데이터 기반 서비스 기획 (그로스 해킹, 데이터 드리븐 사례, 북극성 지표, 퍼널 분석) [패스트캠퍼스 PM부트캠프]

Intro

 

뾰족하게 가설을 잡아서 실험하고 검증한다. 이런 프로세스를 시도하려고 하는 것 만 해도 상위 프로덕트 팀에 속하게 된다고 생각한다. 검증에 대한 부분은 현실적으로 개발을 직접 할 수 없기도 하니 향후 기업 연계 프로젝트할 때 꼭 그런 경험해보기를 추천한다. 그리고 만약에 사이드 프로젝트를 좀 해볼 기회가 있다면 적극적으로 해보길 추천한다.

 

가설을 뾰족하게 잘 세워서 어떤 목표를 가지고 무엇을 실행해서 성공했다 실패했다 아니면 다음 번에 이렇게 이터레이션를 돌려보자 등의 계획을 세울 수 있다. 이러한 마인드셋, 멘탈 모델을 정립하는 것이 이번 강의의 목적이다. SNS든 블로그든 유투버든 남들에게 가치를 줄 수 있는 어떤 무언가가 있을 것이다. 각자의 고유한 스킬 전문성이 있는 부분을 가지고 사람들을 모아보는 경험이 앞으로 점점 더 중요해지는 것 같다.

 

그로스 해킹

 

무엇을 달성할 것인가 지표를 잘 정하는 게 필요하다. 예를 들어서 초기 리서치 단계에 설문지에서 개인 정보를 받을 때에는 무엇이 중요한 지표일까? 데일리로 수집되는 리드의 개수와 전환율이 될 수 있다. 회사마다 중요한 지표들이 다 다르기 때문에 상황별로 맥락별로 우리 팀에 중요한 지표가 무엇인지 파악하는 것이 중요하다. 데이터 분석과 가설 설정에 대한 오버롤한 내용들을 그로스 해킹이라고도 한다.

 

그로스 해킹의 창시자 션 엘리스

 

션 엘리스. 그로스 해킹이라는 단어 자체를 처음 만든 사람. 키운 회사 중 제일 유명한 회사는 드락박스 같은 회사가 있다. 하이템포 테스팅 - 빠른 속도로 여러가지 아이디어를 테스트 할 수 있는 시스템의 필요성을 강조했다. 실험을 일주일에 한 개씩 돌리는 회사가 있고, 일주일에 10개씩 돌리는 회사가 있으면 10개씩 돌리는 회사가 많이 성장할 확률 상대적으로 높다. 페이팔이 대표적인 회사이다. 토스도 어떻게 보면 모델링하고 싶었던 회사가 페이팔이다. 일론 머스크의 페이팔과 피터 틸의 회사가 합병하면서 페이팔 서비스는 여러 총체적인 금융 서비스를 다 했는데 그 중에서 페이팔 pg사를 제공하는 것이 잘 되었다. 이베이가 폭발적으로 성장하던 시기가 있었는데 사람들이 빨리 결제를 했으면 좋겠다. 물건이 수억 개고 결제도 하루에 수천만 건씩 일어나는데 결제가 조금만 빨라져도 매출 볼륨이 폭발적으로 성장하니 페이팔 서비스 회사 인수를 거액에 했다.

 

20년 전에는 친구를 데리고 오면 10달러를 준다는 레퍼럴 마케팅을 하였다. 이 때, LTV(1명의 고객이 회사에 쓰는 총 비용)가 10달러를 안 넘으면 손해다. 10달러 써서 데리고 왔으면 10달러보다는 더 써야한다는 것. 이 외에도 부가가치가 있으면 좋다. 예를 들면, 페이팔에서 결제를 진행할수록 고객DB가 쌓인다. 30대 여성은 어떤 시기에 이런 상품을 많이 구매한다. 40대 남성은 이런 질병에 걸려서 이런 물품을 많이 구매하는구나 등. 이런 데이터를 기반으로 서비스를 개선하거나, 다른 사업으로의 확장이 가능하다.

 

데이터드리븐의 우수한 사례 에어비엔비

 

데이터 가설 실행 관련해서 주목해보면 좋을 회사 중에 하나가 에어비앤비이다. 뜯어보면 우리가 아는 전략들 하나라도 실행을 안 해본 것이 없다. 1일 방문자가 많이 안됐을 때 미국의 당근마켓이라고 할 수 있는 크랙리스트(MAU가 1억명 정도 됨)의 API를 뚫어서 에어비엔비 사이트에 올리면 크랙리스트에도 올라가게 했다. 해킹했다는 것이 훔쳤다는 것보다는 빠르게 앞당겼다라고 해석하는 것이 좋을 것 같다. 그래서 드랍박스에서 션 앨리스가 직접 했던 캠페인에서 너 친구 초대해오면 플랜을 업그레이드 해줄게 이런 것이 손꼽히는 해킹 전략이다.

