brunch

매거진 모바일 UX 데이터 분석

라이킷 8 댓글

You can make anything
by writing

C.S.Lewis

계정을 잊어버리셨나요?

by 유저해빗 Jul 22. 2019

빅데이터, 어떻게 결합할 것인가?

빅데이터의 폭발력을 극대화하는 방법에 관하여

저희가 고객사 미팅에 가면 제일 많이 받는 질문이 있습니다.

"ㅇㅇ하고 뭐가 다른가요?"

이 ㅇㅇ의 자리에는 GA(Google Analytics)나 Firebase가 가장 자주 등장합니다. 질문에 대해서는 사전에 준비한 간단한 설명을 하지만, 항상 약간의 아쉬움이 남곤 합니다. 왜냐하면 고객사는 다양한 애널리틱스에 대한 배경지식이 부족해, 비교적 기본적인 사항의 이해에도 어려움을 겪는 경우가 많기 때문입니다. 그래서 이 글에서는 이러한 배경 지식을 한번 다루어 보고자 합니다.

결합 방법 하나 : 다른 애널리틱스와 함께 쓰기

구글에서 조금만 검색해보면 정말 수많은 애널리틱스를 찾을 수 있습니다. 이렇게 많은 애널리틱스가 존재하는 까닭은 무엇일까요? 애널리틱스 시장이 매우 크다는 것도 하나의 설명이 되겠지만, 핵심은 '애널리틱스가 제각기 다르다'는 것입니다. 이렇게 제각기 다른 애널리틱스 중에서 나에게 적합한 애널리틱스를 고르기 위해서는 이 다름에 대해서 이해해야 하고, 이 다름에 대해 이해하기 위해서는 어떤 기준이 있어야 합니다.

애널리틱스 분류에 가장 일반적으로 사용되는 기준은 '분석 목적'입니다. 분석 목적의 기준에 따라 애널리틱스를 분류해 보면, 다음과 같이 4개의 카테고리로 분류할 수 있습니다. 범용, 마케팅 최적화용, 크래시 최적화용, UX 최적화용이 그것이죠.

우선 범용 애널리틱스는 말 그대로 여러 목적으로 사용할 수 있으며, 가장 오래된 카테고리인 만큼 관련 정보가 많다는 것이 장점입니다. 웹로그 분석에서부터 계속 사용되어 온 이벤트 정의 방식이 일반적이며, GA, Adobe Analytics, Flurry, Mixpanel, Amplitude, Loclaytics 등 대부분의 유명 애널리틱스가 여기에 속하죠. 다만, 특정 목적을 위한 분석에는 해당 목적의 카테고리에 속하는 애널리틱스가 더 적합하다는 점은 고려해야 합니다.

두 번째로 마케팅 최적화용 애널리틱스에서의 마케팅은 마케팅 캠페인으로 이해하면 쉽습니다. 앱서비스로 사용자를 유입시키기 위해 진행하는 다양한 마케팅 캠페인의 최적 조합과 운영 방법을 찾기 위해서 사용합니다. 사용자가 타고 온 캠페인에 대한 태그의 관리와 추적이 핵심 기능인데요. 이 영역에는 Tune, Kochava, AppsFlyer, Adjust 등의 애널리틱스가 주로 속하며, 국내에는 IGAWorks 등이 있습니다.

세 번째로 크래시 최적화용 애널리틱스는 앱에서 발생하는 크래시의 원인을 찾을 수 있도록 도와주는 역할을 합니다. 주로 크래시 상황에서의 로그 데이터와 해당 디바이스 정보를 수집하고 시각화 하는 기능을 갖추고 있습니다.

마지막 UX 최적화용 애널리틱스는 Growth-Hacking을 통한 전환율 개선이 중요하게 인식되면서 주목받고 있는 카테고리입니다. In-app Behavior Analytics라고도 합니다다. 유저해빗이 속해있는 카테고리도 바로 이곳입니다. 이 카테고리의 애널리틱스는 아주 상세한 사용자의 행동을 수집하고 분석하기에 적합한 구조로 되어 있어, 다른 애널리틱스에서 제공하기 어려운 히트맵, 리플레이, 행동패턴분석 등을 주요 기능으로 제공할 수 있습니다.

