Search
🧑‍💻

프로덕트 & 데이터 분석

기존 공유된 아티클 모음 →
프로덕트 & 데이터 분석
Search
Name
요약
태그
🧑🏻‍⚕️ 요약자
공유 날짜
is_오픈채팅
is_커리어리
is_HOLIX
고객의 소리에 귀를 기울이는 아이디어는 비즈니스 자체 만큼이나 오래됐습니다. 시간이 지나면서 "VoC"로 공식화된 이 관행에는 인터뷰, 설문조사 및 포커스그룹이 포함되었습니다. 그리고 최근에는 구매후 설문, 피드백 양식, 후속 이메일을 통해 이러한 방식을 온라인으로 가져오려는 노력이 있었습니다. 고객 경험을 이해하고 개선하는데 있어 피드백이 중요하다는 것에는 의심의 여지가 없습니다. 그러나 점점 더 경쟁이 치열해지는 오늘날의 디지털 환경에서 VoC 데이터만으로 충분할까요? 불완전한 스냅샷 VoC라는 용어가 처음 1993년에 만들어졌을 때 설문조사 및 포커스그룹과 같은 방법은 기억이 고객을 이해할 수 있는 유일한 방법이었습니다. 그후로 많은 것이 바뀌었고, 점점 더 많은 디지털 중심의 비즈니스가 생겨왔습니다. 물론 VoC는 온라인에서 고객과 연결할 수 있는 신기술로 계속해서 확산되고 있습니다. 하지만 수집된 피드백은 종종 고객이 실제로 제품이나 서비스를 어떻게 사용하고 있는지, 이탈의 원인이 있다면 무엇인지에 대해서는 거의 언급하지 않습니다. 이것이 바로 중요한 문제입니다. 의미있는 컨텍스트에 대한 이해없이 작은 시점 단위의 샘플을 사용하는 경우가 많습니다. 그 결과 고객 경험을 연결하는 복잡한 행동을 놓칩니다. 예를 들자면, 고객에게 식사경험을 평가하도록 요청하는 레스트랑의 피드백 카드에서 고객들이 첫방문인지, 10번째 방문인지, 무엇을 주문했는지, 식당이 얼마나 바빴는지와 같은 정보에 비추어 볼 때 그 대답은 얼마나 달라질까요? 아니면 카드가 더 전략적으로 처음 식사하는 사람들에게만 배포되었다면 어떨까요? VoC는 UX방법론의 단일 도구 VoC가 제공하는 일반화된 데이터는 고객 경험을 개선하는 데 크게 도움이 되지 않습니다. 특히 필터링, 요약 및 행동 컨텍스트에서 벗어난 데이터가 제품팀의 책상에 도착하는 경우에는 더욱 그렇습니다. VoC가 하지 않는 것은 솔루션이 무엇인지 알려주는 것입니다. 이를 위해서는 문제와 솔루션이 잘 맞는지 테스트하기 위해 실험을 실행해야합니다. VoC는 훌륭한 UX방법론 중의 하나일 뿐이고 고객 경험에 대한 보다 포괄적인 관점을 가져야합니다. 정성적, 정량적 데이터의 한쪽에만 치우친다면 어떻게될까요? · 정성 데이터에만 집중한다면? "고객에 대한 이해는 깊지만 우리가 하는 일이 실제로 도움이되는지 효과가 있는지 모르겠어요." · 정량 데이터에만 집중한다면? "우리는 데이터 중심이지만 누구를 위해 만드는걸까요? 일은 잘 되는것 같지만 왜 그런지 모르겠어요. 일부에 대한 최적화만을 쫓고있어요." · 정성+정량 데이터를 잘 활용하고 있다면? "고객을 이해하고 고객이 제품을 사용하는 방식을 잘 이해하는 균형을 지키고 있어요" 훌륭한 팀들을 어떻게 하나요? 고객 여정 전반에 걸친 복잡한 관계를 설명하는 세분화된 행동 데이터 캡쳐 심도있는 정성적, 정량적 연구 및 분석방법을 모두 수용 개별 및 연결된 행동이 주요 지표에 어떤 영향을 미치는지 이해하고, 이를 활용해 추적하고 영향을 미치는 올바른 측정 기준을 결정 해당 데이터를 사용해 특정 사용자 그룹의 요구사항에 맞게 제품 경험을 개인화하고 맞춤화 변경사항을 빠르게 구현하고 그 영향을 측정하여 피드백 루프 닫기 VoC와 제품 분석을 혼합함으로써 기업은 고객과 자신을 위한 가치를 창출할 수 있는 진정한 기회를 얻게 됩니다. 다양한 VoC 메트릭과 접근방식의 장점에 대해서는 논쟁의 여지가 있지만 조직이 개발자와 디자이너를 고객과 거리를 두게한 채 VoC에만 의존한다면 문제가 됩니다. 빠르게 디지털화되는 세상에서 경쟁력을 유지하고자 하는 기업은 고객 경험에 대한 보다 포괄적인 관점이 필요합니다.
PM/PO
프로덕트 전략
프로덕트 분석
2022/06/17
Cimpress의 프러덕트 매니저로 활동하고 있는 Tanulekha Roy는 B2B UX에 대해 흔히 가지고 있는 통념과 B2B 프로덕션이 가지고 있어야 할 4가지 핵심 가치에 대해 아와 같이 소개하고 있다.  통념1. B2B 프로덕션의 고객은 비즈니스 파트너/비즈니스 SPOC(단일화된 고객 접점)이라는 통념 B2B 프로덕션의 고객은 직원이다. 하지만 이 직원들은 공식적인 온보딩 없이 프로덕션을 마주하게 되는 일이 빈번하다. 그렇기에 Self-learning을 유도하는 UX를 가진 프로덕션을 만들 수 있도록 해야 한다.  통념2. 사용자가 우리의 B2B 프로덕션을 사용할 필요가 있다는 통념 B2B 프로덕션을 사용하는 유저들은 그들이 오랜 시간 동안 유지해 온 시스템(legacy)가 있기에 B2B 프로덕션에 적응하는 것이 힘들 수 있다. 또 우리 제품에 적응하는 것이 중요한 것이 아니라, 업무 목표를 완수할 수 있도록 하는 것에 집중해야 한다는 것을 명심해야 한다. 그렇다면 B2B 프로덕션이 가지고 있어야 할 핵심 가치 4가지는 무엇일까? 일관성 : 한 번 배워서 모든 곳에 적용할 수 있어야 한다 - 동일한 색상과 폰트뿐만 아니라 정보의 접근성에도 신경을 써야 한다. 링크와 버튼의 위치, 네비게이션과 인터랙션, 필터를 포함한 여러 요소가 일관된 동작을 할 수 있어야 한다. 모듈화 : 필요한 것만 표시한다 - 복잡할 수 있는 B2B 시장에서는 정보를 구분하여 제공하는 것이 중요하다. 모든 리포트, 대시보드를 한 화면에 보여주는 것은 사용자가 제품을 이해하는 시간만 늦출 뿐이다. 접근 제어 : 유저에 따른 기능 맵핑이 되어야 한다 - 한 기능 안에서도 여러 level로 나뉠 수 있다. 관리자로서의 접근 권한을 가진 유저는 모든 기능에 접근할 수 있겠지만 뷰어로서의 접근 권한을 가진 유저는 같은 기능이어도 제한적으로 기능에 접근할 수 있도록 제어된다. 이러한 상황과 유저의 페르소나를 기억하고 있다면 용도에 따라 기능을 논리적으로 분리할 수 있을 것이다. Product Nudge : 자연스럽게 유저를 온보딩하는 가이드 - 프로덕션의 관련 메뉴 안에서 도움말, 말풍선, FAQ, 짧은 온보딩 영상을 삽입한다면 유저가 자연스럽고 빠르게 프로덕트에 적응할 수 있을 것이다. 마지막 팁: B2C 프로덕션처럼 View와 Click 이벤트를 심어서 User experience journey를 파악해보자 B2B, B2C와 상관 없이 사람을 위해 제품을 만든다는 것은 변하지 않는다. 그렇기에 유저에게 프로덕션을 사용하도록 강요하는 것보다 유저가 사용하고 싶어하는 프로덕션을 만드는 것이 중요하다.
