brunch

You can make anything
by writing

- C.S.Lewis -

by ResearChurry Oct 02. 2020

우리 서비스의 유저 세그멘테이션 하기

우리 서비스의 사용자들을 얼마나 세분화해서 바라보고 있습니까?

본 내용에서 사용된 데이터와 지표는 모두 예시를 위한 가상의 데이터라는 점을 밝힙니다


유저 세그멘테이션에 대한 니즈가 상당히 크다. 채용 사이트에서 User Researcher 직무 설명 란 에도 사용자 segment에 대한 언급이 빠지지 않고, 내가 직접 거쳤던 스타트업에서도 '사용자 세그멘테이션을 해줬으면 좋겠다'라는 일관된 니즈가 있었다. 유저 세그멘테이션, 어떤 식으로 작업하면 되는지 한번 알아보도록 하자. 


유저 세그멘테이션은 무엇인가


데이터 애널리틱 툴 Mixpanel의 블로그에서는 유저 세그멘테이션의 정의와 목적을 다음과 같이 설명하고 있다.

User segmentation is the practice of bucketing users into groups based on common characteristics (e.g., region, age, device, or behavior). Segmentation allows for better targeting based on user traits or behaviors so that each segment can be treated with a more customer-centric approach - 출처 - 믹스패널 블로그
유저 세그멘테이션은 동질성을 가진 속성 (예: 지역, 나이, 기기, 행동) 별로 사용자를 그룹핑하는 작업이다. 세그멘테이션을 통해 보다 정교하게 사용자를 타겟팅 할 수 있으며, 더 용이하게 사용자 중심적인 접근을 취할 수 있도록 해준다


유저 세그멘테이션은 왜 중요한가


대부분 서비스들의 사용자층은 동질적이지 않은 집단의 집합체이다. 서비스의 유저가 10,000명이라고 했을 때, 10,000명이 모두 동일한 속성을 가지고, 동일한 사고방식과 필요를 가지고 있을 확률은 매우 희박하다. 성별, 나이, 직업군, 특정 행동, 감정 등 여러 요인에 따라서 동질적이지 않은 집단이 형성되고, 그런 집단의 집합이 전체 서비스의 사용자층을 구성한다.


서비스의 전체 사용자가 공장에서 찍어낸 듯한 규격화된 사용자가 아닌 이상, 전체 사용자가 동질적인 하나의 집단이 되는 것은 불가능하다. 인구통계학적인 기준은 최대한 유사해질 수 있지만, 모두가 같은 태도와 같은 감정으로 서비스를 경험하지는 않기 때문이다. 10,000명의 사용자가 전부 20대 대학생 남성일 수는 있으나, 그중에는 반드시 서비스를 더/덜 자주 이용하는 집단, 유료/무료로 이용하는 집단, 만족도가 높은/낮은 집단으로 세분화되어 형성되기 마련이다.


세그멘테이션이 중요한 이유는 이러한 세분화된 집단을 식별하고, 그들에게 맞춤화된 전략 수립을 가능하게 해 주기 때문이다. '서비스를 무료로 이용하는 유저들을 어떻게 하면 유료 고객으로 전환시킬 수 있을까'를 고민하며 도출된 솔루션은 이미 서비스를 유료로 이용하고 있는 유저들에게는 해당되지 않는 솔루션일 것이다. 오히려, 유료 유저들에게는 '어떻게 하면 유료 서비스를 중단하지 않고 지속적인 만족감을 줄 수 있을까'와 같은 고민이 더 적절할 것이다. 


 

유저 세그멘테이션은 어떻게 하면 되는가?    


1. Demographic Segmetation - 인구통계학적 세그멘테이션


인구 통계학적인 속성은 우리가 흔히 생각하는 호구조사 성 속성이라고 생각해도 된다. 성별, 나이, 직업, 결혼 여부 등 그 사람의 휴먼 프로필 적인 정보들을 바탕으로 세그멘팅 하는 기준이다. 

전체 사용자 10,000명 중

20대 미혼 남성 : 13%
20대 미혼 여성 : 28%
20대 기혼 남성 : 5%
20대 기혼 여성 : 3%
30대 미혼 남성
.
.
.

