로그인

앰플리튜드

MoM(월별 성장률) 분석시 저지르는 일반적 3가지 실수

Team MAXONOMY ・ 2021.03.29

MoM(월별 성장률) 분석시 저지르는 일반적 3가지 실수

월별 성장이란 무엇입니까?


월별 (MoM) 성장은 특정 메트릭 값의 변화를 전월 값의 백분율로 표시합니다.

월별 성장은 월별 수익, 활성 사용자, 구독 수 또는 기타 주요 지표의 성장률을 측정하는 데 자주 사용됩니다. 모바일 앱, SaaS 제품 또는 웹 사이트와 같은 디지털 제품을 작업하는 경우 MoM 활성 사용자 증가에 관심이 있을 것입니다. 이는 제품 또는 회사의 성장과 성공에 대해 이야기하는 가장 일반적인 방법입니다.







MoM 성장률을 계산하는 방법


한 달 동안의 월별 성장을 계산하려면 이번 달의 총 사용자 수와 지난 달의지난달의 총 사용자 수의 차이를 취한 다음 이를 지난달의 합계로 나누면 됩니다.

동일한 공식을 사용하여 주별 성장 또는 전년 대비 성장을 계산할 수 있습니다. 한 달 동안의 성장률을 계산하는 대신 6개월 동안의 MoM 성장률을 계산하고 싶다고 가정 해 보겠습니다. CMGR (월간 복합 성장률) 을 계산하려는 경우입니다.

관련 자료 : 활성 사용자는 누구입니까? 사용자 분석을 위한 전략






Compound Monthly Growth Rate (CMGR) 공식

CMGR은 해당 기간 동안 매달 일정한 속도로 성장한다고 가정하여 특정 기간 동안의 성장률을 설명합니다. 활성 사용자가 다음과 같이 증가했다고 상상해보세요.



CMGR을 계산하려면 위의 숫자를 다음 공식에 대입합니다.


예를 들면 다음과 같습니다.



CMGR은 월별마다 다르지만 위의 전체 기간 동안 20%입니다. 예를 들어 1월부터 2월까지의 MoM 성장률은 10%에 불과한 다음 2월부터 3 월은 36%로 점프합니다. CMGR을 사용하면 1월부터 6월까지 매달 일정한 성장률로 성장하고 있다고 가정합니다. 이 예에서 이는 다음을 의미합니다.



이제 다음 단계로 넘어갑시다.위에서 과거 기간 동안 CMGR을 계산했습니다. 5개년 사업 계획을 세우고 사업이 어떤 모습 일지에 대한 프로젝트를 계획한다고 가정해 보겠습니다. 이대로라면 2022년 12월까지 활성 사용자 수는 5십만 명을 넘을 것입니다.








피해야 할 MoM 성장과 관련된 3가지 일반적인 실수


성장 모델을 구축할 때 부주의한 실수를 하는 것은 생각보다 흔합니다. 다음은 MoM 데이터 작성 시, 저지르는 3가지 일반적 실수입니다.



1. MoM 성장으로 모델링 된 작은 절댓값


앱이나 제품의 사용자 수가 적으면, MoM 달성을 훨씬 쉽게 이룰 수 있습니다. 즉, 적은 수의 MoM 성장에 대한 내러티브를 구성하는 것이 더 쉽고 비즈니스가 성장함에 따라 그 비율을 유지하기가 더 어렵습니다.



이 예에서는 2018년 1월부터 2018년 6월까지 매월 20% 의 성장을 경험하고 있습니다. 하지만 절대 수치로 보면 100명의 활성 사용자에서 249명의 활성 사용자로만 증가하는 것입니다. 여기서 문제는 이 비율 증가가 확장되지 않는다는 것입니다. 한 번의 언론 멘션으로 100 명에서 120 명의 월간 활성 사용자 확보는 쉽게 할 수 있습니다. 그러나 한 달에 활성 사용자가 1,000,000명에서 1,200,000명으로 20 % 증가하려면 강력한 성장 엔진이 필요합니다.


핵심 요점 : 사용자 수가 적을 때엔 MoM을 주시할 수 있지만 사용자 수가 더 많아지면 참여도 지표 , stickness 및 사용자 행동 데이터를 살펴봄으로써 성장이 장기적으로 지속될 것인지를 알려주는 기본 메커니즘 구성에 집중해야 합니다.






2. MoM 성장으로 모델링 된 비일관된 성장


성장은 예측할 수 없습니다. 한 달은 MAU를 두 배로 늘리고 다음 달에는 변화 없이 그대로 유지될 수 있습니다. 이런 일이 발생한다면 일관된 CMGR로 모델링하여 변동하는 성장을 모순되게 만드는 것은 실수입니다.



여기에서 CMGR이 20% 이지만 특정 기간 동안 (5월부터 6월까지)만 20% 근처에 있다고 가정해 봅시다. 그 외에는 2% 성장과 82% 성장 사이에서 크게 변동하고 있습니다. 결론은 다음 달 성장률이 얼마인지 알지 못한다는 것입니다. 성장률은 도처에 있지만 데이터는 여전히 무언가를 알려줍니다. 앱을 위한 일관된 성장 엔진을 구축하지 않았던 거죠.성장이 있는 달과 성장이 없는 달의 차이를 모를 가능성이 높습니다.


핵심 요점 : 성장이 일관되지 않은 경우, 단일 CMGR보다는 월별 성장률의 추세로 성장을 논의하는 것이 더 정확합니다.







3. MoM 성장으로 모델링 된 선형 성장


귀하의 비즈니스는 성장하고 있으며 지속적으로 성장하고 있습니다. 다만 선형 성장을 기하급수적인 성장으로 착각하지 마십시오.



6개월 동안 사용자가 10,000 명에서 20,000 명으로 두 배 증가했다고 가정해 보겠습니다. 이는 15%의 Mom 성장률을 의미합니다. 자세히 살펴보면 문제가 나타납니다. 시간이 갈수록 성장률은 둔화되는 것 같습니다. 숫자가 커짐에 따라 성장이 감소하는 것은 성장이 기하급수적이지 않다는 신호이며 아마도 더 선형적일 것입니다. 여기서는 15% MoM이 성장하고 있다고 말하는 대신 매월 2,000명의 활성 사용자를 추가한다고 말함으로써 절댓값을 고수하는 것이 더 정확합니다.


핵심 사항 : 모든 성장이 동일하지는 않습니다. 성장이 선형으로 발생하는 경우 절대 사용자 수의 월별 성장을 참조하여 이를 수용하고 정확하게 설명하십시오. 그런 다음 이러한 통찰력을 사용하여 비선형 성장을 실현할 기회를 식별하십시오.


관련 자료 : 시간이 지남에 따라 핵심 지표를 조정해야 할까요?








단기 성장을 추적하면 장기적인 성공을 거둘 수 있습니다.


월별 성장은 현재 성과를 정확하게 모델링하고 성공을 벤치마킹하고 예측하는 데 매우 유용합니다. 당신이 하고 있는 일을 알고 있고 회사의 장기적인 미래에 전념하고 있다는 거죠.

성장률이 일정하거나 하향 조정되면 실망스러워 보일 수 있지만, 보고 싶은 데이터가 아닌 경우에도 모든 데이터에는 가치가 있다는 것을 기억하십시오. 기하 급수적인 성장은 하룻밤 사이에 일어나지 않으며 저절로 일어나지 않습니다.







퀄리티 있는 데이터 산출은 퀄리티 있는 데이터 수집에서 시작됩니다.


