그로스 해킹(1)

01장 그로스 해킹이란?¶

1.1 그로스 해킹 그거, 우리도 해 봅시다.¶

• 그로스 해킹(Growth Hacking) : 성장할 수 있는 방법을 '해킹'하는 것

• 린 스타트업(Lean Startup) : 아이디어를 빠르게 제품으로 만들고 고객이 제품에 대해 어떻게 반응하는지를 측정한 후, 그 결과를 통해 배움을 얻고 지속적으로 제품을 개선해 나가는 제품 개발 방법론⇒ 아이디어 - 개발 - 측정 - 개선으로 이어지는 피드백 순환고리(feedback loop)를 빠르게 진행하면서 점진적으로 개선하는 것

• 린 스타트업은 그로스 해킹과 일맥상통하는 측면이 있다.

1.2 그로스 해킹의 지름길이 있을까?¶

• 그로스 해킹은 각 서비스의 사용 맥락이나 시장 상황을 반영해서 진행할 때만 의미가 있다.

1.3 그로스 해킹 이해하기¶

• 크로스펑셔널 팀 : 목적 기반으로 구성된 조직에서 여러 직군의 구성원들이 치열하게 협업할 때 효율적인 성장 실험이 가능하다.

• 린 스타트업 : 제품 개발 - 지표 측정 - 학습 개선이라는 사이클을 빠르게 반복함으로써 학습 비용을 줄이고 성공 가능성을 높이는 제품 개발 프로세스

• 최소 기능 제품 : 가설을 검증할 수 있는 최소한의 기능이 포함된 제품

• AARRR : 스타트업 대표가 주장한 지표 관리 방법론

• 그로스 해킹이란? 크로스펑셔널한 직군의 멤버들이 모여서 핵심지표를 중심으로 실험을 통해 배움을 얻고, 이를 빠르게 반복하면서 제품이나 서비스를 성장시키는 것

---

02장 전제조건 : Product-Market Fit¶

2.1 뭐가 문제인지를 모르는 게 문제¶

2.2 정말 많은 제품 관리자가 하는 실수¶

ⓐ 제품을 먼저 만들고, 그런 다음에야 고객을 찾는다.¶

• 사용자보다는 기획서를 승인하는 상위 의사결정권자를 보면서 기획서를 쓰다보면 논리에 함몰되는 기획자가 되기 쉽다.

ⓑ 기능을 추가하고, 추가하고, 추가한다.¶

• 많은 회사에서 '서비스 개선'이라는 용어를 '기능 추가'와 동일한 의미로 사용

• 기능이 많은 제품이 성공하는 게 아니라 최소한의 기능으로 사용자에게 가치를 전달할 수 있는 제품이 성공한다.

2.3 제품-시작 적합성¶

• 제품-시장 적합성 : 좋은 시장에, 그 시장을 만족시킬 수 있는 제품을 갖고 있는 것

• 세 가지 질문을 통해 제품-시장 적합성 확인 가능

  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? 제품은 기능의 조합이 아니라 가설의 조합이 돼야 한다.

