'그로스 해킹' 리뷰

 

평소 서비스 기획을 하다보면 '그로스 해킹'이라는 말을 자주 듣는데 단어의 정확한 의미와 그로스 해킹하는 방법에 대해 알고 싶어 읽게 되었다. 책에서는 데이터와 실험을 통해 단계적으로 서비스를 성장시키는 것의 중요성에 대해 강조하며 다양한 방법론과 원리를 알려주고 있다. 처음 읽으면 한번에 너무 많은 계산식과 생소한 단어들에 당황할 수 있으나 꾸준히 읽고 학습해 자신의 것으로 만들어 활용하는 것이 중요할 것 같다.

---

 

1장 그로스해킹이란?

• 그로스해킹 등장배경
  • 과거: 기획, 생산에 엄청난 시간과 노력을 투자하면 판매 큰 문제 X
  • 현재: 고객 취향 세분화, 기획, 생산 열심히 해도 성공 확신 X
• 린 스타트업
  • 정의: 아이디어를 빠르게 제품으로 만들고, 고객 반응 확인하고, 배움을 얻고, 제품을 개선하는 프로젝트 관리 방법론
  • 철학: 피드백 순환고리(feedback loop)를 최대한 빨리 진행해 작은 성공을 쌓아 서비스 점진적 개선하는 것(아이디어→개발→측정→개선)
• 그로스 해킹
  • 의미: 각 서비스의 사용 맥락, 시장 상황을 반영할 때만 의미 O
• 그로스 해킹 공부 목표
  • 올바른 공부 목표: 데이터에서 찾은 인사이트를 바탕으로 서비스를 지속적으로 개선해나가는 방법을 익히는 것
  • 올바르지 않은 공부 목표: 데이터 사이언티스트, 퍼포먼스 마케터 되기
• 크로스펑셔널 팀: 여러 직군 간 협업 필수적, 개발자, 디자이너, 마케터, 데이터 분석가 등 다양한 직군 멤버들이 팀을 이뤄 각자 전문성을 발휘하며 시너지를 내야 함
• 린 스타트업: ‘제품 개발→지표 측정→학습 및 개선’ 사이클 빠르게 반복하며 학습 비용 줄이고 성공 가능성 높이는 제품 개발 프로세스
• 최소 기능 제품(MVP): 가설을 검증할 수 있는 최소한의 기능이 포함된 제품, 최소한의 제품을 만들고 피드백 참고해서 조금씩 개선해나감
• AARRR: 스타트업 성장 위해 고객 유치, 활성화, 리텐션, 수익화, 추천 다섯 가지 범주 따라 주요 지표 모니터링 및 관리하는 지표 관리 방법론
• 그로스 해킹이란
  • 크로스펑셔널한 직군 멤버들이 모여서 핵심지표를 중심으로 실험을 통해 배움을 얻고, 이를 빠르게 반복하며 제품 서비스를 성장시키는 것

 