데이터 분석을 적극적으로 활용하는 실리콘밸리에서 최소한 각각의 목적에 맞는 애널리틱스 3~4개를 조합하여 사용하고 있다고 합니다. 살펴본 바와 같이, 애널리틱스는 지향하는 바에 따라 각기 다른 역할과 기능을 제공하고 있기 때문이죠. 현재 우리 회사에 필요한 것은 무엇인지, 어떤 데이터를 수집해야 하는지 등을 고민하여 성격에 맞는 애널리틱스를 골라보시기를 추천드립니다.

결합방법 둘 : 공공 데이터와 결합하기

유저해빗에서는 사용자 행동과 관련된 다양한 자료를 수집합니다. 가령 어떤 사용자가 어떤 액션(클릭, 스와이프 등)을 취했는지, 어떤 경로를 통해 어떤 화면에 최종적으로 도달했는지 등이 대표적인 예이죠. 이는 소위 '빅데이터화' 됨으로써 더욱 강력한 힘을 발휘합니다. 한 사람의 행동뿐만 아니라 우리 앱 사용자 전체를 대상으로 행동 데이터를 수집, 정리하여 보여주기 때문에 우리가 실제로 궁금한 것, 즉 얼마나 많은 사용자가 어떤 화면을 보았으며, 무엇에 관심이 있는지 등을 확인할 수 있기 때문이죠.

그런데 유저해빗의 정보를 조금 더 가치 있게 만들 수 있는 방법이 있습니다. 바로 유저해빗에서 얻을 수 없는 다양한 데이터와의 결합을 진행하는 것이죠. 이 부분은 예를 들어 설명해보겠습니다.

우선 첫 번째 예는 공공 데이터 또는 정보와의 결합입니다. 가령, 우리 앱이 오프라인 액티비티와 연관된 앱이라고 생각을 해보죠. 사용자들은 앱을 통해 다양한 액티비티를 예약하거나 해당 액티비티의 정보를 확인하기 위해 앱을 사용합니다. 그런데 가령 이런 우리 앱의 DAU가 이러한 변화를 거친 겁니다.

우린 여기서 어떤 사실을 유추할 수 있을까요? 아마도 크게 두 가지 정도가 아닐까 싶습니다.

하나. 사용자들은 우리 앱의 특성에 맞게 주로 주말에 앱을 사용하고 있다.

둘. 그런데 2주차 금, 토의 경우에는 예상과 달리 이상하게 사용자가 낮은 편이며, 화요일의 사용자는 유달리 많다.

단순히 DAU 데이터만을 놓고 보면 이런 결과밖에 얻을 수 없지만, 날씨 데이터와 휴일 정보 등을 결합한다면 이러한 결론을 얻을 수 있을 겁니다. 다시 말해, 2주차 수요일의 경우 공휴일에 해당하는 날이라 평소 대비 높은 DAU를 보여주고 있으며, 금요일과 토요일의 경우에는 비가 와서 평소보다 낮은 수준의 DAU를 보여주고 있다는 것이죠. 만약 이러한 식으로 정보를 결합한다면, 우리는 미리 사용자를 예측해 보다 많은 사용자로 하여금 앱을 사용하게 하거나 다양한 혜택을 누릴 수 있도록 준비할 수 있을 겁니다. 주먹구구식으로 이루어지던 마케팅이 조금 더 효율적으로 이루어질 수 있는 기반을 마련하게 되는 것이죠.

결합 방법 셋 : 자사 데이터와 결합하기

마지막은 자사 데이터와의 결합입니다. 가령 게임앱의 예를 들어보죠. 대부분 모바일 게임의 경우, 70~80% 가량의 매출이 10% 미만의 진성 사용자층에서 발생한다고 합니다. 다시 말해, 게임앱의 데이터 분석 담당자는 전체 사용자의 행동패턴을 확인하는 것도 중요하지만, 우리 앱에서 결제를 한 사용자의 행동 패턴을 파악하고 이들의 추가 결제를 이끌어내거나 결제를 하지 않은 사용자의 결제를 이끌어낼 방법을 확인하는 것이 더 중요하다고 할 수 있다는 것이죠.

유저해빗은 이러한 니즈를 해결하기 위해 엔터프라이즈 고객을 대상으로 협의 하에 수집된 raw data를 제공하고 있습니다. 이를 제공받는 고객사들은 자사의 데이터와 유저해빗의 데이터를 결합하여 vip 사용자의 실제 사용 패턴을 알아보거나, 유저해빗만으로는 확인할 수 없는 조금 더 세밀한 정보를 확인하기도 합니다. 즉, 유저해빗과 다양한 데이터의 결합을 통해 보다 폭발력 있는 정보를 얻어내고 있는 것이죠.