2.4 제품-시작 적합성을 확인하려면?¶

1. 리텐션(Retention rate)
   • 유지율이라고 부르는 리텐션은 사용자들이 특정 서비스에 얼마나 꾸준히 남아서 활동하는지를 보여주는 지표
   • 제품-시장 적합성을 만족하는 서비스는 초기 일정 기간이 지나면 그래프의 기울기가 완만해지면서 리텐션이 안정적으로 유지되는 패턴을 보임, 하지만 그렇지 못한 서비스는 리텐션 그래프의 기울기가 꾸준히 우하향하는 패턴을 보임
   • 리텐션은 서비스가 속한 카테고리의 영향을 크게 받음
2. 전환율(Conversion rate)
   • 사용자의 비율
   • 각 경로에 진입한 사람과 다음 단계로 넘어간 사람의 비율
   • 사용성이나 UI/UX의 영향을 많이 받는 지표, 하지만 제품 완성도가 있다면 어느 정도의 분편함은 감수
   • 전환율에는 카테고리 외에도 다양한 변수가 영향을 미친다.
   • 전환율에는 절대적 수치가 없으므로 수치 자체보다 시간의 흐름에 따른 전환율의 변화 추이를 살펴보는 것이 더 유용
3. 순수 추천 지수(Net Promoter Score, NPS)
   • 간단한 방법을 통해 효과적으로 서비스의 성공 여부를 예측할 수 있는 지표
   • 팬(fan)에 대한 지표
   • 0-10점 11점 리커트(Likert) 척도의 설문을 통해 적극적 추천 그룹(9-10점), 소극적 추천 그룹(7-8점), 비추천 그룹(0-6점)으로 나눈다.
   • NPS = (적극적 추천 그룹 - 비추천 그룹) / 전체 응답자
   • 이론상 NPS는 -1과 1 사이의 값 가지며 NPS가 양수라면 양호한 것으로 판단
   • 서비스를 적당히 좋아하는 1000명의 사용자보다 열렬히 사랑하는 100명의 사용자를 확보했을때 그 서비스가 성공할 확률이 크게 높아진다.

• 위 3가지 지표를 통해 제품-시작 적합성 판단 후 그로스 실험 진행

• 설치 수, 가입자 수 등은 제품-시장 적합성을 확인하기에 적절하지 않다.

○ 제품-시장 적합성이 만족스럽지 못한 상황일때

• 브레인스토밍, 새로운 기능 추가, 잔존율이나 전환율 개선을 위한 실험은 해서는 안 되는 것
• 사용자 직접 만나서 피드백 듣기, 사용자 행동 데이터 분석은 해야 하는 것
• 미래가 아닌, 과거 현재에 초첨 | 가정이 아닌, 경험 | 결과가 아닌, 과정 | 기억이 아닌, 습관 또는 구체적인 경험 | 일반화된 진술이 아닌, 개인의 경험 등을 질문 할 것, 편향된 믿은을 확인하는 과정이 아닌, 순수한 호기심으로 접근할 것

---

03장 AARRR¶

3.1 AARRR 개요¶

• AARRR : 그로스 해킹의 근간이 되는 프레임워크

• AARRR은 스타트업의 성장을 위해 제안한 지표 관리와 분석 방법론

• 그로스 해킹은 핵심 지표를 찾고, 그 지표를 성장시키는 방법을 찾는 활동

• 지표를 잘 관리하고 활용한다는 것은 현재 우리 제품의 상황을 정확하게 이해할 수 있고, 목표가 명확하고, 의사결정을 내리는 데 참고할 수 있는 명확한 기준

• 지표 측정 및 관리 방법

  1. 과업 기반(Task-based)의 지표 관리 : 각 조직별로 담당하는 업무를 우선 정의한 후 해당 업무를 통해 발생하는 수치들을 지표화해서 관리, 전체적인 서비스 관점에서 무엇이 중요한 지표인지 판다하기 어려움, 팀별로 모니터링하는 지표가 수시로 달라질 수 있다는 문제점 존재
  2. 프레임워크 기반(Framework-based)의 지표 관리

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

• 과업에서부터 출발해서 지표를 정의하는 것이 아닌, 지표를 우선 정의한 후 해당 지표를 원하는 방향으로 움직이게 하기 위해 어떤 과업이 필요할지 고민해야 한다.

• AARRR은 유치(Acquisition), 활성화(Activation), 리텐션(Retention), 수익화(Revenue), 추천(Referral)으로 구성

• 활성화와 리텐션을 가장 우선적으로 개선, 그 다음 고객 유치와 추천, 마지막으로 수익화를 챙겨야한다.

