[리뷰] 그로스 해킹: 데이터와 실험을 통해 성장하는 서비스를 만드는 방법

Data/독서

[리뷰] 그로스 해킹: 데이터와 실험을 통해 성장하는 서비스를 만드는 방법

뚱요 2024. 11. 20. 19:20

두 번째로 참여하는 데이터리안의 독서모임으로 이전에 [리뷰]컨버티드: 마음을 훔치는 데이터분석의 기술 참여하고 재미있어서 눈여겨보고 있던 찰나에 기회가 되어 참여하게 되었습니다. 이번에 PM을 맡게 되면서 서비스 기획부터 운영, 개선까지 해야 할 기회가 생겨 고심하던 찰나에 데이터리안에서 그로스 해킹 독서를 하는 것을 알게 되었고 또 번 세션은 양승화 님의 복토크쇼까지 참여할 기회가 있어 북토크 참여 후기까지 같이 남겼습니다.

성장의 즐거움

1장 그로스 해킹(Growth Hacking)

린스타트업이라는 불확실성을 최소화하기 위해 빠르게 제품을 내놓고 고객 반응에 따라서 개선하는 제품 개발 방법론의 개념과 유사하다. 그로스 해킹(Growth Hacking)은 성장(growth)하는 방법을 계속해서 해킹하여 위의 개념에 따라 개선해 내는 것이라고 보면 된다.

하기의 그림과 키워드는 그로스 해킹이라는 단어를 가장 함축적으로 잘 표현한 그림이라고 생각했다.

예전에 그로스 해킹이라는 단어가 사용하기 시작할때 호기심이 생겨서 <그로스 해킹 Growth Hacking 스타트업을 위한 실용주의 마케팅>라는 책을 접했었고 기본적인 용어와 개념에 대해서 접하고 이해하게 되었다. 문제는 이러한 개념을 실무에 실제로 적용하려고 한다면 의문점이 들게 되었고 최근 2~3년에서야 관련 강의가 있어 들으면서 스터디하며 적용하려고 해 왔다. 데이터에서 발견한 인사이트를 의사결정에 사용해 오면서 점점 어떻게 하면 더 지표가 개선될 수 있을지에만 몰두해 왔던 나를 책을 읽으면서 뜨끔했다.

2장 전제조건 : 제품 시장 적합성(Product-Market Fit, PMF)

시장이 필요로 하는 제품을 만드는것
간혹 데이터 분석을 위한 분석을 하다 보면 지표 개선에만 몰두하여 이 수치에 집착하는 경우가 있다. 종종 마케팅에서 예산으로 광고, 이벤트, 푸시 알림과 같은 노티로 일시적으로 지표를 높일 수 있지만 이것으로 PMF를 향상했다고는 할 수 없다. 지표는 적합성을 찾고 난 이후의 결과이다. 그렇기 때문에 지표 자체를 개선하는 것에 목적을 두지 말고 수단으로 생각해야 한다. 그래서 시장을 이해하기 위해서 사용자에 대한 데이터 분석과 인터뷰를 통해서 정성 &정량적으로 종합하여시장의 니즈를 파악해야 한다.

서비스 출시는 끝이 아닌 시작에 가깝다.