2장 전제조건: Product-Market Fit

• 뭐가 문제인지 모르는 게 문제
• 정말 많은 제품 관리자가 하는 실수
  1. 제품을 만들고 고객을 찾음
  2. 기능 계속 추가
  ⇒ 제품은 가설의 조합으로 만들어져야 하며, 그런 가설을 테스트하기 위한 최소한의 기능으로 이뤄져야 함
• 제품 시장 적합성이란?
  • 좋은 시장에, 그 시장을 만족시키는 제품을 갖고 있는 것
• 제품 시장 적합성을 확인한다는 것
  • 우리가 만든 제품 서비스가 그로스 해킹할 가치가 있는가?에 답하는 과정
• 제품-시장 적합성에 대해 스스로 확인해보는 세 가지 질문
  1. 우리가 생각하는 그 문제가 진짜로 있는가?
  2. 우리가 만든 제품이 그 문제를 해결한 게 맞나?
  3. 이 제품을 만들며 세운 가설이 무엇이고, 검증됐나?
• 리텐션: 사용자들이 특정 서비스에 얼마나 꾸준히 남아서 활동하는지 보여주는 지표
  • 리텐션 그래프
    • 제품-시장 적합성을 만족하는 서비스: 초기 일정 시간이 지나면 그래프 기울기가 완만해지며 리텐션 안정적으로 유지
    • 제품-시장 적합성 만족 못하는 서비스: 그래프 기울기가 꾸준히 우하향
  • 안드로이드 앱 리텐션 그래프
    • 상위 랭킹 앱일수록 리텐션 완만해지는 지점이 높음
    • 리텐션에 영향을 미치는 핵심 기간은 서비스를 사용하기 시작한 직후~수일 이내 → 서비스 온보딩 과정이 중요
• 전환율
  • 한 단계→다음 단계로 넘어가는 사용자 비율
  • 사용성, UIUX 영향 많이 받는 지표
  • 주요 이벤트 전환율을 보면 서비스가 제품-시장 적합성을 만족하는 지 판단 가능
  • 전환율 구하기
    1. 목표 이벤트 정의
    2. 경로 구체화
    3. 각 경로 진입한 사람, 다음 단계로 넘어간 사람 비율 계산
    ⇒ 단계 거듭 시 이탈 사용자 늘어남 → 전환 퍼널은 역삼각형
• 순수 추천 지수(NPS)
  • 주변 지인, 친구에게 얼마나 추천하고 싶은지
  • 팬(fan)에 대한 지표(=충성 사용자 지표)
  • 열렬히 사랑하는 충성 사용자 확보 시 성공 확률 큼
  • 0~6(비추천 그룹), 7~8(소극적 추천 그룹), 9~10(적극적 추천 그룹)
  • 좋은 NPS 기준: -1~0(개선 필요), 0~0.3(양호), 0.3~0.7(좋음), 0.7~1(매우 좋음)
• 제품-시장 적합성 만족 못할 경우 개선 방법
  • 해서는 안되는 것: 브레인스토밍, 새 기능 추가, 잔존율/전환율 개선 위한 실험
    • 설치수, 가입자수, 활동 회원 수 등 지표 확인 X
  • 해야 되는 것: 사용자 직접 만나 이야기 듣기, 사용자 행동 데이터 분석
    • 해야하는 일: 사용자에 대해 더 많이 연구하고, 이해하려고 하는 것
  • 목적: 제품-시장 적합성 찾는 것(리텐션, 전환율은 수단임)

 

3장 AARRR

• 그로스 해킹에서 지표 바라보는 관점
  • 과업 기반: 각 부서(조직)별로 담당 업무를 정의하고, 해당 업무를 하며 생기는 수치를 지표로 관리
  • 프레임워크 기반: 서비스 이용 흐름에 따른 핵심 퍼널과 지표를 정의하고, 해당 지표를 개선하기 위한 과업을 수행
  ⇒ 서비스 이용 흐름(Use Flow)에 따라 단계별 주요 지표를 전체 서비스 관점에서 정의해야 함
• AARRR (효율적인 지표 관리)
  • 사용자의 서비스 이용 흐름을 기반으로 고객 유치(Acquisition), 활성화(Activation), 리텐션(Retention), 수익화(Revenue), 추천(Referral)이라는 다섯 가지 카테고리를 정의하여, 각 카테고리에서 핵심이 되는 지표를 발굴한 뒤 이를 측정 및 개선하는 지표 관리 방법론
  • AARRR 설명
    • 고객 유치: 사용자들을 어떻게 데려올 것인가?
    • 활성화: 사용자들이 우리 서비스의 핵심 기능을 잘 사용하는가?
    • 리텐션: 사용자들이 우리 서비스에 지속적으로 방문하는가?
    • 수익화: 사용자들이 우리 서비스의 핵심 기능을 사용하기 위해 결제를 하는가?
    • 추천: 사용자들이 우리 서비스를 주변 지인들에게 소개, 추천하는가?
  • AARRR 프레임워크에서 집중하는 순서
    1. 활성화, 리텐션
    2. 고객 유치, 추천
    3. 수익화
• AARRR 활용 방법
  1. 단계별 문제 확인
  2. 단계별 핵심 주요 지표 선정, 해당 지표의 현재 수준 측정
  3. 측정된 지표 의미 이해
  4. 개선해야 하는 목표 수준 정하고, 실험을 통해 단계적 개선

 

1. 고객 유치(Acquisition)

