우리는 고객을 얼마나 이해하고 있을까요?
고객 중심 기획은 말처럼 쉽지 않습니다. 스스로 고객을 이해한다며 경험과 직관에 의존할 때 고객과 더욱 멀어지곤 합니다. 리디북스는 다양한 채널로 유입되는 고객의 목소리를 취합합니다. 정리된 내용은 매일 고객의 눈물(TOC)라는 이름으로 전사 공유되고 각 팀에서 검토 후 우선순위에 반영합니다. 이외에도 FGI(Focus Group Interview), 일대일 UT(Usability Test)를 하며 고객의 고충을 이해하려 노력합니다. 이 과정에서 고객의 요구를 반영한 여러 아이디어가 도출되는데요. 마치 아이디어를 바로 개발하면 고객이 매우 만족할 것 같다는 생각이 들게 합니다. 하지만 여러 아이디어를 실제 적용해도 10개 중 1~2개만 실제 효과가 나는게 보통입니다.
왜 그럴까요? 고객은 문제의 원인이 아니라 현상의 불만을 주로 이야기하기 때문입니다. 또한 실제 표출하는 요구와 행동은 다르게 할 수도 있으니 고객은 참으로 변덕이 심하고 이해하기 어려운 것 같습니다.
그렇다면 고객의 고충을 조금이라도 높은 확률로 해결하기 위해서는 어떻게 해야할까요? 먼저 아이디어는 가설일뿐 얼마든지 틀릴 수 있다는 전제하에 이를 최소한의 스펙으로 실험하고 검증해야 합니다. 이 때 검증을 위해 데이터를 얼마나 잘 활용하는지가 성공 확률을 높이는 방법이라고 생각합니다. 데이터는 사용자가 남긴 객관적인 흔적으로 고객의 실질적인 만족을 가늠하기에 적합하기 때문입니다.
리디북스는 데이터를 활용하여 서비스 만족도를 높이기 위해 많은 노력을 하고 있습니다. 어떤 방식으로 생각하고 실행하는지 리디북스가 사용하는 분석툴과 프로젝트 진행 사례를 간략히 소개하도록 하겠습니다.
측정하면 개선할 수 있습니다
데이터 측정을 위한 다양한 분석툴이 있습니다. 리디북스는 그 중 대표적인 웹로그 분석툴인 Google Analytics(이하 “GA”)를 사용합니다.
GA는 아래와 같은 장점이 있습니다.
- 웹과 앱에 모두 쉽게 적용 가능
- 일정 규모까지 무료
- 고급 기능 제공
- 퍼널 분석, 커머스 특화 분석, 유저 세그멘테이션 등
GA를 활용하면 페이지 이탈율, 마케팅 채널별 가입 전환율, 특정 목표 액션을 수행하기까지의 퍼널 전환율 등 데이터 분석가 없이도 서비스의 문제점을 발견하고 개선하는데 매우 유용합니다. 실제로 리디북스는 사내에 분석팀이 있지만 분석툴을 잘 활용하여 많은 시간을 아끼면서 의사결정하고 있습니다.
저희는 Google Tag Manager(이하 “GTM”)도 함께 사용하고 있습니다. GTM을 사용하면 웹사이트에 이벤트 로깅이 필요할 때 코드 수정 없이 누구나 로깅 항목을 쉽게 설정할 수 있습니다. 팀간 커뮤니케이션 비용이 줄고 로깅 결과도 바로 확인할 수 있는 이점이 있습니다.
GA 활용법은 인터넷에 많이 검색되지만 GTM 활용법은 상대적으로 많지 않아서 어떻게 사용하는지 간략한 예시를 들어 보겠습니다.
GTM 사용 예시 #1
사용자는 어떤 메뉴를 더 많이 클릭할까요?
예를 들어 MD가 운영을 위해 참고차 위 메뉴의 클릭 비중을 파악하고 싶어할 수 있습니다. GTM 없이 MD가 개발자에게 이벤트 로깅을 요청한다면 아래와 같은 대화가 전개될 수 있습니다.
MD: “이 메뉴의 각 버튼 클릭수를 알 수 있을까요?”
개발자: (아..바쁜데) “이벤트 로깅은 간단하니 지금 하는 태스크 끝나는대로 진행해 볼게요”
MD: “감사합니다.” (금방 된다니 내일이면 확인할 수 있겠다!)1주일 뒤..
MD: “혹시 언제쯔음.. 진행될까요?”
개발자: “아.. 지금 급한 이슈가 생겨서 처리중이라서요. 끝나는대로 해볼게요~”
MD: “네..” (ㅠㅠ)
간단해 보이지만 GTM을 사용하지 않고 이를 파악하려면 개발팀에 해당 영역의 클릭 이벤트를 붙이는 작업을 요청해야 합니다. 데이터 로깅의 담당자가 있더라도 처리에 시간이 소요될 수 밖에 없습니다. 반면 GTM을 사용하면 요청자가 직접 트리거와 태그를 생성하여 손쉽게 이벤트 로깅이 가능합니다.
