[내일배움캠프] Chapter 6. 데이터드리븐 기획 - 이론

데이터드리븐
사용자 행동 데이터, 시장 데이터, 성과 데이터 등을 기반으로 의사결정을 내리고 제품을 기획하는 방식

 

Step 1. 데이터드리븐 기획

 

● 데이터 드리븐 기획이란?

 우리 서비스에서 사람들이 실제로 어떤 행동을 하는지 데이터로 확인하고

데이터를 분석해서 문제를 찾고

객관적인 근거를 바탕으로 해결책을 기획

 

● 데이터 드리븐 기획이 중요한 이유

1. 정확힌 기획이 가능

데이터를 기반으로 실패 확률을 낮추고, 성공 확률을 높일 수 있음

ex. 메뉴를 숨겼더니 클릭률이 30% 감소했어. 다시 원래대로 돌리자

2. 고객이 원하는 것을 제대로 알 수 있음

실제 사용 데이터(클릭 수, 체류 시간, 이탈률)를 보면 고객이 원하는 것을 정확히 알 수 있음

ex. 설문조사에서는 이 기능을 원한다고 했지만, 실제 사용 데이터에서는 클릭률이 낮네. 정말 필요한 기능인지 다시 검토

3. 비즈니스 성과 극대화

데이터를 기반으로 하면 매출 증가, 전환율 개선, 광고 효율 상승 등 비즈니스 성과 극대화

ex. 구매 전환율을 분석해보니, 결제 페이지에서 50%가 이탈. 결제 과정 개선 후 전환율 15% 증가

 

● 데이터 드리븐 기획 단계

1. 문제 정의 (목표 설정)

"무엇을 해결해야 할까?"

단순히 "이 기능을 만들자!"가 아니라, 해결해야 할 문제를 명확히 정의

비즈니스 목표, 사용자 행동 데이터를 기반으로 문제 정의

2. 데이터 수집 및 분석

" 현재 상황을 데이터로 확인"

사용자 행동 데이터 : 클릭 수, 체류 시간, 이탈률

마케팅 데이터 : 광고 클릭률, 전환율

고객 피드백 데이터

3. 가설 수립 및 분석

" 어떤 해결책이 효과적일까?"

데이터를 기반으로 가설을 세우고 실험(A/B 테스트) 진행

실제 사용자 데이터를 기반으로 어떤 해결책이 효과적인지 검증

4. 결과 분석 및 데이터 기반 의사결정

" 어떤 솔루션이 효과적이었는가?"

실험 결과를 분석하여 데이터가 가설을 입증하면 적용, 실패하면 다시 개선

KPI(핵심 성과 지표)를 기반 평가

5. 지속적 개선

" 계속해서 데이터를 보면서 개선"

고객 데이터 & 비즈니스 지표를 지속적으로 모니터링

성공/실패 원인을 분석하고 다음 기획에 반영

 

● 데이터 드리븐 기획 사례

1. 넷플릭스 컨텐츠 기획

넷플릭스는 완결률, 정지 및 시작 시간, 시청 시간대, 시청 패턴(예: 일시 정지, 빨리 감기, 되감기 등) 같은 데이터를 활용해 더 효과적인 콘텐츠 전략 수립

ex. 하우스 오브 카드 시리즈

이 시리즈는 다음과 같은 데이터 기반 분석을 통해 탄생

- 영국 원작 하우스 오브 카드가 인기가 많았다는 점

- 원작 팬들 중 케빈 스페이시 출연 영화나 데이비드 핀처 감독 작품을 즐겨 본 시청자가 많았다는 점

- 데이비드 핀처 영화 팬들은 한 번에 시리즈를 끝까지 몰아보는 경향이 있었다는 점

▶ 넷플릭스 오리지널 콘텐츠의 성공률은 80% (전통적 TV 프로그램의 평균 성공률(35%)보다 훨씬 높은 수치)

https://d3.harvard.edu/platform-digit/submission/netflix-your-data-your-show-your-experience/

Netflix: Your Data, Your Show, Your Experience - Digital Innovation and Transformation

 

2. 토스 모바일 요금제 기획

단일 요금제에서 복수제 요금제 및 추천 기능 도입 배경 (정성, 정량적 데이터를 통해 설득하기)

https://simplicity-23.toss.im/sessions/9

데이터로 내린 의사결정, 뒤집어엎기

 

3. 토스코어 인벤토리

토스 인텔리전스 어드민 페이지 기획

https://toss.im/simplicity-24/session/1?