• 고객 유치: 사용자를 우리 서비스로 데려오는 것
  • 핵심: 고객 유치에 기여한 채널의 성과를 판단할 수 있는 모델을 만드는 것
  • 고객 유치 채널 구분 시: 오가닉(Organic) < 미식별(Unknown) 사용 - 유입된 채널을 식별할 수 없는 사용자
  ⇒ 많은 트래픽을 식별해서 미식별 트래픽 비중을 최대한 줄여야 함
• 고객 획득 비용(CAC): 고객 한 명 데려오는 데 지출하는 평균 비용
  • 고객 유치 핵심 지표
  • 핵심: 채널 / 캠페인 / 광고 / 날짜 별 데이터를 쪼개서 보는 것
    • 예산 집행 얼마나?, 각 경로 통한 유입 얼마나?
    • 웹=UTM 파라미터, 앱=어트리뷰션
• UTM 파라미터 (Urchin Tracking Module) - Web
  • 서비스로 인입된 트래픽이 어느 경로로 왔는지 출처 확인하는 URL 뒤에 추가된 파라미터
  • UTM 파라미터 구조: 랜딩 페이지 + ?
    1. utm_source: 어디에서 왔나?
    2. utm_medium: 어떤 유형 링크?
    3. utm_campaign: 어떤 캠페인 통해서?
    4. utm_term: 어떤 키워드 검색해서?
    5. utm_content: 어떤 내용 보고?
• 모바일 앱 어트리뷰션 (Attribution) - App
  • 사용자가 앱 설치하고 사용하는 데 어떤 채널이 기여했는지 식별해서 마케팅 성과 판단
  • 어트리뷰션 윈도우: 기여 이벤트 발생 후 얼마만큼 기간 안에 전환돼야 어트리뷰션 인정?
  • 어트리뷰션 유형
    • 클릭 스루(Click-through): 클릭 통한 기여
    • 뷰 스루(View-through): 조회 통한 기여
  • 어트리뷰션 모델: 유입 성과 어떻게 분배할 지, 기여도에 대한 판단 기준
    • 퍼스트 클릭, 라스트 클릭, 선형, 타임 디케이, U자형
  ⇒ 어트리뷰션 잘 활용하려면: 정량적 수치 + 각 마케팅 채널이 어떤 지면, 어떤 사용자층, 어떤 식으로 사용자 타게팅하는지 등 채널 특성을 잘 이해해야 함
• 딥링크 vs 디퍼드 딥링크
  • 딥링크: 모바일 앱 특정 화면으로 이동하는 링크
  • 디퍼드 딥링크: 모바일 앱 설치 유무 상관없이 사용 가능한 딥 링크
    • 앱 미설치 시 앱 설치 이후로 딥링크 실행 지연 → 앱 설치 먼저 → 앱 실행 시 미리 정의한 랜딩 페이지로 이동
• 고객 유치 정리
  • 고객 유치 성과가 정체된 것 같을 때 마케팅 팀 빠지기 쉬운 함정
    • 기존 채널 최적화 고민보다 새로운 채널을 찾고 테스트하는 데 리소스 들임
  • 채널 확장은 예산 X, 채널 포화도 바탕 결정
    • 기존 채널에서 최적화 충분히 잘 돼있나?
    • 마케팅 예산이 커져서 기존 채널 소화하기 비효율적인가?

 

2. 활성화(Activation)

• 활성화
  • 고객 유치를 통해 데려온 사용자가 서비스 핵심 가치를 경험하게 만드는 것
  • 핵심: 퍼널(Funnel) 분석 = 사용자 경험 단계 도식화 → 각 단계 전환율 측정, 분석
  • 퍼널 분석을 위한 우리 서비스 핵심 가치 정의
    • 아하 모먼트는 무엇인가?
    • 아하 모먼트를 경험하는 순간은?
  • 크리티컬 패스: 서비스 진입하는 순간 ~ 핵심 가치 경험까지의 경로
• 단계별 전환율 측정
  • 트래픽(pageview) 기준 전환율: UXUI 개선점 찾는 데 도움
  • 사용자(user) 기준 전환율: 종합적 성과 판단에 도움(상품 매력도, 가격, UXUI 등)
• 코호트별 전환율 쪼개보기
  • 코호트: 공통적인 특성에 따라 여러 집단으로 분류한 사용자 그룹
  • 코호트별 전환율 쪼개보면 각 퍼널에 영향 미치는 선행 지표 발견 쉬움
  • ex. 페이스북 광고 통한 가입자의 결제 전환율 40% < 친구 초대 통합 가입자 결제 전환율 60% → 그룹별 전환율 비교 시 훨씬 더 큰 인사이트 얻음
  • 가장 핵심 질문: 전환된 사용자, 전환되지 않은 사용자는 무엇이 다른가?
• 퍼널 전환율 높이는 방법
  1. 개인화
     • 주요 화면들을 개인화해서 개개인 맥락에 맞는 정보 보여줌
     • ex. 사용자 이름 명시 푸시, 개인 서비스 사용 내용 참고 데이터(최근 본 상품)
  2. UIUX 개선
     • 주요 화면 디자인 변경, 구성 요소 바꾸기
     • 변경 전후 효과 면밀 측정 및 검증 필요
  3. 적절한 개입
     • CRM 채널 적절히 활용(이메일, 푸시, 인앱 메시지 등)
     • 맥락에 따라 효과 크게 달라짐(맥락 잘 반영해야)
     • 전체 회원 대상 논타기팅 푸시, 이메일은 보수적으로 판단하고 보내야 함
• 활성화 정리
  • 핵심 가치 정의하고, 단계별 퍼널 정의하고, 코호트 기반 쪼개서 보는 각 단계를 충실하게 진행해야 함
  • ‘전환율 높이기’ < ‘퍼널 단계 수 줄이기’ 더 효과적 → 필요 없는 단계 없애거나 통합해야 함