1. 트리거 만들기
먼저 메뉴의 각 링크가 클릭될때 이벤트가 발생하도록 트리거를 만듭니다.
2. 태그 만들기
그리고 해당 트리거 발생시 GA에 어떤 값의 이벤트로 남길지 태그를 생성합니다.
3. GA 이벤트수 확인
이렇게 태그를 만들고 적용하면 아래처럼 GA에서 바로 이벤트 로그를 확인할 수 있습니다.
독자가 ‘좋아요’ 표시한 작품만 모아보는 ‘선호작품’이 메뉴에서 70% 비중으로 가장 많은 클릭이 발생하네요
GTM 사용 예시 #2
최근에는 아래와 같은 상황을 파악하기 위해 GTM으로 이벤트 로깅을 사용했습니다.
사용자가 동일한 목록으로 이동할 때 붉은 영역의 메뉴를 많이 클릭할까요? 아니면 파란 영역의 ‘전체보기’를 눌러 이동을 많이 할까요?
사용자가 파란 영역의 ‘전체보기’를 많이 누른다면 홈화면에서 섹션을 보다가‘전체보기’를 눌러서 각 목록으로 이동하는 수가 많다고 추정할 수 있습니다.
이벤트 로깅 결과를 GA에서 보니 사용자가 붉은 영역에서 각 메뉴로 이동하는 수 보다 홈 메뉴에서 섹션을 쭉 보면서 ‘전체보기’를 클릭하여 각 목록으로 이동하는 수가 약 4배 더 많습니다.
사용자에게 새로운 컨텐츠의 노출을 확보하고 싶을 때 홈탭 화면에 구성해도 좋다고 판단할 수 있습니다.
위의 예시처럼 GTM을 활용하면 로깅이 쉬워져서 GA의 분석 보고서를 유용하게 참고할 수 있습니다. 하지만 이것만으로 다양한 상황에 맞는 분석은 어렵습니다. 가령 일부 데이터를 GA에 미처 로깅하지 못해서 분석을 할 수 없거나 수치의 정확성이 요구될 때는 참고하기 어렵습니다. 그럴 때는 분석팀에 요청을 하거나 프로덕트 매니저가 직접 SQL로 데이터를 추출해 엑셀로 분석을 하기도 합니다.
데이터에 기반한 프로젝트 진행 사례
최근 리디북스 서점은 도서 추천을 강화하고 있습니다.
그 일환으로 올해 초, 서점 내 AI 도서 추천 섹션을 론칭했는데요. 사용자의 도서 구매, 조회 등 데이터를 기반으로 개인화된 도서를 추천합니다
모든 유저에게 전면 론칭 전에 특정 사용자 그룹에만 노출하여 효과를 미리 확인하고자 했습니다. 따라서 누구를 대상으로 어떤 맥락에 보여줄지 결정이 필요했습니다.
1. 어떤 사용자 그룹에 먼저 도서 추천을 시도할까요?
리디북스에는 아래처럼 다양한 사용자 그룹이 있습니다.
- 일반도서(소설/경영/경제/인문 등)를 즐기는 독자
- 로맨스/판타지/만화/BL의 장르물을 즐기는 독자
이들 중 AI 추천이 효과적인 사용자 그룹은 누구일지 알아보기 위해 AI 추천과 유사한 로직으로 구성된 ‘이 책을 구매한 분들의 선택’ 섹션이 어떤 독자층에게 효과적일지 보았습니다. 장르별로 구매가 발생하는 섹션에 점수를 매겨 순위를 살펴보니 아래와 같았습니다.
동일한 디자인과 위치인데도 장르별로 알고리즘에 의한 구매 효과가 다르다는걸 알 수 있습니다. 알고리즘이 서로 다른 장르별 독자의 성향을 커버하지 못하기 때문인 것으로 보입니다. AI 추천도 먼저 일반과 만화 독자를 대상으로 시작하는게 좋을 것 같았습니다.
2. 도서 추천을 어디에서 어떻게 해야할까요?
서점의 주요 구매 경로가 어디일지 살펴보았습니다.
홈 화면, 도서 상세, 검색 결과, 카테고리 화면은 각 맥락에 맞게 사용자의 많은 접근 또는 구매를 일으키는 영역입니다. 가령 도서상세 화면은 높은 PV와 구매 비중을 차지하고 있어서 구매 경로에 매우 중요합니다. 이 화면에서는 사용자가 조회하고 있는 도서 기반의 추천을 잘 하는 것이 적합할 것 같습니다.