 

요즘에는 예전처럼 레퍼럴이 활발하게 일어난다고 하기에는 어려운 것 같다. 그래서 소셜미디어에 집착하는 경향이 있다. SNS 바이럴로 사람들 유입이 많이 시키는 것을 보고 싶으면 듀오링고를 참고해보면 좋다. 

 

그로스 해킹이 어려운 이유

 

Growth is hard

 

예전에 퍼포먼스 마케팅이 성행했을 때는 광고비가 다운로드 하나에 500원이었는데 요즘에는 1-2만원이나 한다. 옛날보다 광고비용을 낮추기 위해서 머리를 써야한다. 추가적으로 LTV가 짧아졌다. 구독하고 구독을 취소하는 비율이 많아졌다. 알림도 다 꺼놓는다. 여러분은 알림 껴놓는 것을 추천드린다. 돈을 쓰면서 광고를 하는데 효과적인 광고 메시지를 적기 때문에 그런 것들을 보면 공부가 된다.  연봉 높은 마케터가 소구점 뽑아서 광고한 내용을 우리는 공짜로 볼 수 있다. 요즘에는 이런 문구로 낚는구나 볼 수 있다. 일반인들은 다 꺼 놓는데 어떻게 우리가 알림 받을 수 있게 유도할 수 있을까 아니면은 다른 방법으로 동의를 받아서 알림을 넣을 수 있을까 이런 것들이 가설로 해보고 검증해보는 액션을 할 수 있다.

 

데이터 드리븐 사례

 

정성적 조사는 관찰, 실험한 후에 개선하고 검증하는 과정이다. 관찰해서 실험하는 것이 현재 상태이고 이것을 바꾸는 것이다.

 

에어비엔비의 경우 처음 런칭했을 때부터 지금까지 하나의 목표밖에 없다. 들어온 사람 대비 예약률을 높이는 것. 이것을 확인했다고 가정해보자. 사람들이 더 에스테틱한 미적으로 멋져 보이는 사진을 보면은 전환이 잘 되구나.를 가설 검증하였다면 검증된 구간. 코호트를 발견한 것이다. 이 구간, 집단을 많이 발생하게 하여야 한다. 예를 들어, 여행작가를 하루 고용해서 200달러 줄 테니 사진을 많이 찍어달라고 요청할 수 있다.

 

여행사인 오르비츠는 맥 사용자들이 더 비싼 호텔방을 예약하는 경향을 발견하고 광고 효율을 높였다. 레딧은 회원가입을 한 사용자들의 체류시간이 두배 이상 높은 것을 발견하고 회원가입률 전환을 목표로 세웠다. 특정 콘텐츠를 소비하고 있는 것을 확인이 되면 ‘회원가입하면 이런 콘텐츠들을 더 제공해줄 수 있어’라는 문구를 날려 회원가입을 하도록 해서 체류시간을 많이 올리도록 한다.

 

넷플릭스 데이터 드리븐 사례

 

넷플릭스 – 처음에는 각 유저마다 커스터마이즈 된 랜딩페이지가 있어서 너의 취향에 맞는 콘텐츠를 보여주도록 하는 것이 전략이었다. 최근에 추가 된 것은 랭킹 시스템이 생기면서 잘 나가는 콘텐츠를 순위로 보여주도록 한다. ‘랭킹을 보여줬을 때 지속률이 높다’라는 가설이 검증됐기 때문에 취하는 전략이다.

 

또한 90초 안에 사람들이 선택을 안 하면 나가더라 하는 가설 검증이 되었기 때문에 90초 안에 이 사람이 볼 수 있는 매력적인 뭔가 콘텐츠를 보여줘야 된다는 것을 시도하고 있다. 내가 봤었던 드라마에 나오는 주인공 배우와 유사성을 보여줘서 전환을 높여보려는 이런 시도들도 있었다. 자동화된 ab 테스팅, 썸네일 테스트를 많이 해서 썸네일 a, b, c가 있으면 썸네일 b가 다른 썸네일에 비해 몇 % 높게 나왔다고 하면(유효한 결과여야 함) b를 채택할 수 있다.   

