데이터 분석에 필요한 기본 개념: 지표, Funnel 등 데이터를 이해하기 위한 멘탈 모델(Mental Model)Minwoo Kim
- 강의록 전문 읽기: http://bit.ly/2KKtzRA
데이터 분석(데이터 사이언스 말고, 통상적으로 스타트업에서 '데이터 분석'이나 '그로스'에 쓰는 데이터 분석)을 공부하려면, 어떤 기본 개념을 가지고 계시면 좋을지에 대해 만들어 본 강의 자료입니다.
카우앤독에서 지인 위주로 꾸린 강의에서 꽤 좋은 평가를 받았으나, 강의안 준비가 너무 힘들어서 실제 유료 강의로 이어지지는 않은 비운의 슬라이드...
멘탈 모델이란 무엇인지, 지표는 무엇이며 퍼널(Funnel)은 무엇인지, 등등의 이야기를 합니다. 기승전 결론은 SQL 배우세요. (https://brunch.co.kr/@minu-log/4)
그로스 해킹 & 데이터 프로덕트 (Growth Hacking & Data Product) - 고넥터 고영혁 (Gonnector Dylan Ko)Dylan Ko
* 해당 강연 관련 상세 인터뷰 - https://fyi.so/2Rl04JS
[목차]
1. 그로스 해킹 제대로 바라보기
2. 선택이 아닌 필수 “개인화 (Personalization)” 의 본질
3. 개인화를 구현하는 CDP (Customer Data Platform)의 글로벌 혁신 성공 사례
4. 이 모든 화두의 접점 “데이터 프로덕트 (Data Product)” 의 핵심
5. 데이터 프로덕트를 잘 만들기 위한 서비스/데이터 디자인 방법론과 기타
* 2018년 10월 29일 드림플러스 강남점에서 ㅍㅍㅅㅅ 아카데미(PPSS Academy)가 주최한 2시간 특강 '그로스 해킹과 데이터 프로덕트' 의 강연 슬라이드
[Agenda]
1. How to understand Growth Hacking properly
2. Not option but mandatory, Personalization's essence
3. Global innovation use cases of personalization using CDP(Customer Data Platform)
4. The core of Data Product, which is the base of all the above things
5. The methodology of service and data architecture design and other detail things to make a well-made data product
#그로스해킹 #데이터액션 #고넥터 #데이터사이언스 #서비스디자인 #GrowthHacking #DataAction #DataScience #Gonnector #ServiceDesign
데이터 분석에 필요한 기본 개념: 지표, Funnel 등 데이터를 이해하기 위한 멘탈 모델(Mental Model)Minwoo Kim
- 강의록 전문 읽기: http://bit.ly/2KKtzRA
데이터 분석(데이터 사이언스 말고, 통상적으로 스타트업에서 '데이터 분석'이나 '그로스'에 쓰는 데이터 분석)을 공부하려면, 어떤 기본 개념을 가지고 계시면 좋을지에 대해 만들어 본 강의 자료입니다.
카우앤독에서 지인 위주로 꾸린 강의에서 꽤 좋은 평가를 받았으나, 강의안 준비가 너무 힘들어서 실제 유료 강의로 이어지지는 않은 비운의 슬라이드...
멘탈 모델이란 무엇인지, 지표는 무엇이며 퍼널(Funnel)은 무엇인지, 등등의 이야기를 합니다. 기승전 결론은 SQL 배우세요. (https://brunch.co.kr/@minu-log/4)
그로스 해킹 & 데이터 프로덕트 (Growth Hacking & Data Product) - 고넥터 고영혁 (Gonnector Dylan Ko)Dylan Ko
* 해당 강연 관련 상세 인터뷰 - https://fyi.so/2Rl04JS
[목차]
1. 그로스 해킹 제대로 바라보기
2. 선택이 아닌 필수 “개인화 (Personalization)” 의 본질
3. 개인화를 구현하는 CDP (Customer Data Platform)의 글로벌 혁신 성공 사례
4. 이 모든 화두의 접점 “데이터 프로덕트 (Data Product)” 의 핵심
5. 데이터 프로덕트를 잘 만들기 위한 서비스/데이터 디자인 방법론과 기타
* 2018년 10월 29일 드림플러스 강남점에서 ㅍㅍㅅㅅ 아카데미(PPSS Academy)가 주최한 2시간 특강 '그로스 해킹과 데이터 프로덕트' 의 강연 슬라이드
[Agenda]
1. How to understand Growth Hacking properly
2. Not option but mandatory, Personalization's essence
3. Global innovation use cases of personalization using CDP(Customer Data Platform)
4. The core of Data Product, which is the base of all the above things
5. The methodology of service and data architecture design and other detail things to make a well-made data product
#그로스해킹 #데이터액션 #고넥터 #데이터사이언스 #서비스디자인 #GrowthHacking #DataAction #DataScience #Gonnector #ServiceDesign
데이터 기반 성장을 위한 선결 조건: Product-Market Fit, Instrumentation, 그리고 프로세스Minwoo Kim
2018년 8월 9일, sopoong 액셀러레이팅 워크샵 강의: 데이터 기반 성장을 위한 선결 조건: Product-Market Fit, Instrumentation, 그리고 프로세스.