UX
프로덕트 전략
2022/06/14
‘안전'의 이슈는 제품의 가치를 떨어뜨리고 비즈니스 비용을 발생시킵니다. 안전 문제를 경험한 고객은 보통 다시 돌아오지 않으며, 부정적 뉴스 혹은 입소문을 통해 수 십 수 백만 명이 브랜드에 대한 부정적 인식을 갖게 됩니다. 따라서, 제품의 안전을 보장하기 위한 계획은 성장을 지원하는 계획이라고 말할 수 있습니다. PM은 제품이 성장할수록 안전 이슈의 중요성과 가능성을 인지하고 대응방안에 대해 알고 있어야 합니다.  제품의 안전성 = 인식 + 현실 결국 안전은 ‘느낌'입니다. 사람들은 인식을 기반으로 ‘리스크’를 판단하며, 이를 기반으로 결정을 내립니다. 따라서 제품의 안전성은 안전하다는 ‘인식'과 실제로 안전한 ‘현실' 모두를 포함해야 합니다. 1) 안전 문제는 발생 빈도에 비해 회사에 보고되지 않는 경우가 많으며 2) 안전 문제를 겪은 사용자는 관련 경험을 주변에 공유합니다. 간접적으로 안전 문제를 인지한 사용자들은 위험을 완전히 회피하기 위해 제품을 사용하지 않기로 결정할 수 있습니다. 안전 문제는 우리가 인지하는 수준보다 숨겨진 문제가 많을 수 있음을 알아야 하며, 그 사건으로 인해 다른 사용자가 받을 영향에 대한 평가도 함께 진행되어야 합니다.  안전 리스크 식별 방법 1단계: 여러 부서가 모여서, 가능성이 있는 위험 목록 작성하세요. 가설을 수립하고 최대한 구체적으로 논의하여 사용자 여정을 따라 리스크와 우려사항을 나열하세요. 2단계: 나열한 리스크를 분류하세요. 다음 리스크 분류방법을 참고하세요. ∙제품 리스크 vs 행동 리스크 - ‘제품 자체’의 동작 실패인가, 혹은 제품을 ‘사용하는 행동'과 관련된 위험인가 ∙빈도 vs 심각도 - 자주 발생하는가, 한번 발생해도 치명적인가 ∙남용, 오용, 악의적 행동 - 사용자가 제품을 의도적으로 나쁘게 사용하는가(e.g. 스팸) ∙개인정보 보호 - 특히 커뮤니티 제품/서비스의 경우, 사용자의 신원과 개인정보가 불순한 목적으로 사용되지 않도록 주의해야함 ∙사용자의 제품 통제 정도 - 사용자가 제품을 사용할 때 안전하다고 느낄 수 있도록 추가적인 설정 기능이나 통제장치가 필요할 수 있음(e.g. 자녀 보호기능) ∙페르소나별 리스크 - 여성, 노인, 특정 인종 그룹, 어린이 등 특정 그룹에 영향을 미칠 수 있는 사회적 사건이나 트렌드를 검토해야 함  리스크 데이터 수집하기 안전 퍼널에서는 나쁜 경험을 가지는 사용자를 최소화해야합니다. 리스크를 선행지표와 후행지표로 분류하세요. 사용자가 어떻게 위험을 알리는지 확인하고, 품질보증(QA)테스트를 통해 리스크를 확인하세요. 이 데이터는 어떤 리스크에 가장 먼저 손을 대야 하는지를 알려줍니다.  안전 로드맵 구축하기 리스크를 식별하고 분류하는 작업을 완료했다면, 리스크의 상대적 중요성을 기반으로 사용자에게 안심을 줄 수 있는 솔루션을 구축하세요.
프로덕트 전략
프로덕트 분석
2022/06/02
Product-Led Growth와 No-Code는 확실히 2020년과 2021년의 핫 트렌드였습니다. 다음 2022년 및 그 이후의 다음 제품 트렌드에 대한 5가지 소개합니다. 구매 잊기 이 키워드는 스토리지, 모니터링 및 백업의 기능을 제공하는 제품에 알맞습니다. 고객이 데이터를 어딘가에 저장해야 하는 기능적 요구 사항 을 찾고 있다면 더 중요한 것은 데이터가 안전하다는 것을 알고 마음의 평화를 얻는 감정적인 요소가 있습니다. - 참여도가 낮은 제품은 핵심 기능에만 집중하면 되기 때문에 일반적으로 유지 관리가 더 쉽습니다. 즉, 고객은 문제가 발생했을 때만 제품을 찾아오면 됩니다. - 반복 가치 는 고객이 1년 이상 서비스를 사용하지 않은 경우에도 제품을 유지하고 신용 카드 정보를 계속 업데이트하도록 유도하는것이 좋습니다.  ROI 리포팅 B2B 기업에 해당 되는 키워드입니다. 가치와 수익이 매치되는 프로덕트는 쉽게 고객에서 설득할 수 있습니다. 구매자는 제품 비용, 설치 비용, 이 새 앱을 유지 관리하는 비용, 교육하는 비용, 제대로 작동하지 않는 비용은 얼마인지 궁금해 합니다. 이러한 경우 가장 좋은 방법은 ROI에 대해 보고하는 것입니다. 특정 방식으로 가치를 추가하겠다고 구매자에게 약속하고 이를 증명하세요. Tip #1: 집착은 하지 마세요. 항상 가능한 것은 아닐 수도 있습니다. Tip #2: 경쟁업체에서 배우고 복사해보세요.  유료 활성화 사용자는 완전히 활성화되기 전에 마지막 고비를 넘기 위해 약간의 넛지가 필요할 수 있습니다. 이러한 경우 활성화하기 위해 "지불"하는 것을 두려워하지 마세요.  SaaS를 먹는 SaaS 일반적인 SaaS 제품이라면 Twilio, Stripe, Algolia 같은 기술 스택의 일부로 사용하는 것이 가속화 될것입니다. 이러한 앱은 많은 소프트웨어 제품의 중추를 형성했지만 부차적인 경험에 대해서 유효합니다. 또한 이런 경향은 메인 SaaS는 경험에도 영향을 미칠것입니다. Ed-Tech 탐구 Ed-Tech은 콘텐츠 마케팅의 확장이라고 생각할 수도 있지만 그 이상입니다. 일반 대중에게 자신의 프로덕트 이점에 대해 교육해야 합니다. 현재 Ed-tech 비즈니스 모델은 다음과 같습니다. (a) 무료, 무작위 광고로 수익 창출(Youtube) (b) 무료, 팬으로부터 후원 또는 기부금 모으기(Patreon) (c) 과정당 유료(Udemy) (d) 월별 유료(Treehouse)
프로덕트 분석
비즈니스 전략
2022/05/16
사용자의 업무상 발생하는 워크플로우 내 문제를 해결하기 위해 존재하는 것이 B2B SaaS의 존재 의의입니다. 과업을 수행하기 위해 제품이나 서비스를 구매한다는 JTBD(Jobs to be Done) 프레임워크는 B2B 프로덕트를 만들고 있는 사람들이 필수적인 프레임워크입니다. 고객이 수행하고자 하는 과업을 명확하게 정의하지 않고 제품 개발에만 몰두하는 것은 방향 없이 속력만 내는 것입니다. 원문에서는 JTBD 프레임워크의 9가지 원칙에 대해 상세한 설명과 함께 소개하지만, 일부만 옮기겠습니다. 궁금하신 분들은 원문 링크를 참조하세요. 3. 고객의 과업(JTBD)는 오랜 시간에 걸쳐 안정적이게 되었다 • '부모가 자녀에게 삶의 교훈 물려주기' 과업은 인류만큼 오래된 과업입니다 • '출근길의 무료함 달래기'는 지역과 관계 없이 동일하게 적용되는 과업입니다 • Amazon은 '고객에게 가장 좋은 것을, 가장 저렴하게, 가장 편리하게 제공하는 것'을 과업으로 정의했기 때문에 이커머스 플랫폼 뿐 만 아니라 다양하게 비즈니스를 운영할 수 있습니다 4. 고객의 과업은 솔루션이나 기술과 무관하다 • 자신의 제품이 최적의 솔루션이 될 수 있도록 고객의 불편함과 니즈를 입맛대로 정의하고 싶은 욕구에 매몰되어서는 안됩니다 • 킥보드 대여 서비스가 해결하고자 하는 과업은 킥보드를 더 쉽게 빌리는 것이 아니라, 도심 속 이동을 더 편리하게 하는 것입니다 • 이미 고객은 현존하는 기술이나 자신만의 솔루션으로 해당 과업을 수행하고 있다는 것을 잊어서는 안됩니다 5. 제품의 성공은 제품이나 고객에 대한 분석이 아닌 고객 과업의 단위 분석(Unit Analysis)에서 창출된다 • 고객은 자신의 과업에 대해서는 알고 있지만, 그 과업의 최적 솔루션에 대해서는 모르기 때문입니다 • 헨리 포드가 '고객에게 무엇이 필요한지 묻는다면, 그들은 더 빠르고 지치지 않는 말이 필요하다고 답할 뿐이다'고 한 말과 일맥 상통합니다 • 고객의 과업은 시작과 끝이 존재하는 프로세스 형태로, 대여섯 가지에서 많게는 20~30개의 단위 과업으로 이루어져 있습니다 • 각 단위 과업 중 어떤 부분이 병목이며, 예측이 불가능 하고 비효율이 발생하는지에 대해 학습 해야합니다 7. 과업을 정의함으로서 니즈 해결의 성공을 측정할 수 있는 측정 지표로 활용 가능하다 1) 고객이 과업 수행에서 진정으로 원하는 Desired Outcome을 정의합니다 2) 이를 달성하기 위한 측정 지표와 기준값을 정의합니다 3) 이 기준값을 달성할 수 있도록 제품을 개발하고 마케팅을 수행합니다 • Desired Outcome: '중고 아이폰을 제 값에 빠르게 판매하기' • 측정 지표와 기준값: 제 값 = 60만원+, 빠르게 = 7일- • 달성 방법: 물건을 먼저 수령해 위탁 판매하고, 판매 고객에게는 최소 가격을 보증한다 8. 사람들은 과업을 더 잘 수행하거나, 더 저렴하게 수행할 수 있는 제품이나 서비스를 원한다 • 과업을 더 잘 / 덜 잘 수행한다, 가격을 더 많이 / 더 저렴하게 제공한다 두 축으로 2x2 매트릭스를 그릴 수 있습니다 • 고객이 과업을 해결하기 위해 사용중인 솔루션의 기능이 과다하다면 덜 제공하는 것도 하나의 방법이될 수 있습니다
프레임워크
PM/PO
2022/04/22
A/B 그들은 작동하는 것과 작동하지 않는 것을 빠르게 시도하고, 실패하고, 구현합니다.그리고 마치 C급의 의사결정인 것처럼 믿고 따릅니다. 하지만 성공적인 A/B 테스트가 결과적으로 실패한 이유를 살펴보겠습니다. 참신 효과 고객을 대면하는 새로운 기능에는 자연스럽게 관심이 있고 경쟁자 반응 효과가 있을 수 있습니다. 하지만 참신함은 클릭을 생성한 다음 사라집니다. 결국 새 기능은 "표준”이 되고 영향은 줄어들 것입니다. 일부 시스템에서는 최종 결과만 중요합니다  너무많은 A/B 테스트 실행 중 실험은 대부분 상호 배타적으로 간주되므로 모집단이 겹칩니다. 실제로 대부분의 트래픽 분할은 일부 상호 배제와 함께 인구의 일부에서 수행되며, 불행히도 실험은 가장 충성도가 높은 사용자에서 훨씬 더 나은 성능을 보였습니다. 부정확한 측정항목 A/B 실험을 통해 그룹의 주문 수를 $5.5로 성공적으로 증가시켰습니다. 하지만 동시에 낮은 그룹에 대한 유지율은 48%로 떨어졌지만 이를 모니터링하지 않았습니다…이처럼 리텐션은 복합적인 지표입니다. 이처럼 장기 트래킹이 필요한 항목에 대한 A/B 테스팅은 관찰하기 어렵습니다. 범용적 결과 A/B 테스팅은 모든 방법론이 승자입니다. 프로덕트 특징에 맞춰 평가 되지 않습니다. 결과 대해 어떤 동작으로 이뤄졌는지 제공하지 않습니다. 인사이트 부족 버전 A가 B보다 전환율이 더 좋다는 것을 알게 되었습니다. 하지만 이것은 핵심 학습이 아닙니다! 개별적인 사용자, 실험한 버전에 대한 인사이트를 주지 않습니다. A/B 테스트는 개별 인과 관계 알고리즘이 아닙니다. 단지 현재 상황을 감안할 때 변이가 모집단에서 평균적으로 더 낫다는 것을 알려줍니다. 즉, 개인 X_i와 X_j를 고려하면 한 사람이 다른 사람보다 더 높은 지표를 가질 가능성이 더 높은지 여부를 알 수 없습니다.