--> 우리 서비스의 가장 큰 사용자층은 20대 미혼 여성이라는 것을 알 수 있음

인구 통계학적 세그멘테이션은 비교적 빠르고 쉽게 할 수 있는 접근이다. 만약 서비스 내에서 회원 가입 과정에서 해당 정보들을 수집하고 있다면 해당 값에 대한 쿼리를 날려서 피봇 테이블 정도만 활용해도 빠르게 도출이 가능하다. 개인정보라서 수집되고 있지 않다면, 별도의 설문조사와 개인정보 활용 동의서를 첨부해서 수집하는 것도 가능하다.


다만 인구통계학적인 정보가 주는 인사이트 또는 사업적인 임팩트는 그다지 높지 않을 수도 있다. 20대 여성이 핵심 타겟이라는 정보만 가지고 딱히 행동으로 옮길 수 있을 만한 액션이 많이 없기 때문이다. 따라서 인구 통계학적인 세그멘테이션은 개괄적으로 우리 사용자 구성비 정도를 파악하고, 이후 설명할 다른 기준의 세그멘테이션 결과와 결합해서 분석하는 근거 데이터 정도로 확보해 놓을 필요가 있다고 생각할 수 있겠다.


2. Behavioral Segmentation - 행동 기반 세그멘테이션


행동 기반 세그멘테이션이 훨씬 용이하다는 점은 플랫폼 서비스의 큰 강점일 것이다. 주 고객의 행동이 오프라인 매장에서 발생하는 제조업 회사의 경우, 방문하는 고객의 특성, 자주 살펴보는 매대, 위치, 상품군, 매장 내 동선과 같은 데이터 수집을 위해 매장에 몇 시간이고 머물면서 사용자들을 관찰하여 데이터를 수집하는 조사 방법을 사용했었다. 이런 접근은 그 자체적으로 데이터의 정확도와 대규모적인 모수 확보가 어렵다는 한계를 안고 있었다. 


그러나 이벤트 값이 정확히 심겨 있다는 전제 하에, 플랫폼 서비스 내에서의 사용자의 대부분의 행동은 추적 가능하다. 특정 버튼을 몇 명이, 어느 빈도로 클릭하는지, 특정 페이지의 체류 시간은 어느 정도 되는지, 특정 행동을 한 사용자의 다음 행동은 어떻게 되는지 등등. 게다가 서비스의 모든 사용자를 모수로 둘 수 있기에 훨씬 더 결과의 대표성이나 신뢰성이 높다는 장점도 있다. 


전체 사용자 중 로그인 후 액션을 기준으로 세그멘테이션을 한다면 :

별다른 액션 없이 이탈하는 사용자 : 이탈 사용자 (65%)
다양한 상품들을 클릭하지만 구매는 하지 않는 사용자 : 탐색 사용자 (20%)
다양한 상품들을 클릭한 후 구매까지 하는 사용자 : 쇼핑 사용자 (10%) 
탐색 없이 바로 구매로 이어지는 사용자 : 확신 사용자 (5%) 
.
.
.

--> 확신 사용자 (5%)의 비율을 높이고 싶다. 서비스 내에서 그들이 더 세부적으로 어떻게 행동하는지 파악하고, 좀 더 빠른 구매전환을 이끌어 낼 수 있는 디자인 개선이 가능한지 확인해보자.


위의 세그멘테이션은 예시에 불과하지만, 충분히 위와 같은 수준의 행동 기반 세그멘테이션은 데이터만 확보된다면 가능한 작업이다. 여기에 앞서 진행했던 인구통계 기반 세그멘테이션과 데이터가 결합된다면 조금 더 강력한 인사이트가 나올 수 있다.

인구통계 세그멘테이션을 통해 20-30대의 사용자 비중이 가장 높다는 것과, 행동 기반 세그멘테이션을 통해 더 활성화시키고 싶은 확신 사용자의 비율이 30대에서 25%로 다른 연령대에 비해 꽤 높다는 것을 알 수 있다. 


여전히 사용자에 대해 궁금한 점은 많다. 하지만 인구 통계, 행동 기반 세그멘테이션만 잘 되어 있어도 많은 도움이 될 것이다.  