가설과 지표

 

어떤 문제나 사안에 대해서 우리가 가지고 있는 예측을 가설이라고 한다. 이것을 잘 잡을 수 있으면 실무를 하는 데 유리해진다. 그리고 지표는 그에 대한 성과, 상태를 측정해서 수치화한 게 이제 지표라고 한다. 예를 들어 DAU 매일 활성화된 유저수이다. MAU는 한 달이라는 기간 동안에 유니크하게 한 번이라도 활성화된 사람들의 숫자이다. DAU를 계산할 때, 방문횟수가 아니라 순수 방문유저수로 계산한다. 예를 들어 1명의 유저가 하루에 3번 접속을 하였다면, DAU는 1로 계산된다.

 

사용자 고착도라고 부르는 Stickiness 지표가 있다. Stickiness는 DAU를 MAU 또는 WAU로 나누어 계산한다. 만약 DAU가 40인데, MAU도 40이면 Stickiness가 100%이다. 유저들이 거의 매일매일 들어오는 제품인 것이다.  Stickiness 지표를 보면 얼마나 활성화 정도가 유지가 되는지 확인할 수 있다.

 

좋은 지표이지만 중요성에 대한 기준이 다를 수는 있다. 인스타그램의 경우 유저가 매일매일 들어오게 하는 것이 목표이다. 더 많은 광고주들에게 더 많은 광고를 받아서 유저들한테 적합한 광고를 보여줘서 결제하게 하는 것이 인스타그램의 목적이다. 그래서 Stickiness가 인스타그램에게는 매우 중요한 지표이다. 반대로 세탁 서비스의 런드리고의 경우 1주일에 한번 세탁물을 보내는 것이기 때문에 유저가 매일매일 들어갈 필요는 없다. 그래서 결국에는 목표가 가장 중요하고 지표 설정은 그 다음이다.

 

제품과 비즈니스에 따라 주요 지표가 다를 수 있다

 

링크드인의 경우 유저에 의해 돈을 버는 것이 아니다. 헤드헌팅 컴퍼니나 HR 부서에서 1년에 몇 천만 원씩 내면서 서비스를 이용한다. B2B 세일즈가 되는 것인데 이들이 기대하는 것은 훌륭한 인재가 많이 모여있는가, 빨리 매칭해주기를 기대하면서 서비스를 이용한다. 이베이도 마찬가지로 세계에서 거의 제일 큰 매물 수가 제일 많은 회사인데 개인과 개인의 거래가 일어나는 공간이기 때문에 매물 수가 많은 것이 중요하다.

넷플릭스의 경우 1인당 시청을 얼마나 하는가. 스포티파이는 총 전체 유저들이 오늘 소비한 노래를 들은 시간. 유투브도 비슷하다. 광고 상품이 있냐 등 상황에 따라 다르겠지만 콘텐츠를 파는 회사들은 결국 콘텐츠를 소비하는 총량이 올라가는 지표를 설정한다. 회사마다 목표가 다르다는 것을 고려해보면 우리 회사가 도대체 뭘 원할까를 고민해보고 지표를 설정하는 것이 중요하다.

 

활성화(Activation)의 기준이 다를 수도 있다. 단순히 진입하는 것이 활성화를 잡을 수도 있고 결제까지 하는 것을 활성화 기준으로 둘 수도 있다. 진입하는 것을 활성화 기준으로 삼는 것은 콘텐츠를 소비하거나 광고를 보는 모델에서 적합하다고 볼 수 있다.

 

분석의 본질은 중요한 지표를 추적하는 것인데 좋은 지표의 기준은 무엇일까? 상대적이어야 하며(전환율이 지난주보다 2% 증가했다), 이해하기 쉬워야 하고, 의사결정에 도움이 되는 지표가 좋은 지표이다. 

 

트래킹 셋업의 중요성

 

지표를 보기 전에 트래킹 셋업이 되어 있는지 확인해야된다. 이것이 매우 중요. 트래킹 셋업하는 일이 상당히 고통스러운 일이다. 트래킹 세팅이 잘 못 되어 있으면 지표 자체가 틀리게 된다. 그러면 가설을 세워서 검증할 수도 없다. 한다고 해도 아무 의미가 없다. 그래서 트래킹 셋업이 잘되어 있는지 여러 번 확인하거나 잘못되어 있다는 것을 염두해두고 진행하면 좋다. 완전히 맹신하게 되면 틀린 의사결정을 할 수 있다. 이런 맥락에서 SQL을 익혀놓으면 유리한 점이 있다. 