프로덕트 전략
지표
A/B테스팅
2022/04/21
콘텐츠가 비즈니스와 마케팅 분야에도 엄청난 잠재력을 가지고 있다는 점이 증명되고 있습니다. 특히 지난 몇 년간 Salesforce, Hubspot, Shopify와 같은 SaaS 기업들이 미디어 회사처럼 움직이기 시작하면서 콘텐츠 마케팅은 한 단계 도약하고 있습니다. Salesforce 지난 해 세일즈 포스는 대규모의 콘텐츠 투자를 발표하면서 할리우드 스타일의 콘텐츠 스튜디오를 만들었습니다. B2B 고객 유치라는 궁극적인 목표를 가지고 고품질의 콘텐츠를 말들기 위함이었죠. Hubspot 다양한 마케팅 솔루션을 제공하는 Hubspot은 뉴스레터, 팟캐스트 등을 운영하는 미디어 The Hustle을 330억에 인수했습니다. Shopify 디스커버리 채널과 함께 Shopify's Studio라는 미디어 회사를 설립하여 I Quit라는 프로그램을 제작했습니다. 회사를 시작하기 위해 직장을 그만둔 기업가들에게 초점을 맞춘 예능 프로그램이었습니다. 위와 같은 테크 기반의 B2B SaaS 회사들이 콘텐츠에 투자하는 이유는, 하이엔드 테크놀로지의 가치를 고객에게 제대로 전달하기 위해서입니다. 기술이 충분히 발전했고 훌륭한 프로덕트도 넘치는 상황에서 그 가치를 제대로 전달할 양질의 콘텐츠는 턱없이 부족한 상황입니다. 제품과 서비스를 제대로 알리기 위해선, 그리고 고객의 재방문을 위해선 콘텐츠에 대한 투자가 필요합니다. 또한 테크 회사들은 이미 훌륭한 제품과 서비스를 통해 충분한 고객을 확보하고 있기 때문에, 양질의 콘텐츠에 투자할 여력까지 가지고 있습니다. 이러한 콘텐츠의 유형으로는 회사의 제품과 기술에 대한 교육자료나 회사의 흥미로운 이야기에 초점을 맞춘 다큐멘터리 형식의 프로그램 등이 있습니다. 다만 콘텐츠 마케팅을 구축 및 그 이점을 확인하는데에는 시간이 걸리고 콘텐츠의 지속적인 생산 역시 필요하다는 점을 염두에 두어야 합니다.
마케팅
실 사례
2022/04/20
지속적인 가능성을 생각하세요. 사용자는 항상 어디서든 도움을 받을 수 있어야 합니다. 일관된 사용자 인터페이스 사용하세요.  도움말 정보에 대한 접근 및 표시는 시스템 전체에서 동일해야 합니다. 짧고 정확해야 합니다. 모든 세부 사항의 모든 내용이 다루어져야 합니다. 사용자는 필요한 것을 얻은 다음 나가기 위해 고객 센터에 옵니다. 도움말 기사는 제품을 판매하거나 마케팅 연설을 사용하는 장소가 아닙니다. 사용자 입장을 공감하세요. 레이아웃을 단순하게 유지하고 불필요한 일러스트레이션을 피하며 사용자를 "겁먹게" 할 수 있는 색상에 대해 주의를 기울이는 것을 피하세요. 솔직하게 말하고 추측하지 마십시오. 얻는 도움말 정보는 사용자의 특정 상황을 대상으로 해야 합니다. 사용자에게 알아야 할 사항을 말하되 얕잡아 보지 마십시오. 더미 데이터를 활용하세요. 가짜 사용자 페르소나로 데모 계정을 만들어 문제사항을 시험해 보세요. 문의 채널의 상담원 입장에서 생각해 보세요. 문의 내용이 ‘해결됨’ 으로 결론 내려질 때 까지, 상담원이 온라인 혹은 오프라인에서 문제를 해결하는 데 사용하는 시간, 채널, 방법을 측정하여 회사 내부의 영향도를 체크하세요. 검색 가능성 및 카테고리 최고의 고객센터는 검색 창을 주요 초점으로 만들고 동의어에 초점을 맞춘 스마트 인덱싱 시스템을 갖추고 있습니다.  그러나, 모든 사람들이 동일한 방식으로 사용하는 것은 아닙니다. 탐색을 좋아하는 사람들에게는 카테고리를 제공할 필요가 있습니다. 기본적으로 각 카테고리의 처음 몇개의 내용만 표시함과 동시에 기사 제목을 한눈에 보여주는 레이아웃을 선택하십시오. 고객센터에만 집중하지 마세요 유용한 정보를 제공하는 가장 빠른 방법은 제품 내 설명을 사용하는 것입니다. 길이를 제한하여 적절한 서브 설명 텍스트, 툴팁을 활용하세요. 하지만, 아무데나 툴팁을 추가 하지는 마세요. 그렇게 하면 UX 문제에 대한 반창고 솔루션처럼 느껴질 것입니다. 해당 요약본은 2개의 아티클을 참고하여 작성되었습니다. - To help a Helpdesk application : a UX Case Study (https://abr.ge/e7gswh) - Help me help you: How we design help documentation at Envoy (https://abr.ge/8objut)
문서 작성법
경험 공유
프로덕트 전략
2022/03/29
MVP(Minmum Viable Product)는 무엇을 위한 것인가. - MVP는 최소 비용으로 고객에 대해 학습하는 수단이다. 제품 생산 전에 비즈니스 아이디어를 저렴한 비용에 잠재 고객에게 전달하고, 그들의 관심 여부를 평가하는 행위를 반복하여 시장과 고객에 대한 인사이트를 높여가는 프로세스를 의미한다. 이를 통해 고객이 원하는 제품 가설을 구체화하는 것이 MVP의 목적이다. - 따라서 MVP를 통해서는 제품을 출시하고 나서야 알 수 있는 '시장에서 성공할 수 있을지', '사람들이 구매할지', '이 기능을 좋아할지', '이렇게 설계하면 될지' 등을 알 수 없다. MVP는 어떻게 활용해야 할까 - 예시) 드랍박스는 '사람들이 더욱 편리한 파일 공유 방식에 관심이 있'다는 가설을 증명하기 위해 제품의 사용 방식을 거의 동일하게 구사한 데모 비디오를 배포했다. 비디오에 대한 사람들의 관심을 수치화하여 그것에 투자할 만한 가치를 증명할 수 있었다. MVP는 제품의 성공을 보장하지 않는다 - 제품의 만들어지는 과정은 '제품 발견'과 '제품 실행'으로 나뉜다. 특히 실행 과정에 있어 고객과 끊임없이 소통하고 제품을 개선해가야 한다. - 결국, MVP에 과도하게 기대하지 말고, 고객의 니즈와 그것을 해결하기 위한 실행에 집중해야 한다.
