앰플리튜드
A/B테스트 개념과 데이터 분석 방법🔍
Team MAXONOMY ・ 2025.07.16
A/B 테스트란?
A/B 테스트는 두 가지 혹은 그 이상의 서로 다른 버전(Variant)을 비교하여 어느 쪽이 더 나은 성과를 내는지 판단하는 실험 기법입니다. 가입(signup), 클릭(click), 참여(engagement), 전환(Conversion) 등 원하는 목표에 더 효과적인 버전을 찾아내는 데 목적이 있습니다. A/B 테스트는 웹사이트, 앱(어플리케이션)과 같은 디지털 프로덕트부터 이메일, SMS, 인앱 메시징, 배너와 같은 마케팅 캠페인까지 광범위하게 활용할 수 있습니다.
A/B 테스트 실행 방법
다음은 A/B 테스트를 실행하는 방법이자, A/B 테스트가 작동하는 원리입니다.
- 무작위 분할: 유저나 캠페인 수신자를 무작위로 두 그룹(A와 B)으로 나눕니다. 두 그룹이 무작위가 아니라 각 그룹의 특성이 존재한다면, 원하는 테스트 결과를 얻을 수 없습니다.
- 버전 노출: 각 그룹에 비교하고 싶은 서로 다른 버전을 노출합니다. (예: 앱UI, 이미지, 버튼 색상, CTA 문구, 헤드라인 등)
- 일관성 유지: 비교하고자 하는 요소 외에 다른 요소의 변수가 결과에 영향을 주지 않도록 합니다.
- 충분한 기간 설정: 통계적 유의미성을 확보할 수 있도록 최소 14일 이상(또는 상황에 맞춰 더 길게) 테스트를 진행합니다.
- 승자 버전 적용(Winner Take All): 가령 버전 B가 더 나은 성과를 보였다면, 기존 버전을 대체하여 B 버전을 전면 도입합니다.
A/B 테스트 효과
제대로 된 A/B 테스트를 실행한다면, 다음과 같은 효과를 기대할 수 있습니다.
- 전환율(Conversion Rate) 향상: 더 많은 클릭·구매를 유도하는 최적의 디자인과 문구를 찾아 전환율을 높일 수 있습니다.
- 사용자 경험 개선: 레이아웃, 색상, 폰트 등 디자인 요소를 테스트해 사용자 만족도를 높이고 이탈률을 낮출 수 있습니다.
- 고객 행동 인사이트 확보: 고객이 어떤 요소에 반응하는지 데이터를 통해 파악하여 향후 캠페인 전략에 반영할 수 있습니다.
- 리스크 최소화: 대규모 론칭 전에 여러 버전을 소규모로 시험해보고, 실패 가능성을 줄여 비용 낭비를 방지할 수 있습니다.
A/B 테스트 실제 예시
A/B 테스트를 실제로 어떤 프로세스를 통해 실행할 수 있을지 다음 예시를 통해서 살펴보겠습니다.
- 목표 설정: 매출 증대, 리드 생성, 참여율 향상 등 다양한 KPI를 정의할 수 있습니다. 여기에서는 마케팅 이메일 속 버튼의 클릭률을 높이는 것을 목표로 설정해보겠습니다.
- 가설 설정: '버튼의 위치를 상단에 노출하면 더 많은 사람들이 버튼을 클릭할 것이다.'라는 가설을 설정합니다.
- 대상 그룹 선정: 유사한 규모와 특성을 가진 그룹을 설정합니다. 여기에서는 그룹을 A,B,C 총 3개로 나누고 각 그룹은 '전체 수신자 중 랜덤으로 뽑은 5%의 수신자'로 구성합니다. 이들을 합하면 전체 사용자의 15%가 테스트 대상이 됩니다.
- 버전 제작(Create Variants): A버전에는 버튼의 위치를 본문 상단에, B버전에는 버튼의 위치를 본문 중단에, C버전에는 버튼의 위치를 본문 하단에 위치합니다. 버튼 위치 외에는 차이점이 존재하지 않도록 주의하세요.
- 테스트 실행: 각 그룹에 각 버전의 이메일을 전송합니다. 1회성 전송에 그치지 않고 시간을 가지고 여러 차례 발송하면 더 정확한 결과를 얻을 수 있습니다.
- 승자 버전 적용: A/B 테스트 솔루션 등을 활용하여 어떤 버전이 더 높은 성과를 냈는지 비교 분석 후, 승자 버전을 나머지 수신자에게 모두 적용하여 발송합니다. 가령, 예상대로
- 결과 분석: 기존에 설정한 가설이 맞았는지, 틀렸다면 왜 틀렸는지 그 이유와 히스토리를 따로 기록하는 것이 좋습니다.
*A/B 테스트 툴: Amplitude Experiment 같은 솔루션을 이용하면 A/B 테스트 설정·실행·분석을 손쉽게 할 수 있습니다.