 

3. 리텐션(Retention)

• 리텐션
  • (고객) 유지율
  • 서비스 성공 예측 지표
  • 잘 하고 있을 때 더 잘 봐야
  • AARRR 중 개선이 어려움
  • 복리 효과 지표
• 리텐션 측정 3가지 방법
  1. 클래식 리텐션
     • Day N 리텐션 - 특정일 접속 여부만 고려 O, 반복적 들어왔는지 고려 X
     • 처음 발생한 날짜 기준 → 몇 명이 해당 이벤트 반복했는지 집계
     • 단점: 특정일 노이즈 민감, 일 단위 로그인 데이터 모두 확보해야 계산 가능
     • 매일 접속해서 사용하는 서비스에서 활용
       • ex. 전화, 메신저, SNS
  2. 범위 리텐션
     • 특정 기간 이벤트 발생 유저 비율 계산
     • 장점: 클래식보다 설명 쉽고 직관적, 클래식 대비 측정일에 따른 노이즈 크지 않음
     • 단점: 기간 길어지면 리텐션 과대추정 가능, 리텐션 트렌드 확인 시 오랜 기간 필요
     • 일정 간격 꾸준히 접속하는 서비스(사용 주기 길고 주기적)
       • ex. 가계부, 음식 배달
  3. 롤링 리텐션
     • 이벤트 발생하지 않는 비율(접속 기준 몇 명이 나갔는지)
     • 마지막 로그인 날짜로 계산
     • 장점: 최초 로그인 시점 + 마지막 로그인 시점 두 개만 있어도 됨
       • 클래식, 범위 리텐션: 모든 로그인 시점 기록 필요
     • 사용 빈도가 높지 않은 서비스(매일 쓰지 X)
       • ex. 의류 쇼핑, 여행
• 인게이지먼트(Engagement)
  • 간단 계산 → 리텐션 수준 가늠 방법
    • 매일 동일 사용자 반복적 들어오는지, 날마다 새로운 사용자 들어오는지 빠르게 가늠
  • Engagement = DAU / MAU
  • 꾸준히 주기적 사용 서비스
    • ex. 전화, 메신저, SNS 등(=클래식 리텐션 서비스)
• 리텐션 분석
  • 코호트에 따른 차이
    • 날짜, 기간 기준 리텐션 추이 → 리텐션 시간 흐름 따라 좋고 나쁨 판단
    • 유입 채널별 리텐션 비교 → 어떤 채널 사용자가 충성 고객 전환 비율 높은지 확인
  • 리텐션 차트
    • 코호트 따라 리텐션 어떻게 움직이는지 시각화
      1. 코호트: 각 행 첫 번째 열(ex. 동일 기간 가입, 결제)
      2. 볼륨: 각 코호트 크기(유저 수)
      3. 기간: 날짜(일별, 주별, 월별), 평균 서비스 방문 주기 고려
      4. 리텐션: 각 코호트별 기간별 리텐션
    • 질문
      • 하나 코호트 내 기간에 따른 유지율 추이? 안정화 지점?
      • 서로 다른 코호트의 동일한 기간 유지율 비교?
      • 기간에 따라 나눈 코호트 규모 변화 추이?
• 리텐션 개선하기
  1. 초기에 리텐션이 떨어지는 속도 늦추기
     • 초기 속도: 활성화 프로세스 영향 많이 받음
       • NUX(new user experience, 신규 사용자 경험) 중요
         • ex. 가입 시 발송 이메일, SMS 등
  2. 리텐션이 안정화된 이후 기울기 평평하게 유지해서 오래 유지되게 하기
     • 안정화 단계: 사용자와의 관계 잘 유지해야 함
       • 떨어진 리텐션 끌어올리는 것보다 애초에 리텐션 떨어지지 않도록 해야 함
         • ex. 정기적 커뮤니케이션 플랜, CRM 마케팅, 주기적 프로모션 등
       • 휴면고객 대상 리마케팅 꾸준히 진행
  • 높은 리텐션 유지 방법: 축적되는 가치 만들고, 지속적으로 전달
  • 후발주자 서비스들: 경쟁 서비스 사용자 확보 위해, 축적한 가치를 손실 없이 이전 기능 제공
    • ex. 노션 가져오기(에버노트 쉽게), FLO 플리 이전(플리 화면 캡쳐 인식)
• 리텐션 정리
  • 단기적 X, 장기적 O 꾸준히 진행되는 활동을 통해 점진적으로 개선되는 지표
  • 서비스 카테고리마다 권장되는 리텐션 수준 다름
    • ex. 한 달 한번 꾸준히 들어오는 사용자 → 매일 오라고 푸시 보내면 이탈할 수도
  • 리텐션은 늘 일관되게 유지 X → 기간에 따른 코호트 분석 꾸준히

