안녕하세요 Miguel 입니다. 오늘은 데이터 기반 의사결정에서 필수 요소인 ‘이벤트 택소노미‘와 ‘데이터 분석 시나리오‘에 대해 소개드리고자 합니다.
초기 스타트업들은 불확실성이 높은 상황에 자주 맞닥뜨립니다. 어떤 액션을 취해야 할 지 모호한 상황에서, ‘데이터 중심 의사결정’은 성공확률을 높여주는 강력한 무기가 되는데요. 하지만 명확한 기준, 방향성이 없는 데이터 분석은 무의미한 결과를 낳습니다. 어떤 지표를 봐야할 지 몰라 많은 리소스를 낭비하고, 단순한 사실관계만 확인하고 정작 중요 인사이트는 얻지 못하는 경우가 발생하죠.
이 때 데이터들을 보다 체계적으로 분류하고, 분석 방향성을 제시해주는 것이 ‘이벤트 택소노미’와 ‘데이터 분석 시나리오’입니다.
이번 글에선 이벤트 택소노미가 무엇인지, 데이터 분석 시나리오를 작성하지 않고 분석부터 시도하면 왜 큰 인사이트를 발견하지 못 하는지, 본질적으로 왜 데이터 중심의 의사결정을 해야 하는 지와 같은 내용들에 대해 제 생각을 정리해보았습니다.
이 글을 읽고 난 뒤 “우리도 이벤트 택소노미를 작성해보자”, “우리 비즈니스에 맞는 데이터 분석 시나리오를 여러개 작성해보고 그 안에서 인사이트를 발굴해보자”와 같이 행동 지향적 고민이 들었으면 좋겠습니다.
순서
데이터 기반 의사결정의 중요성
데이터 중심 의사결정은 이미 흔히 알려진 성공확률이 높은 방법 중 하나입니다. ‘데이터 드리븐’이라는 개념이 널리 알려지면서 많은 스타트업들이 성공한 이유로 데이터를 말하기 시작했는데요. 이런 트렌드가 만들어진 데에는 데이터가 ‘객관적 의사결정‘의 근거를 제공해준다는 점이 가장 주효했습니다.
그러면 왜 ‘객관적’인 의사결정의 근거가 필요할까요? 모든 구성원들의 생각과 직관 100% 같을 수는 없기에, 회사에선 다양한 의견 교류와 충돌이 발생합니다. 이런 구성원들의 생각과 의견을 효율적으로 맞춰나가며 문제를 해결해나가는 것이 바로 스타트업인데요.
하지만 타 기업들에 비해 업력, 경험, 체계적인 의사결정 시스템, 프로세스 등이 부족하다 보니, 어떤 근거로 결정을 내려야 할 지 알기 어려운 것 또한 스타트업의 현실입니다. 이러한 상황에서 ‘데이터’는 보다 객관적이고 명백한 근거를 제공할 수 있는 강력한 무기가 됩니다.
예를들어 “A에서 B로의 고객 이탈율이 50%”라는 데이터를 가지고 있다면, 팀원들이 이 결과를 분석하고 해석하기 위해 논의하는 자리에서 주관적인 생각의 차이가 아주 크게 줄어들 수 있습니다. 누구는 “2명 중 1명” 또 다른 누군가는 “10명 중 5명” 정도의 차이만 발생할 것이고 이 또한 직관적으로 같은 정보를 공유하고 있다고 파악할 수 있습니다. 이 수치(50%)가 우리 비즈니스에 좋은 수치인지 나쁜 수치인지에 대한 판단은 별도의 문제이지만 데이터 자체는 객관적인 결과값들을 보여주기 때문에 팀의 의사결정 과정에서 아주 중요한 역할을하며 예상보다 큰 가치를 가져올 수 있습니다.
이벤트 택소노미와 데이터 분석 시나리오의 필요성
이벤트 택소노미와 데이터 분석 시나리오는 데이터 중심 의사결정에서 꼭 필요한 요소들입니다. 사용자들의 철학과 생각은 쉽게 알 수 없는 영역이고 알게 되더라도 그 본질에 다가설 수는 없습니다. 다만 그러한 생각들이 반영된 행동들을 로그 데이터로 수집하고 이벤트로 규정할 수 있는 것이 디지털 환경에서의 아주 큰 장점입니다.
특히 이벤트를 잘 정의하고 체계화 하는 것이 중요한데 이를 통해 단순한 로그 데이터를 넘어선 고품질 데이터를 확보할 수 있기 때문입니다. 예를 들어 ‘버튼 클릭’ 이라는 이벤트만 단순하게 기록하는 것이 아니라, ‘메인화면에서’+’처음 클릭한’+’버튼 클릭’ 과 같이 세부정보들인 파라미터들을 추가한다면 훨씬 더 풍부한 가치를 보유한 데이터를 확보할 수 있습니다.
