데이터를 보면 구조가 보인다
Data-Driven
이커머스 운영에서 가장 중요한 요소 중 하나는 '데이터'라고 생각합니다. 특히, 오프라인과 비교했을 때 온라인의 경우 모든 과정이 데이터로 남기 때문에 더욱 활용가치가 높습니다. 예를 들어, 쿠팡에서 상위 노출되거나 추천 상품의 경우 고객 행동 데이터를 기반으로 운영되는 시스템이고, 이외에도 네이버 쇼핑, 다양한 쇼핑앱 등에서도 모두 데이터에 기반한 운영 시스템을 갖추고 있습니다.
또한, 저희는 알게 모르게 웹 서핑을 하는 과정에서 사용자 쿠키를 기반으로 데이터를 남기게 되고, 기본적으로 구매 행동에 있어서 데이터를 활용한 판단이 이루어지고 있습니다. 예를 들어, 구매하고자 하는 상품을 A, B라는 두 개의 업체에서 판매하고 있다면 저희는 더 현명한 소비를 하기 위해 리뷰 수, 평점, 가격 등을 통해 구매를 결정하게 됩니다. 즉, 자연스럽게 데이터에 기반한 판단을 하고 있는 것이죠.
왜 데이터가 필요할까요?
데이터를 통해 직관이 아닌 객관적인 정보를 기반으로 판단함에 따라 효율적인 의사결정이 가능하고, 조금 더 나은 선택을 하기 위한 근거로 활용하기에 가장 좋은 것이 데이터라고 생각합니다. 또한, 실시간 데이터를 활용하면 빠르고 정확하게 판단을 해서 생산, 재고 수량, 광고비 등을 미리 조정할 수 있습니다. 이외에도 쇼핑몰 운영에서 전반적인 수익 구조, 운영 전략 등에서도 필수적으로 활용될 부분으로 운영의 효율성을 위해 데이터에 기반한 의사결정에 익숙해지는 것이 좋습니다.
데이터 분석 툴
1. Google Analytics
Google Analytics는 가장 널리 사용되는 웹사이트 분석 툴로 웹사이트 방문자에 대한 유입, 조회, 구매 등에 대한 데이터를 수집하고 분석합니다.
주요 기능
- 트래픽 분석: 방문자 수, 페이지뷰, 사용자 행동 패턴 등 웹사이트 방문에 대한 데이터를 제공합니다.
- 전환 분석: 전환율, 목표 달성율 등을 통해 특정 캠페인이나 마케팅 활동의 성과를 측정할 수 있습니다.
- 실시간 데이터: 방문자가 현재 웹사이트에서 어떤 행동을 하고 있는지를 실시간으로 추적할 수 있습니다.
활용 사례: 웹사이트 성과를 종합적으로 분석하고 마케팅 전략을 조정하는 데 효과적입니다. 특히 전자상거래(이커머스) 기능을 활용하면 매출, 구매 경로 분석이 가능해집니다.
2. Tableau
Tableau는 데이터 시각화 도구로, 방대한 양의 데이터를 시각적으로 분석하고 인사이트를 도출하는 데 사용됩니다.
주요 기능
- 대시보드 생성: 다양한 데이터 소스를 통합하여 시각화된 대시보드를 생성할 수 있습니다.
- 실시간 분석: 실시간 데이터 연결을 통해 최신 데이터를 기반으로 인사이트를 도출할 수 있습니다.
- 사용자 친화적인 인터페이스: 코딩 없이도 간편하게 데이터를 시각화하고 분석할 수 있는 직관적인 UI 제공.
- 협업: 팀원들과 분석 결과를 공유하고 함께 분석을 진행할 수 있는 협업 기능을 지원합니다.
활용 사례: 판매 데이터를 시각화하여 특정 상품군의 성과를 한눈에 파악하거나 고객 행동 데이터를 분석해 마케팅 전략을 시각적으로 표현할 때 유용합니다.
