이번주 범위는 ‘3.3 활성화~4.지표’였다. AARRR중 Activation, Retention, Refferal, Revenue에 관한 내용과, 지표를 정의하고, 제대로 활용하는 방법에 관한 내용이었다. 이번 주차에도 역시 책 요약보다는 내가 실무에서 겪었던 내용 중심으로 독서 내용을 정리해보려고 한다.
지표의 기준 정하기📈
이 단계에서 필요한 것은 원칙을 세우는 일이다. 즉, 전사적으로 MAU나 결제 전환율이라는 지표를 어떤 방식으로 측정해서 관리할지에 대한 공감대를 형성하고 모든 구성원이 동의할 수 있는 명확한 측정 기준을 정의해야 한다.
-그로스해킹, p.142
마케팅/광고 현업에서 신규 기획전을 크게 진행했던 경우가 있는데, 성과 측정을 위해 클릭률(CTR), 전환률(CVR) 데이터를 보고싶다는 의뢰를 주셨다. 크게 진행되었던 만큼 성과 측정도 매우 복잡했다.🥲
책에도 유사한 사례가 소개되어 있었는데, 기획전 관련 외부 유입 경로도 다양했고, 우리 서비스 진입 후 서비스 내 배너/페이지도 여러 곳에 나눠져 있었기 때문에 사용자의 경로도 제각각이었고 기준을 정하기가 어려웠다.
클릭률이야 이전부터 사용해오던 방식이 있어서 노출의 기준 등 컨센서스가 있어 그나마 괜찮았는데 전환률은 기준을 잡기가 어려웠다. 마케팅/광고 부서에서 애초에 의도했던 바를 최대한 반영하기 위해 회의를 거쳐, 두 가지 방식의 전환률을 계산했다.
1) 책에 나온 user 기준 전환률과 유사한 방법
- 분모 : 기획전 페이지 진입자(중복제거)
- 분자 : 진입 후 N일 이내 최종 결제자(중복제거)
2) 그러나 위의 방식은 어떤 페이지가 효과적이었는지, A 기획전 클릭 후 B 기획상품을 구매하는 등의 세부적인 부분들을 담아내기 어렵기 때문에, 교차/통합 등을 반영한 새로운 전환률 지표를 만들어보았다.
대시보드에 1)과 2)를 다 넣고, 일별/주별로 비교해서 볼 수 있도록 했더니 반응이 참 좋았었다.
지표의 기준 관련 또 웃픈(?) 얘기가 있다. 현회사 임원면접 당시 내 경력기술서와 포트폴리오에 '데이터 분석 결과를 서비스에 적용 후 MAU XX.X% 상승' 이런 내용이 있었는데, 한 임원분께서 MAU가 얼마냐고 물으셔서 숫자를 말씀드렸다. 그랬더니 '너무 적네'라고 하셨는데, 알고보니 전 회사와 현 회사의 기준이 달랐다.
전회사는 GA같은 서비스를 사용하지 않고, DB에 로그를 구축했다. 그러다보니 로그인 이후부터 DB에 로그기록이 남고, 단순 로그인해서 메인페이지에만 체류하다가 바로 이탈하는 경우는 Active user에서 제외했다보니 상대적으로 MAU가 낮을 수밖에 없었고, 현회사는 GA기준이다보니 로그인 하지 않은 유저도 MAU에 포함시켜서 얘기한다.
또 서비스 특성 상 전회사는 DAU/MAU 비율이 높고, 현 회사는 낮아서 단순히 MAU 수치로 둘을 비교하는 것은 조금 어렵지 않나 싶다. 면접 때 이런 사실을 알았다면 좀 더 잘 어필해볼 수 있었을텐데 말이다. 현 회사의 MAU기준은 그때 몰랐다 하더라도, DAU/MAU 비율 정도는 충분히 어필해볼 만 했다. (이래서 사람은 많은 걸 경험해봐야 해)
데이터를 나누어 보기: 세그먼트와 코호트🫧
혹시나 해서 데이터를 쪼개서 보다가 굉장히 인상적인 패턴을 발견할 수 있었다. 전체 데이터로 봤을 때와는 달리 국가별로 쪼개서 본 크로스셀 비율은 대부분의 나라에서 꾸준히 증가하고 있었던 것이다. [생략] 만약 데이터를 쪼개서 보겠다는 생각을 하지 못했다면 원인을 찾는 데 훨씬 오랜 시간이 걸렸을 것이다.
-그로스해킹, p.155
책에서 여러번 언급된대로, 지표로부터 인사이트를 얻으려면 세그먼트/코호트를 나눠서 보는 것이 제일 중요한 것 같다. 내가 데이터분석가의 길로 빠져들게된 프로젝트는, 사용자 로그를 카테고리화 해서 주사용 메뉴별로 세그먼트로 나누는 프로젝트였다. 세그먼트별 분석을 통해 우리 서비스의 주 타겟을 잡아나가고, 그에 맞게 서비스의 UI/UX까지 리뉴얼하는 과정이 어렵지만 참 재미있었다.
세그먼트/코호트로 나눠서 보면 늘 전체로 보는 것보다 많은 것이 보인다. 이걸 어떻게 나눌지에 대한 방법론적인 것부터(엄청 간단한 RFM부터 머신러닝까지 방법이야 정말 많다), 현업과 연계하여 어떻게 액션하고 지표를 도출하고 성과분석 해서 개선하고 결론적으로 서비스 성장에 기여할지 고민하는 것이 데이터분석가의 역할이 아닐까 한다.
segment와 cohort를 혼용해서 쓰지만, 이번 기회에 차이점을 좀 더 정리해보았다. 😊
| 구분 | Segment | Cohort |
|---|---|---|
| 기준 | 현재 시점의 특성/행동 | 특정 시점/사건을 기준으로 묶음 |
| 목적 | 고객을 이해하고 현재 상황에 맞게 타겟팅 | 시간 경과에 따른 행동 변화를 분석 |
| 고정/변동 | 고정적, 정적 | 동적, 시간 흐름에 따라 변화 추적 가능 |
| 사용 사례 | 고객 맞춤 마케팅 캠페인 실행 | 고객 유지율, 이탈 분석, 생애가치 추적 |
| 예시 | - "30대 여성 고객" | - "2024년 1월에 가입한 고객" |
| - "월 평균 결제 금액이 10만 원 이상인 고객" | - "2023년 블랙프라이데이에 첫 구매를 한 고객" |
