그로스해킹 - 양승화

 

 

1. 그로스해킹이란?

"서비스 출시는 끝이 아닌 시작에 가깝다."

 

'아이디어-개발-측정-개선'으로 이어지는 피드백 순환고리(feedback loop)를 최대한 빨리 진행하면서 작은 성공을 쌓아 서비스를 점진적으로 개선하는 것이 린 스타트업이다. 이는 그로스해킹이 가진 철학과 일맥상통하다.

 

우리가 그로스해킹을 공부하는 이유는 데이터에서 찾아낸 인사이트를 바탕으로 제품이나 서비스를 지속적으로 개선해 나가는 방법을 익히기 위해서이다. 그로스해킹을 배울 때 기술이 목적이 되어서는 안된다.

 

그로스해킹 책이나 글에서 공통적으로 강조하는 4가지

1) 크로스펑셔널 팀(Cross-Functional Team)

* 기능 기반 조직의 경직된 협업이 아니라 목적 기반으로 구성된 조직에서 여러 직군의 구성원들이 치열하게 협업할 떄 효율적인 성장 실험이 가능하다.

2) 린스타트업(Lean Startup)

3) 최소 기능 제품(Minimum Viable Product. MVP)

4) AARRR

 

그로스해킹이란?

- 크로스펑셔널한 직군의 멤버들이 모여서

- 핵심지표를 중심으로

- 실험을 통해 배움을 얻고, 이를 빠르게 반복하면서

- 제품이나 서비스를 성장시키는 것

 

그로스해킹의 범위

문화 > 프로세스 > 분석 환경 > 지표

 

---

2. 전제조건: Product-Market Fit

많은 회사에서 '서비스 개선'이라는 용어를 '기능 추가'와 동일한 의미로 상요한다. 추가되는 기능만큼 서비스의 복잡도는 높아지고 자연스럽게 뒤따라오는 레거시(legacy)가 늘어나기 때문에 서비스 개선이 기능 추가와 동일시 되어서는 안된다. 서비스에 특정 기능을 추가할 때는 관련된 운영 정책, 고객 커뮤니케이션, 로그 기록과 수집 등 기능이 추가되면서 발생하는 유지보수 리소스를 꼭 고려해야 한다. 제품이 기능의 조합이 되어서는 안 된다.  제품은 가설의 조합으로 이루어져야 하며, 그러한 가설을 테스트하기 위한 최소한의 기능으로 이뤄져야 한다. 최소한의 기능으로 사용자에게 가치를 전달할 수 있는 제품이 성공한다는 점을 꼭 기억할 필요가 있다.

 

PMF을 찾지 못하는 경우

1) 존재하지 않는 문제를 가정하면서 제품을 만든다. 또는 존재하는 문제이지만 너무 규모가 작아서 사업화할 수 없다.

2) 문제는 잘 정의했지만 충분히 좋은 해결책을 제시하지 못한다. 핵심 기능이 명확하고, 문제를 해결에 집중되어야한다.

3) 제품을 통해 검증하려고 했던 가설이 무엇이었는지, 검증 결과가 어땠는지에 대한 답을 하지 못한다.

 

PMF를 확인할 수 있는 3가지 지표

1) 리텐션(Retention): 리텐션에 영향을 미치는 핵심 기간은 서비스를 사용하기 시작한 직후부터 수일 이내이다. 서비스에 대한 온보딩 과정이 매우 중요하다. 또한 서비스 카테고리의 영향을 크게 받는다.

2) 전환율(Conversion rate): 특히 가입이나 결제같은 주요 이벤트의 전환율을 보면 PMF을 만족하는지 판단할 수 있다. UI/UX의 영향을 많이 받지만, 불편함을 잘 해소하는 제품이면 이를 감안해서도 사용하기 때문에 높은 전환율을 보인다. 전환율 또한 카테고리에 따라 영향을 많이 받는다. 또한, 똑같은 상품에 대한 전환이라도 유입된 소스/매체에 따라 차이가 난다.