3.2 고객 유치(Acquisition)¶

1. 고객 유치

• 고객 유치 : 사용자를 우리 서비스로 데려오는 것과 관련된 활동을 의미

• 고객 유치에 기여(Attribution)한 채널의 성과를 판단할 수 있는 모델을 만드는 것

• 자발적으로 서비스를 찾아오는 고객(Organic)과 비용을 집행한 마케팅 활동을 통해 서비스를 찾아온 고객(Paid)을 나눠야한다.

1. 고객 획득 비용(Customer Acquisition Cost, CAC)

• 채널별 성과 측정에는 고객 획득 비용(Customer Acquisition Cost, CAC) 지표 활용

• 고객 획득 비용은 한 명의 사용자를 데려오기 위해 지출하는 평균 비용

1. UTM 파라미터(UTM parameter)

• 웹 트래픽에서는 유입 효과를 판단하기 위한 장소 정보를 소스(Source)라는 용어로 표현

• UTM 파라미터 : 온라인에서 유입 경로를 확인하기 위해 가장 널리 사용되는 기능

• UTM 파라미터는 웹페이지 URL 뒤에 "?"를 붙인 후 소스, 매체, 캠페인, 검색어, 콘텐츠에 해당하는 파라미터를 추가해 새로운 URL 생성

1. 모바일 앱 어트리뷰션(Attribution)

• 모바일의 경우 UTM 파라미터가 유실되기 때문에 유입 기여를 살펴보기 위해서는 어트리뷰션(Attribution)이라는 개념 사용

• 어트리뷰션은 사용자가 앱을 설치하고 사용하는데 어떤 채널이 기여했는지를 식별

• UTM 파라미터 방식에 비해 훨씬 복잡한 과정을 통해 이뤄지며, 이를 위한 기술적 뒷받침이 필요

• 어떠한 행동에 영향을 미친 이벤트를 기여 이벤트라고 한다.

• 기여 채널의 성과를 판단하기 위해서는 기여 이벤트가 발생한 후 어느 정도의 기간 내에 발생한 어트리뷰션을 해당 채널의 성과로 인정할 것인가에 대한 기준이 필요

• 클릭을 통해 발생하는 기여를 클릭-스루(click-through)라고 하며, 조회를 통해 발생하는 기여를 뷰-스루(view-through)라고 한다.

• 어트리뷰션 모델은 여러 개의 어트리뷰션 접점이 발생하는 경우 기여도에 대한 판단을 내릴 수 있게 하는 기준

• 대표적인 어트리뷰션 모델에는 퍼스트 클리(First click), 라스트 클릭(Last click), 선형(Linear), 타임 디케이(Time Decay), U자형(U-Shape) 등이 있다.

• 싱글 터치 어트리뷰션 모델 : 여러 채널 중 가장 기여도가 높다고 판단되는 하나의 채널을 선정, 기준이 명확하며 계산이 수월하다는 장점, 지나치게 단순화해서 계산하는 한계 존재(결과 왜곡)

• 멀티 터치 어트리뷰션 : 여러 건의 어트리뷰션 접점 발생시 2개 이상의 채널에 기여도를 분배하는 형태

  1.선형 어트리뷰션 모델 : 접점이 발생한 모든 매체에 동일한 가중치 부여

  2.타임 디케이 어트리뷰션 모델 : 각 채널의 기여도를 시간 흐름에 따라 가중치를 주는 방식

  3.U자형 어트리뷰션 모델 : 각 채널의 기여도를 시간 흐름에 따라 가중치를 주지만 가장 먼저 발생한 기여 이벤트와 최근에 발생한 기여 이벤트에 동일하게 가중치를 부여하는 방식

• 어트리뷰션 기준은 '정답'을 차즌 것이 아니라 '원칙'을 세우는 일

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

○ 딥 링크(Deep Link)와 디퍼드 딥 링크(Deferred Deep Link)

• 딥 링크 : 모바일 앱 안의 특정 화면으로 이동하는 링크

• 딥 링크는 링크를 클릭하는 사람의 휴대폰에 해당 앱이 설치돼 있을 때만 정상적으로 동작

• 디퍼드 딥 링크 : 모바일 앱 설치 유무와 상관없이 사용하 수 있는 딥 링크, 장점은 사용 맥락 유지, 어트리뷰션을 측정할 수 있는 범위가 넓어짐

• 데이터를 통해 확인하려는 것은 눈 앞에 있는 지표 몇 개가 아닌 '고객'에 대한 폭넓은 이해이다.

