j-node 님의 블로그

서비스기획입문 과제 우수 사례 분석

j-node — Wed, 17 Jun 2026 21:43:46 +0900

① 문제 분류와 우선순위 판단의 '기준' 명문화
리뷰 분석: 리뷰 카테고리를 나눌 때 카테고리 이름만 적는 것이 아니라, 각 카테고리가 어떤 사용자 문제와 서비스 영역을 대표하는지 정의한다. 또한 하나의 리뷰에 복합적인 문제가 있다면 중복 태깅을 통해 데이터를 남김없이 활용한다.
우선순위 선정: 내 과제에서도 Impact와 Effort를 고려했지만, 우수 사례는 이를 더 세분화한다. 예를 들어 Impact를 '리텐션 영향도(반복 사용 영향, 이탈 감소 영향)'와 '기대효과(체감도, 행동 변화 유도)'로 쪼개고, Effort를 '기술 복잡도'와 '의존성'으로 나눈 뒤 각각의 정의를 표로 제시한다.
적용점: 앞으로 우선순위 매트릭스를 그릴 때는 각 축의 세부 판단 요소를 문장으로 정의하고, 특정 문제가 왜 1순위인지(예: 불만족 리뷰 비중이 높고, 리텐션에 직결되며, UI 수정만으로 가능하여 Effort가 낮음) 해설하는 단락을 반드시 추가해야 한다.

② 5 Whys와 로직트리를 결합한 입체적 원인 분석
우수 사례는 문제의 원인을 찾을 때 먼저 로직트리를 통해 문제 지형을 넓게 구조화하고, 그중 가장 중요한 영역을 선택해 5 Whys로 깊게 파고든다.
분석의 깊이: 추상적인 추론이 아니라 실제 화면 캡처와 사용자 행동 흐름을 관찰한 결과를 근거로 시작하여, 시스템 구조나 정책적 한계라는 근본 원인까지 단계적으로 도출한다.
적용점: 내 과제에서 도출한 '핵심 정보 발견 실패'라는 문제도, 단순히 UI 배치가 나쁘다는 결론에 그치지 않고 '왜 핵심 정보가 분산되었는가? → 프로모션 부서와 상품 부서의 정보 노출 정책이 다르기 때문인가?'처럼 한 단계 더 깊은 원인을 탐구하는 과정을 보여주면 기획의 깊이가 훨씬 깊어질 것이다.

③ Goal Tree를 활용한 지표 분해와 가드레일 설정
가장 크게 보완해야 할 부분은 가설과 지표의 설계 방식이다. 내 과제에서는 가설별로 목표 수치(+5%p 상승 등)를 제시했지만, 그 수치가 어떻게 나왔는지에 대한 산정 근거가 부족했다.
Goal Tree 분해: 우수 사례는 최종 목표(예: 혜택 적용 구매 비율 향상)를 달성하기 위해 선행되어야 할 하위 지표(쿠폰 사용률, 상품 상세 조회율 등)를 트리 구조로 분해하여 보여준다.
목표 수치의 타당성: 내부 데이터가 없다면 외부 벤치마크(이커머스 평균 전환율, CRM 성공 사례 등)를 적극적으로 인용하여 목표 수치의 타당성을 방어한다.
가드레일 지표: 개선안이 가져올 부작용(사이드 이펙트)을 미리 예상하고, 이를 방어할 가드레일 지표(예: 혜택 정보 과잉으로 인한 체류 시간 감소, 부정 리뷰 증가 여부)를 함께 설계한다.
적용점: 앞으로는 "A를 하면 B가 될 것이다"라는 단선적 가설을 넘어, "A를 하면 하위 지표 C가 움직여 최종 지표 B가 달성될 것이며, 이때 예상되는 부작용 D를 막기 위해 지표 E를 모니터링하겠다"는 입체적인 가설 구조를 짜야 한다.

④ 레퍼런스 관찰에서 '설계 원칙' 추출하기
원칙 단위의 접근: 타사 화면을 비교한 뒤 단순히 'A사는 이렇게 생겼다'가 아니라, 여러 사례의 공통점을 묶어 '핵심 기능을 상단에 우선 배치한다', '리스트 형태로 단순화해 정보 접근성을 높인다' 같은 설계 원칙을 추출해낸다.
적용점: 레퍼런스 화면 캡처 밑에 관찰 내용을 적는 것을 넘어, "경쟁사 3곳의 공통된 패턴은 '사용자 인지 비용의 최소화'이므로, 우리 서비스 역시 이 원칙을 적용해 통합 혜택 박스를 설계해야 한다"는 식으로 한 단계 추상화된 문장을 덧붙여야 제안의 설득력이 강해진다.

3. Action Plan: 다음 과제에 바로 적용할 3가지
우선순위 산정 해설 추가: Impact/Effort 매트릭스 도출 시, 각 항목의 점수 산정 기준을 명문화하고 1순위 선정 사유를 3문장 이상의 해설로 풀어쓴다.
Goal Tree와 가드레일 지표 필수 포함: 가설을 세울 때 최종 지표를 하위 행동 지표로 분해하는 Goal Tree를 그리고, 예상되는 사이드 이펙트와 이를 방어할 가드레일 지표를 반드시 한 세트로 구성한다.
목표 수치 근거 보강: 가설의 기대 수치를 적을 때 직관에 의존하지 않고, 외부 리서치나 산업 벤치마크 데이터를 인용하여 방어 논리를 구축한다.

마무리하며
내 기획은 데이터에서 출발해 명확한 타겟을 좁혀내는 '좋은 뼈대'를 가지고 있다. 여기에 우수 사례가 보여준 '기준의 투명한 공개', '지표의 구조화(Goal Tree)', '가드레일 지표 설정'이라는 디테일한 근육을 붙인다면, 단순히 논리적인 기획을 넘어 실무에서 즉시 실행 가능하고 부작용까지 통제할 수 있는 완성도 높은 기획안으로 발전할 것이다.

[아티클]데이터 분석 지표 'Time Spent(체류 시간)'의 이해

j-node — Tue, 16 Jun 2026 20:02:34 +0900

웹 페이지 내 사용자 체류 시간 지표의 계산 방식과 데이터 해석 시 주의점에 대한 글.

https://support.contentsquare.com/hc/en-us/articles/37271873598097-Time-Spent

1. Time Spent(체류 시간)의 정의 및 계산법

정의: 사용자가 웹 페이지에 머무는 평균 시간.
측정 기준: 첫 번째 페이지뷰(Pageview)가 트리거된 시점부터 해당 페이지에서 발생한 마지막 이벤트(클릭, 스크롤 등)가 전송된 시점까지의 간격을 측정.
공식:{Time Spent} = {마지막 이벤트 전송 시간} - {첫 번째 페이지뷰 전송 시간}

2. 비즈니스 맥락에 따른 데이터 해석 방법

체류 시간의 '좋고 나쁨'은 콘텐츠의 성격에 따라 상대적으로 해석해야 함.
- 콘텐츠 소비형 페이지 (e.g. 블로그 포스트, 칼럼): 사용자가 정보를 읽는 데 시간이 걸리므로 체류 시간이 긴 것이 긍정적인 신호임.
- 목적 지향형 페이지 (e.g. PDP ): 사용자가 정보를 빠르게 파악하고 다음 단계(장바구니 담기, 구매 등)로 넘어가는 것이 좋으므로, 체류 시간이 너무 길지 않은 것이 이상적일 수 있음.

3. 세그먼트(Segment) 필터링 시 주의점

조건부 세그먼트를 생성할 때 동작 방식을 오해하면 안 됨.
예를 들어, '페이지 체류 시간이 10초 미만인 사용자'로 필터를 걸 경우, 해당 짧은 페이지뷰 데이터만 솎아내는 것이 아니라, 그 조건을 만족한 사용자의 '세션 전체 페이지뷰 데이터'가 포함될 수 있음. 필터 세팅을 정확히 해야 데이터 오염 막을 수 있음.

4. 데이터의 유의성과 한계점

조회수(Views)가 낮은 페이지에서는 이 지표만 신뢰해서는 안 됨.
표본(Sample)의 크기가 작을 때 시간 메트릭은 변동성이 매우 커지기 때문임.
이유: 어떤 사용자가 페이지를 켜둔 채 10분 동안 자리를 비웠다가(방치) 돌아와서 아무 요소나 하나 클릭하고 나간 경우, 이 극단적인 값 하나가 전체 평균 체류 시간을 비정상적으로 길게 왜곡(Skewed)시키기 때문임.

오늘 인사이트, 느낀 점

체류 시간 데이터는 분석 전 모수의 skewness 확인한 후 분석 범위를 판단해야 한다.
콘텐츠의 성격 따라 체류 시간이 길수록 긍정적일 수도, 부정적일 수도 있다.
입문 과제 피드백 이후부터 약간 체류 시간 지표에 대한 집착?이 있었던 것 같다. 감사히도 이 아티클에서 유저 액션이 view와 event로 상세히 구분되고, 액션들 기반으로 site/page/zone metrics들이 각각 잘 정리되어 있어서 상세히 이해할 수 있어서 드디어 집착이 해소된 것 같다.
가짜 체류 시간(이탈 방치)을 걸러내기 위해서는 Activity Rate 정도는 Time Spent 지표와 함께 분석해야 할 듯하다.

[아티클] 이커머스 전환율의 잔혹한 현실, 그리고 쪼개기(?)의 미학

j-node — Mon, 15 Jun 2026 20:13:24 +0900

과제를 하다 지루해서 이커머스 전환율 관련 아티클 3개를 읽었다.

지표를 단계별로 쪼개서 생각하는 방법과, 전환율의 잔혹한 현실을 배웠다.

