그로스 해킹 - 양승화

1장. 그로스 해킹이란?

많은 시간과 노력을 투자해서 만든 제품이 알고 보니 아무도 원하지 않는 제품이라는 점을 뒤늦게 발견하는 것만큼 나쁜 일은 없다.

'아이디어 - 개발 - 측정 - 개선'으로 이어지는 피드백 순환고리를 최대한 빨리 진행함녀서 작은 성공을 쌓아 서비스를 점진적으로 개선하는 것이 린 스타트업의 철학이다.

서비스 출시는 끝이 아닌 시작에 가깝다.

어떻게 하면 성장하는 서비스를 만들 수 있을까? 그로스 해킹은 이 질문의 답을 찾는 과정이라고 할 수 있다.

그로스 해킹은 각 서비스의 사용 맥락이나 시장 상황을 반영해서 진행할 때만 의미가 있기 때문이다.

우리가 그로스 해킹을 공부하려는 이유는 데이터에서 찾아낸 인사이트를 바탕으로 제품이나 서비스를 지속적으로 개선해 나가는 방법을 익히기 위해서다. 

제품이나 서비스를 성장시키기 위해서는 특정 분야의 스킬셋이 아니라 서비스를 만들고 운영하는 전체 프로세스에 대한 폭넓은 이해가 필요하다.

 

그로스 해킹이란?

- 크로스펑셔널한 직군의 멤버들이 모여서

- 핵심지표를 중심으로

- 실험을 통해 배움을 얻고, 이를 빠르게 반복하면서

- 제품이나 서비스를 성장시키는 것

 

---

2장. 전제조건 : Product - Market Fit

스타트업의 초기의 문제 : 뭐가 문제인지를 모르겠다는 것

논리적인 기획서를 바탕으로 제품을 우선 만든 다음, 제품이 나오고 나서야 뒤늦게 고객을 설득하려는 경우가 무척 많다.

논리에 논리를 덧칠하면서 보고서의 완성도를 높인다고 해서 제품의 성공 가능성이 높아지는 것은 절대 아니다.

논리에 함몰되는 기확자는 분명 서비스에 나쁜 영향을 미친다.

사실 많은 회사에서 '서비스 개선'이라는 용어를 '기능 추가'와 동일한 의미로 사용한다. 서비스 개선이 기능추가와 동일시되는 건 분명히 문제가 된다.

제품은 가설의 조합으로 이뤄져야 하며, 그러한 가설을 테스트하기 위한 최소한의 기능으로 이뤄져야 한다.

기능이 많은 제품이 성공하는게 아니라 최소한의 기능으로 사용자에게 가치를 전달할 수 있는 제품이 성공한다.

 

'아무도 원하지 않는 서비스를 열심히 만드는' 함정에서 벗어나려면 어떻게 해야 할까? 린 스타트업에서는 제품 - 시장 적합성(Product - Market Fit)이라는 개념을 사용한다.

그로스해킹은 시장이 필요로 하는 제품을 만드는 것에서부터 시작된다.

1) 우리가 생각하는 그 문제가 진짜 있긴 한가?

2) 우리가 만든 제품이 그 문제를 해결한 게 맞나?

3) 이 제품을 만들면서 세운 가설이 무엇인가? 그 가설이 검증됐는가?

 

제품 - 시장 적합성(PMF)을 만족하는지 확인하는 3가지 방법

1) 리텐션(Retention rate)

일반적으로 리텐션은 시간이 지남에 따라 자연스럽게 감소하는데, 이때 떨어지는 기울기가 얼마나 완만한지, 기울기가 안정화되는 지점이 어디인지를 확인하면 해당 서비스의 PMF 수준을 확인할 수 있다.

PMF를 만족하는 서비스는 초기 일정 기간이 지나면 그래프의 기울기가 완만해지면서 리텐션이 안정적으로 유지되는 패턴을 보인다. 하지만 그렇지 못한 서비스는 리텐션 그래프의 기울기가 꾸준히 우하향되는 패턴을 보인다.

기울기만큼이나 안정화되는 시점에서의 절대적인 리텐션 수치도 중요하다. 실제로 리텐션에 영향을 미치는 핵심 기간은 서비스를 사용하기 시작한 직후부터 수일 이내다. 서비스에 대한 온보딩 과정이 매우 중요하다는 점을 알 수 있다.

리텐션은 서비스가 속한 카테고리의 영향을 크게 받는다.

리텐션은 측정 기준에 따라 굉장히 입체적인 의미를 지닌 지표이다.

 

2) 전환율(Conversion rate)

전환율은 한 단계에서 다음 단계로 넘어가는 사용자의 비율을 의미함

특히 가입이나 결제 같은 주요 이벤트의 전환율을 살펴보면 해당 서비스가 기본적인 제품 - 시장 적합성을 만족하는지 판단 할 수 있다.

전환율은 사용성이나 UI/UX의 영향을 많이 받는 지표이긴 하지만 불편함을 잘 해소하는 제품을 만들었다면 사용자는 어느 정도의 불편함을 감수하더라도 높은 전환율을 보인다.

2020년 어도비 디지털 인덱스에서 발표한 자료에 의하면 이커머스 서비스의 평균적인 구매 전환율은 3% 수준이다.