Toss Design Conference | Simplicity24

 

4. 토스 CX팀

토스 CX 상담 내용 입력 어드민

https://simplicity-23.toss.im/sessions/12

사용자의 공감 얻으면서 제품 뜯어고치기

 

● 데이터 분석 기본 공통 용어 ( * = 중요)

1. PV (Page View, 페이지뷰)*

사용자가 웹사이트 또는 앱 내에서 특정 페이지를 조회한 횟수

- 동일한 사용자가 같은 페이지를 여러 번 새로고침해도 PV는 증가

- PV는 방문자 수와 관계없이 페이지가 얼마나 많이 조회되었는지를 나타내는 지표

2. UV (Unique Visitor, 순 방문자)*

특정 기간 동안 웹사이트나 앱을 방문한 중복되지 않은 개별 사용자 수

- 같은 사람이 여러 번 방문해도 하루 동안은 1명의 UV로 계산

3. DAU (Daily Active Users, 일간 활성 사용자)*

하루 동안 특정 서비스에 방문하거나 특정 액션을 수행한 사용자 수

4. WAU (Weekly Active Users, 주간 활성 사용자)*

일주일 동안 특정 서비스에서 활동한 사용자 수

- DAU의 주간 버전으로, 주 단위 사용자 충성도를 측정하는 데 사용

5. MAU (Monthly Active Users, 월간 활성 사용자)*

한 달 동안 특정 서비스에서 활동한 사용자 수

- 서비스의 장기적인 성장성과 사용자 유지율을 측정하는 데 중요

6. Retention Rate (리텐션율, 유지율)*

특정 기간 동안 기존 사용자가 다시 서비스에 방문하는 비율

- Day 1 Retention은 신규 가입자가 다음 날 다시 방문하는 비율을 의미

예시
유저 A, B, C, D, E, F, G가 서비스를 가입

각 유저의 방문 상황
- 1일째 방문한 유저 : A, B가 1일째에 서비스 재방문
(Day 1 Retention: 가입 후 첫 번째 날에 다시 방문한 유저의 비율)
- 총 가입자 수: 7명 (A, B, C, D, E, F, G)
- 1일째 방문한 유저: A, B (2명)
- (1일째 방문한 유저 수 / 총 가입자 수) × 100 = (2명 / 7명) × 100 = 28.6%

- 2일째 방문한 유저 : C, D, E, F, G가 2일째에 서비스 방문 (A, B는 2일째에 방문하지 않음)
(Day 2 Retention : 가입 후 두 번째 날에 다시 방문한 유저의 비율)
- 총 가입자 수: 7명 (A, B, C, D, E, F, G)
- 2일째 방문한 유저: C, D, E, F, G (5명)
- (2일째 방문한 유저 수 / 총 가입자 수) × 100 (5명 / 7명) × 100 = 71.4%

7. 이탈률*

특정 기간 동안 서비스를 이탈한 사용자 비율

8. CTR (Click-Through Rate, 클릭률)

광고나 특정 콘텐츠를 본 사용자 중 실제로 클릭한 비율

(클릭 수 / 노출 수) * 100

9. Conversion Rate (전환율)

특정 목표(구매, 회원가입, 다운로드 등)를 완료한 사용자 비율

(전환 수 / 방문자 수) * 100

10. DCU (Daily Click Users, 일간 클릭 사용자)

하루 동안 특정 서비스에서 클릭을 한 사용자 수

단순히 접속한 것이 아니라, 특정 버튼, 링크, 메뉴 등을 클릭한 사용자를 측정

11. DCC (Daily Click Count, 일간 클릭 횟수)

특정 사용자가 하루 동안 클릭한 총 횟수

한 사용자가 하루에 여러 번 클릭하면 그 횟수를 모두 포함

DCU가 "클릭한 사용자 수"라면, DCC는 "사용자가 클릭한 총 횟수"