품질이 낮은 데이터를 지속적으로 살펴보면 MoM과 같은 중요한 지표를 정확하게 해석하기가 훨씬 어려워집니다. 분석을 실행하는 작업에 너무 깊이 빠져 들기 전에 먼저 강력한 데이터 시스템 인 MVI (Minimum Viable Instrumentation)를 만들어야 합니다.이를 통해 비즈니스 및 분석 목표를 달성하기 위해 따라야 하는 특정 데이터 프로세스를 식별할 수 있습니다.


두 가지를 정의하여 시작하세요.


  1. 일일 활성 사용자와 같은 중요한 용어에 대한 정의
  2. 특정 비즈니스 목표


고객이 이러한 목표 (예: 전환)를 달성하기 위한 올바른 방향으로 안내할 고객 여정의 경로를 신중하게 고려하여 측정하려는 이벤트를 정확히 찾아냅니다. 바로 추적하려는 터치 포인트입니다. 목표 달성에 중요한 것에 집중하고 나머지는 제거하십시오.


다음은 팀의 심각한 데이터 유효성 검사 문제를 방지하기 위해 따라야 할 5 가지 주요 원칙입니다.


  1. 모든 것을 추적하려 하지 마세요. 불필요한 데이터는 지저분하고 추적하기가 거의 불가능합니다. 대신 20 ~ 200개의 고객 주요 여정과 관련된 이벤트를 일관되게 추적하십시오.
  2. 체계적으로 유지하십시오. 데이터와 이에 대한 정의는 팀원 모두에게 매우 깨끗하고 이해하기 쉬워야 합니다.
  3. d-1부터의 데이터를 정의하십시오. 데이터 구조를 설명하는 몇 가지 문서를 작성하는 것이 좋습니다.
  4. 분석 플랫폼 내에서 사용자 식별이 작동하는 방식을 이해합니다. 또한 무의미하게 지속 방문하는 가짜 "새 사용자"를 방지하기 위해 장치 또는 기타 자격 증명으로 익명 사용자를 인식할 수 있는 시스템이 있어야 합니다. 예를 들어 Amplitude(앰플리튜드)는 "amplitude_ID"식별자로 이 문제를 해결합니다. 이 식별자는 익명인 경우에도 반복 방문 사용자를 포착합니다.
  5. 숫자, 날짜, 국제 문자 및 지오 코딩 값과 같은 자동 서식 변수를 사용하여 일관성 있고 정확하게 분석하세요.









