서비스의 아하 모먼트를 찾는 법2
서비스의 성공을 위해 그리고 조직의 단합을 위해 필요한 아하 모먼트 운동
한윤석 (두블링 DOBLING, UI/UX 디자이너)
4년차 디자이너에서 미래 프로 디자이너를 꿈꾸는 사람으로써 같은 상황의 모든 신입, 주니어, 초보, 입문, 예비 디자이너들을 위해 제가 경험한 디자인 인사이트를 업로드 합니다.
지난 글에서는 아하 모먼트에 대하여 알아 보았는데요. 이번에는 아하 모먼트를 찾는 법에 대해서 알아봅시다! 아하 모먼트는 정밀한 수치보다도 팀원 전체가 공감하고 목표로 하는 공동의 목표(북극성)을 공유한다는데 의의가 있습니다.
서비스의 아하 모먼트를 찾는법
아하 모먼트를 찾는 방법
프록시를 이용
먼저 엠플리튜드같은 툴을 통해서 코호트 리텐션으로 어떤 기능과 행동을 한 사람과 아닌 사람의 리텐션을 비교하면서 리텐션에 얼마나 긍정적인 영향을 주는지를 볼 수 있겠지만 현재 여건상 구글 애널리틱스 정도의 데이터만 볼 수 있고 앰플리튜드 툴은 사용하고 있지 않기때문에 프록시를 이용해서 아하 모먼트를 측정해겠습니다. 어떤 특정행동을 찾아내는 것이 포인트 입니다.
프로덕트에서 지표를 설정할 때도 마찬가지로 생각해 볼 수 있습니다. 프로덕트에서도 우리는 뭔가를 직접 측정 할 수 없을 때 프록시를 이용합니다.
예를 들어, 나에게 맞는 설정을 통한 핫딜 알림을 통해 제품을 싸게 구입하는 서비스에서 이런 고민을 할 수 있겠습니다.
"우리 서비스에 회원가입한 사용자들 중 어떤 사람들은 프로덕트를 제대로 이용해 보고 우리가 제공하는 핵심 가치가 무엇인지 느낄 테고, (이걸 아하 모먼트aha moment를 경험한다고 하죠) 반대로 어떤 사람들은 핵심 가 치를 느끼지 못하고 이탈해 버릴 텐데... 회원가입한 사용자 중 몇 퍼센트가 우리 프로덕트의 핵심 가치를 느끼는 지 알고 싶다."
그런데, 사용자들이 프로덕트의 핵심 가치를 느끼는 것, 사용자들이 아하 모먼트'를 경험하는 것은 직접 측정하 기가 어렵습니다. 한 사람 한 사람에게 '우리 프로덕트의 핵심 가치를 느끼셨나요?', '아하 모먼트를 경험하셨나요? 하고 물어볼 수도 없는 노릇이구요. 이럴 때 the thing, 사용자들이 아하 모먼트를 경험 했는지 직접 측정할 수 없기 때문에 프록시로서 지표를 만들어 냅니다. 이런 식으로 말이죠.
일단 뭐라도 측정을 해야 하니까, 겉으로 명확하게 드러나는 뭔가를 지표로 삼아 보자.
사용자가 하는 행동을 기준으로 하면 측정할 수 있겠지?
사용자들이 어떤 행동을 하면 우리 프로덕트의 핵심 가치를 느꼈다고 간주할 수 있을까?
우리 서비스의 핵심은 핫딜 알림 발송이니까, 핫딜 알림 발송을 타고 들어가서 물건을 구매한 사람은 우리 프로덕트의 핵심 가치를 느꼈다고 볼 수 있겠지?
어느 사용자가 핫딜 알림 발송을 통해 물건을 구매했는지 알 수 있지?
핫딜 알림을 타고 들어가서 물건 링크를 클릭해서 들어간 사람의 비율을 가지고 아하 모먼트 경험 비율을 확인할 수 있을까?
이 지표에 HotDealLink라는 이름을 붙이고, 1-HotDealLink 지표, '회원 가입 후 1주일 이내에 핫딜에 들어가서 제품 링크를 클릭한 사용자의 비율'을 측정하자.