3. Attitudinal Segmentation - 성향 기반 세그멘테이션

성향 기반 세그멘테이션과 이후 설명할 감정 기반 세그멘테이션은 조금 더 난이도가 있다. 그 이유는 이 두 종류의 데이터는 별도의 설문조사나 직접적인 사용자와의 접촉이 없으면 수집이 거의 불가능하기 때문이다. 


사용자가 충동구매 성향이 강한지

굉장히 꼼꼼히 가격비교를 하며 쇼핑하는 성향인지

주변 사람들에게 활발하게 공유하며 Viral을 일으킬 가능성이 있는 사용자인지

적극적으로 불만사항을 리뷰에 적어서 자신의 의견을 전파하려는 성향의 사용자인지


이와 같은 인사이트는 자가 응답으로 수집된 설문 조사로만 수집이 가능한 인사이트이다. 따라서 별도의 설문 조사 문항들이 설계가 되어야 하고, 설문을 응답할 수 있는 충분한 모수와 참여 대상자들도 확보가 되어야 한다. 이러한 조건들 때문에 아직 유저 층이 탄탄하지 않은 초기 스타트업일수록 수집 난이도가 더 높은 편이다.  


다음 중 귀하의 성향과 가장 부합하는 문항을 선택해 주세요

1. 나는 심심할 때 쇼핑 앱을 둘러보며 충동적으로 구매를 하기도 한다 - 충동 구매자 (35%)
2. 나는 제품을 구매할 때 최소 2군데 이상 가격비교를 무조건 하는 편이다 - 가성비 구매자 (25%)
3. 나는 구매한 제품에 만족할 경우 주변 지인들에게도 구매하라고 권하는 편이다 - 바이럴 구매자 (20%)
4. 나는 제품 구매 후 리뷰에 제품 후기를 꼬박꼬박 남기는 편이다 - 리뷰 구매자 (20%)


위와 같은 설문조사의 특정 문항의 답변을 토대로 성향 세그멘테이션이 이루어진다. 보다 정교한 성향 파악을 위해 다수의 성향 질문을 하거나, Dummy 질문, 로직이 심긴 질문 등 더 고도화된 장치를 심어서 더 정확한 성향 데이터를 수집해 볼 수 있다.


성향 기반으로 세그멘테이션이 되어 있다면 보다 정교한 맞춤화 타겟팅 전략을 고려하는 것이 가능해진다. 


충동 구매자 : 어떻게 하면 더 많은 연관 상품을 노출시킬 수 있을까?
가성비 구매자 : 가격 비교를 위해 다른 플랫폼으로 이탈시키지 않고 우리 플랫폼에서 여러 사이트의 가격을 비교해서 보여주면 어떨까?
바이럴 구매자 : 지인 추천 코드/포인트 시스템을 도입하면 더 바이럴을 일으킬 수 있을까?
리뷰 구매자 : 리뷰의 개수와 내용의 질을 기반으로 인플루언서와 같은 타이틀을 제공해 주면 어떨까?


4. Sentimental Segmentation - 감정 기반 세그멘테이션

감정 기반 세그멘테이션도 성향 기반 세그멘테이션처럼 별도의 설문 조사, 사용자 인터뷰를 통해서만 파악이 가능한 지표이다. 감정 기반 세그멘테이션이 특히 유용한 이유는 우리 서비스의 충성 고객이 누구인지 알 수 있게 해 주고, 서비스의 건강도를 가늠할 수 있게 해주는 지표이기 때문이다. 


감정 기반 세그멘테이션을 위해 수집할 수 있는 지표들이 많이 있을 테지만, 개인적으로는 다음 2가지 지표를 중점적으로 수집하려고 노력하는 편이다. 


1. 서비스 의존도 지표 (PMF)


PMF 지표는 "우리 서비스를 더 이상 사용하지 못하게 될 경우 얼마나 아쉬운가요?"라는 매우 단순한 질문 하나로 측정이 가능하다. 저명한 그로스 해커로 알려진 션 엘리스가 고안해서 '션 엘리스 테스트'라고도 불리는 이 설문 문항에서 "매우 아쉬울 것 같다"라는 답변의 비중이 40%가 넘을 경우 그 서비스는 시장에서 기대하는 가치를 잘 제공하는 서비스라고 생각할 수 있다.  

