데이터 넥스트 레벨 4기 2주차
지난주 AARRR 의 Acquisition 에 이어서, 이번주는 AARRR 의 그 이후 단계들,
3.3 Activation , 3.4 Retentin 3.5 Revenue , 3.6 Referral 을 읽어 AARRR 의 전체 적인 개념들과 실제 사례
그리고 제 4장 지표에서 지표의 활용과 OMTM 파트를 읽었다.
3.3 Activation
AARRR 의 두 번째 A 인 Activation 에 해당하는 장에서 평소의 나를 많이 반성하게 되었다.
나의 반성 1 - 퍼널을 개선할 때는 고객의 '아하 포인트' 를 경험했을지 고민해보자
서비스에 고객이 유입하게 만들었다면, 그 이후의 관건은 고객이 '우리 사이트에서 경험했으면 하는 포인트' 를
실제로 경험할 수 있도록, 활성화 ( Activation ) 해줘야 한다는 부분에서 많은 반성을 하게 되었다.
평소 업무를 할 때 사용하는 퍼널을 떠올렸을 때, 개인적으로
CDJ ( Customer Decision Journey ) , CEJ (Customer Ecommerce Jouney) 라는 퍼널을 많이 사용하는데,
말은 비슷하지만 전자는 SEO 프로젝트를 하면서 사람들이 사이트에서 초장기의 탐색 부터 ~ 구매 ~ 구매 이후 ,
각 단계에서 검색할 때의 키워드들을 카테고리화 할 때 쓰고 ,
(General keyword > Brand Keyword > Decision Keyword > After Purchase)
후자가 보통 구글 애널리틱스 상의 데이터를 활용할 때,
전자 상거래 이벤트 (view item > add_to_cart > begin_checkout > add_payment_info _ purchase)
혹은 여기에 추가로 태깅되어 있는 이벤트들 (배너 클릭 , 이어서 쇼핑하기 ) 등을 함께 보면서
구매까지의 여정을 퍼널화하는 과정에서 CEJ 란 단어를 썼다.
내가 사용해본 유일한 로그 분석 툴이 ga4 이다 보니, 일반적으로 쉽게 이벤트 수 단위 혹은 세션 단위로만 많이 확인을 하고 있는데
(전자상거래 이벤트 퍼널에서 이벤트 수로 다음 단계로 넘어간 전환율을 본다던가.. 특정 페이지를 조회한 적 있는 세션수 등등)
이 과정에서 나는 단순히 (A > B > C > D) '엇 B>C 로 넘어가는 전환율이 낫네, 이 부분을 개선해 봐야지!' 라는 접근을 해왔지만,
진정으로 '사람들이 이 서비스의 아하 포인트를 경험했으면 하는 퍼널이 어디인가? 그 사람들이 그 부분을 경험했을까? '
에 초점을 맞춰본 적은 없는 것 같다.
최근 A/B 테스트를 생각해야하는게 있어서
, 다른 퍼널보다 view_item> add_to_cart 의 전환율이 낫으니 여기를 개선해야겠다, 어떻게 개선시켜볼까? 라는 고민이 있었는데,
이렇게 '아하 포인트' 에 초점을 맞춰보니,
'고객들이 이 서비스를 사용하러 오는 이유는 ###' 일거니, 이 부분을 pdp 페이지에서
좀 더 경험할 수 있는 문구를 추가해볼까? 라는
고객 관점의 인사이트가 생각이 나기도 했던 장이었다.
나의 반성 2. 전환율은 다양하게 계산될 수 있음을 인지하자
위에서도 언급하였지만 내가 가장 많이 써온 전환율은 view_item > add_to_cart > purchase 라는 순서의 이벤트가 있으면
add_to_cart / view_item , pucahse / add_to_cart 이렇게 단순한 계산을 해오고 있었다.
이 것의 한계점은 ga4 툴에서는 이벤트 단위로 수집이 되다 보니
내가 단순히 이벤트 수로만 전환율을 구한다면
한 사람이 여러 상품에 대해서, 같은 상품에 대해서 pdp 를 조회해도 모두 같은 view_item 으로 쳐지는 것이다.
책을 읽는데 내 방식의 한계점을 예시로 정확하게 꼬집힌 것만 같았다.