3. Looker Studio
Looker Studio는 Google에서 제공하는 무료 데이터 시각화 및 리포팅 도구입니다. 주로 비즈니스 데이터, 마케팅 성과, 웹사이트 분석 등을 시각화하여 이해하기 쉽게 보여주는 데 중점을 둔 도구입니다. 다양한 데이터 소스와 통합하여 맞춤형 리포트를 생성하고, 대시보드 형식으로 실시간 데이터를 시각화할 수 있습니다.
주요 기능
1) 다양한 데이터 소스 통합
- Google 생태계와의 연동: Looker Studio는 Google Analytics, Google Ads, Google Sheets, BigQuery, YouTube Analytics 등 다양한 Google 서비스와 쉽게 통합됩니다.
- 외부 데이터 소스 지원: SQL 데이터베이스, Facebook Ads, Salesforce, Shopify 등 외부 데이터 소스도 커넥터를 통해 연동 가능합니다.
- 실시간 데이터: 실시간으로 데이터를 반영하여 최신 성과를 실시간으로 모니터링하고 분석할 수 있습니다.
2) 대시보드 및 리포트 생성
- 커스터마이징 가능: 다양한 차트, 테이블, 그래프 등을 제공하여 데이터의 성격에 맞는 대시보드를 구성할 수 있습니다.
- 드래그 앤 드롭 방식: 사용자 친화적인 드래그 앤 드롭 인터페이스를 제공하여 데이터 시각화 요소를 손쉽게 배치하고 편집할 수 있습니다.
- 공유 기능: 팀원 또는 외부 이해관계자와 리포트를 쉽게 공유할 수 있으며, 보고서를 자동으로 업데이트하거나 특정 기간에 맞춰 이메일로 발송할 수 있습니다.
3) 데이터 시각화
- 시각적 요소: 차트, 그래프, 지도 등 다양한 시각적 요소를 사용하여 복잡한 데이터를 쉽게 이해할 수 있도록 시각화할 수 있습니다.
- 필터 기능: 사용자 또는 분석자가 데이터를 필터링하여 특정 기간, 제품군, 캠페인 등의 성과를 더욱 세밀하게 분석할 수 있습니다.
- 동적 대시보드: 대시보드를 실시간으로 조작하여 필요한 데이터를 즉각적으로 탐색하고, 시각적인 분석을 통해 즉각적인 인사이트를 도출할 수 있습니다.
4) 보고서 자동화
- 자동 업데이트: 데이터 소스가 변경되면 리포트가 자동으로 업데이트되어 최신 데이터를 기반으로 분석할 수 있습니다.
- 스케줄링: 리포트 생성 및 이메일 발송을 주기적으로 자동화하여 반복적인 작업을 줄일 수 있습니다.
데이터 활용 지표
1. 웹사이트 트래픽 및 성과 지표
방문자 수 (Traffic): 일정 기간 동안 쇼핑몰을 방문한 전체 방문자 수를 의미합니다. 웹사이트의 인지도를 파악하는 데 중요한 지표입니다.
페이지뷰 (Page Views): 방문자가 웹사이트에서 본 페이지의 수를 나타냅니다. 특정 페이지가 얼마나 자주 방문되는지 알 수 있습니다.
방문당 페이지수 (Pages per Session): 한 번의 방문에서 몇 개의 페이지를 본 건지 분석하는 지표로, 웹사이트의 탐색성이 얼마나 좋은지 파악할 수 있습니다.
이탈률 (Bounce Rate): 쇼핑몰에 들어온 후, 한 페이지만 보고 나간 방문자의 비율입니다. 이탈률이 높다면 첫 페이지에서 고객이 흥미를 잃는다는 것을 의미할 수 있습니다.
평균 체류 시간 (Average Session Duration): 방문자가 웹사이트에 머문 평균 시간으로, 콘텐츠의 흥미도와 사이트 탐색성을 나타냅니다.
2. 구매 행동 및 전환 지표
전환율 (Conversion Rate): 전체 방문자 중 구매로 이어진 비율을 의미합니다. 전환율은 쇼핑몰의 성공을 나타내는 핵심 지표 중 하나입니다.