 

강사님은 데이터 트래킹 셋업이 잘 못 됐다는 것을 6개월 뒤에 알게 되어서 그 시간을 날린 경험이 있었다고 한다. 몇 십만 데이터들을 다루는 것인데 결국 트래킹이 잘못되어 있어서 시간을 날린 것이다. 그래서 잘 트래킹이 되는지 검수를 하는 것이 필요하다.

 

특정 회사에서 데이터를 잘 트래킹하고 있는지 확인할 수 있는 방법은 데이터 팀이 있던지, 트래킹에 대한 검수를 하는 것을 보면 추정해볼 수 있는 것 같다. 이터레이션을 돌릴 때 종종 검수를 하는 팀이면 데이터의 적합성 가설에 대한 적중률이 높게 나올 확률이 높다.

 

북극성 지표 (가장 중요한 하나의 지표)

 

토스 사업 초창기에 데이터 퍼널 구조를 설계하셨던 분이 언급하기로 토스도 처음에 이것저것 잡다한 것을 전부 다 트래킹했다고 한다. 대시보드에 엑셀 시트를 막 몇백 개를 만들고 했는데 대부분이 아무 소용이 없었고, 오늘 들어온 유저. 송금까지 전환율 이 두 가지 수치가 의미가 있었다. 토스가 성장하기 시작한 것이 이것을 발견하고 나서라고 한다.

 

이렇듯 모든 데이터를 트래킹하려고 하면 안되고 One Metric That Matters. 가장 중요한 하나의 지표를 정하고 가는 것이 좋다. 이것을 북극성 지표 (North Star Metric) 라고도 한다. 내가 무엇을 트래킹하고 싶은지 그 중에서 무엇이 중요한지 내 머릿속에 있어야 개발자나 데이터 엔지니어에게 요청할 수 있고 그것을 트래킹하도록 셋업을 해준다.

 

회사들의 북극성 지표가 무엇일지 예측해보는 것도 좋은 학습이 될 수 있다. 예를 들어, 슬랙의 경우 메시지 수가 북극성 지표가 될 수도 있다. 메시지가 적으면 그대로 해지할 가능성이 있기 때문에. 그리고 무료 플랜에서 유료 플랜으로 넘어가는 확률이 메시지 수가 많은 것과 비례할 수 있다.

 

이런 식으로 구독이 유지되거나 가입하는 트리거가 있는 행동이 있다는 것이다. 이 행위를 계속 하면 돈을 내겠지. 라는 식으로 생각해야 한다. 돈을 내겠지가 회사에서 사업적인 가치라고 하면 앱플리튜드 서비스를 예로 들면, 쿼링을 해서 유저가 프로덕트에 대한 인사이트를 얻는 것은 고객에 대한 가치가 될 수 있다. 이 두가지를 같이 하는 것이 좋다. 같이 충족하는 것을 잘 찾아낼 수 있는 것이 필요하다. 이것을 하면 고객한테는 좋은데 회사는 계속 돈을 못 번다, 아니면 돈은 계속 버는데 장기적으로 고객이 가치를 못 얻어서 리텐션이 떨어지는 그림이 나올 수도 있다. 그래서 두 가지를 같이 생각해야한다.

 

일반적으로 북극성 지표를 정할 때 바텀업으로 올라가는 경우는 많이 없고, 탑다운으로 대표나 경영진이 동의를 해서 정해지는 구조이다. 북극성 지표는 회사의 사이즈나 시장의 상황에 따라서 6개월이나 1년마다 바뀔 수도 있다. 회사들을 분석해볼 때 어떤 목표(북극성 지표)를 가지고 지금 저런 행위를 하고 있을까를 뜯어보면 만약에 그 회사에 간다면 어떤 가설을 실행을 해볼 수 있을지 역으로 추정해볼 수 있다.

 

퍼널 분석

퍼널 분석

 

그로스 해킹 퍼널 구조에서 이탈되는 것을 먼저 잡는 것이 좋다. 어디든지 구멍이 많다. 일단 구멍을 먼저 잡고 유입을 늘리는 것이 좋다. 최대한 나가는 거를 잡고 난 다음에 유입을 천 명이 아니라 2천 명, 3천 명, 만 명 이렇게 늘렸을 때도 포뮬라가 유지되는가를 테스트하는 식으로 문제 해결 접근을 한다. 예를 들어, 특정 구매 경로를 통해서 들어오는 20대들은 이탈률이 많고 4-50대들은 리텐션이 높다는 것을 파악했다면 4-50대의 유입을 스케일업 해야한다.