1번 아티클: Heap: ECommerce Conversion Funnel Optimization Guide

ECommerce Conversion Funnel Optimization for Product Managers & Marketing Teams

Optimizing your ecommerce conversion funnel is more than just lifting a single metric, it's about creating high LTV customers - learn how.

www.heap.io

1. 전환율(Conversion Rate)은 쪼갤수록 강력해진다 (종류의 다양성)

단 하나의 전환율만 보는 것은 위험하다: 단순히 '전체 방문자 중 구매자 비율'만 보면 어디서 문제가 터졌는지 알 수 없음. 데이터 분석과 실험을 제대로 하려면 목적에 맞게 전환율을 쪼개서(Segment) 모니터링해야 함.
PM이 쪼개서 봐야 할 주요 지표:
- Click Conversion Rate (클릭 전환율): 한 유저가 여러 번 구매(전환)한 중복 수치를 제외하고, '실제 전환된 순수 방문자 비율'을 파악하여 유저의 고유한 행동을 측정할 때 사용.
- Add to Cart Rate (장바구니 담기율): 상품 상세페이지(PDP)의 매력도와 UX가 유저에게 구매 의도를 심어주었는지 측정하는 첫 번째 단계.
- Cart Abandonment Rate (장바구니 이탈률): 최종 구매 직전 단계에서 유저가 이탈하는 비율로, 주로 예상치 못한 배송비나 복잡한 결제 프로세스 같은 '최종 마찰(Friction)'을 잡아낼 때 쓰임.
- 기타 쪼개기 기준: 마케팅 채널별, 특정 페이지별, 캠페인별, 키워드별로 전환율을 각각 분리해서 비교해야 비정상적인 병목 구간을 찾아낼 수 있음. (PM은 특정 페이지나 키워드별 전환율을 주로 볼 것 같긴 함)

2. 거대한 전환은 작은 '마이크로 전환(Micro-Conversion)'의 연속이다

이커머스에서 최종 전환(구매 완료)은 유저의 작은 행동들이 누적된 결과임.
마이크로 전환 최적화의 중요성:
- 큰 깔때기 구조(홈 ➔ 탐색 ➔ 장바구니 ➔ 결제 ➔ 완료) 안에는 수많은 마이크로 전환(e.g. 리뷰 클릭, 할인 정보 확인, 옵션 선택 등)이 촘촘히 얽혀 있음.
- PM은 유저가 최종 단계로 가기 전 어디서 발이 묶이는지(Drop-off) 그 주변의 마이크로 클릭 하나하나를 아주 미세하게(Granular?) 뜯어보아야 함.
- 행동 세그멘테이션(Behavioral Segmentation): 전환에 성공한 유저군과 실패한 유저군의 '마이크로 행동' 차이를 비교하는 것이 좋음. 전환 유저/전환 실패 유저가 한/하지 않은 행동을 각각 생각해볼 것. (e.g. "장바구니에 담은 유저들은 안 담은 유저들에 비해 '리뷰 보기' 버튼을 3배 더 많이 클릭했다" 라는 인사이트를 얻어 리뷰 영역 UI를 상단 배치하는 가설로 연결 가능)

3. 현실 세계의 실제 전환율은 '생각보다 훨씬 낮다'

기억해야 할 데이터 벤치마크 수치:
- 글로벌 이커머스 평균 구매 전환율: 일반적으로 약 2.86% 선에 불과함. (100명이 들어오면 97명은 그냥 나간다.)
- 장바구니 이탈률(Cart Abandonment Rate): 무려 88.05%에 육박함. 장바구니에 담아둔 유저 10명 중 9명에 가까운 이들이 결제를 안 하고 이탈한다는 뜻.
인사이트: 현실의 수치가 이토록 낮기 때문에, 전환율을 1%에서 2%로 겨우 1%p만 올리더라도 매출에는 큰 변화 있을 수 있음. 집요하게 전환율 최적화에 매달려야...!

2번 아티클: Baymard Institute: Product Details Page UX Research Studies

Product Details Page UX Research Studies – Baymard

Subscribe to Baymard Premium to access all of our Product Page UX research Get full access to all our Product Page E-Commerce UX research reports, benchmarks, and page designs previewed here, along with our complete 650+ guidelines for Homepage & Category

baymard.com

Baymard Institute : UX 리서치 및 벤치마크 전문 기관

1. 전환율은 쪼개어 진단해야 한다: PDP UX의 다각화

단일 템플릿의 함정: 이커머스 사이트의 거의 모든 사용자가 구매 전 '상품 상세페이지(PDP)'를 거치며 이곳에서 구매 여부를 결정함. 하지만 대다수 사이트가 전체 카탈로그에 동일한 PDP 템플릿을 재사용하면서 지표를 통으로 관리하는 실책을 범함.
주제별·요소별 지표 쪼개기: Baymard 리서치에 따르면 PDP 내의 지표는 12가지 세부 주제(Topics)로 쪼개어 현황을 진단해야 진짜 UX 병목을 잡을 수 있다고 함.
- e.g. 이미지 갤러리 UI 지표, 'Buy(구매)' 섹션 전환율, 배송 및 반품 정보 노출에 따른 이탈률, 사용자 리뷰 섹션 상호작용 비율 등.
데스크톱과 모바일의 화면 환경이 완전히 다르듯, 99개의 데스크톱 가이드라인과 91개의 모바일 가이드라인을 분리하여 각각의 독립된 전환율과 UX 점수를 모니터링해야 한다;; 그렇게까지 해야 됨???

2. 거대한 구매는 촘촘한 '마이크로 인터랙션'의 결과다

상세페이지 내 마이크로 레이아웃의 중요성: 사용자가 PDP에서 최종 '장바구니 담기'나 '구매' 버튼을 누르기까지는 페이지 내 수많은 Micro-Conversion이 선행됨.
사용자 의도를 자극하는 핵심 마이크로 요소 (2,900+ 사례 분석 기반):
- 이미지 및 비디오 UI: 제품 이미지 갤러리 오버레이 확인, 360도 뷰 및 비디오 재생.
- 정보 탐색 레이아웃: 스펙 시트(Spec Sheet) 열람, 사이즈 가이드 및 사이즈 파인더 활용.
- 사회적 검증(Social Proof): 유저 리뷰 섹션(User Reviews Section)에서의 평점 필터링 및 텍스트 독해.
인사이트: PM은 단순히 "상세페이지 전환율이 낮다"고 결론 내릴 것이 아니라, 사용자가 어떤 마이크로 콘텐츠(리뷰, 스펙, 이미지 등)를 소비할 때 다음 단계로 넘어가는지 그 '인과관계'를 정교하게 설계해야 함.

3. 냉혹한 현실: 대형 사이트조차 UX 점수가 '생각보다 훨씬 낮다'

수백만 달러 규모 사이트들의 실상: 바이마드가 글로벌 대형 이커머스 사이트들을 대상으로 대규모 유저 테스트를 진행한 결과, 참가자들은 무려 1,300개 이상의 PDP 관련 사용성 문제(Usability Issues: 모든 종류의 유저의 불편함)를 겪었음. 아무리 자본이 많은 대기업 서비스라도 상세페이지 레이아웃과 기능 결함으로 인해 유저들이 '반복적으로 이탈'하는 현상이 발생함.
충격적인 벤치마크 데이터:
- 전 세계 최고 매출을 올리는 327개 글로벌 이커머스 사이트의 PDP를 전수 조사한 결과, UX 점수가 '좋음(Good)' 이상인 사이트는 절반 이하(49%)에 불과했다고 함.
- 나머지 51%의 사이트는 '보통 이하(Mediocre or worse)'의 심각한 UI/UX 결함을 가진 채 서비스를 운영하고 있었음.
- 심지어 전 세계 어떤 사이트도 PDP UX 부문에서 '완벽(Perfect)'이나 '최첨단(State of the Art)' 점수를 받지 못했음.
인사이트: 업계 최고 수준의 사이트들마저 실제 사용성 수치가 이토록 낮다는 것은, 반대로 우리가 PDP 내의 작은 마찰과 레이아웃 오류를 조금만 개선해도 경쟁사들을 제치고 전환율을 압도적으로 끌어올릴 수 있는 기회가 있을 수 있음.

3번 아티클: Braze: Improving Add to Cart Rate and Why it Matters

Improving Add to Cart Rate and Why it Matters | Braze

Learn the importance of add to cart rate and explore proven techniques to enhance it, driving more conversions and revenue.

www.braze.com

1. 전환율은 단일 지표가 아니다: 깔때기(Funnel)의 세분화

허수 지표(Vanity Metric) 경계하기: 단순 방문이나 표면적인 인터랙션만 보는 것은 서비스의 진짜 건강도를 반영하지 못함. 구매 전환 여정은 유저의 '심리적 변화'에 따라 정교하게 쪼개진 지표들로 모니터링해야 함.
유저의 의도를 반영하는 핵심 지표들:
- Add to Cart Rate (장바구니 담기율): 단순한 탐색(Browsing) 단계에서 실제 구매 의도(Genuine Buying Intent)로 전환되는 결정적인 순간을 포착하는 KPI. 상품 페이지의 매력도, 가격 정책, 초기 UX의 성공 여부를 진단하는 선행 지표.
- Cart Abandonment Rate (장바구니 이탈률) & Checkout Completion Rate (결제 완료율): 장바구니 담기율은 높은데 최종 구매가 낮다면, 이는 상품의 문제가 아니라 결제 단계의 마찰(예: 예상치 못한 배송비, 복잡한 인증 절차 등)이 원인임을 알려주는 후행 진단 지표.
인사이트: 유입 경로, 디바이스 유형뿐만 아니라 카테고리나 지역별로 전환율을 쪼개어 비교할 때 비로소 어떤 요소가 유저의 마음을 움직였는지 명확히 파악할 수 있음.

2. '마이크로 전환'의 힘: 넛지로 유저 이탈 막기

맥락에 맞는 넛지(Nudge)의 연속: 유저가 상세페이지에서 장바구니 버튼을 누르기까지는 페이지 내 수많은 마이크로 인터랙션과 정보 소비가 일어남.
장바구니 전환을 이끄는 상세페이지(PDP) 내 마이크로 요소:
- 고화질 이미지, 명확한 제품 설명, 정확한 스펙 정보 보기.
- 사회적 증거(Social Proof): 유저 리뷰 및 평점 확인하기.
- 가격 마찰(friction) 감소: 할인 정보, 번들 혜택, 무료 배송 기준선 인지하기.
행동 유도 전략: 유저가 한 세션 내에서 장바구니에 선뜻 상품을 담지 못하고 망설일 때, 개인화된 추천 품목을 보여주거나 실시간 재고 부족 알림(Urgency Signal) 등의 크로스 채널(PDP 외에도 인앱 메시지, Push 알림 등등) 마이크로 넛지를 주어 이탈을 막고 다음 단계로 진전시켜야 함.