콘텐츠 더 읽어보기

logo

팀맥소노미

YOUR DIGITAL MARKETING HERO

비즈니스 성장을 위한 최적의 솔루션과 무료 데모 시연, 활용 시나리오를 제안 받아보세요

관련 글 보기

Amplitude Feature Experiment: 데이터 기반 실험의 시작

Amplitude Feature Experiment: 데이터 기반 실험의 시작

실험이 중요한 이유디지털 서비스를 운영하다 보면 다음과 같은 질문과 마주하게 됩니다. “이 버튼을 바꾸면 클릭률이 더 높아질까?” “새로운 기능을 모든 사용자에게 바로 공개해도 될까?” “프리미엄 사용자에게만 실험적으로 먼저 공개해보고 싶은데, 어떻게 관리하지?”대부분 경우 직감이나 내부 회의로 결정을 내리지만, 그 결과가 실제로 사용자 경험과 KPI에 긍정적인 영향을 주는지 알기 어렵습니다. 이로 인해 향후에 추가적인 실험 테스트를 수행하기 어려운 환경이 조성되어 버리기도 합니다.또한, 서비스를 운영하다보면, 서비스의 성장을 위해 여러 고민과 의사결정이 필요한 순간이 옵니다.✅ 새로운 기능을 모든 사용자에게 배포하기엔 위험할 때✅ 디자인이나 UI를 바꾸고 그 효과를 정확히 측정하고 싶을 때✅ 특정 사용자 그룹에게만 실험적으로 기능을 보여주고 싶을 때✅ 실험 결과를 클릭률, 전환율, 리텐션율 등의 지표로 분석하고 싶을 때따라서, 개발단의 리소스를 최소화하면서, 실제 사용자 데이터 기반의 결과 분석이 가능한 실험 체계를 도입할 필요가 있습니다. Amplitude Experiment는 고객에게 제공하는 기능 on/off 토글링부터 A/B 테스트, 점진적 릴리즈, 결과 분석까지 하나의 워크플로우 안에서 지원함으로써 "기능 실험 → 결과 측정 → 의사결정"을 오차없이 빠르게 수행할 수 있도록 도와줍니다.Amplitude Experiment에서는 다음 두 가지 방식으로 실험을 구성할 수 있습니다.Feature ExperimentWeb Experiment이름만 보아서는 비슷해 보이지만, 실제 사용 목적과 운영 방식에는 뚜렷한 차이가 있습니다. 이번 포스팅에서는 이중 Feature Experiment에 대해 집중적으로 알아보겠습니다.Feature Experiment: 기능 중심 실험Feature Experiment는 코드 기반으로 운영되는 실험 방식입니다. 개발자가 직접 고객에게 보여줄 화면을 만들거나 신규 기능을 구현한 후에 이것을 일부 고객들에게만 노출하고 원하는 효과를 보았는지 확인하고자 할 때 활용합니다.개발단에서는 변경된 화면이나 기능을 적용하고 예외 처리를 추가하여 특정 사용자에게만 노출될 수 있도록 구현하고, 실무자는 원하는 고객군과 모수 비율을 Amplitude 콘솔에서 언제든 수정하여 테스트를 수행 해 볼 수 있습니다.개발단 기능- 화면 구성- 조건 처리실무단 기능- 모수집단 선정, 비율 선택- 전환 목표 지정, 분석 방식 선정- 테스트 시작, 종료, 기간 선정- 실험 분석 결과 확인- Analytics로 추가 심화 분석 수행예시로 이해하는 Feature Experiment 활용1) 신규 기능 가설 세우기어느 날, 개발자가 추천 알고리즘 로직 개선 작업을 완료 하였습니다. 이 알고리즘을 서비스에 적용하면 굉장한 효과를 보여줄 것이라 기대하고 있지만, 바로 운영계에 적용하기에는 어떤 사이드 이펙트가 있을지 예상할 수 없었습니다. 가령 잘못된 상품 추천으로 고객에게 안 좋은 경험을 제공하면 이탈로 이어질 수 있죠.따라서, 전체 고객이 아닌, VIP 고객 중 10%에게만 새 알고리즘을 적용하고 클릭률, 구매율을 측정하기로 하였습니다. 결과 데이터가 나머지 고객들에 비해 5%이상 증가한다면 전체 사용자에게 확대 배포하는 거죠.2) 개발단 작업처음 실험을 진행하는 것이라면 Amplitude Experiment SDK를 적용하는 작업이 필요합니다. 신규 추천 알고리즘은 이미 개발 완료된 상황이고 SDK 적용은 큰 시간이 소모되지 않기 때문에 거의 바로 실험 진행이 가능합니다.(Amplitude Experiment SDK 라이브러리 탑재 및 초기화 후 고객마다 서로 다르게 제공하고자 하는 위치에서 조건문(if)을 구성)Android 적용법1. 라이브러리 추가 (build.gradle에 dependencies 추가)2. 초기화 (Application단에서 초기화)3. 현재 사용자의 experiment 관련 정보 수신4. 고객이 보유한 flag 값에 따라 제공 여부 결정( 새로운 추천 알고리즘이 제공될 10%의 VIP 고객은 "on"으로, 그 외 고객들은 모두 "off"로 적용)3) Amplitude 설정(Experiment UI 구성)3-1) Deployment 생성하기운영하는 서비스는 여러 환경으로 구분되어 있습니다.개발계(development) / 내부 QA 테스트 수행 환경(staging) / 운영 환경(production)Android, iOS, Web 등 제공 플랫폼 환경실험을 진행하고자 할 때, 특정한 환경에서만 진행하실 수도 있고, 여러 환경에서 동시에 진행해 보실 수도 있을 겁니다. 이 때, 어떤 환경에 실험을 배포할 것인지를 정의할 수 있도록 "Deployment"라는 작업이 필요합니다.하나의 프로젝트 내에서 배포할 환경마다 각각의 Deployment를 생성해주시면, 실험을 진행할 때, 이 실험을 어떤 환경에만 배포할지 지정할 수 있습니다.Experiment > Deployments 화면에서 제공하는 “Create Deployment”를 클릭하고 배포할 환경의 이름과 프로젝트를 선택하면 바로 Deployment 생성이 가능합니다.3-2) Experiment 생성하기이제 기본적인 세팅은 모두 완료 되었으니 실험을 만들어 볼 수 있습니다!Experiment > Experiments 메뉴에서 새로운 실험명과 사용할 키 값을 정하신 후 생성(Create)합니다.4) 실험 설계4-1) 목표 설정하기실험을 만들 때 가장 먼저 생각해야 할 부분은 "목표" 설정 입니다. 실험을 한다는 것은 결국, 무언가를 더 좋게 만들기 위해서이기 때문에, 반드시 “이 실험을 통해 무엇이 좋아지기를 기대하는가?”에 대한 기준이 필요하며, 그것이 바로 목표 설정입니다. 우리가 설정한 목표를 달성했는지 여부를 가지고 이번 실험의 성공 여부를 파악해 보실 수 있겠지요.목표는 기존에 만들어 두었던 지표를 선택하실 수도 있고, 원하는 목표를 새롭게 생성하실 수도 있습니다.Unique, Event Total, Conversion 등 분석에서 활용해 보셨던 다양한 지표 옵션을 기반으로 목표 설정이 가능한데, 이번 실험에서는 클릭율이 5% 이상 증가하는 것을 목표로 잡았기 때문에, "화면 진입 > 버튼 클릭"으로의 전환율이 5% 이상 상승하는 것을 목표로 설정했습니다.4-2) 대안(Variant) 등록하기비교 테스트를 진행할 때, 대안은 하나일 수 있지만 여러 개가 있을 수도 있습니다. "내가 테스트하고 싶은 기능의 버전은 몇 가지이며, 각각 어떤 차이가 있을까?" 테스트 하고자 하는 대안의 수 만큼 Add a Variant 옵션으로 추가하여 정의할 수 있습니다. (단, 너무 많은 Variant는 분석을 어렵게 하므로 2~4개 이내를 권장합니다.)각 Variant의 Value 값은 SDK에서 분기 처리에 사용(e.g. variant.value)되므로 개발단에서 미리 지정하신 값이 있을 경우, 해당 값으로 기입되어야 하며, 미리 정의되어 있지 않았다면 여기에서 정의하시는 값으로 개발단의 코드 작업이 수행되어야 합니다.※Value 값이 수정될 경우, 앱의 재배포가 필요하므로 처음 생성 시 Amplitude에서 허용하는 명명규칙(숫자, 영문, 언더스코어, 하이픈만 허용)을 참고하시어 향후 변경하지 않을 값으로 지정이 필요합니다.4-3) 고객 그룹(Targeting) 정의하기[Audience]실험에 활용할 대안을 등록했다면, 누구를 대상으로 실험을 진행할 것인지 모수 집단을 선택하실 수 있습니다. All Users를 선택하여 전체 고객을 모수 집단으로 선정할 수 있으며, Target Users를 선택하여 특정 모수집단을 Segment로 정의할 수 있습니다.[Distribution]선정한 모수 집단을 각 대안에 어느 정도 비율로 할당 할것인지 지정할 수 있습니다. 기본 옵션인 evenly distribute로 동일한 비율로 지정하는 것을 권장 드리며, 원하실 경우 Customize 옵션으로 수동 설정이 가능합니다.(control로 할당되는 고객들은 실험에 참여는 하지만 실제로는 변경된 대안 UI가 노출되지 않는 그룹으로써, 대조군의 역할을 수행합니다.)[Rollout]지정하신 모수 집단 전체를 대상으로 실험을 수행하실 수도 있으나 그 중 일부를 대상으로만 진행하는 것도 가능합니다. Rollout 설정을 통해 전체 모수 집단 중 몇 %에 해당하는 고객들을 대상으로 실험을 진행할 것인지 범위를 지정할 수 있습니다.(Control vs. Rollout: control에 포함된 고객은 실험에 포함되어 향후 결과 분석 시 대조군 역할을 하지만, Rollout에서 제외된 고객은 실험 자체에 포함되지 않으므로 결과 또한 추적되지 않습니다.)5) 전달 구성5-1) Flag & Evaluation 정의Flag는 실험을 식별하는 고유 식별자로써, 실험을 생성하시는 시점에 key 항목으로 기입한 정보를 확인하실 수 있으며, 실험 시작 전까지는 변경이 가능합니다. 이 값은 SDK에서 실험 정보 요청에 사용(e.g.FLAG_KEY) 되므로 개발단에서 미리 정하신 값이 있다면 그 값으로, 없다면 여기에서 정의된 값으로 개발단의 코드 작업이 수행되어야 합니다.Evaluation Mode는 고객이 어떤 대안에 해당 되는지를 어디에서 계산할 것인지 선택하는 항목입니다. 일반적으로는 Amplitude에 수집된 정보를 실시간으로 확인하여 결정되나, 실시간 검토 방식은 통신 상의 약간의 딜레이(0.1~1초)가 발생하므로, 고객에게 즉각적으로 노출되어야 하는 UI에 대해서는 로컬에서 계산하는 방식을 선택하실 수도 있습니다.5-2) 배포 환경(Deployment) 선택지금까지 작성한 실험을 어떤 환경에 배포 할 것인지를 선택합니다. 특정 플랫폼이나 개발환경에만 적용하고자 하실 경우, 해당하는 deployment만 선택하여 배포가 가능합니다.6) 실험 시작모든 세팅을 완료했다면, 우측 상단 버튼을 이용하여 각 플랫폼 별로 적용할 수 있는 샘플 코드를 확인할 수 있습니다. 개발 담당자에게 해당 정보를 전달하여 적용을 요청할 수 있습니다.실험을 고객들에게 배포하기 전, 미리 등록해 둔 테스터만을 대상으로 선행적으로 배포가 가능하며, 예약 실행이나 feature flag만 활성화하고 실험 분석은 수행하지 않는 등 여러 옵션을 정의해 보실 수 있습니다.모든 사항의 확인이 완료되었다면, 최종적으로 Start Experiment를 클릭하여 실험 시작이 가능합니다. 실험을 종료할 때에는 초기 버전으로 롤백을 할 것인지, 아니면 특정 대안( Variant )으로 적용할 것인지 선정하여 실험을 마칠 수 있습니다.실험이 진행되는 동안 발생한 실험 참여(Assigentment), 실험 노출(Expouse) 및 목표로 잡은 정보들은 모두 고객별 프로필에 저장되므로 이를 기반으로 심층 분석(Analytics)을 바로 수행해 볼 수 있습니다. 또한, 처음 목표로 잡았던 것 이외에도 각 그룹별로 어떠한 변화가 있었는지 수집된 데이터를 기반으로 분석이 가능합니다.실험과 분석을 하나의 플랫폼 안에서실험과 데이터 분석은 이제 더 이상 따로 작업할 필요가 없습니다. 기존 A/B 테스트 도구들이 단순히 실험을 “실행”하는 데 집중했다면, Amplitude Feature Experiment는 실험 설계부터 분석, 최종 반영까지 추가적인 개발단 작업없이 한 번에 처리할 수 있는 실험 플랫폼 체계를 제공합니다.CUPED, Sequential Testing, Bonferroni 등 실험의 정확도를 높이는 기능이 기본으로 탑재되어 있어, 적은 트래픽으로도 빠르게 유의미한 결론을 얻을 수 있으며, Amplitude Analytics와 완벽히 연결되어 언제든 전환율,리텐션, 코호트 분석 등 심층적인 결과 분석을 바로 이어나갈 수 있습니다.또한 클라이언트 배포 없이, 서버-사이드 실험 연동을 지원하므로 고객들에게 끊김없는 실험 환경 제공이 가능합니다. 제품의 성과를 빠르게 검증하고, 그 결과를 정확히 해석해 다음 의사결정으로 이어가고 싶다면, Amplitude Feature Experiment는 더없이 강력한 선택이 될 것입니다.Feature Experiment 활용에 도움이 필요하나요?팀 맥소노미 Amplitude 도입문의 바로가기 콘텐츠 더 읽어보기A/B테스트 개념과 데이터 분석 방법🔍Amplitude 실험 전략 가이드북A/B테스트 마케팅 실전 가이드북