12. 세션(Session)

사용자가 사이트를 방문하여 활동하는 하나의 단위(시간)

일정 시간 동안 사용자의 활동이 없으면 세션 종료

유저가 어느 곳에서 머무르고 이탈하는지 확인할 수 있는 지표

13. 체류 시간

사용자가 웹사이트에서 머문 시간

14. Impression (임프레션, 노출 수)

사용자의 화면에 광고 또는 콘텐츠가 노출된 총 횟수

클릭 여부와 관계없이 단순히 화면에 표시된 것만으로도 카운트

광고, 배너, 검색결과 등 다양한 채널에서 사용

15. CPA (Cost Per Action)

사용자가 특정 행동(가입, 구매 등)을 하는 데 들어간 비용

광고비 ÷ 전환(액션) 수

16. CPC (Cost Per Click)

광고 클릭 1회당 비용

사용자가 실제로 광고를 클릭한 횟수당 비용을 지불하는 형식

총 광고비 ÷ 총 클릭 수

17. CPM (Cost Per Mille)

광고가 1,000회 노출될 때의 비용

광고가 1,000번 노출될 때마다 광고주가 지불해야 하는 비용을 계산하는 방식

18. CPI (Cost Per Install)

설치당 비용

총 광고비 ÷ 앱 설치 수 (설치 1회당 단가)

19. ARPU (Average Revenue Per User)

개별 광고주당 평균 광고 금액

20. ROI (Return On Investment)

자 대비 수익

[(총 수익 - 총 투자 비용) ÷ 총 투자 비용] × 100

 

Step 2. 로그 설계

 

● 로그 기초

1. 로그는 어디에 사용되나요?

문제해결 및 디버깅 / 사용자 행동 분석 / 비즈니스 전략 수립

2. 로그의 종류

PM으로서 알아야 할 대표적인 로그에는 클라이언트 로그

3. 로그의 설계

로그 설계는 단순히 "무엇을 기록할지"가 아니라 "왜 기록할지", "어떻게 기록할지"에 대한 전략적 접근이 필요

PM은 설계를 통해 개발 팀이 필요한 데이터를 수집, 이 데이터를 기반으로 문제를 빠르게 파악하거나 서비스를 개선

 

● 로그 정의 사례

1. 배달의 민족

- 로그 정의 정책

배달의 민족 로그는 클라이언트 로그를 기준으로 한다

클라이언트 로그는 다른 말로 '화면 로그'를 뜻하며 서비스 화면을 기준으로 로깅된 로그로 정의

(클라이언트 로그는 유저가 어떤 페이지를 방문했고 그 페이지에서 어떤 영역을 클릭했는지 등 '유저의 '행동'에 초점)

 

- 클라이언트 로그 타입(Action Type)에 따라 발생하는 로그의 종류

로그 타입	설명
페이지 로그(pageview)	유저가 인지하는 하나의 화면(view)를 '페이지'라고 하며 이 화면이 로딩 될 때 남기는 로그
이벤트 로그 (event)	유저의 특정 '행동(클릭 등)'시, 남기는 로그

 

- 로그 정의 리스트

로그명		로그 타입	참고
서비스 진입		pageview	직접 URL 입력, 카카오톡 공유하기, 포털, 광고 배너, 앱, 카카오톡 더보기
검색		event(click)
장바구니		event(click)
최근본		event(click)
	전체 삭제	event(click)
	영역별 클릭	event(click)
	맨위로	event(click)	동동이 메뉴
ect	ect	ect	ect

 