프로덕트 분석
프로덕트 전략
실 사례
2022/03/25
통계 연구 결과는 어떤 내러티브로 전달하는지가 아주 중요합니다. 통계학 졸업반 학생들을 대상으로 하는 Statistics as Principled Argument 라는 책의 저자인 Abelson의 법칙 8가지를 소개합니다. 전달을 위해 의역을 많이 했으니 원문이 궁금하신 분들은 원문을 확인해주세요. 1. 확률은 생각만큼 매끄럽게 발생하지 않는다 - 동전 던지기가 50% 확률이라고 해서 앞면 다음에 반드시 뒷면이 나오진 않습니다 - 실제 랜덤 함수의 결과는 결과들이 생각보다 뭉쳐있습니다 2. 사람들은 표본 간 차이를 무시하려는 경향이 있다 - 표본마다 측정치는 다를 수 있는데, 이를 무시하고 잘못된 확신을 가지려 하는 경우가 많습니다 - 특히 표본 크기가 작을 때 추정된 값을 중심으로 신뢰 구간을 계산하는 것이 중요합니다 3. 통계적 관행은 한 번만 다시 생각하라 - 오랜 시간동안 유의성 실험에 p < 0.05를 사용하는건 관행이었습니다 - 하지만 현대 UX 분석에서 p < 0.10이라는 덜 엄격한 기준을 적용했을 때 더 높은 통계적 힘을 낼 수 있었습니다 - 마음에 드는 결과를 찾기 위해 p < 0.05와 p < 0.10 사이를 왔다갔다 하면 안됩니다 4. 복잡한 분석 방식으로 뭘 분석해야할 지 모름을 덮으려 하지 마라 - 다변량 분석 방식은 유의미할 수 있는 종속 변수를 결합할 수 있는 어떤 방법이 있음을 나타낼 뿐, 그 조합이 어떤 실제적 의미를 갖는지는 고려되지 않았습니다 - 각각 단일 분석 결과는 상관 관계가 있지만 UX 관점에서 다르게 해석되는 경우가 있습니다. 이런 분석 결과를 맹목적으로 조합 해 그 조합을 이해하려는 노력보다는 각각을 별도로 분석하는것이 더 옳습니다 (예: 성공률, 용이성 등급, 완료 시간) 5. 아무 할 말이 없을 땐 아무 말도 하지 마라 - 종종 분석 결과가 어떤 유의성도 보이지 않는 경우가 있을 수 있습니다 - 여기서 어떤 의미를 뽑아내기 위해 데이터를 이리 저리 쥐어짜기 보다는 다음 연구로 넘어가는게 맞습니다 - 거짓으로 결과를 뽑아내는것 보다는 아무 말도 하지 않는 것이 낫습니다 6. 공짜 점심은 없다 - 단일 실험 결과는 실험 맥락을 벗어나는 일반적인 경우까지 일반화되어 적용될 순 없습니다 7. 소파를 움직이지 않으면 먼지를 볼 수 없다 - 한 분석 결과가 컨텍스트가 다른 상황에 적용 가능할 지 확인하는 방법은 그 컨텍스트를 변수화 하는 것입니다 8. 비판은 방법론의 어머니다 - 모든 답을 내려주는 한 가지 실험은 있을 수 없고, 한 실험은 어떤 종류든 비판에 노출될 것입니다 - 적절한 비판을 받았다면 연구자들은 그러한 비판을 극복할 수 있는 추가적인 연구를 수행하게 될 것입니다 - 이런 결과로 기존 일반론이 지지되거나, 수정되거나, 파기되기도 하며, 새로운 일반론이 등장하기도 합니다
마인드셋
데이터 분석
프레임워크
가이드
2022/03/17
경쟁사 UX 분석 방법: 단계별 가이드 경쟁사의 UX 분석 내용을 파악하면 시장과 제품 및 목표를 명확히 알 수 있습니다.  경쟁사 분석은 두가지 기본적인 단계로 구성됩니다. 1) 제대로 조사하는 방법을 알고, 찾고 있는 정보가 무엇인지 정확히 이해한다. 2) 조사 결과에 따른 액션을 취하기 전에 해당 정보를 취합한다.  경쟁사 UX 분석을 하는 이유는 무엇일까? 1) 사용성 문제를 해결하도록 도와준다. ( 여기서 글쓴이가 말하는 사용성은 '특정 상황에서 사용자가 정의된 목표를 효과적이고 효율적으로 만족스럽게 달성하기 위해 제품을 얼마나 잘 사용할 수 있는지 측정' 을 의미함. 참고: https://url.kr/59j7uh) 2) 당신의 제품이나 서비스가 시장에 어떤 위치에 있는지 알 수 있게 해준다 3) 디자인 과정을 알리기 위해 4) 경쟁사의 강점과 약점을 파악하기 위해 5) 제품 및 서비스를 변경 할 때 설득할 수 있는 증거 확보 6) 목표하는 시장에 노력을 집중하기 위해  경쟁사 UX 분석의 이점 1) 시장 격차를 확인할 수 있다. - 조사를 통해 경쟁 제품에 없는 기능을 발견할 수 있다. 2) 제품 또는 서비스 개선 - Uxer로서 수많은 프로덕트 개선 반복 과정을 거치게 되는데, 경쟁사 분석을 통해 얻은 증거와 연구 결과가 이 과정에서 뒷받침이 될 수 있다.  경쟁사 UX 분석의 의 한계 - 경쟁사 분석이 모든 UX에 대한 솔루션은 될 수 없다. 경쟁사 분석에 지나치게 몰두하면 진정한 목표를 놓칠 수 있다. 통찰력을 발휘해서 경쟁력 있는 전략을 만드는 것은 당신의 능력에 달려있다.  경쟁사 분석 방법 1) 분석 목표 이해하기 - 왜 분석하는지? 무엇을 얻으려고 하는지? 이 연구가 과연 UX 결정에 영향을 미칠까? 등의 질문을 던지며 목표를 중요하게 생각하기. 2) '진짜' 경쟁자를 알기 - 직접적인 경쟁자: 서비스 하는 프로덕트가 동일함. 이들과 고객들을 공유 하거나 그들의 고객을 확보하고 싶은 곳. - 간접적인 경쟁자: 유사한 프로덕트를 제공하고 있음. 우리 서비스의 가장 중요한 부분이 아닌 부가적인 부분을 제공하는 곳일 수 있음. 3) 경쟁사들의 공통점을 찾기 - 공통점을 찾을 때는 사용자 여정 (User Journey)을 기록하고 일치하는지 확인하기. - 경쟁자의 보이스앤 톤 및 카피문구, 제공하는 기능의 장단점, 사용자 후기, 로딩 시간, CS, 및 디자인 등을 고려하면서 찾기. UX 분석 요약하기 & 발표 - 경쟁사 UX 연구 분석 진행 후 발견한 내용과 정보가 미칠 영향에 대해 간략하게 작성해라. - 일반적인 결과보다 연구의 영향에 대해 이해관계자들과 논의하는 것이 중요하다. 인사이트 공유에 초점을 맞춰라. (연구를 효과적으로 발표하는 팁은 이 아티클을 참고: https://url.kr/qfke5c)
프로덕트 분석
UX
리서치
2022/02/17
제품이 점점 복잡해지고 있다면, 꼭 읽어보세요! 모든 제품에는 새로운 기능 추가로 인해 복잡도가 점점 오르면서 실제로 사용자에게 주는 가치를 감소시키는 티핑 포인트(Tipping point)가 있습니다. 이것이 바로 제품 복잡도 곡선(Product complexity curve)입니다. 더 많은 문제들을 해결하기 위해 기능들을 추가하고 실제로 제품이 점점 나아집니다. 하지만 모든 기능에는 비용(ui, 버그, 기술 부채, 사용자가 내려야 할 결정 등)이 들어가고 모든 제품에는 이론적으로 최대로 줄 수 있는 가치에 한계가 있습니다. 제품이 티핑 포인트에 도달했음을 어떻게 알 수 있을까? 완벽한 지표는 없지만, 여러 개의 서로 다른 데이터를 통해 감지할 수 있습니다. - 기능 사용량 - 제품 경로와 내비게이션 플로우 - 이탈과 이탈 이유 - 적응 시간 - 가치 창출 시간 - NPS - 문제 해결 시간 - 고객 서베이와 인터뷰 티핑 포인트에 도달하지 않도록 예방하려면? 1. 인지하는 것에서부터 시작합니다. 전체 팀이 각각의 기능을 추가함에 따라 제품의 복잡도가 어떻게 될지 함께 고민해야 합니다. "이 기능을 추가하면 비즈니스가 어떻게 바뀔 것인가?" vs "이 기능을 추가하지 않는다면, 어떤 일이 일어날 것인가?" 일반적인 법칙은 "있으면 좋은 기능(Nice to have)"은 개발하지 않는 것입니다. 2. 팀의 구조나 얼라인먼트도 복잡도를 줄이는 데 도움이 됩니다. 불필요한 복잡성이 없는지 포괄적인 제품 경험을 살펴보는 것이 중요하고, 이는 제품 리더쉽의 역할, 얼라인먼트 회의, UIUX들의 정기적인 제품 리뷰 등을 통해 실행할 수 있습니다. 3. 제품의 Lifecycle을 보며 ui를 리디자인하고 경험을 단순화해보는 것도 좋은 기회일 수 있습니다. 이미 티핑 포인트에 도달했다면? 1. 각 기능 사용량을 보고 고객의 5% 미만이 사용한다면 기능을 아예 없애버리는 것을 고려해야 할 수도 있습니다. 더 큰 이익을 위해 복잡성을 줄이는 것이 소규모 사용자 그룹보다 더 가치있는지 결정해야합니다. (그들이 이탈을 할지라도) 2. 기능을 통합해보세요. 같은 'Jobs to be done'에 속한 역할이라면 기능을 통합해 제품 복잡도는 줄이면서 더 쉽게 사용할 수 있도록 할 수 있습니다.
