행동 로그란 무엇인가?
사용자가 서비스를 이용할 때 기록할 수 있는 데이터는 큰 틀에서 서비스 로그와 행동 로그로 구분할 수 있습니다.
- 서비스 로그
- transaction이 완료되었을 때 각각의 결과를 기록하는 로그.
- 회원 가입, 거래, 입출금, 예약 등 서비스 운영을 위해서 반드시 필요한 데이터
- 행동 로그
- 사용자들의 행동 패턴을 확인하기 위해서 별도로 저장하는 데이터
- click, view, impression, scroll 등의 행동에 관한 데이터
- 서비스 로그에 비해 데이터 설계에 대한 자유도가 높기 때문에 신경써서 관리가 필요.
- 데이터 규모가 큼
- 데이터 신뢰도가 서비스 데이터보다 낮음 ( 누락, 중복 집계 될 가능성 있음 )
사용자 행동 로그가 필요한 이유
서비스는 초기 단계에는 앱을 기획하고 만들어낸 팀에 아이디어에 의해 계속해서 발전하고 유지됩니다. 하지만 기능이 점점 다양해지고 사용자가 점점 많아지면서 사용자들의 앱 사용패턴을 점점 예측하기 어려워집니다.
- 개발 과정에서 사용자를 만족하기 위한 ux 구성은 어떤 기준과 근거가 되는 데이터를 가지고 개발되었는가?
- 개발에 참여하는 구성원들은 경쟁 앱 분석 및 사용자 관점에서 판단하는 기본적인 방법만을 활용된 것은 아닐까?
- 그렇다면 출시된 초기 버전이 최상의 만족도를 가진 앱 서비스라고 확신할 수 있는가?
우리가 정기적인 앱 업데이트를 실행했음에도 ux, 시나리오에 큰 변화를 느끼지 못한다면, 위의 질문을 되돌아볼 필요가 있습니다. 어쩌면 사용자에 집중하기보다는 개발의 관점에서 기능을 추가하거나 보완하고 버그를 수정하는 작업에 집중하기 때문일 것입니다.
이런 시점에 필요한 것이 사용자 행동을 추적하고 분석하는 것입니다.
사용자 행동을 추적하고 분석하는 방법은 크게 3가지 입니다.
- 사용자 직접 관찰 ( 혹은 직접 제품 사용 )
- 장점 : 실제 사용자가 겪는 실질적인 문제와 니즈를 명확하게 파악할 수 있고, 무의식적으로 겪고 있는 어려움까지 관찰할 수 있습니다.
- 단점 : 시간과 비용이 많이 발생하고, 모든 사용자를 대변할 만큼 대표성을 갖기 어려울 수 있음.
- 인터뷰
- 장점 : 설문조사를 통해 주관적인 경험을 정량화해 수집할 수 있고, 정성적인 경험을 직접 들어볼 수도 있습니다.
- 단점 : 설문이나 인터뷰에 참여해준 사용자들은 서비스를 잘 사용하거나 긍정적으로 인식하는 편향이 있을 수 있습니다.
- 사용자 행동 데이터 분석
- 장점
- 적은 비용으로 많은 사람들의 행동을 분석할 수 있습니다.
- 데이터만 잘 쌓여있다면 사용자들의 행동 패턴을 원할 때 언제든 분석할 수 있습니다.
- 가장 자연스러운 사용자들의 행동을 볼 수 있습니다.
- 특정 사용자의 데이터만 골라서 분석하지 않기 때문에 행동 패턴이 편향되지 않습니다.
- 단점 : 데이터에 대한 해석을 분석가가 자의적으로 하기 때문에 같은 데이터로 다른 해석을 할 수 있습니다.
- A/B 테스트와 같은 실험을 통해 가설을 검증하며 보완할 수 있습니다.
사용자 행동 분석 활용사례
영역 부문별 활용 사례
- 개발 영역
- 버그 혹은 크래시율 수집 및 상시 트래킹
- 이슈 발생 후 롤백 및 대응 등에 대한 의사결정 판단의 근거로 활용
- 특정 기능에 대한 사용성 진단
- 마케팅 영역
- 마케팅 채널별 ROI 진단 및 비용 최적화
- 배너/프로모션/이벤트 효과 측정
- 유저 Segmentation, Targeting
- 기획/디자인 영역
- 시나리오/기능/디자인에 대한 성과 측정 및 개선 (A/B 테스트)
- 유저 Journey 경로 분석 및 이탈 구간 개선 (UX/UI 최적화)
- 유저 Persona 구축 (with 리서치) 및 신규 기능 Ideation
- 기타 영역
- 영업 및 CS 관련 대응
- 사업 및 투자 성과 진단
기업별 활용 사례
- 오늘의 집
- 오늘의집은 유저의 행동을 바탕으로 상품 구매 패턴, 즐겨보는 콘텐츠의 스타일, 주제 등을 분석하여 머신러닝을 통해 유저의 취향을 판단합니다. 이를 오늘의집이 가진 #미니멀리스트 #미드센추리 같은 분류체계와 결합해 개인화 추천 모델을 만들어냅니다.
