📅 그로스해킹

[인프런] 그로스해킹 - 데이터와 실험을 통해 성장하는 서비스를 만드는 방법 by 양승화님

Activation

:Acquisition을 통해 데려온 사용자가 서비스의 핵심가치를 경험했나?

• 핵심 : 퍼널분석
  • 사용자 경험 단계별로 도식화
  • 단계별 전환율 측정/분석

퍼널분석 고려요소

• 핵심가치를 경험하는 시점, 연결되는 stage를 잘 설계했나
• 각 stage별 전환율을 어떤 기준으로 측정하나
• Cohort를 쪼개서 보고있나?

1. 핵심가치 경험 시점, 연결되는 stage를 잘 설계했나

• 사측의 핵심가치 = 유저가 생각하는 핵심가치 동일한지
• 가입 결제등을 잘 쪼개서 stage를 나누었는지
• 서비스마다 다를 수 있다.

stage는 너무 쪼개도 UX측면에서 부정적인 영향을 끼치고 너무 단순화하면 유저에게 서비스가치전달이 힘들거나 서비스를 이해시키기 힘들어질 수 있음

2. 각 stage별 전환율을 어떤 기준으로 측정하나?

• 예시1 ) 같은 제품을 다섯 번 보고 마지막에 결제함 -> 전환율 20%? 100%?
• 예시2 ) 전체 페이지뷰 5개,각각 다른 제품들을 보다가 한제품을 두번 구매함 -> 전환율 40%? 33%?
• 이러한 유저의 행동을 수집하여 어떻게 측정할 것인가?

추천방식

• 구매한 사람 수/페이지를 본 사람 수
• 구매 수/페이지 뷰수

결론적으로 회사마다 모두 달라질 수 있다.

3. Cohort를 쪼개서 보고 있는가?

Cohort :그룹 집단

• 퍼널분석에서 인사이트가 나오는 조건 :
  그룹 간 차이 발견할 때
• Amplitude나 GA로 가능
• 단계별로 그룹을 나눠서 왜 결제까지 넘어가지 않는지 생각(분석 )해보자
  • ex) Acquisition에서 이메일로 온 유저들과 unknown(organic)유저들이 결제단계에서 큰 비율차이를 보임 - 왜 차이날까
• 추천 방법
  • 이벤트를 기준으로 segment
    • ex) 퀵뷰>이벤트 : 전체 평균보다 전환율이 높음 - 해당그룹의 특징을 어떻게 활용할 수 있을까?
    • 해당 특징을 다른 그룹의 문제에 해결책으로 활용
  • 특정 action을 했는지 여부
  • 특정 action을 한 시점

퍼널분석의 가치

• 각 stage별 conversion 확인가능(기본)
• conversion에 영향을 주는 선행지표를 발견할 수 있다.
  • cohrot A는 stage1->stage2로 넘어오는 conversion이 35%인데
  • cohort B는 stage1->stage2로 넘어오는 conversion이 왜 20%밖에 안되지?
• 코호트 별 분석 ex)
  • sign up 코호트에 따라 다른가
  • UA(User Acquisition) midium/source/campaign에 따라 다른가?
  • Event 경험 유무에 따라 다른가?
  • Demography에 따라 다른가?

이탈의 원인 밝히기

• 데이터분석/인터뷰
  • 정량데이터는 why는 알기 힘들다.
  • 사용자 인터뷰를 진행하며 정성데이터get으로 why를 알아낼 수 있다
• 일반적으로 코호트에 따른 Conversion rate을 비교하게 되지만, Raw data를 깊이 있게 확인 할 수 있다면 역순으로 할 수 있다.
  • (기존)Tutorial을 완료한 사용자와 그렇지 않은 사용자의 Conversion은 뭐가 다르지?
  • (Raw data)Conversion한 사용자와 Conversion하지 않은 사용자는 뭐가 다르지?

퍼널분석 정리

• Conversion이 중요 -> Global optimization
  • 개별 funnel의 최적화 -> 하고 봤더니 전체 funnel의 최적화로는 이어지지 않음 or 부정적 영향
    • 내가 하는 최적화가 전체 funnel의 최적화에 긍정적인 영향을 주는지 고려해야
  • Conversion rate을 높이는 것보다, 아예 stage를 줄여버리는게 효과적일 때도(UIUX측면 고려해야)
• Home Try On : 깔대기 뒤집어보기
  • 결제>배송이 아닌 배송>결제로 퍼널을 뒤집어버리면?
  • ex) 결제하면 게임 get > 게임 get 후에 결제

퍼널 개선하기

• 개인화
  • 머신러닝 모델링(ex:추천시스템)도 좋지만 작게 시작해도 좋음
  • Rule Base Recommendation도 초기에는 잘 동작
• UI/UX
  • UI redesign은 Conversion rate을 변화시키기 위한 독립변수(랜덤)
  • 전후 효과 측정과 검증 필요
• 적절한 개입
  • 이메일,푸시,인앱메세지 이용한 Use Flow개입
  • 적절하게 사용하는것이 매우 중요, 잘못쓰면 유저불만도up
    • 타겟 잘한 메일,푸시가 5배이상성과
    • 전체메일,전체푸시는 매우 보수적으로

📉 데이터사이언스

[부스트코스] 파이썬으로 시작하는 데이터 사이언스 by 박조은님

3.6 데이터 요약하기-seaborn으로 빈도수 시각화

sns.countplot(data=?,x="?",y="?")

• 데이터 프레임에만 사용가능
• 해당 데이터프레임의 각 카테고리 값별로 데이터가 얼마나 있는지 표시
• x값만 넣어도 기능

seaborn

• 장점 : 고급통계기능 그래프내부서 제공
• 단점 : 대량데이터들어가면 속도 저하

.value_counts()

• 각 카테고리 값별로 데이터가 얼마나 있는지 시리즈형태로 보여줌
• .value_counts(normalize=True) : 비율로 표시

df.plot.bar()

• 세로 바 그래프
• .bar(rot=0) : rot으로 가로축의 피쳐값글자를 가로로 표시

df.plot.barh()

• 가로 바 그래프
• .barh(figsize=(?,?), grid=True) : figsize로 크기 조절, grid로 격자표시 가독성 증가

📣 인천 연수구 화상 멘토링 참가

인천 연수구 화상 멘토링 by 인천 연수구, CP TEAM

학교 공지로 뜬 내용을 보고 지원했고 전체 일정은 온라인으로 zoom을 통해 진행됬다.
다양한 멘토분들이 계셨고 평소 관심있던 기업들의 멘토분들이 계셨고 동기부여를 받고 싶었기 때문에 참가했다.
결과적으로 매우 만족스러웠고 3시간이 매우 빠르게 흘렀다.

전체특강은 SAP홍보팀 멘토님과 Google 기술지원업무를 하고 계시는 멘토님이 진행하셨다. 전체 강의 모두 세상은 넓고 괴물은 많다는 점😀을 느끼게 했고, 멘토님들의 개인소개를 할 때에는 모두 각각의 개성과 전문성을 가지신 분들이라는 것을 느꼈다.

9개 멘토님들로 나눠져서 진행한 그룹멘토링에서 마케팅에 관심이있고 SAP에 대해 궁금한 관계로 SAP멘토님과 그룹멘토링을 진행했다. 멘토1명+멘티3명으로 구성된 덕분에 질문을 많이 할 수 있었다. 멘토님도 너무 좋은 분이어서 긍정적인 에너지와 꿀팁을 많이 얻었다. :)

📌 오늘의 결론

열심히 살자 ☘