3. 냉혹한 현실: 실제 이커머스 전환율은 생각보다 훨씬 낮다

벤치마크 데이터를 통해 보는 이커머스의 현실: 글로벌 평균 장바구니 담기율(Add to Cart Rate)은 보통 2% ~ 10% 사이. (100개 세션 중 대다수는 물건을 담지도 않고 나감)
- 산업군(Vertical)별 편차: 고가품이나 신중한 비교가 필요한 Luxury & Jewelry 카테고리의 장바구니 담기율은 평균 2.36%로 매우 낮음. 반면, 관여도가 낮고 습관적 구매가 일어나는 Beauty & Personal Care는 9.09%로 상대적으로 높음.
지역(Location)별 장바구니 담기율:
- 미주 대륙 (Americas): 6.8%
- 유럽·중동·아프리카 (EMEA): 6.3%
- 아시아·태평양 (APAC): 5.6%
- 인사이트: APAC 지역의 장바구니 담기율이 5.6%로 가장 낮게 나타남. 이게 유의미한 차이인지 아닌지도 모르겠음 지금.
- 여기 들어가면 통계 업데이트 됨 https://marketing.dynamicyield.com/benchmarks/add-to-cart-rate/
인사이트: 현실 수치가 이처럼 낮기 때문에, 데이터 분석을 통해 타겟 페르소나의 행동 마찰을 찾아내어 장바구니 전환율을 단 몇 %p만 개선하더라도 다운스트림(최종 구매 및 매출)에 엄청난 효과를 가져올 수 있음.

Average add-to-cart rate for eCommerce by industry

Explore the average add-to-cart rate for eCommerce and find out how your business compares to industry benchmarks.

marketing.dynamicyield.com

오늘의 인사이트, 느낀 점

PM으로 일하면서 UX 리서치 및 벤치마크 전문 회사가 제시하는 가이드라인을 전부 따라갈 수는 없을 것 같다;;;
그러나 conversion 자체를 더 쪼개서 생각해보는 건 유의미한 인사이트다. 전환율도 어느 퍼널에서 어느 단계인지를 더 상세히 고민할 것.
conversion rate 생각보다 낮다. 아시아는 더 낮다... 오히려 좋다. 1프로만 높여도 성공적인 것일 수 있음!
궁금증: 아시아는 왜 전환율 더 낮지?
오늘 A/B test 특강에서 나온 지표에 활용할 것들을 좀 찾은 것 같다. 과제를 수정해야 한다...

A/B 테스트란?: 트래픽 분산 방식, 아웃라이어 처리, 순차적 검정 등

j-node — Fri, 12 Jun 2026 20:16:28 +0900

오늘은 과제 피드백 중 추천해주신 AB test 미리 공부해보았다

https://brunch.co.kr/@digitalnative/19

AB Test 기본부터 심화까지 -1편

AB Test에 기반한 전략적 의사결정으로 서비스 개선하기 | 저번 글 아마존, 에어비앤비, 넷플릭스의 AB테스트 결과 정리에 이어서, 이번 편에서는 서비스 기획자, 전략가, 프로덕트 오너라면 반드

brunch.co.kr

A/B Test 기본 개념과 사용자 분산 방식

1. A/B Test란?

정의: 디지털 환경에서 전체 실사용자를 대조군과 실험군으로 나누어 특정 UI나 알고리즘의 효과를 비교하는 데이터 기반 의사결정 방법론.
핵심 사례: 2008년 오바마 대선 캠프에서 500건의 A/B 테스트를 통해 기부 전환율 49% 증가, 이메일 수집률 161% 증가를 달성하며 대중적으로 확산됨.

2. A/B Test의 트래픽 분산 방식 3가지

실험 목적과 시스템 환경에 따라 적절한 분산 방식을 선택해야 데이터 왜곡을 막을 수 있다.

분산 방식	특징	장점	단점 / 주요 활용
노출 빈도 분산	페이지가 렌더링될 때마다 설정된 비율에 따라 무작위 노출	헤비 유저가 많아도 노출 빈도가 균등해 통계적 유의성이 높음	동일 유저에게 UI가 계속 바뀌어 혼란(Bias) 유발 가능 → 알고리즘 테스트에 적합
사용자 분산	유저 ID나 쿠키(UID) 기준으로 그룹을 고정하여 노출	유저에게 일관된 경험을 제공하여 혼란이 적음	특정 아웃라이어(헤비 유저)에 의해 결과가 왜곡될 위험이 있음 → UI/UX 테스트에 적합
시간대 분산 (시분할)	초 단위, 분 단위, 혹은 시간 단위로 대역을 나누어 노출	시스템 구조상 노출/사용자 분산이 불가능할 때 우회책으로 활용	시간대별 유저 특성 변수를 통제하기 어려움 →금융/통신사 등 보안 환경에서 제한적 사용

궁금증: 사용자 분산 방식을 사용할 때 아웃라이어는 어떤 방식으로 고려하는지? box plot으로 파악해서 테스트에서 제외한다는 것인지? 아니면 결과 분석에서 제외한다는 것인지?
제미나이 답변:
사용자 분산 방식을 사용할 때 아웃라이어(Outlier, 예: 결제 금액이 일반 유저의 수백 배에 달하는 헤비 유저)를 처리하는 시점은 '테스트 단계(실험 대상 자체)'에서 제외하는 것이 아니라, '결과 분석 단계(통계적 처리)'에서 제외하거나 보정하는 것이 일반적입니다.실무에서 이를 어떻게 바라보고 처리하는지 구체적으로 정리해 드립니다.
1. 왜 '테스트' 단계가 아닌 '결과 분석' 단계일까?
사전 예측의 불가능성: 실험을 시작하는 시점(사용자를 대조군과 실험군으로 분산하는 단계)에는 이 유저가 이번 실험 기간 동안 아웃라이어 급의 행동을 할지 안 할지 완벽히 예측하기 어렵습니다.모집단 왜곡 방지: 만약 서비스의 헤비 유저들을 테스트 대상(모집단)에서 원천 배제해 버리면, 실험 결과가 '전체 유저'를 대변하지 못하고 '라이트 유저'만을 대변하는 반쪽짜리 실험이 될 수 있습니다.따라서: 우선 모든 유저를 무작위로 분산하여 실험을 진행한 뒤, 데이터 분석(통계 검증) 단계에서 이들의 영향력을 발라내는 작업을 합니다.
2. 구체적인 아웃라이어 고려 및 처리 방식AB테스트 결과 분석 시 아웃라이어로 인한 왜곡을 막기 위해 다음과 같은 기법들을 사용합니다.
① 데이터 정제 (Filtering / Truncation)질문하신 Box Plot(상자 수염 그림)이나 백분위수(Percentile) 기준이 실제로 여기서 사용됩니다.IQR 방식 (Box Plot 활용): 전체 데이터의 Q3(상위 25%)와 Q1(하위 25%)의 차이인 IQR(Q3 - Q1)을 구한 뒤, Q3 + 1.5 I*QR을 초과하는 극단적인 값을 아웃라이어로 규정하고 분석 데이터셋에서 통째로 제외(Drop)합니다.상위 N% 자르기 (Trimming): 매출 데이터의 경우, 매출 상위 1% 또는 0.5% 유저의 데이터를 기계적으로 제외하고 나머지 99%의 데이터로만 P-Value를 계산합니다.
② 지표의 전환 (평균 대신 '중앙값' 또는 '전환율' 사용)평균(Mean)은 아웃라이어에 취약하지만, 다른 지표들은 아웃라이어에 강합니다.ARPU(유저당 평균 매출) → 구매 전환율(Conversion Rate): 대형 고래 유저 한 명이 매출 평균을 오염시키는 것을 막기 위해, '돈을 얼마나 썼는가' 대신 '구매 버튼을 눌렀는가(원하는 액션을 했는가)'라는 이진(Binary) 지표로 바꾸어 분석합니다.중앙값(Median) 비교: 평균값 대신 데이터의 정중앙에 위치한 값을 비교 지표로 삼습니다.
③ 통계 알고리즘 및 윈저라이징 (Winsorizing)윈저라이징(Winsorizing): 아웃라이어 데이터를 지우는 대신, 상위 1%의 값을 상위 1% 경계선에 있는 값으로 강제로 변경(치환)하는 방법입니다. 데이터의 총 샘플 수는 유지하면서 극단적인 값의 영향력만 억제할 수 있습니다.비모수 검정 (Non-parametric Test): 데이터가 정규분포를 따르지 않고 아웃라이어가 많을 때는 T-Test 대신 데이터의 순위(Rank)를 기반으로 하는 맨-화이트니 U 검정(Mann-Whitney U Test) 등을 활용해 결과를 분석합니다.