A/B 테스트 심화: P-Value(P값)
P값(p‑value)은 A/B 테스트에서 '두 버전 간에 관측된 차이가 순전히 우연에 의해 발생할 확률’을 수치로 나타낸 것입니다. 예를 들어, A/B테스트 결과, B버전이 A버전에 비해 전환율이 높았을 때, 우리는 B버전이 전환율에 긍정적인 효과를 만들었다고 생각할 수 있습니다. 하지만 사실 두 버전 사이에는 유의미한 차이가 없고, B버전 전환율이 더 높게 나왔던 것은 우연이라고도 생각할 수 있죠. 여기서 P값의 역할이 중요합니다. P값이 0.03이라면 지금 관측된 전환율 차이가 우연히 발생할 확률이 3%라는 의미입니다.
대개 P값이 0.05 이하이면 통계적으로 유의미하다고 보고, 이때는 “우연 때문이라기보다는 실제로 버전 간 차이가 있다”고 판단하게 됩니다. 반대로 P값이 0.05보다 크면, 관측된 차이가 우연일 가능성이 상대적으로 높아 “차이가 없다고 결론짓기 부족하다”는 뜻이 됩니다.
단, P값이 작다고 해서 효과 크기가 반드시 크다는 뜻은 아니므로, 실제 전환율 차이의 크기와 실무적 의미도 함께 고려해야 합니다. 또, 표본 크기에 따라 P값이 달라질 수 있으며, 다수의 변수를 동시에 테스트할 경우 우연히 유의한 결과가 나올 위험이 있으므로 다중비교 보정 역시 잊지 말아야 합니다.
정리하자면, A/B 테스트에서 P‑값은 “관측된 차이가 순전한 우연인지 아닌지를 가늠하는 기준치”로, 이를 통해 어떤 버전을 최종 채택할지 보다 합리적으로 결정할 수 있게 돕습니다.
A/B 테스트 시작하기
A/B 테스트는 마케팅과 제품 전략에서 필수적인 실험 방법입니다. 고객 행동에 대한 깊은 이해를 제공하고, 실패 위험을 줄이며, 전환율을 극대화하는 데 도움을 줍니다. 지금 바로 다양한 버전을 실험해 보고, 가장 효과적인 노하우를 찾아보세요!
팀맥소노미
YOUR DIGITAL MARKETING HERO
비즈니스 성장을 위한 최적의 솔루션과 무료 데모 시연, 활용 시나리오를 제안 받아보세요
24시간 프리미엄 열람권 받기
관련 글 보기
개인화 마케팅의 끝판왕 – Amplitude Recommend 기능을 소개합니다!
Amplitude(앰플리튜드)의 Recommend(추천) 기능을 활용하면, 마케팅 팀과 프로덕트 팀 모두 단 몇 분만에 고객 한 명 한 명을 위한 맞춤형 디지털 경험을 제공하는 것이 가능해집니다.Amplitude(앰플리튜드)의 Recommend(추천) 기능은 모든 디지털 서비스 기업이 규모에 맞는 맞춤형 환경을 제공할 수 있도록 합니다. 이 기능을 통해 연도별로 로드맵을 가속화하고, 전환(Conversion) 속도를 높이며(보통 두 자리 숫자입니다), 비용을 약 수백만 달러 절감할 수 있습니다.넷플릭스, 아마존과 같은 개인 맞춤 서비스를 제공하는 것은 모든 기업의 꿈입니다. 각 유저에 맞게 디지털 환경을 최적화하여, 유저 전용으로 맞춤 구축된 것처럼 느껴지게 합니다. 그러나 대부분의 기업에서 이러한 1:1 맞춤화 경험을 자동화하려고 할 때 상당한 진입 장벽에 마주치곤 합니다. 적합한 타겟 유저에게 도달하기 위한 정교한 ID 분석과, 그 타겟 유저에 맞는 적절한 메시지 작성을 위한 머신 러닝, 그리고 유저별 최적의 시간대를 파악하여 실시간으로 전달하는 것이 필요합니다. 또한, 규모에 따른 맞춤화 설정을 위해서는 프로덕트, 마케팅, 엔지니어링 담당자의 협업도 필수입니다. 이를 위해서는 수년 간의 투자와 수백만 달러의 개발 비용이 소요될 수 있습니다. 디지털 서비스 기업은 한 번에 몇 달 동안 리소스를 중단하거나 수백만 달러의 매출 손실을 초래하는 방법 중 절충안을 찾아야 할 수도 있습니다. 하지만 Amplitude(앰플리튜드)의 Recommend(추천) 기능을 활용하면, 절충안을 고민할 필요가 없습니다. 새로운 시대를 위한 새로운 솔루션Recommend(추천)는 Amplitude(앰플리튜드) 디지털 최적화 시스템의 새로운 기능입니다. 이제 Amplitude(앰플리튜드) 행동 그래프를 통해 수집된 데이터를 기반으로 앤드 투 앤드 개인 맞춤화 워크플로우를 단 몇 분 만에 자동화할 수 있습니다. Recommend(추천) 기능은 마케팅 담당자, 프로덕트 매니저, 그로스 팀 등 디지털 경험 관련 담당자가 개인 맞춤화 과정을 직접 관리할 수 있도록 함으로써 개인화에 필요한 기술적인 부담을 줄여줍니다.