 

4. 수익화(Revenue)

• 수익화
  • 서비스의 비즈니스 모델 명확히 이해, 잘 동작하는지, 비용 대비 수익이 안정적인지 확인
• 수익화 주요 지표
  • ARPU(Average Revenue Per User): 인당 평균 매출
    • ARPU = Revenue / User
    • 매출이 어떤 속도로 증가할 지 가늠하는 기준
    • **‘시작’ + ‘끝’**이 있는 **‘특정 기간’**에 대한 지표
    • ARPDAU(Average Revenue Per Daily Active User) = 일 매출 / DAU
    • ARPMAU(Average Revenue Per Weeky Active USer) = 주간 매출 / WAU
  • ARPPU(Average Revenue Per Paying User): 결제자 인당 평균 매출
    • ARPPU = Revenue(월간 매출) / Paying User(월간 결제자 수)
  • 고객 생애 가치**(LTV, Lifetime Value)**: 고객 한 명당 기대 수익
    • LTV = (M-c) / (1-r+i) - AC
      • M: 1인 당 매출 → 일정 X
      • c: 1인 당 비용 → 계산 불가능
      • r: 고객 유지 비율 → 일정 X
      • i: 할인율
      • AC: 고객 획득 비용
  • 고객 생애 매출**(LTR, Lifetime Revenue)**: 고객 한 명당 기대 매출
    • 비용 고려 X, 매출만 봄 → 간편
    • 결제 금액 / 가입자 수
• 수익화 분석하기
  • 고객 생애 매출**(LTR)** 활용
    • LTR이 CAC의 5~10배 이상 돼야 함
    • Payback Period: LTR이 CAC를 넘어서는 기간 고려
    • 똑같이 LTR이 큰 서비스여도 CAC 보전 기간(3개월, 12개월 등)에 따라 수익화 여건 다름
    • CAC(고객 획득 비용) + a(굉장히 큰 숫자여야 함) < LTR(고객 생애 매출)
  • 수익성 개선: 고객 생애 매출(LTR) 늘리기 > 고객 획득 비용(CAC) 줄이기
  • 현실: CAC 변화 → 더 쉬움
    1. 고객 생애 매출(LTR) 구하기 → 코호트별 비교, 기간별 변화 추이
    2. 목표 고객 획득 비용(CAC) 수준 설정 → LTR의 1/5 ~ 1/10 정도 목표
  • 수익화 쪼개서 보기
    • 아이템별 매출 합계: a + b+ c 등
    • 사용자별 매출 합계: 신규 회원 매출 + 기존 회원 매출
    • 결제자 수 x ARPPU(인당 결제액)= 가입자 수 x 리텐션 x 결제 비율 x ARPPU
    • = 설치 수(인스톨) x 가입전환율 x 리텐션 x 결제 비율 x ARPPU
    • = 활동 회원 x 결제 비율 x ARPPU
    • 매출을 퍼널에 따라 쪼개보면 매출의 증감 패턴을 훨씬 세부적으로 파악 가능
  • 월별 반복 매출(Monthly Recurring Revenue, MRR): 구독형 서비스 매출
    • MRR = 기준 MRR + 신규 MRR - 이탈 MRR - 업그레이드/다운그레이드 MRR
      • 기준 MRR: 전월 기준 매출
      • 신규 MRR: 신규 고객 매출
      • 이탈 MRR: 이탈로 감소한 매출
      • 업그레이드 MRR: 크로스셀, 업셀로 증가한 매출
      • 다운그레이드 MRR: 요금제 하향조정 등으로 감소한 매출
• 수익화 정리
  • 평균 사용자 = 충성도 높고, 매출 기여 높은 사용자
    • 평균 사용자라는 모호한 개념에서 벗어나야 함
    • 수익화 지표 계산해보면 개인별 편차 상당히 큼
    • 결제까지 전환되는 유저가 소수인 카테고리에서는 상위 1%가 매출 50% 이상 차지
  • 요약된 수익화 지표 하나만 보고 의사결정 X, 다양한 방식 그루핑 → 그룹에 맞는 운영 및 전략
  • 서비스 출시 시점에 수익 모델 없을 수도 있지만, 어느 시기에 어떻게 수익화 할 지 로드맵은 있어야 함