하지만 같은 이커머스 서비스 내에서도 상품이 속한 카테고리에 따라 전환율이 2~3배 이상 차이가 나기도 한다.

똑같은 상품에 대한 전환이라도 친구 초대를 통해 들어온 사람과 디스플레이 광고를 통해 들어온 사람은 전환율에 차이가 난다. (친구의 적극적인 추천을 받고 서비스에 유입된 사람은 웹 서핑을 하다가 우연히 클릭한 광고를 통해 들어온 사람보다 전환되는 비율이 훨씬 더 높을 것이다.)

전환율 수치 자체보다 시간의 흐름에 따른 전환율의 변화 추이를 살펴보는 것이 더 유용하다.

 

3) 순수 추천 지수(Net Promoter Score, NPS)

비교적 간단한 방법을 통해 효과적으로 서비스의 성공 여부를 예측할 수 있는 지표다.

NPS는 다음과 같은 단 하나의 질문을 통해 간단하게 측정할 수 있다.

"이 서비스를 주변 지인이나 친구에게 얼마나 추천하고 싶으신가요?"

NPS = (적극적 추천 그룹 - 비추천 그룹) / 전체 응답자

일반적으로 순수 추천 지수가 양수라면 전반적으로 NPS 점수가 양호한 것으로 판단한다.

결국 순수 추천 지수는 '팬'에 대한 지표다.

이 지표를 높이려면 제품에 불만족하는 사람을 줄이는 것만큼이나 제품에 대한 적극적인 팬 층을 늘리는 것이 매우 중요

실제로 스타트업에서 새로운 서비스를 출시했을 때 성공을 가늠할 수 있는 좋은 방법은 충성 사용자를 살펴보는 것

서비스를 적당히 좋아하는 1000명의 사용자보다는 서비스를 열렬히 사랑하는 100명의 충성 사용자를 확보했을 때 그 서비스가 성공할 확률이 크게 높아진다.

 

많은 사람들이 초창기 제품의 성공 여부를 설치 수, 가입자 수, 회원 수를 고려하지만, 제품 - 시장 적합성을 확인하기 적절하지 않음

 

제품 - 시장 적합성을 만족하지 못했을 때 해서는 안되는 것 :

• 브레인스토밍
• 새로운 기능을 추가하는 것
• 잔존율이나 전환율을 개선하기 위한 실험

이 단계에서의 목적은 제품 - 시장 적합성을 찾는 것이고, 리텐션과 전환율은 이를 확인하기 위한 수단으로 활용해야함

 

해야 하는 것 :

• 사용자를 직접 만나서 이야기를 듣기
• 사용자 행동 데이터 분석

이 시기에 해야 하는 가장 중요한 일은 사용자에 대해 더 많이 연구하고, 사용자를 이해하려고 노력하는 것

일반적으로 깊이 있는 인사이트를 찾기 위해서는 1:1로 진행하는 사용자 인터뷰가 더 효과적이다.

 

1. 미래가 아닌, 과거와 현재에 초점을 맞춘 질문을 할 것

2. 가정이 아닌, 경험을 물어볼 것

3. 결과가 아닌, 과정을 깊이 살펴볼 것

4. 기억이 아닌, 습관을 통해 드러난 구체적인 경험을 확인할 것

5. 일반화된 진술이 아닌, 개인의 경험이 드러날 수 있도록 질문/답변할 것

6. 편향된 믿음을 확인하는 과정이 아닌, 순수한 호기심으로 접근할 것

인터뷰를 진행할 때 기대했던 답변을 끌어내기 위한 유도 질문을 해서는 안 된다

사용자가 이야기해주는 것은 '정답'이 아닌 '맥락'이라는 점에 유의하자

제품의 사용 맥락을 이해하기 위해 사용자 행동 데이터를 수집하는 것은 선택이 아니라 필수이다

 

---

3장. AARRR

그로스 해킹의 근간이 되는 프레임워크는 AARRR이다

그로스 해킹은 핵심 지표를 찾고, 그 지표를 성장시키는 방법을 찾는 활동이다

우리는 지표를 통해 서비스의 성장 속도와 방향을 가늠할 수 있다

 

지표는 2가지 방식으로 측정하고 관리할 수 있다

1. 과업 기반 

각 조직별로 담당하는 업무를 우선 정의한 후 해당 업무를 통해 발생하는 수치들을 지표화해서 관리

전체적으로 서비스 관점에서 무엇이 중요한 지표인지 판단하기가 어렵다

전사 관점에서의 지표 우선순위를 정의하기가 어렵다

팀별로 진행 중인 업무가 언제든 추가되거나 변경될 수 있기 때문에 모니터링하는 지표가 수시로 달라질 수 있다는 문제점 

놓치고 있던 중요한 지표가 뒤늦게 여기저기서 발견된다는 문제점이 더 크다

이런 방식으로 만들어진 보고서에서는 지표가 '성장'을 위해 활용되기보다는 '놀지 않았다는 것을 증명하기 위해' 사용됨

하지만 중요한 것은 '지금 가장 필 요한' 일에 집중해서 성과를 만들어내는 것이다

 