- 발표 전문 읽기: http://bit.ly/2nrDhPv
데이터에 기반한 성장을 하기 위한 기반들, 필수 선결 조건들에 대해서 이야기해보려고 합니다. 제가 생각하는 필수 선결 조건은 Product-Market Fit, Instrumentation, 그리고 프로세스 이렇게 세 가지입니다. (이건 제가 만들어낸 개념들은 아니고, 기존에 성공적으로 스타트업의 성장을 만들어 냈던 선배들에게서 배운 내용입니다.)
[우리가 데이터를 쓰는 법] 좋다는 건 알겠는데 좀 써보고 싶소. 데이터! - 넘버웍스 하용호 대표Dylan Ko
Gonnector(고넥터) 고영혁 대표가 주최한 스타트업 데이터 활용 세미나 '우리가 데이터를 쓰는 법' 의 첫 번째 발표 자료
세미나 : 우리가 데이터를 쓰는 법 (How We Use Data)
일시 : 2016년 4월 12일 화요일 10:00 ~ 18:00
장소 : 마루180 (Maru180) B1 Think 홀
제목 : 좋다는 건 알겠는데 좀 써보고 싶소. 데이터!
연사 : 넘버웍스 하용호 대표
Pristones가 실제 서비스에 Growth Haking을 적용한 경험을 '삼성전자 미디어 솔루션 센터'와 상암 DMC 스타트업 모임 Spark@DMC에서 발표한 자료입니다.
주요 내용
- Growth Hacking의 개념 정의와 대표적 사례
- Growth Hacking의 기본 분석 방법론
- Growth Hacking 기법의 로켓펀치(http://rocketpun.ch/), 클럽믹스(http://clubmix.co.kr/) 실제 적용 사례
오늘 밤부터 쓰는 google analytics (구글 애널리틱스, GA) Yongho Ha
http://ga.yonghosee.com 에서 진행하는 구글 어날리틱스(google analytics) 에 대한 강의 슬라이드 입니다. 이 슬라이드는 샘플이지만, 초반부는 실재 강의 교재 그대로 입니다. 이것 자체로도 여러분이 GA를 이해하는데 좀 도움이 된다면 기쁘겠습니다^^ 감사합니다.
2021-07-16 잔디콘 시즌6 발표자료
- 베이지안 방법론에 Expected Loss를 활용하여 프로덕트 개선 속도를 높이는 방법에 대해 알아봅니다.
- 개발자 및 통계학 전공자가 아닌 분들을 대상으로 한 발표입니다. 다소 엄밀하지 못한 설명이 포함되었을 수 있으니 양해 부탁드립니다. 잘못된 부분은 답글로 달아주시면 감사하겠습니다.
원본 파일은 다음 링크로 다운로드 받으실 수 있습니다 :)
https://www.dropbox.com/s/zo1er99muu2oj5l/leeminho_til6_bayesian_abtest.pdf?dl=0
박동혁 : 마케터에게 필요한 Data Literacy
발표영상 https://youtu.be/YWbJxCg7y2k
---
PAP가 준비한 팝콘 시즌1에서 프로덕트와 함께 성장하는 데이터 실무자들의 이야기를 담았습니다.
---
PAP(Product Analytics Playground)는 프로덕트 데이터 분석에 대해 편안하게 이야기할 수 있는 커뮤니티입니다.
우리는 데이터 드리븐 프로덕트 문화를 더 많은 분들이 각자의 자리에서 이끌어갈 수 있도록 하는 것을 목표로 합니다.
다양한 직군의 사람들이 모여 프로덕트를 만들듯 PAP 역시 다양한 멤버로 구성되어 있으며, 여러분들의 참여로 만들어집니다.
---
공식 페이지 : https://playinpap.oopy.io
페이스북 그룹 : https://www.facebook.com/groups/talkinpap
팀블로그 : https://playinpap.github.io
한빛데브그라운드에서 발표했던 내용입니다.