데이터 기반 UX 분석 개념과 방법 🎨

데이터 기반 UX 분석 개념과 방법 🎨

데이터 기반 UX 분석이란?User experience(UX) 분석은 데이터를 사용하여 사용자의 경험을 측정하고, 인사이트를 얻어 유저 경험을 개선하는 과정을 말합니다. 일반적으로 앱, 게임, 웹사이트, 소프트웨어 같은 종류의 제품에 적용되죠.UX 분석에 사용할 수 있는 데이터는 다양합니다. 앱이나 웹사이트에서 보내는 시간, 클릭하는 요소, 가장 많이 사용하는 기능, 구매한 내역 등 거의 대부분의 요소가 가능하죠. 심지어 '행동의 부재'도 분석 대상이 될 수 있는데요. 예를 들어 사용자가 장바구니에 담은 물건을 구매하지 않았거나, 링크 위에 커서를 올려놓았지만 클릭하지 않은 것도 UX분석의 대상이 될 수 있습니다.가계부 관리를 하고자 하는 사람 A가 있고, 우리는 가계부 앱을 서비스하는 기업이라고 가정해 봅시다. 우리는 A가 가계부 앱을 검색하고 우리 앱을 다운로드하고, 체험판에 가입하고, 은행 계좌나 신용카드와 같은 정보를 연동하기를 원할 것입니다. 그리고 체험판이 끝나면 유료 구독까지 전환되기를 희망하죠.이걸 '사용자 여정'이라고 부르며, 각 여정마다 사용자가 다음 여정으로 계속 진행할 수 있도록 좋은 사용자 경험을 제공해야 할 것입니다. 만약 여정을 완수하지 못하는 사용자가 있다면, UX 분석을 통해 어디서, 왜 이탈했는지 이해하고 궁극적으로 미래에 사용자 경험을 어떻게 개선할 수 있을지 힌트를 얻을 수 있습니다.UX 분석 대상구체적으로 어떤 데이터를 분석하고 지표를 측정할지는 제품이나 상황에 따라 천차만별입니다. 그렇기 때문에 이번 포스팅에선 비즈니스 의사결정까지도 활용할 수 있는 굵직한 주요 UX 데이터 지표를 중심으로 설명드리겠습니다. 해당 지표를 기반으로 어떤 최적화된 지표를 측정해볼 수 있을지 고민해보면 좋을 것 같습니다.응답 시간: 응답 시간은 페이지나 앱이 얼마나 빠르게 로딩되는지에 대한 지표입니다. 우리 생각보다 사용자들은 로드되는 시간을 오래 기다리지 않습니다. 몇 초만 버벅이면 바로 이탈하죠.신규 및 재방문자 수: 신규 및 재방문자 수는 얼마나 효과적으로 사용자를 유치(Acquisition)하고 유지(Retention)하는지에 대한 지표입니다. 신규 방문자 수가 증가하지 않는다면, 마케팅 전략을 다시 검토해야 하며, 재방문자 비율이 낮다면, 제품 경험을 검토해야 합니다. 재방문자 비율에 문제가 있는 경우에는 리텐션 분석을 더 깊게 수행하여 재방문한 사용자와 이탈한 사용자 간의 행동 차이를 확인하는 것이 좋습니다.세션 길이: 세션 길이는 사용자가 제품을 얼마나 오래 사용하는지를 측정하는 지표입니다. 세션 시간이 길수록 좋을 것 같지만, 제품에 따라 그렇지 않을 수도 있습니다. 만약 뉴스 앱이라면 긴 세션 시간은 사용자가 적극적으로 참여하고 있다는 긍정적인 신호일 가능성이 높죠. 반면, 현금 송금 앱이라면 긴 세션 시간은 사용자가 원하는 작업을 수행하는 데 어려움을 겪고 있다는 신호일 수 있습니다. 이처럼 세션 길이 지표는 제품의 특성에 따라 사용자 경험을 유연하게 판단해야 합니다.세션당 페이지 수: 세션당 페이지 수는 한 세션 동안 방문하는 총 페이지 수를 의미합니다. 세션 길이와 마찬가지로 많은 페이지를 방문하는 것이 좋을 수도 있고 나쁠 수도 있습니다. 사용자가 제품에 깊게 몰입하여 사용하는 것일 수도 있지만, 원하는 답을 찾지 못해 이리 저리 방황하는 것일 수도 있습니다. 만약 후자라면, 더 적은 클릭으로 원하는 답을 쉽게 찾을 수 있도록 개선해야 합니다.전환율: 고객 여정의 각 여정에서 상위 여정으로 넘어가는 비율을 전환율이라고 합니다. 만약 광고 단계에서 클릭률, 즉 전환율이 높지 않다면 메시지를 조정해야 하는 등의 방법을 사용해야 합니다. 사용자가 앱을 다운로드했지만 유료 고객으로 전환되지 않는다면, 온보딩 과정을 조정하여 전환율을 높일 수 있습니다. 전환율은 사용자의 행동을 분석하고 제품 개선 방안을 찾는 데 중요한 역할을 합니다.과제 성공률과 과제 수행 시간: 제품이 사용하기 쉬운지 여부를 가장 명확하게 보여주는 지표가 바로 과제 성공률과 과제 수행 시간입니다. 여기서 말하는 '과제'는 서비스의 주요 사용 목적이나 기능을 말하는데요. 배달 앱 사용자가 음식 주문을 하려하는 데, 주문 방법을 몰라 한참을 헤매거나 주문 과정 자체가 너무 오래 걸린다면, 인내심을 잃고 앱을 이탈할 것입니다. 해당 지표를 통해서, 제품의 핵심 과제에 집중하고, 이러한 과제를 완수하는 과정을 자연스럽고 직관적이며 간단하게 만들어야 합니다.사용자 정착률(Stickiness): 정착률은 일일 평균 사용자 수(DAU)를 월간 평균 사용자 수(MAU)로 나누어 측정합니다. 이 지표는 사용자가 평균적으로 한 달에 며칠 동안 제품을 사용하는지 보여줍니다. 매일 접속하긴 바라는 게임과 같은 비즈니스에 특히 유용합니다. 하지만 모든 비즈니스에 적합한 지표는 아닙니다. 가령 비행기 예매 앱같은 경우 사용자 정착률이 크게 의미 있진 않겠죠.내비게이션 vs 검색 비율: 사용자가 제품을 탐색하는 데 검색 창에 지나치게 의존한다면, 이는 제품 디자인이 직관적이지 않다는 신호일 수 있습니다. 사용자가 최소한의 클릭으로 원하는 것을 빠르게 찾을 수 있도록 다양한 레이아웃, 구조, 구성 방식을 실험해 보아야 합니다.기능 참여율: 기능 참여율은 기능이 얼마나 자주 사용되는지를, 제품을 열어본 사용자 수로 나누어 측정한 지표입니다. 기능 참여율과 리텐션 분석을 결합하면, 특정 기능을 사용하는 사용자가 유지될 가능성이 어떤지 확인할 수 있습니다. 중요한 기능이 거의 사용되지 않는다면, 해당 기능을 더 눈에 띄게 UI를 조정할 필요가 있을 수 있습니다. 사용자에게 해당 기능을 알려주는 알림이나 이메일을 보내는 방법도 고려할 수 있겠죠.고객 이탈률: 고객 이탈률은 [(월초 고객 수) - (월말에 남아 있는 고객 수)] / (월초 고객 수) 입니다. 예를 들어, 6월 초에 100명의 고객이 있었고 6월 말에 90명의 고객이 남았다면, 이탈률은 10%가 됩니다. 고객의 충성도와 이탈을 평가하고 필요한 개선을 도출하는 데 중요한 지표입니다.UX 디자인과 데이터 분석 간의 관계UX 디자인은 단순히 제품을 예쁘게 만드는 것이 아닙니다. 제품을 자연스럽게 사용할 수 있도록 설계하고, 사용자의 기대를 뛰어넘는 결과를 제공해 그 제품에 매력을 느끼게 만드는 것이 목적입니다. 이를 위해서는 예술적 감각뿐만 아니라, 과학적인 데이터 분석과 테스트 과정이 필수적입니다. 데이터를 사용해 인사이트를 얻고 이를 바탕으로 가설을 세운 후, UX 디자인 테스트를 통해 이 가설을 증명해야 합니다.예를 들어, 운동화 회사의 제품 관리자가 재구매율이 낮다는 사실을 발견했다고 가정해 봅시다. 데이터에 따르면 대부분의 고객은 10개월마다 신발을 구매합니다. 관리자는 고객이 10개월 후에 자동 리마인더를 받으면 재구매율이 높아질 것이라고 가정합니다.이후 제품 팀은 마케팅 팀과 협력하여 이메일과 같은 메시지를 다양한 고객 그룹에 대해 A/B 테스트하여 재구매율을 높일 수 있는지 실험할 수 있습니다.UX 분석 대시보드 만들기UX 분석과 개선 과정에는 조직 전체의 의사 결정이 필요한 경우가 많습니다. 때문에 조직 내에서 원활한 정보 공유와 통일된 접근 방식이 필요합니다. 이때 필요한 것이 분석 대시보드입니다.좋은 UX 분석 대시보드는 중요한 지표들을 맨 위에 배치합니다. 일일 대시보드에는 세 가지 또는 네 가지 이상의 지표가 포함되지 않도록 하여, 대시보드 확인이 복잡하지 않도록 해야 합니다. 또한 지표는 비즈니스 목표와 직접 연결되어야 하며, 대시보드의 첫 번째 항목을 보면 비즈니스의 상태를 간략하게 확인할 수 있어야 합니다. 그 아래에는 대시보드에 다양한 시간대를 포함시켜, 즉각적으로 해결해야 할 문제와 중장기적인 데이터의 추세를 구분할 수 있는 것이 좋습니다.마치며사용자 경험은 제품 성공 또는 실패에 중요한 역할을 합니다. 사용자가 제품에 대해 느끼는 것을 파악하는 일은 데이터 분석가뿐만 아니라 조직 전체에서 이루어져야 합니다. 조직 내 모든 사람들이 해당 데이터를 활용해 사용자 행동에 대한 질문에 신속하게 답할 수 있어야 합니다. UX 분석과 대시보드의 적절한 활용은 비즈니스 성장과 제품 개선에 크게 기여할 수 있습니다. 대표적으로 Amplitude와 같은 솔루션을 이용한다면, 이런 데이터를 손 쉽게 측정하고 관리하고, 또 대시보드를 구성할 수 있습니다. UX 데이터 분석에 대해서 더 깊은 인사이트를 얻고 싶다면 맥소노미 홈페이지에 올라온 다양한 가이드북을 확인해보세요.콘텐츠 더 읽어보기리텐션 최적화 디자인 설계[세션 스케치 | 올리브영] 행동 데이터로 고객을 보다, '올리브영의 데이터 리터러시 향상부터 서비스 개선까지'Canvas Flow로 고객이 만족하는 여정 설계하기

