들어가며…
운영 중인 서비스를 성장시키기 위해 많은 팀이 유기적이고 역동적으로 움직이고 있을 것입니다. 그렇다면 여러분은 서비스를 성장시키기 위해 어떤 노력을 하고 있나요? 경쟁사 벤치마킹? 창의적인 아이디어 도출을 위한 브레인스토밍? 서비스 리뉴얼? 획기적인 마케팅? 제가 언급한 시도를 하고 계신 분도 있으실 것이고, 다른 방법을 구상 중이신 분도 있으실 거예요.
저희 NNT는 다양한 기업과의 협업을 통해 서비스 성장을 위한 여러 전략을 고민하고 실천해왔습니다. 이 과정에서 깨달은 것은 마케팅의 핵심이 바로 ‘유저 중심’이라는 것이었습니다. 유저가 서비스를 이용하는 방식을 깊이 파고들어, 이를 기반으로 서비스 기능을 설계하고 마케팅 전략을 구축하는 것이 서비스 성장을 위한 본질적인 요소라는 것이죠. 그래서 저희는 마케팅의 여러 요소 중에서도, 특히 유저 행동 데이터에 주목하게 되었습니다.
이미 많은 회사가 유저 행동 데이터의 중요성을 인식하고 GA4, Amplitude, Adjust, Braze 등 다양한 툴을 사용하여 이벤트를 수집하고 비즈니스에 활용하고 있습니다. 이 툴들은 내장된 기능이 매우 많고 사용성 측면에서도 효과적입니다.
그런데, 이미 제공되고 있는 서비스 기능 외에도 우리가 수집한 데이터의 원본을 확인하고 원하는 방식으로 가공한다면, 우리 서비스에 더욱 적합한 데이터를 만들 수 있지 않을까요? 이 질문에 대한 답을 찾기 위해, 오늘은 유저 행동 데이터를 생성하는 데 필요한 요소는 무엇인지, 이러한 데이터를 어떻게 분석하고 구성하는지에 대해 함께 이야기해보려 합니다.
유저 행동 데이터는 단순히 수집하는 것에서 끝나지 않습니다. 데이터를 통해 유저의 행동 패턴을 이해하고, 이를 기반으로 서비스를 개선하는 것이 중요합니다. 데이터 수집 단계에서는 정확하고 일관된 이벤트 정의와 데이터 저장 방식이 필요합니다. 이후 분석 단계에서는 데이터를 시각화하고 의미 있는 인사이트를 도출하는 것이 핵심입니다. 마지막으로, 이 인사이트를 바탕으로 서비스의 기능을 개선하고 마케팅 전략을 최적화하는 과정이 필요합니다.
저희 NNT는 이러한 전 과정을 체계적으로 접근하여 서비스 성장을 위한 데이터 기반 전략을 제공합니다. 데이터의 원본을 확인하고 가공하여, 우리 서비스에 최적화된 데이터 분석과 활용 방안을 모색합니다. 이로써 단순한 마케팅 활동을 넘어서, 진정한 유저 중심의 서비스를 만들어 나갈 수 있습니다.
서비스 성장을 위해 유저 행동 데이터를 어떻게 활용할 수 있는지에 대해 더 깊이 알아보도록 합시다. 유저 중심의 데이터 분석과 활용이 여러분의 서비스 성장에 얼마나 큰 변화를 가져올 수 있는지 함께 탐구해보겠습니다.
유저 행동 데이터는 무엇이고 왜 필요한가요?
유저 행동 데이터로 무엇을 할 수 있길래 많은 회사들이 이를 원할까요?
유저 행동 데이터를 기반으로 유저의 특성과 행동을 깊이 있게 분석하면서 서비스를 지속적으로 개선하고 유저의 만족도를 높이는지에 따라 서비스의 성장 곡선이 달라질 수 있습니다.
서비스에서 유저들의 행동을 파악하여 활용도가 높은 기능, 접속 빈도가 높은 유저의 패턴, 최초 결제까지 걸리는 시간과 재구매 주기 등을 알 수 있다면 서비스가 성장하기 위해 필요한 것이 무엇인지 조금씩 보이지 않을까요?