발표 영상 : https://youtu.be/ohpfSLf0V3Y
--
스타트업 비즈니스에서 데이터를 활용한 전략 수립과 의사결정은 필수적인 요소입니다. 서비스 운영 데이터에서부터 다양한 고객의 행동 로그, 소셜 미디어 데이터까지 다양한 데이터를 모두 모아 분석 환경을 구축하기 위해서는 많은 준비와 고민이 필요합니다. 스타트업에서 빠른 속도와 최소한의 비용, 다양한 분석 Tool들과 연동되는 Data Pipeline, Data Lake, Data Warehouse 구축 경험기를 공유하고자 합니다. 이 과정을 통해 애널리틱스 파이프라인을 구축 과정과 S3, Glue, Athena,EMR, Quicksight와 같은 서버리스 애널리틱스 서비스에 대한 구축 사례를 확인하실 수 있습니다.
[NDC18] 야생의 땅 듀랑고의 데이터 엔지니어링 이야기: 로그 시스템 구축 경험 공유Hyojun Jeon
NDC18에서 발표하였습니다. 현재 보고 계신 슬라이드는 1부 입니다.(총 2부)
- 1부 링크: https://goo.gl/3v4DAa
- 2부 링크: https://goo.gl/wpoZpY
(SlideShare에 슬라이드 300장 제한으로 2부로 나누어 올렸습니다. 불편하시더라도 양해 부탁드립니다.)
Causal Inference KR 커뮤니티에서 진행한 발표입니다.
프로덕트 개발 조직의 데이터 분석가로 일하며 진행했던 인과추론 분석을 회고하는 내용입니다.
자료 조회가 안되실 경우 https://drive.google.com/file/d/1GAuAqggoxbX50EEwdzTaV4z4G0j8pLRf/view?usp=sharing 를 확인해주세요.
1. 인과추론에 빠져드는 이유
2. A/B 테스트의 현실, 왜 안된다고 할까?
3. 실험이 예상치 못한 지표를 침해했다
4. 기능을 늘리는 게 MAU 성장에 도움이 될까?
데이터 기반 성장을 위한 선결 조건: Product-Market Fit, Instrumentation, 그리고 프로세스Minwoo Kim
2018년 8월 9일, sopoong 액셀러레이팅 워크샵 강의: 데이터 기반 성장을 위한 선결 조건: Product-Market Fit, Instrumentation, 그리고 프로세스.
- 발표 전문 읽기: http://bit.ly/2nrDhPv
데이터에 기반한 성장을 하기 위한 기반들, 필수 선결 조건들에 대해서 이야기해보려고 합니다. 제가 생각하는 필수 선결 조건은 Product-Market Fit, Instrumentation, 그리고 프로세스 이렇게 세 가지입니다. (이건 제가 만들어낸 개념들은 아니고, 기존에 성공적으로 스타트업의 성장을 만들어 냈던 선배들에게서 배운 내용입니다.)
[우리가 데이터를 쓰는 법] 좋다는 건 알겠는데 좀 써보고 싶소. 데이터! - 넘버웍스 하용호 대표Dylan Ko
Gonnector(고넥터) 고영혁 대표가 주최한 스타트업 데이터 활용 세미나 '우리가 데이터를 쓰는 법' 의 첫 번째 발표 자료
세미나 : 우리가 데이터를 쓰는 법 (How We Use Data)
일시 : 2016년 4월 12일 화요일 10:00 ~ 18:00
장소 : 마루180 (Maru180) B1 Think 홀
제목 : 좋다는 건 알겠는데 좀 써보고 싶소. 데이터!
연사 : 넘버웍스 하용호 대표
Pristones가 실제 서비스에 Growth Haking을 적용한 경험을 '삼성전자 미디어 솔루션 센터'와 상암 DMC 스타트업 모임 Spark@DMC에서 발표한 자료입니다.
주요 내용
- Growth Hacking의 개념 정의와 대표적 사례
- Growth Hacking의 기본 분석 방법론
- Growth Hacking 기법의 로켓펀치(http://rocketpun.ch/), 클럽믹스(http://clubmix.co.kr/) 실제 적용 사례
오늘 밤부터 쓰는 google analytics (구글 애널리틱스, GA) Yongho Ha
http://ga.yonghosee.com 에서 진행하는 구글 어날리틱스(google analytics) 에 대한 강의 슬라이드 입니다. 이 슬라이드는 샘플이지만, 초반부는 실재 강의 교재 그대로 입니다. 이것 자체로도 여러분이 GA를 이해하는데 좀 도움이 된다면 기쁘겠습니다^^ 감사합니다.
2021-07-16 잔디콘 시즌6 발표자료
- 베이지안 방법론에 Expected Loss를 활용하여 프로덕트 개선 속도를 높이는 방법에 대해 알아봅니다.
- 개발자 및 통계학 전공자가 아닌 분들을 대상으로 한 발표입니다. 다소 엄밀하지 못한 설명이 포함되었을 수 있으니 양해 부탁드립니다. 잘못된 부분은 답글로 달아주시면 감사하겠습니다.
