐션Range retention으로 나뉘어질 수 있다. (엄밀히 말하면 측정 방식으로 구분 클래식 리텐션과 롤링 리텐션 두 가지지만 앞의 두 리텐션만으로는 레인지 리텐션을 설명할 수 없기 때문에 추가로 서술했다.) 

클래식 리텐션Classic retention은 N-Day retention으로 불리기도 하며 측정 대상이 되는 '그날' 기준으로 전체 대비 들어온 사람의 비율을 따지는 리텐션이다. 일반적으로 아무런 수식어 없이 리텐션, 하면 클래식 리텐션이다. 이 방식은 게임이나 소셜 앱처럼 사용자가 규칙적이고 반복적으로 활동하는 서비스에 적용하기 적합하다.

롤링 리텐션Rolling retention은 Unbounded retention이라고도 불리는 리텐션이다. 이 리텐션은 특정 일자 이후부터 해당 액션을 하는 모든 유저를 취합해 비교하기 때문에 유저 유지율보다는 유저 이탈율을 파악하는 데 더 도움이 된다. 그래서 롤링 리텐션 방식은 유저가 '매일 이용하지 않는 서비스', 위에 언급했던 것으로 말하자면 에어비앤비나 넷플릭스 등의 서비스에 반영하기에 적합하다. 다만 이 방식은 계속 안 오다가 측정 일자 이후에 들어와서 핵심 액션을 수행한 유저가 생기면 기존에 측정했던 리텐션이 변할 수 있기 때문에 보고시 유의할 필요가 있다.

마지막으로 레인지 리텐션Range retention은 주기를 각각 다르게 지정할 수 있는 특수한 리텐션이다. 이 리텐션은 서비스의 무료 체험 기간처럼 일반적인 구독 주기와 다르게 측정되는 리텐션이 있을 경우에 사용한다. 

이처럼 주요 이벤트Critical Event, 서비스 사용 간격Product Usage Interval, 측정 기준Measurement basis 세 측면을 모두 고려한 리텐션을 설정해야지만 비즈니스를 온전히 반영하는 리텐션 퍼널을 설계할 수 있다.

<

AARRR 퍼널 분석 시리즈 몰아보기

AARRR (1): Acquisition 획득

AARRR (2): Activation 활성화

AARRR (3): Revenue 수익화

AARRR (4): Retention 리텐션

AARRR (5): Referral 추천

>

이번 포스트에서 다룰 것은 AARRR의 세 번째 단계, Revenue수익화다. 서비스의 모든 행동과 단계는 최종적으로 구매, 즉 '매출'에 기여해야 한다. Revenue 퍼널 분석을 통해 우리는 매출에 영향을 주는 주요 인자를 발굴하고, 매출이 비즈니스 건전성을 고려하며 발생하고 있는지 확인할 수 있다. <이 포스트의 내용 대다수는 패스트캠퍼스의 세계 3등에게 배우는 13개 데이터 분석 프로젝트 강의 기반으로 작성됐다.>

Revenue를 다루면서 우리가 얻고 싶은 질문과 답은 확고하다. 누가, 어떻게, 얼마나 우리 서비스를 사 주고 있는가. 지출하는 비용 대비 수익은 안정적인가. 그래서 우리 서비스는 성장하고 있는 것인가. 그래서 결과적으로, 매출을 올리기 위해 우리가 개선해야 하는 지표는 무엇이고 취해야 하는 액션은 무엇인가. 

우리가 기본적으로 수집할 수 있는 '매출액'이라는 지표로는 이에 대한 답을 내기 어렵다. 이번 포스트에서는 매출액이라는 지표를 조금 더 잘게 나눠서 유의미한 지표를 만들어 보고, 이를 통해 서비스를 개선할 액션 아이템을 도출하는 과정을 따라가 본다.

ARPU? ARPPU?

살펴보기에 앞서 비슷하게 생긴 두 용어를 정리하고 들어가자. 평균 매출 관련해서 사용하는 지표로 ARPU와 ARPPU가 있는데, 이 둘은 엄연히 다른 용어다.

ARPU는 Average Revenue Per User로 인당 평균 매출을 의미한다. 매출로 유저 수를 나누면 되는데(Revenue / User), 구매하지 않은 유저도 계산되기 때문에 사용자가 늘어날 때 매출이 어떤 속도로 증가할 지 가늠하기 좋다. 일반적으로 월을 기준으로 계산한다.

이와 다르게 ARPPU는 Average Revenue Per Paying User로 결제자 인당 평균 매출을 의미한다. ARPU와 다르게 ARPPU는 구매 유저만 대상으로 계산한다(Revenue / Paying User). 그래서 구매 유저의 객단가 흐름을 파악할 때 활용하기 좋은 수치다. 이 역시 일반적으로 월 기준으로 집계한다.

여러 지표로 구매 트렌드 파악하기

아래 표는 위버스의 Revenue 관련 지표다. 해당 표 기반으로 위버스의 상황을 분석해 보자.

일단 해당 기업의 MAU, 즉 월 활성 유저 수는 꾸준히 증가하고 있다. 기존 Activation 퍼널에서 다뤘듯이 MAU 하나만으로는 활성 유저가 왜 늘어났는지는 파악하기 힘들다. 활성 사용자는 신규 유저가 유입돼도 오르지만 복귀 유저가 돌아와도 오르니까. 

다음으로 두 번째 표를 보면 ARPPU는 떨어지고 있다. ARPPU는 (위에서 다뤘듯이) 결제자 인당 총 매출이다. MAU가 오르는데 ARPPU가 떨어지는 상황 역시 접근할 수 있는 상황이 하나가 아니다. 직접 기여 구매자 수가 감소했을 수도 있지만 구매 객단가가 감소했을 수도 있으니까.

세 번째 표인 매출까지 놓고 전체 지표를 취합해 보면 전반적인 상황이 그려진다. 활성 유저 수와 매출액은 증가하는 추센데 ARPPU가 감소하는 상황은 하나밖에 없다. ARPPU를 구하는 공식이 기억나는가. 맞다. Revenue / Paying User 다. Paying User의 증가폭보다 Revenue의 증가폭이 커야만 이 상황에서 ARPPU가 감소할 수 있다. 다시 말하면 전체 유저의 객단가가 줄었다. 그리고 일반적으로 복귀 유저의 활성화보다 신규 유저의 획득으로 인한 객단가 변화가 더 크다.

