서비스 기획자의 데이터 분석

1. 서비스 기획과 데이터 분석.

2. 14년 차, IT서비스 기획자이자 프로덕트 매니저 법학과 행정학 전공 온라인 광고 AE로 IT업계 입문 버디버디, 다날 등을 거쳐 12번째 회사 재직 중 그러나 단, 한번도 사수가 없었음 필리핀과 중국에서 2번의 해외 근무 경력 약 3년 간의 스타트업 창업 경험 다양한 서비스 및 플랫폼 기획/구축/운영 경험 유세균무기 @germweapon https://germweapon.tistory.com

3. 그런데 서비스 기획 시 데이터 분석이란 걸 했나요? 데이터 분석

4. 그런데 언제까지 감과 지식에 의존한 기획을 할 건가요? 데이터가 쌓인다!!!

5. 아이디어 기획 데이터 수집 제품 학습 측정 서비스 기획자들이 잘하는 업무! 서비스 기획자들이 어려워하는 업무!

6. 매출 증대 광고/마케팅 최적화 회원 이탈 방지 조직 성과 관리 서비스의 정량적 분석 개인화 솔루션 도입 안정적인 고도화 동료들의 설득 … 데이터 분석은 왜 해야 할까요?

7. 결국 고객과 서비스를 이해하고 성장하기 위해...

8. 퍼포먼스 마케터, 서비스 기획자, UX 디자이너, 그로스 해커, 개발자, 데이터 과학자/분석가, ... 그럼 데이터 분석은 누가 할까요?

9. 서비스 기획자의 데이터 분석의 목표는 서비스를 운영하면서 쌓이는 데이터를 바탕으로 사용자를 이해하고 서비스를 개선해 나가는 것.

10. SQL 분석 툴 통계 / 대시보드 분석 솔루션(Tableau, ELK Stack 등등), 결국엔 순정이니까, 직접 분석 솔루션 구축... 데이터 측정 및 수집, 분석은 어떻게 하나요? Google Analytics Mixpanel Amplitude Optimizely Firebase Optimize Fabric Facebook Pixel Adobe Target Adobe Analytics Cloud Amazon Mobile Analytics Piwik Localytics Countly Beusable Userhabit …

11. O.K! 왜, 누가, 어떻게 데이터 분석을 해야하는지는 알겠는데 그럼 무엇을 분석해야 할까요?

12. 데이터 분석 프로세스 데이터 분석 환경 설계 데이터를 지표로 가공 목표 설정 데이터 분석 무슨 데이터(Raw & Log data)를 어떻게 쌓아야 할까? 어떤 시점에, 어떤 방식으로 데이터를 분석해야 할까?

13. 데이터 분석 프로세스 데이터 분석 환경 설계 로그를 지표로 가공 목표 설정 데이터 분석 도메인과 서비스, 사용자에 대한 이해를 바탕으로 이를 분석하기 위한 환경 설계

14. 좋은 로그와 기획자의 역할 좋은 로그를 만드는 것은 개발자만의 역할이 아니다! 모든 구성원의 역할이며 기획자도 좋은 로그를 만들기 위해서 기획 단계에서부터 고민을 해야 함 좋은 로그 문제 좋은 로그를 만들기 위해 고려사항 필요한 정보가 있다. 필요한 로그가 없다. - 로그에 대한 작업 우선순위가 일반적으로 높지 않음 - 무엇을 고려해야 할지 모름 - 어떻게 로그를 설계할지 합의조차 없음 - 설계에 대한 고민 없이 일단 남기고 보자! - 로그 품질을 지속적으로 관리하지 않음 목표 일관성 신뢰성 의미가 명확하다. 이 이벤트는 무슨 의미이지? 이름에 대한 합의와 규약 모두가 쉽게 의미를 파악할 수 있는 구체적인 이름 사용 편리하게 데이터를 얻을 수 있다. 값에 여러 데이터가 섞여 있어 매번 가공 처리를 해야 한다. 설계 시 관계자들이 협의 필요 기타 로그 관리의 부재 로그의 문서화와 그 관리 - 로그의 목표와 의미 - 로그의 정확한 발생 시점 - 각 항목들의 의미와 데이터 타입 - 항목의 추가/변경/삭제 이력 - 특이사항 기록(발생 일시 및 내용 등) - 로그가 사용되는 곳 정의 및 파악