3. 결과의 신뢰도를 확보하는 방법

A/A Test: A/B 테스트를 본격적으로 하기 전, 양쪽 그룹 모두에 동일한 안(Variation)을 보여주는 테스트. 여기서 두 그룹 간 결과 차이가 없어야 트래픽이 편중되지 않았음을 검증할 수 있음.
P-Value (유의확률): 실험 결과가 우연히 일어났을 확률. 일반적인 유의수준인 0.05보다 낮아야 실험 결과가 유의미하다고 판단함. 만약 P-Value가 너무 높다면 실험 기간을 늘려 샘플 수를 확보하는 것이 일반적인 해결책임.
- 궁금증: 기간을 늘린다고 되는 것인지?? 기간을 늘려 샘플을 추가하려고 한다는 건 p-hacking 아닌가?? 학문 아닌 실무에서 주로 사용하는 접근법인지?
- 제미나이 답변: 대기업에서 Sequential A/B Testing 도입했다고 함. 실시간으로 데이터를 열어보고 실험 기간을 연장하더라도, 통계 알고리즘이 p-value를 실시간으로 보정하여 '가짜 성공(제1종 오류)'에 속지 않도록 제어해 주는 고도화된 통계 모델
- 넷플릭스
- https://netflixtechblog.com/sequential-testing-keeps-the-world-streaming-netflix-part-2-counting-processes-da6805341642
  https://netflixtechblog.com/sequential-a-b-testing-keeps-the-world-streaming-netflix-part-1-continuous-data-cba6c7ed49df
- 옵티마이즈리: A/B 테스팅 솔루션인 여기서 엔진 자체를 순차적 검정 기반으로 교체함.
- https://www.optimizely.com/insights/blog/how-to-choose-the-right-stats-engine/
  Optimizely Stats Engine Whitepape

4. 대표적인 A/B 테스팅 툴

Optimizely: A/B 테스팅의 시초. 깊이 있는 통계 분석 기능과 모바일 앱 테스팅 환경을 잘 지원함.
Google Optimize: Google Analytics 및 GA 태그 매니저와의 연동 및 통합성이 뛰어남.
테크 기업의 경우 커스텀의 한계를 극복하기 위해 자체적인 A/B 테스팅 플랫폼을 구축하여 사용하기도.

https://www.oracle.com/kr/cx/marketing/what-is-ab-testing/

A/B 및 다변량 테스트의 정의, 필요성, 방법

A/B 테스트 및 이와 유사한 다변량 테스트를 사용하면 고객의 이메일 마케팅 캠페인, 웹사이트, 모바일 앱에서 효과를 거두는 부분과 그렇지 않은 부분을 알 수 있습니다. 여기서는 잠재고객의

www.oracle.com

1. A/B 테스트란?

정의: 기존 안(A, Control)과 변형 안(B, Variant) 두 가지 콘텐츠를 무작위로 사용자에게 보여준 뒤, 미리 설정한 주요 측정지표(전환율, 클릭률 등)를 기반으로 어떤 버전이 더 우수한 성과를 내는지 검증하는 방법.
주요 테스트 대상:
- 웹사이트: 텍스트, 이미지, 색상, CTA(Call To Action) 버튼 등
- 이메일 마케팅: 이메일 제목, 본문 이미지, 발신자 주소 등
- 콘텐츠/알고리즘: 편집자 추천 콘텐츠 vs. 알고리즘 기반 추천 콘텐츠의 참여도 비교
(A/B/N 테스트): 변수가 2개 이상(A, B, C, D...)인 경우를 의미.

2. A/B 테스트의 프로세스 (9단계)

성공적인 테스트를 위해서는 직관이 아닌 잘 정의된 데이터 기반의 프로세스가 필요.

성과 기준 측정 및 검토 (기존 데이터 분석)
성과 기준을 바탕으로 명확한 테스트 목표 결정
성과를 개선할 수 있는 가설 설정
테스트 대상 또는 위치 식별
테스트할 A, B 버전 생성
QA 도구를 통한 설정 검증
테스트 실행 (통계적 유의도를 달성할 때까지)
웹 및 테스트 분석 도구로 결과 추적 및 평가
결론을 서비스에 적용하여 고객 경험(CX) 개선

3. 다변량 테스트 (Multivariate Testing, MVT)

정의: 단일 요소만 바꾸는 A/B 테스트와 달리, 웹페이지나 이메일 내의 여러 요소(이미지, 텍스트, 색상 등)를 동시에 변경하여 조합된 최적의 버전을 찾는 테스트.
특징:
- 하나의 페이지 안에서 여러 변수들이 서로 어떻게 상호작용하는지 파악할 수 있음.
- 요소가 많아질수록 조합의 수(예: 10개 요소를 조합하면 수백만 개)가 기하급수적으로 늘어남.
- 따라서 이를 감당할 수 있는 압도적으로 높은 트래픽(방문자 수)이 필수적임.

4. A/B 테스트 vs 다변량 테스트 한눈에 비교

비교 항목	A/B 테스트	다변량 테스트 (MVT)
테스트 변수	단일 요소 (또는 완전히 다른 두 페이지)	한 페이지 내의 여러 요소들의 조합
적합한 상황	디자인의 큰 변화, 명확한 두 가설 비교	세부 요소들의 시너지 효과 검증
필요 트래픽	상대적으로 적음 (비교적 빠른 결론 가능)	매우 높음 (조합 수가 많기 때문)
장점	이해하기 쉽고 직관적임	요소 간의 상호작용(시너지) 분석 가능

궁금증: 완전히 다른 두 페이지에 대해 AB test하는 이유가 뭔가? 변인 많아서 다변량 분석해야 되는 거 아님?
- 제미나이 답변:
- 1. 완전히 다른 두 페이지를 A/B 테스트하는 이유 (Concept Testing)
  여기서의 A/B 테스트는 '버튼 색상', '폰트' 같은 자잘한 요소의 비교가 아니라 "페이지의 방향성(컨셉) 자체를 통째로 바꾸는 테스트"입니다. 이때 마케터나 기획자의 목적은 "어떤 요소가 효과적이었나?"가 아니라, "우리 고객들은 [긴 설명형]과 [짧은 카드뉴스형] 중 어떤 '컨셉'에 더 지갑을 열까?"를 빠르게 검증하는 것입니다.
- 2. 왜 이때 다변량 테스트(MVT)를 하지 않을까?
  다변량 테스트의 핵심 목적은 "한 페이지 안에서 여러 요소들이 자아내는 최적의 조합(시너지)을 찾는 것"입니다. 완전히 다른 두 페이지를 두고 다변량 테스트를 할 수 없는 이유는 다음과 같습니다.
  
  -비교 기준의 부재: 다변량 테스트를 하려면 기준이 되는 레이아웃 안에서 '이미지 A/B', '타이틀 문구 A/B', '버튼 색상 A/B'를 조합해야 합니다. 그런데 두 페이지가 완전히 다르면(예: 하나는 스크롤이 긴 페이지, 하나는 탭 구조의 페이지) 변수를 서로 매칭하여 조합을 만들 수가 없습니다.
  
  -조합의 폭발과 트래픽 한계: 두 페이지의 모든 차이점(요소 10~20개)을 변수로 쪼개어 다변량 분석을 하려면 수백만 개의 조합이 생깁니다. Oracle의 A/B 테스트 가이드에서도 언급하듯, 10개 요소만 조합해도 350만 개 이상의 조합이 생겨 전 세계 급의 트래픽을 가진 서비스가 아니고서야 통계적 유의성을 확보하는 것이 불가능합니다.

5. 모바일 환경(iOS/Android)에서의 중요성

모바일 커머스 시장은 급격히 성장하고 있지만, 화면이 작아 장바구니 포기율이 데스크톱(73%)보다 모바일(87%)에서 훨씬 높음.
따라서 모바일 앱 환경에서의 UI/UX 최적화는 매출에 직결되며, 이를 위한 정교한 타겟팅과 데이터 분석이 수반되어야 함.

오늘의 인사이트, 느낀 점

트래픽 분산 방식 결정은 시스템과 유저 경험 사이에서 타협점을 찾는 과정이다. 유저 경험의 일관성이 중요한 UI 테스트는 사용자 분산을, 유저가 인지하기 어렵고 독립적인 노출이 중요한 추천 알고리즘은 노출 빈도 분산을 선택해야 한다.
역시 대기업들은 영리하다! 실무자들의 data peeking 막기 위해서 순차적 검정이라는 새로운 실험 플랫폼 알고리즘을 만들어냈다.
실무 가면 어차피 회사마다 기본 실험 세팅이 다 있을 것으로 예상됨. 다만 이 내용 알아두는 게 실험 결과가 이상하거나 평소와 다를 때 원인을 추론하는 데에는 도움될 것 같긴 하다.

서비스 기획 입문 과제 보완 방식 고민하기

j-node — Thu, 11 Jun 2026 19:50:44 +0900

1. 보완할 점1: 탐색 시간 증가에 대한 논리적 사고
'탐색 시간 증가 → GMV 감소'라고 너무 바로 전제한 점이 보완 필요함.
처음에는 탐색 시간이 길어지면 당연히 효율이 떨어진다고 생각했는데, 실제로는 정보 탐색 실패일 수도 있고, 반대로 구매 의도 강화 과정일 수도 있음. 예를 들면 탐색 시간이 길어지면서 장바구니에 담거나 좋아요 누르는 식으로 오히려 구매로 이어질 수도 있음.

2. 왜 그렇게 생각했는가
돌아보면 이 판단이 논리나 데이터보다 개인적 경험에 많이 기대고 있었음. 평소 이커머스 앱 사용 중에 탐색 시간이 길어지면, 답답함이나 비효율을 먼저 떠올려서, 그게 곧바로 부정적인 결과로 이어진다고 생각했음.
그러나 과제에서는 이런 직관만으로는 부족했고, 탐색 시간이 길어지는 이유랑 그 이후 행동을 더 구체적으로 나눠서 봐야 했음.

3. 보완해야 할 핵심 논리
핵심은 탐색 시간 자체가 아니라, 비효율적 탐색인지 아닌지를 정의하는 것임.
즉, 단순히 체류 시간 증가를 문제로 보는 게 아니라, 중간 단계에서 사용자의 행동 변화를 같이 봐야 함.
예를 들면 사용자가 원하는 정보를 빨리 못 찾아서 비교랑 상세 확인을 반복하고, 그 결과 장바구니나 결제 버튼까지 도달이 늦어지는 경우에만 문제로 해석 가능함.

4. 논리 보완 방식
따라서 탐색 시간이 증가했을 때는 바로 'CVR 하락 → GMV 감소'로 연결하지 말고, 먼저 탐색 효율 저하가 실제로 있는지 확인해야 함.

구체적으로는 장바구니 담기율, 상세페이지→장바구니 전환율, 결제 진입률 같은 중간지표를 같이 봐야 함.
즉, 탐색 시간 증가 → 탐색 효율 저하 신호 확인 → ATC/Checkout CVR 하락 → Purchase CVR 하락 → GMV 감소처럼 단계적으로 연결하는 방식이 더 설득력 있음.