3) 순수 추천 지수(Net Promoter Score, NPS): "이 서비스를 주변 지인이나 친구에게 얼마나 추천하고 싶으신가요"와 같은 하나의 질문을 통해 측정할 수 있다. 이론상 -1과 1사이의 값을 가지며, 일반적으로 NPS가 양수라면 점수가 양호한 것으로 판단한다. NPS는 '팬'에 대한 지표다. 서비스에 적당히 만족하는 고객을 많이 확보하더라도 NPS 점수를 높이는 데 전혀 도움이 되지 않는다. 제품에 불만족하는 사람을 줄이는 것 만큼이나 적극적인 팬 층을 늘리는 것이 매우 중요하다. 서비스를 적당히 좋아하는 1000명의 사용자보다는 서비스를 열렬히 사랑하는 100명의 충성 사용자를 확보했을 때 그 서비스가 성공할 확률이 크게 높아진다.

 

PMF를 찾지 못했다면, 브레인 스토밍, 기능 추가, 잔존율 또는 전환율을 개선하기 위한 실험을 하면 안된다. 이 시기에는 책상 앞이 아니라 제품을 사용하는 고객 옆에 머물러서 1:1 사용자 인터뷰와 행동관찰같은 활동이 필요하다. 또한, 정량적인 방법으로는 사용자 행동 데이터를 분석하는 방법이 있다. 어떤 시나리오에서 어떻게 행동하는지. 리텐션과 전환율은 PMF를 확인하기 위한 수단으로 활용해야한다. 목적이 되어서는 안된다. 

 

인터뷰 내용

1) 미래가 아닌, 과거와 현재에 초점을 맞춘 질문

2) 가정이 아닌, 경험 질문

3) 결과가 아닌, 과정을 깊이 살펴보기

4) 기억이 아닌, 습관을 통해 드러난 구체적인 경험 확인하기

5) 일반화된 진술이 아닌, 개인의 경험이 드러날 수 있도록 질문/답변하기

6) 편향된 믿음을 확인하는 과정이 아닌, 순수한 호기심으로 접근하기

 

사용자가 이야기해주는 것은 '정답'이 아닌 '맥락'이라는 점에 유의하자.

 

---

3. AARRR

지표를 측정하고 관리하는 방법

1) 과업 기반(Task-based): 각 조직별로 담당하는 업무를 우선 정의한 후 해당 업무를 통해 발생하는 수치들을 지표화해서 관리

2) 프레임워크 기반(Framework-based): 서비스 이용흐름에 따른 핵심 퍼널과 지표를 정의하고, 해당 지표를 개선하기 위한 과업을 수행한다.

 

과업 지반 지표 관리는 몇 가지 문제점이 있다. 전체적으로 서비스 관점에서 무엇이 중요한 지표인지 판단하기가 어렵다는 점이다.이런 환경에서는 전사 관점에서의 지표 우선순위를 정의하기가 어렵다. 이런 방식은 팀별 KPI가 여기저기 흩어져있고, 팀별로 진행 중인 업무가 언제든 추가되거나 변경될 수 있기 때문에 모니터링하는 지표가 수시로 달라질 수 있다는 문제가 있다. 결국 서비스의 빠른 성장을 기대하기 어렵다. 사실 모니터링 대상이 되는 지표가 달라지는 것 자체가 문제라기보다는 높치고 있던 중요한 지표가 뒤늦게 여기저기서 발견된다는게 더 문제이다.

 

효율적인 지표 관리 방법

회사 조직도에 따라 지표를 나눠서 제각각 관리하지 말고 사용자의 서비스 이용 흐름(Use Flow)에 따라 단계별 주요 지표를 전체 서비스 관점에서 정의해야한다. 즉, 유저가 들어오는 순간부터 나가는 순간까지를 모두 포괄하는 퍼널을 만들고, 각 단계에서 핵심이 되는 지표가 무엇인지를 찾아야한다. 지표를 우선 정의한 후 해당 지표를 원하는 방향으로 움직이게 하기 위해 어떤 과업이 필요할지를 거꾸로 고민해야한다. 이 때 매우 효율적으로 활용할 수 있는 프레임워크가 데이브 맥클루어의 AARRR이다. 

 

주의할 점

• 서비스의 카테고리별로 어떤 지표를 봐야할지를 선정하는 과정, 지표를 개선하기 위해 어떤 실험을 어떤 우선순위에 따라 진행할지를 결정하고 실행할 것인를 정해는 과정이 필요하다. 
• 활성화와 유지율을 가장 우선적으로 개선하고, 그 다음으로는 고객 유치와 추천을 개선하고, 마지막으로 수익화를 챙겨야한다.