즉 지금 위버스의 상황은 다음과 같은 문장으로 정리될 수 있을 것이다. 'MAU 증가로 신규 고객 유입에 의한 구매는 증가됐고 매출 역시 상승했지만 객단가 하락으로 ARPPU 자체는 감소됨. 신규 고객들의 확보로 이후 매출 및 ARPPU 상승이 기대된다'.

이처럼 구매 트렌드를 분석할 때는 하나의 지표를 가지고 표면적으로 판단해선 안 된다. 여러 지표를 통해 통합적인 인사이트 도출이 됐을 때만 현상 분석이 가능하다.

LTV, Lifetime Value

Acquisition 퍼널에서 한 번 설명했던 LTVLifetime Value는 유저 평생 가치로 번역되는 지표로, 유저가 진입부터 이탈에 걸쳐 지불하는 비용의 총합이다. 위에서 다룬 ARPU와 ARPPU는 LTV 관점에서 기간이라는 축을 더해 세분한 것이라 볼 수 있다.

이쯤에서 LTV에 대한 설명을 조금 정정해야 할 것 같다. 기존에 설명할 때는 일정 기간으로 구간을 설정하고 LTV를 구했다. 이는 엄밀히 말하자면 틀린 계산법이다. LTV는 유저가 유입부터 이탈까지 전체 기간 동안 지불하는 가치다. 사용자가 유입하고 이탈하는 정확한 기간을 구하는 것은 어려운 문제다.

그래서 일반적으로 적용하는 게 일 년의 기간인데, 이건 초기 스타트업 같이 피봇팅이 잦은 업종에게는 지나치게 긴 시간이다. 서비스가 변하면 유저의 행동과 구매패턴 역시 변화하니까. 그래서 정확한 Lifetime과 LTV를 구하긴 어렵다. 계산을 위해서는 기간에 대한 기준이 필요하다. 그리고 기간 축을 추가한 LTV는 ARPU나 ARPPU와 비슷해지는 거고.

투자 회수 기간Payback period

그러면 그 중요한 '기간'은 어떻게 설정해야 할까. 이 때 LTV와 같이 보면 좋은 지표가 투자 회수 기간이다. 예를 들어 보자. 어떤 서비스의 LTV를 측정했더니 오십 만원이 나왔다. 근데 이 오십 만원은 오 년 후에 회수된다. 장기적으로 수익성이 있는 건 분명 맞지만, 투자 회수 기간이 지나치게 길다면 서비스 입장에서는 힘든 시기를 거쳐야 할 수 있고 그런 기간이 길어지다 보면 자본 문제로 서비스를 더 이상 지속되지 못 하는 시점이 닥칠 수도 있으니까.

그래서 LTV는 투자 회수 기간을 필히 고려해야 한다. 일반적으로 기준 투자 회수 기간은 'CAC를 회수하는 데 걸리는 시간'과 'LTV / CAC 비율이 3~5가 되는 시간' 사이에서 회사의 컨디션에 따라 잡는다. 그리고 이렇게 투자 회수 기간을 고려해 잡은 LTV를 ARPU와 ARPPU라고 보면 된다.

<

AARRR 퍼널 분석 시리즈 몰아보기

AARRR (1): Acquisition 획득

AARRR (2): Activation 활성화

AARRR (3): Revenue 수익화

AARRR (4): Retention 리텐션

AARRR (5): Referral 추천

>

이번 포스트에서는 퍼널 분석 중 가장 보편적으로 사용되는 AARRR의 Activation활성화 단계에 대해 다룬다. Activation 단계는 유저가 유입 또는 회원가입 이후, 서비스의 핵심 단계를 발견하는 단계, 로 정의할 수 있다. 서비스의 매력을 발견하는 단계여서 Aha moment 단계라고도 불린다. <이 포스트의 내용 대다수는 패스트캠퍼스의 세계 3등에게 배우는 13개 데이터 분석 프로젝트 강의 기반으로 작성됐다.>

Activation 퍼널을 분석하면 고객이 얼마나 활발하게 우리 서비스를 이용하는지, 또 고객들이 우리 서비스의 어떤 기능을 이해해야 구매 유저로 전환될 수 있는지 확인할 수 있다. 예를 하나 들어 보겠다. 상품 찜하기는 일반적으로 구매와 상관도가 높은 고객 행동이다. 유저 행동 데이터를 분석해 보니 해당 행동을 한 유저의 구매 전환과 리텐션은 하지 않은 유저 대비 20% 이상 차이가 나는 것이 밝혀졌다면, 우리는 상품 찜하기를 우리 서비스의 Aha moment로 삼아 찜하기를 유도하는 이벤트와 제품을 기획해볼 수 있을 것이다.

Activation의 주요 지표는 아래와 같다.

   1) 집계 기준: 가입 수, 체류시간Duration time, 페이지뷰 빈도Page view Frequency

   2) 비용 기준: CPACost Per Action

   3) 전환 기준: DAU/MAUStickiness, CVRConversion Rate

'집계 기준'에서는 일반적인 기준인 가입 수로 잡았지만, Activation은 상위 첨부 이미지, <글로벌 기업들의 아하 모멘트>에서 보이듯이 조금 더 구체적인 기준으로 집계하는 게 좋다. 단순 가입 수가 아니라 유저가 프로덕트에서 가치를 얻는 순간(이벤트)을 기준으로 집계하는 것이다. 유저가 프로덕트에서 가치를 얻는 명확한 행동 기준으로 Activation을 집계해야지만 리텐션, 결제, 추천 등 비즈니스의 주요 목표를 개선할 수 있는 퍼널을 구축할 수 있다.

이를 위한 접근법은 두 가지다.

   (1) 퍼널 최적화: 핵심 가치를 더 많은 유저들이 더 빨리 경험할 수 있는 방법 찾기

   (2) 지표/ 고객 세분화: 우리 서비스의 핵심 가치 찾기

 아래부터는 이 두 가지 접근법에 근거해서 Activation 퍼널을 최적화하는 방법을 살펴본다

(1) 퍼널 최적화: 핵심 가치를 더 많은 유저들이 더 빨리 경험할 수 있는 방법 찾기

퍼널 간 전환율 늘리기

Activation 퍼널을 최적화하기 위해 우리는 핵심 가치를 더 많은 유저들이 더 빨리 경험할 수 있는 방법에 대해 고민해야 한다. 서비스에서 알려주고 싶은 기능은 너무나 많다. 우리가 '가장 중요한 하나의 기능에 초점을 두지 않으면' 유저는 우리 서비스의 목적을 이해하지 못 하고 지쳐서 이탈한다. 우리는 우리가 말하고 싶은 핵심 기능까지 유저가 자연스럽게 도달할 수 있는 경로를 의도적으로 설계해야 한다. 