2. 프레임 워크 기반

사용자의 서비스 이용 흐름에 따라 단계별 주요 지표를 전체 서비스 관점에서 정의해야 한다

유저가 들어오는 순간부터 나가는 순간까지를 모두 포괄하는 일종의 퍼널을 만들고, 각 단계에서 핵심이 되는 지표가 무엇인지를 찾아야 한다

과업 기반과는 정반대로, 지표를 우선 정의한 후 해당 지표를 원하는 방향으로 움직이게 하기 위해 어떤 과업이 필요할지를 거꾸로 고민해야 한다

AARRR은 사용자의 서비스 이용 흐름을 기반으로 고객 유치(Acquisition), 활성화(Activation), 리텐션(Rentention), 수익화(Revenue), 추천(Referral)이라는 5가지 카테고리를 정의하고, 각 카테고리에서 핵심이 되는 지표를 발굴하고 이를 측정/개선하는 지표 관리 방법론이다

고객 유치(Acquisition) : 사용자들을 어떻게 데려올 것인가?

활성화(Activation) : 사용자들이 우리 서비스의 핵심 기능을 잘 사용하는가?

리텐션(Rentention) : 사용자들이 우리 서비스에 지속적으로 방문하는가?

수익화(Revenue) : 사용자들이 우리 서비스의 핵심 기능을 사용하기 위해 결제를 하는가?

추천(Referral) : 사용자들이 우리 서비스를 주변 지인들에게 소개, 추천하는가?

 

아이러니하게도 AARRR을 진저으로 잘 이해하고 활용하는 조직은 굉장히 드물다

중요한 건 서비스의 특성에 따라 카테고리별로 어떤 지표를 봐야 할지를 선정하는 과정, 그리고 지표를 개선하기 위해 어떤 실험을 어떤 우선순위에 따라 진행할지를 결정하고 실행할 것인가다

또한 AARRR에 해당하는 지표들은 평면적이지 않고 굉장히 입체적이라는 점에 유의해야함(리텐션을 어떻게 정의하냐에 따라 굉장히 다양한 형태의 정보를 얻을 수 있고, 수익화를 어떻게 쪼개서 보느냐에 따라 같은 데이터를 가지고도 전혀 다른 인사이트를 찾아낼 수 있다)

AARRR의 주창자인 데이브 맥클루어는 활성화와 유지율을 가장 우선적으로 개선하고, 그 다음으로는 고객 유치와 추천을 개선하고, 마지막으로 수익화를 챙겨야 한다는 식으로 다섯 가지 카테고리의 개선 순서를 제안한 바 있다

 

AARRR을 활용하는 방법법

• 각 단계별로 풀어야 하는 문제를 확인한다
• 각 단계의 핵심이 되는 지표를 선정하고, 해당 지표의 현재 수준을 측정한다
• 측정된 지표가 가지는 의미를 이해한다
• 개선해야 하는 목표 수준을 정하고, 실험을 통해 단계적으로 개선한다

 

---

3-1. 고객 유치(Acquisition)

고객 유치 과정의 핵심은 고객 유치에 기여한 채널의 성과를 판단할 수 있는 모델을 만드는 것

일반적인 서비스는 고객 유치를 위해 굉장히 많은 마케팅 채널을 활용하고, 여러 개의 캠페인을 동시에 진행한다

유입 채널에 따라 사용자를 구분할 때 사용하는 일반적인 분류 기준은 자발적으로 우리 서비스를 찾아오는 고객(Organic)과 비용을 집행한 마케팅 활동을 통해 우리 서비스를 찾아온 고객(Paid)을 나누는 것이다

일반적으로 오가닉이라는 분류는 '자발적으로 유입된 사용자'라는 의미로 사용되지만 실제 트래킹 서비스에서 이 분류를 나눌 때의 기준은 '유입된 채널을 식별할 수 없는 사용자'에 가깝다

오가닉(Organic)이라는 용어보다는 미식별(Unknown)이라는 용어를 사용하는 편이 더 적합하다고 생각

가능한 한 많은 트래픽을 식별해서 미식별 트래픽의 비중을 최대한 줄이는 방향이어야 한다

고객 유치와 관련해서 풀어야 하는 문제 : 

• 어떻게 하면 사용자의 유입 채널을 최대한 누락 없이 정확하게 추적하고
• 각 채널별 성과를 정확히 판단할 수 있을까?

 

고객 획득 비용(Customer Acquisition Cost, CAC) : 고객 유치 과정에서의 채널별 성과를 측정하는 기준, 한 명의 사용자를 데려오기 위해 지출하는 평균 비용

고객 획득 비용 지표를 활용하는 것의 핵심은 채널별, 캠페인별, 광고별, 날짜별 데이터를 쪼개서 보는 것

채널 특성을 고려하지 않고 모든 채널에 일관된 기준을 적용하는 것은 좋은 판단이 아니다

어트리뷰션을 잘 활용하기 위해서는 채널의 특성을 잘 이해해야 한다

많은 마켓팅팀에서 빠지기 쉬운 함정 중 하나가, 고객 유치 성과가 정체된 것처럼 느껴질 때 기존 채널에 대한 최적화를 고민하기보다는 새로운 채널을 찾고 테스트하는데 지나치게 많은 리소스를 쓰는 것이다

우리가 데이터를 통해 확인하려고 하는 것은 눈 앞에 있는 지표 몇 개가 아니라 '고객'에 대한 폭넑은 이해라는 점을 기억!