슬랙의 PMF 지표. 최소 기준인 40%를 넘으므로 시장에서 기대하는 가치를 잘 제공하는 서비스라고 볼 수 있다

PMF 지표에서 "매우 아쉬울 것 같다"라고 응답한 사용자들을 군집화 하면 감정을 기반으로 구분한 세그멘트가 생성된다. 우리 서비스를 사용할 수 없게 되면 매우 아쉬워할 사용자일수록 서비스의 애착도나 의존도가 높기 때문에 훨씬 더 우리 서비스에 충성도가 높은 사용자라고 볼 수가 있다.

 

2. 추천 의향 지표 (NPS)

이미지 출처 : https://www.qualtrics.com/marketplace/nps-benchmarks/

Net Promoter Score라고 하는 NPS 지표는 얼마나 우리 서비스를 주변에 추천할 의향이 있는지를 판단하는 지표이다. 0~10점 척도 내에서 9,10점을 응답한 사람들을 추천자, 즉 Promoter로 분류하고, 0~6점을 응답한 사람들을 비추천자, 즉 Detractor라고 분류한다. Promoter의 비율에서 Detractor의 비율을 빼면 총 추천 의향 지수인 NPS가 도출된다. 


PMF와 마찬가지로, Promoter로 분류된 사람일수록 우리 서비스를 통해 충분한 사용 편익을 느끼고 있는 사용자일 것이고, 더 나아가 그 편익을 주변 지인들과 추천함으로써 바이럴을 확산시킬 의향이 있는 높은 애착도와 충성도를 가진 사용자라고 볼 수 있다. 






피봇 테이블을 활용해서 세그멘테이션 결과를 한눈에 확인하기


위에서 설명한 4가지 기준의 세그멘테이션은 모두 개별적으로 수집되고 측정될 수 있는 항목들이다. 이렇게 각각의 지표가 도출되면 이제 사용자 아이디 별로 각각의 지표들을 아래와 같이 인덱싱 할 수 있게 된다.


이렇게 사용자 별로 세그멘트 지표 인덱싱 하는 작업을 완료해서 원본 raw data를 정리해 놓은 후, 이 파일을 가지고 본격적인 분석을 진행하면 된다. 피봇 테이블을 사용해서 세그멘트 별 구성비를 확인하는 것부터 시작해 볼 수 있겠다.


이 글에서 언급한 방법이 유저 세그멘테이션을 하는 유일한 방법은 아니다. 다른 방법이 있을 수도 있고, 더 정교하게 진행할 수 있는 방법이 있을 수도 있다. 게다가, 회사/조직마다 처한 상황이나 규모, 우선순위가 다르기 때문에 어떤 세그멘테이션이 당장 필요할지 여부도 제각각일 수 있다. 


어떤 방법을 사용하던, 우리 서비스의 사용자를 세분화하여 이해하는 것이 중요하다는 사실에는 이견을 제시할 사람은 없을 것이다. 그렇기에, 최소한 이 정도의 분석만 구축해 놓아도 훨씬 더 정교하게 맞춤화 된 서비스 기획, 마케팅 전략 수립이 가능해진다. 


이 정도 수준의 결과를 도출하는 것만으로도 충분히 유익하게 활용할 수 있는 팀원들이 있을 것이다. 하지만 유저 리서쳐의 역할은 여기서 끝나지 않는다. What이 파악 됐으면, Why를 이해하기 위한 VOC 수집이 그다음 단계이다. 


월 천만원 어치를 구매하는 사용자와 월 1억 어치를 구매하는 사용자 간의 차이는 어떤 요인으로 발생하나?

왜 누구는 현상유지를 선호하고 누구는 디지털화를 선호하는가?

어떤 요소 때문에 우리 서비스에 그만큼의 의존도와 사라졌을 때 아쉬움을 느끼는가?


정성적인 인사이트까지 수집되고, 정량적인 세그멘테이션 결과와 결합되어 통합된 인사이트가 확보되었을 때 비로소 완결성 있는 유저 세그멘테이션이 이루어졌다고 말할 수 있을 것이다.





유저 리서쳐가 사용하는 툴이 궁금하다면? Click here

유저 리서쳐에 대해 더 알아보고 싶다면? Click here

매거진 선택

키워드 선택 0 / 3 0

댓글여부

afliean
브런치는 최신 브라우저에 최적화 되어있습니다. IE chrome safari