도메인의 평균적인 전환율과 대비해 나쁜 방향으로 편차가 있는 유저 동선을 개선하자. 위 표를 보면 이 서비스에서는 상세페이지에서 찜하기에 이어지는 전환율이 타 단계에 비해 크게 낮다. 서비스의 문제일 수도 있지만 버튼이 작다거나 다른 오브젝트에 묻혀 잘 안 보인다거나 하는 UI 문제일 가능성도 있다. 

퍼널 자체를 줄이기

유저가 핵심 기능을 '더 많이' 그리고 '더 빠르게' 경험하게 만드는 방향이 전환율을 높이는 데에만 있는 것은 아니다. 퍼널을 아예 줄여 버려도 된다. 요새 브랜드 웹사이트에 자주 도입되는 소셜 로그인이나 커머스 사이트의 바로구매 기능은 퍼널을 효과적으로 축소한 사례다. 각 단계 간에 얼마나 전환율을 끌어올리든간에, 단계가 존재하는 이상 이탈은 발생한다. 반대로 고객이 기능이나 서비스를 충분히 인지하게 만든 상황에서 가능한 퍼널을 줄이면 전환율은 개선될 것이다.

(2) 지표/ 고객 세분화: 우리 서비스의 핵심 가치 찾기

Stickiness유저 고착도 활용하기

(기간 평균) DAU일 활성 이용자를 MAU월 활성 이용자로 나눈 지표인 Stickiness를 관리하는 것도 Activation 퍼널을 최적화하는 하나의 방법일 수 있다. Stickiness는 유저 고착도 내지는 잔존율로 번역되는 용어로, '서비스를 유저들이 얼마나 자주 사용하는가'를 정의할 수 있는 지표다.

DAU와 MAU의 차이를 놓고 보면 조금 더 이해가 쉽다. DAU는 하루동안 우리 서비스의 핵심 기능을 이용한 유니크 유저 수를 집계하는 지표고, MAU는 한 달동안 우리 서비스의 핵심 기능을 이용한 유니크 유저 수를 집계하는 지표다. 어떤 유저가 열흘 동안 하루 한 번씩 우리 서비스에 접속한다면 DAU는 열 번이 잡히지만 MAU는 단 한 번 잡힌다. 즉, 우리 서비스를 기간 동안 자주 이용하는 유저가 많을 수록 (기간 평균) DAU와 MAU 값의 차이는 적을 거고 그럴 수록 Stickiness 값은 1에 가까워진다. 우리 서비스의 Stickiness 값이 높다면, 우리 유저들의 리텐션, 혹은 핵심 기능 사용 빈도가 높다고 볼 수 있는 것이다.

다만 서비스의 사용 주기에 따라 Stickiness는 유효하지 않은 측정기준이 될 수 있다. 카카오톡, 메타, 유튜브 같은 sns 서비스의 경우 매일 서비스를 방문해 사용하는 비중이 크지만 알라딘, 29cm 같은 커머스나 토스 같은 금융 서비스는 그렇지 않다. 이런 서비스의 경우 DAU와 MAU의 비율로 측정하는 Stickiness가 비교적 낮게 측정될 수밖에 없고 지표의 중요도가 전자에 비해 떨어질 수밖에 없다.

Aha moment 찾기: XaY 공식

글의 초반부에서도 언급했지만, Activation 단계는 유저에게 서비스의 매력을 발견하게 만드는 단계이기도 하다. Activation 단계의 성공은 '우리 서비스가 얼마나 많은 유저에게 얼마나 빠르게 핵심 기능을 제공했는가'로 요약될 수 있다. 그러면 이 퍼널의 성공은 다음과 같은 XaY 공식으로 집계된 유저의 비율을 세는 것으로도 표현될 수 있을 것이다.

정해진 기간(Y) 동안 서비스의 핵심 행동(a)을 일정 횟수(X) 이상 하는 유저

a: 핵심 행동 / X: 유저의 행동 빈도 / Y: 기간

줌과 메타의 Aha moment도 이런 공식을 따른다. 줌의 경우는 28일(Y) 동안 4회 이상(X) 미팅(a)을 잡은 유저를, 메타는 10일(Y) 동안 7회 이상(X) 친구 추가(a)한 유저를 각각 활성 유저로 정의하고 있다.

선형대수학은 말 그대로 '선형' '대수'에 관한 학문이다. 이때의 대수는 x나 y 등의 변수를 뜻하고 선형은 직선을 뜻한다. 직선을 떠올려 보자. 이것은 점과 점 사이를 이은 것이다. 연속적인 값의 모음. 그래서 직선은 단일 값이 아니라 여러 값을 가지는 행렬matrix 형태다. 선형대수학은 쉽게 말하자면 다차원과 다차원 사이의 연산에 관한 학문인 셈이다. 우리가 머신러닝에서 다루게 될 자료는 이미지나 음성 등의 다차원 형태기 때문에 머신러닝에 대한 이해를 위해 필연적으로 학습할 내용이기도 하다. 아래로는 선형대수학에 관해 정리된 포스트들을 개인 학습 차 정리한 내용이다. 

머신러닝을 위한 선형대수학(1):  사전 지식 익히기

머신러닝을 위한 선형대수학(2):  벡터와 벡터 연산

머신러닝을 위한 선형대수학(3): 행렬과 행렬 연산

인공지능을 위한 선형대수(1)

인공지능을 위한 선형대수(2)

선형대수학(1): 주요용어 및 기본공식

선형대수학(2): 역행렬과 행렬식(determinant)

선형대수학(3): 고유값과 고유벡터 (eigenvalue & eigenvector)

선형대수학(4): 특이값 분해(Singular Value Decomposition, SVD)의 활용

선형대수학(5): 선형연립방정식 풀이

선형대수학(6): 주성분분석(PCA)의 이해와 활용

<

AARRR 퍼널 분석 시리즈 몰아보기

AARRR (1): Acquisition 획득

AARRR (2): Activation 활성화

AARRR (3): Revenue 수익화

AARRR (4): Retention 리텐션

AARRR (5): Referral 추천

>

이번 포스트에서는 퍼널 분석 중 가장 보편적으로 사용되는 AARRR의 Acquisition획득 단계에 대해서 다룬다. Acquisition은 단어 뜻대로 고객이 유입되었을 때, 혹은 회원가입을 했을 때와 같이 유저의 서비스 인입 시점에서 측정할 수 있는 지표다. 때문에, 이 지표를 기준으로 우리는 몇 가지 비즈니스에 유의미한 질문을 얻을 수 있다. 이번 포스트에서는 수많은 질문 중 아래 두 가지 질문에 집중하고자 한다. <이 포스트는 패스트캠퍼스의 세계 3등에게 배우는 13개 데이터 분석 프로젝트 강의를 개인 공부 차 정리한 것이다.>

1) 우리 서비스의 MAU월간 활성 사용자 수는 건전하게 성장하고 있는가?