[FAQ] GA에서 Amplitude로 전환하기

[FAQ] GA에서 Amplitude로 전환하기

구글의 유니버설 애널리틱스(Universal Analytics) 지원이 중단되면서, 많은 기업에서 Amplitude에 대한 문의를 주셨는데요, 이번 포스팅에서는 유니버설 애널리틱스(이하 UA) 지원 종료와 관련하여 Amplitdue에 대해 가장 많이 궁금해하셨던 질문과 그에 대한 답변을 알아보겠습니다!Q1. UA에서 Amplitude로 이전하기, 많이 어려운가요? 😔UA을 사용하던 많은 고객들이 패닉에 빠졌습니다. UA 서비스 종료가 너무 예상치 못한 일이었고, UA에서 GA4로 넘어가는 프로세스도 그렇게 간단하지 않았거든요.웹 사이트 분석을 주로 진행하신 경우에는 GTM(Google Tag Manager : 구글 태그 매니저)을 기반으로 Amplitude로 넘어오는 방법을 추천합니다. UA를 사용했다면, GTM을 통해 데이터 레이어를 공급했을텐데요. Amplitude의 무료 GTM 템플릿을 활용한다면, 기존에 UA에서 작업한 모든 데이터를 손쉽게 이관하여 Amplitude 안에서 확인할 수 있습니다. 이후엔 Amplitude에서 이벤트와 속성(property)을 설정하고, 새로운 규칙을 GTM에 추가하기만 하면 됩니다! 뭔가 복잡해보이지만, 실제론 몇 시간만에 끝낼 수 있는 간단한 작업입니다.툴을 활용한 방법도 있는데요. API를 기반으로 UA의 분류체계(Taxonomy)를 Amplitude로 손쉽게 옮기는 툴이 존재합니다.(Amplitude의 제휴사인 BlastX와 함께 만들었습니다) Amplitude의 국내 공식 리셀러인 Team MAXONOMY에서도 이와 관련된 상담과 기술지원을 아끼지 않고 있습니다.😉모바일 앱 분석을 주로 진행하셨던 고객은 GA SDK나 Firebase SDK를 Amplitude SDK로 교체해야합니다. 아무래도 웹 사이트보다는 복잡한데요. 이런 경우에는 Amplitude 사용법을 먼저 익힐 수 있도록, 앱과 연결된 웹 사이트 분석부터 시작하는 것을 추천드립니다. Amplitude는 하나의 프로젝트 안에서 웹/앱 데이터를 결합하여 분석할 수 있기 때문에 크게 걱정하실 필요 없습니다.Amplitude는 UA보다 훨씬 높은 호환성을 자랑합니다. Segment, mParticle, RudderStack 등의 CDP에서 얻은 데이터부터, 자체 개발한 데이터 수집기의 데이터까지 Amplitude에서 활용 가능합니다. 뿐만 아니라 BigQuery나 Snowflake와 같은 데이터 웨어하우스와도 통합 가능합니다.Q2. 이커머스 분석도 가능한가요? 📋UA는 'Enhanced Ecommerce(향상된 전자상거래)'라는 기능을 제공하는데요. 이 기능을 유용하게 사용한 고객이 많을 것 같습니다. Enhanced Ecommerce를 사용하면 이커머스 방문자가 얼마나 자주 제품을 검색하고, 장바구니에 담고, 구매하는지를 알 수 있죠.👓 또한 이커머스에서 판매되고 있는 각 제품을 트래킹할 수 있도록, 제품마다 자체적인 데이터셋을 제공합니다.당연히 Amplitude로도 이 모든 기능을 사용할 수 있습니다! 다만, 구현 방법을 정확히 규정하지 않는다는 점, 특정 레포트(혹은 매트릭스)를 자동으로 형성하지 않는다는 점이 다릅니다. UA처럼 따로 세팅하지 않아도 레포트가 미리 형성되는 기능은 매력적이긴 하지만 이는 UA가 규정한 데이터 분석 인사이트만 발견하게 될 위험이 있습니다. 그럼에도 UA에서 받아보던 레포트가 편하다면, 베스트 프랙티스(Best Practice) 기능을 통해 UA에서 사용하던 이벤트를 그대로 복사하고, 맞춤 수정까지 하여 레포트를 받으실 수 있습니다.또한, UA에는 하나의 측정기준 배열만 가능한 반면에, Amplitude에서는 무제한의 측정기준 배열이 가능합니다. 언제든지 하위 측정기준(속성)을 트래킹할 수 있다는 거죠!Q3. 마케팅 채널과 캠페인을 트래킹할 수 있나요?🙋‍♂️UA를 사용의 주 목적은 아무래도 퍼포먼스 마케팅일 것입니다. '마케팅 유입 분석'은 UA의 핵심이라고 할 수 있죠. 마케터들이 보통 사용하는 UA의 주요 기능은 다음과 같습니다. 유입 채널(Acquisition Channels): 고객 유입 채널을 추적하고, 적합한 세션과 이벤트와 연동할 수 있습니다.멀티 터치 어트리뷰션(Multi-Touch Attribution): 마케팅 채널 및 캠페인에 다양한 어트리뷰션 모델을 할당하여, 채널 및 캠페인의 성과를 측정할 수 있도록 해줍니다.광고 네트워크 통합(Advertising Network Integraton): 광고 노출, 광고 클릭, 캠페인의 광고 비용 등 통합적인 마케팅 지표를 확인할 수 있습니다.광고 네트워크 오디언스 공유(Ad Network Audience Sharing): 캠페인 또는 리타게팅을 위해 고객 세그먼트를 광고 네트워크와 연동할 수 있습니다.Amplitude는 유저 유입 후의 웹/앱 사용을 분석하는 데 강점있었습니다. 하지만 유입 채널, 멀티 터치 어트리뷰션, 광고 네트워크 통합 기능을 최근 추가하였고, UA에서 이용 가능했던 기능을 최대한 이용할 수 있게 노력했습니다. 예들 들어, 구글 검색광고, Bing 검색 광고 등의 채널별로 유입되는 유저 수를 확인 할 수도 있고 랜딩 페이지, 페이지 이탈률 등을 볼 수도 있습니다.또한, UA에서 멀티 터치 어트리뷰션을 트래킹할 수 있는 기간이 90일로 제한되어있는 반면, Amplitude에서는 제한없이 원하는 기간만큼 트래킹 가능합니다. 게다가 UA가 제한된 영역에서만 어트리뷰션 모델을 할당할 수 있는 반면, Amplitude에서는 모든 영역에 어트리뷰션을 적용할 수 있습니다. (GA4에서도 지원되지 않는 기능입니다!😉)구글 애즈(Google Ads)와의 호환성도 걱정할 필요 없습니다. 구글 애즈의 광고 노출, 클릭, 비용, 캠페인 등의 정보를 불러올 수 있도록 시스템이 구축되어있습니다.Q4. Amplitude에서 Google Ads로 유저 정보를 넘길 수 있나요?🧑‍🚀UA의 장점 중 하나는 Google Ads와의 연동성이 좋다는 점입니다. UA의 고객 세그먼트를 Google Ads에 연동하여 광고에 활용할 수 있죠. 그러나 이 기능은 Google Signals를 사용해야만 이용 가능합니다. Google Signals는 고객 사생활 침해의 우려가 있어 많은 국가(특히 유럽)에서 금지된 기능입니다. 즉 몇몇 국가에서는 UA와 Google Ads의 연동 기능을 사용할 수 없습니다.*Google Signals : 익명 사용자를 식별할 수 있는 기능 (옵트 아웃 방식으로 수집한 개인 정보는 제외)Amplitude는 많은 파트너사와의 협력을 통해 Google Ads와 같은 광고 플랫폼에서 고객 세그먼트를 이용할 수 있는 합법적인 방법을 마련해두었습니다. 