PM이 필수로 알아야 할 데이터 분석 지표 (DAU, 전환율, 리텐션 등)

 

PM이 필수로 알아야 할 데이터 분석 지표 (DAU, 전환율, 리텐션 등)

성공적인 서비스를 만들기 위한 여정은 끝없는 의사결정의 연속입니다. 이때 PM(프로젝트 혹은 프로덕트 매니저) 또는 서비스 기획자 직무를 가진 사람에게 가장 강력한 무기는 바로 '데이터'입니다. 과거에는 직관과 경험에 의존해 서비스를 개선했다면, 이제는 사용자의 행동 데이터를 기반으로 가설을 세우고 검증하며 서비스를 성장시키는 것이 표준이 되었습니다. 하지만 수많은 데이터 지표 앞에서 어떤 것을 봐야 할지, 어떻게 해석해야 할지 막막함을 느끼는 경우가 많죠. PM 혹은 서비스 기획자 업무를 하는 사람이라면, 단순히 아이디어를 구상하는 것을 넘어, 실제 서비스가 사용자에게 어떻게 소비되는지 데이터 분석 지표를 통해 확인해야 합니다. DAU, MAU, 전환율, 리텐션 등은 단순한 숫자가 아니라 서비스의 성과와 성장 가능성을 보여주는 핵심 지표입니다. 이번 글에서는 서비스 기획자가 반드시 이해해야 할 7가지 데이터 분석 지표를 정리하고, 실제 실무에서 어떻게 활용할 수 있는지 구체적인 팁을 제공하겠습니다.

서비스 기획자가 데이터 분석 지표를 알아야 하는 이유

서비스 기획자가 데이터를 봐야 하는 이유는 명확합니다. 첫째, 객관적인 근거를 바탕으로 의사결정을 내릴 수 있습니다. "제 생각에는 이 기능이 필요할 것 같아요"라는 막연한 주장 대신, "데이터를 보니 특정 페이지에서 이탈률이 80%에 달해, 이를 개선하기 위한 새로운 기능이 필요합니다"라고 말할 수 있게 됩니다. 이는 팀원과 이해관계자들을 설득하는 데 강력한 힘을 발휘합니다.

둘째, 사용자를 더 깊이 이해할 수 있습니다. 사용자가 어떤 경로로 서비스에 들어와 어떤 행동을 하고, 어디서 어려움을 느끼는지 데이터는 정직하게 보여줍니다. 이를 통해 우리는 사용자의 숨겨진 니즈를 발견하고, 불편함을 해소하며 더 만족스러운 경험을 제공할 수 있습니다. 셋째, 성과를 측정하고 서비스의 성장 방향을 설정할 수 있습니다. 우리가 도입한 기능이 정말 효과가 있었는지, 우리의 목표에 얼마나 다가갔는지 숫자로 확인할 수 있으며, 이를 바탕으로 다음 스텝을 계획할 수 있습니다.

"측정할 수 없으면, 관리할 수 없다." - 피터 드러커 (Peter Drucker)

---

사용자 행동을 읽는 핵심 지표: AARRR 프레임워크

수많은 지표 중에서 무엇을 먼저 봐야 할지 막막하다면, 사용자의 생애 주기를 따라 흐름을 파악하는 것이 좋습니다. '해적 지표'라는 별명으로도 유명한 AARRR 프레임워크는 스타트업 액셀러레이터 '500 스타트업'의 창업자 데이브 맥클루어가 만든 분석 모델로, 사용자가 서비스를 인지하고 최종적으로 추천하기까지의 과정을 5단계로 나누어 각 단계의 핵심 지표를 관리합니다.

'해적 지표' 혹은 '해적 매트리스'라고도 불리는 총 5단계의 AARRR 데이터 분석 기법을 단계별로 자세히 알려드리겠습니다. 

1. 획득 (Acquisition): 사용자는 우리 서비스를 어떻게 찾아오는가?
📌 핵심지표 : 신규 사용자, 신규 방문자, CPC, CAC 등 
사용자가 어떤 경로를 통해 우리 서비스에 처음 방문하는지를 파악하는 단계입니다. 주요 지표로는 채널별 신규 방문자 수, CPC(클릭당 비용), CAC(고객 획득 비용) 등이 있습니다. 예를 들어, 페이스북 광고를 통해 유입된 사용자와 구글 검색을 통해 유입된 사용자의 특성과 이후 행동이 어떻게 다른지 분석하여, 더 효율적인 마케팅 채널에 집중하는 전략을 세울 수 있습니다.

