◎본문: https://yozm.wishket.com/magazine/detail/2652/
‘데이터’로 프로덕트 문제 탐구하는 방법 | 요즘IT
Product Manager(이하 ’PM’)는 프로덕트 성장을 위해 끊임없이 고민합니다. 특히 고객과 사업 측면에서 모두 충족할 만한 가치를 고민하는데요. 이때 데이터를 활용해 문제를 추정하고 해결책을 찾
yozm.wishket.com
● Intro
어느덧 사전캠프 마지막 날이 되었다. 하루하루 주어진 학습을 마치고, 스스로 정리하는 습관을 들일 수 있는 좋은 계기가 되었지 않나 싶다. 오늘 요약해 볼 이야기는 PM이 맡는 첫 단계 업무인 '문제 파악'이다. 여기선 주로, 무엇을 문제의 원인으로 삼을 것인지, 원인을 데이터로 검정하는 방법론에 대해 다룬다. 바로 살펴보자.
●프로덕트 문제 탐구를 위한 데이터 활용 방법론
- 프로덕트 매니저(PM)의 핵심 역량은 고객 가치와 사업적 가치를 동시에 충족하는 문제 해결 능력이다.
- 이때 데이터 기반 접근법은 문제 정의의 객관성을 확보하고 임팩트 있는 해결책을 도출하는 데 필수적이다.
- 이 글은 문제 탐구 과정에서 데이터를 효과적으로 활용하는 방법론을 체계적으로 정리한다.
1. 문제 정의의 기본 원리
- 문제란 해답을 요구하는 물음이자 해결 대상으로, PM에게 '해답'은 고객·사업 가치를 동시에 충족하는 프로덕트 구현을 의미한다.
- 효과적인 문제 정의를 위해선 직관적 분석과 객관적 분석의 균형이 필요하며, 특히 기존 관점에서 벗어나 새로운 분석 프레임워크 구축이 핵심이다.
- 예를 들어, 이커머스를 만드는 PM이 '최근들어 고객들의 재구매율이 떨어진다는 문제'를 발견한 상황이라고 하자.
- 문제원인을 탐구하는 다음 2가지 방법을 알아보자. 이 2가지 방법은 상호배타적이지 않고, 보완적인 작용을 할 수 있다.
1-1. 프로덕트 구성 요소 접근법
- 프로덕트를 구성 요소(상품·고객·UX·플로우)로 분해한 후 각 요소의 데이터를 세분화하여 분석하는 방법이다.
- 예를 들어, 재구매율 저하 문제 분석 시 ▲상품 요소(카테고리별 클릭률) ▲고객 요소(충성고객 비율) ▲화면 요소(장바구니 페이지 체류 시간) ▲플로우 요소(결제 완료율) 등으로 관점을 다각화해야 한다.
- 프로덕트 구성 요소 분해는 분석의 편향을 방지하는 동시에 포괄적인 진단을 가능하게 한다.
- 예컨대 OTT 서비스 이용률 감소 문제에서는 콘텐츠 품질, 사용자 개인화 설정, 재생 인터페이스, 추천 알고리즘 정확도 등으로 요소를 분류할 수 있다.
1-2. 이상적 시나리오 접근법
- 기대하는 이상적 사용자 여정을 시나리오화하여 현실 데이터와 비교하는 방법이다.
- 여기서는 '고객이 구매한 상품에 만족하여, 프로덕트를 재방문하고 재구매한다.'라는 상황을 이상적 시나리오로 설정했다.
- 재구매율 개선을 위해 ▲구매 만족(평균 평점 4.5점 이상) ▲재방문(주당 3회 이상 접속) ▲재구매(30일 내 재구매율 40%) 등의 단계별 목표를 설정한 후, 각 단계의 현황 데이터(배송 불만족도, 재접속 간격, 장바구니 포기율 등)를 점검하는 방식으로 적용된다.