예시에 나온걸 조금 바꿔서 만약
한 사람이 동일한 상품 A 를 5번 보다가 A 1번를 구매하는 것
다른 한 사람이 다른 상품 3개를 총 5번 보다가 그 중 A 를 1번 구매했다면
나에게는 모두 view_item 5 에 purchase 1 로 전환율이 20% 인데
만약 전환율이 계산 방식에 따라 다른 양상의 사용자들일 수 있다는 걸 사전에 깊게 이해하고 있었다면
각 분류의 사람들에 대한 전략이 달랐을 것 같다
전자의 경우
상품 A 를 5번본 사람이 상품 A 를 구매하는 경우가 많았네 ? A 를 3- 4번 본 사람이 있으면 A PDP 를 더 소비할 수 있도록 해볼까
후자의 경우
A,B,C 를 모두 본 사람들이 상품 A 를 사는 경우가 많았네? B,C PDP 를 본 사람에게 A PDP 를 더 소비할 수 있도록 해볼까?
지금까지 전환율을 단순하게 계산해 왔는데
이런 다양한 경우에 대한 고려가 지금까지 많이 미흡했던 것 같다.
3.4 Retention
사실 리텐션은 중요성에 대해서는 잘 알고 있지만 실무에서 내가 직접적으로 이를 통해 개선점을 도출해본 적이 없어 아쉬운 단계이다.
작은 위로처럼 책에서도 AARRR 중 Retention 은 개선이 특히나 어려운 부분이고
사용자 경험 전반에 대한 세심한 분석과 개선을 요구하며
Retention 자체가 오랜 기간에 걸쳐 서서리 나타나기 때문에 개선을 해도 그에 대한 결과 확인에 오랜 시간이 필요하다 한다.
하지만 이렇게 오랜 시간 공을 들인 만큼, 개선을 하게되면 장기적으로 큰 효과가 있기 때문에 복리효과를 가져오는 중요한 지표다.
Retention은 크게 3가지가 있고 서비스의 특성에 따라 다른 유형을 적용해야한다
- 클래식 리텐션 (특정 날짜 기준으로 활성화 여부 확인) : 짧은 주기로 사용하는 메신저 sns
- 범위 리텐션 (특정 기간 내의 활성화 여부 확인) : 매일 접속하지 않지만 일정 간격으로 사용하는 가계부, 음식 배달
- 롤링 리텐션 (트래킹하는 이벤트 혹은 액션이 발생하지 않은지 얼마나 되었는지 확인) : 사용 빈도가 높지 않은 여행 서비스 ,쇼핑 서비스
리텐션 개선시에는 아래 두 가지를 기억하자
-초기의 리텐션 떨어지는 속도 낮추기
-리텐션 안정화 후 유지 기간을 오래되도록 보완하기
3.5 Revenue
해당 파트는 예전에 이 책을 읽을 때 좀 어려웠는데 이번에 읽을 때도 완전히 흡수하진 못했던 것 같다.
유독 실제로 내가 활용해보거나 활용해보려고 시도한 적이 많이 없는 영역이기도 했다.
이 부분은 나중에 다시 또 읽어보면서 실무에서 적용해 볼 수 있는걸 더 고민해봐야겠다.
>> 고객 생애 매출 LTR 같은 경우 유지 비용이나 획득 비용을 고려하지 않아 비교적 간단한 계산을 할 수 있었고,
1월 가입자를 대상으로 보았을 때, 그 중 활성화 되었던 회원 , 결제했던 회원 , 결제 금액, 평균 결제액을 계산하여
궁극적으로 1명의 가입자가 생겼을 때 기대할 수 있는 평균 매출을 구할 수 있다.
3.6 Referral
개인적으로 실제 일상생활에서 친구들과 소통할 때 '친구 추천 이벤트 있다! 내가 링크 보내줄게~' 하는 경험이 많아서인지
해당 파트의 사례들이 더 재밌었다.
