데이터 드리븐 기획이란?
✅ 정의
사용자 행동 데이터, 시장 데이터, 성과 데이터 등을 기반으로 의사결정을 내리고 제품을 기획하는 방식
- 서비스에서 사람들이 실제로 어떤 행동을 하는지 데이터로 확인
- 데이터를 분석해서 문제를 찾고
- 객관적인 근거를 바탕으로 해결책을 기획
감에 의존 VS 데이터 드리븐
이걸 바꾸면 사람들이 더 클릭할 것 같은데 ?
-> 실제 데이터 없음
a/b 테스트 해보니까 이 버튼이 더 클릭되네
-> 데이터를 기반으로 결정 가능
✅ 데이터 드리븐 기획이 중요한 이유
1. 정확한 기획이 가능
- "이 기능을 사람들이 실제로 사용하는지 데이터를 보자"
- 데이터 기반 → 실패 확률 ↓, 성공 확률 ↑
- 예: 메뉴를 숨겼더니 클릭률이 30% 감소 → 데이터로 확인 후 롤백
2. 고객이 원하는 것을 제대로 알 수 있음
- 실제 사용 데이터(클릭 수, 체류 시간, 이탈률)로 고객 니즈 파악
- 예: 설문에서는 원한다고 했지만, 실제 클릭률이 낮으면 → 재검토
3. 비즈니스 성과 극대화
- 데이터 기반 → 매출 증가, 전환율 개선, 광고 효율 상승
- 예: A/B 테스트로 최적 광고 디자인 선택 → 클릭률 25% 상승
- 예: 결제 페이지 이탈 50% 발견 → 결제 과정 개선 → 전환율 15% 증가
✅ 데이터 드리븐 기획 5단계
문제 정의 → 데이터 수집·분석 → 가설 수립·실험 → 결과 분석·의사결정 → 지속적 개선| 단계 | 이름 | 핵심 질문 | 주요 내용 |
|---|---|---|---|
| Step 1 | 문제 정의 (목표 설정) | 무엇을 해결해야 할까? | 비즈니스 목표·사용자 행동 데이터 기반으로 문제 명확화 |
| Step 2 | 데이터 수집·분석 | 현재 상황은? | 클릭 수, 체류 시간, 이탈률, 광고 클릭률, 고객 피드백 수집 |
| Step 3 | 가설 수립·실험 | 어떤 해결책이 효과적일까? | 데이터 기반 가설 → A/B 테스트로 검증 |
| Step 4 | 결과 분석·의사결정 | 어떤 솔루션이 효과적이었나? | KPI 기반 평가, 입증되면 적용 / 실패하면 재개선 |
| Step 5 | 지속적인 개선 | 계속 나아지고 있나? | 고객 데이터·비즈니스 지표 모니터링, 성공·실패 원인 분석 |
데이터 드리븐 기획 실제 사례
💡 Netflix — 데이터로 콘텐츠를 만들다
넷플릭스는 완결률, 정지·시작 시간, 시청 시간대, 시청 패턴(일시정지/빨리감기/되감기) 데이터를 활용해 콘텐츠 전략을 수립한다.
하우스 오브 카드 탄생 과정 (데이터 기반 의사결정 사례)
1. 영국 원작 「하우스 오브 카드」의 인기 데이터 확인
2. 원작 팬 중 케빈 스페이시 출연작·데이비드 핀처 감독작을 즐겨 본 시청자가 많다는 것 확인
3. 데이비드 핀처 팬들은 시리즈를 몰아보는 경향이 있다는 것 확인
→ 세 가지 데이터를 교차 분석하여 제작 결정
결과
- 넷플릭스 오리지널 성공률 80% (전통 TV 평균 35%보다 훨씬 높음)
- 데이터와 창작력을 결합한 새로운 업계 표준 창출
💬 넷플릭스가 자체 제작 프로그램을 기획할 만큼 충분한 데이터를 확보하는 데 약 6년이 걸렸다고 평가됨
💡 토스 — 지표가 좋으면 UX도 좋은 걸까?
Step 1. 문제 정의
클릭률(정량 지표)은 상승 중이지만 사내 제보 채널의 UX 불만이 증가
"지표가 좋아도 실제 사용자 경험은 나쁠 수 있다" 는 문제 인식
Step 2. 데이터 수집 및 분석
| 데이터 종류 | 방법 | 발견 |
|---|---|---|
| 사내 제보 | 주제별 분류 → 시간순 재분석 | 특정 시점 이후 사용성 제보가 절반 이상 |
| 유저 설문 (1차) | 만족도 1~5점 + 주관식 | 상반된 의견 多, 패턴 불명확 |
| 유저 설문 (2차) | 만족도 + 선택지 정량화 (1만 명) | 1점 유저에서 "광고" 키워드 집중 발견 |
| 유저 인터뷰 | 금융 앱 화면 보며 광고 판단 이유 청취 | 광고로 느끼는 3가지 조건 도출 |
Step 3. 가설 수립 및 실험
가설: "배너 위치보다 문구 내용이 광고 인식에 영향을 준다"
검증: 유저 인터뷰로 확인 → 위치가 아닌 내용과 확실함이 핵심임을 입증
광고로 느끼는 조건 3가지 도출
- 나와 무관한 내용
- 클릭 후 결과가 예상과 다를 때
- 경험해본 적 없어 상상이 안 되는 내용
Step 4. 결과 분석 및 데이터 기반 의사결정
단순 클릭률만으로는 UX 품질을 판단할 수 없음을 데이터로 증명
정량(클릭률) + 정성(만족도·인터뷰)을 함께 봐야 올바른 의사결정 가능
어드민에 광고성 문구 자동 검사, 가이드라인, 만족도 대시보드 도입 결정
Step 5. 지속적인 개선
만족도 대시보드로 팀원들이 유저 피드백을 상시 모니터링할 수 있는 구조 구축
- 점수 하락 시 → 선택지 분석 → 문구·유저군·연결 화면 스스로 점검하는 사이클 완성
💡 데이터 드리븐 관점 핵심
좋은 지표 뒤에 숨어있는 문제를 찾으려면 정량 데이터만으로는 부족하다.