프로덕트 전략
2022/02/03
[Data-driven 디자이너로 가는 길 - A/B테스트 실행 팁] 글쓴이는 디자이너이다. 회사에서 일하던 중에 기회가 생겨서 데이터 기반으로 사이트를 개선하는 팀과 일해보는 경험을 하게 되었다. 이 때 글쓴이는 A/B테스트에서 쓰이는 언어와 프로세스를 익혔다. 데이터 기반 사고와 A/B테스트 방법론을 설계 프로세스에 통합하는 방법을 디자이너로서 설명하고자 이 글을 작성하였다. [요약] 데이터 삼각측량을 사용하여 문제와 해결효과를 올바르게 설정하고 가설 범위를 좁힌다. . 데이터 삼각측량(data triangulation): 동일한 현상을 연구할 때 여러 자료를 활용하는 것. 단일 소스만 활용하면 자료 자체의 결함, 편견 등이 작용하는 문제가 발생할 여지가 있음) 측정 가능하고, 검증 가능한 가설을 구성하고 문서화 한다. 테스트 전략을 세운다. 어느 정도 깊이있는 분석이 되어야 하고, 주기적으로 업데이트 되어야 한다. 테스트 전략들이 시각적으로 잘 대조되도록 디자인한다. 팀원과 더 원활하게 커뮤니케이션하는데 도움이 되며 디자인하는 과정에서 아이디어가 나오기도 한다. 작은 테스트부터 시작한다. 큰 아이디어에는 많은 가설이 포함되기 마련이어서 결과를 해석하기가 어려울 수 있다. 작은 테스트는 아이디어를 더 확실히 검증할 수 있다. 또한 테스트에 추진력이 붙어서 팀이 더 큰 테스트를 시도하는 동기로 작용한다. [본문 일부 발췌] - 가설 프레임 추천: [사용자 그룹]의 경우 [변경]되면 [이유] 때문에 [효과], [측정]에 영향을 미칩니다. - 테스트를 목적에 따라 분류해볼 수 있다. 탐색적인 테스트는 특정 유형의 동작에 대해 더 많은 인사이트를 얻기 위한 것으로 반드시 모든 사용자를 대상으로 하지는 않음. 평가 테스트는 모든 사용자를 대상으로 버전을 롤아웃할 의도로 특정 솔루션의 유효성을 검사하는 것. - 스프레드시트와 통계 분석은 테스트 실행 전략을 다수의 청중들에게 전달하기에 적합하지 않았다. 글쓴이는 다이어그램을 그려서 보여줌으로써 전체 조직이 테스트에 참여할 수 있게끔 전략 전달에 성공했다. - 한 화면에서 여러가지를 동시에 테스트하기보다 한 가지씩 진행했다. 예를 들어 기존에는 상품 사진들을 둘러보려면 클릭 1번에 사진 1장씩 전환시켜보는 식이었는데, 여러 사진을 엮어서 한 화면에 보여줌으로써 상품의 전체적인 느낌을 한눈에 볼 수 있게 해보았다. (첨부 이미지 참고)
UX
실 사례
A/B테스팅
데이터 분석
2022/02/07
B2B UX 메트릭의 중요성과 한계점 사용자가 제품을 얼마나 가치있게 여기는지는 사용자의 경험(UX)을 통해 결정됩니다. 좋은 UX 디자인은 B2B 제품이 가지고 있는 복잡한 프로세스와 사용자의 격차를 해소하는데 매우 도움이 됩니다. 어떤 UX 디자인이 사용자에게 좋은지를 평가할 수 있을까요? 이를 위해 UX 메트릭이 사용됩니다. 점차 B2B 산업의 경쟁력이 높아지면서 B2B 사용자 경험을 측정할 수 있는 B2B UX 메트릭에 대한 연구가 중요해지고 있습니다. 하지만 B2B UX 메트릭은 다양한 한계를 가지고 있습니다. - 보다 복잡한 B2B 제품의 특성 때문에, 기존의 B2C UX 메트릭을 적용하기 어렵습니다. - B2B 고객의 경우 정보 보안에 대한 요구사항이 있기 때문에 행동데이터를 얻기 어렵습니다. - 기술 기반 제품의 사용자는 UX에 크게 연연하지 않으며, 이는 데이터 가치의 제약으로 이어집니다. 적절한 측정방법이 없으면 B2B 사용자 경험 데이터를 수량화하기가 쉽지 않습니다. 5가지 UX 메트릭 모델 우리 제품에 적용할 이상적인 UX 메트릭을 찾기 앞서, 기존의 B2B UX 메트릭을 포괄적으로 이해해야합니다. 참고할만한 5가지 모델을 소개합니다. ( 생각해보기 - 각 메트릭 모델의 지향점에 따라 특징이 다르며, 장점과 단점이 있습니다. 어떤 모델이 우리 제품에 가장 적합할지, 메트릭의 프레임웍을 어떻게 차용할 수 있을지 생각하며 보시면 좋을 것 같습니다.) 1. 구글 | HEART & GSM 모델 HEART모델은 세로축으로, 아래의 5가지 측면으로 구성됩니다. - Happiness : 제품이 유용했는가, 다루기 쉬웠는가, 제품을 사용하며 행복을 느꼈는가 - Engagement : 제품의 콘텐츠에 관심이 있는가, 제품을 자주 사용하고 싶어지는가 - Adoption : 새로운 제품/기능을 사용하고 싶어지는가 - Retention : 일정 기간동안 제품/기능을 지속적으로 사용하려는 의지가 있는가 - Task Success : 태스크를 효율적/효과적으로 완료할 수 있는가 GSM 프로세스는 가로축으로, HEART모델의 데이터를 정의하기 위해 사용합니다. - Goal : 사용자가 달성해야 하는 중요한 작업 - Signal : 사용자의 목표 달성 여부를 확인할 수 있는 곳 - Metric : 웹사이트 트래픽, DAU같은 측정항목 : 양적 데이터가 제품 설계 결정을 주도하는 방법의 훌륭한 예시입니다. : 비교적 B2B보다는 B2C에 적합한 모델입니다. 2. 알리페이 | PTECH 모델 구글의 HEART 모델에서 Happiness를 Satisfaction으로, Task Success를 Task Experience로 확장하고, Performance, Clarity를 추가하여 제품의 성능에 대한 차원을 더했습니다. - Performance : 페이지 응답 시간, 작동 피드백 속도, 시스템 안정성 등 - Task Experience : 제품의 핵심 프로세스, 비용, 효율성 및 기대 등에 대한 경험 - Engagement : 기능이 사용자의 작업 요구를 충족하는가 - Clarity : 유저가 업무를 스스로 완료할 수 있도록 기능적 디자인, 가이드, 헬프시스템이 명확한가 - Satisfaction : 제품 비주얼, 고객 서포트 등에 대한 유저의 주관적 평가 : 사용자 행동과 제품의 성능에 동등한 비중을 두며, B2B 제품의 비즈니스적 특성을 포함합니다. : Task Experience는 실시간 모니터링이 필요하며, 상당한 비용이 수반될 수 있습니다. 3. 알리바바 클라우드 | UES모델 및 사용성 척도 UEC(User Experience System)은 사용성 척도를 기반으로 합니다. 여기에는 사용 용이성, 일관성, 만족도, 작업 효율성 및 페이지 성능을 다루는 5가지 지표가 포함되며, 각 지표마다 가중치를 부여합니다. - Ease of Use : 제품의 성능 [가중치 0.3] - Consistency : 스타일, 프레임워크, 시나리오 및 구성요소의 공통성 [가중치 0.3] - Task Efficiency : 작업 완료율, 작업 완료 시간 및 제품 기능 활용도 [가중치 0.1] - Performance : 첫 페이지 랜딩 시간, API 호출 응답 시간, 페이지 응답 시간 [가중치 0.1] - Satisfaction : 사용자 만족 레벨 [가중치 0.2] : 보다 기술 기반의 제품에 적용하기 적합합니다. : 관련 자료가 많이 없어서, 자세히 디깅하기 어렵습니다. 4. 58.com | B-Metric 모델 B-Metic은 비즈니스 특성과 사용자 역할에 중점을 두었습니다. B2B 제품의 주요 과제인 품질, 안정성, 핵심 프로세스의 사용자 경험, 기업 효율성의 이점을 구분하며, 이를 수량화하기 위해 3가지의 기본 메트릭을 제공합니다. 이 모델은 제품 유형과 수명주기의 변화를 고려하며, 제품 특성에 따라 가중치가 달라집니다. - Basic User Experience : 시스템 보안성과 안전성 - Role Experience : 명확하고 효과적이며, 사용하기 쉽고 조절 가능함 - Clarity : 이해 및 학습하기 쉬운가 - Ease of Use : 운영하기 쉬운가, 장애가 발생해도 기능수행이 되는가 (내결함성) - Effectiveness : 니즈를 만족하는가, 시스템이 유연한가 - Coordination : 제품 안에서 업무를 수행할 수 있는가 - Corporate Value : 확장성, 효율성, 이점 및 관리 가치 : 종합적인 B2B UX 메트릭으로 간주됩니다. 측정 결과에서 더 많은 인사이트를 얻을 수 있으며, 이 인사이트는 제품 디자인 및 개발을 포함한 많은 영역에서 유용합니다. : 이 모델은 초기단계이며, 측정이 합리적인지 검증이 부족합니다. 5. 쿠지알레 | Four Factor 모델 Four Factor 모델은 ’도구’와 ‘사람’을 중심으로 2x2 메트릭을 구성합니다. 생산성을 달성하려면 ‘도구’의 2요소와 ‘사람’의 2요소가 모두 필요합니다. Tool(가로축) : Function, Performance People(세로축) : Role, Mind - Function x Role : 다양한 사용자의 요구를 충족하기 위한 기능과 역할 간의 높은 적응성이 필요함 - Function x Mind : 기능이 사용자의 마음에 들면 학습이 용이해짐 - Performance x Role : 다양한 사용자 역할의 높은 업무 효율성을 보장해야 함 - Performance x Mind : 사용자가 성능에 만족할 때 강력한 안정성이 생김 : 제품과 유저 양 측면을 모두 고려한 인사이트를 얻을 수 있습니다. : 관련 자료가 많이 없어서, 자세히 디깅하기 어렵습니다. 적절한 UX 메트릭을 구축하는 것 B2B 제품의 유형은 매우 다양하며, 일반적인 UX 메트릭을 사용하기보다는 새로운 모델을 구축하는 것이 더 낫습니다. 위의 5가지 모델은 우리 B2B제품에 적합한 새로운 UX 메트릭을 구축하기 위한 지침이 될 수 있습니다. 지속적으로 사용자 경험에 영향을 미치는 핵심 요소를 파악하고, 이를 HEART같은 기본 메트릭과 결합하여 새로운 UX 메트릭을 만들 수 있습니다.
