[2] 그로스 해킹 - 데이터와 실험을 통해 성장하는 서비스 만들기

출처 : 인프런 <그로스 해킹> 저자 양승화님 강의

2-2. Acquisition 관련해서 생각해볼 이슈들

딥링크(Deep link)

: 앱 안의 특정 화면으로 이동하는 링크

• 앱이 설치되지 않은경우, 스토어 이동 후 설치, 실행되면 바로 target activity로 이동
• 장점
  • 향상된 UX 
  • 어트리뷰션 성과 측정을 확실히 할 수 있다는 장점
  • 어트리뷰션 성과 측정에서 Identified VS Unknown에서 모두 Identifiable

---

Organic acquisition

• 마케터가 생각하는 오가닉 - By accident
• 컨텐츠 마케팅 : 지속하기 어렵지만, 한번 터졌을 때 큰 영향력을 발휘, 터졌을 때의 강도를 높일 수 있는 실험을 시도해볼만하나, 어려운 영역
• SEO (Search Engine Optimization) / ASO (AppStore Optimization) 
  • web에서 구글과 비교해보았을 때, 네이버 검색의 점유율이 많이 하락하고 있다. 
  • app에서는 앱을 발견하는 데 있어 앱스토어의 영향력이 절대적이다.
  • 기본 전략
    • 핵심 키워드 선별
    • (앱) 잘 정제된 메타데이터 입력 / 랜딩페이지, 썸네일 등에 대한 a/b테스트를 통해 최적화하기
    • (앱) 검색의도에 부합하는 콘텐츠와 사이트 배치 / 검색엔진이 크롤링하기 좋은 사이트 구조

---

SEO에서 핵심 키워드 선별 관련

• 검색어 랭킹, 연관검색어 그리고 경쟁사의 키워드 등록 현황 등을 점검해야 한다.
• 관련 사이트 : SensorTower(부분유료) 
  • 앱 스토어 최적화 - 키워드 최적화 

앱을 추가하고, 키워드를 입력하면 해당 키워드에서 앱의 순위가 몇위인지 알려준다.

오늘의 집의 '인테리어'키워드에 대한 순위

• 앱 스토어 최적화 - 키워드 스파이
  • 비슷한 카테고리의 경쟁 앱을 선택하면, 경쟁사의 주요 키워드를 볼 수 있다.

경쟁사의 주요 키워드 확인 시 경쟁이 많지 않은 키워드를 찾거나 할 때 도움이 될 것

• 그 외에도 최적화하는 데 도움이 되는 정보를 제공하는 Blackkiwi, AppAnnie 등이 있다. 

---

Organic acquisition 기본 전략1 - 잘 정제된 메타 데이터 입력

• 앱 타이틀 & 설명
• 아이콘 & 스크린샷 - 시기에 따라서(ex.크리스마스) 아이콘 바꿔주는 것도 효과적
• 비디오 - 앱 설명에 대한 비디오 제공
• 경쟁사 메타데이터 - 경쟁사 주요 키워드, 아이콘 & 스크린샷 구성 확인
• 업데이트 내용 - 생각보다 많은 사람들이 읽어보는 영역

---

전략 2 (웹) - 랜딩페이지 최적화

 

vwo 검색 시 나오는 vwo 랜딩페이지

경쟁사인 optimizely 검색시 나오는 vwo 랜딩페이지

• 경쟁사와 비교해보고 있는 사용자에게 어필할 수 있는 문구와 랜딩페이지를 보여줌으로써 최적화

어트리뷰션 관련 이슈들 정리
1. 어트리뷰션 툴을 '그냥' 쓰는 것과 '효과적으로 잘' 쓰는 것은 다르다.
2. 정답이 없기에 나름의 주관이 필요하다.
3. 각 서비스의 default 설정을 그대로 쓸 건지 판단
4. 룩백윈도우, view-through에 대한 처리방안 등 꼼꼼한 세팅
5. 페이스북 광고관리자와 어트리뷰션 툴 대시보드 결과가 다른 데 판단할 수 있는 기준
6. 효과 크기 판단하기 - Last Click 모델이 최선일지 (어트리뷰션 툴의 기본 세팅)
7. raw data level로 판단하고 분석하는 과정 거치기 - 어트리뷰션 데이터와 서비스 데이터를 조합했을 때 많은 인사이트를 얻을 수 있다. 어트리뷰션 서비스들은 raw data를 확인할 수 있도록 되어있기에 직접 보는 일이 어렵지 않다. (대시보드가 편리하긴 하지만, 숫자 이면에 있는 다양한 맥락 정보를 읽어내기 위함)