1~2장에서 말하는 그로스 해킹과 PMF는 성장하는 서비스 만들기 위한 답을 찾는 여정이고 데이터와 가설검정 실험을 통해서 지속적으로 서비스를 더 나은 방향으로 개선해 내는 과정이다.
업무를 하면서 답답했던 점들이 있었고 이 책에서 말하는 PM이 가장 많이 하는 실수 중 제품을 만들고 고객을 찾기와 기능을 계속해서 추가하는 것에 너무나 깊이 공감했다. 실 사용자의 필요가 아닌 기획을 위한 기획으로 사실상 개발해 두고도 불편해서 니즈와 맞지 않아서 사용하지 못하고 레거시 하게 남아 복잡성만 높아지는 케이스를 종종 봐왔다.
그리고 나는 PM이 되면 사용자가 정말로 필요로 하는 서비스를 기획하고 운영 개선하도록 해야겠다고 생각해 왔고 그러한 프로젝트를 제안하며 그 비즈니스 임팩트를 키워왔다. 이제는 하나의 부서에 국한되지 않고 좀 더 임팩트 크기를 키워야 할 때가 왔고 그게 지금 시기였다. 다시 한번 이 책에서 느낀 그로스 해킹의 정의와 지표 개선이 아닌 PMF를 달성하는 것이 목적임을 잊지 말고 실험을 진행하여 프로젝트 성과를 만들어 내겠다는 의지가 다시 명확해졌다.

3장 AARRR

그로스 해킹은 핵심 지표를 찾아 지속적으로 성장시키는 일련의 활동이다. 그리고 정의된 지표들이 제대로된 방향과 속도로 진행하는지 측정, 관리하여 지속적으로 성장하는 방향으로 이끌어 내는 것이다.
그로스 해킹 관련해서 가장 많이 들어보는 단어들 중에서 퍼널, AARRR, A/B test, 가설 검정, PMF 등이 있는데 그 중 AARRR은 지표 관리를 하기 위한 프레임워크로 지표 관리를 위한 기본 중의 기본이다.
먼저 기존의 KPI 처럼 과업에 따라서 정의하는 것이 아닌 핵심 서비스를 사용자의 고객 여정에 따라 단계별 지표를 전사적 관점으로 정의한다. 그 퍼널 단계 별 주요 지표를 관리하게 되어 변경이 많지 않고 전사/프로덕트 관점으로 최적화되어 관리된다.
AARRR 서비스 라이프 사이클 전반에 걸친 핵심 지표 관리

Acquisition(고객유치) : 고객 유치에 기여한 채널의 성과 파악
- 고객획득비용(Customer Acquisition Cost, CAC) = 고객 수 / 투입 비용
- 기여도 측정
  - 요인 : 채널, 캠페인(Campaign), 광고, 날짜, 유입경로( source)
  - attribution window : 특정 기간 동안에만 성과로 인정하기 위한 제한사항
  - attribution 유형 : view through/ click through
  - Attribution model : 채널 별 기여도에 대해서 날짜로 가중치 조정
    - linear, time decay, u-shaped 과 같이 이름에서 어떻게 가중치를 주는지 유추 가능
  - attribution 기준 : 채널 특성을 고려하여 채널, 지면, 타겟팅 고려하여 상이한 기준 적용
  - Deep link : 모바일 앱 안에 특정 화면으로 이동
  - Deep deferred link: 모바일 여부와 상관없이 딥링크와 동일한 역할을 함
  - 비고사항
    - 새로운 채널 탐색보다는 기존 채널 최적화
    - 지표는 폭 넓은 이해로 사용하자.수치 최적화 보다는 서비스 핵심 가치, 고객 특성, 관계, 메시지
Activation(활성화) : 유치한 고객이 핵심 서비스를 경험하게 만드는 것
- 퍼널분석:전환율에 영향을 주는 선행지표 발견하여 action
  - 코호트에 따른 퍼널별 전환율과 각 지표
  - 핵심 가치를 경험 시점(아하 모먼트)과 연결 단계(크리티컬 패스) 정의
    - 트래픽 기준: UI/UX 관점
    - 사용자 기준: 다양한 요소를 종합적 판단
  - 코호트별 쪼개기
  - 퍼널 개선보다는 퍼널 재설계가 더 효과적 : 전환율 개선보다 퍼널 수를 줄이는 것이 더욱 효과적
Retention(리텐션) : 핵심가치를 꾸준하게 경험하는 단계로 꾸준히 지표 관리
- 성공예측하는 가장 기본적 지표
  - 접속일 기준 : classic, rolling, range retention
  - Engagement = DAU/MAU
- 쪼개기
  - 날짜기반 코호트에 따른 차이, 유입 채널 별 차이에 따른 리텐션 추이확인
  - 추이, 안정화 지점, 코호트간 차이(추이, 규모 등
- 개선
  - 활성화 프로세스에서 NUX 개선하여 초기 리텐션 저하 속도 늦추기
  - CRM 강화를 통해 안정화 이후 리텐션 기울기 평평하게 오래 유지하도록 만들기
Revenue(수익화) : BM
- ARPU(인당 평균 매출) = Revenue / User
- ARPPU (결제자 인당 평균 매출) = Revenue / Paying User
- LTV(고객 생애 가치)
- LTR
- MRR(월별 반복 매출)
Referral(추천) :
- 친구 초대 플로우
- 바이럴계수 = 사용자 수 x 초대비율 x 인당 초대한 친구 수 x 전환율 / 사용자 수
  - 추천 엔진의 효과성 측정
  - 바이럴 경로 개선