15. 로그 추가 및 변경 프로세스 로그 설계 로그 추가/변경 테스트 배포 목표 정의 목표를 구체적으로 정의 어떤 데이터가 필요한 지 정의 관계자(기획자, 분석가, 개발자 등)가 모두 모여 다음을 협의하여 로그 설계 - 이벤트 정의, 지표를 어디서/어떻게 볼 것인지 협의, 필요한 항목을 구체적으로 정의, 추가 가능 여부, 우선순위 등

16. 데이터 분석 환경 설계

17. Table/Event Field Law data 이름에 대한 합의와 규약 구분 설명 예시 파스칼 표기법 단어의 첫 문자를 대문자로 시작하는 표기법 SignUpActivity 스네이크 표기법 단어를 밑줄로 구분하는 방법 Signup_login_btn

18. 데이터 분석 프로세스 데이터 분석 환경 설계 로그를 지표로 가공 목표 설정 데이터 분석 의미 있는 지표를 추출하고 정보와 인사이트 도출

19. 지표 좋은 놈 vs. 나쁜 놈 구분 종류 설명 좋은 지표 비교 가능한 지표 시간별, 그룹별 등 특정 기준과 조건으로 비교가 가능한 지표 판단이 쉬운 지표 절대값(1,234)보단 비율(%)로 표현 구성원 모두가 쉽게 이해가 가능한 지표 기업마다, 서비스 특성에 따라 지표를 표현하는 방식이 다를 수 있음 나쁜 지표 허영 지표 (Vanity Metric) 보여주기 식 지표, 보고용 지표 누적 다운로드 수, 누적 가입자 수, 페이지뷰 등 Actionable 하지 않은 지표 개선할 여지가 없는 지표 선행 vs. 후행 구분 설명 선행 지표 미래를 예측하는데 도움이 되는 지표 (원인이 되는 지표) 분석 툴 맨날 보고 있어봐야 선행지표를 찾거나 측정할 수 없음 후행 지표 일어난 일을 파악하는데 도움이 되는 지표 (결과로 보여지는 지표) 대부분의 지표가 후행 지표에 해당 사업의 성과나 상태를 측정해서 수치화한 것

20. AARRR Metrics (일명 해적지표)

21. Channel / AD AARRR Metrics (일명 해적지표) Acquisition 사용자 획득/유치 Activation 사용자 활동 Retention 사용자 유지 Referral 추천 Revenue 매출 Download User UAC(CAC) Duration Bounce Rate CCU/ACU/MCU Frequency Retention Rate SNS Share Rate NPS Conversion Rate PU ASP Paying User Rate Viral Coefficient ARPU ARPDAU ARPPU Transactions Purchase Frequency LTR LTV(CLV) PV DAU/WAU/MAU Click CTR CPM CPC CPA CPS ROAS ROI Impression CPI CPE Latency Revenue Abandoned Cart Exit Rate Session 마케터 기획자/프로덕트 매니저 영업/MD 유입경로 분석 순위 분석, 유저환경 분석 사용행태 분석 Funnel 분석 추천 분석 매출 분석 매출 지표사용자 지표

22. UTM 코드 웹에서 사용자의 ‘유입 경로’를 트래킹하기 위한 방식 https://germweapon.tistory.com/notice/302?utm_source=pm&utm_medium=banner&utm_campaign=click 파라미터 (Parameter) 설명 예제 UTM (Urchin Tracking Module) utm_source Campaign source; used to identify a search engine, newsletter, or other source utm_source=google utm_source=facebook utm_medium Campaign medium; used to identify a medium such as email or cost-per-click (cpc) utm_medium=cpc utm_medium=post utm_term Campaign term; used with paid search to supply the keywords for ads utm_term=running+shoes utm_content Campaign content; used for A/B testing and content-targeted ads to differentiate ads or links that point to the same URL utm_content=logolink utm_content=textlink utm_campaign Campaign name; used for keyword analysis to identify a specific product promotion or strategic campaign utm_campaign=spring_sale · 구글 애널리틱스에서 지원하는 방식 Acquisition 사용자 획득/유치 Activation 사용자 활동 Retention 사용자 유지 Referral 추천 Revenue 매출

23. 지표 어디까지 쪼개고 비교해 봤니? 한 지표를 보더라도 쪼갤 수 있을 때까지 쪼개고 비교해 봐야 한다. 신규 (New) 재활성 (Resurrected) 기존 (Resurrected) 신규 (New) 재활성 (Resurrected) 기존 (Resurrected) 이탈 휴면 이탈 휴면 MAU 1월 2월 Acquisition 사용자 획득/유치 Activation 사용자 활동 Retention 사용자 유지 Referral 추천 Revenue 매출