서비스를 성장시키기 위해서는 유저를 만족시킬 수 있는 기능을 만들어야 합니다. 그렇다면 유저의 니즈는 어떻게 파악할 수 있을까요? 유저가 만족할 만한 기능을 만들기 위해 여러 아이디어를 모으는 것도 중요하지만, 유저 행동 분석 데이터를 통해 다음과 같은 인사이트를 얻을 수 있습니다:
- 재구매 유저의 특성 분석: 어떤 유저가 재구매를 하는지, 재구매 주기는 어떤지 파악함으로써 충성 고객을 위한 맞춤형 전략을 세울 수 있습니다.
- 회원가입 퍼널 분석: 회원가입 과정에서 이탈이 많이 발생하는 지점을 파악하고, 이를 개선하여 전환율을 높일 수 있습니다.
- 신규 유저 리텐션 파악: 신규 유저가 얼마나 오랫동안 서비스를 이용하는지, 어떤 이유로 이탈하는지 분석하여 초기 유저 경험을 개선할 수 있습니다.
- 특정 페이지에 진입하기까지의 이동 경로: 유저가 특정 페이지에 도달하기까지의 경로를 분석하여, 유저가 자주 사용하는 경로를 최적화할 수 있습니다.
- 일/시간대별 행동 분석: 유저의 활동이 어떤 시간대에 집중되는지 파악하여, 특정 시간대에 맞춘 마케팅 캠페인을 진행하거나 서버 자원을 효율적으로 배분할 수 있습니다.
- UI/UX A/B 테스트 결과 분석: 다양한 UI/UX 요소에 대한 A/B 테스트를 통해 어떤 디자인이나 기능이 유저에게 더 좋은 반응을 얻는지 분석하여, 최적의 사용자 경험을 제공할 수 있습니다.
이러한 인사이트를 통해 유저의 행동을 더 잘 이해하고, 이를 바탕으로 서비스를 지속적으로 개선해 나가면 유저의 만족도와 서비스의 성공 가능성을 크게 높일 수 있습니다. 유저 행동 데이터는 단순한 통계 수치가 아니라, 서비스의 성장과 발전을 이끄는 중요한 자산입니다.
유저 행동 데이터를 만들기 위해 무엇을 해야 하나요? – 바로 데이터!
서비스의 상세한 기능을 파악한 후 유저를 핵심 사용자부터 신규 사용자까지 분류하는 것이 중요하고 각 유저가 어떤 행동을 얼마나 했는지 세세하게 정리하는 것이 필요합니다.
유저를 분류하고 정의하는 예시
한 가지 예로, 다음과 같이 유저를 분류하여 정의하면 각 그룹별로 유저들이 어떤 패턴으로 서비스 내에서 행동하는지 파악할 수 있습니다.
Level 5 – 핵심 사용자
서비스를 굉장히 자주 이용하는 유저로, 이탈하지 않도록 신경 써야 하는 유저 그룹입니다.
– 서비스에 자주 들어오는 유저
– 최근 6개월 동안 결제 횟수가 5회 이상인 유저
– 이벤트에 자주 참여하는 유저
Level 4 – 발전 사용자
서비스를 자주 이용하고 있는 유저로, 절대로 이탈하지 않도록 신경 써야 하며, 핵심 사용자로 발전 가능성이 있는 유저입니다.
– 서비스에 자주 들어오는 유저
– 최근 6개월 동안 결제 횟수가 2~4회인 유저
– 이벤트에 자주 참여하는 유저
Level 3 – 발전 가능 사용자
서비스를 간혹 사용하는 유저로, 발전 혹은 핵심 사용자로 성장 가능성이 있는 유저입니다.
– 서비스에 월 5회 이상 접속하는 유저
– 최근 6개월 동안 결제 횟수가 1회인 유저
– 이벤트에 1회 이상 참여한 유저
Level 2 – 시작 사용자
이제 막 서비스를 이용하기 시작한 유저로, 유심히 살펴보면 좋을 유저입니다.