 

5. 추천(Referral)

• 추천
  • 기존 사용자 추천, 입소문 통해 새로운 사용자 데려오는 것
  • 오가닉(Organic) 유입의 하나
  • 입소문을 통한 선순환 구조를 어떻게 구축할 것인가에 대한 구조적 문제
  • 친구 초대에 대한 보상 = 고객 획득 비용(CAC)에 따라 달라짐
    • 고객 획득 비용의 50~70% 수준에서 결정
    • 저렴한 비용, 진성 유저 될 가능성 높음
• 친구 초대 플로 설계
  • 초대 맥락
    • ex. 카카오뱅크 모임 통장 - 모임 통장 개설 후 멤버 초대는 특별히 보상 바라고 하는 행동 X → 원래 목적대로 활용하기 위해 자연스럽게 거치는 프로세스 → 효율적으로 신규 사용자 유치
  • 메시지 / 보상
    • ex. 토스 ‘송금 지원금’ - 친구들에게 소액 현금 선물하는 기능 제공 → 메시지 내 ‘링크를 클릭하고 친구가 보낸 돈을 받으세요’ 같은 직접적인 혜택 강조
  • 온보딩 프로세스
    • ex. 에어비엔비 - 초대 통해 가입한 사용자에게 친구 사진, 이름, 가입연도, 할인 혜택 크게 강조
• 바이럴 계수(Viral Coefficient)
  • 추천 엔진이 얼마나 효과적으로 동작하는지 확인하는 지표
  • 고려 사항
    1. 초대 추기가 얼마나 빠른가? → 바이럴 계수는 ‘속도’ 고려 안됨
    2. 목표 시장에서의 포화도(Saturate) → 바이럴 계수는 타깃 시장 포화 정도 상관없이 계산됨
    3. 추천을 통해 유입된 사용자 전체 활동 주기에 대한 ‘장기적 관점’ 필요 → 바이럴 계수에는 추천 통한 사용자의 장기적인 경험 수준은 드러나지 X
  • 바이럴 계수 = (사용자 수 x 초대 비율 x 인당 초대한 친구 수 x 전환율) / 사용자 수
• 추천 정리
  • 추천 통한 바이럴 루프 잘 동작 시 서비스 규모 키우기에 도움, but 바이럴 기능적 요소에 지나치게 집중하는 건 전후가 뒤바뀐 것
  • 바이럴이 일어날 수 있을 정도로 좋은 제품 → 자연스러운 초대 맥락 기획
  • 추천 관련 사용 플로는 ‘신규 사용자 경험(NUX)’와 필수적 연계

 