이처럼 이벤트 택소노미를 통해 사용자 행동을 체계적으로 정의하고 이를 바탕으로 데이터 분석 시나리오를 수립한다면 데이터 중심 의사결정에 한단계 더 다가갔다고 할 수 있습니다. 단순하게 집계된 데이터들을 가지고 문제나 가설을 넘겨짚는 것이 아닌 사용자 행동에 따른 분석 시나리오들을 수립하여 더 의미 있는 인사이트들을 도출할 수 있습니다.
왜 이벤트 택소노미가 중요한가?
이벤트 택소노미란 무엇인가?
이벤트 택소노미(Event Taxonomy)란 사용자의 행동을 분류하고 체계화한 구조를 말합니다. 웹사이트 또는 앱 내에서 발생하는 다양한 사용자 활동을 세부적으로 정의하고 카테고리화한 것이 이벤트 택소노미라고 볼 수 있습니다.
Amplitude 블로그에 따르면, “이벤트 택소노미는 사용자 활동을 체계적으로 분류하고 정의하는 프레임워크”라고 정의내리고 있습니다. 즉, 사용자가 웹사이트나 앱에서 수행하는 모든 행동을 이벤트로 정의하고, 이를 유형별로 나누어 관리하는 것이 이벤트 택소노미의 핵심 개념입니다
이벤트 택소노미 수립의 필요성
‘이벤트 택소노미’를 잘 짜야한다는 것은 사실 너무나도 쉽게 떠올릴 수 있습니다. 택소노미의 단어 뜻 처럼 ‘분류 체계’를 잘 세워둬야, 이후 다양한 케이스들이 발생할 때 쉽고 정확한 분류가 가능하기 때문입니다. 이벤트 택소노미를 잘 짜두면 사용자 행동에 대한 용어와 정의, 파라미터들이 무엇을 의미하는지 등등을 표준화 할 수 있습니다. 이 표준화는 협업의 영역에선 곧 데이터에 대한 일관성과 신뢰성을 확보하게끔 해주는 것입니다. 사용자의 행동 A를 누구는 B로 정의하고 누구는 C로 정의하는 것은 올바른 협업이 아닌 것처럼요.
이벤트 택소노미를 통해 사용자 행동을 체계적으로 정의하고 분류하면, 수집된 데이터 또한 구조화되어 관리될 수 있다. 이는 곧 데이터의 품질과 활용도를 높이는 핵심 요소가 됩니다.
예를 들어 ‘버튼 클릭’ 이벤트를 세부적으로 정의하여 ‘메인 화면 클릭’, ‘상품 상세 화면 클릭’ 등으로 구분한다면, 해당 이벤트 데이터를 통해 사용자 행동을 보다 면밀히 분석할 수 있게 됩다. 이처럼 이벤트 택소노미는 데이터의 체계화와 분석 가능성을 높여주는 역할을 한다고 볼 수 있습니다.
이와 같은 데이터 체계화 과정을 통해 데이터 기반 의사결정이 한층 더 강화될 수 있을 것입니다.
또한 사용자에 집중하는 전략이기도 합니다. 이벤트 택소노미를 수립한다는 것은 유저 행동을 더 깊게 들여다 보는 것과 마찬가지이기도 합니다. 아주 체계적인 택소노미는 곧 유저 행동을 디테일하게 들여다 봤다는 뜻이며 사용자 경험 전반을 고려했다는 것입니다.
사용자 행동 기반 이벤트 정의의 중요성
단순한 탐색적 데이터 분석의 한계
단순히 데이터 결과를 나열하는 것만으로는 큰 인사이트를 얻기 어렵습니다. 예를 들어 A에서 B로의 전환율을 구하는 것과 같은 기초적인 데이터 분석은 사실관계를 확인하는 수준에 그칠 뿐, 실질적인 문제 해결을 위한 방향성을 제시하지 못합니다.
이처럼 사전에 어떤 데이터를 봐야 할지 정의해두지 않은 채 단순히 탐색적인 데이터 분석을 진행하다 보면, 분석 결과 자체가 중요하지 않은 정보에 그칠 수밖에 없습니다. 따라서 데이터 분석에 앞서 분석의 목적과 방향성을 명확히 설정하는 것이 중요합니다.
사용자 경험 중심의 이벤트 정의
이를 위해서는 사용자 경험에 초점을 맞춘 이벤트 정의가 필요합니다. 단순한 행동 데이터를 넘어 사용자가 실제로 어떻게 우리 서비스를 이용하고 있는지를 관찰하고 그 경험을 이벤트로 구체화할 수 있어야 합니다.
특히 CJM(고객여정지도)과 같은 개념을 활용하면 사용자의 행동을 보다 체계적으로 파악할 수 있습니다. 고객이 제품을 사용하는 전체 여정을 단계별로 정의하고, 각 단계에서의 주요 이벤트를 선정할 수 있습니다. 이를 통해 퍼널 분석과 같은 단계별 전환 데이터를 도출할 수 있게 됩니다.