2. 활성화 (Activation): 사용자가 핵심 가치를 경험했는가?
📌 핵심지표 : 회원가입률, 페이지뷰(PV), 체류시간 등 
사용자가 서비스에 방문하여 처음으로 '아하!'하는 순간, 즉 핵심 가치를 경험하는 단계입니다. 회원가입, 특정 기능 최초 사용, 콘텐츠 조회 등이 활성화 지표가 될 수 있습니다. 예를 들어, 음악 스트리밍 서비스라면 사용자가 가입 후 24시간 내에 첫 곡을 재생하는 것을 활성화 지표로 삼을 수 있습니다. 만약 이 비율이 낮다면, 온보딩 프로세스에 문제가 없는지 점검해봐야 합니다.

3. 유지, 재사용 (Retention): 사용자가 꾸준히 재방문하는가?
📌 핵심지표 : 재방문 사용자 비율, 이탈률, DAU, MAU 등
활성화된 사용자가 시간이 지난 후에도 계속해서 서비스를 사용하는지를 측정하는 단계입니다. 재방문율(Retention Rate), 이탈률(Churn Rate), DAU/MAU(일간/월간 활성 사용자) 비율 등이 주요 지표입니다. 아무리 많은 신규 사용자를 유치해도, 기존 사용자가 계속 떠나간다면 서비스는 성장할 수 없습니다. 넷플릭스가 끊임없이 오리지널 콘텐츠를 제작하고 개인화 추천 알고리즘을 고도화하는 이유도 바로 이 '유지'를 위해서입니다.

4. 수익 (Revenue): 어떻게 돈을 버는가?
📌 핵심지표 : 전환율, 고객생애가치(CLTV), ROAS, ROI 등 
서비스가 어떻게 수익을 창출하는지를 보여주는 단계입니다. 앞에서 열심히 신규 고객을 끌어왔더라도, 막상 결제로 전환이 이어지지 않는다면 아무런 의미가 없습니다. 해당 단계에서의 핵심 지표로는 결제 전환율(Conversion Rate), LTV(고객 생애 가치), ARPU(사용자당 평균 수익) 등이 있습니다. 예를 들어, 이커머스 서비스라면 장바구니에 상품을 담은 사용자가 최종 결제까지 이어지는 비율을 분석하여, 결제 과정의 허들을 낮추는 개선 작업을 진행할 수 있습니다.

5. 추천 (Referral): 사용자가 자발적으로 확산시키는가?
📌 핵심지표 : NPS, SNS 공유/추천 횟수, 초대 성공률 등 
사실 유저가 진심으로 만족한 서비스라면 입소문이 자연스럽게 발생합니다. '입소문보다 좋은 마케팅은 없다'라는 말도 있죠. 마지막 레퍼럴은 사용자가 만족하여 다른 사람에게 서비스를 추천하고, 이를 통해 새로운 사용자가 유입되는 바이럴 루프를 만드는 단계입니다. NPS(순추천지수), 공유 횟수, 초대 성공률 등이 주요 지표입니다. 초기 드롭박스가 친구를 초대하면 추가 저장 공간을 제공하는 전략으로 폭발적인 성장을 이룬 것은 추천 단계의 중요성을 보여주는 대표적인 사례입니다.

데이터는 단지 숫자의 나열이 아니라, 사용자가 우리 서비스에 남긴 발자국이자 이야기입니다. 그 이야기를 해석하는 것이 기획자의 역할입니다.

---

사용자 경험(UX) 측정을 위한 HEART 프레임워크

AARRR이 비즈니스 성장에 초점을 맞춘 지표라면, 구글이 제안한 HEART 프레임워크는 사용자 경험(UX)을 정량적으로 측정하고 개선하는 데 도움을 줍니다. 이는 서비스의 질적인 측면을 평가하고, 사용자의 만족도를 높이는 데 중점을 둡니다.