원본 파일은 다음 링크로 다운로드 받으실 수 있습니다 :)
https://www.dropbox.com/s/zo1er99muu2oj5l/leeminho_til6_bayesian_abtest.pdf?dl=0
박동혁 : 마케터에게 필요한 Data Literacy
발표영상 https://youtu.be/YWbJxCg7y2k
---
PAP가 준비한 팝콘 시즌1에서 프로덕트와 함께 성장하는 데이터 실무자들의 이야기를 담았습니다.
---
PAP(Product Analytics Playground)는 프로덕트 데이터 분석에 대해 편안하게 이야기할 수 있는 커뮤니티입니다.
우리는 데이터 드리븐 프로덕트 문화를 더 많은 분들이 각자의 자리에서 이끌어갈 수 있도록 하는 것을 목표로 합니다.
다양한 직군의 사람들이 모여 프로덕트를 만들듯 PAP 역시 다양한 멤버로 구성되어 있으며, 여러분들의 참여로 만들어집니다.
---
공식 페이지 : https://playinpap.oopy.io
페이스북 그룹 : https://www.facebook.com/groups/talkinpap
팀블로그 : https://playinpap.github.io
한빛데브그라운드에서 발표했던 내용입니다.
발표 영상 : https://youtu.be/ohpfSLf0V3Y
--
스타트업 비즈니스에서 데이터를 활용한 전략 수립과 의사결정은 필수적인 요소입니다. 서비스 운영 데이터에서부터 다양한 고객의 행동 로그, 소셜 미디어 데이터까지 다양한 데이터를 모두 모아 분석 환경을 구축하기 위해서는 많은 준비와 고민이 필요합니다. 스타트업에서 빠른 속도와 최소한의 비용, 다양한 분석 Tool들과 연동되는 Data Pipeline, Data Lake, Data Warehouse 구축 경험기를 공유하고자 합니다. 이 과정을 통해 애널리틱스 파이프라인을 구축 과정과 S3, Glue, Athena,EMR, Quicksight와 같은 서버리스 애널리틱스 서비스에 대한 구축 사례를 확인하실 수 있습니다.
[NDC18] 야생의 땅 듀랑고의 데이터 엔지니어링 이야기: 로그 시스템 구축 경험 공유Hyojun Jeon
NDC18에서 발표하였습니다. 현재 보고 계신 슬라이드는 1부 입니다.(총 2부)
- 1부 링크: https://goo.gl/3v4DAa
- 2부 링크: https://goo.gl/wpoZpY
(SlideShare에 슬라이드 300장 제한으로 2부로 나누어 올렸습니다. 불편하시더라도 양해 부탁드립니다.)
Causal Inference KR 커뮤니티에서 진행한 발표입니다.
프로덕트 개발 조직의 데이터 분석가로 일하며 진행했던 인과추론 분석을 회고하는 내용입니다.
자료 조회가 안되실 경우 https://drive.google.com/file/d/1GAuAqggoxbX50EEwdzTaV4z4G0j8pLRf/view?usp=sharing 를 확인해주세요.
1. 인과추론에 빠져드는 이유
2. A/B 테스트의 현실, 왜 안된다고 할까?
3. 실험이 예상치 못한 지표를 침해했다
4. 기능을 늘리는 게 MAU 성장에 도움이 될까?
* 행사 정보 :2016년 10월 14일 MARU180 에서 진행된 '데이터야 놀자' 1day 컨퍼런스 발표 자료
* 발표자 : Dylan Ko (고영혁) Data Scientist / Data Architect at Treasure Data
* 발표 내용
- 데이터사이언티스트 고영혁 소개
- Treasure Data (트레저데이터) 소개
- 데이터로 돈 버는 글로벌 사례 #1
>> MUJI : 전통적 리테일에서 데이터 기반 O2O
- 데이터로 돈 버는 글로벌 사례 #2
>> WISH : 개인화&자동화를 통한 쇼핑 최적화
- 데이터로 돈 버는 글로벌 사례 #3
>> Oisix : 머신러닝으로 이탈고객 예측&방지
- 데이터로 돈 버는 글로벌 사례 #4
>> 워너브로스 : 프로세스 자동화로 시간과 돈 절약
- 데이터로 돈 버는 글로벌 사례 #5
>> Dentsu 등의 애드테크(Adtech) 회사들
- 데이터로 돈을 벌고자 할 때 반드시 체크해야 하는 것
국민체감 통계서비스, 국민이 직접 디자인, 국민이 평가. (통계청 정부3.0)
통계청(청장 유경준)은 국민중심의 통계서비스 발굴을 위해 국민디자인단을 운영하고, 2016.9.8(목) 대전 통계센터에서 그 활동성과를 공유하는 발표대회를 가졌다.