 

---

3-2.  활성화(Activation)

이 단계에서는 고객 유치를 통해 데려온 사용자가 우리 서비스의 핵심 가치를 경험하게 만드는 것이 중요한 포인트다

구매 의도를 가진 사용자들이 구매 프로세스 도중 이탈하지 않고 마지막까지 전환되게 하는 것도 어려운 일이다

활성화 단계의 핵심은 퍼널에 대한 분석이다

퍼널 분석을 위해 우선적으로 해야 할 일은 우리 서비스가 줄 수 있는 핵심 가치를 구체화하고 사용자들이 핵심 가치를 경험하는 정확한 순간을 정의하는 것이다

이 때의 핵심 가치는 서비스 제공자가 아니라 사용자 입장에서 정의해야함

트래픽을 기준으로 한 전환율을 살펴보는 것은 UI/UX 측면에서의 개선점을 찾는데 도움이 된다

전환율 지표는 전체 사용자를 대상으로 확인할 때보다 여러 그룹으로 쪼개서 볼 때 훨씬 더 강력한 의미를 지닌다

퍼널 분석의 진정한 가치는 주요 퍼널에서의 단편적인 전환율을 계산하는데 있는 것이 아니라 전환율에 영향을 미치는 유의미한 선행지표를 발견하는데 있다

전환에 영향을 주고 있는 코호트를 발견할 수 있다면 전환율을 높이기 위한 구체적인 액션을 하기가 훨씬 수월해진다

 

개인화

서비스의 주요 화면들을 개인화해서 사용자 개개인의 맥락에 맞는 정보를 보여준다면 전환율을 높일 수 있다

특히 추천 영역은 개인화의 효과를 크게 볼 수 있는 부분이다

 

UI/UX 개선

주요 화면의 디자인을 변경하거나 구성요소를 바꾸는 것은 전환율을 변화시키는 대표적인 방법이다

UI/UX 개선 프로젝트를 할 때 새로운 화면이 항상 더 좋다는 근거 없는 낙관을 가져서는 안 된다

주의할 점은 디자인 변경 초기에는 사용자들이 익숙하지 않은 화면을 봐야 하기 때문에 일정 기간 지표가 낮아지는게 자연스러울 수 있다

 

적절한 개입(CRM)

흔히 CRM 채널이라고 알려진 이메일, 푸시, 인앱 메시지 등을 적절히 활용하면 주요 단계의 전환율을 높일 수 있다

주의할 점은 메시지를 발송하는 맥락에 따라 효과가 극적으로 달라질 수 있다

푸시와 이메일 발송 비용이 저렴하다고 해서 마구잡이로 남발해서는 안 된다

전체 회원을 대상으로 보내는 논타기팅 푸시나 이메일은 굉장히 보수적으로 판단하고 보내야 한다

 

고객 유치 단계는 마케팅 비용을 투입하는 방식으로 속도를 높일 수 있지만 활성화 단계부터는 온전히 돈이 아닌 실력으로 헤쳐나가야 한다

핵심 가치를 정의하고, 단계별 퍼널을 정의하고, 코호트 기반으로 쪼개서 보는 각 단계를 충실하게 진행하는 것 외에 쉽게 갈 수 있는 지름길은 없다

개별 단계의 전환율 하나하나를 살펴보기에 앞서 서비스 전체 관점에서 필요 없는 단계를 없애거나 통합하는 과정이 반드시 필요하다

떄로는 존재하는 퍼널을 개선하는 것이 아니라 아예 퍼널 자체를 재설계하는 것도 새로운 대안이 될 수 있다

퍼널 분석을 간단하고 쉬운 일이라고 생각하지만 의외로 잘 쪼개어진 퍼널을 코호트별로 분석할 수 있는 환경을 갖춘 서비스는 많지 않다

 

---

3-3. 리텐션(Rentention)

리텐션은 아주 어렵게 개선하더라도 그 효과가 한참 뒤에나 나타나는 지표

리텐션은 대표적으로 잘 하고 있을 때일수록 더 세심하게 측정하고 관리해야 하는 지표

리텐션은 일반적으로 접속을 기준으로 측정한다. 하지만 리텐션의 기준이 되는 행동을 꼭 접속으로 한정할 필요는 없다. 일반적으로 접속이나 로그인을 기준으로 리텐션을 측정하는 이유는 사용자가 서비스에 진입하는 것이 유의미한 행동이며, 이러한 행동이 반복되는지 살펴보는 것이 중요하기 때문이다.

리텐션은 AARRR 중에서도 특히나 개선이 어려운 영역으로 꼽힌다

 

클랙식 리텐션(Classic Retention)

가장 일반적인 유지율 계산 방법. 특정일에 이벤트를 발생시킨 유저의 비율을 계산하는 방식이기 때문에 'Day N 리텐션'이 라고도 한다.