 

 AARRR 활용방법

• 각 단계별로 풀어야하는 문제를 확인한다.
• 각 단계의 핵심이 되는 주요 지표를 선정하고, 해당 지표의 현재수준을 측정한다.
• 측정된 지표가 가지는 의미를 이해한다.
• 개선해야 하는 목표 수준을 정하고, 실험을 통해 단계적으로 개선한다.

 

고객 유치(Acquisition)

고객 유치 과정의 핵심은 고객 유치에 기여(Attribution)한 채널의 성과를 판단할 수 있는 모델을 만드는 것이다.

 

유입채널에 따라 사용자를 Organic과 Paid로 나눌 수 있다. Organic은 엄밀히 말하면, 명확하게 식별되지 않은 트래픽이기 때문에 Web에서는 UTM파라미터를, APP에서는 MMP툴(ex. Appsflyer)의 어트리뷰션을 통해 유입 채널을 식별할 수 있게 만들어주어야한다. 

 

고객 획득 비용(Customer Acquisition Cost, CAC)

고객 유치와 관련된 핵심 지표를 딱 하나만 꼽으라면 고객 획득 비용을 들 수 있다. 고객 획득 비용은 한 명의 사용자를 데려오기 위해 지출하는 평균 비용을 의미한다.

 

고객 획득 비용을 지표를 활용하는 것의 핵심은 채널별, 캠페인별, 광고별, 날짜별 데이터를 쪼개서 보는 데 있다. 여러 가지 조건에 따라 고객 획득 비용을 각각 쪼개서 계산할 수 있다면 '어느 채널에 얼마의 기간 동안 어떤 캠페인으로 얼마의 예사을 집행할 것인가'라는 질문에 답할 수 있게 된다.

 

어트리뷰션 윈도우(Attribution window)

어트리뷰션 성과를 판단하는 방법은 어트리뷰션 윈도우(Attribution window) 방식에 따라서 다르다.어트리뷰이션 윈도우는 기여 이벤트가 발생한 이후 얼마만큼의 기간 동안 발생한 전환에 대해 어트리뷰션을 인정할 것인가를 의미하는 용어로서 룩백 윈도우(lookback window)라고도 한다. 기여 이벤트의 종류는 클릭-스루와 뷰-스루로 나눌 수 있으며, 기여 이벤트 종류를 기반으로 기여도를 측정하는 어트리뷰션 모델이 존재한다. 모델의 종류에는 퍼스트 클릭, 라스트 클릭, 선형, 타임 디케이, U자등 등이 있다. 이는 서비스 종류에 따라 담당자가 MMP툴을 통해 직접 설정할 수 있다.

 

담당자가 직접설정해야하기 때문에 우리 서비스의 고객 유치 성과를 어떤 기준으로 측정할지에 대해 서비스 담당자들 안에서 공감할 수 있는 명확한 기준이 있어야한다. 예를들어, 다음과 같은 질문에 대해 사내에서 합의된 기준이 필요하다.

• 각 광고 채널별로 어트리뷰션 윈도우를 얼마나 길게 인정할 건인가?
• 클릭-스로와 뷰-스루에 대한 어트리뷰션 위도우를 다르게 인정해야 할까? 만약 그렇다면 적절한 어트리뷰션 위도우 기간은 어느 정도일까?
• 모바일 앱 어트리뷰션 윈도우와 동일한 형태로 웹 UTM에 대해서도 기여 윈도우(attribution window)를 인정할 것인가? 만약 인정한다면 얼마나 길게 인정해야 할까?
• 동일한 사용자의 웹 어트리뷰션 로그와 앱 어트리뷰션 로그가 모두 남아있는 경우 기여도를 어떻게 판단해야 할까?
• 기여 이벤트가 여러 채널에서 발생하는 경우 어떤 어트리뷰션 모델에 따라 판단해야할까? 퍼스트 클릭이나 라스트 클릭과 같은 싱글 채널 어트리뷰션 모델을 써야 할까, 아니면 선형이나 U자형 모델 등 멀티 터치 어트리뷰션 모델이 적합할까?
• 검색광고 UTM을 달고 유입된 사용자가 당일 회원 가입을 하지 않고 그다음 날 친구 초대 링크를 타고 다시 들어와서 가입했다면 이때 발생한 회원가입은 검색광고 기여로 봐야 할까, 친구 초대 기여로 봐야 할까?
• 검색광고 UTM이 달린 채로 들어왔는데, 랭딩 페이지에 노출되는 앱 설치 유도 팝업을 클릭하고 딥링크를 통해 앱을 설치하고 가입하는 경우 이 가입은 검색광고 기여도로 봐야 할까, 앱 설치를 유도한 디퍼드 딥링크의 성과로 봐야 할까?
• 마케팅 캠페인의 성과 판단 기준은 무엇이 돼야 할까? 광고수익률(ROAS, Return On Ads Spending)? 고객 획득 비용(CAC)? 결제당 단가? 광고수익률은 낮지만 고객획득비용이 저렴한 캠페인은 유지해야하나?