** Appsflyer에서 raw data 직접 보기

1. Reports - Export Data - Raw Data Reports 에서 직접 다운로드받아 엑셀에서 열어 볼 수 있음

2. Integration - API Access - API URL 복사 후 Google Spreadsheet에서 importdata 함수를 이용해 입력 후 확인

3. ETL (Extract, Transform, Load) 서비스 이용 

---

Acquisition 찾기 - 효과적인 채널 찾기

• 제대로 된 채널 하나 확보하기, 채널 수가 적더라도 찾아서 잘 관리하는 것이 중요, 그 이후에 확장을 고려하기
• 채널은 계속 변화하기에, 찾았더라도 계속 살펴보며 확인해야 한다.
• Organic은 Unknown의 다른 말일 수 있으므로, 집요하게 트래킹하는 것이 필요하다.
• 채널의 성과를 어떻게 판단할 것인지 기준 세우기 (같은 돈을 써서 1000명을 데려온 것이 300명을 데려온 것보다 좋은지, 얼마나 좋은 것으로 판단할 것인지)

---

2-3. Activation

: Acquisition을 통해 데려온 사용자가, 우리 서비스의 핵심 가치를 경험했는가?

Funnel 분석의 고려 요소

1. 각각의 '스테이지'를 잘 정의했는지
2. 각 스테이지별 전환율을 측정하는 '기준'
3. 'Cohort'별로 쪼개서 보고 있는가?

---

1. 핵심 가치를 경험하는 '시점'과 연결되는 'Stage'를 잘 정의했는가?

• 단 하나의 퍼널이 꼭 처음부터 끝까지 이어져야하는 것은 아니다. 가입에서의 퍼널, 결제에서의 퍼널, 핵심 가치로 정한 것(ex.리뷰)에 대한 퍼널로 나뉠 수 있다.
• '마케팅 메시지'와 '유저 리뷰'등에서 나오는 키워드가 일치하는지 고민해보기

---

2. 각 Stage 별 전환율은 어떤 기준으로 측정하는가?

• 다섯 가지의 상품을 보고 한 가지를 결제했다면, 전환율을 20%라고 해야할까?
• 다섯 가지의 상품을 보고 결제하지 않았다면, 전환율을 0%라고 해야할까?
• 같은 상품을 다섯 번 보고 결제 했다면, 전환율을 20%라고 해야할까, 하나의 상품이니 100%라고 해야할까?
• 전환율은 사용자별이 아닌, 상품 혹은 서비스별로 측정하는 것이 일반적이지만, 계산이 쉽지 않음

상품 혹은 서비스가 아닌, '사용자' 단위로 전환율 측정하기

• 상품 페이지까지 간 사용자 중 결제까지 넘어간 사용자의 전환율을 '75%'라고 측정
• 하지만, '화면' 단위로 넘어가는 UI/UX를 개선하는 것이 목적이면, 상품 기준으로 측정하는 것도 괜찮을 것

---

3. Cohort를 쪼개서 보고 있는가?

• 그룹마다 다른 전환율의 차이를 발견하기

Ex. Amplitude

Event 순서(퍼널)

1. Receive Push Notification ▶ Play Song ▶ AddToList ▶ AddFriend 

Cohort

1. Play Song From Push 에 해당하는 그룹

2. Play Song From Push 에 해당하지 않는 그룹의 '전환율'을 그래프로 비교해보았을 때, 

Amplitude 화면 예시

노래를 재생하는 데 있어서 전환율에는 큰 차이가 없지만, List에 추가하고, Friend로 추가하는 전환율에는 큰 차이가 있다. Push를 받지 않은 사용자의 List, friend 추가로 전환되는 확률이 훨씬 큼

Ex. Google Analytics

• 구글 애널리틱스에서 보고서 - 전환  - 목표 - 목표 흐름 에서 전환율을 살펴볼 수 있다.