이 셀프 서비스 플랫폼은 다음의 세 가지 새로운 기능을 통해 적합한 유저에게 최적의 시간에 적절한 메시지를 매핑하는 것에서부터 ‘개인화’의 각 단계를 소개합니다.세분화(Segmentation): Cohorts 및 Computations를 통해 마케팅 담당자가 타겟 고객을 찾을 수 있도록 지원합니다.권장(Recommendation): Predictions 및 Recommendation을 통해 고객에게 전달할 수 있는 차선책 메시지나 콘텐츠를 프로덕트 팀에서 자동화할 수 있습니다.발송(Delivery): 누구나 API 및 동기화를 통해 세그먼트와 권장 내용을 모든 디지털 채널로 내보낼 수 있습니다. 적합한 고객을 찾기 위한 세분화(Segmentation)개인화 과정을 위한 첫번째 단계는 타겟으로 설정할 적합한 고객을 식별하는 것입니다. Amplitude(앰플리튜드)의 Recommend(추천)는 사용자 목록을 구축하여 다운스트림 디지털 채널과 동기화할 수 있도록 지원하는 두 가지 기능 세트, ‘Cohorts’와 ‘Computations’을 제공합니다. Cohorts는 세분화(Segmentation)의 핵심입니다. Amplitude(앰플리튜드)의 Recommend(추천)를 사용하면 지난 24시간 동안 장바구니에 상품을 추가했거나 구독 신청을 하는 등의 이벤트를 기준으로 그룹화된 유저 클러스터를 생성할 수 있습니다. 이 모든 작업은 SQL이나 코드 없이 셀프 서비스 인터페이스를 통해 수행됩니다. 또한 Recommend(추천)는 Amplitude(앰플리튜드) 디지털 최적화 시스템의 일부이기 때문에 Amplitude(앰플리튜드) Analytics(분석)에서 생성된 모든 Cohorts는 Recommend(추천)에서 즉시 사용할 수 있으며, 그 반대의 경우도 마찬가지입니다. Computations는 세분화(Segmentation)의 최고 레벨입니다. Amplitude(앰플리튜드)의Recommend(추천)를 사용하면 시간이 지남에 따라 변하는 행동 정보를 집계하여 사용자 속성으로 변환하고 이를 통해 보다 정교한 필터링을 할 수 있습니다. 예를 들어 사용자가 데이터 엔지니어링을 사용하지 않고도 몇 초 만에 지난 24시간 동안 장바구니 추가하기 이벤트를 수행한 횟수를 카운트하거나 지난 30일 동안의 평균 주문 값을 집계할 수 있습니다. Cohorts와 Computation을 함께 사용하면 참여에 기반한 마케팅 조건을 트리거하는 행동 세그먼트를 식별할 수 있습니다. 적절한 메시지를 찾기 위한 자동화된 권장(Recommendations)대다수의 사람들에게 “개인화” 경험이라고 하면 홈 스크린에 유저 이름을 삽입하거나 현재 위치를 기준으로 사진을 교환하는 것을 의미합니다. 이러한 유형의 창의적이고 인구통계학적 “개인화”는 권장되지만 그 영향은 한계가 있습니다. 과거 혹은 예상되는 미래의 행동을 기반으로 각 개별 사용자에게 완벽하게 맞추는 제품은 개인화가 지닌 모든 장점을 실현하는 것과 같습니다. 이제 Amplitude(앰플리튜드) Recommend(추천)의 Recommendations 기능을 통해 역동적인 제품 경험 제공이 가능해졌습니다. Amplitude(앰플리튜드)의 자동화된 머신러닝 시스템으로 구동되는 새로운 Recommendations 기능을 사용하면 넷플릭스 또는 아마존과 같은 개인화 경험 환경을 만들 수 있습니다. 타겟으로 설정할 적합한 사용자가 식별되면 Amplitude(앰플리튜드) Recommend(추천)는 전환 가능성을 높일 수 있는 콘텐츠, 제품 및 메시지의 올바른 조합을 결정합니다.셀프 서비스 사용자 인터페이스에서 SKU, 아이템 이름, 제품 카테고리 등의 이벤트 속성을 선택합니다. 구매, 구독 등의 최적화를 원하는 항목에 대한 결과도 선택할 수 있습니다. Amplitude(앰플리튜드)의 Recommend(추천)는 구매, 구독 등의 항목의 결과를 높일 수 있는 가능성에 따라 속성의 모든 잠재적 가치의 순위를 자동으로 매겨, 개별 사용자에게 맞춤화합니다. Amplitude(앰플리튜드) Recommend(추천)는 한 번에 최대 100개까지 각 사용자가 선호할 가능성이 높은, 즉 전환 가능성을 극대화할 수 있는 순위 목록을 단 몇 분 만에 생성합니다. 