클래식 리텐션 = Day N에 서비스를 이용한 사람 / Day 0에 처음 서비스를 이용한 사람

특정일에 접속했는지 여부는 고려하지만 그때까지 꾸준히 반복적으로 들어왔는지 여부는 고려하지 않는다

특정일의 노이즈에 민감하고 일 단위의 로그인 데이터를 모두 확보하고 있어야 계산 가능하다는 단점 존재

일반적으로 클래식 리텐션은 매일 접속해서 사용할 것으로 기대되는 서비스에서 활용하기 적절한 지표다(ex. 전화, 메신저, SNS)

 

 

범위 리텐션(Range Retention)

범위 리텐션은 특정 기간에 이벤트를 발생시킨 유저의 비율을 계산하는 방식으로 리텐션을 측정한다

클래식 리텐션과 유사한데, 무엇보다 설명하기 쉽고 직관적이라는 장점

클래식 리텐션 대비 측정일에 따른 노이즈가 크지 않다는 장점

다만 기준이 되는 기간이 길어질수록 리텐션이 과대 추정 될 수 있다는 문제가 있고, 의미 있는 결과를 보기 위해서는 어느 정도 기간이 축적돼야 하기 때문에 리텐션 트렌드를 확인하는데 비교적 오랜 시간이 필요하다는 단점

클래식에 비해 사용 주기가 길고 주기적인 서비스에서 많이 활용된다(ex. 가계부, 음식배달 서비스)

 

 

롤링 리텐션(Rolling Retention)

'더 이상 해당 이벤트가 발생하지 않는 비율은 얼마인가?'를 살펴봄으로써 리텐션을 계산하는 방식이다

롤링 리텐션은 측정할 때는 '몇 명이 나갔는가?'에 초점을 맞춘다

롤링 리텐션 = After N day에 서비스를 이용한 유저 / Day 0 에 처음 서비스를 이용한 유저

최초 로그인 시점과 마지막 로그인 시점에 대한 데이터만 있으면 계산할 수 있다

계산에 필요한 데이터가 간단하고 계산 자체도 쉽고 간편하게 할 수 있다

롤링 리텐션의 특성 때문에 유지율이 과대 추정되는 경향이 강하게 나타나므로 동일한 맥락에서 이상치의 영향을 매우 크게 받는다는 특성이 있다

사용자들의 이후 접속 패턴에 따라 기존에 계산했던 리텐션 값이 얼마든지 달라질 수 있다는 점은 롤링 리텐션의 고유한 특징이다

그래서 롤링 리텐션을 활용할 때는 절대적인 수치보다 지표의 움직임 추이에 초점을 맞춰 활용하는 것이 좋다

롤링 리텐션은 사용 빈도가 높지 않은 서비스에서 유용하게 활용된다(ex. 의류 쇼핑 서비스, 여행 서비스)

 

 

 

인게이지먼트(Engagement)

Engagement = DAU / MAU

인게이지먼트 지표는 매일 동일한 사용자가 반복적으로 들어오는지 혹은 날마다 새로운 사용자가 들어오는지를 빠르게 가늠할 수 있게 해 준다

사용자들이 꾸준히 들어와서 주기적으로 사용하는 서비스에서 사용하기에 적합하다. (클래식 리텐션에 잘 맞는 서비스들)

간혹 인게이지먼트 지표를 서비스 간에 비교하려고 시도하는 경우가 있는데, 현실에서는 이러한 서비스 간 비교가 쉽지 않다. 서비스마다 DAU, MAU를 측정하는 기준이 다르기도 하고 트래킹 서비스에서 보여주는 수치도 대부분 추정치에 가깝기 때문.

유지율 지표는 동일 서비스에서의 기간별 추이를 보는 형태로 활용하는 것이 좋다

 

퍼널 분석과 마찬가지로 리텐션을 분석할 때도 코호트에 따른 차이를 확인하고 그 원인이 되는 요소를 규명하는 것이 대단히 중요하다

 리텐션은 쪼개서 볼 때 의미있는 지표이다

일반적으로 리텐션을 분석할 때 활용하는 코호트의 기본은 날짜다

일반적인 리텐션 차트는 코호트, 볼륨, 기간, 유지율의 4가지 요소로 이뤄진다

기본적으로 리텐션은 시간에 따른 변화 추이를 민감하게 살펴봐야 하는 지표다

•  하나의 코호트 안에서 기간에 따른 유지율을 봤을 때 그 추이가 어떤한가? 유지율이 급격하게 떨어지지 않고, 안정화되는 지점이 있는가? 대략 어느 정도 기간이 지나야 안정화된다고 볼 수 있는가?
• 서로 다른 코호트의 동일한 기간의 유지율을 비교하면 어떤한가? 20년 1월 가입자와 20년 5월 가입자의 60일 리텐션에 차이가 있는가?
• 기간에 따라 나눈 코호트의 규모는 어떻게 달라지고 있는가? 가입자가 꾸준히 증가하는 추세인가, 그렇지 않다면 유지되거나 감소하는 추세인가?

 

리텐션을 개선하는 방법은 시점에 따라 크게 2가지로 나눠서 생각해 볼 수 있다

• 초기에 리텐션이 떨어지는 속도를 늦추기
• 리텐션이 안정화된 이후에는 기울기를 평평하게 유지해서 오래 유지되게 하기

초기에 떨어지는 속도를 늦추는 것은 활성화 프로세서의 영향을 많이 받는다

리텐션이 가파르게 떨어지는 구간을 지난후 안정화 되는 단계에서는 사용자와의 관계를 잘 유지하는 것이 중요하다. 정기적인 커뮤니케이션 플랜이나 CRM 마케팅 활동, 주기적으로 진행하는 프로모션 등이 도움이 된다. 특히 휴면 고객이 되는 사용자들을 대상으로 적절한 복귀 명분을 만들어주는 리마케팅 등을 꾸준히 진행할 필요가 있다.