목표 흐름 화면 예시

• 단순히 이렇게 전환율을 살펴보는 과정으로 인사이트를 얻기는 힘들다.
• 'Cohort'별로 이 단계에서 다른 단계로 전환이 왜 안일어나는지와 같은 질문을 던질 수 있어야 함\

퍼널 분석의 핵심은 단순히 전체 전환율을 확인하는 것보다는, 특정 이벤트를 겪은 사용자와 전체 사용자의 전환율, 즉 전환이 잘 일어나는 그룹과 잘 일어나지 않는 그룹에 어떤 차이가 있는 지 확인하는 것

목표 흐름 상단에서 세그먼트를 추가하여 전환율 확인하기

직접 조건을 지정할 수도 있고, 다음과 같은 긱준에 따라 세그먼트를 생성할 수 있다.(ex. 모바일앱 유저)

ex. '퀵뷰'를 클릭한 사용자와 '전체' 사용자의 전환율 비교 - 퀵뷰 클릭 전환율이 더 높음 → '퀵뷰'라는 것을 가이드라인에서 자세히 설명하거나, 튜토리얼에 넣거나, push 알림을 보내거나 하는 등의 액션을 취할 수 있음

Funnel 분석의 가치는 전환율에 영향을 주는 '선행지표'를 발견할 수 있다는 것

Cohort별 분석을 통해 던질 수 있는 질문

1. Signup Cohort에 따라 다른가?
2. UA medium / source / campaign에 따라 다른가?
3. Event 경험 유무에 따라 다른가?
4. Demography에 따라 다른가?

---

이탈의 원인 밝히기

• 정량데이터로 what을, 사용자 인터뷰로 why를 알아낼 수 있다.
• Cohort에 따른 전환율을 확인하는 과정의 '역순'으로도 할 수 있다.

튜토리얼을 완료한 사용자와 그렇지 않은 사용자의 전환율이 다른지,

1월에 가입한 사용자와 2월에 가입한 사용자의 전환율이 다른지,

친구 초대로 가입한 사용자와 그렇지 않은 사용자의 전환율이 다른지

▼

raw data 확인을 통해서 전환에 성공한 사용자와 그렇지 않은 사용자는 무엇이 다른지

Funnel 분석 정리
1. 전환율이 중요하나, Globally optimized되어야 한다. 즉, 좁은 영역의 퍼널을 최적화하는 것이 전체 퍼널에 영향을 주지 않을 수 있음, 기여도 확인하기
2. 전환율 자체를 높이는 것보다는, 퍼널의 '스테이지'를 줄이는 게 효과적인 경우도 많다. 필요한 스테이지인지, 스테이지를 통합해서 줄일 수 없는지 고민해보기
3. 퍼널 뒤집어보기, 결제와 배송 순서를 뒤집어 성공한 서비스도 있다.(Warby Parker) 
4. Cohort에 따른 차이와 원인을 파악하기

---

Funnel 개선하기

1. 개인화 - 머신러닝을 활용한 모델링이 아니더라도, 규칙에 따라서 push알림을 보내는 등 액션을 취하는 rule-based recommendation을 해보는 것이 우선
2. UI/UX
   • 디자인은 전환율을 '변화'시키기 위한 대표적인 독립 변수
   • 전/후 효과에 대한 정확한 측정, 검증 과정이 필수
3. 적절한 개입
   • 이메일, 푸시, 인앱메시지 등
   • 맥락을 잘 정의해서 개입해야 함
     • Targeting 잘 된 푸시/이메일이 5배 이상의 성과를 내며, 타겟팅 되지 않는 푸시를 받고 uninstall 해버리는 경우를 고려하였을 때, 타겟팅의 효과는 10배 이상

---