이러한 항목은 분류를 위해 장바구니에 추가 될 가능성을 기준으로 순위가 매겨진 아이템 SKU 혹은 교차 판매 가능성에 따라 순위가 매겨진 제품 카테고리로 분류될 수 있습니다. 이 시스템은 3~5가지 다른 경험을 제공하는 대신 각 개별 유저에게 맞춤화된 수백만 개의 잠재적 경험의 경우의 수를 생성합니다. 데이터 과학 팀의 도움 없이 이 모든 작업을 직접 몇 분 이내에 완료할 수 있습니다. 미국 상위 15개 은행의 소비자 부문은 고객의 금융 지식과 활용 정도를 향상시키기 위해 Recommendations를 사용합니다. 유저가 모바일 앱에 접속하면 은행과 관계 있는, 혹은 행동과 일치하는 콘텐츠가 표시됩니다. 이 콘텐츠는 Amplitude(앰플리튜드) Recommend(추천)에 의해 제공된 ‘개별화’의 결과입니다. Recommendations을 활용한 이후, 이 은행의 영업 성과는 15% 증가했습니다. 최적의 발송 시간을 찾기 위한 실시간 API개인화 워크플로우의 마지막 단계는 발송(Delivery)입니다. 전달할 적절한 메시지를 작성했다면, 이를 적합한 유저에게 전달해야 합니다. Amplitude(앰플리튜드) Recommend(추천)는 실시간 API 및 동기화 기능을 제공하여 코호트, 계산된 속성 및 Recommendations를 디지털 채널에 연결합니다. 동기화 기능을 통해 데이터 개체를 모든 광고, 이메일 또는 실험 플랫폼과 동기화할 수 있습니다. 페이스북 또는 마케토와 코호트를 동기화하고, 유저 행동이 변경되면 해당 광고 및 고객 참여 대상의 캠페인을 자동으로 동기화합니다. 예를 들어 계산된 속성을 Braze(브레이즈)와 같은 작업 플랫폼과 동기화할 수 있으므로 유저의 평균 주문 값이 변경되면 해당 이메일 캠페인에서 속성이 자동으로 조정됩니다. 이 모든 것이 맞춤형 데이터 엔지니어링 파이프라인 없이 한 번의 클릭만으로 가능합니다. 이제 API 프로파일을 사용하여 모든 유저에 대해 REST API 앤드포인트를 쿼리하고 Amplitude(앰플리튜드)에서 유저 데이터로 반환할 수 있습니다. 유저가 사이트나 앱을 방문할 때 유저의 고유 ID별로 프로파일 API를 쿼리하고 Properties, Cohorts 및 Recommendations 목록을 반환하기만 하면 됩니다. 해당 응답을 제품에 직접 포함하고 권장되는 속성에 따라 제품 환경을 조정합니다. 호주의 복권 판매 기업 Oz Lotteries를 지원하는 디지털 플랫폼 점보 인터렉티브는 Braze(브레이즈)를 통해 API 프로파일을 사용하여 아마존 스타일의 Recommendations를 이메일과 푸시 알람으로 제공합니다. 고객들은 구매 후 구매 이력 및 행동 패턴에 따라 관심 있는 다른 게임을 제안하는 후속 커뮤니케이션 메시지를 받게 됩니다. Recommend(추천) 기능은 이메일을 활용한 최대 4개의 제안과 푸시를 통한 1개의 제안을 발송합니다. 그 결과 이 메시지로 인한 체크아웃 전환율이 158% 이상 증가하는 엄청난 성과를 보였습니다. 기본 제공되는 측정 기능Amplitude(앰플리튜드)를 사용하면 여러분이 직접 설정한 개인화 경험 환경의 영향력을 쉽게 측정할 수 있습니다. Amplitude(앰플리튜드) Recommend(추천)에서 만든 모든 코호트는 Amplitude(앰플리튜드) Analytics 기능에서 분석할 수 있습니다. 캠페인의 영향을 이해하는 것은 차트를 작성하는 것만큼 간단합니다. 대상을 다시 생성하거나 작업을 복제할 필요없이 쉽고 편하게 확인할 수 있습니다. Recommendations의 경우, 자동화된 리프트 분석을 통해 측정 기능을 한 단계 더 발전시켰습니다. 여러분이 생성한 각 Recommendation에 포함할 유저의 비율을 선택할 수 있습니다. 0-100% 내에서 자유롭게 선택 가능합니다. 그 다음 API 프로파일에 Recommendation을 쿼리하면 Amplitude(앰플리튜드)가 사용자에게 컨트롤 권한을 할당하거나 Recommendation을 제공합니다. 동시에 자동으로 가장 영향력이 큰 이벤트를 기록하여 Recommendation이 기존 경험 환경에 얼마나 큰 영향을 미치는지 추적합니다. 간단히 Recommendation의 성능(Performance) 탭을 클릭하면 확인할 수 있습니다. 분석 및 개인화를 위한 하나의 통합 시스템이 통합 데이터 세트에 모두 구축되어 있으므로 여러분이 생성한 개인화 경험 환경의 실행 루프를 쉽게 닫을 수 있습니다. 