2) 우리 서비스의 LTV유저 평생 가치 / CAC유저 획득 단가 ratio는 과도하지 않게 유지되고 있는가?

1) 우리 서비스의 MAU는 건전하게 성장하고 있는가?

Acquisiton의 지표는 집계, 비용, 전환 중 어디에 초점을 맞추는지에 따라 다양하게 세분화될 수 있다.

집계 기준: DAU일별 활성 사용자 수, MAU월별 활성 사용자 수, 방문 수, 가입 수, 설치 수

비용 기준: CPC유입 단가, CAC회원가입, CPI앱 설치

전환 기준: CTR노출 대비 클릭율, CVR회원가입/ 설치 전환율

이 중 MAU는 '월간 활성 사용자 수'로 우리 서비스를 사용하는 유니크 유저의 수를 측정함으로써 서비스의 성장을 가늠해볼 수 있는 지표다. 일반적으로 MAU가 증가하면 서비스 자체가 성장하고 있다고 추측할 순 있지만, 이런 뭉텅이 지표만으로 우리 MAU가 왜 성장한 건지를 알기는 어렵다. "월 평균 MAU가 22.5% 가량 성장하고 있으니 다음 달에도 이 정도 오를 걸로 기대돼." 할 수는 있지만 "우리 MAU가 지금 이 부분에서 성장하고 있어서 다음 달엔 이정도 성장이 기대돼." 할 수는 없다는 소리다. 이때 MAU를 세부적으로 나눠 보면 우리의 목적을 달성할 수 있다. 

MAU를 조금 더 쪼개 보자면 이번 달의 신규 유저와 지난 달부터 유지되는 사용자+ 지난달 이전 기간에 비활성되어 있다가 부활한 유저의 합으로 볼 수 있다.

이번 달 MAU

-> MAU(25.4) = new(25.4) + retained(25.4) + resurrected(25.4)

-> MAU(t) = new(t) + retained(t) + resurrected(t)

이렇게 보면 MAU를 이루는 구성 요소가 다 나왔다. 신규 유저와 부활 유저는 MAU에 긍정 기여를 하고, 이탈 유저는 부정 기여를 한다. 이 셋이 합쳐져 MAU를 이룬다. 이 지표를 뜯어 보면 우리 서비스가 왜 성장했는지(신규 유저가 늘었는지, 부활(복귀) 유저가 늘었는지, 혹은 이탈 유저가 줄었는지)도 알 수 있을 것이다. 이를 식으로 정리해 보면 다음과 같다.

MAU(t) - MAU(t-1) = new(t) + resurrect(t) - churned(t)

해당 식의 값이 0보다 크면 MAU가 전 달 대비 성장한 것이고 0보다 작다면 감소한 것이다. 즉 MAU 성장을 위해서는 신규 유저와 부활 유저의 합이 이탈 유저의 합보다 커야 하고 아래와 같이 이 식을 성장 지표로 치환할 수도 있을 것이다.

(new + resurrected) / churned > 1

2) 우리 서비스의 LTV / CAC ratio는 과도하지 않게 유지되고 있는가?

우리 서비스가 '얼마나 유저를 많이 획득했어'도 중요하지만 '얼마나 유저를 비용 효율적으로 획득했'도 우리가 초점을 맞춰야 할 요소다. 우리 서비스가 광고, 운영 등을 통해 지불하는 비용이 우리 서비스를 이용해 회수할 수 있는 매출보다 크다면 그 서비스는 장기적으로 존속하기 어려울 것이다. 이를 위해 우리가 유심히 봐야 할 지표는 CAC유저 획득 단가와 LTV유저 평생 가치다. 

CACCustomer Acquisition Cost, 유저 획득 단가

CAC는 우리가 유저를 '데려오는 데' 투여된 비용을 의미한다. 이때 획득이란 단어는 모호하다. 서비스에 따라서, '어디까지 데려오는지'(회원가입? 첫 구매?)와 비용 기준(매체비만 볼지? 제작비와 인건비까지 넣을지?), 유저 기준(전체 유저 다? 페이드 유저만?)는 달라질 수 있기 때문에 명확하게 정의하고 들어갈 필요성이 있다. 일단 정의하고 나면 아래와 같이 간단하게 CPC를 뽑을 수 있고, 이 지표를 통해 각 채널별간 효율 비교, 유입 채널을 최적화할 수 있다.

CAC = 들어간 비용 / 획득 유저 수

다만, (마케팅에 등장하는 거의 모든 지표가 그렇듯이) CAC를 비교할 때는 CAC에 대한 기준부터 확실하게 설정해야 효율적으로 의사결정할 수 있다. 예를 들어, 해당 도메인의 평균 CAC가 5,000원이라면 네이버 광고를 끄는 것만이 아니라 세 개 채널의 캠페인을 전부 점검했어야 했다. 만약 평균 CAC가 50,000원이었다고 해도 전체 광고비를 증량하는 것이 훨씬 효과적일 테고 말이다.

LTVLifetime Value, 유저 평생 가치

LTV는 반대로 우리 유저가 우리 서비스에 지불하는 가치의 총합을 의미한다. 우리가 모객한 유저는 우리 서비스를 한 번 사용하고 이탈할 수도 있지만 계속 잔존하며 꾸준히 제품을 구매할 수도 있다. LTV는 이렇게 우리 서비스를 지속적으로 사용하고 있는 유저의 가치를 측정할 때 쓰인다.

여기서 한 번 정의해 두고 들어가자면, 나는 '금액'과 '가치'를 다르게 쓰고 있다. 아래 표에서 김패캠의 예시에서 볼 때, 김패캠은 생애 동안 우리 서비스에서 50만원을 사용했기 때문에 이 사람의 LTRLifetime Revenue 금액은 50만원이 된다. 하지만 그에게 재구매를 유도하기 위해 우리는 월마다 10,000원씩, 총 50,000원의 CRM 쿠폰을 제공했기 때문에 이 사람의 LTV 가치는 45만원이다. 이 포스트에서 다루는 것은 유저의 'LTV 가치'에 대해서다.