이처럼 사용자 경험을 중심으로 이벤트를 정의하고, CJM 등의 개념을 활용하여 체계적으로 이벤트를 선정한다면, 보다 의미 있는 데이터 분석이 가능해질 것입니다.
데이터 분석 시나리오 수립하기
데이터 분석 시나리오의 정의
데이터 분석 시나리오란 단순하게 집계된 데이터를 나열해두고 분석하는 것이 아닌, 비즈니스에 맞는 데이터 분석 방향성을 수립해둔 뒤 분석하는 것을 의미합니다. 하나의 영화 시나리오를 만들듯 우리 사용자들이 서비스에 유입된 뒤 행동할 것들을 미리 예상해보고, 그 요소요소마다 필요한 데이터들을 정의해놓는 개념입니다.
예를 들어, 이커머스 쇼핑몰의 경우 사용자들이 상품 상세페이지를 보고 바로 구매를 하는 경향이 있다고 가정해봅시다. 전통적인 사용자 결제단계인 [상품 조회 – 장바구니 – 결제시작 – 구매완료] 단계를 거치지 않고, ‘장바구니’ 단계를 과감히 빼버린 시나리오를 활용할 수 있습니다. 이 우리 쇼핑몰에서 장바구니를 90% 이상 사용하지 않고, 쇼핑몰 특성상 다량의 품목을 구매하지 않는다는 데이터 분석 결과에 기반한 것입니다.
또 다른 예시로 O2O(Online to Offline) 서비스에서는 사용자의 위치가 가장 중요한 데이터일 수 있습니다. 상품의 서비스 제공 가능지역을 데이터로 수집하여, 사람들이 어떤 상품에 관심을 갖는지의 결과를 해당 지역에서 우리 서비스가 반응이 좋은지 여부로 판단할 수 있습니다. 그렇다면 “사용자가 접속한 위치와 실제 상품조회를 할 때의 상품 위치가 같다면 구매전환율이 높을 수 있다”와 같은 가설 기반의 데이터 분석 시나리오를 수립할 수 있습니다.
AARRR 프레임워크를 활용한 퍼널 설계
이젠 아주 유명해진 AARRR 프레임워크입니다. Acquisition, Activation, Revenue, Retention, Referral로 이루어진 AARRR은 이제 흔하게 접할 수 있는 개념이지만 막상 우리 서비스에 적용하기엔 어려울 수 있습니다. 이때 이벤트 택소노미와 데이터 분석 시나리오를 활용하면 더 쉽게 그리고 실직적인 도움이 될 수 있게 적용할 수 있습니다.
예를들어 이커머스 비즈니스를 운영중이라면
Acquisition : 우리 서비스 방문 혹은 회원가입
Activation : 회원가입 혹은 상품 페이지 조회
Retention : 상품 페이지를 여러 기간에 걸쳐 조회, 재구매 등
Revenue : 결제 완료
Referral : 친구초대를 통한 회원가입
위와 같이 퍼널을 구성할 수 있습니다.
이제 우리가 할 일은 이 개념적인 프레임워크를 실질적인 이벤트 택소노미에 대입하여 우리 서비스에 맞는 퍼널 설계를 하는 것입니다.
예를들어
Acquisition : visit, Signup
Activation : Signup
Retention : D3 Classic Retention (event : visit), Purchase
Revenue : Purchase
Referral : Signup (parameter : referral)
이렇게 우리가 세워둔 이벤트 택소노미를 바탕으로 AARRR에 해당하는 이벤트를 정의해두면 더 명확한 분석이 가능해집니다. Acquisition에 해당하는 데이터들은 Visit 이벤트의 수를 집계하고, Revenue는 Purchase의 Parameter 중 Value를 ‘구매 금액’으로 정의해두면 Purchase 이벤트 수는 곧 구매수, Purchase 의 Value의 합은 곧 매출이 됩니다. Referral은 회원가입(Signup)을 한 유저들 중 Referral 이란 Parameter가 비어있지 않은 경우 친구초대를 통해 가입한 유저들이니 +1로 집계하면 됩니다.
이벤트 택소노미와 데이터 분석 시나리오는 데이터 기반 의사결정을 위한 필수적인 요소입니다. 사용자 행동들을 보다 세부적으로 분류하여 데이터화 하고, 구체적인 시나리오를 통해 유용한 인사이트를 도출하도록 도와주기 때문입니다. 이 둘은 프로덕트 초기에 미리 고민해두어야 비즈니스의 성장 과정에서 적합한 데이터 분석을 가능하게끔 합니다.
우리는 4차 산업혁명으로 대표되는 정보화 시대에 살고 있습니다. 반복 가능하고 지속가능한 성장을 위해선, 불확실한 개인의 직감에 의존하기 보다 데이터 기반의 체계적 의사결정이 필요합니다. 이 글이 많은 분들에게 데이터 분석의 토대를 제공하고, 훌륭한 인사이트를 도출하는 데 도움이 되길 희망하며 글을 마칩니다.
