그로스해킹
(본 게시글은 양승화 저자의 ‘그로스해킹’ 도서를 참고하여 제작하였습니다.)
학부생 때 데이터 분석 프로젝트를 하면 대부분 공공 데이터를 활용하거나, GCP에서 제공하는 공개 데이터를 사용했다. 인턴을 하지 않으면 기업 데이터를 다뤄볼 기회가 없었고, SQL 테스트로 사내 데이터를 엿볼 기회가 생겨도 어떻게 활용할 지 감이 안왔다.
또한, 나는 데이터 분석가와 사이언티스트에 대한 구별이 확실하지 않았던터라 데이터를 정제하고 그래프로 현황을 파악한 다음 머신러닝을 통한 예측을 하는 것이 데이터를 활용하는 최적의 방안이라 생각했다.
하지만 대기업, 스타트업 등 많은 기업을 지원해보고 각 회사별로 데이터 분석가에게 요구하는 역량에 대해 자세히 분석하다 보니 데이터 분석가와 데이터 사이언티스트의 차이점을 이해하게 되었고 데이터 분석가가 사이언티스트와 구분될 수 있는 기술인 ‘그로스 해킹’에 대해 알게 되었다.
아래 내용은 그로스 해킹에 대해 공부한 내용을 기록한 것이다.
그로스 해킹
그로스해킹이란?
그로스 해킹을 간단하게 말하면 말 그대로 기업의 성장을 관리하는 기법이라고 이해할 수 있다.
과거와 달리 소비자들 개인의 기준이 뚜렷해지고, 요구사항이 많아짐에 따라 일회적인 성공으로 경영을 지속하기는 힘들어졌다. 제품을 출시하고, 불편사항을 개선하고, 새로운 기능을 추가하고.. 이런 일련의 과정을 유지해나가면서 목표한 수익을 거두는 것이 성공에 가까워졌다. 그로스해킹은 이런 과정들을 데이터를 통해 살펴보고 성장 방향을 제시하는데 목적을 두고 있다.
💡 그로스해킹이 마케팅의 일부분이라거나, 그로스해커 집단에 의해 진행되는 업무라는 시각이 존재하기도 하는데, 그로스해킹은 그로스해커라는 한 사람에 의해 실현되는게 아니라 PM, 마케터, 데이터분석가 등 다양한 사람들과 부서 간의 협업을 통해 이루어진다.
기업에 따라 차이가 있지만, 그로스해킹 업무를 수행하는 부서 내부에서 PM, 엔지니어, 마케터, 디자이너, 데이터분석가로 구성되어 업무를 진행한다. 데이터 분석가가 현황에 대한 지표를 시각화해서 넘겨주면 각 부서는 KPI와 OMTM 등을 고려해 앞으로 취해야할 액션을 도출한다. 마케팅 부서에서는 결과를 바탕으로 마케팅 전략을 수립할 것이고, 엔지니어 부서에서는 데이터 적재 방식을 변경한다거나, 버그 수정에 힘을 쓸 것이다. 이렇게 모두의 노력이 뒷받침이 되어야 그로스해킹이라는 업무가 수행될 수 있는 것이다.
그로스 해킹 어떻게 하는건데..
그로스 해킹에서 가장 중점적으로 보는 것은 사용자 행동 패턴에 대한 지표들이다. 제품 또는 서비스에 대해 소비자들이 얼마나 지속적으로 이용하는가, 다음 서비스로 넘어가는 비율은 어떻게 되는가 등 다양한 지표를 살피고, 이를 단계적인 프레임워크를 통해 관리하며 KPI, OMTM 등의 목표를 설정하여 나아간다.
지표?