장바구니 담기 비율 (Add to Cart Rate): 쇼핑몰을 방문한 고객 중에서 장바구니에 상품을 담은 비율입니다.
장바구니 이탈률 (Cart Abandonment Rate): 장바구니에 상품을 담았지만 결제를 완료하지 않은 비율입니다. 이 지표를 분석하면 결제 과정에서의 문제점을 파악할 수 있습니다.
평균 주문 금액 (Average Order Value, AOV): 고객이 한 번 구매할 때 지출하는 평균 금액입니다. 이를 통해 고객당 수익을 늘릴 수 있는 방안을 계획하고 평가할 수 있습니다.
재구매율 (Repurchase Rate): 처음 구매한 고객이 다시 구매한 비율입니다. 고객 충성도를 파악하는 데 중요한 지표입니다.
3. 고객 행동 및 인게이지먼트 지표
고객 세그먼트 (Customer Segmentation): 고객을 구매 패턴, 관심사, 인구 통계 정보 등을 바탕으로 그룹으로 나누는 지표입니다. 이를 통해 타깃 마케팅 전략을 수립할 수 있습니다.
고객 생애 가치 (Customer Lifetime Value, CLV): 한 명의 고객이 평생 동안 쇼핑몰에서 발생시키는 총수익입니다. CLV는 고객 유지를 위한 투자 여부를 결정하는 데 중요한 역할을 합니다.
고객 만족도 지수 (Customer Satisfaction Score, CSAT): 고객의 만족도를 측정하는 지표로, 쇼핑 경험을 개선하기 위한 데이터로 활용됩니다.
순추천지수 (Net Promoter Score, NPS): 고객이 쇼핑몰을 다른 사람에게 추천할 의향을 평가한 지표로, 고객 충성도와 브랜드 신뢰도를 평가할 수 있습니다.
4. 마케팅 및 광고 성과 지표
클릭률 (Click-Through Rate, CTR): 마케팅 광고 또는 이메일 링크를 클릭한 비율로, 광고나 이메일의 반응도를 평가할 수 있습니다.
광고 비용 대비 수익 (Return on Ad Spend, ROAS): 광고에 투자한 비용 대비 얻은 수익을 나타냅니다. 마케팅 캠페인의 효율성을 평가하는 중요한 지표입니다.
이메일 오픈율 (Email Open Rate): 발송된 이메일 중에서 열어본 비율로, 이메일 마케팅의 성과를 평가하는 지표입니다.
이메일 클릭률 (Email Click Rate): 이메일에서 제공한 링크를 클릭한 비율로, 이메일 콘텐츠의 효과를 파악할 수 있습니다.
고객 획득 비용 (Customer Acquisition Cost, CAC): 새로운 고객을 확보하기 위해 소요된 총 마케팅 비용을 의미합니다.
5. 재고 및 운영 관리 지표
재고 회전율 (Inventory Turnover): 일정 기간 동안 재고가 얼마나 빨리 소진되는지를 나타내는 지표로, 재고 관리의 효율성을 평가할 수 있습니다.
품절률 (Stock Out Rate): 고객이 구매하려는 상품이 재고 부족으로 인해 구매하지 못한 비율입니다. 재고 부족 문제를 파악하는 데 유용합니다.
주문 처리 시간 (Order Fulfillment Time): 고객의 주문이 접수된 후 제품이 발송될 때까지 소요되는 시간을 나타내는 지표입니다. 신속한 배송이 쇼핑몰의 경쟁력에 중요한 영향을 미칩니다.
반품률 (Return Rate): 구매한 상품을 반품하는 비율로, 제품의 품질 문제나 고객 만족도 저하의 신호일 수 있습니다.
6. 결제 및 고객 서비스 지표
결제 완료율 (Payment Success Rate): 결제 시도 중 성공적으로 완료된 비율입니다. 결제 과정에서의 문제를 확인하고 개선할 수 있습니다.