 

단순히 리텐션 지표만 보지 말고 전반적인 사용자 경험을 고려해야 한다

사용자 입장에서 커뮤니케이션 채널에 대한 피로 관리가 제대로 되지 않으면 단기적인 효과는 있을지 몰라도 장기적으로는 악영향이 누적된다는 점을 유의해야 한다

그래서 유저 커뮤니케이션 채널은 사내의 특정 부서에서 일원화해서 관리하는 편이 좋다. 이 과정에서 발송되는 메시지의 빈도나 총량이 너무 많아지지 않도록 유의해야 한다.

푸시나 이메일과 관련해서 앱 삭제나 회원 탈퇴와 같은 부작용 지표들을 체크할 필요가 있다

리텐션이 늘 일관되게 유지되지 않는다. 같은 서비스라도 유입되는 사용자 특성에 따라 리텐션 추이가 얼마든지 달라질 수 있고 때로는 경쟁사의 출현 등 외부적인 요인이 리텐션에 영향을 미치기도 한다.

그래서 리텐션을 한 번 측정하고 끝내는게 아니라 기간에 따른 코호트 분석을 꾸준히 해야 하는 것도 바로 이러한 이유 때문이다.

 

---

3-4. 수익화(Revenue)

수익화 측면에서 우선적으로 봐야 하는 중요한 지표는 ARPU(Average Revenue Per User, 인당 평균 매출)

ARPU = Revenue / User

ARPU는 시작과 끝이 있는 특정 기간에 대한 지표

기준을 명확하게 세우지 않은 상태에서는 ARPU가 굉장히 모호한 지표일 수 있으므로 전사적으로 통용되는 명확한 기준을 세워야 한다

일반적으로 ARPU는 월 기준으로 집계한다

ARPDAU = 일 매출 / DAU

ARPWAU = 주간 매출 / WAU

 

고객 생애 가치(Lifetime Value, LTV)

한 명의 사용자가 진입하는 순간부터 이탈하는 순간까지의 전체 활동 기간에 누적해서 발생시키는 수익으로 정의

LTV = (M - c) / ( 1 - r + i ) - AC

M : 1인당 평균 매출  , c : 1인당 평균 비용

r : 고객 유지 비율, i : 할인율

AC : 고객 획득비용(acquisition cost)

하지만 현실에서 이런 식의 계산은 사실상 불가능하다

 

고객 생애 매출(Lifetime Revenue, LTR)

그래서 저자가 추천하는 방법은 고객 생애 가치 대신 고객 생애 매출을 활용!

유지 비용이나 획득 비용을 고려하지 않기 때문에 계산이 비교적 간편하다

건강하게 성장하고 있는 서비스라면 LTR이 CAC를 빠르게 따라잡고 장기적으로 CAC의 몇 배수까지 높아져야 한다

단일 지표를 살펴보는 것도 중요하지만, 여러 지표의 관계를 통해 인사이트를 얻을 수 있는 경우도 많다

특히 LTR과 CAC는 짝지어 확인하기에 매우 유용한 지표들이다

LTR이 CAC보다 충분히 큰가? 간단해 보이지만 이 질문은 비즈니스의 생존 가능성을 확인하는 중요한 질문!

일반적으로는 고객 생애 매출이 고객 획득 비용의 5~10배 정도는 돼야 어느 정도 안정적인 서비스 운영을 기대

LTR이 CAC을 넘어서기까지의 기간이 얼마나 걸리는지도 고려해야 한다

 

유의할 점은 대부분의 수익화 지표가 대푯값의 형태로 계산되지만 실제 수익화 정도는 사용자마다 엄청나게 다양하다는 점이다

수익화 지표를 계산해보면 개인별 편차가 상당히 크게 나타난다

흔히 파레토 법칙으로 알려진 20:80 비율을 흔히 볼 수있으며, 서비스에 따라 이 비율이 더 극단적인 경우도 많다(ex. 게임 서비스의 경우 상위 1%가 결제 매출액의 50%이상을 차지하는 경우도 어렵지 않게 보임)

새로운 기능을 만들 때도 평균 사용자라는 모호한 타기팅을 하는 것보다 '서비스에 대한 충성도가 높고 매출 기여가 높은 사용자' 층을 고려해서 기획하는 편이 훨씬 효과적이라는 점을 기억하자

요약된 수익화 지표 하나만 보고 의사결정을 내리기보다는 사용자를 다양한 방식으로 그루핑하고 각 그룹에 맞는 운영 및 수익화 전략을 세우는 것이 중요하다

서비스를 출시하는 시점에는 수익 모델이 포함되지 않을 수 있지만 그런 경우라고 해도 어느 시기에 어떤 방식으로 수익화할 것인가에 대한 로드맵은 명확하게 존재해야 한다

 

---

3-5. 추천(Referral)