4장 지표

지표 활용하기
지표의 방향, 변화 추이, 속도에 대한 정보를 주기 때문에 지표를 명확하게 정의하기
허무 지표- 액션을 이끌어 낼 수 없는 지표 관리에 리소스를 쏟으면 안된다.
그리고 전체 관점에서 지표를 로컬 최적화가 아닌 여러 지표를 종합하여 글로벌 최적화해야 한다.
OMTM(One Metric That Matters): 지금 가장 중요한 북극성 지표를 통해서 공유하는 하나의 목표의 방향을 일치시켜 자원을 집중 하여 중요한 목표를 이루는 것
- 비즈니스 모델, 서비스 라이프 사이클 단계, 현재 가장 큰 문제, Do's vs Dont's사용자 간의 차이점을 고려해야 함

지표 관련하여 프레임워크나 각 지표에 대한 이야기이며 그로스 해킹하여 지표 개선도 중요하지만 가장 중요한 것은 핵심 가치, 고객을 이해하고 프로덕트/ 서비스 개선하는 것이다. 그리고 위의 지표가 직접적으로 관련이 없는 것으로 보일 수 있지만 선행지표로 파악해 보면 핵심 서비스의 어떠한 점에서 기인하는 것을 알 수 있다.
데이터가 흐르는 조직이 되기 위해서 이전에 데이터 분석 파트와 A/B 테스트와 프로덕트 분석 관련하여 공부하면서 전사적 관점으로 지표 정의 및 지표 설계에 대해서 고민을 했었다. 하면서 AARRR 이라는 프레임워크도 서비스에 맞게 변형하여 적용해야 하고 지표도 다양한 의미를 내포하고 있어 이에 대해서 합의하기 위해서 미팅하면서 치열하게 이야기 했었다. 그리고 필요한 데이터가 무엇인지 해당 데이터를 어떻게 수집해야할지 등
그 전에는 다양한 허무 지표나 각자 상이하게 정의한 지표때문에 여러 번 작업했던 경험이 있었고 서로 다른 기준으로 지표에 대해서 커뮤니케이션을 진행하여 불필요하게 커뮤니케이션이 잘못 진행된 경험이 있어 이러한 점에서 더욱 더 중요하게 생각했다.
저자가 실제 경험에서 지표 정의 부터 실험 진행하면서 심슨 패러독스, 평균의 함정, 생존자 편향 등 리얼하게 겪은 현상을 예시로 들어주면서 데이터에 대한 이해, 쪼개 보기, 편향 피하기 등에 엄청나게 공감했다. 최근에 신입에게 인수인계를 하면서 입사 전 분석 모델같은 방법론에 더 많이 심취해 있던 내가 보였다. 실무에 들어와 보니 위와 같은 케이스에서 더 많은 인사이트를 주고 비즈니스에 영향을 주었어서 이런 점을 더 빨 깨닫기를 바라며 방향성을 제시했다.