어트리뷰션을 잘 활용하기 위해서는 정량적으로 나타나는 수치 외에도 각 마케팅 채널이 어떤 지면을 가지고 있늦지, 어떤 사용자층을 보유하고 있으며, 어떤 식으로 사용자를 타기팅하는지, 광고와 사용자의 인터랙션이 어떤 식으로 이뤄지는지 등 채널의 특성을 잘 이해하고 있어야한다. 즉, 광고 채널이나 지면에 대한 이해가 있어야 어트리뷰션 데이터를 제대로 분석할 수 있다.

 

딥링크, 디퍼드 딥링크를 활용하면 어트리뷰션을 측정할 수 있는 범위가 넓어진다. 웹에서 UTM 파라미터를 활용하는 것과 유사하게 딥 링크를 생성할 때 적절한 파라미터를 추가하면 어떤 채널에서 활용된 딥 링크를 통해 앱을 설치하고 사용했는지 측정할 수 있다.  

 

정리

이 단계에서의 목표는 사용자의 유입 채널을 최대한 누락없이 정확하게 추척하고, 각 채널별 성과를 정확히 판단하는 것.

새로운 채널을 찾는 것보다 기존 채널을 효율화하는 것이 더 좋은 결과를 가져오는 경우가 많다. 특히 스타트업이라면 단순히 많은 채널을 찾으려고 하기보다는 영향력있는 소수의 채널을 찾아서 해당 채널의 효과를 극대화하는 것을 목표로 사는 편이 훨씬 바람직하다. 채널 확장은 예산이 아니라 채널의 포화도(Saturation)를 바탕으로 결정해야한다.

 

주요 광고 채널의 세세한 설정이나 기능을 다루는 것도 중요하지만 전체저인 관점에서 우리 서비스의 마케팅 데이터를 어떻게 통합해서 정리할지에 대한 고민이 함꼐 이뤄져야한다. 더 크게는 우리 서비스의 핵심 가치가 무엇인지, 고객들은 어떤 특성을 가지고 있고 어떤 메시지를 통해 이들을 찾고 관계를 유지할 수 있는지에 대해서도 잘 알고 있어야한다.

 

활성화(Activation)

활성화 단계의 핵심은 퍼널(Funnel)에 대한 분석이다. 퍼널 분석은 사용자들이 경험하는 단계를 도식화하고 각 단계의 전환율을 측정, 분석하는 과정으로 진행된다.

 

퍼널 분석을 진행할 떄는 다음과 같은 세 가지 요소를 고려해야한다.

• 핵심 가치를 경험하는 시점과 그곳으로 연결되는 각 단계를 잘 정의했는가?
• 각 단계별 전환율을 어떤 기준으로 측정하는가?
• 코호트(Cohort)에 따른 퍼널별 전환율을 보고 있는가?

 

퍼널의 세부 단계 정의

퍼널 분석을 위해 우선적으로 해야 할 일은 우리 서비스가 줄 수 있는 핵심 가치를 구체화하고 사용자들이 핵심 가치를 경험하는 정확한 순간을 정의하는 것이다. 이를 아하 모먼트(Aha moment) 또는 머스트 해브(Must have)라고도 한다.

ex) 피터팬의 좋은방 구하기 = 정말 원하는 좋은방 구하기

 

이를 찾아내려면 회사가 생각하는 가치와 사용자가 경험하는 가치가 일치해야하는데, 이를 확인하려면 서비스를 홍보하기 위해 주로 사용되는 마케팅 메시지와 사용자 리뷰 등에서 나오는 서비스에 대한 키워드가 일치하는지를 살펴보는 것도 도움된다.