UX
지표
2022/01/26
가치 프레임워크 제품을 제공하는 산업에서는 Value 즉 ‘가치’가 자주 언급됩니다. 프로덕트와 서비스 종류에 상관없이 고객에게 제공하는 가치를 이해하는 것은 기본이고 필수입니다. 가치라는 용어는 모호함을 가지고 있기 때문에 가치를 구체적으로 정의하기는 매우 어렵습니다. 그러나 정의를 한다면 시장 우위를 가질 수 있습니다. Bain Consulting이 제공하는 Elements of Value 분류법은 가치를 정의하기 위한 최고의 가치 프레임워크 중 하나입니다. 이 프레임워크는 피라미드 형식으로 소비자에게 제공할 수 있는 가치 요소를 정의하고 분류합니다. *낮은 단계일수록 기본적인 가치요소입니다 - 역자 주 *참고 https://abit.ly/the-b2b-elements-of-value Elements of Value - B2C편 계층구조에는 4단계가 있으며, Maslow의 욕구단계설에 어느정도 기반하고 있습니다. 4단계. 사회적 영향 단계 3단계. 삶의 변화 단계 2단계. 감정적 필요 단계 1단계. 기능적 필요 단계 Elements of Value - B2B편 B2B편은 특히 비즈니스에 중점을 두고 5단계와 세부 단계를 분류 하고 있습니다. B2B 구매 결정은 개별 소비자의 구매 결정과는 다르기 때문에, 비즈니스 구매 이면의 요소를 이해하고 가치를 제안하는 것이 특히 중요합니다. 5단계. 영감을 주는 가치 - 비전, 희망, 사회적 책임 4단계. 개인적으로 얻는 가치 - 4-1. 커리어 도움: 네트워크, 시장성, 평판 - 4-2. 개인적: 미적 만족도, 성장, 재미 3단계. 비즈니스를 쉽게 하는 가치 - 3-1. 생산력: 시간 절약, 노력 감소, 번거로움 감소 - 3-2. 운영: 단순화, 조직화 - 3-3. 접근: 사용접근성, 다양성, 유연한 구성 - 3-4. 관계: 신속한 응답, 전문적 지식, 신뢰, 안정성, 문화적 적합성 - 3-5. 전략: 위험 감소, 시장 확장, 맞춤화, 품질 향상 2단계. 기능적인 가치 - 2-1. 경제적: 수익 증대, 비용 절감 - 2-2. 좋은 성능: 제품 품질, 제품 확장성, 기능 혁신 1단계. 최소 진입요건 충족 - 사양 충족, 적합한 가격, 윤리적 기준 준수 어떤 제품이나 서비스도 피라미드의 모든 요소를 가지고 있지는 않습니다. 요점은 이러한 분류를 통해 가치를 명시적으로 정의하고 논의할 수 있게 되는 것입니다. 위의 가치 요소를 기반으로 워크샵을 진행했을 때 대부분의 회사에서는 그룹마다 다른 관점을 가지고 있었으며 특히나 가치를 전달하는 부분에서 다양한 관점을 가지고 있었습니다. 이 아티클을 읽고 생각해볼 것 - 우리는 얼마나 ‘깊고 구체적으로’ 제품 혹은 서비스의 가치를 정의했는가? - 우리 회사의 제품 혹은 서비스는 어떤 가치를 어떻게 전달하고 있는가? (회사의 여러 구성원과 함께 워크샵으로 진행해보기) 번역 및 요약: 정하영
프레임워크
마인드셋
프로덕트 전략
프로덕트 분석
PM/PO
스타트업
2022/01/11
당신에게 필요한 단 하나의 프로덕트 전략 프레임워크 아무리 프로덕트 전략을 세세하게 짜뒀다고 해도 전략의 본질만 남겨 몇 문장만으로 간소하고 명확하게 표현할 수 있어야 합니다. 그렇게 표현하지 못한다면, 그 전략에 중요한 포인트가 없거나 짚어내지 못하는것입니다. 목표한 성공을 달성하기 위해서는 최적의 길을 선택할 수 있도록 돕는 훌륭한 전략이 필요합니다. Geoffrey Moore의 Value proposition statement나 Positioning 프레임워크를 통해 다음과 같이 프로덕트 전략을 몇 문장으로 요약할 수 있습니다. For (타겟 고객), Who has (니즈), (프로덕트 이름) Is a (시장 카테고리) that (핵심 가치/구매해야 할 이유). Unlike (핵심 경쟁 대체제), the product (경쟁 우위). 한글로 옮기자면 다음처럼 만들 수 있겠습니다. (니즈)를 가진 (타겟 고객)에게, (프로덕트 이름)은 (핵심 가치/구매해야 할 이유)를 가진 (시장 카테고리)이다. (핵심 경쟁 대체제)와는 다르게, (프로덕트 이름)은 (경쟁 우위)를 제공합니다.  몇 가지 예시로 프레임워크를 어떻게 활용할 수 있는지 확인해봅시다. [Netflix] 엔터테인먼트를 원하는 밀레니얼들에게, Netflix는 심리스하게 작동하는 TV 시리즈의 온라인 구독 서비스입니다. HBO나 HULU와는 다르게, Netflix는 몰아서 볼 수 있는 오리지널 컨텐츠를 제공합니다. [AWS] 회사가 성장하면서 인프라 비용을 컨트롤 하고 싶은 성장하는 회사들에게 AWS는 아주 유연한 클라우드 호스팅 서비스입니다. Google Cloud나 Microsoft Azure와 달리, AWS는 클라우드 서비스 일체를 제공합니다. [Uber] 지역구 내에서 탈 것이 필요한 스마트폰을 가진 모두에게, Uber는 기존 택시 서비스보다 더 간단하고, 더 편리하고, 더 높은 퀄리티를 가진 이동수단 경험을 제공하는 차세대 택시 서비스입니다.
프레임워크
문서 작성법
프로덕트 전략
비즈니스 전략
B2B 프로덕트는 B2C 프로덕트와 가지는 성향이 달라 B2C 프로덕트를 분석하던 방식을 사용할 경우 잘못된 분석을 하게 될 가능성이 있습니다. B2C 프로덕트와 B2B 프로덕트 사용자들은 크게 두 가지 다른점을 가지고 있습니다. 새로운 사용자가 계속해서 들어오지 않음 - B2B 프로덕트는 '도입 시기'가 정해져 있는 경우가 많고, 한 번에 많은 사용자가 들어오는 날이 정해져 있습니다.   자주 사용하지 않음 - B2C 프로덕트처럼 매일 일정하게 사용하기 보다는 워크플로우의 특징에 따라 사용하는 빈도와 주기가 정해져 있습니다. (여기서부터는 원 글의 이미지와 함께 보시면 더 좋습니다) ABC 회사는 1월 첫 주에 많은 사용자가 들어왔고, 각 주별 코호트는 거의 동일한 양상을 보입니다. XYZ 회사는 2월 마지막 주에 많은 사용자가 들어왔고, 역시 각 주별 코호트는 거의 동일한 양상을 보입니다. ABC 보다는 리텐션율이 떨어집니다. 하지만 이 두 회사를 합쳐서 확인했을 땐 1월 첫 주 코호트의 리텐션은 높고, 2월 마지막 주 코호트의 리텐션은 낮다는 분석 결과가 도출됩니다. 또, 일자별 리텐션을 확인했을 땐 모든 코호트가 동일한 양상을 보이기 때문에 코호트별 특징을 발견할 수 없습니다. 만약 두 회사가 어떤 특징으로 프로덕트를 사용하고 있는지 알지 못했다면 잘못된 분석을 바탕으로 의사결정 했을지도 모릅니다.   B2B 프로덕트에서 실제 인사이트를 발견할 수 있는 코호트 분석 방식은 다음과 같습니다. • 고객 특징으로 분류 (회사 규모, 비즈니스 모델, 플랜) - 내 프로덕트가 어떤 사이즈의 고객에게 더 잘 먹히는지 발견해 로드맵 우선순위를 정하는데 도움이 될 수 있습니다. - 내 프로덕트가 목표로한 시장에 잘 먹히는지 확인해 PMF를 달성하는지 확인할 수 있습니다. - 내 프로덕트를 구매한 사용자가 어떤 행동양상을 보이는지 확인할 수 있습니다. • 사용자 역할 - 각 사용자는 본인의 역할에 따라 서로다른 업무적 니즈를 프로덕트를 통해 해결하고 있습니다. 프로덕트의 변경사항이 각 사용자에게 어떤 역할을 미치는지 발견할 수 있습니다. - 프로덕트의 개선은 결국 한 역할을 강화하고, 다른 역할에 영향이 갈 수 밖에 없습니다. 사용자 역할에 따른 코호트 분석으로 이 Tradeoff를 감수할만 한 지 결정할 수 있습니다. ️ B2B 코호트를 시간 단위로 더 잘 분석할 수 있는 방법은 다음과 같습니다. • 더 큰 시간 단위로 자르기 (월 단위 이상) - 사용자 행태에 따른 노이즈를 감소시킬 수 있습니다. • 중요한 이벤트와 자르는 시간을 일치시키기 - '날짜'는 얼마나 오래 사용자가 프로덕트를 사용했는지 알려주지 않습니다. - 출시일, 도입일, 캠페인 집행일 등 중요한 이벤트로부터 얼마동안 프로덕트를 사용했는지를 알 수 있습니다.