데이터를 통해 살펴 볼 수 있는 모든 것이 지표가 될 수 있다. 게임 광고에서 자주 등장하는 누적 설치량, 온라인 쇼핑몰에서 보이는 누적 가입자 수 등.. 지표 자체는 아주 다양하고, 각 지표가 보여줄 수 있는 인사이트 또한 가지각색이지만 단순 지표가 보여주는 함정에 빠져 잘못된 선택을 하는 경우들이 많다. 그래서 그로스해킹에서는 AARRR이라 불리는 프레임워크를 구성하고 각 단계를 설명하는 지표들을 선정하여 이들을 관리한다. (다른 방법을 통해 관리하기도 하지만, 현재까지 공부한 내용으론 AARRR이 가장 활성화 되어있다고 한다.)
이 모든 것을 설명하기에는 스크롤의 압박이 너무 심해지므로, 관련된 용어를 잠깐 설명하고 다음 내용은 다음 장으로 넘어가도록 한다.
<그로스해킹 관련 용어>
| PMF(Product-Market Fit) | 용어 그대로 제품의 시장 적합성을 의미한다. 실제 제품이 시중에서 원하고 있는 제품인지 판단하여, 기업 입장에서 성장관리를 할 가치가 있는지 판단하는 기준이 된다. |
| 리텐션(Retention) | 한글로는 유지율. 해당 서비스를 이용하는 고객이 유지되는 비율을 의미한다. |
| 전환율(Conversion) | 앱 접속 → 회원가입 → 상품 구매 등 다음 단계로 이어지는 과정에서 유지되는 고객의 비율을 의미한다. |
| NPS(Net Promoter Score) | 순수 추천 지수, 해당 서비스를 이용하는 고객이 이를 타인에게 소개해주고 싶어하는 정도를 점수화 시킨 것이다. |
| AARRR | 사용자의 서비스 이용 흐름에 따라 고객유치(Acquisition), 활성화(Activation), 리텐션(Retention), 수익화(Revenue), 추천(Referral)의 카테고리로 구성된 지표 관리 프레임워크. |
| 오가닉 (Organic) | 유료 마케팅을 통해 유입된 고객이 아닌, 타인의 추천이나 자사 SNS를 통해 유입된 고객 |
| CAC(Customer Acquisition Cost) | 고객 유치 비용, 한명의 사용자를 데려오기 위해 드는 평균 비용. 전체 마케팅 비용을 가입자수로 나누는 방법이 가장 대표적이며 마케팅 도구별로 구분하여 계산하기도 한다. |
| 어트리뷰션 (Attribution) | 모바일 사용자가 해당 앱을 설치하는데 까지 기여한 채널을 식별하는데 활용하는 도구. |
| 퍼널(Funnel) | 사용자가 서비스에 진입한 후 핵심기능을 사용할 때 까지의 과정을 도표로 나타낸 것. |
| 코호트(Cohort) | 공통적인 특성에 따라 세부 그룹으로 나뉜 사용자 집단. |
| DAU(Daily Active User) | 일 평균 서비스 이용자 수. |
| MAU(Monthly Active User) | 월 평균 서비스 이용자 수. |
| ARPU(Average Revenue Per User) | 인당 평균 매출, 사용자 한명이 발생시키는 매출의 평균. 전체 고객을 대상으로 사용자 당 평균 매출로, ARPDAU, ARPMAU 등으로 고쳐 판단하기도 한다. |
| ARPPU(Average Revenue Per Paying User) | 해당 서비스 내에서 유료 결제를 진행한 사용자들을 한정으로 한 사용자당 평균 매출. |
| LTV(LifeTime Value) | 고객 생애 가치, 사용자 한명이 서비스를 이용하기 시작한 시점부터 이탈할 때 까지 누적해서 발생시킨 수익. |
| LTR(LifeTime Revenue) | 사용자 한명이 서비스를 이용하기 시작한 시점부터 이탈할 때 까지 누적해서 발생시킨 매출. LTV와 유사한 개념이나, 수익이 아닌 매출을 의미. |
| 바이럴 계수(Viral Coefficient) | 추천 엔진이 얼마나 효율적으로 작동하는지 평가하는 지표. |