 

서비스에 진입하는 순간부터 핵심 가치를 경험하기까지의 경로를 크리티컬 패스(Critical Path)라고 한다. 핵심 가치와 크리티컬 패스를 잘 정리하고 나면 퍼널 분석을 위한 기본 준비는 끝남 셈이다.

 

전환율 측정

퍼널 분석의 핵심은 각 단계별 전환율을 측정하는 것이다. 이 때 전환율의 기준을 세우는게 좀 복잡하다. 트래픽 기준으로 전환율을 계산할 수도 있고, 사용자 기준으로 전환율을 계산할 수도 있다. 

 

ex) 5명의 사용자에게 상품 페이지가 총 9번 노출되었고, 총 4번의 결제가 이루어졌다면, 전환율은 4/9 = 44%

5명의 사용자 중 4명이 결제를 했다면, 전환율은 4/5 = 80%

 

트래픽 기준으로 전환율을 살펴보는 것은 UX/UI 측면에서의 개선점을 찾는 데 도움이 된다. 이에 반해 사용자를 기준으로 한 전환율은 UX/UI를 포함한 다양한 요소(상품의 매력도나 가격 등)의 영향력이 종합적으로 반영되는 지표라고 할 수 있다. 종합적인 성과 판단을 위한 지표라면 사용자 기준의 전환율을 살펴보는 것이 좋다.

 

코호트별 전환율

전환율 지표는 전체 사용자를 대상으로 확인할 떄보다 여러 그룹으로 쪼개서 볼 때 훨씬 더 강력한 의미를 지닌다. 코호트별로 전환율을 쪼개서 살펴보면 각 퍼널에 영향을 미치는 선행지표를 발견하기 쉬워진다. 퍼널 분석의 진정한 가치는 주요 퍼널에서의 단편적인 전환율을 계산하는 데 있는 것이 아니라 전환율에 영향을 미치는 유의미한 성행지표를 발견하는데 있다.

 

코호트는 생각하기에 따라 다양하게 만들어 볼 수 있다.

• 가입 시점에 따라 결제 전환율에 차이가 있는가?
• utm_source, utm_medium, utm_campaign에 따라 결제 전환율에 차이가 있는가?
• 특정 이벤트 경험 유무에 따라 결제 전환율에 차이가 있는가?
• 시간이나 요일, 계정이나 날씨 등 외부 변수에 따라 결제 전환율에 차이가 있는가?
• 사용자의 성별이나 나이 등 인구통계학적 정보에 따라 결제 전환율에 차이가 있는가?

코호트와 전환율에 대해 깊이 있게 데이터를 살펴보다 보면 결국 '전환된 사용자와 전환되지 않은 사용자는 무엇이 다른가?'라는 질문과 마주한다. 사실 이 질문이야말로 활성화 단계에서 가장 핵심이 되는 질문이다. 전환에 영향을 주고 있는 코호트를 발견할 수 있다면 전환율을 높이기 위한 구체적인 액션을 하기가 훨씬 수월해진다.

 

퍼널의 전환율을 높이는 방법

1) 개인화

서비스의 주요 화면들을 개인화햇 사용자 개개인의 맥락에 맞는 정보를 보여준다면 전환율을 높일 수 있다. 사소하게는 사용자들의 이름을 명시하는 것부터(이메일이나 푸시 메세지에 이름을 포함하는 것만으로도 오픈율이 크게 좋아진다.) 사용자 개개인의 서비스 사용 내역을 참고한 데이터를 보여주는 것(최근에 본 상품이나 비슷한 상품을 본 사람들이 구입한 상품) 등을 예로 들 수 있다.

특히 추천 영역은 개인화의 효과를 크게 볼 수 있는 부분이다. 반드시 처음부터 고도화된 알고리즘이 필요한 것은 아니다. 규칙 기반 추천도 초기에는 비교적 잘 동작하기 떄문에 기존 데이터를 확인한 후 간단한 추천 규칙을 정리해서 개인화를 시작하는 것으로도 초기에는 큰 효과를 볼 수 있다.