단 몇 분 만에 끝내는 개인화 설정Amplitude(앰플리튜드) Recommend(추천)의 장점은 디지털 최적화 시스템의 완전한 피드백 루프를 가능하게 한다는 것입니다. Amplitude(앰플리튜드) Recommend(추천)에서 버튼을 클릭하면 코호트와 Recommendations를 생성할 수 있고, 이를 여러분의 광고, 이메일, 인앱 캠페인과 동기화할 수 있으며, 이 모든 캠페인의 성과를 Amplitude(앰플리튜드) Analytics에서 다시 모니터링 할 수 있습니다. 이 프로세스의 자동화를 통해 프로덕트 팀과 마케팅 팀을 연결하여 런칭에 필요한 시간을 단축할 수 있습니다. 통합 머신러닝은 엔지니어링 비용을 절감하고 Recommendations의 정확도를 높입니다. 또한 상호 보완 분석을 통해 이러한 개인화 실험의 영향력을 안정적으로 측정할 수 있습니다.
Amplitude(앰플리튜드)의 프로덕트 마케팅 지표 측정 팁! 좋은 질문을 만드는 방법
좋은 질문은 여러분이 원하는 항목을 정확히 측정하고 인사이트를 발견할 수 있는 가능성을 높여줍니다. 잘 구성된 이벤트와 이벤트 속성은 데이터 혹은 자동 추적 솔루션을 능가하는 효과가 있습니다.본 포스팅에서는 여러분의 팀에서 무엇을 측정해야 할지 더 나은 결정을 내릴 수 있도록 영향력있는 질문을 만드는 데 도움이 되는 몇가지 접근 방법을 자세히 공유하려고 합니다. 영향력 있는 질문을 만들기 위해서는 물론 연습이 필요하지만, 불가능한 일은 아닙니다.시작하기에 앞서, 저희가 경험을 통해 깨달은 내용을 먼저 공유하려고 합니다.‘어리석은’ 질문과 완전하지 않은 질문은 제외해야 하고, 무엇보다 서두르지 말아야 합니다. 일부는 질문의 내용을 브레인스토밍을 하는 것이 우스워 보이지 않을까 하는 생각에 도중에 중단해버리기도 합니다. 충분한 고민의 시간을 갖지 않고 서두르게 되면 겉핥기 식의 질문만 하게 될 가능성이 높습니다. 좋은 질문은 ‘좋지 않은’ 질문과 덜 중요한 질문을 바탕으로 고민한 결과에서 나옵니다. 큰 영향이 있는 좋은 질문을 하려면 이러한 노력의 과정을 여러번 거쳐야 합니다. 그러니 시간을 투자하십시오. 완전한 질문을 만들어야 합니다.다시 본론으로 돌아가 이야기를 이어가겠습니다. 일반적으로 사람들은 ‘데이터 제공’과 관련하여 다음 세 가지 중 한 가지의 니즈가 있습니다.결정이 필요한 건이 있고, 결정 이후에 그 내용을 알릴 수 있는 데이터가 필요합니다.가정의 불확실성을 줄이고 싶습니다.성과와 영향을 이해하고 싶습니다. 그리고 무엇인가 효과가 나오고 있는지 알고 싶습니다. 또한 어떤 것이 효과가 있거나 (혹은 효과가 없거나) 향후 효과가 있을 예정이라는 것을 (향후 효과가 없을 것이라는 것을) 증명하고 싶습니다.결정에는 가정이 포함되기 때문에 두 개념은 연결되어야 합니다. 가정은 결정으로 이어집니다. 우리는 일반적으로 어떤 결정을 내리기 위해서 (아무것도 하지 않기로 결정하더라도) 무엇이 효과가 있는지 확인하길 원합니다.그러나 질문을 유도할때는 결정과 가정을 나누는 것이 도움이 됩니다. 왜일까요? 사람들마다 각자 다른 관점에 끌리는 것 같습니다. 하나의 접근 방식만을 사용하는 것은 (예: 한 개의 캔버스만 사용하여 가정하는 경우) 팀에 제한을 주는 것처럼 느껴질 수 있습니다. 또한, 대부분의 팀에서 벤치마크와 ‘표준’ 매트릭스를 강조하고 있지만, 어떤 결정을 통보하고 어떤 가정을 검증하기를 원하는지 실제로 파악하는 데 어려움이 많습니다. 이것을 유연성이 더 많아졌다고 이해할 수는 없습니다.다음으로 알게된 점은 문제 해결의 수준(레벨)이 중요하다는 것입니다. 질문을 브레인스토밍하고 정제하여 우선 순위를 정하는 것이 한 단계 (또는 두 단계) 수준을 오르내리는 데 도움이 됩니다. 개방형 질문은 보다 구체적인 질문을 유도하는데 도움이 됩니다. 또한 구체적인 질문은 개방형 질문을 유도하는데 도움이 됩니다. 이것이 왜 중요할까요? 이렇게 함으로써 질문이 보편적으로 모두에게 해당되는 내용인지, 일부만 타겟으로 하는 구체적인 내용인지의 여부에 관계없이 모든 사용자를 참여시킬 수 있습니다.이 내용에 대한 보충 설명으로 아래의 이미지를 공유합니다. Miro에서 사용하는 실제 보드입니다.이 테이블에는 결정, 가정, 성과 및 영향의 세 열이 있습니다. 