고객 문의 처리 시간 (Customer Service Response Time): 고객의 문의에 응답하는 평균 시간을 나타내는 지표로, 고객 만족도를 높이기 위한 중요한 요소입니다.
고객 문제 해결률 (Customer Issue Resolution Rate): 고객 불만이나 문제를 성공적으로 해결한 비율입니다. 고객 서비스의 품질을 평가하는 데 유용합니다.
데이터 활용 분야
1. 개인화 마케팅
개인화의 필요성: 모든 고객이 동일하지 않으며, 각 고객의 구매 패턴과 관심사에 맞춘 마케팅이 효과적입니다. 고객 세그먼트를 나누어 그들의 관심사에 맞는 상품을 추천하고, 마케팅 메시지를 다르게 전달할 수 있습니다.
추천 시스템: 고객의 검색 기록과 구매 데이터를 활용하여 맞춤형 상품을 추천하는 시스템은 고객 만족도를 높이고, 재방문율과 구매 전환율을 증가시킵니다.
CRM 자동화: 고객이 특정 제품을 장바구니에 넣고 구매하지 않을 경우 앱푸시, 알림 등 리마인드 메시지를 보내는 자동화된 마케팅 기법을 데이터 기반으로 운영할 수 있습니다.(*데이터라이즈 활용)
2. 웹사이트 및 광고 데이터 분석
웹사이트 성과 분석: Google Analytics와 같은 도구를 통해 트래픽, 이탈률, 평균 체류 시간 등의 데이터를 분석하고, 이를 통해 웹사이트의 구조 및 콘텐츠를 개선할 수 있습니다.
광고 성과 분석: 메타, 구글, 틱톡 등의 광고 퍼포먼스를 분석하여 클릭률, 전환율 등을 분석 후 개선점을 파악하여 적용할 수 있습니다. 이를 통해 더 높은 ROI를 달성할 수 있습니다.
A/B 테스트: 다른 광고 카피, 배너 디자인, 혹은 웹사이트의 레이아웃의 테스트를 통해 클릭률, 지속시간 등을 비교하여 소비자 반응도를 분석할 수 있습니다.
3. 수요 및 재고 예측
수요 예측: 과거 판매 데이터를 분석하여 특정 시즌이나 트렌드에 따른 수요를 예측할 수 있습니다. 이를 통해 재고 부족 또는 과잉 문제를 방지할 수 있습니다.
재고 회전율 분석: 판매율이 높은 상품과 그렇지 않은 상품을 분석하여 재고를 효율적으로 관리하고 수요 있는 상품과 없는 상품을 리스트업 하여 비교할 수 있습니다.
4. 고객 행동 분석
피드백 및 리뷰 분석: 앱 운영, 구매 등에 대한 고객 피드백을 수집하고 분석하여 UI/UX 개선 또는 제품 품질 개선에 반영할 수 있습니다.
퍼널 분석: 고객이 쇼핑몰에서 이동하는 경로를 분석하여, 방문자가 자주 이탈하는 페이지를 개선하거나, 결제 프로세스를 간소화하는데 활용합니다.
결제 및 CS 개선: 결제 실패율이나 고객 불만 데이터를 분석하여 더 나은 결제 시스템을 도입하고, 고객 서비스 수준을 높일 수 있는 방법에 활용합니다.
5. 트렌드 분석
시장 및 트렌드 분석: 소셜 미디어나 검색 트렌드를 분석해 고객의 최신 관심사를 파악하고, 이를 기반으로 신제품 개발, 상품 소싱에 활용합니다.
제품 라이프사이클 관리: 데이터 분석을 통해 제품의 라이프사이클을 예측하고, 적절한 시기에 리뉴얼 제품을 출시, 대체 상품에 대한 준비를 진행합니다.
일반적으로 쇼핑몰을 운영하면서 많이 활용되는 데이터 분야에 대한 내용입니다. 이외에도 활용할 수 있는 분야는 다양하지만 가장 중요한 것은 자신에게 가장 필요한 부분을 데이터에 기반하여 구조화해 나가는 것입니다.