– 서비스에 월 5회 미만 접속하는 유저
– 최근 가입한 유저
– 결제 이력이 없는 유저
Level 1 – 신규 사용자
아직 서비스에는 가입하지 않았지만 간혹 서비스를 이용하는 유저입니다.
– 서비스에 가입하지 않고 간혹 접속하는 유저
Level 0 – 일반 사용자
시작 사용자와 발전 가능 사용자 사이의 유저로, 패턴이 일정하고 발전 혹은 핵심 사용자로 올라가지 못한 유저를 의미합니다.
– 비즈니스 방향성 혹은 기능에 따라 발전 사용자 혹은 핵심 사용자로 올라갈 수 있음
유저 행동 패턴 분석
핵심 사용자와 발전 사용자처럼 서비스를 많이 사용하는 유저는 서비스 진입부터 종료까지 어떤 행동을 하는지 파악하고 싶을 것입니다. 이들의 행동 패턴을 분석하면, 일반 사용자와 신규 사용자, 시작 사용자가 핵심 사용자와 발전 사용자만큼 서비스를 많이 이용하도록 만드는 새로운 아이디어를 고민해 볼 수 있습니다.
또한, 신규 사용자가 핵심 사용자로 발전하는 과정을 알 수 있다면 리텐션을 높이기 위해 서비스가 할 수 있는 것이 무엇인지도 파악할 수 있습니다. 이를 통해 유저의 행동 데이터를 기반으로 더 나은 서비스를 제공하고, 궁극적으로 서비스의 성장을 이끌어낼 수 있습니다.
데이터 택소노미 설계하기
유저 행동 데이터를 기획하기 전에, 먼저 우리 서비스에서 보고 싶은 지표가 무엇인지 명확히 정하면 보다 쉽게 기획할 수 있습니다.
일반적으로 유저(유저 ID, 유저 그룹명)가 서비스에서 언제 어떤 기능을 사용했는지(이벤트명), 어느 뷰에서 얼마나 오랫동안 서비스에 머물렀는지(페이지 URL, 세션 시간), 어떤 유저인지, 서비스에 어떻게 유입되었는지(유입 경로, 유입 광고 캠페인)만 알고 있어도 다양한 분석을 할 수 있습니다.
기본적인 데이터 구조
아래는 필요한 기본 데이터 항목들입니다:
– 이벤트 발생 일
– 세션 시간
– 유저 ID
– 유저 분류
– GA 이벤트명
– 페이지 URL
– 유입 경로
– 유입 광고 캠페인 명
이러한 데이터를 기반으로 다양한 분석을 할 수 있습니다.
예시 분석 데이터
- 유저 유입 경로 분석: 유저가 오가닉 유저인지 마케팅을 통해 유입되었는지 알 수 있어, 오가닉/마케팅 유입 비율을 파악할 수 있습니다.
- 유저 그룹별 체류 시간 분석: 유저 그룹별로 체류 시간이 긴 페이지를 파악하여, 어떤 페이지가 유저에게 가장 많은 관심을 받는지 알 수 있습니다.
- 마케팅 성과 분석: 광고 캠페인을 통해 얼마나 많은 유저가 유입되었고, 유입된 유저가 회원가입/로그인 이벤트를 했는지 분석할 수 있어, 마케팅 성과를 평가할 수 있습니다.
- 신규 유저 유입 및 이탈 분석: 이벤트 발생 일과 이벤트 이름을 통해, 신규 유저가 언제 유입되었고 언제 이탈했는지 파악할 수 있습니다.
필요한 데이터 수집
보고 싶은 분석 데이터를 만들기 위해 가장 필요한 것은 유저 이벤트를 수집하는 것입니다.
유저 이벤트 데이터를 수집하는 단계에서는 다음 사항들을 고려해야 합니다:
- 명확한 이벤트 정의: 수집하려는 이벤트와 그 의미를 명확히 정의합니다. 예를 들어, ‘회원가입’, ‘로그인’, ‘구매 완료’ 등의 이벤트를 정의합니다.
- 일관된 데이터 구조: 모든 이벤트 데이터가 일관된 구조로 수집되도록 합니다. 이를 통해 데이터 분석 시 혼란을 줄일 수 있습니다.