24. Organic Channel B Channel A CAC = 10,000원 LTV > CAC Channel B Channel A CAC = 15,000원 LTV < CAC Channel B Channel A CAC = 10,000원 LTV > CAC CAC = 20,000원 LTV < CAC CAC CAC(Customer Acquisition Cost)도 쪼개서 보면... Acquisition 사용자 획득/유치 Activation 사용자 활동 Retention 사용자 유지 Referral 추천 Revenue 매출

25. Acquisition 사용자 획득/유치 Activation 사용자 활동 Retention 사용자 유지 Referral 추천 Revenue 매출 Aha moment Bounce Rate, Exit rate를 낮추고, PV, Duration, Frequency를 높이려면, Retention이 높은 고객을 살펴보고 ‘Aha moment’를 찾아야 함

26. Acquisition 사용자 획득/유치 Activation 사용자 활동 Retention 사용자 유지 Referral 추천 Revenue 매출 Friction Bounce Rate, Exit rate를 낮추고, PV, Duration, Frequency를 높이려면, 낮은 진입장벽 Latency 좋은 UI/UX Etc.

27. Acquisition 사용자 획득/유치 Activation 사용자 활동 Retention 사용자 유지 Referral 추천 Revenue 매출 Cohort Retention

28. Acquisition 사용자 획득/유치 Activation 사용자 활동 Retention 사용자 유지 Referral 추천 Revenue 매출 Viral Coefficient Viral Coefficient, 바이럴 계수 기존 고객 한 명이 데려온 신규 고객의 수 Viral Coefficient = 초대율[전체 발송된 초대수/전체 사용자수] * 수락률[(초대를 받고 가입한 사용자수/전체 발송된 초대수)*100] 바이럴 계수가 지속적으로 1 이상을 유지한다면 가입하는 사람마다 한 명 이상의 유저를 계속 초대하게 되고 따로 홍보하지 않아 도 사용자가 지속적으로 늘어나는 마법 같은 일이 펼쳐진다. Viral Cycle Time, 바이럴 주기 바이럴 계수가 1이라도 새로 가입한 사용자가 바이럴을 일으키는데 걸리는 시간이 한 달이라면 성장은 하지만 속도가 매우 더딜 것이다. 때문에 바이럴 주기는 짧으면 짧을수록 좋고 바이럴 계수와 함께 바이럴 주기도 고려해야 한다.

29. Acquisition 사용자 획득/유치 Activation 사용자 활동 Retention 사용자 유지 Referral 추천 Revenue 매출 LTV 고객 생애 가치 (Lifetime Value, CLV) LTV > CAC어떻게 측정하지?

30. 데이터 분석 프로세스 데이터 분석 환경 설계 로그를 지표로 가공 목표 설정 데이터 분석 우리의 가장 중요한 목표는 무엇인가? 지표를 개선하기 위해선 무엇을 해야 하는가?

31. OMTM ; One Metric That Matters OMTM KPIVS. 가장 중요한 단 하나의 지표는?

32. 데이터 분석 프로세스 데이터 분석 환경 설계 로그를 지표로 가공 목표 설정 데이터 분석 인사이트 도출

33. 달성하고자 하는 정량적인 목표를 가장 효율적으로 달성하기 위해서, 목표까지의 인과관계를 데이터로 분석하여 최적의 경로를 세팅하는 것 그로스 해킹 시 중요한 요소 우선순위 속도 임팩트 그로스 해킹이란?

34. Date-Driven Planning, DDP 문제 정의 전략 및 가설 수립 실험 Funnel 분석 A/B 테스트 결과 및 인사이트 도출

35. 어떤 문제를 해결해야 하는가? 문제 정의 전략 및 가설 수립 실험 Funnel 분석 A/B 테스트 결과 및 인사이트 도출 우선순위 결정 - OMTM

36. 그 문제의 해결 방법은? 문제 정의 전략 및 가설 수립 실험 Funnel 분석 A/B 테스트 결과 및 인사이트 도출 해결책 선택

37. 어떻게 실험할 것인가? 문제 정의 전략 및 가설 수립 실험 Funnel 분석 A/B 테스트 결과 및 인사이트 도출 인내심, 지구력, 끈기... OTL

38. 이런 행위를 빠르게 끊임없이 반복하는 것이 그로스 해킹 문제 정의 전략 및 가설 수립 실험 Funnel 분석 A/B 테스트 결과 및 인사이트 도출 평가 및 문서화

39. 서비스 분석하기, 실험을 시작해볼까? Funnel 분석, A/B Test, Cohort 뽀개기!