데이터 활용 사례
1. 플랫폼 운영 데이터 및 회수 기간 파악
해당 데이터는 광고 경쟁 심화 및 경쟁사 유입으로 인해 시장 경쟁이 작년 대비하여 증가했다는 전제하에 임의로 가정한 데이터입니다.
현재, CPA를 6,000원 정도에 ROAS 감소폭을 일부 적용하여 회수 기간을 파악했을 때 대략 7개월 정도가 될 것이라고 예상하고 있습니다.
그러나 해당 부분도 판매 상품 및 콘텐츠, 광고 입찰가 상승 등의 영향으로 일부 달라질 수 있는 변수가 존재하기 때문에 정확한 데이터는 운영하면서 파악해 나가는 것이 가장 정확하다는 점 참고부탁드립니다.
해당 플랫폼의 경우 시기적 수요가 올라오는 제철 상품, 신선식품, 가성비 등에 대한 수요가 높다 보니 시기적으로 메인 상품들이 있어야 가입전환율 및 구매전환을 증가시킬 수 있습니다. 즉, 광고를 진행함에 있어서도 판매글에 올라가는 상품, 콘텐츠 등에 따라 효율 및 성과에 영향을 미치기 때문에 식품 쇼핑몰의 본질에 해당하는 상품성, 가격 경쟁력 등이 있어야 운영 성과를 잡아갈 수 있다는 점도 참고부탁드립니다.
해당 데이터 및 내용은 특정 플랫폼에서 회원 모집형 광고를 진행했을 때 예상 운영 데이터 및 회수 기간을 파악을 목적으로 수집한 데이터입니다. 이 처럼, 회원 모집형 광고를 진행할 때에는 회원당 월, 년 단위로 평균 구매 금액을 산정하고 평균 마진율, 전환 비용 등을 비교하여 목표 지표 및 수익 구조에 대한 내용을 설정하는 것이 중요합니다.
해당 데이터를 도출하기 위한 과정을 정리해 보면,
1. 광고 예산 책정
총 광고비, 기간별 광고비 등 사용할 수 있는 대략적인 광고 예산을 책정합니다. 해당 예산을 통해 운영 계획, 회수 기간에 대한 부분을 조정할 수 있기 때문에 구체적이진 않더라도 대략적인 예산을 설정해 주는 것이 좋습니다.
2. 운영 테스트
운영을 예정하고 있는 특정 플랫폼에서 판매 기획, 콘텐츠, 운영 방향성 등 전반적인 운영에 대한 준비가 되었다면 평균 이탈률, 전환단가 등에 대한 데이터를 파악하기 위해서 테스트 운영을 진행합니다. 테스트 운영 기간의 경우 특별하게 정해진 수치는 없지만 반응, 성과 등에서 큰 폭으로 변하지 않고 일정 수준에서 유지되는 선이 된 경우를 기준으로 진행해 주시는 게 좋습니다.
일반적으로 광고 운영을 할 때, 처음부터 큰 비용을 소진하는 것이 좋은 것은 아니지만 1일 3만 원~5만 원 등 일정 수준의 광고비가 집행이 되어야 유의미한 데이터를 바라볼 수 있습니다. 최근, 대부분의 광고는 머신러닝에 기반하여 진행이 되기 때문에 AI가 분석하고 학습할 수 있는 수준의 시간, 비용이 필요하기 때문입니다.
또한, 테스트 운영을 진행 후 큰 폭의 변화가 없이 일정 수준이 유지되는 선이 왔더라도 해당 성과가 평균보다 낮게 나오거나, 기대치에 미치지 못하는 경우 판매 기획, 콘텐츠, 운영 방향성 등 전반적으로 점검 후 성과를 개선하기 위한 과정도 필요합니다. 데이터 분석을 하는 것 자체에 의미가 있는 것이 아닌 해당 데이터를 통해 개선점을 찾고 적용하는 것에 의미가 있기 때문입니다.
