워크플로우

그로스 해킹 (양승화 저)

데이터서퍼 2023. 1. 9. 16:18

https://songheejo.oopy.io/9631cf7d-3723-42a2-9bfd-b2b8c22be8fa?utm_source=tistory&utm_medium=social&utm_campaign=referrer_prj&utm_term=%7Bquery%7D
위 프로젝트를 진행하며 그로스해킹을 익히고자 본 책을 읽고 있습니다.
저는 데이터리안 세미나에서 강력 추천받아 처음 접하였고, 실제로 읽어보니 데이터에서 찾아낸 인사이트를 바탕으로 제품이나 서비스를 지속적으로 개선해나가고자 할 때 고민스러운 부분들을 쉽게 써주신 것 같아요. 저같은 비전공자라도 그로스해킹의 A to Z를 이해하실 수 있지 않을까 합니다.
이곳에는 책을 읽으며 크게 와닿은 부분 또는 프로젝트를 진행하며 곰곰히 생각해볼 지점 일부를 간단히 남겨봅니다.


4.1 지표 활용하기

1) 지표의 속성 이해하기

(중략) 핵심 지표를 선정하거나 그로스 실험의 성과를 측정할 때는 목표로 하는 지표가 스톡인지 플로인지를 정확히 구분해서 활용해야 한다. 지표의 속성에 따라 지표를 모니터링하는 반식이나 대시보드 설계 등이 전혀 달라질 수 있기 때문이다. 실제로 데이터 분석가를 괴롭히는(!) 흔한 방법 중 하나는 스톡 지표를 플로 형태로 뽑아 달라고나 플로 지표를 스톡 형태의 대시보드에 추가해 달라고 요청하는 것이다.

2) 지표를 명확하게 정의하기

'우리 서비스의 MAU가 얼마인가요?‘
데이터 분석팀에서 가장 난감했던 경우는 ‘모호한’지표를 확인해 달라는 요청을 받는 것이었다. 위처럼 MAU를 묻는 질문도 ’난감한‘ 질문 중 하나에 속한다. MAU(Monthly Activr User)의 개념적 정의는 명확하지만 실제로 MAU를 측정하는 구체적인 조작적 정의(Operational Definition, 객관적이고 측정 가능한 기준으로 기술한 정의)가 명확하지 않다면 어떤 가준으로 MAU라는 숫자를 구해야 하는지가 불분명하기 때문이다. 안타깝게도 현실에서 많은 데이터 분석가들이 이러한 불분명한 요청을 받고 있다. 실제로 데이터 분석가들이 데이터 추출 요청 업무를 진행할 때 가장 많은 시간을 사용하는 부분은 데이터를 추출하기에 앞서 요청 사항을 구체화하는 것이다. (중략)
당연한 말이지만 MAU를 집계하려면 MAU를 어떻게 측정할지에 대한 명확한 기준이 있어야 한다. 놀랍게도 많은 서비스에서는 이 과정을 생략한 채 그때그때 서로 다른 기준에 따라 지표를 집계하고 활용하는데, 이 때문에 같은 서비스를 이용하는 사람들 사이에서도 지표에 대해 서로 다르게 생각하는 경우가 매우 빈번하게 발생한다. 실제로 이러한 기준 자체가 서비스마다 모두 다르기 때문에 데이터 분석 툴에서 보여주는 활성 사용자 지표도 모두 다르게 나타나는 것이 당연하다. 구글 애널리틱스에서 보는 28일 활성 사용자, 파이어베이스 애널리틱스(Firebase Analytics)에서 보는 MAU, 자체 데이터베이스에서 집계하는 로그인 유저, 앱스플라이어 등의 또 다른 서드파티 서비스에서 집계하는 MAU 숫자는 모두 제각각이다. 이 가운데 어떤 수치를 우리 서비스의 MAU라고 할 수 있을까? MAU가 아닌 다른 지표들은 어떨까? (중략)
사실 이 질문에는 정해진 답이 없다. 똑같은 지표라고 해도 회사나 서비스마다 중요하게 생각하는 부분이 다를 수 있고, 그에 따라 더 적합한 측정 기준이 있을 수 있다. 이 단계에서 필요한 것은 원칙을 세우는 것이다. 즉, 전사적으로 MAU나 결제 전환율이라는 지표를 어떤 방식으로 측정해서 관리할지에 대한 공감대를 형성하고 모든 구성원이 동의할 수 있는 명확한 측정 기준을 정의해야 한다.


5.1 그로스 해킹 시작하기

1) 작은 회사에서 그로스 해킹을 할 수 있을까?

(중략) 이번 장에서는 누구나 적용할 수 있는 그로스 해킹의 시작에 대해 살펴보고자 한다. 그로스 해킹의 꽃은 성장 실험이다. 핵심 지표를 정의하고, 가설을 세워서 실험을 진행하고, 데이터를 분석하는 과정을 반복하면서 조직은 배움을 축적하고 서비스는 성장할 수 있다. (중략) 시작부터 한꺼번에 많은 리소스를 사용할 수 없는 환경이라면 다음과 같이 한 단계씩 차근차근 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


5.2 데이터 파이프라인 만들기

(중략) 데이터 파이프라인은 말 그대로 데이터를 쌓고, 필요한 형태로 가공하고, 추출하고, 의사결정에 활용할 수 있는 프로세스를 만드는 일이다. (중략) 다른 서비스와 마찬가지로 데이터 파이프라인도 개발에 앞서 설계가 필요하다. 데이터 파이프라인을 설계하는 과정에서 고려해야 하는 질문들은 다음과 같다.

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

위 4개의 질문 중 ‘어디에 쌓을 것인가?’ 정도를 제외하고는 엔지니어가 혼자서 결정할 수 있는 내용은 없다. 데이터 사용자(분석가일 수도 있고, 마케터일 수도 있고, 혹은 경영진이 될 수도 있다)가 어떤 요구사항을 가지고 있느냐에 따라 수집하는 데이터의 종류나 형태 등이 전혀 달라질 수 있기 때문이다.

반응형