통계청은 그동안 통계가 국민에게 어떻게 서비스되어야 하는지에 대한 해결책을 찾기 위해 3개 과제 21명의 국민디자인단을 구성하여, 지난 4월부터 7월까지 약 4개월간 서비스디자인 활동을 진행해 왔다.
통계청은 국민디자인단이 제시하는 통계서비스 정책에 대해 어떤 정책이 국민에게 가장 필요한 서비스인지를 국민이 직접 평가할 수 있도록 했다. 국민평가단을 모집한 결과 전국 각지에서 많은 국민들이 신청하였고 이 중 30여명을 선정하여 현장 투표방식으로 국민이 체감하는 우수사례 선정에 참여하였다.
[2016 통계청 국민디자인단 과제 소개]
우수상
‘통계’ 하면 통계청 ‘KOSIS!’, 내가 필요한 정보는 꼭 집어주네!
서비스디자이너 : 하광수 한밭대학교 시각디자인과 교수
대학원생 B씨는 졸업논문 때문에 오랜만에 KOSIS를 다시 접해보게 된다. 과거 통계와 관련된 용어를 정확히 넣어야 원하는 정보를 얻었던 것과 달리 유사한 용어를 입력하여도 연관검색어를 통하여 원하는 정보를 빠르게 얻을 수 있도록 개선되어 있었다.
그래도 못 찾는 통계정보를 질문하니 놀랍게도 하루도 안 되어 다른 이용자가 내가 원하는 정보의 위치를 알려주었다. 논문작성에 필요한 통계정보를 든든하게 확보한 B씨는 역시 ‘통계’하면 통계청
‘KOSIS!’구나.. 하고 느꼈다.
국민디자인단 구성
01 일반국민 (김민경 씨, 허선념 씨)
02 전문가 (김유미 과장_유코아 디자인사업부)
03 대학생 (민경은 학생)
04 주관 공무원 (이주원 사무관, 심현수 주무관)
05 서비스디자이너 (하광수 교수_한밭대학교)
06 그 외 관계자(서비스 개발자, 서비스 관련 공무원 등)
진행경과
01 환경 이해: 서비스 이해 및 현황 파악 (1 week)
서비스의 이유와 목적에 대한 이해, 서비스 현황파악
서비스를 둘러싼 환경에 대한 이해
02 문제 발견: 서비스 이해관계자 경험 이해하기 (2, 3, 4 week)
서비스와 관련된 이해관계자에는 어떤 문제를 격고 있는가
서비스를 이용하는 고객은 어떤 사람이고 어떤 문제를 격고 있는가
03 문제 정의: 대상사용자 경험 모델링 및 문제점 도출 (5, 6 week)
서비스를 이용하는 주된 고객은 어떤 사람인가 (퍼소나)
고객은 어떤 절차로 서비스를 경험하고 사용하는가(고객여정)
04 문제 해결: 서비스 컨셉 아이디어 (7, 8 week)
서비스 타입에따른 서비스 시나리오 제안
핵심 아이디어
Ideation Workshop을 통해 프로젝트 기간동안 분석된 송윤희씨의 경험과정을 바탕으로 사용자가 처한 각 과정의 문제점과 경험적 특징요인을 격려 함으로서 사용자 경험을 극대화 할 수 있는 아이디어를 도출하고 제안하였다. 아이디어는 4가지 측면에서 검토 되었다.
1. 스스로 찾아오는 사용자
2. 검색을 사용자에게 돌려주는 방법
3. 쇼핑같은 즐거운 경험
4. 참여하는 통계, 공감하는 통계
...
담당자 :안성문
담당부서 : 통계청 창조행정담당관실
출처 : 통계청 보도자료 http://goo.gl/EDjyR5
마켓핏랩에서 개최한 GCG 2024(https://seanellis.mfitlab.com)에서 좋은 기회를 얻어 발표를 했습니다. 급변하는 시장 환경에서 User Journey를 유연하게 찾고 이를 기반으로 KPI map을 도출하여 전사 구성원들이 데이터 기반으로 움직일 수 있게 하는 방향에 대해서 공유드렸습니다. 많은 분들에게 도움이 되었으면 좋겠습니다.