3. 운영 데이터 도출 및 적용
테스트 운영을 통해 평균 이탈률, CPA, ROAS 등을 파악해서 예상 운영 데이터 및 회수기간에 대한 내용을 도출할 수 있습니다. 해당 데이터를 통해 본격적인 운영 가능 여부, 효율적인 플랫폼 발굴 등이 가능해집니다. 또한, 미리 예측하는 과정에 있어서 리스크를 줄이고, 운영 성과 평가를 위한 기준 데이터가 형성이 되기 때문에 효율적인 관리를 위한 기반이 됩니다.
4. 결과
이러한 데이터 도출 및 판단을 통해서 운영하는 쇼핑몰의 상황에 맞게 마진 폭을 높이거나, 전환 비용을 줄이거나, 구매 가치를 높이는 등의 개선을 통해서 운영의 방향성을 설정할 수 있습니다. 회수기간이 짧을수록 자금 회전이 빨라지기 때문에 더 유리한 구조이지만 경쟁이 심화된 시장에서 단기적으로 수익 구조를 만드는 것에는 한계가 존재할 수 있기 때문에 장기적인 측면에서 수익구조를 생각해 보는 것도 필요합니다.
또한, 해당 사례에서는 단기적인 구매 전환이 목적이 아닌 회원 모집 후 자연스럽게 구매가 이루어지고, 재방문 비율을 높일 수 있는 락인 전략(lock-in)에 근거한 운영 방식이었기 때문에 판단 기준이 되는 지표가 CPA, ROAS, 이탈률, 회수기간 등이었지만 운영 방식, 플랫폼 특성에 따라 판단 지표는 달라질 수 있습니다. 즉, 해당 과정을 진행하기에 앞서 자신이 판단할 수 있는 목표 지표를 설정해 보는 것이 좋습니다.
2. APP 운영 데이터 분석
앱 광고를 진행함에 있어서 주요 성과 지표는 쇼핑몰의 운영 형태, 특성, 환경 등에 따라 달라지지만 식품 앱을 운영하는 입장에서 성과 지표로 설정한 항목은 앱 설치 단가, 설치수와 매출액의 상관관계, 앱 설치다 매출액 등에 대한 지표입니다.
1) 앱 설치 단가(CPI): 앱 설치를 목적으로 광고를 진행했을 때, 1개의 설치가 일어날 때 발생되는 비용을 의미합니다. 해당 수치를 통해 대략적인 설치 단가를 파악하여 월평균 판매이익, 고객생애가치 등을 비교를 통해 대략적인 횟수기간을 파악할 수 있습니다.
[회수 기간 파악 - 예시]
(A) 월평균 앱 설치다 매출액 = 4,960원
(= 앱 매출액 / 앱 설치수)
(B) 월평균 판매 이익 = 20%
(C) 월평균 앱 설치 단가 = 3,108원
(= 광고비 / 앱 설치수)
(D) 월평균 앱 설치당 판매 이익 = 992원
(= A * B)
(D) 회수기간 = 3.1개월
(= C / D)
2) 상관관계: 앱 설치수와 매출액 데이터를 그래프로 비교하여 상관계수를 파악할 수 있습니다. 해당 데이터를 통해 앱 설치가 실제 매출액 증진에 어느 정도의 영향이 있는지를 파악할 수 있습니다.
활용 조건
- 데이터 활용 기간 = 30일
- 활용 기법 = 상관 분석, 회귀 분석
- 예상 매출액 계산 공식 파악
총 누적 설치수와 총 매출액 상관 계수 = 0.146
(*1에 가까울수록 높은 상관관계, 양의 상관관계로 설치 수가 증가함에 따라 매출액도 증가하는 경향이 있지만, 그 관계가 강하진 않은 상황으로 운영 형태 특성상 다양한 변수가 존재하기 때문에 추후에 데이터 활용 기간을 좀 더 길게 보고 파악해 보는 것이 필요한 상태.)
3) 리텐션: 유입 이후에는 재방문, 재구매, 고착도(DAU/MAU), 세션 시간, LTV, DX 등 사용자 리텐션에 대한 지표가 중요합니다. 특히, 시장 및 광고 경쟁이 심화되고 있는 시기에서는 사용자를 '획득'하는 것보다 '유지'에 집중하는 것이 더 높은 가치로 이어질 수 있습니다.