- 쿠팡
- 쿠팡은 고객들의 구매 이력, 검색 기록, 페이지 방문 기록 등을 분석하여 개인화된 상품 추천을 제공합니다. 이를 통해 고객은 자신의 선호에 맞는 상품을 쉽게 찾을 수 있고, 쿠팡은 고객 만족도를 높이고 매출을 증가시킬 수 있습니다.
- 컬리
- 컬리는 고객 행동 데이터를 분석하여 효과적인 마케팅 전략을 개발합니다. 예를 들어, 어떤 상품이나 카테고리가 고객들에게 인기가 있는지, 특정 시간대에 가장 많은 트래픽이 몰리는지 등의 정보를 활용하여 타겟팅 광고나 프로모션을 진행합니다.
- 넷플릭스
- 넷플릭스는 고객들의 시청 구간, 일시 정지 및 앞 뒤로 돌려본 구간, 특정 작품 이후 경로 등을 분석하여 ‘어떤 콘텐츠를 수급(제작) 해야 사용자들의 반응이 좋을까’ 를 고민하고 의사결정합니다.
- 아마존
- 아마존은 클릭 및 사용자 행동 패턴을 분석하여 로딩 지연시간과 판매와의 연관성 확인하여 개선하고 웹페이지 구성을 변경하여 평균 구매 전환율을 13%까지 끌어올렸습니다. ( 당시 국내 온라인 쇼핑몰 기준 평균 6% 구매 전환율 )
사용자 행동 데이터 분석시 주의사항
사용자들은 우리가 원하는 대로 서비스를 쓰지 않는다.
사용자들은 언제나 예상치 못한 방법으로 서비스를 사용하기 때문에 우리 예상과는 다를 수 있다는 것을 염두에 두고 열린 마음으로 분석을 하는 자세가 필요합니다.
데이터가 기록되는 방식을 정확하게 이해해야 한다.
사용자들은 예상한 대로 서비스를 잘 사용하고 있지만 데이터가 쌓이는 시점이나 형식이 내가 생각한 것과 달라서 분석 내용에 오류가 발생하는 경우도 발생합니다.
데이터는 언제나 잘못 기록될 가능성이 있다.
사용자 행동 데이터를 기록하는 방식은 여러가지가 있습니다. ( GA, Amplitude 등의 서트파티 툴 이용 / 자체 로깅 시스템 구축 )
모든 플랫폼에서 사용자 행동 데이터를 완전히 똑같은 매커니즘으로 쌓을 수 있다면 참 좋을 텐데요. 데이터를 쌓는 플랫폼마다 사용자 행동 데이터가 쌓이는 조건이 조금씩 다를 수 있습니다. 그래서 똑같은 페이지뷰, 클릭 데이터를 보더라도 플랫폼별로 기록되는 방식이 달라 수치에 오차가 발생할 수 있고요. 특정 플랫폼에서 의도치 않게 데이터가 중복으로 쌓인다든지 하는 일도 충분히 발생할 수 있습니다. 앞서 사용자 행동 데이터의 특징에서 이야기했던 것처럼, 사용자 행동 데이터는 서비스 데이터에 비해 비교적 신뢰도가 낮은 데이터이기 때문에 분석을 할 때 항상 데이터의 정합성을 의심하며 살펴보는 습관이 필요합니다.
실제로 현업에서 업무 시 데이터의 신뢰도를 확보하기 위해 데이터 QA 를 열심히 합니다.
데이터를 조회할 때 주의가 필요하다.
사용자 행동 데이터는 짧은 기간에도 굉장히 많은 데이터가 쌓이기 때문에 조회할 때 주의가 필요합니다. 아주 작은 서비스라고 하더라도 짧은 기간 사이에 사용자 행동 데이터는 굉장히 많이 쌓일 수 있기 때문입니다. 구매는 한 사람이 하루에 100번 하기 어렵겠지만, 클릭은 백 번, 천 번도 할 수 있습니다.
때문에 사용자 행동 데이터가 저장되어 있는 데이터 베이스에 쿼리를 잘못하면 데이터베이스에 과부하가 걸리고 되어 심한 경우 서버가 다운될 수도 있기 때문에 주의가 필요합니다.