빅데이터 구축 및 술루션 가이드 주요 내용
- 고객 내부 빅데이터 프로젝트 진행시 단계별 진행 가이드
- 빅데이터 프로젝트 구축 타입
- 각 산업분야별로 빅데이터 엔진을 활용한 솔루션 구축 가이드
(딥 러닝 기법 기반의 분석 포함)
코세나(kosena), 이승훈 실장 admin@kosena.kr, kosena21@naver.com
010-9338-6400
제1회 DataGeeks(디긱스) 오픈세미나 발표자료
주제 : 데이터 분석과 활용
Google Analytics (이태영) - 모바일과 웹 비즈니스 분석을 위한 Google Analytics 활용
일시 : 12월 13일(토) 오후 13:30 ~ 17:30
장소 : 신논현역(9호선) 1번출구 2분 이내 데브기어 강의장
1. Enablement & Deployment
- 오프라인 기초 교육 (격주로 진행)
- 무료 온라인 학습 페이지 (기능별, 주제별, 웹 세미나, 유튜브 강의)
- 도움말 & 유저 커뮤니티
- Tableau Blueprint
2. References
- Tableau Public: Best 시각화 예시, 샘플 대시보드 검색
- Tableau Conference & Tableau Experience
3. Tableau Certification
- Desktop: Specialist, Associate, Professional | Server: Associate, Professional
- https://www.tableau.com/ko-kr/learn/certification
2. 이 프리젠테이션은 2014년 3월 20일 D.Camp에서 진행된
‘실전 스타트업 데이터분석: 소셜데이팅 이음은 이렇게 한다’ 강의 자료입니다.
애초에 강의용으로 만들어진 자료라서,
해설 없이 보시기에 그리 친절하진 않지만 ^^;;;
전체 큰 맥락을 파악하시는데는 무리가 없을 것으로 생각됩니다.
설명 없이 자료만 보는 경우
의도하지 않은 내용이 전달될 우려가 있어서
회사 내부데이터가 포함된 일부 페이지는 수정/보완 후 공유함을 알려드립니다.
내용에 대한 문의/피드백은 leoyang@i-um.net으로 해주세요!
이 자료는…
4. 맥주와 기저귀 포토그래퍼와 Airbnb 서울시와 심야버스
데이터분석 세미나, 재미있긴 한데…
“무엇을”에 대한 이야기는 해 주지만, “어떻게”에 대한 이야기는 듣기 힘들다.
5. 이음
누적 다운로드 150만
총회원 110만
누적 연결된 커플(상호 OK) 120만 쌍
공식 결혼커플 104쌍
매출 많음 먹고 살 만큼
우리나라 최초의 소셜데이팅 서비스
카피캣 100개까지 세다가 포기
정식 런칭 2010년 11월~
소셜데이팅 <이음>
1. 최초가 늘 최고가 되는 건 아닌데…
수많은 카피캣들이 여전히 이음을 이기지 못하는 이유는?
2. 런칭 후 3개월/6개월에 정점을 찍고 떨어지는 서비스와 달리
이음이 4년 가까이 꾸준한 성장을 기록할 수 있는 이유는?
7. User
AU (Active User)
활동유저. 일반적으로는 ‘접속’을 기준으로 이야기하며, DAU를 의미하는 경우가 많음.
DAU (Daily Active User)
일별 활동 사용자. 하루를 기준으로 활동하는(=접속한) 사람의 숫자라고 보면 됨.
많은 서비스들이 공통적으로 key metric으로 생각하는 중요한 지표.
MAU (Monthly Active User)
월별 활동 사용자. 해당 월에 최소 1회 이상 접속한 사람의 숫자
(cf. WAU = Weekly Active User)
MCU (Maximum Current User)
최대 동시접속자 수
PU (Paying User)
결제자. 보통 일단위 혹은 월단위로 끊어서 보는 경우가 많음.
본격 데이터분석에 들어가기에 앞서… 기초 용어정리 - User
8. - 보통의 게임 앱들은 DAU/MAU가 10~30% 수준에 분포.
- Facebook과 같은 SNS의 경우 50% 이상의 높은 Engagement.
- 데이팅 서비스의 DAU/MAU는 일반적으로 10% 이하, 매우 낮은 편.
Engagement = DAU/MAU
[Source: gamesbrief]
9. Revenue
판매액. 매출액
ARPU (Average Revenue Per User)
사용자당 평균 매출. (혹은 가입자당 평균 매출). 세 글자로 줄이면 '객단가'
해당 기간의 매출 총합을 사용자수로 나누면 된다.
ARPPU (Average Revenue Per Paying User)
결제자당 평균 매출. 일명 '결제자 객단가'.
마찬가지로 월 단위로 주로 계산하게 되며, 해당 기간의 매출 총합을 결제자수로 나누면 된다.
주의할 점은, 소수의 고액결제자들로 인해 크게 영향을 받을 수 있는 지표라는 점.
실제 데이터를 구할 때 아웃라이어에 대한 체크가 필요하다.
본격 데이터분석에 들어가기에 앞서… 기초 용어정리 - Revenue
10. ASP (Average Selling Price)
결제 건당 매출. 매출을 판매개수로 나누면 된다.
