[데이터리안] '그로스 해킹' - 독서 스터디 챌린지 2주차

스터디 일정 & 계획

11월 동안 챕터 별로 꾸준히 리뷰를 올릴 예정. 스터디의 일정은 아래와도 같다. 

• 11/4(월) ~ 11/10(일) : 그로스 해킹 1장~3장(3-2. 고객 유치)
• 11/11(월) ~ 11/17(일) : 그로스 해킹 3장(3-3. 활성화) ~ 4장
• 11/18(월) ~ 11/24(일) : 그로스 해킹 5장~6장 

---

2주차 핵심 내용

3장 해적 지표, AARRR

사진 - 와이즈트래커

2) A - 활성화 (Activation) 

다음 A는 활성화. 데려온 사용자가 우리 서비스의 핵심 가치를 경험하게 만드는 것이 중요 포인트. 신규 사용자들이 온보딩 프로세스를 성공적으로 마무리하는 비율은 높지 않음. 활성화 단계의 핵심은 퍼널에 대한 분석. 사용자들이 경험하는 단계를 도식화하고 각 단계의 전환율을 측정, 분석하는 과정으로 진행. 

- 핵심 가치를 경험하는 시점과 그곳으로 연결되는 각 단계를 잘 정의했는가?
- 각 단계별 전환율을 어떤 기준으로 측정하는가?
- 코호트에 따른 퍼널별 전환율을 보고 있는가?

퍼널 분석을 위해서 우선적으로 핵심 가치(아하 모먼트)를 구체화하고 사용자들이 핵심 가치를 경험하는 정확한 순간을 정의하는 것. 핵심 가치는 항상 사용자 입장에서 정의해야하는 점을 주의. 서비스의 가치를 온전히 경험할 수 이쓴 순간을 찾아내는 것이 중요. 이러한 것들을 확인하기 위해서는 서비스를 홍보하기 위해 주로 사용되는 마케팅 메세지와 사용자 리뷰 등에서 나오는 서비스에 대한 키워드가 일치하는지 확인해볼 것. 그리고 핵심 가치까지 도달하기 위한 연결 경로(크리티컬 패스)를 도식화하여 잘 정리해야 퍼널 분석을 할 수 있다.

퍼널 분석의 핵심은 각 단계별 전환율을 측정하는 것. 그리고 진정한 가치는 주요한 퍼널에서 나오는 단편적인 전환율을 계산하는데서 있는 것이 아니라, 전환율에 영향을 미치는 유의미한 선행지표를 발견하는 것에 있음. 

- 특정 이벤트 경험 유무에 따라 결제 전환율에 창이가 있는지
- 시간, 요일, 계절, 날씨 등 외부 변수에 따라 결제 전환율에 차이가 있는지
- 사용자의 성별이나 나이 등 연구통계학적 정보에 따라 결제 전환율에 차이가 있는지 

전환율에 영향을 주고 있는 코호트를 발견한다면 전환율을 높이기 위한 구체적인 액션을 찾아내기 수월해진다. 또한 전환율을 높이는 것보다 퍼널을 줄이는게 더 효과적인 경우가 많다. 서비스 전체적인 관점에서 필요 없는 단계는 없애버리는 것이 좋음. 혹은 재설계하는 것도 새로운 대안이 될 수 있음. 

3) R - 리텐션 (Retention)

다음은 리텐션(유지율). 리텐션을 개선하려면 사용자 경험 전반에 걸친 세심한 분석과 개선이 필요. 오랜 시간이 걸리기도 하고, 개선이 어려운 지표이기도 함. 하지만 개선할 수 있다면 복리 효과를 가져오는 대표적인 지표. 아래의 3가지 대표적인 리텐션의 종류가 있음.

- 클래식 리텐션(N day 리텐션)
- 범위 리텐션(Range 리텐션)
- 롤링 리텐션(Rolling 리텐션)

퍼널과 마찬가지로 리텐션을 분석할때는 코호트에 따른 차이를 확인하고 그 원인이 되는 요소를 규명하는 것이 중요. 리텐션은 쪼개서 볼 때 의미 있는 지표. 날짜, 가입 월별 리텐션, 첫 구매 월별 리텐션과 같이 날짜나 기간을 기준으로 한 리텐션의 추이를 살펴보면 리텐션이 시간 흐름에 따라 좋아지고 있는지 나빠지고 있는지를 판단할 수 있음. 유입 채널별 리텐션을 비교해서 어떤 채널을 통해 들어온 사용자들의 리텐션이 높은지 혹은 충성 고객인지를 확인할 수 있음. 

4) R - 수익화(Revenue)

수익화 관리를 위해서는 서비스가 어떤 BM을 가지고 있는지, BM이 잘 작동하는지, 비용 대비 수익이 안정적인지를 데이터로 확인 할 수 있어야함. 매출에서는 평균 값을 굉장히 주의해서 사용해야함. 개인별 편차가 상당히 크게 나타나며, 파레토 법칙의 패턴을 흔하게 볼 수 있음. '고래'라고하는 사용자들을 얼마나 잘 관리하느냐에 따라서 매출 관리가 달라진다. 사용자를 다양한 방식으로 그룹핍하고 각 그룹에 맞는 운영 및 수익화 전략을 세우는 것이 중요. 