특이성의 범위에 따라 각 열에 대한 샘플 질문 및 가정을 작성합니다. 예를 들어, 이 가정은 전체 비즈니스의 기반이 될 수도 있고 (‘수요가 10년 동안 증가할 것입니다’), 버튼 배치와 관련된 가정이 될 수도 있습니다 (‘이런 유형의 버튼은 항상 오른쪽에 있습니다’). 전체 전략의 효과나 소규모 작업 흐름의 효율성에 대해 확인하고자 할 수도 있습니다.워밍업으로 브레인스토밍을 통해 각 열마다 세 가지 예시 문장을 적어봅시다.결정 예시가정 예시효과가 있을까?(is-it-working) 형식의 질문 예시이것을 약간 응용해보겠습니다. 매우 구체적인 예시 한 가지, 매우 광범위한 예시 한 가지 그리고 중간 정도의 특이성이 있는 예시 한 가지를 생각해 보십시오. 이는 준비 단계로, 운동 전에 스트레칭을 하는 것과 같습니다.DIY 앱 구축업체와 키트 디자이너를 위한 제품 판매를 가정하여 다음과 같이 완성해 보았습니다.‘자, 이제 결정, 가정 그리고 실행 질문의 항목 하나씩을 선택하여 자세히 살펴봅시다. 그리고 각각의 항목에 맞는 세 개의 하위 질문을 브레인스토밍해봅시다. 불확실성은 어디에서 줄여야 할까요? 어떤 질문이 (응답할 경우) 이 문제를 해결하는데 도움이 되나요? 해결까지는 불가능하더라도 최소한 해결할 수 있다는 자신감을 갖게 해줄까요?’또한 다음 항목들도 선택해야 합니다 : 왜, 누가, 무엇을, 언제, 어디에서, 어떤 것을, 얼마나 많이, 어떻게, 얼마나 오래, 하는지, 해왔는지, 할 것인지, 해야 하는지, 있는지 등.카테고리와 수준을 탐색한 다음 하위 질문을 브레인스토밍하는 이 두 단계 프로세스는 사람들이 더 폭넓게 생각하고 질문의 수준을 높이거나 낮출 수 있도록 합니다. 질문에 바로 뛰어드는 것 보다 훨씬 낫습니다.여러분의 팀에 문제가 있거나 더 많은 연습이 필요할 경우, 아래 빈칸 채우기가 도움이 될 수 있습니다.얼마나 많은 사용자가 지난 30일동안 ________ 했습니까?_____________ 경로에서 신규 사용자가 유입되는 경로는 어디입니까?_____________ 의 장기적인 리텐션에 _______________와 ______________가 영향을 미칩니까?_____________ 는 _____________에 비해 얼마나 더 잘 유지됩니까?_____________ 사용자가 ______________ 로 이동할 가능성이 더 높습니까?_____________ 당 평균 _____________ 수는 얼마입니까?고객은 _____________ 이후 어디로 이동하며, 결국 _____________이 됩니까?_____________ 를 예측할 수 있는 고객의 고유한 행동은 무엇입니까?언제 ____________ 우리가 반대로 ____________ 했습니까?사람들이 실제로 ____________ 합니까? 아니면 단지 ____________ 합니까?고객이 ____________ 를 시도할 때 언제/어디에서 문제가 발생합니까?_____________ 에 대한 우리의 노력이 ____________ 의 결과입니까?우리가 발행한 것이 ____________ 의 원인입니까? 아니면 ____________ 입니까?우리가 ____________ 하도록 하는 사소한 일이 있습니까?우리는 ____________ 로 가는 방향에 있습니까?이러한 활동은 질문을 브레인스토밍을 할 때 좀 더 확신을 갖게 합니다.워크샵이 끝날 때쯤 우리는 많은 질문과 하위 질문을 얻게 되고, 어떤 질문이 가치있는 지도 어느정도 알게 됩니다. 또한 많은 것을 배울 수 있는 항목을 가치가 있다고 판단하고 우선순위를 두게 됩니다. 하지만 무엇보다 가장 중요한 것은 어떤 질문의 ‘등급’이 가치있는지를 알게 되었다는 것입니다. 즉, 가장 중요한 명사, 동사, 워크 플로우 및 목표도 배우게 되었습니다.지금까지 설명드린 내용은 스마트 계측 접근법입니다. 물론 우리는 모든 것을 계측할 수는 없습니다(그렇게 해서도 안됩니다). 사용자의 모든 클릭을 기록해서도 안됩니다. 또한 모든 질문을 미리 예측할 수도 없습니다. 하지만 좋은 질문을 통해 인사이트를 발견하는 과정을 도구화할 수 있습니다.좋은 질문은 여러분이 가야할 길을 인도하는 훌륭한 안내자가 될 수 있습니다. 꾸준한 연습을 통해 좋은 질문을 하는 방법을 터득하고 익숙해 지십시오.