프로덕트 분석
리텐션
데이터에 대한 중요성은 나날이 높아져가고 있습니다. 일부 회사들은 더 많은 A/B 테스팅을 하거나 실험을 통해 더 많이 프로덕트를 이터레이션 하고, 더 많은 릴리즈를 통해 더 빠른 프로덕트 성장을 이뤄내기도 했습니다. 여러 소스에서 수집된, 정형화 되지 않은 수많은 데이터들 속에서 인사이트를 성공적으로 발견할 수 있느냐가 회사의 경쟁력과 프로덕트의 혁신을 이끌어내기 시작했습니다. 어떻게 하면 우리 회사도 Data Informed Company가 될 수 있을까요? 데이터 분석의 진화 과정 • 숫자를 세는것 (우리의 사용자는 몇 명인지? 수익은 얼마인지?) :: 단순 통계이며, '과학'은 없습니다 • 계산을 자동화 하는 것 :: 올바른 데이터를 정의하고, 로깅하고, 확장 가능한 방식으로 자동화된 도구를 만듭니다 • 중요한 기능이 제공되는데 사용되는것 :: '과학'의 시작입니다. 작은 성공을 자주 달성할 수 있도록 하고 직관을 이기는 의사결정을 할 수 있도록 합니다. • 비즈니스 목표와 전략을 수립하는데 사용되는것 :: 데이터 분석의 가능한 가장 큰 성과입니다 Data Informed 회사의 특징 • 하나의 통합 지표 아래 조직되어있고 통합 지표를 목표로 일합니다. • 상위 그룹이 주축이되어 목표와 통합 지표를 중심으로 일하며, 다른 조직원들에게도 명확하게 전달해 모두의 생산성이 높아지고 필요없는 논의가 줄어들 수 있습니다. • 데이터 인프라가 장기적인 요구에 잘 적응할 수 있도록 구성되어있습니다. • 실험하는 문화를 가지고 있습니다. • 프로덕트 개발의 모든 단계에 데이터 분석이 포함되어 있습니다. • 데이터 분석 팀은 프로덕트 성공에 대한 지표를 지속적으로 측정하고, 비즈니스의 위험과 성장할 수 있는 영역을 식별하는데 도움을 줍니다. • 이 모든 과정을 지원할 수 있는 탄탄한 로드맵 프로세스가 있습니다. • 이 과정들을 지속적으로 실행할 수 있도록 조직을 구성하고 권한을 부여합니다. 대부분의 성공하지 못한 사례들은 실행을 제대로 하지 못했기 때문입니다.
일하는 방법
데이터 분석
프로덕트 분석
스타트업
잘못된 해석을 유도하는 통계 자료. 어떤 상황에서 통계 자료를 잘못 해석할 수 있을까요? 1. 통계적 유의성이 있다는 것이 실제로 유의미한 내용이라는 말은 아닙니다. 분석 결과가 통계적 유의성을 확보했더라도 샘플이 모집단을 적절히 대변하지 못할 수도, 리스크가 너무 커서 1%의 오차라도 용납할 수 없을수도 있습니다. 2. 잘못된 도표를 사용하는 경우. Y축이 전체가 보여야 할 때 숨기거나 숨겨야 할 때 전체를 보이도록 하거나, 오르내리는 변동을 트렌드처럼 표시하지 않아야 합니다. 3. 연관 관계는 인과관계가 아닙니다. 아이스크림 판매량과 상어 공격으로 인한 사상자는 여름에 동시에 오르지만 서로 인과관계가 있는것은 아닙니다. 4. 심슨의 역설. 1973년 버클리 대학교는 전체 지원자 대비 남여 입학 비율(남: 44%, 여: 35%) 차이에 대한 자료를 바탕으로 성차별로 고소되었습니다. 추가 조사 결과 각 학과별 지원자 대비 입학 비율에서는 여성이 더 높은 비율임이 밝혀졌습니다. 이 통계에서는 남여 지원 모수가 차이가 있었고, 전체를 평균했을 때 발생하는 대표적인 통계적 역설입니다. 5. 샘플링 방식. 샘플링은 전체 모수를 대변할 수 있는 일부를 수집하고, 통계적으로 분석해 전체 모수를 해석하기 위한 방법입니다. 따라서 샘플링 된 데이터는 전체 모수를 대변할 수 있다는 점을 확신할 수 있어야 합니다. 샘플링 할 때는 일관성, 다양성, 투명성을 유지할 수 있도록 유의해야 합니다. 또 샘플링에는 여러 방식(Random, Systemic, Stratified 등)이 있으니 각 장단점을 고려해 선택해야 합니다. 통계는 결국 숫자일 뿐이고, 전달하고자 하는 이야기의 일부일 뿐입니다. 통계 자료를 만드는 사람은 해결하고자 하는 문제에 대해 잘 알고, 자료를 바탕으로 어떤 결론을 내리기 전에 데이터를 잘 다뤄야 합니다. 다음번 통계 자료를 바라볼 땐 해석을 잘못할 수 있는 여지가 있는지 스스로에게 잘 질문할 수 있어야겠습니다.
데이터 분석
데이터 시각화
마인드셋
문서 작성법
A/B 테스트에서 솔루션의 성과가 기대와 다를 경우, 어떻게 해야 할까요? 문제를 명확하게 가정했고, 이를 검증하기 위한 가설과 솔루션을 마련했다면, 개선을 위한 솔루션이 제대로 가정했던 문제를 해결하는지를 확인하기 위해 테스트를 진행합니다. 테스트 결과는 미리 설정해 둔 주요 지표가 어떤 값으로 변화했는지에 따라 테스트의 성공 여부를 판단하게 됩니다. 만약 테스트 결과가 예상과 다를 경우 기존에 정의한 문제와 가설, 솔루션이 제대로 되었는지 면밀하게 분석해야 합니다. 실패한 테스트를 그저 지나가는 결과로 바라보지 않고 새로운 인사이트를 얻기 위해서 활용한다면 몇 번의 이터레이션을 거쳐 성공적인 결과로 이끌어낼 수 있습니다. 쿠팡은 '패션 상품을 구매를 시도했으나 구매하지 않은 고객'을 대상으로 사용자 조사를 거쳐 문제를 정의하고 그 문제를 해결할 것이라고 생각한 솔루션을 개발해 테스트 해보았습니다. 대다수의 고객이 패션 제품을 구매하는데 사이즈를 중요한 요소로 꼽았으며 구매를 포기한 이유로는 내게 맞는 사이즈를 확인할 수 있는 정보가 부족하다는 응답이 많았습니다. 패션 제품의 구매 전환율을 높이기 위해 상품 페이지 상단에 '사이즈 안내' 버튼을 추가해 테스트를 진행했지만 클릭율은 현저하게 낮았습니다. 여기서 문제나 솔루션이 잘못되었다고 생각하고 그만두지 않고, 왜 솔루션이 실패했는지 다시 한 번 UT를 진행해 고객에게 상품 페이지 상단은 가격과 결제 혜택을 파악하는 영역으로 익숙해져 있어 새로 추가된 기능을 발견하기 어려웠다는 점을 발견할 수 있었습니다. 게다가 새로 추가된 '사이즈 안내' 버튼을 한 번 이상 눌러본 고객의 구매 전환율이 그렇지 않은 고객보다 2배 이상 높았다는 긍정적인 시그널도 발견할 수 있었습니다. 이런 새로운 발견으로 구매 의사가 있는 고객에게 이 버튼을 적절한 시기에 제공할 수 있도록 수정해 PO와 비즈니스 리더에게 다시 설득했고, 주요 지표가 상승하고 상품군의 총 거래액까지 증가하는 결과를 가져올 수 있었습니다. 테스트가 실패했다고 바로 좌절하지 않고 기존 결과를 활용해 다음 이터레이션을 설계하는데 데이터 드리븐한 근거 자료로 활용하여 새로운 인사이트를 계속해서 얻어가는것이 중요하겠습니다.
A/B테스팅
데이터 분석
디자인 분석
프로덕트 분석
프로덕트 전략
사용자 조사
경험 공유
실 사례
프로덕트 분석 툴을 활용해 User Friction 제거하기 데이터 기반 UX의 대표적인 방법으로는 프로덕트 분석 툴으로 데이터를 활용하여 Frictionless한 프로덕트를 만드는 것이 있습니다. 프로덕트 분석 툴은 다음과 같은 방법으로 User Friction의 원인을 밝히는데 도움을 줄 수 있습니다. 1. 프로덕트 사용성을 테스트 하기 2. 기능 사용률 확인하기 3. User Journey에서 과정을 따라가고 Churn을 발생시키는 지표를 확인하기 4. 사용자 세그먼트 별 트렌드를 그리기 5. 기능과 Flow를 실험하기 6. 사용자의 기분을 측정하기 7. 정성적인 사용자 피드백 측정하기
프로덕트 분석
프로덕트 전략
어떤 지표가 중요할까? 우리가 만들고 출시하게 되는 기능은 어떤 문제를 해결하기 위한 것이고, 그 문제는 회사의 목표와 맥락을 같이해야 한다. 이 말은 기능의 성공은 회사의 목표에 기여하는 바를 통해 측정할 수 있습니다. 지표에는 여러 종류가 있을 수 있습니다. 1. 주요 지표 (Primary Metric / Goal Metric / North-Star Metric) • 여러 보조 지표를 포괄하는 지표 • 기능의 목표를 측정. 프로덕트와 회사의 목표와 깊게 연관되어 있음 2. 보조 지표 (Secondary Metric / Product Metric / Supporting Metric) • 기능의 상태를 측정하는 지표 • 사용자의 퍼널(5E - Entice, Enter, Engage, Exit, Extend)를 위한 프로덕트의 액션(AARRR)에 관한 지표 3. 대항 지표 (Guardrail Metric / Counter Metric) • 주요 지표를 달성하면서 반대급부로 얻게 되는 요소에 대한 지표 • 예: 어떤 곳에 빠르게 도달하는것이 목표일 때 주요 지표는 '속도 증대' 이지만 이 지표는 '연료 소비'라는 반대급부 지표를 가지게 됨 여러 지표를 측정하면서 각 지표 간 Trade-off와 리스크를 분석할 수 있어야 합니다.
프로덕트 분석
데이터 분석
최근 데이터 기반 의사결정, 사용자 행동 분석 등 데이터 분석을 활용하는 곳이 많아졌습니다. 주변에서 많이 이야기 하는 '실험'과 '가설'에 대한 개념을 얼마나 정확하게 알고 있나요? 실험은 몰랐던 것을 알아내기 위해 (=지식을 얻기 위해) 하는 활동입니다. 만약 실험으로 뭔가를 알아내지 못했다면 잘못된 실험입니다. 가설은 반증할 수 있도록 구체적인 형태와 숫자로 표현된 문장입니다. 가설과 유사한 의미로 사용되는 가정은 반증 가능할 정도로 구체적이지 못한 암묵적인 믿음입니다. 스타트업의 실험은 다음과 같이 실행되어야 합니다. 1. 의사결정 하기에 충분한 꼭 필요한 만큼의 정보를 얻기 위해 2. 반증 가능할 정도로 구체적인 가설을 세우고 3. 그 검증 방법을 설계해 4. 가설을 실험하여 최종적으로 정보를 얻는다.