2. 카카오 메이커스

- 로그 정의 정책

카카오 메이커스는 모바일 앱(Android, iOS)과 웹(Web) 환경에서 각각 로그를 수집

유저가 어떤 경로를 통해 카카오 메이커스에 유입되었는지 기록하는 유입 로그 수집

(직접 URL 입력, 카카오톡 공유, 검색 엔진(네이버, 구글 등) 검색, 광고 배너 클릭 등의 유입 경로를 식별하여 저장)

+ 카카오톡 더보기에서 진입한 메이커스 화면을 통해 카카오톡은 하이브리드 앱임을 알 수 있다

(하이브리드 앱(Hybrid App)이란? 네이티브 앱(Native App)과 웹 앱(Web App)의 특징을 결합한 형태)

(전체가 앱으로 구성된 네이티브 앱 속에 컨텐츠 같은 내용이 웹으로 구성된 형태)

 

Step 3. 데이터 분석 및 시각화

 

● 데이터 분석

데이터를 기반으로 한 의사결정은 정확하고 신뢰성 있는 판단을 가능하게 하며, 프로젝트의 성과를 추적에 도움

사용자 경험 향상, 비즈니스 성과 예측, 자원 최적화 등 다양한 측면에서 효과적인 전략을 수립 가능

데이터 분석 순서

문제 정의 → 데이터 수집 → 분석 수행 → 결과 해석 및 인사이트 도출 → 결과 적용

 

● 배달의 민족 서비스 로그 데이터 분석

1. 유저 메인홈 체류시간

- 메인홈 체류시간은 평균 약 2분이며, 전체 주문소요시간에서 차지하는 비중은 약 14.29%이다

- 메인홈 체류시간이 짧아도 주문소요시간이 긴 경우가 있으며, 체류시간이 긴 경우 주문소요시간이 짧은 경우가 있다

→ 메인홈 체류시간의 길고 짧음이 전체 주문시간과 상관관계가 있다고 보기 어렵다

 

2. 콘텐츠별 노출(도달) 비중

- 첫 화면에 노출되는 서비스카드, 광고 배너 영역은 74%이상 높은 도달율, 스크롤을 내리는 영역부터는 7%미만대 낮은 도달율

 

3. A 지면 유입 비중

- A지면 유입 경로를 메인홈에 추가한 후 업데이트 사용자 비율이 늘어남에 따라 메인홈에서 유입하는 비중이 늘어나고 있다

 

● 데이터 시각화

1. 데이터 시각화 목적: 커뮤니케이션

데이터 시각화는 데이터를 기반으로 의미 있는 메시지를 명확하고 직관적으로 전달하는 과정

- 복잡한 데이터를 쉽게 전달 : 숫자나 텍스트보다 시각적 자료가 직관적으로 정보를 전달

- 데이터 기반 의사결정 촉진 : 데이터에 대한 신뢰도를 높이고 논리적인 결론을 도출

- 이해 관계자 설득 : 경영진, 투자자, 팀원 등 다양한 청중에게 의사결정을 유도.

→ 따라서 목적에 맞는 시각화 방법을 선택하는 것이 가장 중요

 

2. 데이터 시각화 유형

- 시계열 비교

시간에 따른 데이터 변화를 분석하는 방법

주요 시각화 기법

꺾은선 그래프(기본)

영역 차트 → 변화량을 강조하여 시각적 효과 극대화

막대 그래프 → 특정 기간별(연도별, 월별) 데이터 비교

ex. 연도별 매출 변화 분석, 웹사이트 방문자 수 변화 등

 

- 속성 비교

여러 그룹이나 범주(카테고리) 간 차이를 분석하는 방법

서로 다른 항목들이 어떻게 다르고, 어느 것이 더 크거나 작은지를 비교

주요 시각화 기법

막대 그래프 (기본)

파이(원) 차트 → 전체 중에서 특정 항목이 차지하는 비율 확인

히트맵 → 여러 범주의 데이터를 색상으로 표현하여 비교

ex. 각 브랜드의 매출을 비교, 고객 만족도를 1점~5점으로 나눠서, 각 점수를 받은 고객 수를 비교

 