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
🏃💨이탈률(Bounce Rate), 낮을수록 좋을까?🤔
대부분의 마케팅 지표는 그 의미가 명확합니다.예를 들어, '블로그의 방문자 수'라는 지표는 낮은 것보다 높은 것이 좋습니다. 반대로 '주간 뉴스 레터 구독 취소자 수'는 낮을수록 좋습니다. 이렇게 대부분의 마케팅 지표는 '높을수록 좋다' 혹은 '낮을수록 좋다'라는 명확한 평가 기준이 있습니다.그렇지만 이탈률(Bounce Rate)에는 그런 명확한 평가 기준이 없습니다. 본 포스팅에서는 이탈률을 어떻게 계산하는지, 어떻게 측정하는지, 높은 이탈률이 좋은 경우는 언제인지에 대해 다루도록 하겠습니다.✅ 키 포인트 ✅페이지 이탈이란, 방문자가 어떤 페이지에 접속한 후, '같은 사이트의 다른 페이지'를 탐색하지않고 떠나는 행위를 말합니다.이탈률은 페이지 유형 및 산업에 따라 다릅니다.이탈률에 대한 보편적인 기준은 없으며, 페이지의 맥락이 이탈률의 가장 중요한 분석 기준입니다.이탈률(Bounce Rate)이란? 🤔웹 사이트의 이탈률은 한 페이지에 접속한 후 떠나는 방문자의 비율입니다. 즉, 방문자가 한 페이지를 보고 같은 사이트의 다른 페이지를 탐색하는 대신, 뒤로 가기를 누르거나, 탭을 닫거나, 외부 링크로 옮기는 등 페이지를 떠나는 행위를 말합니다.이탈률은 웹 사이트의 전반적인 사용자 경험을 평가하는 중요한 지표입니다. 웹 사이트의 로딩이 느리거나, 디자인이 직관적이지 않는 등의 문제가 있다면, 해당 사이트의 이탈률은 높게 나타날 것입니다. 콘텐츠 역시 이탈률을 결정짓는 중요한 요소입니다. 가치 있는 콘텐츠를 제공하여 방문 목적을 충족시킨다면, 방문자를 페이지에 머물게 할 수 있을 것입니다. 하지만 이탈률이 높다고 꼭 나쁜 것만은 아닙니다. 방문자의 의문점을 효과적으로 해소해주는 콘텐츠를 제공했을 경우, 방문자가 굳이 해당 사이트의 다른 페이지까지 탐색하지 않아도 되니, 이탈률이 높게 나타날 것입니다. 이런 이유로 인한 높은 이탈률은 해당 사이트에 대한 신뢰도가 높다는 증거로 볼 수도 있습니다.반면, 이커머스 사이트의 상품 페이지 이탈률이 높다면, 문제가 있다고 볼 수 있겠죠.이탈률 계산법 🧮이탈률은 특정 기간 동안의 한 페이지 세션 수(Single-page Sessions)를 전체 세션 수(Total Sessions)로 나누어 간단히 확인할 수 있습니다.이탈률(Bounce Rate) = 한 페이지 세션 수(Single-page Sessions) / 전체 세션 수(Total Sessions)예를 들어, 클라우드 소프트웨어 업계의 트렌드를 다루는 기술 블로그를 운영하고 있다고 가정해 보겠습니다. 지난 달에 해당 웹 사이트에서 100,000개의 전체 세션이 발생하였고 그 중 특정 한 페이지 세션은 10,000개가 발생하였습니다. 이 경우 이탈률은 10%로 계산할 수 있습니다. Amplitude와 같은 디지털 분석 도구를 사용한다면, 이탈률을 자동으로 측정할 수 있습니다.이탈률 VS 종료율 🤼몇몇 사람들은 이탈률과 종료율을 구분하지 않고 사용하기도 합니다. 하지만 이 두개는 서로 다른 지표입니다. 이탈률은 한 페이지만 보고 이탈하는 방문자 수를 측정하는 반면, 종료율은 방문자가 사이트의 적어도 하나의 다른 페이지를 탐색하다가 해당 페이지를 만났을 때 떠나는 정도를 측정합니다. 