3.3 활성화(Activation)¶

• 활성화 단계의 핵심은 퍼널(Funnel)에 대한 분석이다.

• 퍼널 분석은 사용자들이 경험하는 단계를 도식화하고 각 단계의 전환율을 측정, 분석하는 과정

• 핵심 가치는 서비스 제공자가 아닌 사용자 입장에서 정의해야 한다.

• 서비스에 진입하는 순간부터 핵심 가치를 경험하기까지의 경로를 크리티컬 패스(Critical Path)라고 한다.

• 퍼널 분석의 핵심은 각 단계별 전환율을 측정하는 것

• 공통적인 특성에 따라 여러 집단으로 분류한 사용자 그룹을 코호트(Cohort)라고 한다.

• 퍼널 분석의 진정한 가치는 주요 퍼널에서의 단편적인 전환율을 계산하는 데 있는 것이 아니라 전환율에 영향을 미치는 유의미한 선행지표를 발견하는 데 있다.

○ 퍼널의 전환율을 높이는 방법

1.개인화

2.UI/UX(User Interface/User Experience) 개선

3.적절한 개입

• 활성화 단계부터는 온전히 돈이 아닌 실력으로 해쳐나가야 한다.

• 퍼널 개선을 하다 보면 전환율을 높이는 것보다 퍼널에 속한 각 단계의 수를 줄이는 것이 더 효과적인 경우가 많다. 따라서 서비스 전체 관점에서 필요 없는 단계를 없애거나 통합하는 과정이 반드시 필요

• 퍼널 자체를 재설계하는 것도 새로운 대안

• 활성화는 서비스의 기본을 끊임없이 되새기게 만드는 단계

3.4 리텐션(Retention)¶

• 활성화 과정을 통해 경험한 핵심 가치를 꾸준히 경험하게 하고, 그 수준을 측정할 수 있는 지표를 정의하고 관리하는 단계

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

• 클래식 리텐션 : 일반적인 유지율 계산 방법, 특정일에 이벤트를 발생시킨 유저의 비율을 계산하는 방식, 매일 접속해서 사용할 것으로 기대되는 서비스에서 활용 적절

• 범위 리텐션 : 특정 기간에 이벤트를 발생시킨 유저의 비율을 계산하는 방식, 설명하기 쉽고 직관적, 클래식 리텐션에 비해 노이즈가 크지 않음, 기준이 되는 기간이 길어질수록 과대 추정의 문제 발생, 사용 주기가 길고 주기적인 서비스에서 많이 활용

• 롤링 리텐션 : 더 이상 해당 이벤트가 발생하지 않는 비율은 얼마인가?를 살펴봄으로써 리텐션 계산하는 방식, 계산 자체가 쉽고 간편, 이상치 영향 많이 받음, 값이 변동 가능, 사용 빈도가 높지 않은 서비스에서 유용하게 활용

• Engagement = DAU(Daily Active User)/MAU(Monthly Active User)

• 인게이지먼트 지표는 매일 동일한 사용자가 반복적으로 들어오는지 혹은 날마다 새로운 사용자가 들어오는지를 빠르게 가늠할 수 있다.