- 본포 파악

어떤 형태로 퍼져 있는지(분포 특성) 분석하는 방법

데이터의 중심값, 범위, 이상값(Outliers) 등을 확인

주요 시각화 기법

산점도(기본)

히스토그램 → 연속형 데이터의 빈도를 분석하는 데 유용

ex. 시험 점수 분포 분석 → 히스토그램을 이용해 특정 점수대에 학생들이 얼마나 분포하는지 확인

 

- 상관 분석

두 개 이상의 변수 간의 관계를 파악하는 방법

한 변수가 증가할 때 다른 변수가 증가하거나 감소하는지를 분석

주요 시각화 기법

산점도 → 두 변수 간의 관계를 시각적으로 분석

ex. 광고비와 매출 간 관계 분석, 키와 뭄무게 간의 상관관계

 

3. 데이터 시각화 기본

- 배치 순서에 의미를 두어야 함

데이터를 배치할 때는 특정한 의미(시간 흐름, 크기 순서 등)를 고려하고 논리적인 흐름을 유지

ex. 크기 비교하는 경우 → 기업별 매출 순위→ 가장 큰 값부터 내림차순 정렬 (예: 1위 → 2위 → 3위)

 

- 비교 대상에 따라 적절하게 그래프나 표를 조절 + 정렬

비교하려는 대상에 따라 막대 그래프, 선 그래프, 원 그래프, 표 등을 적절히 선택

데이터의 특성에 맞게 정렬(내림차순, 오름차순 등)하여 비교하기 쉽게 만들어야 한다

ex. 숫자 크기 비교 → 막대 그래프 (Bar Chart)

시간 흐름 분석 → 선 그래프 (Line Chart)

전체 비율 비교 → 원형 그래프 (Pie Chart)

범주형 데이터 정렬(이름같이 수치가 아닌 정렬이 필요한 데이터) → 표 (Table)

 

- 수치를 비교할 때는 가로보다 세로를 추천

막대 그래프를 사용할 때 가로형보다는 세로형

사람의 시각적 인식 특성상 세로형 그래프가 수치 비교에 더 적합

가로형 그래프는 긴 텍스트가 있을 때만 사용

 

4. 데이터 시각화 팁

- 색은 강조하고 싶은 요소에만 사용

모든 요소에 색을 부여하면 시각적으로 산만해지고, 무엇을 강조해야 하는지 모호해질 수 있다

 

- 색은 최소한의 수로만 사용

다른 단위(굵기, 크기, 패턴 등)를 활용하여 색상의 수를 줄이는 것이 좋음

색상이 너무 많은 경우

 

- 대비되는 색 사용이나 그라데이션 사용 주의

대비되는 색상을 사용하면 강조 효과는 있지만, 어떤 데이터를 강조하는지 명확하지 않을 경우 혼란이 생길 수 있

그라데이션을 사용할 경우 가장 강조하고 싶은 색이 짙은 색이 되지 않으면 시각적 강조점이 흐려질 수 있다

대비되는 색상을 잘못 사용한 경우

 

- 색이 가지고 있는 컬러값들을 반영 (+/- 등 표현 시 고려)

일반적으로 사용되는 색상 의미를 반영하여 데이터 해석을 용이하게 만듦

(주가 데이터에서의 상승은 빨강, 하락은 파랑으로 표시 / 매출 데이터에서 목표 달성을 파랑, 미달을 회색으로 표시)

 

- 배경색 사용 시 유의 (무의미한 배경색 지양)

기본적으로 배경은 흰색이나 연한 회색을 유지

가독성을 해치는 배경색

 

- 불필요한 장식, 테두리 설정 등은 지양

차트에 불필요한 테두리, 그림자, 3D 효과 등을 사용하면 데이터 가독성이 떨어진

단순하고 깔끔한 디자인이 데이터를 더 명확하게 전달한다