즉, Google Ads가 문제 없이 호환된다는 거죠! Google Ads뿐만 아니라 다양한 광고 플랫폼과도 호환됩니다.🤗Q5. Amplitude에도 통합 테스트 기능이 있나요?👩‍🔬Google의 무료 테스트 플랫폼인 Google Optimize의 서비스가 종료되었습니다. 테스트는 데이터 분석의 핵심입니다. 데이터를 통해 인사이트를 얻는 데에 그치지 않고, 테스트를 거쳐 이 인사이트가 정말 유의미한 것인지 확인하는 작업이 필요합니다.Amplitude는 이미 2년 전에 Amplitude Experiment라는 통합 테스트 기능을 출시했습니다. Amplitude Experiment에서는 기능 플래그(feature flagging), A/B 테스트 등 다양한 실험 기능을 사용할 수 있습니다. Amplitude Experiment가 무료는 아니지만, Amplitude Analytics와 사용하면 분명 엄청난 시너지 효과를 볼 수 있습니다.Q6. Amplitude에는 데이터 제한 요소가 없나요? 👨‍💻UA 및 GA4는 확장성, 데이터 샘플링, 측정 기준, 계량 분석에서의 제약 사항이 굉장히 큰 편입니다. 제약 사항을 정리하면 다음과 같습니다.마케팅 어트리뷰션의 전환 추적을 90일로 제한속성(property) 당 이벤트 범위 커스텀 측정 기준 125가지로 제한속성 (property) 당 사용자 범위 측정 기준 100가지로 제한Enhanced Ecommerce 한 가지 측정 기준으로만 배열 가능이벤트 및 이벤트 파라미터의 이름 40자로 제한이벤트 속성 값 이름 100자로 제한사용자 속성 값 이름 36자로 제한사용자 ID 값 256자로 제한페이지 위치 값 1,000자로 제한사용자 기반 세그먼트 활용 시, 리포트 범위 93일로 제한탐색 리포트는 최대 5가지 측정 기준, 10가지 계량 분석, 500줄의 데이터로 제한새로운 계량 분석/측정 기준을 위한 대기 시간 24시간데이터 백필(backfill) 72시간 제한Looker Studio에 대한 API 할당량 제한이외에도 UA와 GA4엔 크고 작은 제한 사항이 많습니다. 유료 버전이 이정도니, 무료 버전은 훨씬 심각하겠죠. 때문에, 대형 웹/앱에서는 Amplitude를 더 선호합니다. Square, PayPal, Doordash와 같은 고객사들은 GA4가 처리할 수 없는 데이터 볼륨을 가지고 있어, Amplitude를 선택하였습니다.물론 GA4를 사용하더라도 BigQuery나 Looker Studio를 사용해서 더 복잡한 쿼리를 실행할 수도 있습니다. 하지만 이런 툴을 활용하려면 SQL이나 BI 사용법을 또 배워야합니다. 일반적인 마케팅이나 프로덕팀에게는 부담스러울 수 밖에 없죠🤦‍♀️Amplitude를 사용하면 가장 기초적인 활용부터 아주 복잡한 수준의 활용까지 동일한 인터페이스로 처리합니다. 배우고 활용하기 매우 쉽다는거죠! 물론 BigQuery, Snowflake, Redshift 등으로 데이터를 전송할 수도 있습니다. 위에서 언급한 수 많은 제약 사항들도 신경쓸 필요없고, 거의 모든 크기의 데이터셋도 적용 가능합니다!Q7. 프라이버시 문제는 없나요?👮‍♀️유럽에는 GDPR(General Data Protection Regulation: EU의 일반 개인정보 보호법)이라는 강력한 법률이 존재합니다. 이 법안으로 인해 GA4는 몇몇 유럽 국가들에서 프라이버시에 관한 비난을 받고 있으며, 심지어 '불법'을 자행하고 있다는 이야기도 들려옵니다. 이번 포스팅에서 해당 법안에 대한 상세한 설명을 할 순 없지만, 확실한 점은 Amplitude가 GA4에 비해 프라이버시 문제에서 훨씬 자유롭다는 점입니다.Q8. Amplitude만의 기능도 소개해주세요! 👩‍🏫Amplitude만의 차별화된 기능은 너무나도 많습니다!! 주요한 기능 몇 개만 살펴보겠습니다.협업 및 데이터 스토리텔링 : Amplitude는 디지털 분석을 팀 스포츠처럼 만들어야한다고 생각합니다. 그렇기 때문에 비디오, 이미지, 차트, 그래프, 리치 텍스트(rich text) 그리고 주석까지 모두 '노트북(Notebooks)'이라는 하나의 공간에서 공유할 수 있도록 하고 있습니다. '노트북'안에는 토론 스레드가 있어, 팀원들의 분석결과와 생각까지 공유할 수 있습니다. slack, jira, notion, miro를 사용한다면, 연동하여 활용할 수도 있습니다.컨버전 퍼널 : UA에도 컨버전 퍼널이 있긴 하지만, Amplitude의 컨버전 퍼널과 비교가 되지 않습니다. Amplitude의 컨버전 퍼널은, 머신 러닝 기술을 적용하여, 고객이 이탈할 것같은 조건이 감지되면 미리 알림을 주어 예방할 수 있도록 합니다.리텐션 레포트 : UA의 리텐션 레포트는 기초적인 기능만 제공하지만, Amplitude의 리텐션 레포트는 훨씬 더 많은 정보를 제공합니다. 새로운 고객, 현재 고객, 활성화된 고객, 휴면 고객을 표시하는 고객생애주기 보고서부터, N-Day 리텐션, 언바운디드 리텐션 (특정 날짜를 포함하여, 그 이후에 돌아온 고객) , 리텐션 추이 등을 제공합니다. 또한 UA에서 리텐션 레포트를 작성하려면, SQL을 통해 20개 이상의 배열을 수동으로 작성해야하지만, Amplitude에서는 외부 툴을 사용할 필요없이 간단한 인터페이스를 통해 레포트를 만들어낼 수 있습니다.데이터 거버넌스 : Amplitude는 데이터 거버넌스 회사를 통째로 인수할 정도로 데이터 거버넌스에 진심입니다. 데이터 트래킹 플랜을 작성하고, 데이터 품질 이슈를 찾아내고, 데이터의 스파이크(spike)나 갭(gap)을 관찰할 수 있는 기능을 제공합니다. 또한, 사용자가 중복 세그먼트나 메트릭스를 생성하지 못하도록 방지하여, 세그먼트나 메트릭스가 급증한다거나, 분석에 방해가 되지 않도록 합니다.고객 지원 : UA의 경우, 교육 및 지원을 외부 기업에 위임합니다. 반면, Amplitude는 직접 고객 지원을 하죠. CSM(Customer Success Manager : 고객 성공 관리자)가 배정되어서 전문적이고 정기적인 지원을 받을 수 있습니다. 필요한 경우에는 Amplitude 활용에 대한 대면 교육도 신청할 수 있죠.Q9. 전문가는 어떤 제품을 더 추천하나요?👩‍⚖️케임브릿지의 리서치 기업 Forrester에서 발행한 '2022 Digital intelligence platform wave report'를 살펴보면, 제공 가치와 비전 부문 둘다 Amplitde가 UA 및 GA4보다 뛰어나다고 평가받고 있음을 확인하실 수 있습니다!콘텐츠 더 읽어보기GA4 vs Amplitude 비교하기UA서비스 중단 대처 가이드북[FAQ] 구글 UA 종료 & GA4 전환에 대해 궁금한 모든 것

