월간 데이터리안 세미나 3월의 리뷰입니다.
데이터 분석가는 비교적 신생 직업군이라고 할 수 있습니다. 그래서 데이터 분석가에 대한 정의와 역할이 회사마다 다른데요. 그래서 본인이 이 직업을 어떻게 이해를 하고 있는지, 무엇을 하고 싶은지 정리를 하는 게 중요합니다.
3월 데이터리안 월간세미나의 주제가 바로 '데이터 분석가가 하는 일'에 대한 것이고요. 세미나 내용 중 인상적이었던 내용을 바탕으로 글을 정리해보았습니다.
1. 데이터 분석가가 다루는 데이터
1.1 서비스 데이터
회사에서 볼 수 있는 데이터에는 크게 두 가지 종류가 있습니다. 바로 '서비스 데이터'와 '사용자 행동 데이터'입니다. 우선, 서비스 데이터는 서비스 운영을 위해 반드시 필요한 데이터입니다. 예로 들어 회원가입한 고객의 정보, 상품 정보, 주문 내역 등이 이에 해당합니다.
서비스 데이터는 사업에 있어서 핵심적인 역할을 하기 때문에, 이 데이터가 반드시 있어야 한다는 점에는 아무도 이견이 없습니다.
1.2 사용자 행동 데이터
사용자 행동 데이터는 말 그대로 사용자의 행동 패턴을 확인하기 위해 별도로 저장하는 데이터입니다. 예로 들어 페이지뷰가 얼마나 되는지, 어떤 버튼을 클릭했는지, 스크롤은 얼마나 내려갔으며, 체류시간은 얼마나 길었는지 등이 이에 해당합니다.
사용자 행동 데이터의 위상이 서비스 데이터와는 확연한 차이가 있습니다. 사용자 행동 데이터에 비해 규모가 크지만, 신뢰도가 낮다는 특징이 있습니다. 트래킹 방법에 따라 누락되거나 중복 집계될 수 있으며, 데이터가 없어도 서비스 운영에 크리티컬한 이슈가 되지 않습니다.
"이 데이터가 꼭 필요한가요?"
그래서 데이터분석가 분들과 개발자 분들이 부딪히게 되는 지점이 생깁니다. 개발자 분들이 이 질문을 하면 데이터 분석가는 어떤 대답을 할 수 있을까요? 사실 없어도 서비스 운영에는 큰 문제가 없는데, 왜 이 데이터가 필요한 것일까요?
1.3 이 데이터가 꼭 필요한가요?
서비스 데이터와 함께 사용자 행동 데이터를 확인할 수 있다면, 좀 더 심도 있는 분석이 가능합니다. 그래서 데이터 분석가는 사용자 행동 데이터를 분석하는데 많은 노력을 기울입니다.
물론, 개발자 분들에게 부탁하지 않고도 사용자의 행동을 확인하는 방법은 있습니다. 사용자를 직접 모아서 관찰 할 수도 있고, 인터뷰를 진행할 수도 있습니다. 하지만, 다음의 두 가지 이유로 '사용자 행동 데이터'를 모으고 분석을 하는 것이 필요합니다.
첫째, 시간적인 제약이 없습니다. 관찰이나 인터뷰는 대상자와의 일정을 조율해야 하지만, 사용자 행동 데이터는 분석가가 원할 때 바로 분석을 진행할 수 있습니다.
둘째, 외부의 개입 요소를 줄일 수 있습니다. 관찰이나 인터뷰를 하고 있다는 사실이 사용자 행동에 영향을 미칠 수 있습니다. 이러한 외부 개입 요소 없이 사용자들이 어떤 행동을 하는지 확인할 수 있습니다.
1.4 사용자 행동 데이터 활용 사례
사용자 행동 데이터를 활용해서 많은 기업들은 자신들의 서비스를 개선해나갑니다. 대표적으로 광고 매체들이 있는데요. 구글, 페이스북, 네이버, 카카오 등은 유저들의 검색 내역, 조회 페이지, 상품 구매 내역, 장바구니 담기 등 사용자의 행동 데이터를 추적합니다. 그리고 이를 활용하여 관련 상품들을 추천해줍니다.
넷플릭스도 대표적인 예시 중 하나인데요. 서비스 이용자들이 어떤 컨텐츠를 얼마나 보았는지, 해당 컨텐츠를 본 사람들 중에서 다음 컨텐츠를 어떤 것을 보았는지 등을 세밀하게 분석합니다. 그리고 이 분석을 바탕으로 오리지날 컨텐츠를 제작합니다.