2) UI/UX 개선

디자인이 큰 폭으로 변경된다면 반드시 변경 전과 변경 후의 효과를 면밀하게 측정하고 검증해야한다. 이때 주의해야 할 점은 디자인 변경 초기에는 사용자들이 익숙하지 않은 화면을 봐야 하기 떄문에 일정 기간 지표가 낮아지는 게 지연스러울 수 있다는 점이다. 긍정적인 변화였다면 일정 시간이 흐른 뒤 빠르게 지표가 안정화 되고, 그렇지 않으면 전환율이 회복되지 않거나 정체되는 모습을 보인다.

3) 적절한 개입

CRM 채널이라고 알려진 이메일, 푸시, 인앱 메시지 등을 적절히 활용하면 주요 단계의 전환율을 높일 수 있다. 

ex) 장바구니에 상품을 넣어두고 결제하지 않은 사용자, 회원 가입 후 활동하지 않는 사용자에게 일정 기간 사용 가능한 쿠폰을 문자로 발송 등

여기서 주의해야 할 점은 메시지를 발송하는 맥락(context)에 따라 효과가 극적으로 달라질 수 있다는 점이다. 전체 회원을 대상으로 보내는 논타기팅 푸시나 이메일은 굉장히 보수적으로 판단하고 보내야 한다.

 

활성화 정리

실제 퍼널 개선을 하다 보면 전환율을 높이는 것보다 퍼널에 속한 각 단계의 수를 줄이는 것이 더 효과적인 경우가 많다. 서비스 전체 광점에서 필요 없는 단계를 없애거나 통합하는 과정이 반드시 필요하다. 더 나아가 존재하는 퍼널을 개선하는 것이 아니라 아예 퍼널 자체를 재설계하는 것도 새로운 대안이 될 수 있다. 익숙한 퍼널의 순서 일부를 조정함으로써 소비자들로 하여금 전환으로 넘어가는 심리적인 부담을 크게 낮춰서 효과적인 활성화를 이끌어 낼수도 있다.

ex)  와비 파커는 주문을 하면 우선 샘플을 배송받고, 실제 착용해 본 후에 마음에 들면 그제서야 시력정보를 입력해서 해당 샘플의 새 제품을 받을 수 있다 되어있다.

 

리텐션(Retention)

리텐션은 서비스의 성공을 예측할 수 있는 가장 기본적이면서도 중요한 지표다. 리텐션은 대표적으로 잘 하고 있을 때일수록 더 세심하게 측정하고 관리해야 하는 지표에 속한다.

 

리텐션은 일반적으로 접속을 기준으로 측정한다. 하지만 리텐션의 기준이 되는 행동을 꼭 접속으로 한정할 필요하는 없다. 일반적으로 접속이나 로그인을 기준으로 리텐션을 측정하는 이유는 사용자가 서비스에 진입하는 것이 유의미한 행동이며, 이러한 행동이 반복되는지 살펴보는 것이 중요하기 때문이다. 서비스에 따라 다르겠지만 꼭 접속이 아니더라도 다음과 같은 주요 이벤트는 시간의 흐름에 따라 반복 여부를 살펴보는 것이 의미가 있다.

• 상품 페이지에 5개 이상 방문
• 구매하기 클릭
• 구매 완료
• 재구매
• 친구 초대
• 메시지 주고받기
• 콘텐츠 시청

리텐션은 개선이 가장 어려운 영역이고, 변화도 비교적 오랜 기간에 걸쳐 서서히 나타나기 때문에 결과를 확인하는데 오랜 시간이 필요하다. 그렇지만, 리텐션을 일정 수준 개선할 수 있다면 장기적으로 엄청나게 큰 효과를 볼 수 있다. 리텐션은 대표적으로 복리 효과를 가져오는 지표이기 때문이다.

 

리텐션을 측정하는 세 가지 방법

1) 클래식 리텐션(Classic Retention) = Day N에 서비스를 이용한 사람 / Day 0에 처음 서비스를 이용한 사람

매일 접속하는 서비스에 적합하다.