반면 장르홈의 경우는 첫 진입 경로이기 때문에 PV는 높지만 구매 비중은 상대적으로 낮습니다. 모든 사람들의 필수 길목에서 개개인이 마음에 드는 도서를 보여주면 이 높은 PV를 더 많이 구매 전환시킬 수 있을 것입니다. 그래서 홈화면에는 ‘OOO 님을 위한 AI 추천’ 이라는 섹션으로 사용자에게 종합적인 도서 추천을 하기로 했습니다.
이후 다른 화면에는 각 맥락에 맞는 다른 주제의 도서 추천을 진행하기로 했습니다.
3. KPI 설정
이제 도서 추천이 실제 어느 정도 효과가 있을지를 보여주는 KPI를 설정해야 합니다.
아래처럼 각 섹션별 효과 파악이 가능하도록 데이터 로깅을 준비했습니다.
GA 데이터로 모두 파악 가능하지만 구매, 판매 같은 정확한 수치가 중요한 항목은 내부 서버 데이터로 확인할 수 있도록 준비했습니다.
4. 론칭 후 지표 확인
지난 18년 2월 일반, 만화 독자에게만 ‘OOO 님을 위한 AI 추천’ 섹션이 오픈되었습니다.
론칭 후 몇 달이 지나고 지표를 살펴보니 아래처럼 일반, 만화 독자에게서 주변 섹션 대비 큰 구매전환율을 보여주고 있습니다.
일반도서 홈의 섹션별 KPI
만화장르 홈의 섹션별 KPI
이상은 정확한 수치가 아닌, 임의로 대체된 수치입니다.
이 후 장르물 독자에게도 AI 추천 섹션을 오픈했습니다. 오픈 후 사용자의 피드백입니다.
사용자 의견
“리디북스 AI 추천 가끔 소름 돋게 취향이라 놀람. 이게 빅데이터의 힘인가!”
“다음에는 어떤 책을 읽을까아나~ 하고 보다 보면 AI 추천을 무척 잘 이용하고 있어요. 추천이 너무 잘 맞음! 하하”
“일반도서 AI추천은 괜찮은데 BL소설은 AI추천 넘 별로예요. AI추천에 뜬 책에 눈길 간 적 1도 없어요 진짜.”
이러한 사용자의 당근과 채찍 같은 피드백을 받으며 더욱 정교한 추천을 하기 위해 여러 팀이 함께 노력하고 있습니다.
향후에는 홈화면 이외의 화면에서도 도서 추천을 추가할 예정입니다. 도서상세 화면에서는 현재 조회하고 있는 도서와 함께 둘러보면 좋을만한 도서를 추천할 예정입니다. 가령 “거의 모든 IT의 역사” 라는 책과 함께 둘러본 책을 추천하면 “단백질이란 무엇인가”라는 과학 일반 분야의 책이 첫 순위로 제시됩니다. 지금처럼 구매 데이터에 기반한 도서 추천만 한다면 노출되지 않을 도서입니다. 또한 카테고리 탐색 화면에서는 카테고리별로 AI 추천을 추가해서 독자의 관심 카테고리에 한정된 도서 추천도 진행할 예정입니다.
주의할 점
데이터 기반 의사결정을 하려면 데이터 수집과 정성적 피드백 수집 그리고 분석의 삼박자가 맞아야 합니다.
특히 데이터 로깅은 분석의 근간이 되므로 잘 신경써야 합니다. 막상 필요할 때 관련 데이터 로그가 없으면 데이터를 쌓는 일부터 하게 되므로 많은 시간이 소요될 수 있습니다. 따라서 비정형의 데이터더라도 일단 로깅을 할 수 있는 인프라를 구축하는 것이 좋을 것입니다.
이외에도 데이터 기반 기획을 하며 데이터 로그의 신뢰도도 잘 체크해야 합니다. 조금이라도 의심스러운 부분이 있으면 로깅하는 시점을 재확인해야 합니다. 제품의 변화는 늘 일어나는 일이고 로깅에 의도치 않은 변화가 생기면 해당 분석결과로 잘못된 의사결정을 할 수 있기 때문입니다.
마치며
고객 중심 제품을 만드는 일은 어렵습니다.
평균적인 고객이란 없기 때문입니다. 그래서 저희는 직접 고객이 되어보기도 하고 다양한 채널로 목소리를 듣고 고객이 남긴 데이터를 봅니다. 이렇게 제품에 가치를 더하여 must-use 서비스를 만들고 있습니다.
그럼 앞으로도 잘 지켜봐주세요!
리디 기술 블로그
고객과 발맞춰 새로운 콘텐츠 경험을 선보이는
리디와 함께할 당신을 기다립니다.