4장 지표

• 지표 속성 이해
  • 스톡(Stock): 특정 시점의 스냅샷에 해당하는 지표
    • ex. 누적 다운로드 수, 누적 메시지 수 → 많은 스톡 지표가 허무 지표(Vanicty Metric)
  • 플로(Flow): 시작과 끝에 대한 시간 범위가 있음, 일정한 시간 동안 변화량 지표
    • ex. 하루 가입자 수, 매출 → 더 많은 정
• 지표 명확 정의
  • ex. MAU 얼마? → MAU 측정 명확한 기준 있어야 함
  • ex. 결제 전환율 어떻게 측정? → 결제 회원 수 / 누적 가입자 수, 오늘 결제 회원 수 / 오늘 로그인 회원 수
  ⇒ **원칙(명확한 측정 기준)**을 세워야 함
  • 지표 기반 성장 실험 시 해당 지표를 어떻게 정의하고 측정할 지 반드시 짚고 가야 함
• 허무 지표에 빠지지 않기
  • 허무 지표(Vanity Metric)
    • 단순히 시간이 흐르며 자연스럽게 높아지는 지표
    • 실제 중요한 수치와는 상관 X
    • 단순히 많은 일을 했다는 것을 드러내기 위한 지표
    ⇒ 지표를 봐도 액션 플랜이 나오지 X
  • 좋은 지표
    • 지표 바탕 행동 가능
    • 지표 정보 기반 다음 행동 계획 → 실험 후 결과 볼 수 있음
    • ex. 리텐션 차트, 온보딩 단계별 전환율, DAU 그래프
    ⇒ 어느 단계든 개선하고 전후 변화를 확인해봐야겠다는 액션 플랜이 그려짐
• 전체 관점에서 최적화
  • 지표 개선 위한 행동: 부분 최적화 X → 전체 관점 최적화 O
  • 잘못된 최적화: 특정 페이지 CTR만 집중하다가 전체 퍼널 전환율 떨어지거나, CPC에만 집중하다가 전체 광고 성과 낮아짐
  • 단순히 ‘클릭율’, ‘클릭당 단가’라는 부분 최적화 지표에 매몰되면 전체 관점 최적화를 놓칠 수 있음
• 심슨 패러독스(Simpson’s Paradox)
  • 쪼개진 데이터에서 성립하는 관계가 합쳐진 데이터에서는 반대로 나타나는 현상
  • ex. UC Berkeley 여학생 차별 - 경쟁률 높고 합격률 낮은 학과에 여학생이 많이 지원해서
• 대푯값 사용 시 주의점
  • 분포 확인 중요: 아웃라이어가 있거나(=정규분포 X), 분포를 알 수 없는 경우 → 중앙값(median)을 대푯값으로 사용
  • 중앙값: 주어진 값들을 크기순으로 정렬 했을 때 가장 중앙에 위치하는 값
• 생존자 편향(Survivorship bias) 피하기
  • ex. 제 2차 세계대전 - 미군 전투기 장갑 보강 → 피탄 흔적이 적은 엔진, 조종석 집중 보강
  ⇒ 데이터 수집 과정에 충분한 주의를 기울이지 않으면 편향된 데이터 분석이 될 수 있음
• OMTM(One Metric That Matters) = 북극성 지표
  • 지금 가장 중요한 지표 & 성장을 목표로 하는 지표
  • 리소스 배분, 우선순위 결정 기준
  • 시간 지나며 변동
  • KPI와 다름
• OMTM 정의 위해 질문해봐야 하는 것
  1. 어떤 비즈니스 모델?
  2. 어떤 서비스 라이프사이클 단계?
  3. 신경쓰이는 단 하나의 문제?
  4. 원하는 행동을 하는 사용자와 아닌 사용자 차이점?
  5. 4번 구분할 수 있는 이벤트나 속성? 추세 달라지는 지점?
• 매출을 OMTM으로 정하면 안되는 2가지 이유
  1. 핵심가치가 사용자들에게 잘 전달됐는지와 비례해서 증가하지 않는다.
  2. 후행지표이다.
• OMTM: 성장, 협력, 하나의 목표, 시간 지나며 바뀜, 진짜 잘하는지 알려줌, 중요한 지표
• KPI: 평가, 경쟁, 서로 다른 목표, 평가까지 안바뀜, 달성과 성공은 별개
• OKR: 구글 도입 목표 관리 체계, 3~5개 목표와 핵심결과, 구체적 액션 플랜
  • 도전적인 목표 / 전사적인 정렬 / 투명한 공유

 