5장 그로스 해킹시작부터 성장 실험까지

1. 데이터 활용할 수 있는 업무 환경 구축
그로스 해킹은 성장 실험을 수많은 반복을 통해서 성장하기 때문에 실험을 할 수 있는 환경 구축이 중요하다. 저자는 마이리얼트립에서 첫 미션으로 데이터 기반한 업무 프로세스 구축 및 데이터 리터러시 향상이라는 첫 미션이 주어졌을 때 혼자서 cloud 분석 환경, ETL 자동화, BI 활용하여 구축하였다.
2. 데이터 파이프라인 구축
어떤 데이터 어떤 형태로 어디에 쌓아서 어떻게 꺼내 볼 것인가? 에 대한 고민을 하여 적절한 행동 로그 설계 및 적재, 이벤트 & 속성 수준 설정이 필요하다. 양보다 질이기 때문에 필요성과 정확성에 따라 얻을 수 있는 인사이트 깊이가 다르기 때문에 설계가 매우 중요
3. 데이터 활용 역량과 문화 갖추기
위처럼 업무환경과 파이프라인을 구축하더라도 활용하지 않아 부가가치를 창출하지 못하면 큰 의미가 없다. 그렇기 때문에 데이터가 흐르는 문화를 형성 및 개인의 데이터리터러시 향상을 위해서 "교육"이 중요하다. 정기적으로 교육을 진행하고 실무자가 업무에서 활용할 수 있도록 도와야 한다.
4. 성장 실험
A/B 테스트하기 위해 가설 설정, 집단 구분, 변수 설정, 적절한 샘플 크기와 샘플링 방법, 실험 기간을 설정해야 한다. 이에 따라서 편향적인 결과가 나오로 가설검정하더라도 해당 실험의 가치를 판단하여 개선해야 한다

6장 그로스 조직과 업무 프로세스

다시 1장의 그로스 해킹에 대한 본질로 보면 결국 전문성을 가진 사람들(PM, 엔지니어, 마케터, 디자이너, 분석가이 협업을 하여 핵심 지표를 개선하기 위해 성장실험은 것이다.
그러기 위해서 수많은 가설검정을 하는 실험을 할 수 있는 일하는 SPRINT 형식의 업무 프로세스가 필요하다.

그로스 해킹은 엄청난 준비가 필요하다고 느끼면서 읽었는데 마지막 페이지에서 저자는 적절한 시기는 업무 환경이 구축될 때가 아닌 조직에서의 필요성에 대한 공감대와 이를 실행시키고자 하는 의지가 가장 중요한 것에 크게 공감하였다.
데이터 리터러시에 관심이 많아 A/B 테스트나 그로스 해킹 관련하여 사내 스터디도 하면서 업무에 적용도 해보았지만 다른 실무자들은 아직 큰 필요성을 느끼지 못하고 있어 데이터분석 부서에서는 더 많은 시간을 추출이나 잘못된 요청으로 업무를 재진행하는 경우를 보면서 안타까웠다. 사실 약간의 데이터 문해력만 있었다면 이러한 리소스 낭비를 줄 일 수 있었기 때문이다.
그래서 데이터가 흐르는 문화를 조직에 적용시키려고 실무에서 어떻게 하면 더 잘 활용할 수 있는지 실 사례를 들어 사내 발표를 했었었고 주변 사람들에게 더 쉽게 사용할 수 있도록 BI 솔루션인 태블로를 학습하여 필요한 대시보드 생성하여 공유했었다. 영향을 크게 주었을지는 모르지만 이전에 비해서 직접 self-service로 분석하는 직원 수가 n% 늘어났다.
향 후 최소 여건이 된다면 그로스 조직 구성의 필요성에 대해서 경영진을 설득하는 시도를 해서 더욱더 데이터가 흐르는 조직이 될 수 있도록 노력해야겠다.

벌써 저자와의 회고모임 및 북토크가 기대되어요..