- 유저 식별자 사용: 유저 ID를 사용하여 각 이벤트가 어떤 유저에 의해 발생했는지 추적할 수 있도록 합니다.
- 유입 경로 추적: 유저가 어떻게 서비스에 유입되었는지 추적하기 위해 유입 경로와 광고 캠페인 정보를 함께 수집합니다.
이렇게 수집된 데이터를 통해 원하는 지표를 명확하게 분석하고, 이를 기반으로 서비스 개선과 마케팅 전략을 세울 수 있습니다. 유저 행동 데이터의 체계적인 수집과 분석은 서비스의 성장과 유저 만족도 향상에 큰 도움이 될 것입니다.
유저 이벤트 수집을 위해 GA4 를 선택한 이유
유저 이벤트를 수집하기 위해 서비스 내에 이벤트 수집 API를 만들어 내부 데이터베이스에 적재할 수도 있지만, 유저가 생성하는 많은 이벤트를 수용할 수 있는 시스템을 구축하는 것은 새로운 프로덕트를 만드는 것과 같습니다. 이는 상당한 개발 리소스를 필요로 하며, 많은 기업에서 이러한 리소스가 부족한 상황입니다.
이러한 니즈를 파악한 기업들이 GA4, Mixpanel, Adobe Analytics 등 다양한 유저 이벤트 수집 툴을 개발했습니다. 이 중에서 저는 GA4를 사용할 예정입니다. 그 이유는 다음과 같습니다:
- 무료 사용 가능: GA4는 무료로 제공되며, 다양한 기능을 비용 부담 없이 활용할 수 있습니다.
- 커스텀 이벤트 수집 용이: GA4는 커스텀 이벤트를 쉽게 설정하고 수집할 수 있어, 서비스의 특성에 맞춘 데이터를 수집하는 데 유리합니다.
- BigQuery와의 연동: GA4는 Google Cloud Platform(GCP) 서비스인 BigQuery와 쉽게 연동할 수 있습니다. 이를 통해 GA4에 쌓인 유저 이벤트 데이터를 빠르고 효율적으로 확인하고 분석할 수 있습니다.
- 데이터 웨어하우스 기능: BigQuery는 대규모 데이터를 저장하고 분석하는 데 적합한 데이터 웨어하우스입니다. GA4와 연동하여 유저 이벤트 데이터를 BigQuery에 저장하면, 대규모 데이터를 손쉽게 관리하고 분석할 수 있습니다.
- 비용 효율성: BigQuery는 데이터 처리량에 따라 비용이 부과되므로, 필요한 만큼만 비용을 지불하면 됩니다. 이는 비용적으로 매우 합리적입니다.
GA4를 사용하면 유저 이벤트 수집과 분석을 위한 강력한 도구를 제공받을 수 있습니다. 무료로 사용할 수 있는 점, 커스텀 이벤트 수집의 용이성, 그리고 BigQuery와의 원활한 연동 덕분에, 서비스의 성장과 유저 행동 분석을 효과적으로 수행할 수 있습니다. 이러한 이유로 GA4를 선택하여 유저 이벤트를 수집하고 분석할 예정입니다.
GA4 와 BigQuery 연동하는 이유
유저 이벤트 수집을 위해 GA4를 선택한 이유는 여러 가지가 있지만, GA4와 BigQuery를 연동하는 이유는 GA4에 쌓인 이벤트를 직접 확인하고 분석하기 위함도 있습니다. 그러나 그보다 중요한 이유는 GA4 Dashboard의 샘플링 기능을 회피하기 위해서입니다.
GA4 Dashboard는 속도 향상을 위해 일정 할당량 한도를 초과하는 경우 데이터를 샘플링하여 보고서와 분석 데이터를 생성합니다. 이로 인해 BigQuery, GA4 Dashboard, Analytics API의 결과 값이 다를 수 있습니다. 샘플링된 데이터는 전체 데이터를 정확히 반영하지 못할 수 있기 때문에, 마케터나 데이터 분석가는 어느 데이터를 신뢰해야 할지 혼란스러울 수 있습니다.