LTV / CAC ratio

다시 정리하자면, CAC는 고객을 데리고 오는 데 든 비용이고 LTV는 데려온 고객이 우리 서비스에 지불한 가치다. 그렇다. '비용 효율적; 측면에서 Acquisition에서의 성공이란 CAC보다 LTV가 높아지는 것으로 정의해볼 수 있겠다. 아래 표를 다시 보자. 

김패캠의 LTV에서 CAC를 빼면 35만원이 된다. 반면 이데타의 LTV에서 CAC를 빼면 0원이다. 이렇게 유저들을 LTV와 CAC의 차액 혹은 비율로 세분화하게 되면 우리가 어떤 유저에게 집중해야 할 지가 명확해진다.

LTV / CAC ratio의 값이 높을 수록 서비스의 비용 구조는 '건전해진다'. 그럼 이 지표는 어디까지 올려 잡는 게 건전할까. 서비스마다 차이가 있겠지만 전문가들은 3~4 정도의 수치를 가지고 있으면 서비스가 건강하게 성장한다고 볼 수 있다고 말한다. 

데이터를 슬기롭게 다루는 방법에 관해

그거 알고 있는가. 데이터 사이언티스트가 하버드 비즈니스 리뷰에서 선정한 21세기에서 가장 섹시한 직업인 거(Data Scientist: The Sexxist Job of the 21st Century, 2012). 십여 년이 지났지만 현재 추이를 보면 데이터 사이언티스트가 왕좌에서 내려올 일은 아직 없는 것 같다. 

데이터라는 분야가 떠오른 지 십여 년이 지났고 여전히 유망하지만 우리 주변은 데이터와 내외하고 있는 듯하다. 데이터를 다루지만 도구처럼 사용하지는 못 한다. 외려 휘둘린다. 이런 기 센 데이터를 슬기롭게 잘 다루는 방법에 관해, 링크드인의 데이터 사이언티스트 모니카 로가티Monica Rogati가 정리한 글이 있어 공유해 본다. 글은 린 분석Lean analytics에서 가져왔으며 문맥에 따라 일부 수정했다.

데이터를 분석할 때 피해야 할 열 가지 함정

하나, 데이터에 결점이 없다고 가정하는 것. 이건 많은 사람들이 간과하는 부분인데, 데이터는 완벽하지 않다. 수집한 데이터의 결점을 제거하는 전처리 과정이 데이터 분석 시간의 대부분을 잡아먹는 경우도 많다. 혹시, 수집한 데이터에서 null이 몇 퍼센트쯤 되는지. 그 데이터가 오측정이 됐는지 검증해 봤나. 측정 자체에 오류가 있어 null 값만 한 삼십 퍼센트 나오고 우편번호 90210 지역에 데이터가 몰려 버리는 일들도 있을 수 있다.

둘, 표준화하지 않는 것. 예를 들어, 결혼식 장소로 인기 있는 도시의 목록을 만들고 있다고 가정해 보자. 이런 목록을 만들려면 결혼식에 참석하기 위해 어떤 도시로 비행기를 타고 온 사람들의 수를 셀 수 있는데, 이때 그 도시를 방문하는 전 항공 승객 수를 고려하지 않으면 그저 비행기를 이용하는 방문객 수가 많은 도시들의 목록이 될 수도 있다. 분석 목적에 맞는 데이터를 이용해야만 유의미한 분석 결과를 얻을 수 있다.

셋, 열외의 사용자들을 배제하는 것. 어떤 웹사이트를 하루에 천 번 이상 방문하는 사람들은 웹사이트의 열혈 팬일 수도 있지만 콘텐츠를 수집해 가는 검색 봇일지도 모른다. 어떤 경우든 이들을 무시하는 것은 실수일 수 있다.

넷, 반대로 열외의 사용자들을 포함시키는 것. 하루에도 천 번 이상 웹사이트를 방문하는 사람들은 예상치 못한 것을 알려줄 수도 있어서 정성적인 관점에서는 흥미로운 대상이겠지만 일반 모델을 구축할 때는 도움이 되지 않는다. "데이터 기반 제품을 구축할 때는 이런 사용자들을 배제해야 합니다. 그렇지 않으면 웹사이트의 '추천' 기능에서 하드코어 팬들이 좋아하는 아이템을 모든 유저에게 추천할 겁니다." 모니카는 조언한다.

다섯, 계절적 변동을 무시하는 것. "올해 성장률이 가장 높은 직업이 '인턴'이라고? 잠깐, 지금은 3월이잖아." 패턴을 살펴볼 때, 시간/ 요일/ 월에 따른 변화를 고려하지 않으면 잘못된 의사결정으로 이어진다. 선풍기가 주력 제품인 쇼핑몰에서 월매출 1억을 했다면 초봄인 3월에는 선방한 거겠지만 한여름인 8월에는 완전 망한 것처럼.

여섯, 성장을 평가할 때 전체 규모를 무시하는 것. 정황 정보는 매우 중요하다. "사업을 막 시작했을 때는 가족이 회원 가입만 해 주셔도 사용자 수가 두 배로 증가할 수 있습니다." 모니카는 말한다.

일곱, 지나치게 많아 의미를 잃은 데이터. 대시보드가 있어도 어떤 데이터를 봐야 할 지 모르면 아무 소용이 없다. 이럴 경우에는 고객을 코호트나 RFM 분석, 혹은 인구통계학/ 기술적 지표로 집단을 나눠 봄으로써 분석이 원활한 범위까지 데이터를 가공해야 한다.

여덟, 거짓 경보를 울리는 지표. 우리는 어떤 문제가 발생했을 때 빠르게 수습하기 위해 경보 시스템을 구축한다. 그러나 경보를 울리는 기준이 지나치게 예민해서 하루 웬종일 울려 댄다면 결국 우리는 그 경보를 무시하게 될 것이다.

아홉, 직접 수집한 데이터만 인정하는 배타적 태도. "여러분의 데이터와 다른 곳에서 수집한 데이터를 합치면 매우 소중한 정보를 얻을 수 있습니다." 모니카는 말한다. "최고의 고객들이 스시 식당이 밀집된 지역에 주로 살고 있습니까?" 그렇다면 이로부터 다음에 어떤 실험을 실시할지 좋은 아이디어를 얻을 수 있다. 아니면, 전략 자체를 짜는 데 영향을 줄 수도 있고.