5. 5Whys 다시 정리하면
왜 GMV가 줄었나? → 구매 전환율이 떨어졌기 때문임.
왜 구매 전환율이 떨어졌나? → 사용자가 상품 결정까지 도달하는 데 더 오래 걸렸기 때문임.
왜 더 오래 걸렸나? → 원하는 상품 정보나 비교 기준을 빨리 찾지 못했기 때문임.
왜 찾지 못했나? → 탐색 구조가 비효율적이어서 필터, 정렬, 상세정보 접근성이 낮았기 때문임.
왜 그게 문제인가? → 장바구니나 결제 진입으로 이어질 확률이 낮아져 최종 GMV가 감소하기 때문임.

1. 보완할 점2: 트래픽 유발에 대한 논리적 사고
'혜택이 없는 경험 → 트래픽만 유발 → 마케팅 효율 저하'라고 바로 연결한 부분이 보완 필요함.
처음에는 혜택이 없는 경험이 결국 의미 없는 유입만 만든다고 생각했는데, 이 논리는대형 서비스 관점에서는 그대로 적용되기 어려움. 특히 네이버 같은 서비스는 트래픽 자체도 성과로 평가될 수 있어서, 단순히 “트래픽만 늘었다 = 나쁘다”라고 보기엔 논리적으로 약했음.

2. 왜 그렇게 생각했는가
돌아보면 이 판단도 역시 일반화가 과했던 것 같음. 작은 서비스나 전환 중심 서비스 기준으로는 트래픽이 전환으로 이어지지 않으면 비효율처럼 보이지만, 대형 플랫폼은 방문, 체류, 재방문 자체가 중요한 성과가 될 수 있음.
즉, 서비스의 목표 KPI를 구분하지 않고 너무 넓게 해석했던 게 문제였음.

3. 보완해야 할 핵심 논리
핵심은 트래픽 자체가 아니라, 질 낮은 트래픽인지를 봐야 한다는 점임.혜택이 없는 경험이 문제인 이유는 단순히 트래픽을 만든다는 데 있는 게 아니라, 구매 가능성이 낮은 유입만 늘리고 전환으로 이어지지 않게 만들기 때문.
그래서 “트래픽 증가”보다 전환으로 연결되지 않는 유입 증가라는 식으로 논리를 좁혀야 훨씬 설득력 있음.

4. 논리 보완 방식

UX가 약함.(사실 이 UX 자체도 구체적으로 생각해야 함)
사용자가 혜택이나 가치를 빠르게 이해하지 못함.
한 번의 유입이 충분한 전환으로 이어지지 않음.
같은 성과를 얻기 위해 더 많은 재유입이나 광고비가 필요해짐.
결과적으로 마케팅 효율이 떨어짐.

즉, 트래픽 유발 자체보다 전환 효율 저하와 비용 증가를 연결하는 방향으로 보완하는 게 맞았음.

오늘의 인사이트, 느낀 점

KPI 수치의 증감을 내가 선입견을 갖고 긍정/부정적으로 판단하면 안 된다.
논리 구성 과정에서는 판단에 개인적인 경험을 넣지 말아야 함. 꽤 주관적인 판단이 많이 들어간 듯하다.

이 지표가 유저의 어떤 액션 혹은 다른 어떤 지표로 연결될까를 생각하자.

참고

이커머스 시장에서 살아남는 ‘탐색형 커머스’ 전략

https://www.godo.co.kr/main/blog/25/%EC%9D%B4%EC%BB%A4%EB%A8%B8%EC%8A%A4-%EC%8B%9C%EC%9E%A5%EC%97%90%EC%84%9C-%EC%82%B4%EC%95%84%EB%82%A8%EB%8A%94-%ED%83%90%EC%83%89%ED%98%95-%EC%BB%A4%EB%A8%B8%EC%8A%A4-%EC%A0%84%EB%9E%B5-4759

[GA4] Engagement rate and bounce rate

https://support.google.com/analytics/answer/12195621?hl=en_

아마존의 성과 지표 'Fast Track In Stock' 알아보기 (FTIS에서 공급망 서비스화까지)

j-node — Wed, 10 Jun 2026 20:13:19 +0900

1. 아마존이 input metric을 강조하게 된 사연

아마존식 지표 철학은 결과지표(output) 대신 통제 가능한 선행지표(input)를 보자는 데서 출발함.
매출, 고객 수, 이익, 현금흐름은 “이미 벌어진 일”을 보여줄 뿐이고, 실제로 팀이 바꿀 수 있는 것은 제품 가용성, 배송속도, 재고 정확도 같은 input metric임.

2. Fast Track In Stock(FTIS) 지표의 도입 과정

이 지표는 하루아침에 도입된 것이 아니라 2000년대 초중반에 걸쳐서 결정된 지표이자,
통제 가능하고, 고객 중심인 지표를 만들기 위한 Trial and Error의 결과물임.

1단계 (초기): 단순히 '상품 상세 페이지 수(Number of detail pages)'를 측정. (하지만 매출로 이어지지 않음을 확인)
2단계: '상세 페이지 조회수(Detail page views)'로 개선. (고객이 보지 않는 페이지는 의미가 없었기 때문)
3단계: '조회된 페이지 중 재고가 있는 상품 비율(In-stock status)'로 개선.
4단계 (최종): '조회된 페이지 중 즉시(2일 내) 배송 가능한 재고가 있는 상품 비율'로 정의하고, 이를 'Fast Track In Stock(FTIS)'이라고 명명.
- Jeff Bezos가 이 지표가 지나치게 좁다고 우려했지만, Wilke가 “고객이 실제로 원하는 상품을 즉시 살 수 있어야 한다”는 방향으로 설득해 받아들여졌다고 함.
- 2001~2002년은 아마존이 지표 중심 경영을 처음 시도하며 1단계에서 3단계로 넘어가던 시기임.
- FTIS라는 개념이 조직의 핵심 성과 지표로 완전히 자리를 잡고 운영 시스템(WBR 등)에 안착한 시점은 2000년대 중반(2005년 전후)으로 보는 것이 업계의 일반적인 견해라고 함.

3. Fast Track In Stock 지표가 성과에 기여했나?

지표가 “목표”를 정했고, 풀필먼트는 그 목표를 달성하기 위한 “수단”으로 작동했을 것으로 추론해볼 수 있음.
- 1) input metric에 집중 → 2) Fast Track In Stock 지표 도입 → 3) Amazon Prime 서비스 도입 → 4) 물류망 확장
- Amazon Prime 서비스 도입
  - 2005년 2월 2일에 미국에서 최초 출시되었음.
  - 초기 혜택은 연회비 $79로, 1백만 개 이상의 상품에 무료 2일 배송이 핵심이었음.
  - 성과: Prime 회원은 연간 약 1,400~1,500달러 이상 쓰는 반면, 일반 고객은 약 600~625달러 수준임. Prime 회원 규모는 1억, 2억, 2억5천만 명 추정까지 커짐.
- 물류망 확장
  - 2006년: Fulfilled by Amazon (FBA) 도입 — 셀러들이 Amazon 물류센터에 재고를 보내면 Prime 상품으로 자동 등록
  - 2005-2014년: Amazon이 77개 대형 물류시설을 건설, 이 중 50% 이상이 정부 보조금 유치
  - 2015년 이후: 라스트마일 직접 배송망 구축, 물류망을 서비스 형태로 개방

오늘의 인사이트, 느낀 점

Fast Track In Stock는 재고가 있고 빨리 배송된다는 고객 신뢰를 만들어 전환율, 재구매율, Prime 가입, 객단가 상승으로 이어지게 해줌.
이제는 물류 인프라 자체도 서비스화해서 수익을 내는 시대가 됨. 막대한 비용을 들여 인프라를 제대로 갖춰놓으면, 자사 고객의 경험을 극대화하는 동시에 타사 셀러들에게 임대료를 받으며 또 다른 캐시카우를 만들 수 있다는 점에서 플랫폼 비즈니스의 거대한 선순환(?) 구조를 배울 수 있었음.
아마존 특유의 고객 중심 사고를 들어보기만 했는데, 이렇게 핵심 성과 지표로 다시 접하게 되어 흥미로웠음.
고드하르트의 법칙(Goodhart's Law: '지표 도움 안 된다')과 '지표 잘 설정해야 된다' 중간의 적절한 지점을 찾아야 할 것 같음.
'지금 리소스와 기한으로 봤을 때 가장 효과적인 지표 + 지표는 아니지만 놓치면 안 되는 유저 액션' 2가지를 모두 고려하도록 노력해야겠음.

참고 자료

오늘 읽은 아티클: 지표의 위계, 지표 설정하기

https://yozm.wishket.com/magazine/detail/2166/

Working Backwards 책(아마존의 비즈니스 방식, 시스템) 전반 내용
https://medium.com/@kagarwal_72870/working-backwards-insights-stories-and-secrets-from-inside-amazon-e273601b0531

Working Backwards 책 중 지표 내용 정리
https://medium.com/@SoyakaAI/working-backwards-516d257c2343

https://www.holistics.io/blog/how-amazon-measures/

아마존 코로나 시기 풀필먼트 개선
https://www.amazon.science/news-and-features/how-amazon-reworked-its-fulfillment-network-to-meet-customer-demand

아마존 물류망에 AI 활용
https://www.aboutamazon.com/news/operations/amazon-ai-innovations-delivery-forecasting-robotics

아마존 Customer Experience (CX) Metrics

https://sellercentral.amazon.com/help/hub/reference/external/GZE455GHZ4QBEL8W

'지표의 왜곡을 막고 시스템을 개선할 수 있는 구체적인 운영 구조'에 관한 아마존 사례

https://commoncog.com/goodharts-law-not-useful/

PM이 갖추어야 할 습관: Why에서 시작하는 의사결정과 소통법

j-node — Tue, 9 Jun 2026 20:03:24 +0900

1. WHY

정의: 결정의 이유 생각보기
왜 why를 반복해야 하는가?
- (원인) 문제의 근본 원인을 파악할 수 있고,
- (목적) 프로젝트의 목표를 분명히 하고,
- (기준) 프로젝트 전 과정에서 판단의 기준을 세울 수 있게 됨.