40. 웹사이트 유입 상품 조회 장바구니 담기 결제 수단 선택 결제 완료 Critical Path에 이벤트(Event) 트랙킹을 삽입하여 분석 예_쇼핑몰인 경우 Critical Path : ‘사업의 목표’와 관련 사용자들이 거치는 주요 경로

41. Funnel 분석을 위한 분석 환경 설계

42. Funnel 분석을 위한 분석 환경 설계

43. Funnel 분석 전환률 최적화 (Conversion Rate Optimization)

44. 그럼 다음 UI에서는 어떻게 분석을 할까요? Page와 Event로 분석이 가능한가요? 1) 상품 이동 (위, 아래 스와이프)은 어떻게 측정하지? 2) 관심 상품에서 제거 및 장바구니 담기 (좌, 우 스와이프)는 어떻게 측정하지? Event Property 이벤트의 상세 속성 스와이프 액션(Event)을 측정하기 위해 ‘상,하,좌,우’ 방향을 속성(Property)으로 가짐

45. 상품별로 측정하고 싶다면 어떻게 해야 할까요? 1) 어떤 상품이 관심 상품에서 제거됐고 장바구니에 담겼는지, 그냥 지나쳤는지 측정 하고 싶다면? Event Property 이벤트의 상세 속성 상품별로 ‘Product ID’라는 Property를 추가 사용자가 어느 상품을 그냥 지나쳤는지, 관심 상품에서 제거했는지, 장바구니에 담았는 지, 나아가 실제 구매를 했는지 알 수 있음

46. Event & Property MypageActivity mypage_favorite_btn FavoriteActivity Property : top, bottom, left, right Property : Product ID Property : order favorite_delete_btn / favorite_cart_btn

47. Property Event로 측정할 수 없었던 정보를 Property를 통해 세세하게 측정이 가능함 구분 어떻게 설명 이벤트 속성 (Event Property) 페이지 및 버튼 등의 이벤트에 따른 상세 속성 비즈니스의 목표 및 서비스 특성에 따라 어떠한 속성을 측정할 건지 판단하는 것이 중요 사용자 속성 (User Property) 사용자가 가지고 있는 상세 속성 회원번호(User ID), 이메일 주소, 가입일시, 구매 횟수, 구매 금액, 접속 기기 및 지역, 인구통계학적 정보 등 사용자에 관해 수집하는 모든 정보

48. A/B Test

49. A/B Test 시 주의사항 데이터에서 인과관계를 찾기 위해 의도적으로 변수를 통제하여 실험을 하는 것 샘플 사이즈 변수 통제 통계 집착 테스트를 위한 테스트 평가와 기록 부재

50. 쉽게 모바일 앱, A/B Test 하기 iOS Android

51. A/B 테스트 툴 고맙게도 여러 툴을 사용하면 보다 쉽게 A/B 테스트가 가능하다. 구분 설명 링크 A/B 테스트 계산기 A/B 테스트에 따른 방문자 및 전환수를 입력하면 전환율을 계산해줍니다. https://neilpatel.com/ab-testing-calculator/ A/B 테스트 적정 샘플 사이즈 계산기 A/B 테스트에 적합한 샘플 사이즈를 계산해줍니다. https://docs.adobe.com/content/target-microsite/testcalculator.html

52. A/B Test

53. A/B Test

54. Cohort 분석 (동질 집단 분석) Cohort : 통계적으로 동일한 특색이나 행동 양식을 공유하는 집단 수학 점수로 Cohort 분석

55. Cohort 분석

56. 결국 데이터 파이프라인 구축 및 자동화를 위해 프로그래밍이 필요.

57. 데이터 시각화? 데이터 시각화 및 BI

58. 모든 구성원이 데이터를 보고 활용할 수 있어야 함

59. 데이터 시각화 시 주의사항

60. 앞으로? AI(머신러닝)

61. AI를 활용해 로고 제작

62. 동영상 AI를 활용해 웹사이트 제작

63. 서비스 기획자의 역할? 데이터를 분석하는 시각

64. 데이터를 올바르게 분석하고 활용할 수 있는 시각 동영상

서비스 기획자의 데이터 분석

Esté a ler uma amostra.

Confira estes a seguir

서비스 기획자의 데이터 분석

Mais Conteúdo rRelacionado

Diapositivos para si (20)

Semelhante a 서비스 기획자의 데이터 분석 (20)

Mais de YOO SE KYUN (20)

Mais recentes (20)