<Referral 사례>
- 에어비앤비 문구 개선 : '친구를 초대하고 25달러 크레딧을 받으세요' > '친구에게 25달러의 크레딧을 선물하세요'
- 카카오뱅크 : 기존 비회원 유저들을 모임 통장 서비스를 통해 신규 사용자로 전환시키고, 실제로 예/적금 통장 개설까지 이어짐
- 에어비앤비 친구 초대시 , 친구의 이름이 직접 떠 '### 님을 통해 가입하여 첫 구매시 최대 ### 할인 헤택이 있어요'
4. 1 지표 활용하기
지표의 속성을 잘 구분하여 필요한 지표를 알맞게 사용하자
지표는 속성에 따라 2 종류로 분류하면
특정 시점에 관찰되는 '스톡' 과 일정한 시간 동안의 변화량을 보는 '플로' 가 있는데
일반적으로는 후자가 더 많은 정보가 있고, 스톡을 잘못 활용하면 유용하지 않은 허무 지표로 사용될 수 있다.
<스톡이 유의미한 예시>
-링크드인의 누적 프로필 수
-멜론의 누적 보유곡 수
-마이리털트립의 현재 판매중인 여행 상품 수
지표를 명확하게 정의하자
책을 읽으며 크게 공감되었던 부분은 'MAU 를 어떻게 정의하는가?' 이다
일반적인 방문한 적 있는 사용자 수를 지표로 볼 때가 대다수이고, 어떤 고객사는 '구매한 적 있는 유저' 만을 MAU 로 보기도 했었는데
이후엔 책에 나열된 좋은 예시들을 참고하면 좋을 것 같다.
- 결제한 회원 수 / 누적 가입자 수
- 오늘 결제한 회원 수 / 오늘 로그인한 회원 수
- 결제한 회원 수 / 결제하기 버튼을 클릭한 회원 수
- 결제 세션 수 / 결제하기 버튼 클릭 수
- 오늘 결제한 회원 수 / 오늘 접속한 회원 수
MAU 에 대한 정의는 서비스 마다 다르고 정답은 없지만
내부의 구성원들이 모두 동의할 수 있는 명확한 기준으로 수립하는 것이 중요함을 꼭 기억하자
나의 반성 3. 심슨 패러독스 / 대푯값의 함정에 빠지지 말자
A 라는 데이터를 기반으로 전체에 대한 판단을 했을 때 사실은 A 를 구성하고 있는 일부 요소들에 의해 전체가
왜곡 되었을 가능성을 주의하자.
예전에 글로벌 캠페인에 대한 성과를 분석 할 때, 약 10개 국가에서의 세션 유입 현황이나 이벤트 현황 등을 트래킹 했을 때도,
인도, 브라질 같은 국가는 광고비가 저렴하여 타 국가들에 비해 배로 높은 세션 유입수들이 발생하여 전체로 합해서 보면
다른 인사이트가 나와 국가별로 쪼개서 본 경험이 떠올랐다.
지금 맡고있는 기업 역시 여러 브랜드들이 입점하여 섞여 있는 구조인데,
전체와 쪼개서 볼 때는 분명 다른 인사이트가 있을 것임을 기억하고 데이터를 봐야겠다.
4.2 OMTM (One Metric That Matters)
지표를 활용할 때 가장 우선적으로 고려해야하는 것은 '가장 중요한 지표가 무엇인지' 내부 구성원들 모두가 정확히 정의하는 것.
해당 장을 읽을 때는 비록 내가 다니는 회사가 에이전시 임에도 우리 회사가 떠올랐다.
회사에서도 자체적인 솔루션을 상품화 하고 있는데
과연 우리 회사의 팀들이 우리가 목표로 할 지표는 뭐지? 를 고민하면 동일한 지표를 떠올리고 있을까?
개발팀과 컨설팅 팀의 성질은 다르지만 궁극적으로는 '가장 중요한 지표' 를 바라봐야 한 다는 점이 인상 깊었다.
각자 다른 팀들이 kpi 를 달성했음에도 회사가 성장하지 못할 수 있다는 우스갯스런 예시도 실제로 겪게 되면 무시무시한 상황인 것 같다.
회사에서 목표라 하면 사실 매출을 목표로 삼기 제일 쉬운데
매출을 OMTM 으로 정하게 되면 '서비스의 핵심 가치가 사용자에게 잘 전달되었는가' 를 확인할 수 없고,
매출은 후행지표일 뿐 그로 인해 그 다음 액션에 대한 의사결정을 진행할 수는 없다.
성장을 목표로 하는 OMTM 이 사내에서 좀 더 활발하게 논의되면 좋겠다는 바램이 많이 들었던 구절이라 인상 깊었다.