2) 범위 리텐션(Range Retention) = Range N에 서비스를 이용한 사람 / Range 0에 처음 서비스를 이용한 사람

사용주기가 높고, 주기적인 서비스에 적합하다.

3) 롤링 리텐션(Rolling Retention) = After N day에 서비스를 이용한 유저 / Day 0에 처음 서비스를 이용한 유저

사용 빈도가 낮은 서비스에 적합하다.

 

약식으로 보는 리텐션 지표인 인게이지먼트(Engagement)도 있다. 접속일자를 따져가면서 복잡하게 계산하지 않더라도 간단한 계산을 통해 서비스의 리텐션 수준을 가늠하는 방법이다. DAU/MAU로 계산한다. 인게이지먼트 지표는 매일 동일한 사용자가 반복적으로 들어오는지 혹은 날마다 새로운 사용자가 들어오는지를 빠르게 가늠할 수 있게 해준다. 이 지표는 사용자들이 꾸준히 들어와서 주기적으로 사용하는 서비스에서 사용하기 적합하다. 

ex) 전화, 메신저, SNS 등

 

리텐션 차트를 통해 유용한 인사이트를 얻으려면 차트를 통해 다음 질문의 답을 찾아봐야한다. 

• 하나의 코호트 안에서 기간에 따른 유지율을 봤을 떄 그 추이가 어떠한가? 유지율이 급격하게 떨어지지 않고, 안정화되는 지점이 있는가? 대략 어느 정도 기간이 지나야 안정화된다고 볼 수 있는가?
• 서로 다른 코호트의 동일한 기간의 유지율을 비교하면 어떠한가? 2020년 1월 가입자와 2020년 5월 가입자의 60일 리텐션에 차이가 있는가?
• 기간에 따라 나눈 코호트의 규모는 어떻게 달라지고 있는가? 가입(혹은 접속자)가 꾸준히 증가하는 추세인가, 그렇지 않다면 유지되거나 감소하는 추세인가?

 

리텐션 개선하기

• 초기에 리텐션이 떨어지는 속도를 늦추기
• 리텐션이 안정화된 이후에는 기울기를 평평하게 유지해서 오래 유지되게 하기

초기에 떨어지는 속도를 늦추는 것은 활성화 프로세스의 영향을 많이 받는다. 사용자가 서비스에 처음으로 들어와서 가입하는 동선, 서비스 핵심 기능을 사용하는 프로세스 등을 단계별로 쪼개서 살펴보는 것이 좋다. 가입할 때 발송되는 이메일이나 SMS 등의 메시지가 잘 설정돼있는지 검토해 보는 것도 필요하다. 이처럼 활성화 단계에서 이탈이 많은 경로가 어디인지를 살펴보면 초기 유지율이 떨어지는 것을 보완하는 데 도움이 된다. 흔히 NUX(New User Experience)라고 부르는 영역이다.

 

리텐션이 안정화되는 단계에서는 사용자와의 관계를 잘 유지하는 것이 중요하다. 정기적인 커뮤니케이션 플랜이나 CRM 마케팅 활동, 주기적으로 진행하는 프로모션 등이 도움이 된다. 특히 일정 기간 미사용 후 휴면 고객이 되는 사용자들을 대상으로 적절한 복귀 명분을 만들어주는 리마케팅(Re-Marketing) 등을 꾸준하게 진행할 필요가 있다.

 

한번 떨어진 리텐션을 끌어올리기는 쉽지 않다. 애초에 떨어지지 않도록 관리하는 편이 현명하다. 일반적으로 높은 리텐션을 유지하는 방법 중 하나는 서비스를 통해 '축적되는' 가치를 만들고 이를 사용자에게 지속적으로 전달하는 것이다. 반대로 후발주자로 시작하는 서비스들은 경쟁 서비스의 사용자들을 데려오기 위해 그동안 축적해 놓은 가치를 손실 없이 이전하는 기능을 제공하는 경우가 많다.

ex) 에버노트 -> 노션

 

4. 지표

지표를 활용할 때 주의해야 할점

• 허무 지표에 빠지지 않기
• 전체 광점에서의 최적화
• 심슨 패러독스

 

지금 가장 중요한 지표 OMTM 정의하기 위해 질문해 봐야 하는 것들

• 어떤 비즈니스 모델을 가진 서비스를 만들고 있는가?
• 서비스 라이프 사이클을 고려할 떄 우리는 어떤 단계에 있는가?
• 지금 가장 신경 쓰이는 단 하나의 문제를 찾아보자. 어떤 문제인가?
• 우리가 원하는 행동을 하는 사용자와 그렇지 않은 사용자는 무엇이 가장 다른가?
• 위 4를 구분할 수 있는 이벤트나 속성은 무엇인가 그 추세가 달라지는 지점은 어디인가?