AARRR에서 이야기하는 추천이 일회성 이벤트를 의미하는 것은 아니다

서비스 내에 입소문을 통한 선순환 구조를 어떻게 구축할 것인가'라는 구조적인 문제에 더 가깝다

일반적으로 친구 초대에 대한 보상은 유료 마케팅 채널을 활용한 고객 획득 비용의 50-70% 수준에서 결정되는 경우가 많다

친구 초대는 세세한 프로세스와 화면 단위의 사용자 경험이 얼마나 잘 설계됐느냐에 따라 그 효과가 크게 달라진다

동일한 기능이라고 하더라도 어떤 문구와 톤으로 표현하느냐에 따라 친구 초대 성과는 크게 달라질 수 있다

막상 초대받은 친구가 메시지를 수신하고 앱을 설치하고 회원가입을 하는 온보딩 프로세스에 관심을 두는 곳은 많지 않다

 

바이럴 계수(Viral Coefficient)

바이럴 계수 = (사용자수 * 초대비율 * 인당 초대한 친구 수 * 전환율) / 사용자수

• 친구 초대와 같은 추천 액션에 참여하는 사용자의 비율 높이기
• 한 사람이 평균적으로 초대하는 친구의 수 늘리기
• 초대받은 친구가 가입으로 전환되는 비율 높이기

친구 초대 효율을 높이기 위해 무엇부터 해야 할지 알지 못하는 경우가 많다

이론적으로는 바이럴 계수가 1을 넘어가면 추천을 통한 신규 사용자가 기하급수적으로 증가한다

추천 시스템에 대한 효과를 분석할 때는 바이럴 계수를 구하는 것과 함께 '초대의 주기가 얼마나 빠른가'를 꼭 고려

 

사람마다 다르겠지만 서비스에 만족하는 것과 서비스를 추천하는 것 사이에는 생각보다 큰 간극이 있다

서비스가 충분히 매력적이지 않은 상태에서는 추천을 위한 기능을 아무리 잘 만들어도 바이럴 루프가 제대로 동작 X

그로스해킹은 앞서 언급한 AARRR에 해당하는 모든 활동들을 통합적으로 지칭하는 용어이지 단순한 바이럴 마케팅 활동을 지칭하는 용어가 아니다

추천 시스템이 잘 동작하려면 앞서 설명한 활성화 단계가 잘 구축돼 있어야 한다

 

---

4장. 지표

그로스 해킹이라는게 결국 목표 지표를 선정하고 그 지표를 개선하기 위해 진행하는 일련의 활동을 의미

데이터 분석가를 괴롭히는(ㅋㅋㅋㅋ) 흔한 방법 중 하나는 스톡 지표를 플로 형태로 뽑아 달라거나 플로 지표를 스톡 형태의 대시보드에 추가해 달라고 요청하는 것이다 

MAU를 집계하려면 MAU를 어떻게 측정할지에 대한 명확한 기준이 있어야 한다

놀랍게도 많은 서비스에서는 이 과정을 생략한채 그때그때 서로 다른 기준에 따라 지표를 집계하고 활용하는데, 이 때문에 같은 서비스를 이용하는 사람들 사이에서도 지표에 대해 서로 다르게 생각하는 경우가 매우 빈번하게 발생함

지표를 기반으로 성장 실험을 할 때는 해당 지표를 어떻게 정의하고 측정할 것인가를 반드시 짚고 넘어가야 한다. 모호한 지표는 모호한 액션을 이끌 수밖에 없다.

주간 보고에 정리된 지표 기반으로 실질적인 행동이 잘 이어지는 조직은 드물다

지표를 개선하기 위한 행동이 부분 최적화가 아닌 전체 관점에서의 최적화에 초점을 맞춰야 한다는 점이다

데이터와 지표가 있다고 해도 이를 정확하게 해석하고 의사결정을 내리는 것은 생각보다 간단하지 않다

유의미한 인사이트를 찾아내는 방법 : 쪼개서 살펴보기!

raw data를 분석과정에 어떤 식으로 가공하느냐에 따라 데이터에서 얻는 인사이트가 완전히 달라질 수 있다

 

심슨 패러독스 : 부분적으로 나눈 데이터(서브그룹)에서 나타나는 경향(trend)이 전체 데이터를 합쳤을 때 정반대로 나타나는 현상(ex. UC 버클리의 1973년 대학원 입시 해프닝)

 

• 심슨의 역설은 "데이터를 그룹별로 나눠서 봐야 한다"는 중요한 교훈을 준다.
• 마케팅, A/B 테스트, 의료 데이터, 대학 입시 등 다양한 분야에서 잘못된 결론을 내리는 원인이 될 수 있다.
• 데이터 분석할 때는 단순히 평균값만 보지 말고, 꼭 세부 그룹별(연령, 성별, 지역, 유입 경로 등)로 나누어 비교해야 한다.

 

평균이 과연 모든 경우에 최선인 대푯값이라고 할 수 있을까?