고객 행동기반 코호팅 가이드

고객 행동기반 코호팅 가이드

코호트 알아보기

월별 성장이란 무엇입니까?


월별 (MoM) 성장은 특정 메트릭 값의 변화를 전월 값의 백분율로 표시합니다.

월별 성장은 월별 수익, 활성 사용자, 구독 수 또는 기타 주요 지표의 성장률을 측정하는 데 자주 사용됩니다. 모바일 앱, SaaS 제품 또는 웹 사이트와 같은 디지털 제품을 작업하는 경우 MoM 활성 사용자 증가에 관심이 있을 것입니다. 이는 제품 또는 회사의 성장과 성공에 대해 이야기하는 가장 일반적인 방법입니다.







MoM 성장률을 계산하는 방법


한 달 동안의 월별 성장을 계산하려면 이번 달의 총 사용자 수와 지난 달의지난달의 총 사용자 수의 차이를 취한 다음 이를 지난달의 합계로 나누면 됩니다. 

동일한 공식을 사용하여 주별 성장 또는 전년 대비 성장을 계산할 수 있습니다. 한 달 동안의 성장률을 계산하는 대신 6개월 동안의 MoM 성장률을 계산하고 싶다고 가정 해 보겠습니다. CMGR (월간 복합 성장률) 을 계산하려는 경우입니다.

관련 자료 : 활성 사용자는 누구입니까? 사용자 분석을 위한 전략






Compound Monthly Growth Rate (CMGR) 공식

CMGR은 해당 기간 동안 매달 일정한 속도로 성장한다고 가정하여 특정 기간 동안의 성장률을 설명합니다. 활성 사용자가 다음과 같이 증가했다고 상상해보세요.



CMGR을 계산하려면 위의 숫자를 다음 공식에 대입합니다.


예를 들면 다음과 같습니다.



CMGR은 월별마다 다르지만 위의 전체 기간 동안 20%입니다. 예를 들어 1월부터 2월까지의 MoM 성장률은 10%에 불과한 다음 2월부터 3 월은 36%로 점프합니다. CMGR을 사용하면 1월부터 6월까지 매달 일정한 성장률로 성장하고 있다고 가정합니다. 이 예에서 이는 다음을 의미합니다.



