데이터 분석가, ARPU와 CLV 실무에서 활용하기 (2) 문제 정의 & 가설

이 글의 목적

• 데이터 분석을 통해 Action Item을 도출하는 과정과 인사이트를 공유하기 위해서 작성했습니다.
• 책이나 논문과 달리 ‘딱딱 떨어지지 않는 현실’을 알 수 있으며, 그럼에도 불구하고 어떻게 접근했는지 소개합니다.
• 요약 정리보다는 데이터 분석 실무자의 생각 흐름으로 풀어보았습니다.
• 총 3편으로 나누었고, 여기서는 본격적으로 '문제 정의'와 '가설'을 다룹니다.

 

(프로젝트 맥락을 알 수 있는 이전 편 살펴보기)

데이터 분석가, ARPU와 CLV 실무에서 활용하기 (1)

 

 

<목차>

1. 문제 정의
   • 간단하게 비교해도 업사이드가 보인다.
   • 그런데 왜 적극적으로 공략되지 않았을까?
   • 예상 임팩트를 가시적으로, 액션 아이템을 실용적으로 도출해 보자.
   • (+) 💡문제에 의한 '현상'과 진짜 문제 구분하기
2. 가설
   • 설득을 위한 분석 계획
   • 적절한 접근 방식 채택하기
   • => ARPU와 CLV 개념으로 국가별 전략을 도출할 수 있을 것이다.

 

---

문제 정의

 

• (현상) 간단하게 비교해도 업사이드가 보인다.
  • 국내 유저 점유율은 거의 지배했을 만큼 높았고, 글로벌 주요 국가들은 점유율이 꽤 낮은 것으로 추정되었다.
  • 하지만 글로벌은 단가가 비교적 크기 때문에, 규모만 키우면 충분히 가치 있을 거라고 예상 가능했다.
• (현상) 그런데 왜 적극적으로 공략되지 않을까?
  
  • 궁극적으로 인식의 차이라는 생각이 들었다.
    
    1. 막연하게 업사이드가 있을 것 같기는 한데, 막 뛰어들 정도인지는 가늠되지 않는다. (더하면 좋은 Extra Miles 정도로 인식)
    2. 최종 아웃풋 기준으로 사고해서 당장 할 일이 도출되지 않는다. (MAU 높으면 좋긴 하지, 결국 다 올리긴 할 거니까,...)
    3. 반면, 당장 눈에 보이는 국내 사업 현황과 시장 흐름은, 부정적인 시선을 만들기 쉬웠다.
• (문제) 예상 임팩트를 가시적으로, 액션 아이템을 실용적으로 도출해 보자.
  
  • 글로벌의 잠재 임팩트가 생각보다 크다는 것을 가시적으로 전달한다.
  • 결과 지표들 (MAU, 매출)을 쪼개어 가능한 액션 아이템을 제시한다.
  • 궁극적으로 데이터 분석을 통해서 의사결정의 질을 높인다.

 

---

 

💡문제에 의한 '현상'과 '진짜 문제' 구분하기

데이터 분석이 익숙하지 않은 팀과 협업하면 많이 듣는 이야기 중 하나가 "일단 데이터를 한 번 보면 좋겠어요."이다.

물론 분석가도 탐색적인 분석(EDA)을 많이 하고, 실제로 탐색 수준으로 끝나는 분석도 많이 있다.

하지만, 문제 때문에 드러난 현상을 자칫 진짜 문제로 정의하기 쉬우니 조심해야 한다.

 

특히, 많이 사용되는 AS-IS & TO-BE를 통한 문제 도출에서도 이 이슈는 흔히 발생한다.

현재 상황 (AS-IS)과 원하는 상황 (TO-BE) 사이의 간극(Gap)은 말 그대로 간극이자 현상일 수 있다.

예) 유저가 100만 명이면 좋겠는데, 지금 40만 명이다. 고로 60만 명이 부족한 것이 문제이다. -> 🤔

 

그러면 진짜 문제는 어떻게 정의해야 할까?

결국 간극이 나타나는 이유가 근본적으로 해결해야 할 문제다. 어떤 면에서는 "해야 할 일"에 가깝다.

 

함께 체크해 보면 좋을 것들

- 상위 KPI 혹은 OKR에서 출발하거나, 협업자(Stakeholder)가 가진 페인 포인트는 좋은 단서가 된다.

- "~을 하고 싶다"는 문장으로 적어 봐도 좋다. 분석할 때 가장 많이 하는 생각이 "뭐 하려고 했지?"인데, 꽤 실용적이다.

- 문제도 근거가 있어야 한다. "왜 문제인지, 해결하면 무엇이 좋은지, 지금 해야 하는 이유는 무엇인지" 적어보자.

- 어차피 (대부분은) 한 번에 해결되지 않는다. 그래서 (나는) 과제 단위로 문제가 정의되는 게 유용하다고 생각한다.