그러나, 대부분의 초기 쇼핑몰의 경우 사용자를 획득하는 것에만 초점을 맞춰서 자극적인 광고 문구, 가격 경쟁, 이벤트 등을 통해 일회성 구매에만 집중하다 보니 재구매, 재방문으로 이어지는 충성고객의 비율이 현저히 떨어질 수밖에 없습니다. 또한, 이러한 과정에서 재구매로 이어지는 비율이 없다 보니 손해를 보더라도 매출액을 발생시키기 위해 다시 광고에 의존하는 과정의 악순환이 반복되는 경우가 정말 많습니다.
만약, 이러한 과정이 반복되고 있다면 매출액의 본질적인 의미를 생각해 보는 것이 좋습니다. 매출액은 그 자체에 의미가 있는 것이 아닌 최종적인 영업 이익을 만들기 위해 존재하는 수치입니다. 즉, 매출액과 비용의 관계를 정확하게 확립한 후에 운영을 해야 '지속가능성'을 바라볼 수 있습니다.
일반적으로 쇼핑몰을 운영하는 입장에서 발생하는 비용의 경우 상품 원가, 인건비, 광고비, 플랫폼 입점 수수료 등이 있습니다. 광고, 플랫폼 등을 운영할 때 대략적인 매출액, 판매이익 등과 발생하는 비용을 비교하여 실제 영업이익으로 이어질 수 있는지에 대한 검토는 필수적으로 진행해야 하는 단계입니다. 또한, 단기적으로 수익이 나지 않더라도 장기적으로 수익이 발생할 수 있는 구조도 존재하기 때문에 다양한 방면에서 수익 구조를 에 대한 생각을 해보는 것이 중요합니다.
식품 쇼핑몰 재방문 및 재구매 비율 / 출처:GPT4 o추가로, 리텐션에 대한 지표를 파악할 때는 내부 데이터 이외에도 외부 데이터를 활용해서 비교해 보는 것도 중요합니다. 해당 지표는 최근 5년간 식품 쇼핑몰에서 재방문 및 재구매 비율에 대한 데이터로 식품/음료 카테고리는 다른 업종에 비해 재방문과 재구매 비율이 상대적으로 높은 것으로 나타났습니다. 특히, 식품 구매자의 경우 탐색보다는 구매를 목적으로 사이트를 방문하는 경향이 강하며, 재구매 주기가 주로 5일에서 14일 사이로 집중되어 있습니다. 재구매 비율은 전체 구매 중 53%로, 첫 구매보다 약간 높은 수준을 보였습니다
이러한 외부 데이터를 통해 시장 평균을 파악하고 내부 데이터와 비교하는 과정에 있어서 성과를 판단하고 개선점을 잡아가는데 활용할 수 있습니다.
"garbage in, garbage out"
이커머스를 운영하는 입장에서 데이터 기반한 사고에 익숙해진다면 목표 지표가 생기고, 판단할 수 있는 근거가 만들어지고, 집중해야 할 방향성이 설정되는 등 모든 것이 효율적으로 변할 수 있습니다. 즉, 남들보다 효율적으로 운영할 수 있는 하나의 차별점이 생긴다고 생각합니다.
이러한 차별점을 잘 활용하기 위해서는 '직관'이 아닌 '데이터에 기반한 근거'를 잡아가는 과정이 필요합니다. 모든 것을 활용한다는 생각보다 자신에게 필요한 것들을 우선순위에 따라 순차적으로 활용해 보는 것만으로도 충분한 가치를 만들어 낼 수 있습니다. 단, 같은 데이터를 보더라도 활용할 수 있는 능력에 따라 가치는 달라지기 때문에 이러한 가치를 높이기 위해서 데이터에 기반하여 가설, 검증의 단계를 반복적으로 진행해 보면서 데이터 문해력을 높여가는 과정이 필요합니다.