이제 다음 단계로 넘어갑시다.위에서 과거 기간 동안 CMGR을 계산했습니다. 5개년 사업 계획을 세우고 사업이 어떤 모습 일지에 대한 프로젝트를 계획한다고 가정해 보겠습니다. 이대로라면 2022년 12월까지 활성 사용자 수는 5십만 명을 넘을 것입니다.








피해야 할 MoM 성장과 관련된 3가지 일반적인 실수


성장 모델을 구축할 때 부주의한 실수를 하는 것은 생각보다 흔합니다. 다음은 MoM 데이터 작성 시, 저지르는 3가지 일반적 실수입니다.



1. MoM 성장으로 모델링 된 작은 절댓값 


앱이나 제품의 사용자 수가 적으면, MoM 달성을 훨씬 쉽게 이룰 수 있습니다. 즉, 적은 수의 MoM 성장에 대한 내러티브를 구성하는 것이 더 쉽고 비즈니스가 성장함에 따라 그 비율을 유지하기가 더 어렵습니다.



이 예에서는 2018년 1월부터 2018년 6월까지 매월 20% 의 성장을 경험하고 있습니다. 하지만 절대 수치로 보면 100명의 활성 사용자에서 249명의 활성 사용자로만 증가하는 것입니다. 여기서 문제는 이 비율 증가가 확장되지 않는다는 것입니다. 한 번의 언론 멘션으로 100 명에서 120 명의 월간 활성 사용자 확보는 쉽게 할 수 있습니다. 그러나 한 달에 활성 사용자가 1,000,000명에서 1,200,000명으로 20 % 증가하려면 강력한 성장 엔진이 필요합니다.


핵심 요점 : 사용자 수가 적을 때엔 MoM을 주시할 수 있지만 사용자 수가 더 많아지면 참여도 지표 , stickness 및 사용자 행동 데이터를 살펴봄으로써 성장이 장기적으로 지속될 것인지를 알려주는 기본 메커니즘 구성에 집중해야 합니다.






2. MoM 성장으로 모델링 된 비일관된 성장


성장은 예측할 수 없습니다. 한 달은 MAU를 두 배로 늘리고 다음 달에는 변화 없이 그대로 유지될 수 있습니다. 이런 일이 발생한다면 일관된 CMGR로 모델링하여 변동하는 성장을 모순되게 만드는 것은 실수입니다.



여기에서 CMGR이 20% 이지만 특정 기간 동안 (5월부터 6월까지)만 20% 근처에 있다고 가정해 봅시다. 그 외에는 2% 성장과 82% 성장 사이에서 크게 변동하고 있습니다. 결론은 다음 달 성장률이 얼마인지 알지 못한다는 것입니다. 성장률은 도처에 있지만 데이터는 여전히 무언가를 알려줍니다. 앱을 위한 일관된 성장 엔진을 구축하지 않았던 거죠.성장이 있는 달과 성장이 없는 달의 차이를 모를 가능성이 높습니다.


핵심 요점 : 성장이 일관되지 않은 경우, 단일 CMGR보다는 월별 성장률의 추세로 성장을 논의하는 것이 더 정확합니다.







3. MoM 성장으로 모델링 된 선형 성장


귀하의 비즈니스는 성장하고 있으며 지속적으로 성장하고 있습니다. 다만 선형 성장을 기하급수적인 성장으로 착각하지 마십시오.



6개월 동안 사용자가 10,000 명에서 20,000 명으로 두 배 증가했다고 가정해 보겠습니다. 이는 15%의 Mom 성장률을 의미합니다. 자세히 살펴보면 문제가 나타납니다. 시간이 갈수록 성장률은 둔화되는 것 같습니다. 숫자가 커짐에 따라 성장이 감소하는 것은 성장이 기하급수적이지 않다는 신호이며 아마도 더 선형적일 것입니다. 여기서는 15% MoM이 성장하고 있다고 말하는 대신 매월 2,000명의 활성 사용자를 추가한다고 말함으로써 절댓값을 고수하는 것이 더 정확합니다.


핵심 사항 : 모든 성장이 동일하지는 않습니다. 성장이 선형으로 발생하는 경우 절대 사용자 수의 월별 성장을 참조하여 이를 수용하고 정확하게 설명하십시오. 그런 다음 이러한 통찰력을 사용하여 비선형 성장을 실현할 기회를 식별하십시오.


관련 자료 : 시간이 지남에 따라 핵심 지표를 조정해야 할까요?








단기 성장을 추적하면 장기적인 성공을 거둘 수 있습니다.


월별 성장은 현재 성과를 정확하게 모델링하고 성공을 벤치마킹하고 예측하는 데 매우 유용합니다. 당신이 하고 있는 일을 알고 있고 회사의 장기적인 미래에 전념하고 있다는 거죠.

성장률이 일정하거나 하향 조정되면 실망스러워 보일 수 있지만, 보고 싶은 데이터가 아닌 경우에도 모든 데이터에는 가치가 있다는 것을 기억하십시오. 기하 급수적인 성장은 하룻밤 사이에 일어나지 않으며 저절로 일어나지 않습니다.







퀄리티 있는 데이터 산출은 퀄리티 있는 데이터 수집에서 시작됩니다.


품질이 낮은 데이터를 지속적으로 살펴보면 MoM과 같은 중요한 지표를 정확하게 해석하기가 훨씬 어려워집니다. 분석을 실행하는 작업에 너무 깊이 빠져 들기 전에 먼저 강력한 데이터 시스템 인 MVI (Minimum Viable Instrumentation)를 만들어야 합니다.이를 통해 비즈니스 및 분석 목표를 달성하기 위해 따라야 하는 특정 데이터 프로세스를 식별할 수 있습니다.


두 가지를 정의하여 시작하세요.


  1. 일일 활성 사용자와 같은 중요한 용어에 대한 정의
  2. 특정 비즈니스 목표


고객이 이러한 목표 (예: 전환)를 달성하기 위한 올바른 방향으로 안내할 고객 여정의 경로를 신중하게 고려하여 측정하려는 이벤트를 정확히 찾아냅니다. 바로 추적하려는 터치 포인트입니다. 목표 달성에 중요한 것에 집중하고 나머지는 제거하십시오.


다음은 팀의 심각한 데이터 유효성 검사 문제를 방지하기 위해 따라야 할 5 가지 주요 원칙입니다.


  1. 모든 것을 추적하려 하지 마세요. 불필요한 데이터는 지저분하고 추적하기가 거의 불가능합니다. 대신 20 ~ 200개의 고객 주요 여정과 관련된 이벤트를 일관되게 추적하십시오.
  2. 체계적으로 유지하십시오. 데이터와 이에 대한 정의는 팀원 모두에게 매우 깨끗하고 이해하기 쉬워야 합니다.
  3. d-1부터의 데이터를 정의하십시오. 데이터 구조를 설명하는 몇 가지 문서를 작성하는 것이 좋습니다.
  4. 분석 플랫폼 내에서 사용자 식별이 작동하는 방식을 이해합니다. 또한 무의미하게 지속 방문하는 가짜 "새 사용자"를 방지하기 위해 장치 또는 기타 자격 증명으로 익명 사용자를 인식할 수 있는 시스템이 있어야 합니다. 예를 들어 Amplitude(앰플리튜드)는 "amplitude_ID"식별자로 이 문제를 해결합니다. 이 식별자는 익명인 경우에도 반복 방문 사용자를 포착합니다.
  5. 숫자, 날짜, 국제 문자 및 지오 코딩 값과 같은 자동 서식 변수를 사용하여 일관성 있고 정확하게 분석하세요.









콘텐츠 더 읽어보기

앰플리튜드, 데이터 시각화, 데이터 분석