2. What, How

What: 목표, 결과물을 정의하는 단계
- 프로젝트의 범위를 설정하고 필요한 리소스와 작업 목록을 구체화함.
How: 프로젝트의 구체적인 실행 계획을 수립하는 단계
- 세부 일정, 작업 분배, 협업 방식 등 로드맵을 수립함.

3. 커뮤니케이션

정의: 서로 필요한 정보를 교환하고, '정확하게 이해하는 과정'
커뮤니케이션에서 고려할 사항 4가지
- 명확성과 간결성: 필요한 내용만 구체적으로 말하자!
- 목표와 의도 명확히: 목적을 분명히 밝히고 소통하자. 두괄식 잊지 말자!
- 공감과 감정 관리: 나 자신에게는 객관적으로, 타인에게는 공감하기!
- 상대방의 관점에서 이해하기: 상대의 우선 순위, 일정, 기술적 제약 고려하기!

4. 논리적으로 설득하기

정의: 이유와 근거(데이터와 분석)을 기반으로 한 합리적 결정으로 상대 납득시키기
- 1. 주제 정의
- 2. 주장, 데이터 근거 제시
- 3. 단계적 접근으로 원인 파악
- 4. 결론 도달

5. 기록하는 습관

정의: 일정 관리, 제품 관리, 팀 협업 개선을 위해 필요한 습관
왜 기록해야 하는가?
- 효율적인 의사결정: 과거의 맥락과 논의 과정을 찾아볼 수 있어 빠르게 결정할 수 있음.
- 원활한 커뮤니케이션: 구두 전달로 인한 오해를 방지하고 팀원들과 명확한 기준을 공유할 수 있음.
- 프로젝트 진척 상황 모니터링: 프로젝트 진행 상황을 추적할 수 있음.
- 지속적인 개선(레슨런): 피드백, 해결 과정을 공유해 서비스나 협업 과정을 개선하고 향후 리스크를 줄일 수 있음.

6. 공유하는 습관

정의: 팀 전체가 싱크를 맞출 수 있도록 투명하게 나누는 문화.
왜 공유해야 하는가?:
- 개발자와 기획자 간의 기술적·비즈니스적 공감대를 형성할 수 있음.
- 지식과 성장 내용을 공유하면 원팀으로서 시너지를 낼 수 있음.
- 신규 입사자의 빠른 온보딩을 도울 수 있음.

오늘의 인사이트, 느낀 점

PM의 결정과 소통의 반복: 왜? - 무엇을, 어떻게? → 커뮤니케이션 + 논리적 설득 → 기록 + 공유
'왜' 각각의 소프트 스킬을 갖추어야 하는지 그동안 진지하게 생각하지 않았던 것 같다.
'왜'라는 질문을 스스로에게 계속 하면서 합리적인 결정을 하는지 점검하자.
소통에 더 적극적으로 참여하자.

[이커머스 물류 가이드] 풀필먼트 개념과 플랫폼별 배송·정산 방식 비교 (feat. 지마켓 PM 공고 분석)

j-node — Mon, 8 Jun 2026 20:10:40 +0900

1. 물류 서비스의 종류 (PL: Party logistics)

물류를 누가 수행하느냐에 따라 1자부터 4자까지 구분.

1PL (1자 물류): 판매자가 자기 창고, 자기 트럭으로 직접 모든 것을 처리하는 방식. (초기 소규모 쇼핑몰)
2PL (2자 물류): 계열사나 자회사(물류 전문 부서)를 통해 물류를 처리하는 방식.
3PL (3자 물류): 외부 물류 전문 업체에 보관, 운송 등을 위탁하는 방식. 전통적인 물류 아웃소싱, B2B에 적합함.
4PL (4자 물류): 단순 아웃소싱을 넘어, IT 솔루션과 물류 컨설팅을 결합하여 공급망 전체를 최적화하는 고도화된 서비스.
(오늘날의 '풀필먼트'가 여기에 해당)

2. 풀필먼트(Fulfillment)란?

이커머스 고객의 주문이 들어온 순간부터 최종 배송 완료, 그리고 반품/환불(CS)까지의 '모든 과정을 대행'하는 서비스를 말함.

단순히 물건을 옮기는 것을 넘어 고객 경험 관리가 핵심.

핵심 과정: 입고 → 보관 → 주문 수집 → 피킹(상품 찾기) → 패킹(포장) → 배송 → 반품/CS 관리
장점: 판매자는 물류 고민 없이 '마케팅'과 '상품 기획'에만 집중 가능하며, 플랫폼이 보장하는 빠른 배송(도착보장 등)을 통해 매출을 극대화할 수 있음.
풀필먼트 vs.3PL:
3PL: 전통적인 물류 대행(3PL)이 주로 기업 간 거래(B2B)의 화물 운송과 보관에 초점
풀필먼트: B2C(기업과 소비자 간 거래) 주문을 즉각적이고 정확하게 처리하는 '고객 경험 관리'의 일환으로 진화한 개념

3. 플랫폼별 비교: 네이버 vs 쿠팡

1) 서비스 운영 방식

구분	네이버 도착보장 (N배송)	쿠팡 로켓그로스	쿠팡 마켓플레이스
운영 주체	제휴 물류사 (다양성)	쿠팡 직영 물류센터 (효율성)	판매자 직접 운영 (자체 물류)
강점	빠른 정산, 브랜딩/단골 확보 용이	압도적 배송 속도, 높은 노출 효과	수수료 부담 완화, 자율적 재고 관리
CS 처리	판매자 혹은 물류사 분담	쿠팡이 전담 처리	판매자가 직접 전담 처리
입고 편의	상대적으로 유연함	가이드라인이 엄격함(규격 등)	해당 없음 (입고 과정 없음)
추천 대상	고관여 상품, 브랜드 충성도 중시	생필품, 빠른 배송이 핵심인 상품	초기 판매자, 주문 제작/다품종 상품

네이버 (N배송/도착보장): '얼라이언스(연합)' 모델
쿠팡 (로켓그로스): '직영' 모델
- 쿠팡이 직접 운영하는 물류센터에 상품을 입고시키면, 입고부터 보관, 포장, 배송, CS(반품/환불)까지 쿠팡이 전 과정을 통합 관리.
- 쿠팡의 강력한 로켓배송 시스템을 그대로 이용할 수 있어 효율적이고 관리가 일원화되어 있음.
- 로켓그로스 서비스 소개: https://marketplace.coupang.com/rocket-growth?rf=MARKETPLACE&referrer=gemini.google.com&utm_referrer_path=%2F#rg-cost
쿠팡 (마켓플레이스): '오픈마켓(자체 물류)' 모델

2) 비용 및 정산

네이버:
- 정산: 업계 최고 수준으로 매우 빠름(구매확정 다음 날 또는 집화 처리 다음 날 100% 정산). '빠른정산' 서비스를 이용하면 '배송 집화 처리 다음 날(소비자가 물건을 받기도 전)'에 대금의 100%를 정산받을 수 있음. 별도의 수수료나 담보 설정 없이 자금을 바로 회전할 수 있음.
- 비용: 스마트스토어 판매 수수료 + 별도로 선택한 물류사의 서비스 비용(입고·보관·배송비)이 발생. 물류사 비용은 크게 ① 입고비(하역료) + ② 보관료(렉/파레트 단위) + ③ 출고 및 배송비(포장재, 택배비 포함)
쿠팡:
- 로켓그로스
  - 정산: 오픈마켓 중 주기가 가장 길고 복잡한 편. 구매확정 기준으로 정산되는 네이버와 달리, 주정산(당해 주 판매액의 70%를 20일 뒤 지급 등)과 월정산 방식 중 선택해야 하며, 최종 대금을 모두 손에 쥐기까지 한 달 이상 소요되어 판매자의 자금 회전력이 중요함.
  - 비용: 판매 수수료와 물류 비용이 '로켓그로스 서비스 이용료'로 통합되어 청구됨. 구체적으로는 ① 카테고리별 판매 수수료(약 4%~11%) + ② 입고·출고·배송 요금(건당 부과) + ③ 보관료(부피당 부과)로 구성.
  - 주의: 판매 수수료와 물류 관련 비용이 통합되어 청구됨. 보관료는 재고 회전율에 따라 달라지므로, 오래 팔리지 않는 재고는 비용 부담이 커질 수 있음.
- 마켓플레이스:
  - 정산: 로켓그로스와 마찬가지로 주기가 길고 복잡한 편. (주정산과 월정산 중 선택 가능하나 대금 지급까지 일정 기간 소요)
  - 비용: 카테고리별로 정해진 '판매 수수료(약 4% ~ 11%)'와 '배송비 관리 프로그램 이용료(판매 장려금 등)' 위주로 발생. 물류센터를 쓰지 않기 때문에 입고비나 보관료 부담이 전혀 없어, 회전율이 낮거나 부피가 큰 상품을 판매할 때 비용을 크게 절감 가능.

참고: 네이버 도착배송, 쿠팡 로켓그로스 사용자의 후기

https://bosim.kr/1208

솔로프리너 11. 쿠팡 로켓그로스 vs 네이버 도착보장 비교

오픈마켓에서 상품을 판매할 때 가장 큰 비용이 발생하는 부분은 물류비용,즉 풀필먼트 서비스 비용이다. 해당 풀필먼트 서비스는 오픈마켓 사별로 경쟁이 치열한 부분이기도 하다. 쿠팡이 로

bosim.kr

요약: 매출의 35% 이상이 물류비로 지출되어 부담스럽기는 하지만, 1인 기업으로서 포장 노동을 줄이고 배송 속도를 높여 구매 전환율을 올릴 수 있다는 점에서 만족도가 높다고 함.(23년 기준)

4. PM이 가져야 할 관점

플랫폼 관점 (비즈니스 임팩트):
- 풀필먼트는 단순히 물류를 대행하는 것이 아니라, 플랫폼이 판매자에게 "물류의 효율화"를 대가로 "플랫폼 종속성"을 강화하는 도구임. 수수료 구조가 비즈니스 모델에 미치는 영향도 고려해보자.
데이터 기반 운영:
- 재고 회전율이 낮은 상품을 풀필먼트에 맡기면 '보관료'로 인해 마진이 깎임. 어떤 상품을 풀필먼트에 태울지, 재고 관리 효율화를 어떻게 할지 데이터로 의사결정해야 함.
고객 경험의 완성:
- 물류는 판매자(입점 사업자)에게도, 소비자에게도 배송 그 이상의 '고객 경험'이라 볼 수 있다. 반품률, 배송 지연율 등 물류 지표가 플랫폼 전체의 전환율과 재구매율에 어떤 영향을 미치는지 고려해보자.