2. 데이터 해석의 삼중 장치
- 위의 예시에 이어지는 예시로, 재구매한 고객과 재구매하지 않은 고객의 상품탐색 플로우를 비교•분석하던 중, 상품 *필터 기능을 사용할수록 상품 클릭률과 구매 전환율이 높게 나타나고 있음을 알게 됐다고 해보자.
(*필터 기능이란, 이커머스 앱 서비스에서 자주 제공하는 기능으로, 상품 색상, 디자인, 가격 등의 값으로 상품을 필터링하는 기능)
- 그런데 이 기능이 정말 상품 클릭과 구매 전환에 영향을 미치는 걸까?
2-1. 인과관계 vs 연관관계 구분
- 상관관계는 반드시 인과성을 의미하지 않는다. 구매의사가 애초에 높던 사용자들이 필터를 더 자주 사용한 것일 수도 있지 않은가?
- 필터 사용이 클릭률 증가의 원인이라 단정하기 전에 ▲필터 사용자 특성(신규 vs 기존) ▲사용 시점(상품 검색 초기 vs 후기) ▲동기 강도(명확한 구매 의도 존재 여부) 등을 교차 검증해야 한다.
- 인과성 입증을 위해선 A/B 테스트를 통한 실험 설계가 필수적이다.
2-2. 크로스 체크 메커니즘
- 특정 현상의 원인을 추정할 때는 반대 사례 비교 분석이 유효하다.
- 필터 미사용자군의 재구매율이 8%로 사용자군(15%) 대비 현저히 낮다면, 두 군간 차이를 발생시키는 요인(상품 탐색 시간, 장바구니 추가 빈도, 할인 쿠폰 사용률 등)을 심층 분석해야 한다.
- 이때 유사 서비스 사례(예: 동종 이커머스 플랫폼의 필터 활용도) 참조를 통해 분석의 타당성을 강화할 수 있다.
2-3. 수치 해석 주의점
- 퍼센트 함정 회피를 위해선 모수(母數) 규모와 시간 축 분석이 병행되어야 한다.
- 70% 개선이라는 수치가 10명 실험군(7명)에서 도출된 것인지, 10,000명 대상(7,000명)에서 나온 것인지에 따라 전략적 중요도가 달라진다.
- 특히 계절성 요인(연말 할인철), 마케팅 캠페인(신제품 출시), 외부 환경(경제 불황) 등 맥락적 변수를 고려하지 않은 데이터 해석은 위험하다.
결론
- 데이터 기반 문제 해결은 수치 자체가 아닌 그 배경에 숨은 사용자 맥락을 해독하는 작업이다.
- PM은 분석 과정에서 지속적으로 '왜(Why)'를 질문하며, 단편적 수치를 전체 프로덕트 생태계와 연결시키는 시스템 사고가 필요하다.
- 특히 실험 설계 단계부터 비즈니스 임팩트를 예측하는 경제적 관점의 접근이 요구된다.
- 이상의 방법론은 이커머스 외에도 SaaS, 모빌리티, 핀테크 등 다양한 도메인에 적용 가능한 범용 프레임워크로 활용될 수 있다.
한 줄 코멘트: 한마디로 말하자면, 문제를 편향되지 않게 분석하라는 것이다. 직감은 해결책을 찾는 데 쓰이고, 객관은 문제를 파악하는 데 쓰인다.
'[내일배움캠프(PM2기_사전캠프)] > Daily학습' 카테고리의 다른 글
| [사전캠프 Day 14] 문제정의와 PRD 작성하기(팀학습) (0) | 2025.03.27 |
|---|---|
| [사전캠프 Day 13] 아티클 스터디_<문제를 해결하는 방법; Divide and Conquer> (0) | 2025.03.26 |
| [사전캠프 Day 12] 아티클 스터디_<새로운 기능을 만들기 위한 최악의 설득 근거> (0) | 2025.03.25 |
| [사전캠프 Day 11] 아티클 스터디_<내가 PM하기 전에 알았으면 좋았을 것들> (0) | 2025.03.24 |
| [사전캠프 Day 10] PM이란 무엇인가 (0) | 2025.03.21 |