예를 들어, 사용자 여정을 추적해보니 특정 페이지를 방문하면 급격하게 사이트를 이탈한다는 사실을 발견한다면, 해당 페이지의 종료율이 높다고 볼 수 있습니다. 이 경우 해당 페이지를 면밀히 살펴보고 페이지의 종료율이 높은 근본 원인을 찾아야할 것입니다.이탈률 평가 기준은? 🧐이상적인 이탈률은 얼마일까요? 평균 이탈률은 페이지 유형, 업종 및 기타 요소에 따라 다릅니다. Customedialabs의 조사결과에 따르면 전자 상거래 및 소매 사이트의 평균 이탈률은 20%에서 45% 사이입니다. 반면, 블로그나 위키 페이지는 65%에서 90% 정도의 이탈률을 나타냅니다. B2B 웹 사이트의 경우엔 평균 이탈률이 25%에서 55%사이입니다.블로그와 위키 페이지는 일반적으로 방문자들이 만족스러운 정보를 찾은 후 떠나는 경우가 많기 때문에 이탈률이 높게 나타납니다. 전자 상거래 사이트는 일반적으로 유사상품보기, 쿠폰 받기, 리뷰 확인하기 등 추가적인 탐색을 취하도록 설계되어있기 때문에 평균 이탈률이 낮게 나타납니다. 이렇게 페이지 유형에 대한 이해를 가지고 접근해야 이탈률을 제대로 평가할 수 있습니다.산업도 평균 이탈률을 결정짓는 요소입니다. 음식 및 레스토랑 관련 사이트는 모든 산업 중에서 이탈률이 높은 편이지만, 부동산이나 쇼핑 페이지는 이탈률이 낮습니다.결론적으로, 콘텐츠 및 산업의 맥락을 고려하지 않고 웹 사이트의 이탈률을 평가하는 것은 불가능합니다.이탈률을 낮추는 법 📉이탈률을 낮추기 위해선 방문자에게 더 가치 있는 경험을 제공해야합니다. 그 세부적인 방법은 다음과 같습니다.로딩 속도 높이기긴 로딩 시간을 좋아하는 방문자 없습니다. Google에 따르면 페이지 로드 시간이 1초에서 3초로 증가한다면, 이탈률은 32% 증가한다고 합니다. 로딩 속도는 구글 서치 콘솔에서 제공하는 모바일 및 웹 페이지 경험 지표에서 확인할 수 있습니다. '제대로 렌더링되지 않은 코드 조각' 등과 같이 느린 로딩 속도의 원인이 될만한 요소를 찾고 개선해야합니다.방문자 기대 충족페이지의 콘텐츠가 방문자에게 정말 가치 있는 것인지 확인해보세요. 의미없는 콘텐츠를 접한 방문자가 이탈하는 것은 어쩌면 당연합니다. 방문자의 기대를 충족 시키는 것은 검색 노출, 광고, 이메일 캠페인을 통한 유입 등의 측면에서도 중요합니다.사용자 경험 (UX) 개선아무리 로딩 속도가 빠르고 좋은 콘텐츠를 제공한다고 해도 UX가 혼란스럽고 불편하다면 방문자가 이탈할 가능성이 높습니다. 높은 이탈률을 나타내는 페이지가 있다면 해당 페이지의 UX를 점검할 필요가 있습니다. 귀찮은 스팸 팝업 광고가 너무 많은 뉴스 페이지나, 콘텐츠를 읽으려면 이메일 주소를 먼저 제출해야 하는 페이지가 대표적인 예시입니다.이탈률은 곧 페이지의 가치입니다 🧐이탈률은 페이지가 방문자에게 정말 가치있는지 판단하는 기준 중 하나입니다. 그렇지만, 이탈률에 일반적인 기준은 없다는 것을 기억하세요. 가치 있는 페이지 경험을 제공했다고 해도 이탈률은 다양하게 나타날 수 있습니다. 핵심은 페이지 경험 개선에 집중하는 것입니다.콘텐츠 더 읽어보기리텐션 캠페인 효과를 최대화하는 8가지 방법데이터기반 고객 여정 설계마케팅 캠페인의 고객 참여를 높이는 8가지 팁