5. 채용 공고 살펴보기(지마켓)

https://www.jobkorea.co.kr/Recruit/GI_Read/48816858?Oem_Code=C1&logpath=1&stext=%ED%94%84%EB%A1%9C%EC%84%B8%EC%8A%A4+%EA%B0%9C%EC%84%A0&listno=558&sc=630

㈜지마켓 채용 - Fulfillment & Logistics Product Manager | 잡코리아

경력 : 경력 3년이상, 학력 : 대졸↑, 급여 : 회사 내규에 따름, 마감일 : 2026.04.02

www.jobkorea.co.kr

용어 살펴보기

1) SLA (Service Level Agreement, 서비스 수준 협약)

물류 서비스의 '품질 보증 기준'
상세 설명: 서비스를 제공하는 업체(물류사)와 이용하는 업체(판매자/플랫폼) 간에 "우리는 최소한 이 정도 품질은 서로 지키자"라고 정한 계량화된 계약 기준.
이커머스 예시: "주문 접수 후 24시간 이내 출고율 99% 유지", "당일 배송 완료율 95% 이상", "오배송률 0.1% 이하" 등이 대표적인 SLA 지표. 공고에 나온 'SLA 모니터링'이란 이 약속이 잘 지켜지고 있는지 감시하고 관리한다는 뜻.

2) OMS (Order Management System, 주문 관리 시스템)

고객의 '주문이 들어온 순간부터 출고되기 전까지'를 관리하는 시스템.
상세 설명: 네이버, 쿠팡, 자사몰 등 다양한 채널에서 들어온 주문 데이터를 하나로 수집하고(주문 취소, 변경 포함), 이를 물류센터에 배송해 달라고 전달하는 '두뇌' 역할.
주요 기능: 주문 수집, 송장 번호 발행, CS(취소/교환/반품) 데이터 연동.

3) WMS (Warehouse Management System, 창고 관리 시스템)

한 줄 요약: '물류센터(창고) 내부의 모든 움직임'을 관리하는 시스템.
상세 설명: OMS로부터 "이 물건 보내주세요"라는 주문을 넘겨받으면, 창고 안 어디(로케이션)에 재고가 있는지 확인하고, 직원이 물건을 찾아서(피킹) 포장(패킹)할 수 있도록 동선을 짜주고 재고를 차감하는 역할 수행.
주요 기능: 상품 입고, 재고 위치 관리, 선입선출 관리, 바코드 재고 실사.

4) TMS (Transportation Management System, 배송/운송 관리 시스템)

한 줄 요약: 물건이 포장되어 창고를 '떠난 순간부터 고객 집 앞까지 가는 과정'을 관리하는 시스템.
상세 설명: 수많은 배송지 정보를 분석하여 "어떤 트럭에 어떤 물건을 실어야 가장 효율적일지", "어떤 경로로 운송해야 기름값과 시간을 아낄 수 있을지" 배송 최적화를 담당. 쿠팡의 새벽배송이나 당일배송 라우팅(경로 배정)의 핵심이 되는 시스템.
주요 기능: 배차 관리, 실시간 배송 추적, 운송 경로 최적화, 정산 관리.

이커머스 물류 흐름

고객 주문 발생 → OMS가 주문 수집 → WMS가 창고에서 물건을 찾아 포장 → TMS가 가장 빠른 경로로 배송 차량을 배정해 고객에게 전달 → 이 모든 과정이 매끄러운지 SLA 지표로 평가

6. 오늘 인사이트, 느낀 점

'물류'는 상품 배송을 위한 기능 이상으로, 일종의 BM이자 강력한 락인 전략이 될 수 있다.
정산 주기와 비용 구조를 기반으로, 물류 데이터를 최적화하는 것이 판매자와 소비자 모두에게 좋은 고객 경험을 완성시킬 수 있다.
지난주에 이커머스 플랫폼의 비즈니스적 관점을 탑재하기 시작했다면, 이번 주에는 물류 흐름까지도 함께 고려해보게 되었다. 관점이 확장되어 재미있다.

서비스 기획 과정, 이커머스의 방어적 기획과 데이터 분리 사례

j-node — Fri, 5 Jun 2026 20:29:31 +0900

서비스 기획 진행 과정

1. 킥오프(Kick-off)

프로젝트가 공식적으로 시작되는 첫 단계
프로젝트의 목표, 범위, 일정, 예산, 리스크 및 해결 방안 등 논의
핵심 사항을 팀과 이해관계자들과 sync를 맞추기 위해 중요한 단계임.
회의록 공유 및 액션 아이템 정리 및 추적

2. 프로젝트 진행 중 공유

필요한 정보를 필요한 사람에게 정확히 전달하는 과정, 불필요한 내용 말하지 말자.
변동 사항에 대한 의사결정, 리스크 관리, 기대 sync 맞추기, 문서화
커뮤니케이션 채널: 슬랙, Jira, 이메일, 트렐로 등

3. 회고

다음 프로젝트의 개선을 위한 논의 과정
성공, 실패 분석하고 배우기
팀원 간 협업, 성과 인정
효율성 향상

이커머스 서비스 기획 아티클 시리즈(by '큰그림기획')

아티클 1: 이커머스 플랫폼의 체리 피커 걸러내기 전략

https://yozm.wishket.com/magazine/detail/3742/

플랫폼은 어떻게 가짜 신규 고객을 걸러낼까? | 요즘IT

국내 주요 이커머스 플랫폼들은 신규 가입자를 유치하기 위해 강력한 웰컴 후킹 정책을 운영합니다. 100원 딜이나 고액 쿠폰이 대표적입니다. 그러나 이런 혜택은 신규 고객 확보에 효과적인 만

yozm.wishket.com

1. 주요 메시지

가입 정책 = 비즈니스 필터: 신규 가입 웰컴 혜택(100원 딜 등)을 악용해 마케팅 비용을 축내는 ‘체리피커’를 막기 위해, 기획자는 가입 창에 순수 텍스트 외의 기술적 방어선을 구축해야 한다.

2. 핵심 식별 기술 및 개념

CI(Connecting Information): 주민등록번호 기반의 88바이트 고유값. 통신사나 번호를 바꿔도 변하지 않음.
DI(Duplication Information): 해당 웹사이트 내에서만 유효한 중복 가입 확인용 고유값.

3. 기업들의 실무 방어 전략 (보조 식별 정책)

마켓컬리 (배송지 정제): 가족 명의 등으로 중복 가입 후 한 집으로 배송받는 것을 막기 위해 띄어쓰기, 특수문자 등을 정규화하여 동일 주소지 기반으로 필터링.
무신사 (Device ID 기반 차단): 동일 스마트폰(기기 고유값 UUID)에서 로그아웃과 재가입을 반복하며 혜택을 중복 수령하는 패턴을 제한.
쿠팡이츠 (네트워크 식별): 동일 와이파이(Wi-Fi)나 IP 주소 환경에서 짧은 시간 내에 복수 가입·주문이 일어나는 작업장(Farm) 패턴을 차단.
결제 수단 지문 (Payment Fingerprinting): 명의가 달라도 카드번호 마스킹값이나 계좌 해시값이 같으면 동일 가구/사용자로 판단해 제한.

아티클 2: 이커머스 상품 데이터 분리와 비즈니스 수익성(ROI)의 상관관계

https://yozm.wishket.com/magazine/detail/3764/

이커머스 플랫폼의 수익성은 상품 데이터 구조에서 갈린다 | 요즘IT

많은 이커머스 플랫폼이 매출 성장을 경험하면서 다음과 같은 핵심 질문에 답을 찾기 원합니다. 어떤 상품이 실제로 돈을 벌고 있는가? 어떤 광고가 적자를 만들고 있는가? 어떤 옵션이 재고를

yozm.wishket.com

1. 주요 메시지: '마진 착시'와 '데이터 분리'

마진 착시: 광고는 잘되는데 실제 마진은 적자, 품절된 옵션(SKU)이 광고에 계속 노출됨, 특정 옵션만 잘 되는데 전체 상품이 잘 된다고 착각.
원인은 마케팅 전략의 실패가 아니라, 원가·재고·전시 정보를 하나의 '상품'이라는 단일 데이터로 묶어 관리하기 때문임.
데이터 분리: 하나의 상품에 얽힌 다양한 성격의 정보들을 한 덩어리로 묶어두지 않고, 목적과 역할에 따라 독립된 테이블(레이어)로 쪼개어 관리하는 것

2. 상품 데이터 3계층 구조와 역할

원본 데이터 (Master Data): 상품 코드, 공급가, 브랜드 등 변경되지 않는 비용 및 이윤 계산의 기준. MD가 마케팅용 이름을 바꿔도 정산과 CS 혼선 방지를 위해 표준 정보로 유지되어야 함.
전시 데이터 (Display Data): 프로모션 가격, 기획전 카테고리, 썸네일 등 구매 전환율(CVR)을 높이기 위한 마케팅 레이어. 하나의 상품을 타임딜, 정기배송 등 여러 맥락에 동시 노출할 수 있게 함.
판매 옵션 데이터 (SKU, Stock Keeping Unit): 색상, 사이즈, 옵션별 재고 및 가산금 등 물류와 재고 관리의 물리적 실체. 모든 주문과 재고 차감의 최소 기준이 됨.