샘플링 문제와 데이터 신뢰성
일반적으로 GA4의 경우 쌓인 이벤트가 1,000만 개 이상, GA360의 경우 10억 개 이상 쌓여 있으면 샘플링이 발생할 수 있습니다. 이로 인해 GA4 Dashboard와 Analytics API에서 제공하는 데이터는 샘플링된 값으로, 정확도가 떨어질 수 있습니다. 샘플링된 데이터는 정확한 인사이트 도출에 방해가 되며, 데이터 분석의 신뢰성을 낮출 수 있습니다.
BigQuery와의 연동을 통한 샘플링 회피
샘플링에 의해 발생하는 데이터 오차를 없애기 위해 GA4 이벤트 데이터를 BigQuery와 연동하여 직접 보고서 및 분석 데이터를 만드는 것이 중요합니다. BigQuery는 대규모 데이터를 처리하고 분석하는 데 적합한 데이터 웨어하우스로, GA4에서 쌓인 모든 이벤트 데이터를 샘플링 없이 저장하고 분석할 수 있습니다. 이를 통해 더욱 정확한 분석 결과를 도출할 수 있으며, 마케터와 데이터 분석가가 신뢰할 수 있는 데이터를 제공받을 수 있습니다.
GA4와 BigQuery의 연동은 단순히 데이터를 확인하고 분석하는 것을 넘어서, GA4 Dashboard의 샘플링 기능을 회피하고 데이터의 정확성과 신뢰성을 확보하기 위함입니다. 이를 통해 샘플링으로 인한 데이터 오차를 없애고, 보다 정확한 유저 행동 분석을 수행할 수 있습니다. GA4 이벤트 데이터를 BigQuery에 저장하여 직접 분석하면, 서비스의 성장을 위한 더 나은 인사이트를 얻을 수 있습니다.
GA4 와 BigQuery 연동하기
- Google Analytic 접근
- 좌측 메뉴 하다 관리버튼
- 관리 페이지 내 좌측 메뉴 속성 설정
- 제품 링크 클릭
- BigQuery 링크 클릭
- 우측 뷰에서 연결 클릭
- GCP BigQuery 연동
- GCP BigQuery 테이블 생성 확인
- BigQuery 에 analytics_* 이름의 데이터세트 내에 events_{yyyymmdd} 테이블이 생성됩니다.
GA4 와 BigQuery 연동시 유의할 점
- 연동 후 BigQuery 와 바로 연동되지 않아요 하루 정도 기다려야 해요.
- BigQuery 는 매달 첫 1 테라 바이트 처리 비용은 무료입니다.
- 연동 전 쌓여있던 GA 이벤트는 BigQuery 로 연동되지 않아요.
- GCP 결제 정보를 등록하지 않으면 연동된 데이터는 60일 후 삭제됩니다. 결제정보를 등록하셔야 해요.
- GA4 사용시 매일 100만개의 이벤트까지 연동이 가능해요.
- GA4 일별 100만개 이벤트가 넘고 7일간 유지되면 빅쿼리와 연동이 중지 됩니다.
- 일별 이벤트가 100만개가 넘는다면 연동에서 제외할 이벤트를 설정하거나 스트림으로 연동 방식을 변경하거나 GA360 업그레이드를 고려하세요.
- GA4 이벤트가 BigQuery 로 연동되는 시간은 유동적입니다. 상황에 따라 오전에 연동 되기도하고 오후에 연동되기도 합니다.
- 스트림 방식으로 연동한다면 일정 시간마다 연동되지만 이벤트 수에 따라 비용이 발생합니다.
- GA4 <> BigQuery 연동 한도
Conclusion
- GA4 와 BigQuery 를 같이 사용하면 나만의 유저 행동 데이터를 만들 수 있습니다.
- BigQuery 를 다룰 때 SQL 기술이 필요합니다.
- 모든 걸 자동화하여 데이터를 관리하고 시각화 할 수 있습니다.
- GA4, BigQuery, 시각화 툴(Looker Studio) 모두 무료로 사용 할 수 있습니다.
- 모든 프로세스는 자동화 할 수 있습니다.
프로세스를 자동화하여 단순 반복 업무를 줄이고 여러분의 시간을 보다 가치있게 사용하세요.