5장 그로스 해킹 시작부터, 성장 실험까지

• 작은 회사에서 그로스 해킹
  • 핵심 지표를 정의하고, 가설을 세워 실험을 진행하고, 데이터를 분석하는 과정 반복하며 배움 축적하고 서비스 성장
  • 그로스해킹 업무 환경
    1. 데이터 활용 업무 환경 만들기
    2. 데이터 파이프라인 구축하기
    3. 데이터 활용 역량과 문화 갖추기
    4. 성장 실험

 

1. 데이터 활용 업무 환경 만들기

• 핵심 지표 선정 및 관리
• 데이터 파이프라인 설계 및 구축
• 주제별 데이터 분석
• 데이터 추출 및 분석 요청 대응
• 데이터 기반 일하는 문화 만들기
• ex. 클라우드 분석 환경, ETL 자동화, BI 서비스

 

2. 데이터 파이프라인 구축하기

• 데이터 파이프라인
  • 데이터를 쌓고, 가공, 추출하고, 의사결정에 활용할 수 있는 프로세스를 만드는 것
• 데이터 파이프라인 설계 과정 고려 질문
  • 어떤 데이터 쌓을 지?
  • 어떤 형태로 쌓을 지?
  • 어디에 쌓을 지?
  • 어떻게 꺼내서 볼 지?
• 행동 로그 분석을 위한 데이터 파이프라인
  • 서비스 로그
    • ex. 회원가입, 예약, 구매 등
  • 행동 로그
    • 트랜잭션 이르기까지 액션에 대한 로그
    • 데이터 양 많고, 자유도 높아 수집 활용 까다로움
    • ex. 특정 상품 클릭, 검색, 배너 스와이프 액션
• 이벤트 속성
  • 키(key), 값(value)으로 이뤄짐 → 클릭 이벤트에 대한 자세한 값 알 수 있음
  • 하나 이벤트 발생 시 입체적 정보 얻음
    • 단순 이벤트 집계
    • 이벤트 속성 집계
    • 이벤트 속성 + 사용자 속성 집계
• 행동 로그 설계하고 적재하기
  • 스키마 설계서
    • 이벤트를 어떤 기준을 쌓아서 볼 지 정의한 문서
      • 어떤 화면의 어떤 이벤트?
      • 이벤트 발생 조건?
      • 함께 기록 속성?
      • 속성 데이터 타입?
      • 처음 기록 시점?
    ⇒ 핵심: 모든 이벤트 기록 X → 분석에 필요한 이벤트를 정확하게 적재

 

3. 데이터 활용 위한 역량과 문화 갖추기

• 데이터 요청하는 사람, 추출/분석하는 사람이 명확하게 나뉘면 데이터 원활하게 흐르기 어려움
• 구성원 개개인이 BI(Business Intelligence) 서비스를 통해 필요 데이터를 주도적으로 추출하고 가공해서 대시보드를 스스로 만들 수 있어야 함
• 데이터 분석은 “좋은 질문”에서 시작 → 서비스와 사용자 접점에서 일하면서 도메인 지식을 쌓은 사람

 

4. 성장 실험: A/B 테스트

• A/B 테스트
  • 두 개의 변형 A, B를 사용하는 종합 대조 실험
  • 사용자 반응을 측정해서 어떤 옵션이 더 효과적인지 검증하는 과정
• A/B 테스트 설계하기
  • 가설: 독립 변수, 종속 변수 정의 → 종속 변수 목표 수준 정함
  • 실험 집단 / 통제 집단: 테스트 처치 유무
  • 독립 변수: 원인
  • 종속 변수: 결과
  • 통제 변수: 동등 조건 변수(제 3의 변수)
  • 샘플 크기: 참가자 숫자
  • 실험 기간: 수집 필요 기간
• A/B테스트 설계 시 유의사항
  • 실험 집단 & 통제 집단 샘플링
    • 통제 변수 깊게 고민 안하고 홀짝 구분만 한다고 잘 된게 X
    • ex. 항공권 예약: ‘휴가’ 목적과 ‘출장’ 목적 가진 사람의 여행 상품 추천 다름
  • 순차 테스트 & 동시 테스트
    • 순차 테스트는 제대로된 통제 변수 관리 X
  • 샘플 크기
    • 샘플 크기 고려 안하면 엿보기 & 조기 중지 함정에 빠질 수 있음

 

출처 | 양승화, 그로스해킹, 위키북스, 2021