3. 데이터 분리가 가져오는 비즈니스 효과

정확한 ROI 분석: 광고비는 '상품' 단위로 집행되지만 수익은 'SKU' 단위로 발생함. 데이터가 분리되어야 평균 ROAS의 착시를 깨고 적자 옵션의 광고를 중단하거나 고수익 SKU에 예산을 집중할 수 있음.
시스템 정합성 유지: 데이터 구조가 묶여 있으면 기획전 하나 때문에 전체 상품이 품절 처리되는 비효율이 생기지만, 분리 시 다른 전시 전략(일반 판매 등)을 안정적으로 유지 가능함.

4. 주요 플랫폼 사례

네이버 스마트스토어: 다양한 판매자의 상품명을 하나의 '원본 데이터(카탈로그)'로 매핑하여 가격 비교와 검색 품질을 최적화.
오늘의집: 동일 상품도 어떤 콘텐츠 맥락(전시 데이터)에 노출되느냐에 따라 CVR이 달라지는 '전시 중심' 구조 활용.
쿠팡: '아이템 위너' 체제를 통해 고객이 보는 전시 화면과 실제 판매되는 SKU 단위를 분리하여 최저가와 정교한 수익 추적을 동시 달성.

네이버 vs. 쿠팡 데이터 정책 비교

비교 항목	네이버 쇼핑 (스마트스토어)	쿠팡 (Coupang)
핵심 정책	카탈로그 매칭 구조	아이템 위너 (Item Winner) 구조
데이터 제어의 중심	원본 데이터(Master) 표준화	판매 옵션 데이터(SKU) 관리
작동 방식	서로 다른 판매자가 올린 같은 상품들을 시스템이 하나의 '표준 상품'으로 매핑하여 묶음.	하나의 전시 상품(페이지) 안에서 여러 판매자의 SKU(옵션, 가격, 배송)가 실시간 경쟁함.
플랫폼의 핵심 역할	검색 품질 최적화 및 가격 비교 편의성 제공	최저가 유도 및 정교한 물류/배송 제어
사용자 경험	"같은 상품을 파는 매장들을 한눈에 비교해 보고 살래"	"가장 싸고 가장 빨리 배송되는 단 한 명의 탑 판매자 제품을 살래"

오늘 인사이트

CI/DI 필터링을 강화하면 가입 허들이 높아져 단기 CPA(고객 획득 비용)는 상승하는 것처럼 보이지만, 가짜 회원이 제거되므로 실제 활동 유저 기준의 Active CPA가 최적화되어 마케팅 ROI가 개선된다.
광고비는 '전시 상품' 단위로 쓰이지만, 실제 돈을 벌어다 주거나 적자를 내는 것은 '판매 옵션(SKU)' 단위일 수 있다.
도메인 지식을 바탕으로 정책 - 데이터 - 순이익의 연관성을 이해하고 기획해야 한다.

궁금한 점

스타트업에서 초기부터 이러한 데이터 분리를 도입하는 게 개발 측면에서 얼마나 어려운지?
서비스가 어느 정도의 규모나 시점에 도달했을 때 데이터를 분리해야 하는 것인지?
풀필먼트 관련: 구체적으로 쿠팡 vs. 네이버 물류망은 각각 어떻게 운영되는 것인지? 쿠팡은 자체 물류망 보유. (주말에 더 자세히 알아보자)

PM 데이터 분석 기초

j-node — Thu, 4 Jun 2026 20:30:05 +0900

데이터, 지표, 로그 이해하기

1. 데이터와 지표의 이해

데이터 (Data)
- 정의: 의미나 해석이 없는 상태의 그냥 수집된 정보.
- 정량적 데이터: 숫자로 표현되는 데이터 (예: 별점, 방문자 수, 판매량).
- 정성적 데이터: 숫자로 측정할 수 없는 주관적 정보 (예: 유저 리뷰 등).
지표 (Metric)
- 정의: 데이터에서 중요한 정보를 뽑아내고 가공·해석한 결과.
- 역할: 프로덕트가 잘되고 있는지, 잘못되고 있는지 판단하는 도구 (예: 매출 성장률, 웹사이트 전환율).
데이터와 지표의 관계
- 지표는 데이터를 바탕으로 '의미'를 부여한 것입니다.
- 예시: "어제 100명, 오늘 120명 방문"은 데이터 / "오늘 방문자 수가 어제보다 20% 증가했다"는 지표.

2. 로그(Log)의 정의

개념: 소프트웨어나 시스템에서 발생하는 이벤트나 동작을 기록한 정보. '로그를 심는다'
클라이언트 로그: 웹 브라우저나 모바일 앱 등 사용자 장치에서 발생하는 이벤트를 기록하는 로그.
'이벤트' 개념이 모호하게 느껴져서 찾아본 글
https://medium.com/@busratalayman/what-is-the-product-analytics-56653114e540

What is Product Analytics?

The digital teams use product analytics to increase their revenues, offer better customer experience, find the problem that their users…

medium.com

구분	이벤트 (Event)	속성 (Property)
정의	사용자가 서비스 내에서 수행한 행동 그 자체	이벤트나 사용자에 대한 추가적인 상세 정보
질문 형태	"사용자가 무엇을 했는가?"	"그 행동이 어디서, 어떻게, 어떤 상태로 일어났는가?"
예시	로그인, 상품 클릭, 결제 완료, 동영상 재생 음악 재생	기기 종류, 상품 가격, 카테고리, 유저 등급 제목, 가수, 장르

3. 로그 설계 3단계 프로세스

목록 설계 목표 정의: 로그를 통해 해결하려는 문제와 목적을 명확히 설정.
로그 항목 정의 및 설계: 중요한 데이터 포인트를 파악하고 개발팀과 협업하여 기록 방식 정의.
로그 전송 및 테스트: 실제 배포 전, 테스트 환경에서 로그가 정상적으로 기록되고 전송되는지 검증.

데이터 분석 방법 핵심 요약

1. PM의 데이터 분석 프로세스

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

2. 주요 데이터 분석 방법론

퍼널 분석 (Funnel Analysis)
- 개념: 사용자가 목표(가입, 구매 등)에 이르기까지의 여정을 추적하는 방법.
- 목적: 각 단계별 이탈률을 파악하고 개선점을 찾아 최종 전환율을 높임.
AARRR 프레임워크
- 사용자의 행동 단계를 5가지로 나누어 성과를 측정하는 기준.
1. Acquisition (유입): 어떻게 서비스를 알게 되었는가?
2. Activation (활성화): 첫 경험에서 긍정적인 반응을 보였는가?
3. Retention (유지): 지속적으로 다시 방문하는가?
4. Revenue (수익): 실제 결제나 매출을 일으키는가?
5. Referral (추천): 다른 사람에게 서비스를 공유하는가?
A/B 테스트
- 개념: 두 가지 이상의 변수(버전 A vs 버전 B)를 실험하여 어떤 쪽이 더 나은 성과를 내는지 비교하는 방법.
- 요소: 변수 정의 → 그룹 분할(노출) → 결과 측정 → 우수 버전 최종 적용.

구글 애널리틱스 사용해보기

1. 구글 애널리틱스(GA)란?

웹사이트나 앱 방문자의 행동을 분석하는 도구.
확인 가능한 데이터: 유저의 유입 경로, 많이 보는 페이지, 체류 시간, 버튼 클릭 여부 등

2. 실습(데모 계정 사용)

구글이 제공하는 데모 계정에 연동된 웹, 앱 데이터로 GA4 사용해볼 수 있음.
Google Merchandise Store 웹 데이터

https://support.google.com/analytics/answer/6367342?sjid=10812477736605828806-NC#access&zippy=%2C%EC%9D%B4-%EB%8F%84%EC%9B%80%EB%A7%90%EC%97%90%EC%84%9C%EB%8A%94-%EB%8B%A4%EC%9D%8C-%EB%82%B4%EC%9A%A9%EC%9D%84-%EB%8B%A4%EB%A3%B9%EB%8B%88%EB%8B%A4

데모 계정 - 애널리틱스 고객센터

도움이 되었나요? 어떻게 하면 개선할 수 있을까요?

support.google.com

GA4와 데모 계정 사용 설명을 매우 잘해주신 글(스스로 데모계정으로 이것저것 만져본 뒤에 읽어보면 좋을 듯하다)

https://jinseimarketing.tistory.com/24

GA4 기초부터 데모 계정 실습까지 (with. GTM)

안녕하세요! GA4에 대해 들어본 적은 있는데 정확히 어떤건진 모르겠는 분들을 위해서 오늘은 GA4에 대한 내용을 알려드리려고 해요!GA4 = 구글 애널리틱스(Google Analytics)는 현재 구글 마케팅 플

jinseimarketing.tistory.com

실시간 개요 페이지

실시간 페이지

참여도/개요

Life cycle/참여도/이벤트

수익 창출/개요

Life cycle/수익 창출/구매 여정

랜딩 페이지에서 제품 보기로 넘어갈 수 있도록 서비스 개선이 필요하다.

전환율의 차이
: 유입 자체는 모바일이 높지만, 최종 구매는 데스크탑이 압도적이다.
이유 추론
1) 데스크탑 유저는 목적형 유저 비중이 높고, 모바일 유저는 탐색형 유저 비중이 높을 가능성
2) 웹 환경이 모바일 앱보다 정보 탐색에 훨씬 편리할 가능성
진입(acquisition) 단계부터 보자 ↓

획득/Traffic acquisition: Session primary channel group

Direct로 진입한 유저들의 세션 수(방문) 자체는 높으나, 참여율이 낮음.
Unassigned는 뭐지?

오늘 인사이트, 느낀 점

데이터 자체보다 문제에 관한 지표를 어떻게 정의하고, 어떠한 프레임워크로 분석할지가 중요하다.
로그 설계는 기획 단계에서 '무엇을, 왜 보고 싶은지' 명확히 정의하는 단계라고 볼 수 있다.
GA4 보는 거 재밌다. 유의미한 인사이트 찾아내는 게 관건인 듯.