개별아이템의 단가가 얼마나 높은지 파악할 수 있는 지표.
CAC (Customer Acquisition Cost)
유저 모객단가. (=한 사람의 신규 고객을 데려오는 데 드는 비용)
광고 등 마케팅비용을 신규유저수로 나누면 된다.
LTV (Lifetime Value)
고객 생애가치, CLV라고도 한다 (Customer Lifetime Value)
한 명의 고객이 서비스에 진입해서 이탈하기까지의 전체 기간동안 창출하는 가치
(주의!) Lifetime Value와 Lifetime Revenue
본격 데이터분석에 들어가기에 앞서… 기초 용어정리 – Cost/Value
11. Retention Rate
회원 잔존율. D-day에 들어온 유저가 D+x일에 얼마나 남아있는지를 보여주는 비율.
보통 D+7 잔존율, D+30 잔존율, D+60 잔존율 등을 살펴본다.
Download
Install
Ranking History
Session Duration
Screen View
…
본격 데이터분석에 들어가기에 앞서… 기초 용어정리 – etc.
17. Eric Ries의 Engine of Growth
사용자들이 서비스에 머무르고, 재방문 할 수 있도록 하는 엔진
사용자들이 친구들에게 자발적으로 추천/홍보를 하도록 하는 엔진
사용자들이 서비스 내에서 그들의 지갑을 열도록 하는 엔진
1. 운영 프레임워크
18. Get Users
사용자를 데려오기
Drive Usage
데려온 사용자들을 서비스 내에 안착시키고
서비스 핵심 기능을 계속 사용하도록 하기
Make Money
그 과정에 적절한 BM을 붙여서 매출을 일으키기
- 유저가 들어오는 순간부터, 나가는 순간까지를 모두 포괄
- 각 단계가 일종의 funnel 형태로 서로 유기적으로 엮여있음
좋은 Framework
1. 운영 프레임워크
19. 앱 다운로드 가입 프로필작성 심사요청
심사통과회원
홀딩
탈퇴
활동회원
결제회원
▷ ‘화살표’의 Conversion
▷ ‘네모’의 Value
▷ ‘화살표/네모’에 영향을 주는 Variable
Status 1 Status 2 Status 3 Status 4
Status 5
Status 8
Status 9
Status 6
Status 7
소셜데이팅 <이음>은 이렇게 합니다!
20. 1. 운영 프레임워크: 짚고 넘어가자
“어제는 100명 가입 심사처리했는데
오늘 200명 가입 심사처리 완료했어요!”
오늘 100명 가입했는데
승인 통과한 회원은 50%인 50명입니다.
중요하게 생각하는
부분이 완전 다름
VS
22. 서비스 내 데이터(Metric)를 들여다보는 방법은?
1. 자체 Tool을 이용한다
2. 상용 데이터분석 서비스를 이용, SDK 연동한다.
2. LOG를 METRIC으로
23. - “분석은 저희가 할테니, 개발/마케팅에만 집중하세요” (X)
- 분석을 위한 프레임웍을 셋업하는데 도움을 받을 수 있음 (∆)
- 시스템 구축/유지보수와 관련된 비용과 리소스를 줄일 수 있음 (O)
- 리포팅에 드는 비용(?)과 리소스를 줄일 수 있음 (O)
Pros.
- 서비스 핵심 데이터가 전혀 걸러지지 않고 외부에 오픈
- 대부분의 툴이 모바일게임에 최적화, 개별 서비스에 맞춰서 커스텀 한계
- Metric과 함께, Log 단위로도 데이터를 받아서 볼 수 있는가 하는 자유도의 문제
Cons.
- 비용?
2. LOG를 METRIC으로
24. 소셜데이팅 <이음>은 이렇게 합니다!
Google Analytics
User/접속/화면 단위의
General한 지표
자체시스템 – “통계왕”
매칭/아이템 등
Service-Oriented 지표
25. 1. Stock과 Flow를 혼동하지 않아야 함.
- Stock은 시간 개념이 들어가지 않은 ‘저량’ ex) 누적가입자수
- Flow는 시간 개념이 포함된 ‘유량’ ex) 1월1일 가입자
2. Metric보다는 Log에 대한 정리가 우선.
- Log->Metric은 가능하나, 반대는 어려움.
- 분석의 자유도
3. 통계가 먼저인가, 서비스가 먼저인가?
- 완벽한 통계시스템 셋업에 집착하지 말 것.
- 중요한 건 대응프로세스
Inflow (liter/분)
Outflow (liter/분)
Stock (liter)
생각해 볼 만한 point
2. LOG를 METRIC으로
26. - 얼마나 빠르게 death valley를 통과해서, growth 단계에 접어드는가?