1.5 사용자 행동 데이터 주의할 점
위와 같이 비즈니스에서 중요한 역할을 할 수 있는 사용자 행동 데이터이지만, 사용 시 주의해야할 점들이 있습니다. 첫째는 '데이터에는 언제나 잘못된 기록이 있을 수 있다'는 것입니다. 앞에서도 언급했지만 사용자 행동 데이터는 비교적 신뢰도가 낮은 데이터입니다. 사람이 실수로 오기입했거나, 기술적인 문제로 누락된 데이터가 있을 수 있습니다.
다음으로, 로그 데이터가 쌓이는 방식에 대한 이해가 필요합니다. 그래야 이슈가 생겼을 때 데이터가 누락되지는 않았는지, 집계 방법에 문제가 있지는 않은지 등을 진단할 수 있습니다.
동시에 유저들의 행동을 틀에 가두지 않도록 주의해야 합니다. 유저들은 우리가 전혀 예상하지 않은 방식으로 서비스를 사용할 수도 있습니다. 예로 들어 특정 '행동 A'를 하기 위해서는 '행동 B'라는 과정을 거쳐한다고 생각을 했지만, 어떤 사람은 '행동 C'를 통해, 다른 사람은 '행동 D'를 통해 '행동 A'로 이동했을 수 있습니다. 데이터를 열린 마음으로 받아들이는 것이 중요합니다.
2. 퍼널 분석
서비스 데이터와 사용자 행동 데이터를 가지고 데이터 분석가들은 분석을 진행합니다. 분석 방법론 중 가장 대표적인 '퍼널 분석'에 대한 이야기를 간략하게 하고자 합니다. 퍼널 분석은 사용자가 우리가 원하는 최종 목적지까지 잘 도착하고 있는지 단계를 나누어 살펴보는 분석 기법입니다. 점점 좁아지는 형태를 보고 깔대기와 같다 하여, 퍼널 분석(Funnel Analysis)이라고 합니다.
퍼널 분석에서 전환율을 높이기 위해서는 세 가지 방법을 사용합니다. 우선 퍼널의 단계를 줄이는 방법이 있습니다. 만약 물건을 구매하기 위해 여러 인증절차가 필요하면 사람들이 이탈할 확률이 높습니다. 그래서 간편 결제를 지원한다거나, 회원가입을 소셜 로그인을 통해서 가능하도록 하는 방법으로 퍼널을 줄일 수 있습니다.
다음으로 퍼널의 단계를 추가하는 방법이 있습니다. 일반적으로는 퍼널을 줄이려고 노력하지만, 특수한 경우에는 퍼널을 늘리는 것도 방법입니다. 서비스 이용 난이도가 높은 경우, 이용자들의 허들을 낮추기 위해 사용 가이드를 제공하는 방법이 있습니다.
마지막으로 퍼널의 순서를 바꿀 수 있습니다. 기존 의류 쇼핑몰의 경우에는 서비스 이용자들이 물건을 구매한 후, 배송을 받아 상품의 상태를 확인했습니다. 하지만, 에이블리에서는 반송비를 전액 지원을 하여, 옷을 입어보고 물건 구매를 확정할 수 있게끔 하는 방식으로 서비스를 시도했습니다.
3. 액션 플랜 제안
정리하자면, 데이터 분석가는 서비스 데이터와 사용자 행동 데이터를 가지고 분석을 진행합니다. 분석 방법 중 가장 대표적인 퍼널 분석에 대한 이야기를 잠깐 언급했습니다. 분석 방법에는 이 이외에도 RFM 분석, 코호트 분석, 장바구니 분석 등이 있습니다. 산업군과 회사의 성격에 따라 진행하게 되는 분석은 천차만별입니다.
그러면 데이터 분석을 하는 여러 가지 방법을 알면 훌륭한 '데이터 분석가'가 되는 것일까요? 물론 중요한 부분이지만, 데이터 분석가에게 중요한 덕목은 기술적인 역량보다도 '문제 해결력'에 있습니다. 비즈니스적으로 어떤 문제를 해결하고 싶은지 정의하고, 어떤 액션을 취할 수 있는지 액션플랜을 제안할 수 있어야 합니다.
데이터 분석가는 결국 데이터로 의사결정권자를 설득해야 합니다. 설득을 위해서는 의사결정권자들이 관심이 있는 돈을 벌 수 있는 이야기를 전달할 수 있어야 합니다. 분석을 단지 분석으로만 그치지 않도록 하려면 어떤 노력이 필요한지 고민해보시길 바라겠습니다.
더 알아보기
본 게시물은 인프런 데이터리안 세미나 VOD 시리즈의 리뷰 글입니다. 세미나에서 인상적이었던 내용을 주관적인 해석과 함께 작성하였습니다. 본 내용에 대해서 더 궁금하시다면 세미나를 직접 들어보시길 바라겠습니다.