분석 대상 데이터 세트에 아웃라이어가 있거나 분포를 알 수 없는 경우라면 중앙값을 대푯값으로 사용하는 것을 적극적으로 고려해 볼 필요가 있다

데이터의 대푯값을 정하기에 앞서 그 분포를 확인하는 것은 굉장히 중요하다

데이터 시각화는 분석을 막 시작하는 시점에 해당 데이터셋이 어떻게 구성돼 있는지 확인하는 탐색적 분석 과정에서 훨씬 더 유용하게 활용된다

 

생존자 편향 피하기 : 실제로 데이터 수집 과정에 충분히 주의를 기울이지 않은 경우 편향된 데이터로 분석을 할 수 있다(Garbage IN Garbage OUT)

많은 살마들이 데이터 분석 스킬셋을 열심히 공부하지만 막상 현업에서 데이터 분석을 하면서 겪는 어려움의 상당 부분은 데이터 수집과 전처리에서 온다

분석 목표에 맞는 데이터를 신중하게 수집하고 가공하는 단계가 잘 진행되지 않으면 그 다음에 진행하는 어떤 고도화된 알고리즘이나 분석 방법도 의미가 없다

 

OMTM(One Metric That Matters) : 지금 가장 중요한 지표

OMTM의 가치는 구성원들이 바라보는 방향성을 일치시키고 자원을 집중하는데서 나온다

1. 어떤 BM을 가진 서비스를 만들고 있는가?

2. 서비스 라이프 사이클을 고려할 때 우리는 어떤 단계에 있는가?

3. 지금 가장 신경 쓰이는 단 하나의 문제를 찾아보자. 어떤 문제인가?

4. 우리가 원하는 행동을 하는 사용자와 그렇지 않은 사용자는 무엇이 가장 다른가?

5. 위 4를 구분할 수 있는 이벤트나 속성은 무엇인가? 그 추세가 달라지는 지점은 어디인가?

OMTM을 설정할 때 흔히 하는 실수 중 하나는 매출을 OMTM으로 정하는 것이다

매출이 늘어나고 줄어드는 것은 서비스의 성장과 항상 일치하지 않는다

매출은 완벽한 후행지표이다

OMTM은 매출을 높이는데 기여하는 선행지표를 찾아 정의하는 것이 좋다

OMTM은 성장을 목표로 하는 지표다

KPI는 일반적으로 평가를 위해 활용하는 지표다

OMTM은 그 자체로 서비스가 진짜 잘 되고 있는지를 알려주는 중요한 지표다

적절한 목표를 정의하고 모두가 한 마음으로 여기에 집중하는 것은 성장에 있어서 가장 기본적인 요소다

 

---

5장. 그로스 해킹 시작부터, 성장 실험까지

1단계 : 데이터를 활용할 수 있는 업무 환경 만들기

2단계 : 데이터 파이프라인 구축하기

3단계 : 데이터 활용을 위한 역량과 문화 갖추기

4단계 : 성장 실험

 

업종이나 회사 규모를 막론하고 데이터가 분석 가능한 형태로 정제되어 잘 쌓여 있는 회사는 굉장히 드물다

데이터가 여기저기 흩어져 있거나, 부분적으로 유실됐거나, 분석할 수 없는 형태로 어딘가에 쌓여만 있는 경우가 흔하다

로그 설계에 있어서 발생하는 모든 이벤트를 기록해야 한다는 생각을 버리고 분석에 필요한 이벤트를 정확하게 적재하는 것이 핵심이다

 

A/B 테스트

2개의 변형 A와 B를 사용하는 종합 대조 실험으로, 통계적 가설 검정 또는 2-표본 가설 검정의 한 형태다.

두 가지 서로 다른 옵션에 대한 사용자의 반응을 측정함으로써 어떤 옵션이 더 효과적인지를 검증하는 과정

A/B 테스트 설계의 성패는 실험 집단과 통제 집단을 적절하게 나누고 통제 변수 관리를 얼마나 잘 했느냐에 달려 있다

A/B 테스트의 가치는 단순히 테스트 자체의 결과로 인해 얻어지는 p-value 외에 실험이 실질적으로 효과를 미치는 크기나 영향력을 고려해서 판단해야 한다

한번 진행된 A/B 테스트 결과가 만고불변의 진리라고 믿어서는 안된다. 어제의 최적화는 오늘의 레거시일 수 있다는 점을 기억하자.

A/B 테스트는 전역 최적화가 아닌 국지적 최적화를 찾는 실험이라는 점을 유의하자

 

---

6장. 그로스 조직과 업무 프로세스

그로스 해킹은 다양한 직군의 사람들이 각자의 전문성을 발휘하면서 협업하는 프로젝트성 업무에 가깝다

그로스 해킹 팀은 일반적으로 2가지 목표를 갖는다.

1. 가장 중요한 목표는 핵심 지표를 개선하는 것

2. 그로스 조직이 회사에 성장 DNA를 전파하는 조직이 돼야 한다는 점

그로스 조직이 일하는 방식에서 가장 핵심이 되는 부분은 프로세스 전반에 걸쳐 목표와 실행이 서로 영향을 주고받아야 한다는 점이다

좋은 아이디어는 여러 데이터와 시행착오를 거쳐서 조금씩 다듬어가는 과정을 통해 만들어진다

그로스 해킹을 위해서는 경영진의 역할이 굉장히 중요하다

그로스 해킹은 어떤 조건이 갖춰져야만 시작할 수 있는 것이 아니다