• NUX(New User Experience, 신규 사용자 경험)

• 앱 푸시 등의 촉발제(Trigger)는 단기적으로 MAU를 높일 수는 있지만 반복적으로 사용하면 앱 삭제나 회원 탈퇴 같은 부작용이 증가

• 리텐션은 외부적 요인이나 내부적 요인으로 인해 늘 일관되게 유지되지 않는다. 그렇기에 한 번 측정하고 끝내는 게 아니라 기간에 따른 코호트 분석을 꾸준히 해야한다.

3.5 수익화¶

• 사업의 성패를 가르는 것은 수익화(Revenue)

• 수익화 관리를 위해서는 어떤 비즈니스 모델을 가지고 있는지를 명확히 이해하고 잘 동작하는지, 비용 대비 수익이 안정적인지 데이터로 확인할 수 있어야 한다.

○ 수익화 관련 주요 지표

1.ARPU(Average Revenue Per User, 인당 평균 매출) : 사용자가 늘어난다면 매출이 어떤 속도로 증가할지를 가늠하는 데 좋은 기준, 시작과 끝이 있는 특정 기간에 대한 지표

2.ARPPU(Average Revenue Per Paying User, 결제자 인당 평균 매출) : 결제자 한 명이 평균적으로 발생시키는 매출

3.고객 생애 가치(Liftime Value, LTV) : 한 명의 사용자가 진입하는 순간부터 이탈하는 순간까지의 전체 활동 기간에 누적해서 발생시키는 수익, 현실에서 정석 식의 계산은 사실상 불가능하다.

4.고객 생애 매출(Lifertime Revenue, LTR) : 고객 한 명에 대한 기대 매출, 유지 비용이나 획득 비용을 고려하지 않기 때문에 계산이 비교적 간편

• 건강하게 성장하고 있는 서비스라면 LTR이 고객 획득 비용(CAC)를 빠르게 따라잡고 장기적으로 CAC의 몇 배수까지 높아져야 한다.

• 고객 생애 매출을 늘리는 것이 고객 획득 비용을 줄이는 것보다 효과적이다.

• 수익화 쪼개서 보기 : 아이템별 매출의 합계, 사용자별 매출의 합계, 결제자 수 X ARPPU

• 월별 반복 매출(Monthly Recurring Revenue, MRR) : 구독형 서비스에서 사용하는 개념

• 고래(Whale, 고수익 창출 유저를 지칭하는 단어) 사용자들을 얼마나 잘 관리하느냐에 수익화의 성패가 달리는 경우가 많다.

• 따라서 요약된 수익화 지표 하나만 보고 의사결정을 내리기보다 사용자를 다양한 방식으로 그루핑하고 각 그룹에 맞는 운영 및 수익화 전략을 세우는 것이 중요

3.6 추천(Referral)¶

• 추천은 오가닉(Organic) 유입의 하나, 기존 사용자의 추천이나 입소문을 통해 새로운 사용자를 데려오는 것을 의미

• 보통 친구 초대에 대한 보상은 고객 획듣 비용(CAC)의 50~70% 수준에서 결정되는 경우가 많다.

• 친구 초대 플로 설계 : 초대 맥락, 메시지/보상, 온보딩 프로세스

• 친구 초대의 효과를 극대화하려면 초대하는 맥락을 자연스럽게 잘 구성하거나 친구 초대 자체에 게임화 요소를 추가하는 것을 고려할 수 있다.

• 바이럴 계수(Viral Coefficient)를 통해 추천 엔진이 얼마나 효과적으로 동작하는지 확인 가능

• 바이럴 계수 = (사용자 수 X 초대 비율 X 인당 초대한 친구 수 X 전환율)/사용자 수

In [1]:

from IPython.core.display import display, HTML
display(HTML("<style>.container {width:80% !important;}</style>"))

C:\Users\20229069\AppData\Local\Temp\ipykernel_19764\529043151.py:1: DeprecationWarning: Importing display from IPython.core.display is deprecated since IPython 7.14, please import from IPython display
  from IPython.core.display import display, HTML