제보 → 설문 → 인터뷰로 데이터를 단계적으로 구체화해야 진짜 문제에 도달할 수 있다.
1. 카카오톡 > 검색
기획 이슈: 검색 결과에 어떤 내용을 보여줘야 유저에게 최적화될까?
봐야 할 지표
- 각 탭(전체/채팅방/메시지/채널/오픈채팅)에서의 검색 버튼 클릭 수
- 검색 후 유저가 실제로 클릭하는 요소 (친구 프로필, 채팅방 이름, 채널 등)
2. 카카오톡 > 더보기
기획 이슈: 더보기 서비스들의 배치 순서를 어떻게 결정할까?
봐야 할 지표
- 각 서비스 아이콘의 클릭 수 (어떤 서비스를 더 많이 탭하는지)
3. 배달의 민족 > 마이배민
기획 포인트: 주문 데이터를 기반으로 취향 분류, 음식 추천, 콘텐츠 제작
봐야 할 데이터
- 메타데이터: 특정 데이터의 속성·의미·저장 방식 등을 설명하는 정보
- 예: 사진 파일 자체 = 데이터, 촬영 날짜·위치·카메라 모델 = 메타데이터
- 주문 데이터의 메타데이터(음식 카테고리, 주문 시간대, 재주문 여부 등)를 분석해 취향 프로필 생성
4. 토스 > 사용자 공감 얻으면서 제품 뜯어고치기
토스 CX팀의 어드민 개선기.
- 변화의 방향은 사용자로부터 시작되어야 함. 자주 만나고 자주 사용성 테스트 하기. 사용자가 겪고 있는 '진짜' 문제를 파악하고 '진짜' 개선을 하기.
데이터 분석 기본 공통 용어
📊 사용자·트래픽 지표
| 용어 | 풀네임 | 한국어 | 설명 |
|---|---|---|---|
| PV | Page View | 페이지뷰 | 특정 페이지가 조회된 총 횟수 (새로고침 포함) |
| UV | Unique Visitor | 순 방문자 | 중복 제거한 개별 사용자 수 (하루에 여러 번 와도 1명) |
| DAU | Daily Active Users | 일간 활성 사용자 | 하루 동안 서비스에 방문하거나 특정 액션을 수행한 사용자 수 |
| WAU | Weekly Active Users | 주간 활성 사용자 | 일주일 동안 활동한 사용자 수 |
| MAU | Monthly Active Users | 월간 활성 사용자 | 한 달 동안 활동한 사용자 수 (장기 성장성 측정) |
| DCU | Daily Click Users | 일간 클릭 사용자 | 하루 동안 특정 버튼·링크·메뉴를 클릭한 사용자 수 |
| DCC | Daily Click Count | 일간 클릭 횟수 | 하루 동안 발생한 클릭의 총 횟수 (한 명이 여러 번 클릭해도 모두 포함) |
💡 DCU vs DCC: DCU는 "몇 명이 클릭했나", DCC는 "총 몇 번 클릭됐나"
📊 행동·참여 지표
| 용어 | 설명 | 공식 |
|---|---|---|
| Retention Rate (리텐션율) | 특정 기간 동안 기존 사용자가 다시 방문하는 비율 | (재방문 사용자 수 ÷ 총 가입자 수) × 100 |
| 이탈률 | 특정 기간 동안 서비스를 이탈한 사용자 비율 | — |
| 세션 (Session) | 사용자가 사이트를 방문해 활동하는 하나의 단위 (일정 시간 비활동 시 종료) | — |
| 체류 시간 | 사용자가 웹사이트에서 머문 시간 | — |
| Impression (임프레션) | 광고·콘텐츠가 화면에 노출된 총 횟수 (클릭 여부 무관) | — |
| CTR (클릭률) | 콘텐츠를 본 사용자 중 실제로 클릭한 비율 | (클릭 수 ÷ 노출 수) × 100 |
| Conversion Rate (전환율) | 특정 목표(구매·가입·다운로드)를 완료한 사용자 비율 | (전환 수 ÷ 방문자 수) × 100 |
리텐션율 계산 예시
- 총 가입자: A, B, C, D, E, F, G (7명)
- 1일째 재방문: A, B (2명) → Day 1 Retention = 28.6%
- 2일째 재방문: C, D, E, F, G (5명) → Day 2 Retention = 71.4%
📊 광고·비용 지표
| 용어 | 풀네임 | 설명 | 공식 |
|---|---|---|---|
| CPA | Cost Per Action | 특정 행동(가입·구매 등) 1건당 비용 | 광고비 ÷ 전환 수 |
| CPC | Cost Per Click | 광고 클릭 1회당 비용 | 총 광고비 ÷ 총 클릭 수 |
| CPM | Cost Per Mille | 광고 1,000회 노출당 비용 | — |
| CPI | Cost Per Install | 앱 설치 1회당 비용 | 총 광고비 ÷ 앱 설치 수 |
| ARPU | Average Revenue Per User | 사용자 1인당 평균 수익 | — |
| ROI | Return On Investment | 투자 대비 수익률 | [(총 수익 - 총 투자 비용) ÷ 총 투자 비용] × 100 |