열, 잡음에 초점을 두는 것. "인간의 속성은 패턴이 없는데도 패턴을 발견하게 돼 있습니다." 모니카는 경고한다. "허상 지표는 무시하고 한 발 물러서서 더 큰 그림을 볼 줄 알아야 합니다."

<

해당 포스트는 데이터리안의 RFM 고객 세분화 분석이란 무엇일까요, RFM 고객 세분화 분석에서 합리적으로 기준을 잡는 방법에 대해를 읽고 작성한 글이다. >

RFM 분석은 인사이트를 위한 분석이 아니다

글에서는 서두부터 못 박아 둔다. "RFM 분석은 인사이트를 위한 분석이 아니다." 또한 실무에서 행하는, 성과를 내는 대부분의 데이터 분석 역시 인사이트를 위한 분석이 아니라고 덧붙인다.

다시 말하면, 아무 데이터나 넣으면 기깔나는 인사이트를 뽑아 주는 어린왕자의 상자 같은 분석 프레임워크는 꿈 속에서나 볼 수 있는 거고, 어떤 가공 과정을 거치든 간에 데이터 분석은 나의 앎에서 플러스 마이너스 몇 퍼센트 한 값에서 결과물을 출력해줄 예정이라는 거다. 나쁘게 말하면 뽑기 확률 낮다는 거고 좋게 말하면 내가 놓친 요행이 없단 소리겠다. 오히려 좋다.

위에서 언급했듯이, RFM 분석은 인사이트를 발굴해내는 것보다는 이후에 집행할 액션 아이템에 맞춰 유의미한 고객 집단을 발굴해내는 데 그 목적이 있다. 좀 더 적확하게 말하면 일부 집단에만 선택적으로 돈을 쓰겠단 거다. (고객들이 추천을 빙자한 광고에 염증을 느끼는 시대다. 다만 충분히 개인의 특성을 반영해 작성된 푸시는 리텐션과 매출에 여전히 유의미하다.)

이처럼 뒤에 이어진 '후속 액션'에 초점을 둔다는 것이 RFM 분석의 특징이다. 이는 리소스가 투여되는 작업이고 보다 신중히 설계해야 한다. 섬세한 정의 없이 인원 수대로 열맞춰 자른 분석에 리소스를 투여할 수는 없지 않겠는가. 보고를 위한 숫자가 아닌 보다 의미있는 숫자를 캐내려면 서비스/ 도메인 파이프라인에 근거한 맞는 '얼마나'를 디자인해야 한다. 

'얼마나'를 가늠하는 것은 어려운 일이다. 판단을 내리는 일이라서 여러 지표가 엮여들 수밖에 없다. 이를 테면, Recency를 제대로 정하기 위해서는 우리 고객의 서비스 구매 주기를 먼저 파악해야 한다. 식품 커머스와 의류 커머스의 구매 주기가 같을 수는 없다. 평균 구매 주기가 정해진다면 우리 서비스의 '활성 사용자' 그리고 '이탈 사용자' 역시 정의할 수 있다. "측정할 수 없다면 관리할 수 없다"고 피터 드러커는 말했다. 반대로 측정된다면 관리할 수도 있는 것이다.

글에서 적듯이, 프레임워크는 내 손에 쥐어진 도구에 불과하다. 그보다 분석에서 중요한 것은 이 도구를 통해 내가 이루고자 하는 목적이다. 포트폴리오를 머리 쥐어 뜯으며 짜고 있을 미래의 나에게 쓴다. 네가 만든 그것은 목적이 있는 분석인가. 있다면 서비스의 방향성에 충분한 목적이었나. 그리고 그 목적을 충분히 달성한 분석이었나. 잊을 때쯤 한 번씩 돌아 보길 바란다. 

참고

RFM 고객 세분화 분석이란 무엇일까요

RFM 고객 세분화 분석에서 합리적으로 기준을 잡는 방법

푸시 클릭률 6배를 만든 고객집중

어떤 지표를 서비스의 성장 목표로 삼아야 할까

하나 물어 보겠다. 지금 당장 당신이 한 서비스를 떠올리고 그 브랜드가 이뤄야 할 핵심 목표를 단 하나만 설정해야 한다면 어떻게 설정할 것인가? 

누적 다운로드 수, 누적 방문자 수, 페이지 뷰(DAU, MAU), 회원가입 수, 체류시간 등 우리가 직관적으로 떠올리고 쉽게 측정할 수 있는 정보들은 우리가 열심히 나아가서 얻은 '결과값' 이며 결과값을 얻기 위한 방향성을 잡는 목표가 되기는 힘들다. (이들을 허영 지표(Vanity metric)라 한다.) 방향은 조금 더 세부적인 방향으로 나아가야 한다. 체류시간, 바이럴 확산, 리텐션을 올리기 위한 액션 차원에서 먼저 설정돼야 할 지표.

시장 점유율 십 퍼센트 먹기, 경쟁사보다 제품 더 팔기 등 시장과 연관짓는 요소 역시 비슷한 맥락에서 좋지 않은 답이다. 지표는 우리가 정량적으로 통제할 수 있어야 한다. 얼마나 힘든 지표든 우리 내부에서 빡세게 노력하면 이룰 수 있는 답이어야 한다. 시장 추세는 외부의 상황에 따라 얼마든지 변할 수 있다. 변화무쌍한 이것 우리 핵심 지표로 두기는 어렵다.

그러면 대체 어떤 지표를 서비스의 성장 목표로 삼아야 할까.  

우리 서비스의 나침반이 되어 줄, North Star Metric (북극성 지표)

우리 서비스가 놓여진 시장의 상황은 시시각각 변화하고 경쟁자들은 서로 앞서 나가려고 다툰다. 이런 상황에서 어떤 기준으로 현재 상태를 측정하고 어떤 액션을 해야 할까. 올바른 방향을 잡아야 늦든 빠르든 맞는 방향으로 나아갈 수 있다. 이 때 적용할 수 있는 기준점이 션 앨리스의 North Star Metric, 북극성 지표다.

