본 내용은 인프런 '그로스해킹 - 데이터와 실험을 통해 성장하는 서비스를 만드는 방법' 을 수강하며 정리한 내용입니다.
Activation
Acquisition을 통해 데려온 사용자가 우리 서비스의 핵심 가치를 경험했는가?
Activation 단계의 핵심은 Funnel에 대한 분석
- 사용자들이 경험하는 단계를 도식화
- 각 단계의 전환율을 측정, 분석
Funnel 분석의 고려 요소
핵심 가치를 경험하는 시점과 그 곳으로 연결되는 각 단계를 잘 정의했는가?
-
서비스별로 퍼널은 여러가지가 나올 수 있다.
▪︎ 가입에서의 퍼널, 결제에서의 퍼널, 리뷰 작성에서의 퍼널 등.. -
핵심 가치를 제공하는 부분에 대해서는 우리가 생각하는 부분과 유저가 생각하는 부분이 일치하는지 고민해봐야 한다.
각 단계별 전환율을 어떤 기준으로 측정하는가?
코호트를 쪼개서 보고 있는가?
- 전환율'만' 보는 것으로는 인사이트를 얻지 못한다.
- 퍼널 분석에서 인사이트가 나오는 조건은 그룹 간 차이를 발견하는 부분 ( = 코호트를 쪼개서 보는 것 )
- 코호트를 쪼개는 기준
▪︎ 특정 action을 했는지 여부
▪︎ 특정 action을 한 시점 ( 언제 가입했는지? 1월, 2월.. 언제 첫 결제를 했는지? )
Funnel 분석의 가치
각 단계별 전환율을 확인할 수 있다
전환율에 영향을 주는 선행지표를 발견할 수 있다
- Cohort A는 stage1 → stage2 로 넘어오는 전환율이 35%인데
- Cohort B는 stage1 → stage2 로 넘어오는 전환율이 왜 20% 밖에 안되지?
Cohort별 분석
- Signup cohort 에 따라 다른가?
- UA medium / source / campaign 에 따라 다른가?
- Event 경험 유무에 따라 다른가?
- Demography 에 따라 다른가?
이탈의 원인 밝히기
데이터분석과 인터뷰
- 정량데이터는 What을 알려주지만 Why는 찾아내기 힘든 데 반해
- 사용자 인터뷰를 진행하면 Why를 알아낼 수 있다.
일반적으로는 cohort에 따른 전환율을 비교하게 되지만
- Tutorial을 완료한 사용자와 그렇지 않은 사용자의 전환율이 다른가?
- 1월에 가입한 사용자와 2월에 가입한 사용자의 전환율이 다른가?
- 친구초대로 가입한 사용자와 그렇지 않은 사용자의 전환율이 다른가?
Raw data를 깊이 있게 확인할 수 있다면 역순으로 할 수 있다
- Conversion 한 사용자와 Conversion 하지 않은 사용자는 뭐가 다른가?
📌 Funnel 분석 정리
Conversion 이 중요하다 ➡️ Global optimization
- 개별 퍼널의 최적화 ➔ 전체 퍼널의 최적화로 이어지지 않는 경우가 있음
- 전환율을 높이는 것보다, 단계를 줄이는 게 효과적인 경우가 매우 많음
Home Try On : 깔대기 뒤집어보기
- 결제 ➔ 배송 이 아니라, 배송 ➔ 결제로 퍼널을 만든다면?
단순히 Conversion만 보는 것이 중요한 게 아니라 Cohort에 따른 차이와 그 원인을 파악하는 게 핵심
- 이 퍼널의 conversion이 높은 그룹과 낮은 그룹은 무슨 차이가 있는거지?
- 우수 고객과 그렇지 않은 고객은 어떤 행동이 다른거지?
💡 Funnel 개선하기
개인화
- 머신러닝을 활용한 모델링은 가능하면 좋지만 이렇게 가지 않아도 괜찮다.
- Rule Base Recommendation 도 초기에는 잘 작동한다.
UI / UX
- UI Redesign은 Conversion rate를 변화시키기 위한 대표적인 독립변수
- 전/후 효과에 대한 정확한 측정과 검증 과정이 필요함
적절한 개입
- 이메일, 푸시, 인앱메세지 등을 이용한 Use Flow 개입
- 맥락을 잘 정의한다면 굉장히 효과를 볼 수 있지만, 잘못 사용하면 사용자를 떠나보내는 양날의 검
▪︎ 타겟팅 잘 된 푸시나 이메일의 경우, non-targeting 푸시 이메일 대비 5배 이상의 성과
▪︎ Uninstall 등의 부수 효과를 고려하면 10배의 성과 차이를 만든다고 해도 과언이 아님
▪︎ 전체 푸시, 전체 이메일은 진짜진짜진짜진짜 보수적으로 보내기
study archive 👩💻