지금은 1-HotDealLink가 20%인데, 앞으로는 이 지표를 40%, 50%로 높이기 위해 노력해 보자.
그런데, 이 지표는 the thing을 측정하는 완벽한 지표라고 할 수는 없습니다. 왜냐면 핫딜 링크에 진입했다고 해서 반드시 아하 모먼트를 경험했다고 할 수는 없기 때문입니다. 어떤 사용자는 그냥 이것저것 눌러 보다가 핫딜 링크에 진입하고, 핫딜 링크에서 실제 제품을 구매하지는 않고 별다른 행동을 하지 않을 수도 있습니다. 이런 사용자는 아하 모먼트를 경험했다고 할 수 없죠. 또 어떤 사용자는 핫딜 링크를 통해 제품을 둘러보다가 생각보다 별로 라고 생각할 수도 있습니다. 좀 더 싸고 좋은 원하는 제품을 생각했는데, 생각보다 비싸고 마음에 안드는 제품이라고 생각할 수 도 있죠. 이런 사용자 역시 반드시 아하 모먼트를 겪었다고 할 수 없습니다.
하지만 이렇게 완벽하지 못한 프록시라고 하더라도 충분히 가치가 있습니다. 프로덕트 팀이 1-HotDealLink 지표에 집중하고, 이 지표를 개선하기 위해 전력질주해 본다고 해 볼게요. 더 많은 사용자들이 핫딜 링크를 누르도록 하기 위해 여러 가지 방법을 쓰면서 20%였던 지표가 40%를 지나 60%, 70%까지 도달했다고 해 보겠습니다. 모르긴 몰라도, 이전에는 이메일 편집기를 이용해 보지도 않고 이탈했을 사용자를 중 많은 사람 들이 핫딜 링크를 통한 제품을 경험해 보게 되고, 이 서비스가 괜찮구나 하고 생각하게 되고, 이로 인해 다른 지표들도 개 선될 겁니다.
이와 비슷한 사례가 그 유명한 페이스북의 아하 모먼트 지표입니다. 페이스북은 초창기에 여러 가지 그로스 실험 을 했는데, 그중에서도 특히 유명한 것이 '신규 사용자 중 가입 후 10일 내로 7명 이상의 친구를 맺는 사용자' 지 표를 활용한 실험입니다. 신규 사용자들 중 10일 이내로 7명 이상의 친구를 맺는 사람들은 그렇지 않은 사람들에 비해 훨씬 리텐션율이 높았다는 데서 비롯된 것인데요. 페이스북 그로스 팀은 다른 것들은 제쳐두고 이 지표를 높이기 위해 전력질주했고, 이로 인해 굉장히 리텐션율을 개선할 수 있었다고 합니다.
그런데, 사실 10일 이내로 7명의 친구를 맺는다' 라는 지표는 기술적으로 또는 통계적으로 완벽한 지표는 아니 었고, 어느 정도 자의적으로 정한 프록시였다고 합니다. 어쩌면 10일에 7명이 아니라 11일에 8.5명이 더 통계적 으로 완성도 높은 프록시였을지도 모릅니다. 하지만 여기서 중요한 건 통계적으로 완벽한 프록시를 만드는 게 아 닙니다. 여기서 중요한 건 통계적으로 혹은 기술적으로 완벽하지는 않을 수 있어도, 우리가 측정하고 싶은 the thing을 어느 정도 반영할 수 있는 프록시 지표를 만들고, 그 프록시 지표를 중심으로 팀이 한 점에 집중해서 프로 덕트를 개선하는 노력을 했다는 점입니다.
코호트 지표를 통해 당장 확인하기 어렵다면
실제로 앰플리튜드 같은 툴을 통해 코호트 지표로 확인 어려운 여견이라면 현재 리텐션을 보고 가설을 정하여 제품을 개선할 수 가 있을 것 입니다. 핫딜 링크를 누르는 사람들의 비율을 최대한 높이려고 노력했는데 리텐션 지표가 높아졌다면, 그리고 자세한 데이터를 확인했을때 그 행동을한 코호트가 아닌 코호트에 비해 리텐션 비율이 앞도적으로 높았다면 그것은 아하 모먼트가 됩니다.