어릴 때 시골에 갔던 기억을 떠올려 보면 제일 먼저 생각나는 게 어떤 겨울밤의 밤하늘이다. 머리 위를 수놓은 별이 셀 수 없이 많고 아름다워서. 근데 그 중에서도 유독 빛나는 별이 있다. North Star, 북극성이다. 방위를 파악할 방법이 없던 시절, 옛 사람들은 북극성을 나침반 삼아 걸어 다녔다지.

이처럼 서비스에도 조직원 전체가 바라봐야 할 핵심적인 목표, 북극성 지표가 필요하다. 그로스 해킹의 창시자 션 앨리스는 북극성 지표를 'Product의 핵심 가치를 가장 잘 나타내는 중요한 지표를 식별하여 Product를 관리하는 모델'로 정의했다. 북극성이 방위를 찾는 데 도움을 주는 것처럼 북극성 지표는 팀이 회사의 현재 상황을 파악하는 데 도움을 주며, 단기적인 성장을 넘어 장기적인 관점에서 고객 성장을 이끌어내는 데 도움을 준다.

이처럼 북극성 지표는 리텐션, 월간 수익, ARPU 등 회사의 핵심 결과값을 달성하기 위한 핵심 액션이다. 그래서 이걸 찾아나가는 방식은 'A-ha moment'를 찾는 방식과도 유사하다. 초점을 맞춰야 할 곳은 행동의 정량화다. 당신 서비스의 무슨 기능을 어떤 기간 안에 몇 번 사용하는 사람들을 활성 사용자로 정의할 수 있는가? 페이스북에서는 10일 안에 7명과 친구를 맺는 사용자 수를, 에어비앤비는 1분기 안에 예약한 숙박의 개수를, 스포티파이는 유료 사용자가 한 달 동안 음악을 듣는 총 시간을 북극성 지표로 정의하고 있다.  

고객 관점에서 접근해야 서비스의 성장 방향이 보인다

성공하는 서비스들에 수많은 공통점이 있겠지만, 그 중 고객 관점에서의 개선이 포함돼 있다는 것엔 아무도 이견 없을 것이다. 북극성 지표를 잘 정의하고 그를 따라 전 조직 차원에서 일관적 목표를 가지고 고객 중심적인 시각에서 나아가다 보면 우리는 서비스와 회사의 성장이라는 결과에 도달할 수 있을 것이다.

참고

마켓핏랩 블로그

AB180 블로그

< (1) 어떻게 하면 일관성 있게 사용자 행동을 분류할 수 있을까

(2) 이벤트 택소노미 효율적으로 쓰는 법, Critical Path와 Property 설계>

지난 포스트에서는 이벤트 택소노미의 개념에 대해 간략하게 설명하면서 네이밍 컨벤션을 통해 전반적인 택소노미의 골조에 대해 잡아 봤다면, 이번 포스트에서는 주요 경로(Critical Path)와 속성(Property) 설계 관점을 짚어 보며 '택소노미 잘 쓰는 법'에 대해 알아볼 것이다. 

주요 경로(Critical Path) 먼저 설계하기

어떤 서비스든간에, 사용자가 보편적으로 이용하게 되는 주요 경로가 있다. 이 주요 경로는 퍼널과도 유사한데, 구매나 회원가입처럼 고객 여정의 핵심적인 경로를 따라 간다. 뼈대를 먼저 구축하고 뒤에 살을 붙이면 집이 나오지만 살을 먼저 붙이고 뼈대를 잡으면 모래성처럼 무너진다. 주요 경로는 택소노미의 튼튼한 뼈대가 되어 준다. 주요 경로는 주로 다음과 같이 설계된다.

핵심 이벤트 정의  ->  시작 이벤트 정의 ->  중간 이벤트 정의 ->  공통 곁가지 설계  ->  개별 곁가지 설계

주요 경로는 고객 여정과 반대로 고객 여정이 끝나는 곳, 즉 구매와 회원가입 같이 회사의 KPI에 직접적으로 영향을 주는 핵심 이벤트를 정의하는 데부터 시작한다. 

핵심 이벤트를 정의하고 나면 이 핵심 이벤트의 시작이 되는 시작 이벤트를 설계한다. 회원가입 완료가 핵심 이벤트라면 시작 이벤트는 회원가입 페이지 보기거나 로그인 페이지 보기일 것이고 주문 완료가 핵심 이벤트라면 메인 페이지나 검색 완료 시점이 시작 이벤트일 것이다.

시작과 끝을 잡고 나면 이 둘을 잇는 루트를 고객 여정과 반대로 설계해 나간. 고객 여정을 따라가며 설계하면 여러 가지 방향이 어지럽게 나오지만 반대로 핵심 이벤트를 정의하고 이를 운용하는 데 필요한 이벤트를 설계해 나가면 기름 없이 필요한 부분만 설계해낼 수 있다.

시작과 끝 이벤트가 이어져 주요 경로가 설계됐다면 뼈대가 나온 셈이다. 곁가지를 붙여 나가면 되는데, 이 때도 순서가 있다. 모든 루트에 공통적으로 들어가는 공통 곁가지를 먼저 붙이고 조금 더 세부적으로 들어가 개별 곁가지를 붙여 완성한다.

속성(Property) 덧붙여 이벤트 깊게 보기

이벤트와 사용자의 상태를 구성했던 주요 경로에 덧붙여서 보면 한 차원 더 세분화된 분석이 가능하다. 속성은 대상에 따라 사용자 속성과 이벤트 속성으로 나눌 수 있다. 이를 테면, 이벤트가 구매하기 이벤트 클릭이라고 하면 이벤트 속성은 상품명/ 상품가/ 할인가/ 구매 후기 등 제품에 대한 정보값이 되며 사용자 속성은 이름, 나이, 성별, 지역 등 인구통계학적 정보값이 될 수 있다.

또한 속성은 각 단계 별로 공통 이벤트를 포함하고 있는 주요 경로에 사용해야 한다. 그래야 분석 툴을 통해 holding context (동일한 경로끼리 묶어서 카운트해주는 기능) 사용이 가능하고 원활하게 분석이 된다. 

모든 이벤트를 측정하려고 하지 말자

처음 택소노미를 도입하는 회사에서 가장 많이 하는 시행착오는 전체 이벤트를 측정하려 든다는 것이다. 데이터가 많으면 많을 수록 좋은 거 아니냐 할 수도 있겠지만 사실 대부분의 경우에 많은 이벤트 수집이 많은 인사이트로 이어지지는 않는다. 오히려 많은 이벤트가 복잡도를 올려서 분석의 질을 저해하는 경우가 더 많고 유의미한 이벤트를 찾는 데 시간이 더 오래 걸리게 만드는 경우도 많다.