 

5.성장 실험

시작부터 한꺼번에 많은 리소스를 사용할 수 없는 환경이라면 다음과 같이 한 단계씩 실천해가는 것을 권장한다. 

• 1단계: 데이터를 활용할 수 있는 업무 환경 만들기
• 2단계: 데이터 파이프라인 구축하기
• 3단계: 데이터 활용을 위한 역량과 문화 갖추기
• 4단계: 성장 실험

 

그로스 팀의 업무 범위

• 핵심 지표 선정 및 관리
• 데이터 파이프라인 설계 및 구축
• 주제별 데이터 분석
• 데이터 추출 및 분석 요청 대응
• 데이터 기반으로 일하는 문화 만들기

 

클라우드 분석 환경, ETL 자동화 서비스, BI 서비스를 잘 조합하면 최소한의 엔지니어링 리소스만으로도 데이터를 활용할 수 있는 업무 환경을 비교적 손쉽게 구축할 수 있다.

 

클라우드 분석 환경

• 아마존 EMR
• 구글 GCP
• 마이크로소프트 Azure

 

ETL 자동화 서비스

• StitichData
• Fivetran
• Supermetrics

 

BI 서비스

• 태블로
• 구글 데이터 스튜디오
• 리대시
• 수퍼셋

 

데이터 파이프라인 설계과정에서 고려햐야하는 것들 

• 어떤 데이터를 쌓을 것인가?
• 어떤 형태로 쌓을 것인가?
• 어디에 쌓을 것인가?
• 어떻게 꺼내서 볼 것인가?

 

A/B 테스트 설계하기

1) 가설

2) 실험 집단/통제 집단

3) 독립 변수

4) 종속 변수

5) 통제 변수

6) 샘플 크기

7) 실험 기간

 

A/B 테스트 진행 시 주의사항

1) 무가설

2) 통제 변수 관리 실패

3) 단순 평균 비교

4) 엿보기+조기 중기

5) 시간 흐름에 따른 차이를 살펴보지 않는 것

 

6. 그로스 조직과 업무 프로세스

가장 중요한 목표는 핵심 지표를 개선하는것. 다음 목표는 그로스 조직이 회사에 성장 DNA를 전파하는 조직이 돼야 한다는 점.

 

일반적으로 그로스 해킹 조직은 다음과 같이 직군별 스페셜리스트의 집단으로 구성하는 것을 권장한다.

• 그로스 PM
• 그로스 엔지니어
• 그로스 마케터
• 그로스 디자이너
• 그로스 데이터 분석가

 

그로스 조직이 되기 위한 최소한의 요건은 성장 실험을 할 수 있는 멤버를 보유한 팀.

1) 실험을 설계하고

2) 실험 환경을 구축하고

3) 실험 결과 데이터를 분석할 수 있는 멤버를 보유한 조직

 

그로스 직군에게 요구되는 업무 프로세스와 역량은 지표, 데이터, 측정, 가설, 검증, 실험, 스프린트, 반복 등의 용어로 설명할 수 있다.

 

그로스 조직 구조

• 리포팅 라인: 그로스 조직의 상위 의사결정권자가 누구인가?
• 전담 인력 구성: 그로스 업무만 전담해서 진행하는 인력을 얼마나 배치할 것인가?
• 협업 구조: 사내 다른 조직과 어떤 구조로 커뮤니케이션 하는가?

 

그로스 조직이 일하는 방식

• 데이터를 기반으로 가설을 세우고
• 실험을 바탕으로 이를 검증하고
• 배움을 축적하는 과정을 빠르게 반복한다

 

그로스 조직이 일하는 방식은 흔히 스프린트로 알려진 구글의 기획 실행 프로세스와 크게 다르지 않다.