• 행복 (Happiness): 사용자가 서비스 이용 시 얼마나 만족하는가? (설문조사, 유저 만족도 조사, 평점, NPS)
• 참여 (Engagement): 사용자가 얼마나 깊이, 자주 관여하는가? (방문 빈도, 체류 시간, 기능 사용률)
• 채택 (Adoption): 얼마나 많은 신규 사용자가 유입되는가? (신규 방문자 수, 신규 기능 사용률)
• 유지 (Retention): 기존 사용자가 얼마나 잘 유지되는가? (재방문율, 이탈률)
• 과업 성공 (Task Success): 사용자가 원하는 목표를 얼마나 쉽고 효율적으로 달성하는가? (작업 완료율, 소요 시간, 에러 발생률)

예를 들어, 어떤 서비스의 '참여' 지표는 높지만 '행복' 지표가 낮다면, 사용자들은 필요에 의해 서비스를 사용하고는 있지만 불편함을 느끼고 있다는 신호일 수 있습니다. 이처럼 HEART 프레임워크를 활용하면 서비스의 건강 상태를 다각도로 진단하고 개선의 우선순위를 정할 수 있습니다. 

모든 지표를 사용하는 대신 각 팀이 확실하게 각인할 수 있는 몇개의 가장 중요한 지표만을 택하는 것이 중요하다.

---

데이터, 가설 검증의 도구로 활용하기

데이터 분석의 최종 목표는 단순히 현상을 파악하는 데 그치지 않고, '개선'으로 이어져야 합니다. 이를 위해서는 '가설 기반의 접근'이 필수적입니다. 'A를 B로 바꾸면 C가 개선될 것이다'와 같은 가설을 세우고, A/B 테스트와 같은 실험을 통해 가설을 검증하는 과정을 반복해야 합니다.

예를 들어, "회원가입 버튼의 색상을 파란색에서 초록색으로 바꾸면, 클릭률이 5% 증가할 것이다"라는 가설을 세웠다고 가정해 봅시다. 기존 사용자 그룹에게는 파란색 버튼을, 새로운 사용자 그룹에게는 초록색 버튼을 노출하여 실제로 클릭률에 차이가 있는지 데이터를 통해 확인하는 것입니다. 이러한 작은 실험들이 모여 서비스의 큰 성장을 이끌어냅니다. 중요한 것은 거창한 예측이 아니라, 작고 빠른 실험과 학습을 통해 서비스를 끊임없이 최적화해 나가는 태도입니다. 데이터는 그 과정에서 가장 정직한 길잡이가 되어줄 것입니다.

데이터 분석 관련 핵심 용어 및 발전사

시기/용어	설명
웹 로그 분석 (1990년대)	웹사이트의 서버 로그를 분석하여 방문자 수, 페이지 뷰 등 기본적인 트래픽을 측정하기 시작. 웹트렌즈(WebTrends)와 같은 초기 분석 도구 등장.
구글 애널리틱스 출시 (2005)	구글이 '어친(Urchin)'을 인수한 후 무료로 제공한 웹 분석 서비스. 스크립트 기반으로 발전된 데이터를 수집하며 웹 데이터 분석의 대중화를 이끌었다.
A/B 테스팅	두 가지 이상의 시안 중 어떤 것이 더 나은 성과를 보이는지 비교하여 검증하는 방법론. 데이터 기반 의사결정의 핵심적인 방법으로 자리 잡았다.
코호트 분석 (Cohort Analysis)	'동일한 특성이나 경험을 공유하는 사용자 집단(코호트)'을 시간 흐름에 따라 분석하는 기법. 사용자 유지율(Retention)을 정밀하게 측정하는 데 사용된다.
AARRR 프레임워크 (2007)	'500 스타트업'의 데이브 맥클루어가 제시한 성장 분석 프레임워크. Acquisition, Activation, Retention, Revenue, Referral 5단계로 나누어 서비스 성장을 측정한다.
HEART 프레임워크 (2010)	구글에서 사용자 경험(UX)을 측정하기 위해 개발한 프레임워크. Happiness, Engagement, Adoption, Retention, Task Success의 5가지 기준으로 서비스 품질을 평가한다.
퍼널 분석 (Funnel Analysis)	사용자가 목표(예: 구매, 가입)에 도달하기까지의 과정을 단계별로 나누고, 각 단계별 전환율과 이탈률을 분석하는 기법. 서비스의 문제 구간을 파악하는 데 유용하다.
LTV (Lifetime Value)	고객 생애 가치. 한 명의 고객이 서비스를 이용하는 전체 기간 동안 발생시킬 것으로 예상되는 총수익. CAC(고객 획득 비용)와 비교하여 마케팅 효율성을 측정한다.
DAU / MAU (Daily/Monthly Active User)	일간/월간 활성 사용자 수. 서비스의 전반적인 활성도와 사용자 참여도를 나타내는 핵심 지표. DAU/MAU 비율은 사용자의 충성도를 가늠하는 척도로 활용된다.