물론 많은 이벤트는 수많은 인사이트를 만들 기회를 의미할 수도 있다고 볼 수도 있겠지만, 이벤트 수집 자체에서도 분명 들어가는 리소스가 발생하는 만큼 무작정 이벤트의 양을 늘리기보다 우리 비즈니스의 KPI를 고려해 주요 경로를 설계하고 그에 맞춰 이벤트의 우선순위를 설정하는 편이 효율적일 거다. 

참고

아이스님 브런치

Adam Greco 블로그

wegroth 블로그

dmis님 벨로그

< (1) 어떻게 하면 일관성 있게 사용자 행동을 분류할 수 있을까

(2) 이벤트 택소노미 효율적으로 쓰는 법, Critical Path와 Property 설계>

이벤트 택소노미(Event Taxonomy)의 정의와 필요성

GA나 Amplitude 등 프로덕트 데이터 기반으로 마케팅 액션을 추출하는 툴을 경험해 본 사람이라면 이벤트라는 용어에 대해서는 익숙할 것이다. 이벤트란 말 그대로 '사건'이다. 조금 더 깊게 말하자면, '사용자가 프로덕트를 사용할 때 하는 행동 혹은 그 행동으로 발생하는 사건'. 이벤트에는 관심상품 추가, 장바구니 담기, 구매 완료 등이 들어갈 수 있고 택소노미(Taxonomy)란 이 이벤트를 특정한 방식으로 나누는 분류 체계 자체를 의미한다. 이벤트가 '책'이라면 택소노미는 '서랍장' 정도로 묘사할 수 있는 것이다.

택소노미는 체계적인 데이터 분석을 위해 꼭 선행돼야 할 단계다. 각 이벤트가 하나의 일관된 택소노미에 의해 설정되지 않는다면 장기적으로, 그리고 전체적으로 봤을 때 데이터 해석은 점점 어려워진다.

예를 들어 보자. 회원가입이라는 이벤트가 있다. 이 이벤트는 팀 혹은 구성원이 시선을 두는 시점에 따라 '회원가입의 시작을 측정(signup_start)'하는 이벤트가 될 수도, '회원가입의 완료를 측정(signup_complete)'하는 이벤트가 될 수도 있다. 팀마다 다른 방식으로 이벤트를 측정하게 된다면 분석 차원에서 이벤트를 대할 때 추가적인 여과 절차가 필요해진다.

이처럼 이벤트를 기획할 전에는 모든 이벤트를 관통하는 일관적인 관절, 택소노미를 필히 설계해줘야 한다. 일관된 이벤트 택소노미 체계는 각 유저의 행동을 명확하게 정의하도록 도와 주고 분석 작업을 빠르고 정확하게 만들어 줄 뿐 아니라 실질적인 수행이 가능한 액션 아이템을 도출하게 도와 준다.

이벤트 네이밍 컨벤션(Event Naming Convention) 체계 구축하기

위에서 살펴본 것처럼, 택소노미는 '조직 구성원이면 누구나' '전체' 이벤트를 '명확하게 식별하고 분류'할 수 있도록 설계되어야 한다. 이벤트 네이밍 컨벤션은 이벤트 이름을 체계적으로 분류함으로써 전체 이벤트 가독성을 끌어올리는 체계다. 파일을 정리할 때 대분류, 중분류, 소분류 별로 위치를 나눠 정리해본 적이 있을 것이다. 이벤트 네이밍 컨벤션도 이와 같은 유형의 체계다.

이벤트 네이밍 컨벤션을 위해서는 우선 이름을 이루는 기본 요소를 통일된 방식으로 설정해야 한다. 구체적으로 적자면 아래와 같다.

1) 대문자/ 소문자를 통일한다.

2) 시제 표현(ex. click, clicked)을 통일한다.

3) 언더바(_), 대시(-), 닷(.) 등 연결 부호를 통일한다.

4) 사용자의 행동을 명확히 표기한다. (ex. login (X) > clicked_topbutton_home (O))

'사용자의 행동을 명확히 표기한다'는 이 네 가지 규칙 중에서도 특히 중요하다. 예시로 든 login을 보자. 어떤 행동이 예측되는가. login 한다는 건 알겠는데 정확히 사용자가 어떤 사건에 있고 어떤 행동을 했는지 파악이 어렵다. login은 로그인 버튼을 클릭한 상태일 수도 있지만 로그인 완료 페이지에 도달한 상태일 수도 있다. 이런 이벤트에 대한 인식 자체가 꼬이면 지금 당장 데이터를 보는 데는 문제가 없지만 어떤 퍼널에서 문제가 생겼을 때 문제 파악 부분에서 지연이 생길 수 있으므로 꼭 주의해서 세분화해 설계해야 한다.

다음으로 이벤트의 이름을 이루는 단어는 이벤트의 중요한 특성을 직관적으로 나타낼 수 있어야 한다. 이를 구체적으로 표현하자면 특정 사용자가 '어디서' '무엇을 했는지' 정도로 정리할 수 있다. 조금 더 나눠 보면 아래와 같이 세 가지다.

1) name: '어디서'. home이나 gnb 같은 노출 영역을 표기한다.

2) action: '무엇을 했는지'. 클릭(click), 스크롤(scroll) 같은 행위를 표기한다.

3) object: 사용자가 '무엇과 접촉했는지'. 클릭과 같이 직접적으로 접촉하는 대상이 있을 때 표기한다.

그리고 이 세 가지를 조합함으로써 이름을 짓는다. 예를 들면 사용자가 홈 화면에서 검색 버튼을 클릭한 행동을 남기는 이벤트라면 clicked_search_home(action_object_name) 방식으로 지을 수 있겠다. 경우에 따라 접촉하는 대상인 object가 없거나 이동하는 페이지인 home이 없을 수 있다. 이럴 때는 중간에 해당 요소를 빼고 viewed_home(action_name)이나 clicked_search(action_object) 방식으로 쓰기도 한다. 

마무리

이번 포스트에서는 이벤트 택소노미 정의와 이벤트 네이밍 컨벤션 설정 방법에 대해 알아봤다. 다음 포스트에서는 조금 더 나아가서 택소노미를 효율적으로 잘 쓰는 방법에 대해서 알아보며 속성(property), 중요 경로(Critical Path)에 대해 다뤄 본다. 

참고

핵클 블로그

nnt 블로그

데이터리안 블로그

아이스님 브런치