프로덕트 분석
데이터 분석
A/B테스팅
내 프로덕트의 특징에 따라 더 잘 맞는 북극성 지표가 있을 수 있을까요? 저자는 북극성 지표를 6가지 카테고리로 나누고, 각 카테고리가 더 적합한 프로덕트 형태를 정의하고 있습니다. 다만 각 회사들이 한 카테고리의 북극성 지표만 가지고 있는 것은 아니라는 점을 인지해야 합니다. 각 카테고리의 회사가 어떤 곳인지 들여다 보시면 저절로 고개를 끄덕일 수 있을 만큼 잘 분석한 글입니다. 1. 수익 (ARR, GMV): (?) 2. 고객 증가 (유료 사용자, 시장 점유율): 플랫폼, 마켓플레이스 기업, Freemium 프로덕트, 소비자 구독 중심 프로덕트 3. 고객 지출 증가 (보낸 메세지 수, 예약한 날짜 수): UGC 구독 중심 프로덕트 4. 인게이지먼트 증가 (MAU, DAU): Freemium 프로덕트, 광고 기반 비즈니스, 소비자 구독 중심 프로덕트 5. 성장 효율성 (LTV/CAC, 마진): 퍼포먼스 마케팅으로 성장하는 비즈니스 6. 사용자 경험 (NPS): 색다른 사용자 경험이 중요한 프로덕트
프레임워크
지표
프로덕트 분석
프로덕트 전략
강남언니가 일본 유저 대상으로 온보딩 화면을 AB 테스팅 하여 회원가입 전환율을 높이려는 과정에 대한 글입니다. 첫 번째 시도는 실패하고, 실패를 딛고 다시 설계하여 두 번째 시도에서 유의미한 개선을 경험하는 과정이 담겨있습니다. Key point • 욕심을 내려놓고 한가지만 물어보자 • 문제상황을 명확히 설정한 뒤 가설을 날카롭게 가다듬어 한가지로 통일하는것이 중요 • 다른 개선까지 테스트하고 싶은 욕심이 나더라도 가설을 검증하기 위해 다른 변수들을 통제해야함
경험 공유
실 사례
프로덕트 분석
데이터 분석
A/B테스팅
온보딩
2019년~20년 20가지 B2B SaaS 프로덕트의 북극성 지표에 대한 글입니다. 프로덕트를 개선하는데 가장 중심으로 봐야 하는것이 북극성 지표인데요, 평소에 들어봤을법한 B2B SaaS 프로덕트들이 어떤 북극성 지표를 가지고 있는지 알 수 있습니다. 북극성 지표로 각 프로덕트가 어떤점을 중요하게 여기고 있고, 어떤 목표를 가지고 있는지 역기획 해볼 수도 있고, 본인의 프로덕트에는 어떤 북극성 지표를 설정해야 할지 고민하는데에도 도움이 되겠습니다.
실 사례
케이스 스터디
프로덕트 분석
비즈니스 분석
프레임워크
지표
PM/PO
지난 멤버들에게 질문 세션의 핵클이 A/B 테스팅 솔루션이었는데, A/B 테스팅 방법과 해석에 대한 조금 더 상세한 내용을 담은 글입니다. 각 테스트가 어느 정도로 달라야 통계적으로 유의미한지, p-value가 무엇이고 어떤 경우 유의미하다고 볼 수 있는지, A/B 테스팅에 유의해야할 상관관계와 인과관계의 차이, 노이즈 등에 대해 알 수 있습니다.
프로덕트 분석
데이터 분석
지표
A/B테스팅
PM/PO
7 POWERS 시리즈 4번 째, 전환 비용(Switching Costs)입니다. SAP가 최악의 UX로도 세계 1위 B2B 소프트웨어 회사가 될 수 있는 이유는 바로 전환비용에 있습니다. B2C와 달리 B2B 시장은 아주 강한 B2B만의 특징이 있는데요, 프로덕트의 매력이 아니더라도 고객을 계속 유지할 수 있는 강력한 힘인 전환 비용에 대해 잘 설명된 글입니다.
프로덕트 전략
비즈니스 분석
프레임워크
케이스 스터디
B2B 프로덕트를 디자인 하고 있는 우리는 세상에 없던 프로덕트를 만들게 되는 상황보단 이미 경쟁 프로덕트가 존재하는 프로덕트를 만들고 있을 확률이 높습니다. 기업의 워크프로세스는 세상이 변하는것 보단 속도가 느리고, 세상에는 똑같은 일들로 고통받고있는 사람이 많았으니까요. 그렇다면 경쟁 제품 대신 우리 제품을 선택하도록 하는것은 어떤것일까요? 안 쓸 이유가 없는 프로덕트는 안 쓸 이유는 없지만 써야만 할 이유도 없는 프로덕트 입니다. 경쟁 제품을 이기고 사용자들의 선택을 받기 위해서는 사용자의 전환 비용을 극복할 만큼 매력적인, 대체 불가능한 가치를 제공해야 합니다.
프로덕트 전략
PM/PO
기본적인 데이터 분석 지표: DAU, WAU, MAU, Rolling Metrics 마케터, PM이 가장 기본적으로 보는 프로덕트 데이터 지표로는 활성 사용자 수(Active Users)를 꼽을 수 있습니다. DAU(Daily Active Users), WAU(Weelky Active Users), MAU(Monthly Active Users)는 활성 사용자를 일 단위로 볼 것인지, 주 단위, 월 단위로 볼 것인지에 따라 나눠진 지표입니다. DAU, WAU, MAU가 유의미한 지표가 되려면 어떤 사용자가 '활성 사용자(Active Users)'인 지를 먼저 프로덕트에 맞게 정의하는게 필요합니다. DAU, WAU, MAU와 같은 지표는 특정 일자에 발생한 데이터를 그대로 보여주기 때문에 일자 별 발생할 수 있는 자연스러운 오차까지 그대로 나타내게 됩니다. '이동 평균(Rolling Metrics)'을 활용하여 이러한 오차를 줄일 수 있습니다. Rolling Metrics는 N일 간 발생한 데이터를 평균하여 더 넓은 시야에서 트렌드를 정확히 확인할 수 있도록 도와줍니다. 7일, 30일 등 사용자의 프로덕트 사용 패턴에 따라 적합한 기간을 설정해야 합니다.
지표
KPI
데이터 분석
웹 기본
마케팅
효과적인 데이터 분석을 위해서는 내가 수집하는 데이터가 어떤 모습인지, 어떤 정보가 어떤식으로 저장되는지, 데이터 설계는 어떻게 하는지를 아는것이 큰 도움이 됩니다. 쏘카에 다니시는 머신러닝 엔지니어분의 데이터 로깅에 대해 전반적인 내용을 훑는 글을 소개합니다. 아래 문장에 공감하실 데이터 로깅, 데이터 분석의 초보자에게 도움이 될 내용으로 구성되어 있습니다. • 내가 보는 이 데이터들은 어떤 식으로 설계되어서 어떤 모습으로 쌓이고 있는지 궁금하신 분 • 데이터를 분석하고 싶은데 서버 개발자, 앱 개발자, 프론트 개발자 중 어떤 개발자에게 찾아가야할 지 모르겠는 분 • 데이터 수집을 요청할 때 마다 매번 안된다는데 왜 안되는지를 이해하고 싶으신 분 아주 긴 글이기 때문에 한 번에 다 보시기 보다 생각날 때 마다 한 번씩 들어와 이어읽는걸 추천드려요.
데이터 분석
웹 기본
B2B SaaS가 성장하는데 세일즈팀의 역량을 무시할 수 없습니다. 그러나 프로덕트가 PMF를 달성하고, 프로덕트의 매력만으로도 성장할 수 있기 위해서는 고객들이 스스로 프로덕트를 이해하고, 사용할 수 있게 되어야합니다. Notion, Dropbox의 프로덕트 중심 성장의 비밀은 고객의 Self-serve에 있었다고 합니다.
온보딩
실 사례
카노 모델은 경쟁과 차별화되는 매력적인 품질 속성과, 기본적으로 있어야 할 필수 불가결한 품질 속성을 구분하여 우선순위를 부여하는 방법입니다. 프로덕트를 개발하는 과정에서 고객 만족도 우선순위가 높은 UX 부터 개선하는것은 매우 중요합니다. 카노 모델을 활용하여 사용자에게 더 중요한 포인트를 구분하고 의사결정할 수 있습니다. 내 프로덕트에 당연한 품질을 놓치고 있지는 않은지, 매력적인 품질을 만들기 위해서는 어떤 디자인이 필요한지 고민하면 좋겠습니다.
심리학
프레임워크
PM/PO
지난 주 프로덕트 & 데이터 분석 아티클으로 20가지 B2B SaaS 프로덕트의 북극성 지표에 대해 소개드렸습니다. 북극성 지표가 뭔지, 북극성 지표를 찾는 방법에 대해 사용자 행동 분석 툴의 대표주자인 Amplitude의 블로그 아티클입니다. 더 많은 내용을 알고싶으시다면 블로그 글에 첨부되어있는 플레이북을 다운받으실 수 있습니다.
케이스 스터디
실 사례
지표
프로덕트 분석
프로덕트의 성장을 측정하는 지표를 위한 프레임워크는 여러 가지가 있습니다. 대표적으로 AARRR, HEART, 북극성 지표 프레임워크가 있는데요, 이 세 가지 방법을 통합해 내 프로덕트에 맞는 지표를 발견하는 방법에 대한 글입니다. 내 프로덕트에 맞는 지표를 찾는것 외에도 사용자의 전반적인 프로덕트 사용 플로우를 점검하는데도 도움이 되는 방식입니다.
프레임워크
지표
프로덕트 분석
프로덕트 전략