- ARPU : 인당 평균 매출
- ARPPU : 결제자(pay) 인당 평균 매출
- ARPDAU : 일 매출 / DAU
- ARPWAU : 주간 매출 / WAU
- LTV, CLV : 고객 생애 가치 
- LTR : 고객 생애 매출 (CAC - 고객 획득 비용과 주로 같이 사용됨)
- MMR : 월별 반복 매출 = 기준 MMR + 신규 MMR - 이탈 MMR + 업그레이드/다운그레이드 MMR

4장 지표

1) 지표 활용하기

결국, 그로스 해킹 = '지표'에 관한 일. 목표 지표를 선정하고 그 지표를 개선하기 위해 진행하는 일련의 활동을 의미.
'우리 서비스의 MAU가 얼마인가요?' 와 같은 질문이 가장 난감하면서, 모호한 질문일 것. DA로써 가장 많이 쓰는 시간이 바로 데이터 추출하기 전에 요청사항을 구체화하는 작업일 것. MAU를 집계하려면 MAU를 어떻게 측정할 것인지에 대한 명확한 기준이 있어야 함. 전사적으로 MAU와 결제 전환율 같은 지표에 대해서 어떤 방식으로 측정해서 관리할지 동의를 구하고 명확한 측정 기준을 정의해야함. 모호한 지표는 모호한 액션과 결과를 낳을 수밖에 없다. 좋은 지표는 그 지표를 바탕으로 행동할 수 있어야한다. 또한 전체적인 관점에서의 최적화에 초점을 맞춰야 함. 

2) 심슨 패러독스와 생존자 편향

데이터와 지표가 있다고 해도 정확하게 해석하고 의사결정을 내리는 것을 생각보다 간단하지 않음. 전체 데이터를 놓고 보면 잘 드러나지 않는 특성들이 쪼개진 상태에서는 명확하게 드러나느 경우가 많음. 이럴 때에 심슨 패러독스를 경계해야함. 심슨 패러독스는 쪼개진 데이터에서 성립하는 관계가 합쳐진 데이터에서는 반대로 나타나는 현상을 말함. 전체 결과의 경향성이 부분 결과의 경향성과 일치하지 않을 수 있기 때문에 항상 더블 체크, 크로스 체크하는 습관을 드려야한다. 

생존자 편향은 2차 세계 대전 당시 미 해군에서 있었던 전투기 장갑 보강에 관련한 이야기. 전투기의 생존율을 올리기 위한 '어느 부위에 장갑을 더 보완해야하는가?' 에 대한 논의였다. 여기서 중요한 점은 많은 사람들이 '귀환에 성공한 전투기'를 기준으로 분석하려 했다는 것. 제일 중요한 엔진과 조종석 부분에 타격을 받은 전투기들은 아예 귀환하지 못했다는 부분을 간파하지 못하고 분석했기 때문에 앞선 분석들이 소용이 없었다는 사례. 

분석 목표에 맞는 데이터를 신중하게 수집하고, 가공하는 단계가 잘 되지 않는다면 그 다음에 진행하는 고도화된 기술들과 방법들도 소용이 없다는 점을 명심하자. 

3) OMTM

'지금 가장 중요한 지표는 무엇인가?'에 대한 뜻. 이 또한 성장을 목표로 하는 지표. 책 '원씽'에서 아주 자세하게 설명하고 있는 지표로써, 그 자체로 서비스가 진짜 잘 되고 있는지를 알려주는 중요한 지표라고 할 수 있음. 자세한건 원씽이라는 책을 참고하면 어떤 의미인지 잘 알 수 있음.

---

2주차 리뷰

책이 그렇게 두꺼운 책이 아니다 보니까, 생각보다 금방 끝나게 되었다. 벌써 2주차가 끝. 이제 다음주면 끝이고, 그 다음주이면 저자의 오프라인 강연이 기다리고 있다. 사람이 워낙 많아서 당첨이 되어야지만 갈 수 있겠지만 어쨌든 당첨이 되려면 끝까지 완주해야하니까 끝까지 완주하고, 당첨을 기다려봐야겠다.

리텐션, 퍼널, 코호트 등 다양한 분석 방법들이 있어도 결국엔 전체적인 관점 + 전사적인 동의와 협조 + 명확한 기준 이러한 것들이 뒷받침이 되어야 진짜 '데이터 분석'이라는 것을 할 수 있겠구나를 느낀 챕터들이였다. 아무것도 없는 스타트업의 홀로 데이터 분석가로 취업하게 되면 이러한 것들이 내가 다 해야하는 일이라니... 이런 생각도 들었고, 데이터 팀에 들어가면 대충 이러한 일들과 회의, 논의 등을 정말 많이 하겠구나를 생각이 들었다. 결국 어떠한 핵심 지표를 정의할 것이며, 우리의 핵심 가치는 무엇이며, 그것을 어떻게 소비자에게 잘 전달하게 할 것인가. 단순히 데이터 분석에서만 끝나는 것이 아니라 '원팀'으로, 전체적인 관점으로 모든 부분에서 생각을 해봐야겠다라는 생각이 들었고, 그래서 다들 DA를 하다가 PM 같이 전체 프로젝트를 맡고 이끌어가는 리더가 되는지도 알게되는 챕터였다. 단순한 '데이터' 분석은 누구나 다 할 수 있기 때문이다. 진정한 데이터 분석이란, 데이터가 자체가 중요한게 아니라 그 데이터로 도대체 뭘 할 수 있으며 어떻게 활용해서 성장시킬 수 있는지에 대한 빌드업을 쌓고, 이를 논리적으로 풀어나가는 것이 '데이터 분석'이 아닐까 싶다.