 

---

 

가설

• (전략) 설득을 위한 분석 계획
  
  • 상대의 논리를 오히려 먼저 짜주고, 여기에 나의 논리를 곁들이는 방향이 좋은 전략이 될 수 있다.
    1. 이렇게 생각하시죠?  ->> 국내 점유율과 매출 (ARPU) 기반의 예상 글로벌 업사이드
    2. 이 부분을 검토하면 좋겠어요.  ->> ARPU로 드러나지 않은 행동 패턴, 유저 가치 시각화
    3. 이렇게 접근해 볼까요?  ->> 새로운 관점으로 보는 예상 글로벌 업사이드
    4. 어떠세요? 이렇게 해볼까요?  ->> 액션 시나리오 제시

 

• (방법론) 적절한 접근 방식 채택하기
  • 집단 간 차이 비교도 해야 하고 (국내 vs. 글로벌, 국가별 등), 국가별 개별 전략도 액셔너블하게 도출해야 한다.
  • 따라서, 아래 2가지를 적절히 활용해 보기로 했다.

	ARPU (Average Revenue Per User)	CLV (Customer Lifetime Value)
정의	유저 1명이 특정 기간 내 발생시킨 평균 매출 (가치)	유저 1명이 생애(유입~이탈) 기간 내 발생시킨 총매출 (가치)
수식	Total Revenue / Total Active Users	Average Revenue x Average Freq x Life Span
장점	- 측정 기준이 같아서 (그룹 간) 성과를 비교, 측정하기 좋다.	- 개별적인 가치, 행동(빈도, 길이)이 반영되어서, 유저 세그멘테이션 및 액셔너블한 분석에 좋다.
단점	- 아웃풋 지표 {유저 규모, 매출}들로 이루어져 있어서 액셔너블한 분석에 활용하기 어렵다.	- 여러 평균값이 사용되어서 집단 간 CLV를 비교할 때 주의가 필요하다.

 

• (가설) ARPU와 CLV 개념을 엮으면, 국가별 전략을 도출할 수 있을 것이다.
  
  • 각각의 장단점을 고려했을 때 적절할 것으로 판단했다.
    • 사실 ARPU만 간단히 시각화해서 보여드려도 '오?' 하는 반응은 얻을 수 있을 것 같았다.
    • 하지만 '그렇군요! 시간 나면 꼭 해볼게요!'가 될 가능성이 높기 때문에, 한 뎁스 더 내려보기로 했다.
    • 단순 성과 측정이 아닌 액션 아이템이 도출이 궁극적인 목적이므로, CLV를 추가로 살폈던 것이다.
  • 수식은 그대로 쓰지 않고, 개념만 활용하기로 했다.
    • 예를 들어, "생애 길이"는 액션 아이템 도출에 꽤 유용하기 때문에 차용했다. ARPU는 <1개월에 어느 정도 얻을 수 있는지>를 알려준다면, CLV는 <그만큼 얻으려면 얼마나 걸리는지 (PayBack Period)>를 알려주기 때문이다.
    • 이글 후속편에 나오겠지만, 생애 길이를 정의하는 것은 생각보다 복잡했다. 그렇다고 CLV 수식을 정확히 대입하기 위해 평균값을 쓰는 것도 적절하지 않았다.
    • 아마 수식에 집착했다면 분석을 위한 분석이 되어 길을 잃었을 것이다.

 

(여담 1: 추천 도서)

<컨버티드: 마음을 훔치는 데이터분석의 기술 | 닐 호인>

CLV(LTV) 개념을 실무에 활용한 사례를 정말 쉽게 설명한다. 아이디어를 많이 얻었다.

제목은 데이터분석!!! 인 거 같지만, 사실 마케터 분들에게 추천했을 때 더 호평을 많이 받았다.

컨버티드: 마음을 훔치는 데이터분석의 기술 | 닐 호인 - 교보문고

 

 

(여담 2: 협업)

위의 사고 과정이 한 번에 챱 정리된 것은 아니다. 탐색적 분석(EDA) 과정에서 더 탄탄하게 하기도, 샛길로 빠지기도 했다.

그래서 <뭘 하려고 했는지> 문제 정의가 중요하고, 계속 환기하는 것도 중요하다.

분석가들끼리 서로 '말이 되는 소리 말을 하고 있는지' 주기적으로 회고했다. (> 방법론이 어떻고~ 보다 훨씬 유의미했다.)

각자의 작업을 면밀하게 검토하다 보니 시간 소요가 많이 되었지만, 일하는 방식이 굳어가면서 장점을 더 많이 취할 수 있었다.

협업에 관해서는 또 다뤄볼 예정이다.

 

고군분투의 흔적 일부.jpg

 

---

 

다음 편은 이제 검증과 결과에 대해 다룰 예정!

방법론을 실제로 활용하려고 하면 생각보다 디테일한 빌드업이 정말 많이 들어간다.

수없이 '이게 맞나?'를 외치면서, 왜 실무를 직접 해봐야 하는지 많이 느낄 수 있었다.