(물론 death valley를 통과할 수는 있는가? 라는 질문도...)
- 서비스 성숙기(maturity)에 들어서, 찍을 수 있는 정점이 얼마나 높은가?
- 정점을 찍은 이후, 떨어지는(decline) 기울기가 얼마나 완만한가?
서비스 성장곡선 관련, 몇 가지 중요한 질문
Death valley
3. One Metric That Matters
27. - 매출, 가입자수, 다운로드, 체류시간, 활동유저, 결제자수, ARPPU, 재방문율…
- 이 모든 지표를 똑같은 비중으로 들여다보고 관리할 것인가?
- 현실적으로 엄청난 리소스 낭비
- 보다 중요하게는, 지표간 우선순위가 명확하지 않으면 서비스 방향을 directing 할 수 없음
모든 지표가, 모든 시기에, 같은 중요도를 가지지 않는다.
OMTM
One Metric
That Matters
특정 시점에, 운영과 데이터분석을 위해 꼭 집중해야 하는 지표
3. One Metric That Matters
28. OMTM
One Metric
That Matters
“Capture everything, but focus on what’s important”
- 지금 가지고 있는 ‘가장 중요한 질문’에 대한 답을 해준다.
- OMTM은 단기/중기/장기 목표와 밀접하게 연관되어 있다.
OMTM을 모르는 상황에서는 ‘과연 지금 잘 하고 있는지’의 상황 판단이 어렵다.
- 넓은 시야에서 서비스를 바라보고, 서비스 자체에 초점을 맞출 수 있게 한다.
- 전사적으로 실험, 측정, 판단 의 문화를 가질 수 있게 한다.
- Yoskovitz & Croll <Lean Analytics>
3. One Metric That Matters
29. Drawing lines in the sand
OMTM 이야기를 하면 자연스럽게 뒤따라 나오는 질문.
- OMTM 좋다. 하나에 집중한다고 하고... 그러면 도대체 그 지표가 '어떻게' 되는 걸 목표로 잡아야 하는거지?
- 지금 우리 서비스는 '일가입자'가 OMTM인데... 이거 목표를 위한 가이드라인을 얼마로 잡아야 하나?
▶ 우리 BM을 고려하면, 그 지표가 얼마가 되어야 하는가?
(from the business model: what a metric has to be?)
▶ 예측할 수 있는 normal한 수치, 그리고 가장 이상적인 수치는 얼마인가?
(to look at what normal or ideal)
3. One Metric That Matters
30. 현명하게 ‘목표설정’ / ‘예측’하는 방법
1. 목표값에 영향을 미치는 변수들을 찾으세요.
2. 각 변수의 ‘현재’ 상태를 기준으로, 이를 설명할 수 있는 수식을 완성하세요.
3. 우리가 조절가능한 변수, 그리고 조절 불가능하지만 영향을 받는 변수를 찾으세요.
4. 조절가능한 변수를 기준으로, 민감도분석을 합니다.
5. 예측은 항상 범위와 확률을 바라봐야 합니다.
소셜데이팅 <이음>은 이렇게 합니다!
31. Monitoring vs. Data Analysis
- 모니터링의 경우, “왜”에 대한 내용이 없으므로 인과관계가 아니라 단순한 상관관계만 알 수 있음
- 변수들이 1차원적, 대부분 알고 있는 내용에 대한 확증적 결과.
“OOO 게임은 오후 9시에 동접자 수가 가장 높다”
어떻게 하면 데이터로부터 가치 있는 insight를 뽑아낼 수 있을까?
- 쪼개서 보거나, 조합해서 보거나
4. 데이터 분석
32. Cohort Analysis
- Cohort: 유사한 특성을 가진 집단으로 유저를 잘게 쪼개는 것
- 전체 데이터를 놓고 보면 쉽게 보이지 않는 특성들을,
개별 cohort별로 쪼개놓고 보면 유의미하게 확인할 수 있다.
4. 데이터 분석
37. Data Mashup
- 다양한 소스에서 얻은 데이터들을 조합해서, 새로운 insight를 찾아내는 방법
- 해석에 보다 주의를 기울여야 함
- 공개 API를 이용해서, 매시업 서비스를 만드는 사례가 늘어나고 있음
http://oakland.crimespotting.org/
4. 데이터 분석
49. Google Play
Top Grossing Chart
100위 내 비게임 앱은 단 3개
얘는
모바일
대표플랫폼
린, 스타트업을 이끄는 지표
2/15 디캠프 / 레진코믹스 권정혁CTO
실전 스타트업 데이터분석
3/20 디캠프 / 이음 양승화 본부장
구글Play 매출 상위랭킹 앱의 공통점?
우연일까요?